جزيره فناوري اطلاعات

در مقاله يادگيري ماشين بانظارت، ياد گرفتيم كه چگونه مي توان مدل ها را با استفاده از مجموعه داده آموزشي برچسب دار، آموزش داد و بعد از آزمون قبولي، از آن ها براي سوددهي در هر كسب و كاري استفاده كرد. اما ممكن است در خيلي از پروژه ها يا صنايع امكان دسترسي به يك مجموعه داده برچسب دار نباشد يا به گونه اي تهيه يك مجموعه داده برچسب دار خيلي دشوار باشد، لذا نمي توان مدل ها را با استفاده از اين نوع داده ها به خوبي آموزش داد، اما مي توان يكسري الگو و رابطه از دل اين مجموعه داده استخراج كرد. در اين شرايط مي توان از الگوريتم هاي يادگيري بدون نظارت به منظور خوشه بندي و استخراج رابطه بين داده ها نيز استفاده كرد. در ادامه بيشتر در مورد الگوريتم يادگيري بدون نظارت | Unsupervised Machine Learning آشنا خواهيم شد.

يادگيري ماشين بدون نظارت چيست؟

همانطور كه از نام اين نوع يادگيري پيداست، يادگيري بدون نظارت | Unsupervised Machine Learning يك تكنيك يادگيري ماشين است كه در آن مدل‌ها با استفاده از مجموعه داده‌هاي آموزشي نظارت نمي‌شوند (يعني از مجموعه داده داراي برچسب آموزش نمي بينند). در عوض، مدل‌ها مي توانند يكسري الگوها و بينش‌هاي پنهان را از دل مجموعه داده ها پيدا ‌كنند.

مي توان يادگيري بدون نظارت را اينگونه نيز تعريف كرد:

يادگيري بدون نظارت نوعي از يادگيري ماشيني است كه در آن مدل‌ها با استفاده از مجموعه داده‌هاي بدون برچسب آموزش داده مي‌شوند و اجازه دارند بدون هيچ نظارتي بر روي آن داده‌ها عمل كنند.

در دوره آموزشي جامع علم داده مدرس كاظم تقنديكي تمام A-Z علم داده (يادگيري ماشين، داده كاوي) را به شكل كاملاً عملي و با زباني ساده به شما آموزش مي دهد

يادگيري بدون نظارت | Unsupervised Machine Learning را نمي توان مستقيماً براي حل يك مسئله رگرسيون يا دسته بندي نيز استفاده كرد زيرا براي حل اين نوع مسائل ما نياز به مجموعه داده اي داريم كه داراي ويژگي برچسب باشد، لذا براي حل اين نوع مسائل بايد از الگوريتم هاي يادگيري بانظارت استفاده كرد. هدف از يادگيري بدون نظارت، يافتن ساختار زيربنايي مجموعه داده، گروه بندي آن داده ها بر اساس شباهت ها و نمايش آن مجموعه داده در يك قالب فشرده است .

مثال: فرض كنيد يك مجموعه داده ورودي حاوي هزاران تصوير انواع مختلف گربه و سگ بدون هيچ نوع برچسبي داريم (تصوير زير) كه آن را به يك الگوريتم يادگيري بدون نظارت سپرده ايم. الگوريتم نمي تواند بر روي اين مجموعه داده آموزش داده شود اما مي تواند با توجه به الگوهاي شباهتي كه بين تصاوير مختلف گربه و سگ وجود دارد (مانند رنگ چشم، رنگ مو، اندازه و ...)، آن ها را به 2 خوشه گربه و سگ تقسيم نمايد.

چرا بايد از يادگيري بدون نظارت استفاده كنيم؟

مهمترين عواملي كه استفاده از الگوريتم يادگيري بدون نظارت را در صنايع مهم دانسته است عبارتند از:

• يادگيري بدون نظارت براي يافتن يك دانش عميق از داده ها مفيد است.
• يادگيري بدون نظارت بسيار شبيه به هوش مصنوعي و يادگيري انسان است كه با تجربيات و مشاهدات خود مي تواند الگو و رابطه بين در داده ها را بيابد.
• يادگيري بدون نظارت مهم است چرا كه مي تواند بر روي داده هاي بدون برچسب و دسته بندي نشده كار مي .
• در دنياي واقعي، ما هميشه داده هاي ورودي با خروجي مربوطه نداريم، بنابراين براي حل چنين مواردي، به يادگيري بدون نظارت نياز داريم.

نحوه كار الگوريتم هاي يادگيري بدون نظارت :

نحوه كار الگوريتم هاي يادگيري بدون نظارت را مي توان با تصوير زير درك كرد:

در تصوير فوق و در مرحله اول ما يك مجموعه داده ورودي (تصاوير تصادفي حيوانات) بدون برچسب داريم، به اين معني كه بخشي از داده ها از قبل دسته بندي نشده است و داراي برچسب نمي باشند. لذا در مرحله بعد با استفاده از يكي از الگوريتم هاي يادگيري ماشين بدون نظارت مانند k-means رابطه ها و الگوهاي پنهان از دل تصاوير استخراج شده و خوشه بندي داده ها نيز انجام مي پذيرد.

انواع الگوريتم يادگيري بدون نظارت:

الگوريتم هاي يادگيري بدون نظارت | Unsupervised Machine Learning را مي توان به دو دسته تقسيم كرد:

• الگوريتم هاي خوشه‌بندي | Clustering : خوشه‌بندي روشي است براي قراردادن اشياء در يكسري خوشه‌ها، به‌گونه‌اي كه اشياي (داده هاي) داخل يك خوشه بيشترين شباهت را با يكديگر و كمترين شباهت را با اشياي ساير خوشه ها دارند.
• الگوريتم هاي قواعد انجمني | Association rule : از اين نوع الگوريتم ها براي تحليل سبد خريد يك فروشگاه استفاده مي شود به عنوان مثال با استفاده از اين نوع الگوريتم ها مي توانيم رابطه خريد بين محصولات يك فروشگاه را درك كنيم، يكي از اين نوع قواعد مي تواند به اين شكل تفسير شود. آقاي رضاييان با ضريب اطمينان 90 درصد موقع خريد پنير، محصول ديگري با نام نان نيز خريده است.

الگوريتم هاي يادگيري بدون نظارت:

برخي از الگوريتم هاي يادگيري بدون نظارت | Unsupervised Machine Learning نيز در زير ليست شده است:

• خوشه بندي سلسله مراتبي
• خوشه بندي K-means
• خوشه بندي مبتني بر چگالي
• K نزديكترين همسايه
• تشخيص ناهنجاري
• شبكه هاي عصبي
• الگوريتم  Apriori

مزاياي يادگيري بدون نظارت 

• يادگيري بدون نظارت | Unsupervised Machine Learning در مقايسه با يادگيري نظارت شده براي كارهاي پيچيده‌تر استفاده مي‌شود، زيرا در يادگيري بدون نظارت، داده‌هاي ورودي برچسب‌دار نداريم.

معايب يادگيري بدون نظارت

• يادگيري بدون نظارت ذاتاً دشوارتر از يادگيري تحت نظارت است زيرا داده هاي ورودي داراي هيچ گونه برچسبي نيز نمي باشد.
• نتيجه عملكردي الگوريتم هاي يادگيري بدون نظارت ممكن است دقت كمتري داشته باشد زيرا داده‌هاي ورودي برچسب‌گذاري نمي‌شوند و الگوريتم‌ها خروجي دقيق را از قبل نمي‌دانند و آموزش داده نشده اند.