Supervised vs. Unsupervised Learning: What's the Difference?

تخيل أنك واقف أمام كومة كبيرة من الفاكهة المختلفة - التفاح والبرتقال والموز وغيرهم. وعندك مهمتين:

في الأولى، فيه شخص ما هيقولك اسم كل فاكهة، وهتقوم بتصنيفها في مجموعات بناءً على المعلومات دي.

وفي المهمة الثانية، مفيش حد هيقولك اسم الفاكهة؛ مطلوب منك بس تبص ليها وتعرف ازاي تجمعها بناءً على أوجه التشابه بينها.

المهمتين دول بالظبط شبه النوعين الرئيسيين من ال Machine Learning: 

supervised learning and unsupervised learning.

ودلوقتي تعالوا نتعمق اكتر في الي بيخليهم مختلفين عن بعض.

Supervised Learning: Sorting with Labels

في ال Supervised learning، بيتم تزويدك بمجموعة من الداتا أو البيانات المصنفة.

وده معناه أنه بالنسبة لكل جزء من البيانات، أنت تعرف بالفعل الإجابة الصح أو العلامة.

الموضوع ده زي ما يكون بالظبط فيه شخص جنبك، بيقولك، "دي تفاحة"، "دي برتقالة"، وهكذا.

وظيفتك هي التعلم من البيانات المصنف دي بحيث تقدر تتعرف عليها بشكل صحيح لما تشوف بيانات جديدة (زي مثلاً فاكهة جديدة).

Example 1: Classifying Emails

مثال شائع لل Supervised learning هو اكتشاف ال Email Spam filter.

ممكن يكون عندك مجموعة بيانات حيث يتم تصنيف كل إيميل على أنه "إيميل عشوائي" أو "إيميل غير عشوائي". 

وبيتم تدريب ال Algorithm على البيانات المصنفة دي ويتعلم التعرف على الأنماط الي تشير عادةً للإيميل العشوائي.

وعشان كده، لما بيوصل إيميل جديد، هيستخدم الmodel الي اتعلمه لتحديد ما إذا كان الإيميل ده إيميل عشوائي ولا لأ.

Example 2: Predicting House Prices

مثال تاني وهو التنبؤ بأسعار العقارات.

افترض أن عندك مجموعة داتا فيها معلومات حول البيوت - زي مثلاً عدد غرف النوم وحجم البيت والموقع - وأسعار بيع البيوت دي.

وبيتم تصنيف الداتا دي لأنك عارف سعر كل بيت. وممكن تدريب ال supervied learning model على الداتا دي للتنبؤ بسعر بيت جديد بناءً على مميزاته.

Unsupervised Learning: Finding Patterns Without Labels

ودلوقتي، تعالوا ننتقل لل Unsupervised learning. 

هنا، مش بيتم إعطاؤك أي تسميات.

مفيش حد بيقولك، "دي تفاحة" أو "دي برتقالة". بدل ده، أنت لوحدك يتبص للفاكهة وتكتشف ازاي تجمعها.

وممكن تلاحظ أن بعض الفاكهة مدورة ولونها أحمر (التفاح) أو طويلة ولونها أصفر (الموز)، وتجمعها بناءً على ده.

المفتاح هنا هو أن ال model يلاقي الأنماط والعلاقات في الداتا من غير أي إرشادات.

Example 1: Customer Segmentation

الاستخدام الشائع لل Unsupervised learning هو تقسيم العملاء للشركات.

تخيل أن عندك داتا عن عملائك - العمر، وعادات الشراء، والتفضيلات - ولكن مفيش تسميات تعرفك بالعملاء الي بينتمون لأي مجموعة. ممكن لل Unsupervised learning algorithm تحليل البيانات دي وتجميع العملاء في مجموعات بناءً على أوجه التشابه بينهم.

على سبيل المثال، ممكن يلاقي مجموعة من العملاء الشباب المتمرسين في مجال التكنولوجي والي بيشتروا أحدث الأدوات بشكل متكرر، وهكذا.

Example 2: Anomaly Detection

مثال تاني وهو اكتشاف الحاجة المختلفة.

لنفترض أنك بتراقب أداء الآلات في أي مصنع.

في معظم الأحيان، الآلات بتشتغل بشكل طبيعي، ولكن في بعض الأحيان بتحصل أنماط غير عادية تشير لوجود عطل. باستخدام ال Unsupervised learning، ممكن تدرب model للتعرف على الشكل "الطبيعي" ثم وضع علامة على أي أنماط لا تناسب الطبيعي.

Key Differences

- Labels: 

يستخدم ال Supervised learning بيانات مصنفة (أنت عارف الإجابات الصح)، بينما يعمل ال Unsupervised learning مع البيانات غير المصنفة (أنت بتلاقي الأنماط بنفسك).

- Goal:

في ال Supervised learning، الهدف هو إجراء تنبؤات بناءً على أمثلة سابقة. في ال Unsupervised learning، الهدف هو استكشاف البيانات وانك تلاقي أنماط مخفية.

 - Examples: 

يتضمن ال Supervised learning مهام زي التصنيف والانحدار (التنبؤ بقيمة)، بينما يتضمن التعلم ال Unsupervised learning مهام زي التجميع (تجميع العناصر المتشابهة) والترابط (إيجاد قواعد توصف أجزاء كبيرة من البيانات).

عشان كده، في المرة الجاية الي تسمع فيها المصطلحات دي، فكر بس في فرز الفاكهة، مع أو بدون Labels أو annotation!!