Instance-based learning VS Model-based learning

أغلب أعمال مجال تعلم الألة تتمحور حول عملية التنبؤ و هو يعني أنه من البيانات التي لدينا و من التي خصصت لعملية التدريب فإن النظام أو البرنامج الذي نرغب في إنشائه يجب أن يكون قادرا على تعميم النتائج التي تحصل عليها علي بيانات جديدة من نفس النوع لم تشارك في عملية التدريب. و حتى و إن حصلنا على (accuracy ) جيدة أثناء عملية التدريب فهذا لا يعني أن برنامجنا جيدا! بل الأهم من ذلك هو تحقيق نتائج مرغوبة مع بيانات جديدة. و هناك نوعان من الطرق أو إستراتيجيتان نعتمد عليهما من أجل إنشاء أنظمة برمجية في مجال تعلم الألة.

النوع 1: (Instance-based learning)

 في هذا النوع النظام البرمجي يقوم بدراسة البيانات و إستخراج العلاقات التي تميزها بشكل عام، ثم بالإعتماد على ألية لقياس التشابه بين مختلف الأصناف يتم تحديد صنف البيانات الجديدة الواردة إلى النظام بناء على أقرب مسافة بينها و بين مختلف الأصناف الموجودة. رغم أن مفهوم هذا النوع يبدو بسيطا إلا أننا لا يمكننا قول ذلك فما زالت الكثير من المشاكل يتناسب معها هذا النوع. و كمثال صادفني سابقا و عملت عليه، كان لدي قاعدة بيانات و كل (Example) على شكل ( Graph) و بما أنه لا توجد حاليا طريقة للإستعمال (Graph) مباشرة كمدخل في خوارزميات التعلم (التعلم العميق) إلا بعد إستخراج (Features) و التي لا تعطي نتائج جيدة مع الكثير من المشاكل المختلفة و لا تمثل البيانات من هذا النوع يعني (Graph) بشكل دقيق و بالتالي كان هذا النوع هو الأنسب حيث أقوم بواسطة دالة خاصة بحساب التشابه بين البيانات الجديدة و أصناف التدريب التي لدي من أجل تصنيفها.

 

النوع 2: (Model-based learning)

 ربما هو النوع الأكثر شهرة و المعروف في مجال تعلم الألة و هو تشكيل أو بناء نمودج (Model) بناء على بيانات التدريب من أجل التصنيف أو التنبؤ و به تتم عملية التعميم على البيانات الجديدة. مثلا بناء نمودج شبكة عصبية يقوم بمعرفة أو تصنيف الإيمايلات الصحيحة من (Spam)، فبعد نهاية عملية التدريب يكون لدينا نمودجا جاهزا و بعد إختباره و التأكد من دقته يتم حفظه و إستعماله عند الحاجة إليه.

نصيحة : قد تبدو الأمور النظرية مملة و قليلة الفائدة بالنسبة للمتحمسين للبرمجة. لكن أخبركم عن تجربة، هناك شخص أعرفه و مند شهور و هو يحاول التخلص من مشكل (Overfitting ) في عمله. كان قد سألني و أخبرته عن بعض الطرق بشكل سريع و أرسلت إليه روابط مراجع ليطلع عليها. لكنه للأسف لا يقرأ و يريد حل المشكل بالإعتماد على البرمجة فقط كما يعتقد! المحتوى النظري يعطيك صورة عن الشكل الذي تعمل به الخوارزمية التي إخترتها و المعادلات التي تحكم عملية التدريب فيها و تأثير (Hyper-parameters) مما يساعدك على التدخل في المكان أو الجزء المناسب لإحداث التغير المرغوب.
#artificial_intelligence #machine_learning #deep_learning
#الذكاء_الإصطناعي #تعلم_الألة #التعلم_العميق

الكاتب : هشام فلواط - hichem felouat
تابعوا مقالاتي على الهاشتاج : #هشام_فلواط