التعلم غير المراقب هو فرع من الذكاء الاصطناعي وتعلم الآلة، حيث يتعلم algorithm من بيانات غير موسومة، أي دون وجود مخرجات محددة مسبقًا. على عكس التعلم المراقب، لا توجد "حقيقة مرجعية" توجه عملية التدريب. الهدف الأساسي هو اكتشاف الهياكل أو الأنماط أو التجمعات الطبيعية ضمن البيانات. غالبًا ما يشمل ذلك مهام مثل clustering (التجميع)، تقليل الأبعاد، أو اكتشاف الشذوذ. يبرز التعلم غير المراقب بقدرته على استكشاف مجموعات بيانات ضخمة دون تدخل بشري، غير أن تفسير النتائج عادة يتطلب خبرة تخصصية.
حالات الاستخدام وأمثلة
يُستخدم التعلم غير المراقب لتقسيم العملاء إلى مجموعات متجانسة في التسويق، واكتشاف الاحتيال أو القيم الشاذة في المالية، وتنظيم الوثائق تلقائيًا حسب الموضوع، وللتحليل الاستكشافي للبيانات في العلوم أو الطب. من الأمثلة الشائعة أيضًا أنظمة التوصية، ضغط الصور، واكتشاف أنماط سلوكية جديدة في الشبكات الاجتماعية.
أهم الأدوات البرمجية والمكتبات والإطارات
من أشهر الأدوات scikit-learn (Python)، TensorFlow وPyTorch للتطبيقات المتقدمة. وللتجميع، تُستخدم خوارزميات مثل K-means، DBSCAN وSpectral Clustering. أما لتقليل الأبعاد، فهناك PCA، t-SNE وUMAP. وتوفر منصات مثل RapidMiner وKNIME واجهات رسومية للعمل على التعلم غير المراقب.
آخر التطورات والاتجاهات
تركز التطورات الحديثة على دمج التعلم غير المراقب في هياكل التعلم العميق (deep learning) مثل autoencoders أو نماذج التجميع المعتمدة على الشبكات العصبية. وتعمل الأساليب الذاتية الإشراف—التي تبتكر مهامًا صناعية من بيانات غير موسومة—على طمس الحدود بين التعلم المراقب وغير المراقب. يزداد دور التعلم غير المراقب في تحضير البيانات للنماذج التوليدية وتحليل البيانات الضخمة، ما يمهد الطريق لتطبيقات ذكاء اصطناعي أكثر استقلالية ومتانة.