هو ممكن باستخدام خوارزميات تعلم الاله ان اصنف الصور أم باستخدم التعلم العميق فقط ؟

نعم يمكنك ذلك ولكن الأداء في معظم الأحيان سيكون أقل من أداء خوارزميات التعلم العميق، خصوصا الشبكات العصبية التلافيفية CNNs التي تعتبر حاليا الأفضل لمهام معالجة الصور والتعرف على الوجه، في الماضي قبل ظهور الشبكات العصبية التلافيفية، تم استخدام طرق كاستخراج الميزات مثل الألوان، القوام، الأشكال، والحواف باستخدام تقنيات مثل SIFT و SURF، و بعد استخراج الميزات، يمكن استخدام خوارزميات  كشجرة القرار، أو K-Nearest Neighbors للتصنيف.

أما الشبكات العصبية التلافيفية نستخدمها في الحالات التي يكون فيها حجم البيانات كبيرا وتتطلب الدقة العالية، حيث تكون الشبكات العصبية التلافيفية هي الخيار الأمثل لأنها تستطيع تعلم ميزات معقدة تلقائيا دون الحاجة لاستخراج الميزات يدويا.

يمكنك استخدام خوارزميات التعلم الآلي التقليدية لتصنيف الصور والتعرف على الوجوه، وليس فقط التعلم العميق والشبكات العصبية CNN فهي تستخدم طرق التعلم الآلي التقليدية لتصنيف الصور مثل دعم الآلات المتجهة (SVM) التي تعتمد على استخراج الخصائص اليدوية ك SIFT أو HOG، مما يجعلها مناسبة للمجموعات البيانية الصغيرة نسبيا وتحقق أداء جيدا مع الصور البسيطة أما طريقة الجار الأقرب (k-NN)، فهي تعتمد على المقارنة المباشرة بين الصور، مما يجعلها بسيطة وسهلة التنفيذ وفعالة مع المجموعات الصغيرة ومن الأساليب المستخدمة أيضا للتعرف على الوجوه، تقنية Eigenfaces التي تعتمد على تحليل المكونات الرئيسية (PCA) وتعمل جيدا في ظروف إضاءة ووضعية ثابتة، بالإضافة إلى الأنماط الثنائية المحلية (LBP) التي تتيح استخراج خصائص النسيج وتعد فعالة مع مصنفات ك SVM ورغم فعالية هذه الطرق التقليدية، إلا أن الشبكات العصبية التلافيفية (CNNs) أصبحت الخيار الأمثل نظرا لدقتها العالية وقدرتها على التعامل مع الصور المعقدة والتغيرات في الإضاءة والزوايا، خاصة مع المجموعات البيانية الكبيرة.

CNNs حققت أداء متطور في مهام تصنيف الصور والتعرف على الوجه، لكن هناك سيناريوهات تصبح فيها الخوارزميات البديلة أكثر ملاءمة ففي حال كمية بيانات التدريب محدودة، تصبح أكثر فعالية من نماذج التعلم العميق، التي تتطلب كميات كبيرة من البيانات للتدريب.

أيضًا في حال توافر موارد الحوسبة محدودة،  فهي أكثر كفاءة من حيث الحوسبة من نماذج التعلم العميق، التي تتطلب موارد حوسبة كبيرة للتدريب.

وتلك الخوارزميات هي آلات الدعم المتجه SVMs لتصنيف الصور من خلال استخراج الميزات من الصور باستخدام تقنيات مثل SIFT أو SURF أو ORB، ثم تدريب نموذج SVM على هذه الميزات.

والـ Random Forests  لتصنيف الصور من خلال استخراج الميزات من الصور باستخدام تقنيات مثل تحليل الملمس أو هيستوجرامات الألوان أو تحليل الشكل، ثم تدريب نموذج الغابة العشوائية على هذه الميزات.

يوجد أيضًا K-Nearest Neighbors (KNN) و Decision Trees.

بالنسبة للوجوده فيوجد Eigenfaces وFisherfaces وLocal Binary Patterns (LBP) وGabor Wavelets.

تمام , جدا 

الف شكراا لحضرتكم