التعلم الجماعي هو أسلوب للتعلم الآلي يهدف إلى تحسين أداء النموذج من خلال الجمع بين نماذج متعددة. إنه يعزز فكرة أن الجمع بين العديد من المتعلمين الضعفاء يمكن أن يخلق متعلمًا قويًا يؤدي أداءً أفضل من أي نموذج فردي. يُستخدم هذا النهج على نطاق واسع في مهام التعلم الآلي المختلفة لتعزيز الدقة التنبؤية والمتانة وقابلية التعميم.
هناك عدة أنواع من أساليب التعلم الجماعي، مع الفئتين الرئيسيتين هما التعبئة والتعزيز. تتضمن عملية التعبئة، وهي اختصار لعبارة bootstrap aggregating، تدريب مثيلات متعددة لنفس خوارزمية التعلم الأساسية على مجموعات فرعية مختلفة من بيانات التدريب. يتم بعد ذلك تحديد التنبؤ النهائي من خلال تجميع تنبؤات جميع النماذج الفردية. Random Forest هي خوارزمية شائعة تستخدم التعبئة، حيث يتم تدريب أشجار القرار المتعددة على مجموعات فرعية مختلفة من البيانات، ويتم إجراء التنبؤ النهائي عن طريق حساب متوسط تنبؤات جميع الأشجار.
ومن ناحية أخرى، يعمل التعزيز من خلال تدريب سلسلة من النماذج حيث يقوم كل نموذج لاحق بتصحيح الأخطاء التي ارتكبتها النماذج السابقة. تعزيز التدرج هو خوارزمية تعزيز معروفة تقوم ببناء الأشجار بشكل تسلسلي، حيث تركز كل شجرة على أخطاء الشجرة السابقة. ومن خلال الجمع بين هؤلاء المتعلمين الضعفاء، يصبح النموذج النهائي متعلمًا قويًا قادرًا على تقديم تنبؤات دقيقة.
أسلوب التجميع الشائع الآخر هو التراص، والذي يجمع بين نماذج أساسية متعددة عن طريق تدريب نموذج تعريفي على تنبؤاته. تقوم النماذج الأساسية بعمل تنبؤات فردية، ويتعلم النموذج التعريفي كيفية الجمع بين هذه التنبؤات بشكل أفضل لتحقيق الناتج النهائي. يعد التراص فعالا في التقاط الأنماط المتنوعة الموجودة في البيانات ويمكن أن يؤدي إلى تحسين الأداء مقارنة باستخدام النماذج الفردية.
يمكن تنفيذ التعلم الجماعي باستخدام خوارزميات مختلفة مثل AdaBoost، وXGBoost، وLightGBM، وCatBoost، ولكل منها نقاط قوتها وخصائصها الخاصة. وقد تم تطبيق هذه الخوارزميات بنجاح في مجالات مختلفة، بما في ذلك التعرف على الصور، ومعالجة اللغة الطبيعية، والتنبؤ المالي، مما يعرض تنوع وفعالية أساليب المجموعة في تطبيقات العالم الحقيقي.
يعد التعلم الجماعي تقنية قوية في التعلم الآلي تعمل على تعزيز الذكاء الجماعي لنماذج متعددة لتحسين الأداء التنبؤي. من خلال الجمع بين النماذج المتنوعة، يمكن لطرق المجموعة التخفيف من نقاط الضعف في النماذج الفردية وتعزيز الدقة والقوة بشكل عام، مما يجعلها أداة قيمة في صندوق أدوات التعلم الآلي.
أسئلة وأجوبة أخرى حديثة بخصوص EITC/AI/GCML تعلم الآلة على Google Cloud:
- ما هو تحويل النص إلى كلام (TTS) وكيف يعمل مع الذكاء الاصطناعي؟
- ما هي القيود المفروضة على العمل مع مجموعات البيانات الكبيرة في التعلم الآلي؟
- هل يمكن للتعلم الآلي تقديم بعض المساعدة الحوارية؟
- ما هو ملعب TensorFlow؟
- ماذا تعني مجموعة البيانات الأكبر في الواقع؟
- ما هي بعض الأمثلة على المعلمات الفائقة للخوارزمية؟
- ما هو التعلم المجمع؟
- ماذا لو لم تكن خوارزمية التعلم الآلي المختارة مناسبة وكيف يمكن التأكد من اختيار الخوارزمية الصحيحة؟
- هل يحتاج نموذج التعلم الآلي إلى الإشراف أثناء التدريب؟
- ما هي المعلمات الأساسية المستخدمة في الخوارزميات القائمة على الشبكة العصبية؟
عرض المزيد من الأسئلة والأجوبة في EITC/AI/GCML Google Cloud Machine Learning