التعلم الجدولي هو نوع من أساليب التعلم الآلي يُستخدم لنمذجة وتحليل البيانات الجدولية المنظمة. تتكون هذه البيانات عادةً من صفوف (عينات) وأعمدة (ميزات)، حيث يمثل كل صف عينة، ويمثل كل عمود سمة أو ميزة مقابلة. على عكس النماذج التي تتعامل بشكل أساسي مع البيانات غير المنظمة مثل النصوص والصور، يركز التعلم الجدولي على كيفية الاستخدام الأمثل للقيم العددية والفئات والعلاقات بين الميزات في البيانات المنظمة لأغراض التصنيف والانحدار والتنبؤ.

يعتمد تطوير التعلم الجدولي على أساليب التعلم الآلي التقليدية والنمذجة الإحصائية. ولطالما كانت أساليب مثل أشجار القرار المعززة بالتدرج (GBDT) والغابات العشوائية تقنيات مهمة لمعالجة البيانات الجدولية. ومع تطور التعلم العميق، بدأ الباحثون باستكشاف استخدام الشبكات العصبية لتحسين القدرة على نمذجة البيانات الجدولية. في عام 2019، اقترح باحثو الذكاء الاصطناعي في جوجل كلاود... تاب نت: التعلم الجدولي القابل للتفسير والانتباهمن خلال تقديم طريقة لاختيار الميزات تعتمد على آلية الانتباه، يمكن للشبكة العصبية التركيز ديناميكيًا على الميزات المهمة أثناء عملية التنبؤ، مما يحسن قابلية تفسير نماذج التعلم العميق وتطبيقها في مهام البيانات الجدولية، وقد أصبح أحد أهم الدراسات التمثيلية في مجال التعلم الجدولي العميق.

تشمل أساليب التعلم الجدولي الحديثة نماذج الأشجار، والشبكات العصبية العميقة، ونماذج الأساس الجدولي التي طُوّرت مؤخرًا. يُعالج هذا المجال بشكل أساسي التحديات التي تواجهها أنظمة التعلم الآلي التقليدية في معالجة البيانات المهيكلة المعقدة، بما في ذلك نمذجة تفاعل الميزات، ومعالجة المتغيرات الفئوية، وقدرات التعميم. يُستخدم التعلم الجدولي حاليًا على نطاق واسع في سيناريوهات مثل تقييم المخاطر المالية، والتنبؤ بالأعمال، وتحليل البيانات الطبية، والتفتيش الصناعي، وأنظمة التوصية، مما يجعله اتجاهًا تقنيًا هامًا في تحليل ذكاء بيانات المؤسسات.