chore(i18n): sync translations with latest source changes (chunk 1/1, 203 changes)
This commit is contained in:
localizeflow[bot]
parent
6588f07ae1
commit
7a7aeb92a1
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:12:37+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T01:08:09+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-26T07:54:42+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T11:16:50+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T11:19:14+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T11:20:32+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T11:15:55+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T11:17:47+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T11:24:30+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:26:52+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T11:11:35+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T10:59:18+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:12:42+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T20:38:38+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T20:39:36+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T10:59:34+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T11:06:38+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T06:36:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:37:38+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T06:36:00+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-26T10:28:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T06:36:40+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-26T10:34:53+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:42:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T06:32:36+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-26T09:40:30+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T06:32:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T06:31:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:52:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T06:32:16+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-26T09:46:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-26T09:52:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T06:33:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T06:34:09+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T06:32:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-26T09:24:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T06:33:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-26T09:11:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-26T09:02:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T06:39:15+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-26T08:28:19+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T06:38:58+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-26T08:17:32+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T06:37:21+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-26T08:31:32+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T06:38:34+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-26T08:12:36+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T06:37:06+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-26T08:22:36+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T06:37:33+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-26T08:40:29+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T06:38:17+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-26T08:49:36+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T06:37:59+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-26T08:01:26+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T06:30:26+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T06:31:17+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-26T10:16:23+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T06:30:40+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-26T10:10:53+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-26T07:57:47+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-26T07:57:01+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-26T10:17:26+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T10:41:46+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T10:40:21+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "ar"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:35:28+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:12:37+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## نظرة عامة على المشروع
|
||||
|
|
|
|||
|
|
@ -1,232 +1,225 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-15T10:57:32+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# الذكاء الاصطناعي للمبتدئين - منهج دراسي
