بيانات التدريب

بيانات التدريب هي مجموعة البيانات الأساسية المستخدمة لتعليم نموذج التعلم الآلي (ML) كيفية إجراء تنبؤات أو اتخاذ قرارات دقيقة. في التعلم الخاضع للإشراف، تتكون هذه البيانات من عينات إدخال مقترنة بمخرجات صحيحة مقابلة، تسمى غالبًا التسميات أو التعليقات التوضيحية. يتعلم النموذج بشكل متكرر من هذه الأمثلة، ويعدل أوزان النموذج الداخلية لتقليل الفرق بين تنبؤاته والتسميات الفعلية. تعد الجودة والكمية والتنوع في بيانات التدريب أهم العوامل التي تؤثر على أداء النموذج وقدرته على التعميم على بيانات جديدة وغير مرئية.

أهمية بيانات التدريب عالية الجودة

مبدأ "مدخلات غير سليمة، مخرجات غير سليمة" ينطبق بشكل خاص على تدريب نماذج تعلم الآلة. البيانات عالية الجودة ضرورية لبناء أنظمة قوية وموثوقة. وتشمل الخصائص الرئيسية:

• الأهمية: يجب أن تعكس البيانات بدقة المشكلة التي يهدف النموذج إلى حلها.
• التنوع: يجب أن يغطي مجموعة واسعة من السيناريوهات والحالات الشاذة والاختلافات التي سيواجهها النموذج في العالم الحقيقي لتجنب التجاوز في التدريب.
• وضع العلامات بدقة: يجب أن تكون التعليقات التوضيحية صحيحة ومتسقة. غالبًا ما تكون عملية وضع العلامات على البيانات الجزء الأكثر استهلاكًا للوقت في مشروع رؤية الحاسوب.
• حجم كاف: عادة ما تكون هناك حاجة إلى كمية كبيرة من البيانات حتى يتعلم النموذج أنماطًا ذات مغزى. يمكن أن تساعد تقنيات مثل زيادة البيانات في توسيع مجموعة البيانات بشكل مصطنع.
• تحيز منخفض: يجب أن تكون البيانات متوازنة وتمثيلية لمنع تحيز مجموعة البيانات، مما قد يؤدي إلى سلوك غير عادل أو غير صحيح للنموذج. يعد فهم التحيز الخوارزمي جانبًا رئيسيًا في تطوير الذكاء الاصطناعي المسؤول.

توفر منصات مثل Ultralytics HUB أدوات لإدارة مجموعات البيانات طوال دورة حياة تطوير النموذج، بينما الأدوات مفتوحة المصدر مثل CVAT شائعة لمهام التعليقات التوضيحية.

أمثلة واقعية

1. المركبات ذاتية القيادة: لتدريب نموذج اكتشاف الأجسام لـ المركبات ذاتية القيادة، يستخدم المطورون كميات هائلة من بيانات التدريب من الكاميرات والمستشعرات. تتكون هذه البيانات من صور ومقاطع فيديو حيث يتم وضع علامات دقيقة على كل إطار. يتم إحاطة المشاة وراكبي الدراجات والسيارات الأخرى وإشارات المرور في مربعات إحاطة. من خلال التدريب على مجموعات بيانات مثل Argoverse أو nuScenes، يتعلم الذكاء الاصطناعي الخاص بالمركبة إدراك بيئته والتنقل فيها بأمان.
2. تحليل الصور الطبية: في الرعاية الصحية، قد تتكون بيانات التدريب لتحليل الصور الطبية من آلاف فحوصات التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب. يقوم أخصائيو الأشعة بتعليق هذه الصور لتسليط الضوء على الأورام أو الكسور أو الأمراض الأخرى. يمكن تدريب نموذج ML، مثل النموذج الذي تم إنشاؤه باستخدام Ultralytics YOLO، على مجموعة بيانات أورام الدماغ لتعلم تحديد هذه التشوهات، والعمل كأداة قوية لمساعدة الأطباء في إجراء تشخيصات أسرع وأكثر دقة. توفر موارد مثل أرشيف تصوير السرطان (TCIA) وصولاً عامًا إلى هذه البيانات للبحث.

بيانات التدريب مقابل بيانات التحقق والاختبار

في مشروع نموذجي للتعلم الآلي، يتم تقسيم البيانات إلى ثلاث مجموعات متميزة:

• بيانات التدريب: الجزء الأكبر، يستخدم مباشرة لتدريب النموذج عن طريق ضبط معلماته. غالبًا ما يتضمن التدريب الفعال دراسة متأنية لنصائح تدريب النموذج.
• بيانات التحقق (Validation Data): مجموعة فرعية منفصلة تستخدم بشكل دوري أثناء التدريب لتقييم أداء النموذج على البيانات التي لم يتعلمها صراحةً. يساعد هذا في ضبط المعلمات الفائقة (hyperparameters) (مثل معدل التعلم (learning rate)، حجم الدفعة (batch size)) عبر عمليات مثل تحسين المعلمات الفائقة (Hyperparameter Optimization (Wikipedia)) ويوفر تحذيرًا مبكرًا ضد التجاوز (overfitting). يتم استخدام وضع التحقق (validation mode) لهذا التقييم.
• بيانات الاختبار (Test Data): مجموعة بيانات مستقلة، غير مرئية أثناء التدريب والتحقق، تستخدم فقط بعد تدريب النموذج بالكامل. وهي توفر التقييم النهائي وغير المتحيز لقدرة التعميم (generalization) للنموذج والأداء المتوقع في العالم الحقيقي. يعد اختبار النموذج (model testing) الدقيق أمرًا بالغ الأهمية قبل النشر.

يُعد الحفاظ على فصل صارم بين مجموعات البيانات هذه أمرًا ضروريًا لتطوير نماذج موثوقة. غالبًا ما يتم تدريب أحدث النماذج مسبقًا على مجموعات بيانات مرجعية كبيرة مثل COCO أو ImageNet، والتي تعمل كبيانات تدريب واسعة النطاق. يمكنك العثور على المزيد من مجموعات البيانات على منصات مثل بحث Google عن مجموعات البيانات و مجموعات بيانات Kaggle.