التعلم الآلي مع البيانات الصغيرة: استراتيجيات عمليّة

لا تحتاج دائماً إلى ملايين نقاط البيانات لبناء أنظمة ذكاء اصطناعي فعالة. في العديد من سيناريوهات العالم الحقيقي، بدءاً من التشخيصات المتخصصة ووصولاً إلى تطبيقات الأعمال المتخصصة، يُعد العمل ببيانات محدودة هو القاعدة. تعلّمك هذه الدورة النصية كيفية تصميم، وتدريب، وتقييم نماذج التعلم الآلي بنجاح عندما تكون البيانات شحيحة. ستنتقل من المعاناة مع فرط التخصيص (overfitting) إلى تطبيق التقنيات الحديثة بثقة لتحقيق أقصى استفادة من كل نقطة بيانات فردية. ما ستتعلمه: فهم التحديات الأساسية لمجموعات البيانات الصغيرة، بما في ذلك فرط التخصيص، والتباين العالي، وتحيز التقييم؛ تطبيق تقنيات زيادة البيانات وتوليد البيانات الاصطناعية لتوسيع مجموعات التدريب الخاصة بك؛ الاستفادة من التعلم النقلي والنماذج الأساسية المدربة مسبقاً لتحقيق دقة عالية بأقل قدر من البيانات المخصصة؛ تكوين التنظيم (regularization)، وطرق التجميع، واستراتيجيات التحقق المتبادل المحسنة لأنظمة العينات الصغيرة؛ تنفيذ سير عمل التعلم النشط لتحديد أولويات نقاط البيانات التي يجب تصنيفها بعد ذلك. تبدأ الدورة بمفاهيم أساسية لتعقيد العينات وفرط التخصيص قبل الانتقال إلى استراتيجيات عملية وتطبيقية لتوسيع البيانات، واختيار النماذج، والتحقق القوي. صُممت للمبتدئين ممن لديهم فهم أساسي للبرمجة ومفاهيم التعلم الآلي الأساسية والذين يرغبون في حل مشكلات العالم الحقيقي حيث تكون البيانات محدودة. ابدأ بإتقان التعلم الآلي للعالم الحقيقي، حيث نادراً ما تكون البيانات مثالية أو وفيرة.