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| الذكاء الاصطناعي للمبتدئين - _مخطط ملاحظات بواسطة [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| الذكاء الاصطناعي للمبتدئين - _مخطط سريع بواسطة [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
استكشف عالم **الذكاء الاصطناعي** (AI) من خلال منهجنا الدراسي المكون من 12 أسبوعًا و24 درسًا! يشمل دروسًا عملية، اختبارات، ومختبرات. المنهج مصمم للمبتدئين ويغطي أدوات مثل TensorFlow وPyTorch، وكذلك الأخلاقيات في الذكاء الاصطناعي.
|
||||
|
||||
استكشف عالم **الذكاء الاصطناعي** (AI) مع منهجنا الدراسي المكون من 12 أسبوعًا و24 درسًا! يتضمن دروسًا عملية، واختبارات، ومعامل. المنهج مناسب للمبتدئين ويغطي أدوات مثل TensorFlow وPyTorch، بالإضافة إلى الأخلاقيات في الذكاء الاصطناعي.
|
||||
|
||||
### 🌐 دعم متعدد اللغات
|
||||
|
||||
#### مدعوم عبر GitHub Action (مؤتمت ودوماً محدث)
|
||||
#### مدعوم عبر إجراء GitHub (مؤتمت ودائمًا محدث)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[العربية](./README.md) | [البنغالية](../bn/README.md) | [البلغارية](../bg/README.md) | [البورمية (ميانمار)](../my/README.md) | [الصينية (المبسطة)](../zh/README.md) | [الصينية (التقليدية، هونغ كونغ)](../hk/README.md) | [الصينية (التقليدية، ماكاو)](../mo/README.md) | [الصينية (التقليدية، تايوان)](../tw/README.md) | [الكرواتية](../hr/README.md) | [التشيكية](../cs/README.md) | [الدنماركية](../da/README.md) | [الهولندية](../nl/README.md) | [الإستونية](../et/README.md) | [الفنلندية](../fi/README.md) | [الفرنسية](../fr/README.md) | [الألمانية](../de/README.md) | [اليونانية](../el/README.md) | [العبرية](../he/README.md) | [الهندية](../hi/README.md) | [الهنغارية](../hu/README.md) | [الإندونيسية](../id/README.md) | [الإيطالية](../it/README.md) | [اليابانية](../ja/README.md) | [الكانادا](../kn/README.md) | [الكورية](../ko/README.md) | [الليتوانية](../lt/README.md) | [الملايوية](../ms/README.md) | [المالايالامية](../ml/README.md) | [الماراثية](../mr/README.md) | [النيبالية](../ne/README.md) | [نجد محلية نيجيرية](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../br/README.md) | [البرتغالية (البرتغال)](../pt/README.md) | [البنجابية (غرموخي)](../pa/README.md) | [الرومانية](../ro/README.md) | [الروسية](../ru/README.md) | [الصربية (السيريلية)](../sr/README.md) | [السلوفاكية](../sk/README.md) | [السلوفينية](../sl/README.md) | [الإسبانية](../es/README.md) | [السواحلية](../sw/README.md) | [السويدية](../sv/README.md) | [التاغالوغ (الفلبينية)](../tl/README.md) | [التاميلية](../ta/README.md) | [التيلجو](../te/README.md) | [التايلاندية](../th/README.md) | [التركية](../tr/README.md) | [الأوكرانية](../uk/README.md) | [الأردية](../ur/README.md) | [الفيتنامية](../vi/README.md)
|
||||
[العربية](./README.md) | [البنغالية](../bn/README.md) | [البلغارية](../bg/README.md) | [البورمية (ميانمار)](../my/README.md) | [الصينية (المبسطة)](../zh-CN/README.md) | [الصينية (التقليدية، هونغ كونغ)](../zh-HK/README.md) | [الصينية (التقليدية، ماكاو)](../zh-MO/README.md) | [الصينية (التقليدية، تايوان)](../zh-TW/README.md) | [الكرواتية](../hr/README.md) | [التشيكية](../cs/README.md) | [الدنماركية](../da/README.md) | [الهولندية](../nl/README.md) | [الإستونية](../et/README.md) | [الفنلندية](../fi/README.md) | [الفرنسية](../fr/README.md) | [الألمانية](../de/README.md) | [اليونانية](../el/README.md) | [العبرية](../he/README.md) | [الهندية](../hi/README.md) | [الهنغارية](../hu/README.md) | [الإندونيسية](../id/README.md) | [الإيطالية](../it/README.md) | [اليابانية](../ja/README.md) | [الكانادية](../kn/README.md) | [الكورية](../ko/README.md) | [اللتوانية](../lt/README.md) | [الماليزية](../ms/README.md) | [المالايالامية](../ml/README.md) | [الماراثية](../mr/README.md) | [النيبالية](../ne/README.md) | [البيجيني النيجيري](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../pt-BR/README.md) | [البرتغالية (البرتغال)](../pt-PT/README.md) | [البنجابية (غورموخي)](../pa/README.md) | [الرومانية](../ro/README.md) | [الروسية](../ru/README.md) | [الصربية (السيريلية)](../sr/README.md) | [السلوفاكية](../sk/README.md) | [السلوفينية](../sl/README.md) | [الإسبانية](../es/README.md) | [السواحيلية](../sw/README.md) | [السويدية](../sv/README.md) | [التاغالوغ (الفلبينية)](../tl/README.md) | [التاميل](../ta/README.md) | [التيلوجو](../te/README.md) | [التايلاندية](../th/README.md) | [التركية](../tr/README.md) | [الأوكرانية](../uk/README.md) | [الأردية](../ur/README.md) | [الفيتنامية](../vi/README.md)
|
||||
|
||||
> **هل تفضل النسخ محليًا؟**
|
||||
> **تفضل الاستنساخ محليًا؟**
|
||||
|
||||
> يتضمن هذا المستودع أكثر من 50 ترجمة للغات تزيد بشكل ملحوظ من حجم التنزيل. للنسخ بدون الترجمات، استخدم التفريغ الجزئي:
|
||||
> يحتوي هذا المستودع على أكثر من 50 ترجمة للغات مما يزيد بشكل كبير من حجم التنزيل. للاستنساخ بدون الترجمات، استخدم السحب الانتقائي:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> هذا يمنحك كل ما تحتاجه لإكمال الدورة مع تحميل أسرع بكثير.
