التعلم غير الموجَّه

الفكرة

لدينا \(\{x_i\}_{i=1}^{n}\) فقط، دون \(y\). نريد أن نفهم كيف تتوزع البيانات: هل توجد مجموعات؟ هل يمكن تمثيلها بأبعاد أقل؟ هل توجد نقاط غير معتادة؟

المهام الرئيسة

• التجميع: تقسيم البيانات إلى مجموعات متشابهة داخلياً، مثل K-Means وDBSCAN والتجميع الهرمي.
• تقليل الأبعاد: تمثيل البيانات بعدد أقل من المتغيرات مع الحفاظ على أكبر قدر من المعلومات، مثل PCA، أو للتصور مثل t-SNE وUMAP.
• كشف الشذوذ: تحديد الحالات النادرة، مثل المعاملات المالية المشبوهة، بطرق مثل Isolation Forest.

مثال: PCA

from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

X, _ = load_iris(return_X_y=True)
X_std = StandardScaler().fit_transform(X)
pca = PCA(n_components=2).fit(X_std)
Z = pca.transform(X_std)
print(pca.explained_variance_ratio_)   # نسبة التباين المفسر لكل مكوّن

صعوبة التقييم

لا توجد إجابة صحيحة نقارن بها، لذلك نستخدم:

• مقاييس داخلية مثل معامل الظل (Silhouette).
• مقاييس خارجية إذا توفرت تسميات لاحقاً لجزء من البيانات.
• الحكم الخبير: هل للمجموعات معنى في المجال؟

استخدامات مساندة

كثيراً ما يُستخدم التعلم غير الموجَّه كخطوة قبل التعلم الموجَّه: تقليل الأبعاد قبل التصنيف، أو التعلم الذاتي الإشراف (self-supervised) لتعلم تمثيلات من بيانات ضخمة غير موسومة.