التطبيع

التطبيع هو تقنية حاسمة للمعالجة المسبقة في التعلّم الآلي وعلوم البيانات تُستخدم لإعادة قياس البيانات إلى نطاق قياسي، عادةً ما يكون بين 0 و1 أو -1 و1. تهدف هذه العملية إلى ضمان مساهمة جميع الميزات بالتساوي في تدريب النموذج، مما يمنع الميزات ذات القيم الأكبر من الهيمنة على الميزات ذات القيم الأصغر. من خلال وضع الميزات المختلفة على مقياس مماثل، يساعد التطبيع الخوارزميات، خاصةً تلك الحساسة لقياس الميزات مثل الأساليب القائمة على النسب المتدرجة المستخدمة في التعلم العميق، على التقارب بشكل أسرع وأكثر كفاءة.

أهمية التطبيع

في مجموعات البيانات، غالبًا ما يكون للميزات نطاقات متفاوتة. على سبيل المثال، في مجموعة البيانات التي تتنبأ بأسعار المنازل، قد يتراوح حجم المنزل بين 500 و5000 قدم مربع، في حين أن عدد غرف النوم قد يتراوح بين 1 و5 فقط. بدون التطبيع، قد تعطي نماذج التعلّم الآلي أهمية لا داعي لها للميزات ذات النطاقات الأكبر. يعالج التطبيع هذه المشكلة، مما يضمن التعامل مع جميع الميزات بشكل موحد أثناء التدريب. ويؤدي ذلك إلى نماذج أكثر استقرارًا وقوة، وأداء محسّن، وأوقات تدريب أسرع، خاصة للخوارزميات مثل الشبكات العصبية المستخدمة في نماذج Ultralytics YOLO .

أنواع التطبيع

يشيع استخدام العديد من تقنيات التطبيع:

• تحجيم الحد الأدنى والأقصى: هذه واحدة من أكثر التقنيات شيوعًا. فهو يقيس ويترجم كل ميزة على حدة بحيث تكون في النطاق [0، 1]. يمكنك معرفة المزيد عن Min-Max Scikit-learn على الموقع الإلكتروني Scikit-learn، وهي مكتبة تعلم آلي شهيرة في Python.
• توحيد درجة Z-التوحيد القياسي: على الرغم من أن التوحيد القياسي من الناحية الفنية، إلا أنه غالبًا ما يُستخدم بالتبادل مع التطبيع. يعمل توحيد الدرجة Z على تحويل البيانات بحيث يكون المتوسط 0 والانحراف المعياري 1. هذه الطريقة أقل حساسية للقيم المتطرفة مقارنةً بالتقياس الأدنى والأقصى.
• قياس القيمة المطلقة القصوى: تعمل هذه الطريقة على قياس كل ميزة بالقيمة المطلقة القصوى لها. وهي مفيدة بشكل خاص للبيانات المتناثرة وتضمن بقاء القيم ضمن النطاق [-1, 1].

يعتمد اختيار تقنية التطبيع المناسبة على مجموعة البيانات ونموذج التعلم الآلي المستخدم. بالنسبة للعديد من تطبيقات التعلّم العميق، بما في ذلك تدريب نماذج Ultralytics YOLO للكشف عن الأجسام، يُعد التطبيع خطوة قياسية قبل المعالجة.

تطبيقات التطبيع

يتم تطبيق التطبيع على نطاق واسع في مجالات مختلفة في الذكاء الاصطناعي والتعلم الآلي. فيما يلي بعض الأمثلة:

• معالجة الصور: في الرؤية الحاسوبية، غالبًا ما يتم تمثيل الصور في صورة قيم بكسل تتراوح من 0 إلى 255. ويُعد تطبيع قيم البكسل هذه إلى نطاق يتراوح بين 0 و1 ممارسة شائعة قبل إدخالها في الشبكة العصبية التلافيفية (CNN). يمكن أن يؤدي ذلك إلى تعزيز قدرة النموذج على تعلم الميزات من الصور، وتحسين مهام مثل اكتشاف الأجسام باستخدام Ultralytics YOLOv8 أو تصنيف الصور. النظر في استكشاف كيف أن المعالجة المسبقة للبيانات المشروحة أمر بالغ الأهمية في مشاريع الرؤية الحاسوبية لتحقيق الأداء الأمثل للنموذج.
• تحليل الصور الطبية: في تحليل الصور الطبية، يعد التطبيع أمرًا بالغ الأهمية لتوحيد نطاقات شدة الصور من ماسحات ضوئية أو مرضى مختلفين. هذا التوحيد أمر بالغ الأهمية لنماذج الذكاء الاصطناعي للكشف بدقة عن الحالات الشاذة أو الأمراض، بغض النظر عن مصدر الصورة الطبية. على سبيل المثال، في الكشف عن أورام الدماغ باستخدام Ultralytics YOLO11 في التصوير الطبي، يضمن التطبيع المتسق أن يكون النموذج قويًا وموثوقًا به عبر مجموعات البيانات المتنوعة.

باختصار، يعد التطبيع خطوة أساسية في إعداد البيانات للتعلم الآلي. فهو يضمن مساهمة عادلة من جميع الميزات، ويسرّع التدريب، ويحسّن استقرار وأداء نماذج الذكاء الاصطناعي عبر مختلف التطبيقات، بما في ذلك تلك التي تعمل بواسطة Ultralytics YOLO .