هو مش انا ممكن استخدم بيانات مُسماة labeled في التعلم غير الخاضع للإشراف UnSupervised learning ؟

من الممكن أن تستعمل بيانات مسماة و لكن بدون استعمال التسميات labels. أي مثلاً لديك بيانات لصور حيوانات و لديك لكل صورة ما هو الحيوان الموجود فيها. في حال كنت ترغب باستعمال هذه البيانات في التعلم غير الخاضع للإشراف عليك استعمال الصور فقط بدون المسميات.

في اللحظة التي تستعمل فيها المسميات فإنك تقوم بتوجيه النموذج و إعطاءه معلومات معينة و بالتالي يصبح هناك إشراف ولو جزئي و تنتقل إلى أنواع تعلم أخرى كالتعلم الخاضع للإشراف Supervised learning أو مثلا التعلم الخاضع للإشراف بشكل جزئي semi-supervised learning و غيرها.

عادة ما يستخدم التعلم غير الخاضع للإشراف (Unsupervised Learning) مع بيانات غير مسماة (Unlabeled Data). يعني ذلك أن البيانات لا تحتوي على تسميات أو نتائج معروفة مسبقا، ويقوم النموذج بمحاولة اكتشاف الأنماط أو العلاقات داخل البيانات دون معرفة مسبقة بالتسميات.

ولكن، من الممكن استخدام البيانات المسماة في التعلم غير الخاضع للإشراف في بعض الحالات المحددة. على سبيل المثال:

1. استخدام جزء من البيانات: يمكن استخدام جزء من البيانات المسماة دون النظر إلى التسميات نفسها. يمكن للنموذج محاولة اكتشاف الأنماط فقط بناء على الميزات (Features) الموجودة في البيانات.

2. التحقق من صحة النتائج: بعد أن يقوم النموذج باكتشاف الأنماط أو المجموعات (Clusters) في البيانات، يمكن استخدام التسميات للتحقق من صحة النتائج ومعرفة ما إذا كانت الأنماط المكتشفة تتوافق مع الفئات الفعلية.

بشكل عام، الهدف الرئيسي من التعلم غير الخاضع للإشراف هو التعامل مع البيانات غير المسماة، ولكن يمكن استخدام البيانات المُسماة بشكل غير مباشر كما تم توضيحه.

ولكن للتوضيح اكثر دعنا نأخذ مثالا عمليا لتوضيح كيف يمكن استخدام البيانات المسماة في سياق التعلم غير الخاضع للإشراف. تجميع الصور باستخدام التعلم غير الخاضع للإشراف

لنفترض أن لدينا مجموعة كبيرة من الصور للفاكهة (مثل التفاح، البرتقال، والموز). لدينا بعض الصور مسماة (أي نعرف ما هي الفاكهة في كل صورة)، ولكن نريد استخدام التعلم غير الخاضع للإشراف لتجميع الصور حسب النوع.

 الخطوات:
1. تحضير البيانات:
   - لدينا مجموعة من الصور المسماة (مثلاً 100 صورة لكل نوع من الفاكهة).
2. استخدام التعلم غير الخاضع للإشراف (مثل K-means):
   - نقوم بتحويل الصور إلى تمثيلات رقمية باستخدام تقنيات مثل تحليل المكونات الرئيسية (PCA) أو الشبكات العصبية التلافيفية (CNN).
   - نستخدم خوارزمية K-means لتجميع الصور إلى 3 مجموعات (clusters)، حيث نعرف مسبقاً أننا نتوقع ثلاث مجموعات مختلفة بناءً على نوع الفاكهة.
3. التحقق من النتائج باستخدام البيانات المُسماة:
   - بعد تشغيل خوارزمية K-means، نحصل على 3 مجموعات من الصور.
   - الآن، نستخدم التسميات الموجودة لدينا للتحقق من مدى دقة التجميع. نقوم بفحص كل مجموعة لمعرفة ما إذا كانت الصور في كل مجموعة تتطابق مع نوع فاكهة محدد.

إذا كانت المجموعة الأولى تحتوي بشكل أساسي على صور التفاح، والمجموعة الثانية تحتوي على صور البرتقال، والمجموعة الثالثة تحتوي على صور الموز، فهذا يعني أن التجميع كان ناجحاً.
اما إذا كانت هناك صور غير مصنفة بشكل صحيح، يمكننا معرفة الأخطاء وتحليلها لتحسين النموذج.

في النهايه فباستخدام هذه الطريقة، نحن نستخدم التعلم غير الخاضع للإشراف لاكتشاف الأنماط والتجميع في البيانات، ثم نستخدم البيانات المُسماة للتحقق من دقة النتائج وتحسين النموذج إذا لزم الأمر. 

هذه العملية مفيدة خاصة عندما يكون لدينا بيانات كبيرة جداً وليس لدينا تسميات لجميع البيانات، حيث يمكننا استخدام جزء صغير من البيانات المسماة كمرجع لتحسين وتقييم النموذج.

بتاريخ 6 ساعة قال Khaled Osama3:

ذه العملية مفيدة خاصة عندما يكون لدينا بيانات كبيرة جداً وليس لدينا تسميات لجميع البيانات، حيث يمكننا استخدام جزء صغير من البيانات المسماة كمرجع لتحسين وتقييم النموذج.

وكده هيبقا semi-supervised learning

شكراا جدا جدا لحضرتكم