التعلّم غير المُوجَّه

تخيّل أنك تُسلّم شخصًا صندوقًا فيه آلاف الصور غير المُرتَّبة وبلا أي وصف، وتطلب منه ببساطة أن يجمع المتشابهة منها معًا. هذا هو جوهر التعلّم غير المُوجَّه: أن يكتشف النموذج بنفسه البنية الخفية لمجموعة بيانات لا تحمل أي تسميات. وخلافًا للتعلّم المُوجَّه، لا توجد «إجابة صحيحة» تُحتذى — بل تبحث الخوارزمية عن الأنماط بنفسها.

المبدأ الأساسي

يتلقّى النموذج المُدخلات $x_1, x_2, \dots, x_n$ فقط، دون أي هدف $y$ مرتبط بها. وهدفه هو نمذجة التوزيع الكامن للبيانات أو الكشف عن هندستها. وتسيطر على هذا المجال عائلتان رئيسيتان:

• التجميع العنقودي (Clustering): تقسيم البيانات إلى مجموعات متجانسة؛
• تقليل الأبعاد: ضغط المعلومات مع الحفاظ على جوهرها.

فخوارزمية المتوسطات الـ k (k-means) مثلًا تُقلّل المسافة داخل العنقود:

$$ J = \sum_{i=1}^{k} \sum_{x \in C_i} \lVert x - \mu_i \rVert^2 $$

حيث $\mu_i$ هو مركز العنقود $C_i$.

استخدامات واقعية

كما أن التعلّم غير المُوجَّه هو المحرّك وراء التدريب المُسبَق لنماذج اللغة الكبيرة، التي تتعلّم بنية اللغة من نصوص خام غير مُوسَّمة.

نقاط القوة والحدود

ميزته الكبرى أنه يستثمر البيانات غير المُوسَّمة، وهي أوفر بكثير وأقل كلفة. أما تحدّيه فهو أنه، في غياب مرجع حقيقي، يبقى تقييم جودة النتائج أمرًا صعبًا وذاتيًا في الغالب.

حيث يُجيب التعلّم المُوجَّه عن سؤال، يكشف التعلّم غير المُوجَّه عن أسئلة جديدة.