التعلم الآلي التطوري Evolutionary Machine Learning (EML) هو مجموعة فرعية من التعلم الآلي الذي يتضمن خوارزميات تطورية لتحسين أداء نماذج التعلم الآلي تلقائيًا. إنه ينطوي على استخدام مبادئ من البيولوجيا التطورية evolutionary biology، مثل الانتقاء selection والطفرة mutation والتكاثر reproduction، لتحسين تكرار ملاءمة مجموعة من الحلول المرشحة.
يمكن استخدام EML لتحسين مجموعة واسعة من خوارزميات التعلم الآلي، بما في ذلك أشجار القرار decision trees، وآلات المتجهات الداعمة support vector machines، والشبكات العصبية الاصطناعية artificial neural networks. يمكن تطبيقه على مهام مثل التصنيف classification والانحدار regression والتجميع clustering.
تتضمن عملية EML توليد مجموعة من الحلول المرشحة، مثل التكوينات المختلفة للمعاملات الفائقة hyperparameters أو مجموعات ميزات مختلفة. يتم تقييم كل حل مرشح في مهمة معينة، ويتم حساب لياقته بناءً على مدى أداءه. ثم يتم اختيار الأصلح الأفراد للخضوع للعمليات الوراثية، مثل التزاوج crossover والطفرة، والتي تخلق حلولًا مرشحًا جديدة. تتكرر عملية الاختيار والعمليات الوراثية هذه بشكل تكرار حتى يتم استيفاء معيار الإيقاف، ويتم الحصول على مجموعة أخيرة من حلول المرشح.
تتمثل إحدى ميزة EML في أنه يمكن أن يتكيف تلقائيًا مع التغييرات في البيانات أو المهمة، مما يجعلها مناسبة للبيئات الديناميكية وغير المستقلة. بالإضافة إلى ذلك، يمكن استخدام EML لاستكشاف مساحة بحث شاسعة من الحلول المحتملة ويمكن أن تجد حلولًا أفضل في كثير من الأحيان من تقنيات التحسين التقليدية. ومع ذلك، يمكن أن تكون EML مكلفة حسابيًا، ويمكن أن تعتمد جودة النتائج على اختيار دالة اللياقة وحجم السكان والمشغلين الوراثيين.
يمكن دمج الحساب التطوري Evolutionary computation في أنظمة التعلم الآلي بعدة طرق:
- تحسين المعلمات الفائقة Hyperparameter optimization: تحتوي العديد من نماذج التعلم الآلي على المعلمات الفائقة التي يجب ضبطها من أجل الأداء الأمثل. يمكن استخدام الخوارزميات التطورية للبحث في مساحة المعلمات الفائقة للحصول على أفضل القيم من خلال توليد مجموعة من المعلمات الفائقة المرشحة وتقييم أدائها على مجموعة التحقق من الصحة.
- اختيار الميزات Feature selection: يمكن استخدام الخوارزميات التطورية لتحديد المجموعة الفرعية الأكثر إفادة من الميزات لمهمة التعلم الآلي المعطى. يتضمن ذلك توليد مجموعة من مجموعات فرعية للمرشحين وتقييم أدائهم على مجموعة التحقق من الصحة.
- البحث عن البُنية Architecture search: يمكن استخدام الخوارزميات التطورية للبحث عن البُنية المثلى للشبكة العصبية. يتضمن ذلك توليد مجموعة من البُنية المرشحة مع تكوينات عشوائية أو محددة مسبقًا وتقييم أدائها في مهمة معينة. ثم يتم اختيار البنية ذات الأداء الأعلى، ويتم استخدام خصائصها لتوليد مجموعة جديدة. تتكرر هذه العملية حتى يتم العثور على البُنية المثلى.
- التعلم الجماعي Ensemble learning: يمكن استخدام الخوارزميات التطورية لإنشاء مجموعة من نماذج التعلم الآلي التي تجمع بين تنبؤات نماذج متعددة لتحسين الدقة accuracy وتقليل فرط التعلم overfitting. يتضمن ذلك توليد مجموعة من النماذج المرشحة ذات المعلمات الفائقة المتنوعة، أو مجموعات الميزات ، أو البُنى ، والجمع بينهم بطريقة تزيد من الأداء.
بشكل عام، يمكن أن يؤدي دمج الحساب التطوري في أنظمة التعلم الآلي إلى تحسين أدائها، ويقلل من الحاجة إلى الضبط اليدوي، وتمكين اكتشاف المعلمات الفائقة الجديدة ومجموعات الميزات والبُنية.
