التعلم الآلي الآلي

التعلم الآلي الآلي ( AutoML ) هو عملية أتمتة مهام تطبيق التعلم الآلي على مشاكل العالم الحقيقي. إنه مزيج من الأتمتة والتعلم الآلي. ^[1]

يشتمل AutoML بشكل محتمل على كل مرحلة من البداية بمجموعة بيانات خام إلى بناء نموذج تعلُّم آلي جاهز للنشر. تم اقتراح AutoML كحل قائم على الذكاء الاصطناعي للتحدي المتزايد لتطبيق التعلم الآلي. ^[2]^[3] تهدف الدرجة العالية من الأتمتة في AutoML إلى السماح لغير الخبراء بالاستفادة من نماذج وتقنيات التعلم الآلي دون الحاجة إلى أن يصبحوا خبراء في التعلم الآلي. توفر أتمتة عملية تطبيق التعلم الآلي من البداية إلى النهاية أيضًا مزايا إنتاج حلول أبسط وإنشاء أسرع لتلك الحلول ونماذج تتفوق غالبًا على النماذج المصممة يدويًا. ^[4]

تتضمن التقنيات الشائعة المستخدمة في AutoML تحسين المعلمات الفائقة والتعلم التلوي والبحث في الهندسة المعمارية العصبية .

مقارنة بالنهج القياسي

في تطبيق التعلم الآلي النموذجي، يكون لدى الممارسين مجموعة من نقاط بيانات الإدخال لاستخدامها في التدريب. قد لا تكون البيانات الخام في شكل يمكن تطبيق جميع الخوارزميات عليه. لجعل البيانات قابلة للتعلم الآلي، قد يتعين على الخبير تطبيق أساليب معالجة البيانات المسبقة المناسبة ، وهندسة الميزات ، واستخراج الميزات ، واختيار الميزات . بعد هذه الخطوات، يجب على الممارسين بعد ذلك إجراء اختيار الخوارزمية وتحسين المعلمات الفائقة لتعظيم الأداء التنبئي لنموذجهم. إذا تم استخدام التعلم العميق، فيجب أيضًا اختيار بنية الشبكة العصبية يدويًا بواسطة خبير التعلم الآلي.

قد تكون كل من هذه الخطوات صعبة، مما يؤدي إلى عقبات كبيرة أمام استخدام التعلم الآلي. يهدف AutoML إلى تبسيط هذه الخطوات لغير الخبراء، وتسهيل استخدام تقنيات التعلم الآلي بشكل صحيح وفعال بالنسبة لهم.

يلعب AutoML دورًا مهمًا ضمن النهج الأوسع لأتمتة علم البيانات ، والذي يتضمن أيضًا مهام صعبة مثل هندسة البيانات واستكشاف البيانات وتفسير النموذج والتنبؤ به. ^[5]

أهداف الأتمتة

يمكن للتعلم الآلي الآلي استهداف مراحل مختلفة من عملية التعلم الآلي. ^[3] خطوات الأتمتة هي:

إعداد البيانات واستيعابها (من البيانات الخام والتنسيقات المتنوعة)
- اكتشاف نوع العمود ؛ على سبيل المثال، القيمة المنطقية، أو القيمة الرقمية المنفصلة، أو القيمة الرقمية المستمرة، أو النص
- اكتشاف نية العمود؛ على سبيل المثال، الهدف/التسمية، أو حقل التقسيم الطبقي، أو الميزة الرقمية، أو ميزة النص التصنيفي، أو ميزة النص الحر
- اكتشاف المهمة؛ على سبيل المثال، التصنيف الثنائي ، أو الانحدار ، أو التجميع ، أو الترتيب
هندسة المميزات
- اختيار الميزة
- استخراج الميزات
- التعلم الفوقي والتعلم الانتقالي
- اكتشاف ومعالجة البيانات المنحرفة و/أو القيم المفقودة
اختيار النموذج - اختيار خوارزمية التعلم الآلي التي سيتم استخدامها، والتي غالبًا ما تتضمن تنفيذات برامج متعددة متنافسة
التجميع - شكل من أشكال الإجماع حيث يؤدي استخدام نماذج متعددة غالبًا إلى نتائج أفضل من أي نموذج واحد ^[6]
تحسين المعلمات الفائقة لخوارزمية التعلم والميزات
- البحث عن الهندسة المعمارية العصبية
اختيار خط الأنابيب في ظل القيود المتعلقة بالوقت والذاكرة والتعقيد
اختيار مقاييس التقييم وإجراءات التحقق
التحقق من المشكلة
- كشف التسرب
- اكتشاف سوء التكوين
تحليل النتائج المتحصل عليها
إنشاء واجهات المستخدم والتصورات

