يُعد التعلم الشامل طريقة سريعة التطور لتحليل بيانات التعلم الآلي التي تستخدم الشبكات العصبية لمحاكاة عمليات الدماغ البشري. عند دمجه مع نظم GIS، يمكنه أن يحسِّن معالجة البيانات ويقدم تحليلاً أكثر دقة للبيانات.
عادة ما تكون هناك ثلاثة تحديات رئيسية مرتبطة بخوارزميات التعلم الآلي: تحليل كميات كبيرة من البيانات، وعدم وجود قدر كافٍ من الموارد الحسابية، وكفاءة الخوارزميات ودقتها. من خلال دمج ArcGIS Notebooks وخوارزميات التعلم الشامل، يمكنك التعامل مع هذه التحديات بشكل أفضل.
التعلم الشامل في ArcGIS Notebooks
تُصنّف نماذج التعلم الشامل لبيانات الصور المتاحة في ArcGIS Notebooks إلى أربع فئات رئيسية:
- تصنيف الكائن—يُستخدم لتحديد تصنيف المعلم. على سبيل المثال، يمكن استخدامه لتحديد ما إذا كان المبنى قد تضرر بعد وقوع كارثة طبيعية.
- اكتشاف الكائن—عملية التطويع المحلي للعثور على كائن في صورة داخل مربع الإحاطة. على سبيل المثال، يمكن استخدام اكتشاف الكائن لاكتشاف حمامات السباحة في الصورة.
- تصنيف البكسل—يُستخدم لتعيين تصنيفات إلى وحدات بكسل داخل صورة. على سبيل المثال، يمكن استخدام تصنيف البكسل لتصنيف الغطاء الأرضي.
- تصنيف المثيل—يدمج كلاً من اكتشاف الكائن وتصنيف البكسل. يمكن استخدام تصنيف المثيل لاكتشاف كائن وتصنيفه بشكل أكبر. على سبيل المثال، يمكن استخدام تصنيف البكسل في اكتشاف الضرر ليس فقط لتحديد الضرر، ولكن لتصنيف شدة الضرر أيضًا.
ملاحظة:
يدعم ArcGIS Notebooks أيضًا النماذج التي تركز على مجموعات البيانات الجدولية ومجموعات بيانات السحابة النقطية وغيرها من مجموعات البيانات المهيكلة.
مهام سير عمل التعلم الشامل
يمكن استخدام ArcGIS Notebook Server لإجراء مهام سير عمل التعلم الشامل التالية:
- التعلم الشامل من البداية إلى النهاية
- الاستدلال باستخدام النماذج المدربة مسبقًا
- تحسين النماذج المدربة مسبقًا من خلال الضبط الدقيق
التعلم الشامل من البداية إلى النهاية
يُعد التعلم الشامل من البداية إلى النهاية أسلوبًا مبتكرًا في مجال تعلم الآلة، يتم فيه تدريب شبكة عصبية واحدة لتنفيذ المهام المعقدة من البيانات الأولية مباشرةً، دون الحاجة إلى استخراج المعالم يدويًا. تتضمن هذه العملية الخطوات التالية:
- جمع البيانات—جمع مجموعة كبيرة ومتنوعة من البيانات ذات الصلة بالمهمة.
- المعالجة التمهيدية للبيانات—تنظيف البيانات وإعدادها للتدريب.
- تصميم النموذج—اختيار بنية الشبكة العصبية.
- التدريب—يُدرب النموذج على مجموعة البيانات وتُعدل المعلمات لتقليل الأخطاء.
- التقييم—اختبار النموذج على مجموعة بيانات منفصلة لتقييم أداء النموذج.
- النشر—تنفيذ النموذج المُدرب في تطبيق حقيقي.
راجع المثال: سير عمل التعلم الشامل من البداية إلى النهاية للحصول على مثال لسير العمل.
النماذج المُدربة مسبقًا
يمكن لنماذج التعلم الشامل المُدربة مسبقًا أن تُبسط سير مهام العمل الجغرافية المكانية من خلال القضاء على الحاجة إلى كميات كبيرة من بيانات التدريب والموارد الحاسوبية. يوفر ArcGIS عددًا من نماذج التعلم الشامل المدربة مسبقًا لمختلف المهام. يمكن تنزيل هذه النماذج من ArcGIS Living Atlas واستخدامها في ArcGIS Notebooks من خلال تحميلها كمحتوى على البوابة الإلكترونية.
راجع المثال: الاستدلال باستخدام نموذج مدرب مسبقًا للحصول على مثال لسير العمل.