autogluon
يعمل على أتمتة تدريب نماذج التعلم الآلي والدمج للبيانات الجدولية، والسلاسل الزمنية، والبيانات المتعددة الوسائط بلغة Python.
قم بتدريب نماذج التنبؤ المدمجة والمعماريات الأساسية عبر البيانات الجدولية، والسلاسل الزمنية، والنصوص.
مكتبة autogluon هي مكتبة تعلم آلي مؤتمتة مصممة لعلماء البيانات ومهندسي التعلم الآلي الذين يعملون باستخدام Python. وهي تقوم تلقائياً بالعثور على خوارزميات التعلم الآلي التقليدية وضبطها ودمجها إلى جانب النماذج الأساسية لمجموعات البيانات المعقدة. يجب عليك استخدامها إذا كنت تريد أداء تنبؤياً عالياً دون قضاء ساعات في كتابة مسارات ضبط المعلمات الفائقة اليدوية.
ما هو
يأخذ autogluon مجموعات البيانات الأولية - بما في ذلك الجداول الجدولية، والسلاسل الزمنية الاحتمالية، والمدخلات المتعددة الوسائط - ويقوم بتشغيل عمليات البحث عن النماذج تلقائياً. وهو يطبق الدمج المكدس متعدد الطبقات والتقطير المعزز لدمج النماذج المتنوعة في متنبئ موحد. ومن خلال الوحدات النمطية الخاصة بالمهمة مثل TabularPredictor وTimeSeriesPredictor وMultiModalPredictor، فإنه يؤتمت تدريب النماذج بأقل قدر من الكود.
لمن هو
وهو يناسب علماء البيانات، ومحللي التنبؤ، ومهندسي التعلم الآلي الذين يحتاجون إلى خطوط أساس سريعة أو نماذج مرجعية تنافسية على البيانات المهيكلة. وهو أقل ملاءمة للفرق التي تعمل في بيئات مدمجة مقيدة الموارد بشدة حيث يكون تشغيل عمليات الدمج متعددة النماذج أو نماذج التعلم العميق الأساسية غير مرجح.
أهم الميزات
أتمتة البيانات الجدولية
يقوم بتدريب ودمج نماذج تعلم آلي كلاسيكية متعددة ومعماريات عميقة مباشرة من ملفات البيانات المهيكلة.
التنبؤ الاحتمالي للسلاسل الزمنية
يؤتمت التنبؤ الأحادي والمتعدد المتغيرات باستخدام عمليات دمج مكدسة متعددة الطبقات ونماذج أساسية مخصصة للسلاسل الزمنية.
تدريب النماذج المتعددة الوسائط
يجمع بين المدخلات الجدولية، وحقول النصوص غير المهيكلة، وبيانات الصور في نماذج تنبؤية موحدة باستخدام معماريات أساسية حديثة.
تقطير النماذج
يضغط عمليات الدمج المكدسة المعقدة متعددة النماذج في نماذج فردية أصغر وأسرع عبر التقطير المعزز.
جاهز للعمل في 3 خطوات
حكمنا الصادق
ما يميّزه
- يؤتمت دمج النماذج عبر الوسائط الجدولية، والسلاسل الزمنية، والنصوص في ثلاثة أسطر من البرمجة.
- يدعم الدمج المكدس متعدد الطبقات لتعظيم الدقة التنبؤية مقارنة بنهج النموذج الواحد.
- يتضمن تقطيراً معززاً لتوليد نماذج استدلال أخف من عمليات الدمج المعقدة.
- يدمج نماذج أساسية عميقة مثل Chronos للتنبؤ بالسلاسل الزمنية إلى جانب خوارزميات التعلم الآلي الكلاسيكية.
أين يقصّر
- يتطلب تدريب عمليات الدمج المكدسة متعددة الطبقات ذاكرة عالية وموارد حوسبة، وغالباً ما يحتاج إلى مثيلات وحدات معالجة رسومات (GPUs) مخصصة.
- يمكن أن تؤدي الاعتماديات الثقيلة إلى تكوين بيئة معقدة وبصمة تثبيت حزم كبيرة.
- يمكن أن تفرض نماذج الدمج الكاملة زمن وصول أعلى للاستدلال مقارنة بالخوارزميات البسيطة الفردية ما لم يتم تقطيرها.
التسعير والرخصة
مكتبة autogluon مجانية تماماً للاستخدام بموجب ترخيص Apache-2.0 مفتوح المصدر. وتأتي تكلفة التشغيل الأساسية من موارد الحوسبة مثل وحدات المعالجة المركزية ذات الذاكرة العشوائية العالية (RAM) أو وحدات معالجة الرسومات (GPUs) المطلوبة لتدريب نماذج التعلم العميق ودمجها.
وظائف للناطقين بالعربية
874 وظيفة مفتوحة عن بعد في تدريب الذكاء الاصطناعي، آخر تحديث ١٥ نوفمبر ٢٠٢٦؛ أجر معظمها $20–$170 في الساعة. منها 2 وظائف تطلب متحدثين بالعربية. يعرضها ذكائي مجانًا، والتقديم يتم على منصة جهة التوظيف.
البدائل
أدوات الذكاء الاصطناعي المُراجَعة هذه تؤدي المهمة فوراً — من دليلنا المُقيَّم.
استخدمه، أو دعنا نُعِدّه لك
الأسئلة الشائعة
ما هي إصدارات Python التي يدعمها autogluon؟
يدعم autogluon إصدارات Python من 3.10 إلى 3.13 عبر أنظمة تشغيل Linux وMacOS وWindows.
هل يمكن لـ autogluon التعامل مع التنبؤ بالسلاسل الزمنية؟
نعم، فهو يوفر TimeSeriesPredictor للتنبؤ الاحتمالي بالسلاسل الزمنية باستخدام الدمج المكدس والنماذج الأساسية ذات اللقطة الصفرية (zero-shot).
كيف يحقق autogluon دقة عالية؟
يقوم بتدريب نماذج فردية متعددة ودمجها باستخدام الدمج المكدس متعدد الطبقات بدلاً من الاعتماد على نموذج واحد الأفضل.