التحديات والقيود

هناك عدد من التحديات الرئيسية التي يتم تناولها حول التعلم الآلي الآلي. هناك قضية كبيرة تحيط بهذا المجال يشار إليها باسم "التطوير كصناعة منزلية". ^[7] تشير هذه العبارة إلى المشكلة في التعلم الآلي حيث يعتمد التطوير على القرارات اليدوية وتحيزات الخبراء. يتناقض هذا مع هدف التعلم الآلي وهو إنشاء أنظمة يمكنها التعلم والتحسين من خلال استخدامها وتحليلها للبيانات. في الأساس، إنه الصراع بين مقدار الخبراء الذين يجب أن يشاركوا في تعلم الأنظمة مقابل مقدار الحرية التي يجب أن يمنحوها للآلات. ومع ذلك، يجب على الخبراء والمطورين المساعدة في إنشاء هذه الآلات وتوجيهها لإعدادها لتعلمها الخاص. لإنشاء هذا النظام، يتطلب الأمر عملاً مكثفًا مع معرفة خوارزميات التعلم الآلي وتصميم النظام . ^[8]

بالإضافة إلى ذلك، تتضمن بعض التحديات الأخرى تحديات التعلم الفوقي ^[9] وتخصيص الموارد الحسابية.

انظر أيضا

مراجع

^ سبيرز، تايلور؛ بوندو هانسن، كريستيان (2023-12-18)، "استخدام ووعود التعلم الآلي في الأسواق المالية"، دليل أكسفورد لعلم اجتماع التعلم الآلي ، مطبعة جامعة أكسفورد، doi :10.1093/oxfordhb/9780197653609.013.6، ISBN 978-0-19-765360-9تم الاسترجاع بتاريخ 2024-06-10
^ Thornton C, Hutter F, Hoos HH, Leyton-Brown K (2013). Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms. KDD '13 Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. ص 847– 855.
^ ab Hutter F, Caruana R, Bardenet R, Bilenko M, Guyon I, Kegl B, and Larochelle H. "AutoML 2014 @ ICML". ورشة عمل AutoML 2014 @ ICML . تم الاسترجاع في 2018-03-28 .^{[ رابط ميت دائم ‍ ]}
^ Olson, RS, Urbanowicz, RJ, Andrews, PC, Lavender, NA, Kidd, LC, Moore, JH (2016). Automating Biomedical Data Science Through Tree-Based Pipeline Optimization. في: Squillero, G., Burelli, P. (المحررون) Applications of Evolutionary Computation. EvoApplications 2016. Lecture Notes in Computer Science(), المجلد 9597. Springer, Cham. doi :10.1007/978-3-319-31204-0_9
^ دي بي، تيجل؛ دي رايدت، لوك؛ هيرنانديز أورالو، خوسيه؛ هوس، هولجر ه.؛ سميث، بادريك. ويليامز ، كريستوفر كي (مارس 2022). “أتمتة علوم البيانات”. اتصالات ACM . 65 (3): 76-87 . دوى : 10.1145 / 3495256 . اتش دي ال : 10251/199907 .
^ Erickson, Nick; Mueller, Jonas; Shirkov, Alexander; Zhang, Hang; Larroy, Pedro; Li, Mu; Smola, Alexander (2020-03-13). "AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data". arXiv : 2003.06505 [stat.ML].
^ هوتر، فرانك؛ كوتهوف، لارس؛ فانشورين، خواكين، محررون (2019). التعلم الآلي الآلي: الأساليب والأنظمة والتحديات. سلسلة سبرينغر حول التحديات في التعلم الآلي. سبرينغر نيتشر. doi :10.1007/978-3-030-05318-5. hdl :20.500.12657/23012. ISBN 978-3-030-05317-8.
^ غلوفر، إلين (2018). "التعلم الآلي باستخدام بايثون: التجميع". تم إنشاؤه في . doi :10.4135/9781526466426.
^ "تحديات التعلم الفوقي". metalearning.chalearn.org . تم الاسترجاع في 2023-12-03 .

