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