التعلم غير الموجّه في بايثون (Unsupervised Learning): شرح سهل مع مثال عملي
30 مارس 2026
هل يمكن للحاسوب أن يتعلم بدون أن نعطيه الإجابات؟ نعم، وهذا بالضبط ما يحدث في التعلم غير الموجّه. في هذا الدرس سنتعرف على هذا النوع من تعلم الآلة بطريقة بسيطة، مع مثال عملي باستخدام بايثون.
ما هو التعلم غير الموجّه؟
التعلم غير الموجّه هو نوع من التعلم الآلي يتعامل مع بيانات بدون تسميات أو إجابات جاهزة.
يعني أن النموذج لا يعرف مسبقًا ما الذي يبحث عنه، بل يحاول بنفسه اكتشاف الأنماط والعلاقات داخل البيانات.
الفرق بين التعلم الموجّه وغير الموجّه
لفهم هذا المفهوم أكثر، من المفيد أن نقارنه بالتعلم الموجّه:
- التعلم الموجّه: يعتمد على بيانات مُعلّمة.
- التعلم غير الموجّه: يعمل بدون تسميات.
- التعلم الموجّه: يعرف الإجابة مسبقًا.
- التعلم غير الموجّه: يكتشف الأنماط بنفسه.
كيف يعمل التعلم غير الموجّه؟
يقوم هذا النوع من التعلم بتحليل البيانات كما هي، ثم يبحث عن التشابه والاختلاف بين العناصر.
- يأخذ البيانات بدون تصنيف مسبق.
- يبحث عن الأنماط والعلاقات.
- يقسم البيانات إلى مجموعات متشابهة.
أمثلة واقعية
1) تحليل العملاء
يمكن استخدام التعلم غير الموجّه لتقسيم العملاء إلى مجموعات حسب سلوكهم الشرائي، مثل العملاء النشطين والعملاء الذين يشترون بشكل قليل.
2) تنظيم الصور
يمكن للنظام تجميع الصور المتشابهة تلقائيًا حتى لو لم نخبره مسبقًا بمحتوى كل صورة.
3) كشف الأنماط المخفية
يفيد هذا النوع من التعلم في اكتشاف معلومات لم تكن ظاهرة من قبل داخل البيانات.
خوارزمية K-Means
من أشهر خوارزميات التعلم غير الموجّه خوارزمية K-Means، وهي تقوم بتقسيم البيانات إلى عدد محدد من المجموعات حسب التشابه.
فكرة عملها باختصار:
- نختار عدد المجموعات K.
- نحدد مراكز أولية للمجموعات.
- نربط كل نقطة بأقرب مركز.
- نحدث المراكز من جديد.
- نكرر العملية حتى تستقر النتائج.
مثال عملي باستخدام Python
from sklearn.cluster import KMeans
import numpy as np
X = np.array([
[1, 2], [1, 4], [1, 0],
[10, 2], [10, 4], [10, 0]
])
model = KMeans(n_clusters=2, random_state=0)
model.fit(X)
print("Labels:", model.labels_)
print("Centers:", model.cluster_centers_)
شرح المثال:
- أنشأنا مجموعة بيانات بسيطة.
- حددنا عدد المجموعات في 2.
- دربنا النموذج باستخدام fit().
- عرضنا المجموعة التي ينتمي إليها كل عنصر.
متى نستخدم التعلم غير الموجّه؟
- عندما لا تتوفر بيانات مصنفة.
- عندما نريد اكتشاف أنماط مخفية.
- عندما نحتاج إلى تقسيم البيانات إلى مجموعات.
أهم المميزات والعيوب
المميزات:
- لا يحتاج إلى بيانات مُعلّمة.
- يساعد في اكتشاف أنماط جديدة.
- مفيد جدًا في تحليل البيانات.
العيوب:
- قد يكون تفسير النتائج صعبًا.
- اختيار عدد المجموعات المناسب ليس دائمًا سهلًا.
- يعتمد كثيرًا على جودة البيانات.
خلاصة الدرس
التعلم غير الموجّه هو أسلوب مهم في تعلم الآلة، لأنه يسمح للنماذج باكتشاف الأنماط داخل البيانات بدون إجابات جاهزة. ويُستخدم كثيرًا في التجميع وتحليل العملاء وتنظيم البيانات.
أسئلة للمراجعة
- ما المقصود بالتعلم غير الموجّه؟
- ما الفرق بينه وبين التعلم الموجّه؟
- ما وظيفة خوارزمية K-Means؟
تعليقات
إرسال تعليق
نرحب بتعليقاتكم البناءة، ونسعى لردود تفاعلية ومفيدة للجميع.