التعلم التجميعي Ensemble learning هو أسلوب للتعلم الآلي يعزز الدقة والمرونة في التنبؤ من خلال دمج التنبؤات من نماذج متعددة. ويهدف إلى التخفيف من الأخطاء أو التحيزات التي قد تكون موجودة في النماذج الفردية من خلال الاستفادة من الذكاء الجماعي للتجميع.
المفهوم الأساسي وراء التعلم التجميعي هو الجمع بين مخرجات النماذج المتنوعة لإنشاء تنبؤ أكثر دقة. من خلال النظر في وجهات نظر متعددة والاستفادة من نقاط القوة في النماذج المختلفة، يعمل التعلم التجميعي على تحسين الأداء العام لنظام التعلم. لا يؤدي هذا النهج إلى تعزيز الدقة فحسب، بل يوفر أيضًا المرونة في مواجهة حالات عدم اليقين في البيانات. ومن خلال الدمج الفعال للتنبؤات من نماذج متعددة، أثبت التعلم التجميعي أنه أداة قوية في مجالات مختلفة، حيث يقدم تنبؤات أكثر قوة وموثوقية.
يعد التعلم التجميعي شائع إلى حد ما في التعلم الآلي والتعلم العميق وتم تطبيقه لمعالجة عدد لا يحصى من المشكلات. في هذا الكتاب، سوف نستكشف ما هو التعلم التجميعي وماهي انواعه وتطبيقاته، وتنفيذ العديد من المشاريع باستخدام التعلم التجميعي.
لقد حاولت قدر المستطاع ان اترجم المقالات والمشاريع الأكثر طرحاً في مجال التعلم التجميعي مع الشرح المناسب والكافي، ومع هذا يبقى عملاً بشرياً يحتمل النقص، فاذا كان لديك أي ملاحظات حول هذا الكتاب، فلا تتردد بمراسلتنا عبر بريدنا الالكتروني alaa.taima@qu.edu.iq.
نأمل ان يساعد هذا الكتاب كل من يريد ان يدخل في مجال التعلم التجميعي ومساعدة القارئ العربي على تعلم هذا المجال. اسأل الله التوفيق في هذا العمل لأثراء المحتوى العربي الذي يفتقر أشد الافتقار إلى محتوى جيد ورصين في مجال التعلم الآلي والتعلم العميق وعلم البيانات. ونرجو لك الاستمتاع مع الكتاب ولا تنسونا من صالح الدعاء.
محتويات الكتاب:
0- دليل شامل للتعلم التجميعي A Comprehensive Guide to Ensemble Learning
1- دليل شامل للتعلم التجميعي (مع اكواد بايثون) A Comprehensive Guide to Ensemble Learning (with Python codes)
2- دليل مفصل للتعلم العميق التجميعي في بايثون Detailed Guide to Ensemble Deep Learning in Python
3- التعلم التجميعي: الجمع بين قوة النماذج المتعددة في بايثون Ensemble Learning: Combining the Power of Multiple Models in Python
4- النماذج التجميعية: كيفية عمل تنبؤات أفضل من خلال الجمع بين نماذج متعددة مع أكواد بايثون Ensemble Models: How to Make Better Predictions by Combining Multiple Models with Python Codes
5- النمذجة التجميعية: كيفية الأداء في لغة بايثون Ensemble Modelling- How to perform in python
6- التعلم التجميعي مع الأمثلة Ensemble Learning with Examples
7- خوارزميات التعلم الآلي التجميعي في بايثون مع scikit-learn Ensemble Machine Learning Algorithms in Python with scikit-learn
8- تقنيات التعلم التجميعي: جولة مع الغابات العشوائية في بايثون Ensemble Learning Techniques: A Walkthrough with Random Forests in Python
9- التعلم التجميعي: تنفيذ التعزيز والتعبئة والتكديس Ensemble Learning: Implement Boosting, Bagging, and Stacking
10) خوارزميات التعلم الآلي التعزيزية: نظرة عامة Boosting Machine Learning Algorithms: An Overview
11- AdaBoost: مقدمة موجزة للتعلم التجميعي AdaBoost: A Brief Introduction to Ensemble learning
12- الطرق التجميعية: ضبط نموذج XGBoost باستخدام Scikit-Learn Ensemble Methods: Tuning a XGBoost model with Scikit-Learn
13- تحسين أداء نموذج التعلم الآلي باستخدام التعبئة Improving the Performance of Machine Learning Model using Bagging
14- التعلم التجميعي – التعبئة باستخدام بايثون Ensemble Learning — Bagging with Python
15- كيفية إنشاء تجميع التعبئة لنماذج التعلم العميق في Keras How to Create a Bagging Ensemble of Deep Learning Models in Keras
16- التكديس لتحسين أداء النموذج: دليل شامل حول التعلم التجميعي في بايثونStacking to Improve Model Performance: A Comprehensive Guide on Ensemble Learning in Python
17- تجميع التكديس للتعلم الآلي والتعلم العميق Ensemble Stacking for Machine Learning and Deep Learning
18- إنشاء مصنف تصويت تجميعي باستخدام Scikit-Learn Creating an Ensemble Voting Classifier with Scikit-Learn
د. علاء طعيمة
كلية علوم الحاسوب وتكنولوجيا المعلومات
جامعة القادسية / العراق