|
||||
> هذا يعطيك كل ما تحتاجه لإكمال الدورة مع تنزيل أسرع بكثير.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**إذا كنت ترغب في دعم لغات ترجمة إضافية، فهي مدرجة [هنا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## انضم إلى المجتمع
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## ما الذي ستتعلمه
|
||||
## ما ستتعلمه
|
||||
|
||||
**[خريطة ذهنية للدورة](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
في هذا المنهج، ستتعلم:
|
||||
في هذا المنهج الدراسي، سوف تتعلم:
|
||||
|
||||
* طرق مختلفة للذكاء الاصطناعي، بما في ذلك النهج الرمزي "القديم الجيد" مع **تمثيل المعرفة** والاستدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **الشبكات العصبية** و**التعلم العميق**، وهما جوهر الذكاء الاصطناعي الحديث. سنوضح المفاهيم وراء هذه الموضوعات المهمة باستخدام الكود في اثنين من أشهر الأُطُر - [TensorFlow](http://Tensorflow.org) و[PyTorch](http://pytorch.org).
|
||||
* **الهياكل العصبية** للعمل مع الصور والنصوص. سنغطي النماذج الحديثة لكن قد ينقصنا بعض أحدث التقدّم.
|
||||
* طرق ذكاء اصطناعي أقل شهرة، مثل **الخوارزميات الجينية** و**أنظمة الوكلاء المتعددة**.
|
||||
* نهجًا مختلفة للذكاء الاصطناعي، بما في ذلك النهج الرمزي "القديم الجيد" مع **تمثيل المعرفة** والاستدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **الشبكات العصبية** و **التعلم العميق**، وهي في صميم الذكاء الاصطناعي الحديث. سنوضح المفاهيم وراء هذه المواضيع المهمة باستخدام الأكواد في اثنين من أشهر الأطر - [TensorFlow](http://Tensorflow.org) و [PyTorch](http://pytorch.org).
|
||||
* **البُنى العصبية** للعمل مع الصور والنصوص. سنغطي النماذج الحديثة ولكن قد تكون أقل حداثة في أحدث التقنيات.
|
||||
* نهج ذكاء اصطناعي أقل شعبية، مثل **الخوارزميات الجينية** و **أنظمة الوكلاء المتعددين**.
|
||||
|
||||
ما لن نغطيه في هذا المنهج:
|
||||
|
||||
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [ابحث عن جميع الموارد الإضافية لهذه الدورة في مجموعتنا على Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* حالات استخدام **الذكاء الاصطناعي في الأعمال**. يمكن أن تفكر في متابعة مسار التعلم [مقدمة في الذكاء الاصطناعي لمستخدمي الأعمال](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) على Microsoft Learn، أو [مدرسة أعمال الذكاء الاصطناعي](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)، التي تم تطويرها بالتعاون مع [INSEAD](https://www.insead.edu/).
|
||||
* **التعلم الآلي الكلاسيكي**، الذي موصوف جيدًا في منهجنا [التعلم الآلي للمبتدئين](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* تطبيقات الذكاء الاصطناعي العملية المبنية باستخدام **[خدمات الإدراك](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. لهذا، نوصي بالبدء في الوحدات التعليمية في Microsoft Learn المتعلقة بـ[الرؤية الحاسوبية](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، و[معالجة اللغة الطبيعية](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، و**[الذكاء الاصطناعي التوليدي مع خدمة Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** وغيرها.
|
||||
* أُطُر السحابة الخاصة بالتعلم الآلي مثل [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum)، [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum)، أو [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). يمكن استخدام مسارات التعلم [بناء وتشغيل حلول التعلم الآلي باستخدام Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) و[بناء وتشغيل حلول التعلم الآلي باستخدام Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **الذكاء الاصطناعي التحاوري** و**الروبوتات المحادثة**. هناك مسار تعلم منفصل [إنشاء حلول ذكاء اصطناعي تحاورية](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum)، ويمكنك أيضًا الرجوع إلى [هذه التدوينة](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) لمزيد من التفاصيل.
|
||||
* **الرياضيات العميقة** وراء التعلم العميق. نوصي لذٰلك بـ[التعلم العميق](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) من تأليف إيان جودفيلو ويوشوا بنجيو وآرون كورفيل، المتوفر أيضًا على الإنترنت عبر [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* حالات الأعمال لاستخدام **الذكاء الاصطناعي في الأعمال**. ننصح باتباع مسار التعلم [مقدمة في الذكاء الاصطناعي لمستخدمي الأعمال](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) على Microsoft Learn، أو [مدرسة الذكاء الاصطناعي للأعمال](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)، التي تم تطويرها بالتعاون مع [INSEAD](https://www.insead.edu/).