قراءة إضافية

"أدوات AutoML مفتوحة المصدر: AutoGluon، وTransmogrifAI، وAuto-sklearn، وNNI". بيزيتي . 2020-06-16.
فيريرا، لويس، وآخرون. "مقارنة بين أدوات AutoML للتعلم الآلي والتعلم العميق وXGBoost." المؤتمر الدولي المشترك للشبكات العصبية (IJCNN) لعام 2021. معهد مهندسي الكهرباء والإلكترونيات، 2021. https://repositorium.sdum.uminho.pt/bitstream/1822/74125/1/automl_ijcnn.pdf
Feurer, M., Klein, A., Eggensperger, K., Springenberg, J., Blum, M., & Hutter, F. (2015). التعلم الآلي الفعّال والمتين. التطورات في أنظمة معالجة المعلومات العصبية ، 28. https://proceedings.neurips.cc/paper_files/paper/2015/file/11d0e6287202fced83f79975ec59a3a6-Paper.pdf

Original text

Rate this translation

Your feedback will be used to help improve Google Translate

[1] سبيرز، تايلور؛ بوندو هانسن، كريستيان (2023-12-18)، "استخدام ووعود التعلم الآلي في الأسواق المالية"، دليل أكسفورد لعلم اجتماع التعلم الآلي ، مطبعة جامعة أكسفورد، doi :10.1093/oxfordhb/9780197653609.013.6، ISBN 978-0-19-765360-9تم الاسترجاع بتاريخ 2024-06-10

[autoweka1-2] Thornton C, Hutter F, Hoos HH, Leyton-Brown K (2013). Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms. KDD '13 Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. ص 847– 855.

[AutoML2014ICML-3] Hutter F, Caruana R, Bardenet R, Bilenko M, Guyon I, Kegl B, and Larochelle H. "AutoML 2014 @ ICML". ورشة عمل AutoML 2014 @ ICML . تم الاسترجاع في 2018-03-28 .^{[ رابط ميت دائم ‍ ]}

[4] Olson, RS, Urbanowicz, RJ, Andrews, PC, Lavender, NA, Kidd, LC, Moore, JH (2016). Automating Biomedical Data Science Through Tree-Based Pipeline Optimization. في: Squillero, G., Burelli, P. (المحررون) Applications of Evolutionary Computation. EvoApplications 2016. Lecture Notes in Computer Science(), المجلد 9597. Springer, Cham. doi :10.1007/978-3-319-31204-0_9

[5] دي بي، تيجل؛ دي رايدت، لوك؛ هيرنانديز أورالو، خوسيه؛ هوس، هولجر ه.؛ سميث، بادريك. ويليامز ، كريستوفر كي (مارس 2022). “أتمتة علوم البيانات”. اتصالات ACM . 65 (3): 76-87 . دوى : 10.1145 / 3495256 . اتش دي ال : 10251/199907 .

[6] Erickson, Nick; Mueller, Jonas; Shirkov, Alexander; Zhang, Hang; Larroy, Pedro; Li, Mu; Smola, Alexander (2020-03-13). "AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data". arXiv : 2003.06505 [stat.ML].

[7] هوتر، فرانك؛ كوتهوف، لارس؛ فانشورين، خواكين، محررون (2019). التعلم الآلي الآلي: الأساليب والأنظمة والتحديات. سلسلة سبرينغر حول التحديات في التعلم الآلي. سبرينغر نيتشر. doi :10.1007/978-3-030-05318-5. hdl :20.500.12657/23012. ISBN 978-3-030-05317-8.

[8] غلوفر، إلين (2018). "التعلم الآلي باستخدام بايثون: التجميع". تم إنشاؤه في . doi :10.4135/9781526466426.

[9] "تحديات التعلم الفوقي". metalearning.chalearn.org . تم الاسترجاع في 2023-12-03 .

ف ت هـ الحوسبة التفاضلية
عام	البرمجة التفاضلية هندسة المعلومات متعدد الاحصائيات التمايز التلقائي الحوسبة العصبية التعرف على الأنماط حساب ريتشي نظرية التعلم الحاسوبي التحيز الاستقرائي
الأجهزة	الاتحاد البرلماني الدولي تي بي يو وحدة معالجة الفيديو المقاومة الذاكرية سبيناكر
مكتبات البرمجيات	تينسور فلو باي تورش كيراس سكيكيت-تعلم ثيانو جاكس فلوكس.جيه إل مايند سبور
البوابات برمجة الحاسوب تكنولوجيا