Dimensionality Reduction

يعد تقليل الأبعاد تقنية تحويلية في تعلم الآلة (ML) وعلم البيانات، وتُستخدم لتقليل عدد متغيرات الإدخال—التي يُشار إليها غالباً بالميزات أو الأبعاد—في مجموعة البيانات مع الاحتفاظ بالمعلومات الأكثر أهمية. في عصر البيانات الضخمة، غالباً ما تحتوي مجموعات البيانات على آلاف المتغيرات، مما يؤدي إلى ظاهرة تُعرف باسم لعنة الأبعاد. يمكن أن تتسبب هذه الظاهرة في جعل تدريب النموذج مكلفاً حسابياً، وعرضة لـ الإفراط في التخصيص، وصعب التفسير. من خلال إسقاط البيانات عالية الأبعاد في مساحة ذات أبعاد أقل، يمكن للممارسين تحسين الكفاءة والتصور والأداء التنبئي.

Link to this sectionالفوائد الأساسية في تطوير الذكاء الاصطناعي#

يعد تقليل تعقيد البيانات خطوة أساسية في خطوط أنابيب معالجة البيانات. وهو يوفر العديد من المزايا الملموسة لبناء أنظمة ذكاء اصطناعي (AI) قوية:

• تعزيز الكفاءة الحسابية: ميزات أقل تعني بيانات أقل للمعالجة. وهذا يسرع أوقات التدريب لخوارزميات مثل YOLO26، مما يجعلها أكثر ملاءمة لـ الاستدلال في الوقت الفعلي والنشر على أجهزة ذكاء اصطناعي حافي (Edge AI) محدودة الموارد.
• تحسين تصور البيانات: تكافح الحدس البشري لاستيعاب البيانات التي تتجاوز ثلاثة أبعاد. يعمل تقليل الأبعاد على ضغط مجموعات البيانات المعقدة في مساحات ثنائية أو ثلاثية الأبعاد، مما يتيح تصور البيانات بشكل فعال لاكتشاف المجموعات والأنماط والقيم المتطرفة باستخدام أدوات مثل TensorFlow Embedding Projector.
• تقليل الضوضاء: من خلال التركيز على التباين الأكثر صلة في البيانات، تعمل هذه التقنية على تصفية الضوضاء والميزات الزائدة. وينتج عن ذلك بيانات تدريب أنظف، مما يساعد النماذج على التعميم بشكل أفضل على الأمثلة غير المرئية.
• تحسين التخزين: يمكن أن يكون تخزين مجموعات البيانات الضخمة على السحابة، مثل تلك التي تُدار عبر منصة Ultralytics، مكلفاً. يؤدي ضغط مساحة الميزات إلى تقليل متطلبات التخزين بشكل كبير دون التضحية بسلامة البيانات الأساسية.

Link to this sectionالتقنيات الرئيسية: الخطية مقابل غير الخطية#

تُصنف طرق تقليل الأبعاد عموماً بناءً على ما إذا كانت تحافظ على البنية الخطية العالمية أو المتعدد غير الخطي المحلي للبيانات.

Link to this sectionالطرق الخطية#

أكثر التقنيات الخطية رسوخاً هي تحليل المكونات الرئيسية (PCA). يعمل PCA من خلال تحديد "المكونات الرئيسية" - وهي محاور متعامدة تلتقط الحد الأقصى من التباين في البيانات. ويقوم بإسقاط البيانات الأصلية على هذه المحاور الجديدة، مما يؤدي بفعالية إلى تجاهل الأبعاد التي تقدم القليل من المعلومات. تُعد هذه التقنية عنصراً أساسياً في مسارات التعلم غير الخاضع للإشراف.

Link to this sectionالطرق غير الخطية#

بالنسبة لهياكل البيانات المعقدة، مثل الصور أو التضمينات النصية، غالباً ما تكون الطرق غير الخطية مطلوبة. تتفوق تقنيات مثل t-SNE (تضمين الجوار العشوائي الموزع ت) وUMAP (التقريب والإسقاط المتعدد الموحد) في الحفاظ على الأحياء المحلية، مما يجعلها مثالية لتصور المجموعات عالية الأبعاد. بالإضافة إلى ذلك، تُعد المشفرات التلقائية (autoencoders) عبارة عن شبكات عصبية مدربة على ضغط المدخلات في تمثيل مساحة كامنة وإعادة بنائها، مما يؤدي بفعالية إلى تعلم ترميز مضغوط للبيانات.

Link to this sectionتطبيقات العالم الحقيقي#

يعد تقليل الأبعاد أمراً بالغ الأهمية عبر مجالات مختلفة من التعلم العميق (DL):

1. الرؤية الحاسوبية: تعالج كاشفات الكائنات الحديثة مثل YOLO26 صوراً تحتوي على آلاف البكسلات. تستخدم الطبقات الداخلية تقنيات مثل التجميع والالتفاف المتباعد لتقليل الأبعاد المكانية لـ خرائط الميزات تدريجياً، مما يقطر البكسلات الخام إلى مفاهيم دلالية عالية المستوى (مثل "حافة"، "عين"، "سيارة").

2. علم الجينوم والرعاية الصحية: في تحليل الصور الطبية والمعلوماتية الحيوية، يحلل الباحثون بيانات التعبير الجيني التي تحتوي على عشرات الآلاف من المتغيرات. يساعد تقليل الأبعاد في تحديد المؤشرات الحيوية الرئيسية لتصنيف الأمراض، كما يظهر في الدراسات حول علم الجينوم للسرطان.

3. أنظمة التوصية: تستخدم منصات مثل Netflix أو Spotify تحليل المصفوفات (تقنية تقليل) للتنبؤ بتفضيلات المستخدم. من خلال تقليل المصفوفة المتناثرة لتفاعلات المستخدم مع العنصر، يمكنهم التوصية بالمحتوى بكفاءة بناءً على الميزات الكامنة.

Link to this sectionتقليل الأبعاد مقابل اختيار الميزات#

من المهم التمييز بين هذا المفهوم واختيار الميزات، حيث يحقق كلاهما أهدافاً متشابهة من خلال آليات مختلفة:

• يتضمن اختيار الميزات اختيار مجموعة فرعية من الميزات الأصلية (على سبيل المثال، الاحتفاظ بـ "العمر" وإسقاط "الاسم"). لا يغير هذا قيم الميزات المختارة.
• يُنشئ تقليل الأبعاد (وتحديداً استخراج الميزات) ميزات جديدة عبارة عن تركيبات من الميزات الأصلية. على سبيل المثال، قد يجمع PCA بين "الطول" و"الوزن" في مكون جديد واحد يمثل "حجم الجسم".

Link to this sectionمثال بلغة Python: تقليل تضمينات الصور#

يوضح المثال التالي كيفية أخذ مخرجات عالية الأبعاد (محاكاة لناقل تضمين الصورة) وتقليلها باستخدام PCA. يعد هذا مسار عمل شائعاً عند تصور كيفية قيام نموذج مثل YOLO26 بتجميع الفئات المتشابهة.

import numpy as np
from sklearn.decomposition import PCA

# Simulate high-dimensional embeddings (e.g., 10 images, 512 features each)
# In a real workflow, these would come from a model like YOLO26n
embeddings = np.random.rand(10, 512)

# Initialize PCA to reduce from 512 dimensions to 2
pca = PCA(n_components=2)
reduced_data = pca.fit_transform(embeddings)

# Output shape is now (10, 2), ready for 2D plotting
print(f"Original shape: {embeddings.shape}")  # (10, 512)
print(f"Reduced shape: {reduced_data.shape}")  # (10, 2)