العصر

يشير العصر في التعلم الآلي إلى عملية تمرير مجموعة بيانات التدريب بأكملها عبر الشبكة العصبية مرة واحدة (أي إجراء انتشار أمامي واحد وانتشار خلفي واحد). على سبيل المثال، إذا كانت مجموعة البيانات تتكون من 1000 عينة وتم تدريب النموذج باستخدام حجم دفعة يبلغ 100، فستكون هناك حاجة إلى 10 عصور لإكمال تمريرة واحدة على مجموعة البيانات بأكملها.

أهمية العصور في التدريب

تلعب العصور دورًا حاسمًا في عملية تدريب نماذج التعلم الآلي. إنها مرتبطة بشكل مباشر بقدرة النموذج على التعلم والتعميم على البيانات غير المرئية. Epoch هو معلمة فائقة تحدد عدد المرات التي تعمل فيها خوارزمية التعلم عبر مجموعة البيانات التدريبية بأكملها. قد يؤدي عدد قليل جدًا من العصور إلى عدم ملاءمة النموذج، في حين أن وجود عدد كبير جدًا من العصور قد يؤدي إلى الإفراط في الملاءمة.

حدد رقم العصر

يعد تحديد عدد العصور خطوة مهمة في تصميم الشبكة العصبية لأنه يؤثر بشكل كبير على أداء النموذج. إذا كان عدد العصور صغيرًا جدًا، فقد لا يتوفر للنموذج الوقت الكافي لتعلم الأنماط الموجودة في البيانات، مما يؤدي إلى ضعف أداء النموذج. وعلى العكس من ذلك، إذا كان رقم العصر مرتفعًا للغاية، فقد يصبح النموذج مفرطًا في التكيف، مما يعني أنه يتعلم الضوضاء في بيانات التدريب، مما يؤثر سلبًا على الأداء في البيانات الجديدة.

التوقف المبكر

يعد التوقف المبكر تقنية مفيدة لمنع الإفراط في التجهيز. يتضمن ذلك مراقبة أداء النموذج على مجموعة التحقق وإيقاف عملية التدريب عندما يبدأ الأداء في التدهور أو يفشل في التحسن. يساعد هذا النهج في إيجاد توازن جيد بين عدد العصور التي يجب تشغيلها، مما يضمن عدم نقص أو زيادة ملاءمة النموذج.

ختاماً

باختصار، تعتبر العصور جزءًا أساسيًا من عملية تدريب الشبكات العصبية وخوارزميات التعلم الآلي الأخرى. إنها تمثل عدد المرات التي تم فيها تمرير مجموعة البيانات بأكملها عبر الخوارزمية. يعد العدد الصحيح للعصور أمرًا بالغ الأهمية حتى يتمكن النموذج من التعلم بشكل فعال دون الإفراط في التجهيز. يعد تحقيق التوازن بين عدد العصور مع المعلمات الفائقة الأخرى مثل حجم الدفعة ومعدل التعلم أمرًا بالغ الأهمية لبناء نماذج التعلم الآلي القوية.

مراجع

【1】https://deepai.org/machine-learning-glossary-and-terms/epoch

【2】https://encord.com/glossary/epochs-definition/