تعرّف على الحقب الزمنية في التعلم الآلي - كيف تؤثر على تدريب النموذج، وتمنع الإفراط في التركيب، وتحسّن الأداء باستخدام Ultralytics YOLO .
في التعلّم الآلي (ML)، وخاصةً في تدريب نماذج التعلّم العميق (DL )، تمثل الحلقة الزمنية دورة كاملة واحدة من خلال مجموعة بيانات التدريب بأكملها. إنه مفهوم أساسي يشير إلى دورة كاملة حيث يكون النموذج قد شاهد وتعلم من كل مثال تدريبي مرة واحدة. عادةً ما يتضمن التدريب عدة حقبات، مما يسمح للنموذج بتحسين معلماته الداخلية(أوزان النموذج) بشكل متكرر وتحسين أدائه في المهمة التي يتم تدريبه عليها.
أثناء تدريب النموذج، عادةً ما تكون مجموعة البيانات كبيرة جدًا بحيث لا يمكن معالجتها دفعة واحدة بسبب قيود الذاكرة. لذلك، يتم تقسيمها إلى أجزاء أصغر تسمى دفعات. يقوم النموذج بمعالجة دفعة واحدة في كل مرة، ويحسب الخطأ (الخسارة)، ويقوم بتحديث أوزانه باستخدام خوارزمية تحسين مثل خوارزمية التدرج. لا تكتمل الحقبة إلا بعد أن يعالج النموذج جميع الدفعات التي تغطي مجموعة بيانات التدريب بأكملها. يسمح تكرار هذه العملية على عدة حقبات للنموذج بتعلم الأنماط والعلاقات المعقدة داخل البيانات بشكل أكثر فعالية.
من المهم التمييز بين الحقبة الزمنية والمصطلحات ذات الصلة:
العلاقة واضحة ومباشرة: إذا كانت مجموعة بيانات التدريب تحتوي على 10000 عينة وحجم الدفعة 100، فإن الحلقة الواحدة تتكون من 100 تكرار (10000 عينة / 100 عينة لكل دفعة).
يعد تدريب النموذج لعدة حقب زمنية أمرًا حاسمًا للتقارب، مما يعني أن النموذج يصل إلى حالة مستقرة حيث يكون أداؤه هو الأمثل أو شبه الأمثل. تمنح كل حلقة تدريبية النموذج فرصة أخرى للتعلم من أنماط البيانات. ومع ذلك، فإن عدد الحقب الزمنية هو معيار مفرط بالغ الأهمية.
تساعد مراقبة مقاييس الأداء على مجموعة تحقق منفصلة أثناء التدريب على تحديد العدد الأمثل من الحلقات، وغالبًا ما تستخدم تقنيات مثل التوقف المبكر لإيقاف التدريب عندما يتوقف أداء التحقق من الصحة عن التحسن.
تعتبر الحقب الزمنية حجر الزاوية في التعلم التكراري في التعلم الآلي، حيث توازن بين الحاجة إلى التعرض الكافي للبيانات ومخاطر الإفراط في التهيئة. يعد اختيار العدد المناسب من الحقب الزمنية - غالبًا من خلال التجريب والمراقبة الدقيقة - أمرًا أساسيًا لبناء نماذج فعالة. يمكنك العثور على المزيد من التعريفات في مصادر مثل مسرد مصطلحات تعلم الآلة من Google .