هل أُركّز على بناء شبكة عصبية عميقة وتطويرها، أم أُجرّب عدة خوارزميات تقليدية في تعلّم الآلة بدلاً من الاعتماد على التعلم العميق فقط؟

الإجابة بإختصار لا تركز على أحدهما فقط. ولكن ابدأ بتجربة الخوارزميات التقليدية أولا.

فالاعتماد على التعلم العميق فقط يشبه استخدام اداة كبيرة لتنفيذ مهمة صغيرة الامر بالفعل قد ينجح ولكنها ليست الأداة المناسبة وستسبب فوضى وتتطلب طاقة هائلة وموارد كثيرة.

لذلك دائماً ابدأ بتجربة مجموعة من الخوارزميات التقليدية. وذلك لعدة اسباب:

1. تأسيس خط الأساس (Baseline): فالخوارزميات التقليدية (مثل Random Forest أو XGBoost) سريعة في التدريب وتعطيك خط أساس قوي. إذا لم تستطع شبكتك العصبية العميقة التغلب على هذا الخط الأساسي بشكل واضح فكل التعقيد الإضافي للتعلم العميق لا مبرر له.
2. الفعالية على البيانات الصغيرة والمتوسطة: فغالبا ما تتفوق الخوارزميات التقليدية على الشبكات العصبية العميقة عندما تكون كمية البيانات لديك صغيرة أو متوسطة. فالتعلم العميق متعطش للبيانات (Data-hungry).
3. قابلية التفسير (Interpretability): من الأسهل كثيراً تفسير سبب اتخاذ خوارزمية مثل "شجرة القرار" (Decision Tree) أو "الانحدار اللوجستي" (Logistic Regression) لقرار معين، مقارنة بالصندوق الأسود (Black Box) للشبكة العصبية العميقة.
4. سرعة التجربة: يمكنك تجربة 5 خوارزميات تقليدية مختلفة وضبطها (Tuning) في الوقت الذي يستغرقه تدريب شبكة عصبية عميقة واحدة بشكل

الف شكراا جدا لحضرتك

جزاك الله كل خير 

وعليكم السلام ورحمة الله تعالى وبركاته،

يفضل أن تعتمد استراتيجية متوازنة تجمع بين بناء وتطوير الشبكات العصبية العميقة وتجربة عدة خوارزميات تقليدية في تعلم الآلة، لماذا؟

لأن لكل منهما نقاط قوة ومجالات استخدام مميزة فالشبكات العصبية العميقة مناسبة جدا عندما تتعامل مع بيانات ضخمة ومعقدة وغير منظمة مثل الصور أو الصوت أو النصوص حيث تتميز بقدرتها على استخراج الخصائص تلقائيا وتحقيق دقة عالية في مشكلات نمط معقد.

بالمقابل الخوارزميات التقليدية في تعلم الآلة مثل الانحدار اللوجستي، أشجار القرار، وآلات الدعم الناقل تتميز ببساطتها وسرعة التدريب على بيانات صغيرة أو متوسطة الحجم وقابليتها العالية للتفسير مما يجعلها أفضل في حالات حيث يكون حجم البيانات محدودا أو حيث تكون الشفافية في شرح النتائج ضرورية.

وأضيف لك أن دقة النموذج وفعاليته تعتمد بشكل كبير على طبيعة المشكلة وحجم البيانات المستعملة ودرجة تعقيد العلاقات بين المتغيرات لذلك من الأفضل اختبار ومقارنة الخوارزميات المختلفة بناء على هذه العوامل.

الف شكراا جدا لحضرتك

جزاك الله كل خير