Ensemble

التعلم الجماعي هو استراتيجية قوية في تعلم الآلة (ML) حيث يتم دمج نماذج مستقلة متعددة، يُشار إليها غالبًا باسم "المتعلمات الضعيفة"، لإنتاج مخرج تنبؤي واحد. الفرضية الأساسية هي أن مجموعة من النماذج يمكنها غالبًا تحقيق دقة أعلى وتعميم أفضل من أي نموذج فردي يعمل بمفرده. من خلال تجميع التنبؤات من خوارزميات متنوعة، تقلل أساليب التعلم الجماعي بشكل فعال من مخاطر الإفراط في التخصيص على بيانات التدريب، وتعمل على تسوية الأخطاء العشوائية، وتحسين استقرار النظام العام. هذا النهج يشبه استشارة لجنة من الخبراء بدلاً من الاعتماد على رأي فرد واحد لاتخاذ قرار حاسم.

Link to this sectionآليات التعلم الجماعي#

تكمن فعالية أساليب التعلم الجماعي في قدرتها على معالجة المقايضة بين الانحياز والتباين. قد تعاني النماذج الفردية من تباين عالٍ (الحساسية للضجيج) أو انحياز عالٍ (التبسيط المفرط). يخفف التعلم الجماعي من هذه المشكلات من خلال تقنيات محددة:

• التجميع (Bagging): تتضمن هذه التقنية تدريب مثيلات متعددة لنفس الخوارزمية على مجموعات فرعية مختلفة من مجموعة البيانات. المثال الأكثر شهرة هو خوارزمية الغابة العشوائية (Random Forest)، التي تجمع قرارات العديد من أشجار القرار لتقليل التباين.
• التعزيز (Boosting): على عكس التجميع، يقوم التعزيز بتدريب النماذج بشكل تسلسلي. يركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. تستخدم أطر عمل شهيرة مثل LightGBM و CatBoost هذا لإنشاء أنظمة تنبؤية عالية الدقة.
• التكديس (Stacking): يتضمن ذلك تدريب "نموذج تجميعي" (meta-model) جديد لدمج تنبؤات العديد من النماذج الأساسية غير المتجانسة (على سبيل المثال، شبكة عصبية و آلة ناقلات الدعم).

Link to this sectionالتعلم الجماعي في الرؤية الحاسوبية#

في مجال الرؤية الحاسوبية (CV)، تُستخدم الأساليب الجماعية بشكل متكرر لتعظيم الأداء في المسابقات والتطبيقات الحساسة للسلامة. بالنسبة لـ كشف الأشياء، غالبًا ما يتضمن ذلك تشغيل نماذج متعددة—مثل إصدارات مختلفة من YOLO26—على نفس الصورة. يتم بعد ذلك دمج صناديق التحديد الناتجة باستخدام تقنيات مثل كبت غير الأعظمية (NMS) أو دمج الصناديق الموزونة (WBF) لاستنتاج مواقع الأشياء الأكثر احتمالية.

Link to this sectionتطبيقات العالم الحقيقي#

تنتشر أساليب التعلم الجماعي في الصناعات التي تكون فيها الموثوقية التنبؤية أمراً بالغ الأهمية.

1. التشخيص الطبي والتصوير: في الرعاية الصحية، يعد تجنب النتائج السلبية الكاذبة أمراً بالغ الأهمية. قد تجمع الأساليب الجماعية بين شبكة عصبية تلافيفية (CNN) مدربة على الأشعة السينية وبين محول رؤية (ViT) لاكتشاف الشذوذات. يوفر الإجماع بين النماذج درجة ثقة أعلى، مما يساعد أطباء الأشعة في اكتشاف الأورام أو تشخيص الحالات النادرة.

2. كشف الاحتيال المالي: تستخدم المؤسسات المالية الأساليب الجماعية لتحليل أنماط المعاملات. من خلال الجمع بين نماذج الانحدار اللوجستي وآلات تعزيز التدرج، يمكن للنظام اكتشاف مؤشرات دقيقة للاحتيال قد يغفل عنها نموذج واحد، مع الحفاظ على معدلات إنذار كاذب منخفضة.

Link to this sectionتطبيق التعلم الجماعي للنماذج باستخدام Python#

يمكنك محاكاة تعلم جماعي أساسي للاستدلال عن طريق تحميل نماذج متعددة مدربة وتوليد تنبؤات لنفس المدخلات. تسمح لك منصة Ultralytics بتدريب هذه المتغيرات بسهولة. يوضح المثال التالي تحميل نموذجين مختلفين من Ultralytics YOLO (YOLO26n و YOLO26s) للتحقق من الاكتشافات على صورة.

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

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

Link to this sectionالتعلم الجماعي مقابل تعزيز البيانات#

من المهم التمييز بين التعلم الجماعي و تعزيز البيانات.

• يركز التعلم الجماعي على مرحلة البنية والتنبؤ، حيث يجمع نماذج متعددة مدربة ومتميزة لتحسين النتائج.
• يركز تعزيز البيانات على مرحلة بيانات التدريب، حيث يزيد من تنوع مجموعة البيانات بشكل مصطنع (على سبيل المثال، عبر التدوير أو الانعكاس) لتدريب نموذج واحد أكثر قوة.

بينما يساعد تعزيز البيانات نموذجاً واحداً على التعلم بشكل أفضل، يساعد التعلم الجماعي نماذج متعددة على التحقق من مخرجات بعضها البعض. وغالباً ما تُستخدم كلتا الاستراتيجيتين معاً لتحقيق نتائج متطورة في مهام مثل تجزئة المثيلات و تقدير الوضعية.