في هذا الدرس سنبدأ بالحديث عن بعض النظريات الأساسية وراء التجميع Clustering ولماذا تريد استخدامه عمليًا، بما في ذلك الطرق التي يمكنك من خلالها استخدام التجميع جنبًا إلى جنب مع الأساليب الأخرى للتعلم الآلي مثل تقليل الأبعاد، هندسة الميزات، والتنبؤ. يعد التعلم الآلي غير الخاضع للإشراف (غير المراقب أو التعليم الاستنتاجي) أحد الأنواع الثلاثة الرئيسية للتعلم الآلي جنبًا إلى جنب مع التعلم الخاضع للإشراف (الموجه) والتعلم المعزز. تستخدم جميع أنماط التعلم الآلي البيانات من أجل التعلم. هذا التعريف من دكتور شابير في جامعة برينستون يعطي فكرة عن أنماط التعلم التي يمكننا تحقيقها من خلال التعلم الآلي. طريقة للتفكير في التعلم الآلي غير الخاضع للإشراف هي أنه على عكس التعلم الخاضع للإشراف والمعزز، التعلم غير الخاضع للإشراف هو التعلم بدون معلم. بينما يستخدم التعلم الآلي الخاضع للإشراف الأمثلة المصنفة ويستخدم التعلم المعزز نوعًا من وظائف خدمة أو الهدف العام، يتيح لنا التعلم الآلي غير الخاضع للإشراف العثور على الأنماط الناشئة داخل مجموعات البيانات. وهذا هو سبب أن التعلم الآلي غير الخاضع للإشراف لديه مجالات خاصة به من حالات الاستخدام في عالم التعلم الآلي ككل. هذا لأننا كثيرًا ما نحاول عمل تنبؤات حيث يتعين علينا تقديم نوع من الافتراضات حول العلاقات بين المتغيرات وأنماط البيانات التي قد نراها. في التعلم الآلي غير الخاضع للإشراف، نريد أن نجد تلك الأنماط دون التأثير على فرضية معينة على البيانات في وقت مبكر. يتيح لنا ذلك العثور على الأشياء التي تثير الدهشة حقًا. وفي التجميع خاصة هذه الأنماط الناشئة يمكن أن تكون مفيدة للغاية. يمكن استخدام التعلم غير الخاضع للإشراف في مجموعة متنوعة من المهام المختلفة، بما في ذلك تقسيم العملاء، اكتشاف الانحراف أو الشذوذ في البيانات لأشياء مثل الاحتيال، وكذلك في أنواع مختلفة من النمذجة اللغوية مثل تجميع المقالات التي تدور حول مواضيع متشابهة معًا. الآن يجب أن يكون لديك فكرة عن كيفية ارتباط التعلم الآلي غير الخاضع للإشراف بالتعلم تحت الإشراف، وكذلك التعلم المعزز، والاختلافات الجوهرية بينهما.