تجميع

تمثل طرق التجميع استراتيجية قوية في التعلّم الآلي (ML) حيث يتم دمج تنبؤات من من نماذج متعددة ومختلفة لتحسين الأداء الكلي. من خلال تجميع مخرجات المتنوعة، يهدف هذا النهج إلى تقليل الأخطاء التي قد يرتكبها نموذج واحد بمعزل عن غيره، والاستفادة بشكل فعال من "حكمة الجمهور". الهدف الأساسي هو تحسين دقة التنبؤات واستقرارها، مما يجعل النظام النهائي النهائي أكثر قابلية للتعميم على البيانات غير المرئية. هذه التقنية فعالة بشكل خاص في التخفيف من المشاكل الشائعة مثل الإفراط في التركيب و والمفاضلة بين التحيز والتباين، مما يضمن أن النموذج النموذج يلتقط الأنماط الأساسية الحقيقية بدلاً من الضوضاء في بيانات التدريب.

التقنيات الأساسية في التعلم الجماعي

هناك العديد من الاستراتيجيات التأسيسية لبناء المجموعات، كل منها يعالج عملية التعلم بشكل مختلف لتحقيق التنوع بين النماذج الأساسية.

• التجميع (تجميع التمهيد): تتضمن هذه الطريقة تدريب حالات متعددة من نفس الخوارزمية على مجموعات فرعية عشوائية مختلفة من مجموعة البيانات. أشهر مثال على ذلك هو الغابة العشوائية، والتي تقوم التي تبني العديد من أشجار القرار وتدمج نتائجها نتائجها - عادةً عن طريق حساب المتوسط للانحدار أو التصويت للتصنيف.
• التعزيز: على عكس التعبئة, يقوم التعزيز بتدريب النماذج بالتتابع. يركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. الخوارزميات مثل AdaBoost, تعزيز التدرج، و يستخدم XGBoost هذا النهج لتحويل المتعلمين الضعفاء إلى متنبئ واحد قوي.
• تكديس: التكديس ينطوي التعميم على تدريب نماذج أساسية متنوعة (مثل شبكة عصبية و وآلة دعم المتجهات) ثم استخدام "متعلم فائق" لدمج تنبؤاتهم. يتعلم هذا النموذج الوصفية أفضل طريقة لتقييم المدخلات من النماذج الأساسية لتقليل الخطأ النهائي.

تطبيقات واقعية

تُعد طرق التجميع بالغة الأهمية في البيئات عالية المخاطر حيث تكون تكون فيها الدقة والموثوقية أمرًا بالغ الأهمية.

1. التشخيص الطبي: في تحليل الصور الطبية، مجموعات من الشبكات العصبية التلافيفية (CNNs) detect الحالات الشاذة مثل الأورام. من خلال الجمع بين النماذج المدرّبة على زوايا مشاهدة أو أو درجات دقة مختلفة، يحقق النظام حساسية وخصوصية أعلى من أي شبكة فردية، وهو أمر حيوي بالنسبة الذكاء الاصطناعي في مجال الرعاية الصحية.
2. الملاحة الذاتية: تعتمد السلامة في تعتمد المركبات ذاتية القيادة على اكتشاف الأجسام بشكل قوي. غالباً ما يقوم المهندسون بتجميع بنيات كشف متعددة - مثل YOLO11 و RT-DETR-لضمان تحديد المشاة والعوائق بشكل صحيح في ظروف الإضاءة والظروف الجوية المختلفة.

تنفيذ المجموعات في Python

في حين أن أطر العمل مثل PyTorch و TensorFlow تسمح بتجميعات معقدة مخصصة، يمكنك أيضًا إجراء تجميعات أساسية الأساسية عن طريق تشغيل عدة نماذج مدربة وتجميع نتائجها. يوضح المثال التالي تحميل نموذجين مختلفين من Ultralytics YOLO لتوليد تنبؤات على نفس الصورة.

from ultralytics import YOLO

# Load two distinct YOLO11 models (e.g., Nano and Small versions)
model_n = YOLO("yolo11n.pt")
model_s = YOLO("yolo11s.pt")

# Run inference on a sample image
image_url = "https://ultralytics.com/images/bus.jpg"
results_n = model_n(image_url)
results_s = model_s(image_url)

# Compare the number of detected objects from each model
print(f"Nano Model Detections: {len(results_n[0].boxes)}")
print(f"Small Model Detections: {len(results_s[0].boxes)}")

المجموعة مقابل المصطلحات ذات الصلة

من المفيد التمييز بين "التجميع" والمفاهيم المماثلة الموجودة في أدبيات التعلم الآلي:

• المجموعة النموذجية: بينما تشير كلمة "مجموعة يشير مصطلح "المجموعة" إلى المنهجية أو التقنية، فإن "مجموعة النماذج" عادةً ما تصف قطعة أثرية محددة - مجموعة من ملفات النماذج المدرّبة - التي يتم نشرها في الإنتاج.
• مزيج من الخبراء (MoE): عادةً ما تستعلم المجموعة التقليدية عن جميع النماذج المكونة لكل تنبؤ. في المقابل، تستخدم بنية مزيج الخبراء تستخدم آلية بوابات لتفعيل النماذج الفرعية "الخبيرة" الأكثر صلة فقط لنماذج فرعية ذات صلة معينة، مما يؤدي إلى تحسين الكفاءة الحسابية.

يظل التعلّم التجميعي حجر الزاوية في علم البيانات الحديث، وكثيرًا ما يهيمن على قوائم المتصدرين في مسابقات في مسابقات Kaggle وتشغيل أحدث التطبيقات. من خلال فهم كيفية الجمع بين النماذج بشكل فعال، يمكن للمطورين دفع حدود الرؤية الحاسوبية والتحليلات التنبؤية.