|
||||
* **التعلم الآلي الكلاسيكي**، الذي تم تناوله جيدًا في منهجنا [التعلم الآلي للمبتدئين](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* تطبيقات الذكاء الاصطناعي العملية المبنية باستخدام **[خدمات الإدراك](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. لذلك، نوصي بالبدء بالوحدات التعليمية في Microsoft Learn لـ [الرؤية](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، [معالجة اللغة الطبيعية](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، **[الذكاء الاصطناعي التوليدي مع خدمة Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** وغيرها.
|
||||
* أُطُر التعلم الآلي السحابية المتخصصة، مثل [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum)، [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum)، أو [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). فكر في استخدام مسارات التعلم [بناء وتشغيل حلول التعلم الآلي باستخدام Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) و [بناء وتشغيل حلول التعلم الآلي باستخدام Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **الذكاء الاصطناعي الحواري** و **الروبوتات الحوارية**. هناك مسار تعلم منفصل [إنشاء حلول ذكاء اصطناعي حوارية](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum)، ويمكنك أيضًا الرجوع إلى [هذه التدوينة](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) لمزيد من التفاصيل.
|
||||
* **الرياضيات العميقة** وراء التعلم العميق. لهذا، نوصي بـ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) من تأليف إيان جودفيلو، يوشوا بنجيو وآرون كورفيل، والمتاحة أيضًا على الإنترنت في [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
للمقدمة بلطف عن موضوعات _الذكاء الاصطناعي في السحابة_ قد تنظر في متابعة [البدء مع الذكاء الاصطناعي على Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
لمقدمة لطيفة حول موضوعات الذكاء الاصطناعي في السحابة قد تفكر في اتباع مسار التعلم [ابدأ مع الذكاء الاصطناعي على Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# المحتوى
|
||||
|
||||
| | رابط الدرس | PyTorch/Keras/TensorFlow | المختبر |
|
||||
| | رابط الدرس | PyTorch/Keras/TensorFlow | المختبر |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [إعداد الدورة](./lessons/0-course-setup/setup.md) | [إعداد بيئة التطوير الخاصة بك](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**مقدمة في الذكاء الاصطناعي**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [مقدمة وتاريخ الذكاء الاصطناعي](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **الذكاء الاصطناعي الرمزي** |
|
||||
| 02 | [تمثيل المعرفة وأنظمة الخبراء](./lessons/2-Symbolic/README.md) | [أنظمة الخبراء](./lessons/2-Symbolic/Animals.ipynb) / [الأونتولوجيا](./lessons/2-Symbolic/FamilyOntology.ipynb) /[رسم المفاهيم](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [تمثيل المعرفة وأنظمة الخبراء](./lessons/2-Symbolic/README.md) | [أنظمة الخبراء](./lessons/2-Symbolic/Animals.ipynb) / [أونتولوجيا](./lessons/2-Symbolic/FamilyOntology.ipynb) /[مخطط المفاهيم](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**مقدمة في الشبكات العصبية**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [بيرسيبترون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفتر ملاحظات](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [مختبر](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [بيرسيبترون متعدد الطبقات وإنشاء إطار العمل الخاص بنا](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفتر ملاحظات](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [مختبر](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [مقدمة حول الأُطُر (PyTorch/TensorFlow) وتجاوز التكيف](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**الرؤية الحاسوبية**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [استكشاف الرؤية الحاسوبية على مايكروسوفت أزور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمة في الرؤية الحاسوبية. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [دفتر ملاحظات](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [مختبر](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [الشبكات العصبية التلافيفية](./lessons/4-ComputerVision/07-ConvNets/README.md) & [هندسات CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [مختبر](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [الشبكات المدربة مسبقًا والتعلم التحويلي](./lessons/4-ComputerVision/08-TransferLearning/README.md) و [حيل التدريب](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [المشفّرات الذاتية و VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [الشبكات التوليدية التنافسية ونقل الأسلوب الفني](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [كشف الأجسام](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [مختبر](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [التجزئة الدلالية. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**معالجة اللغات الطبيعية**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [استكشاف معالجة اللغات الطبيعية على مايكروسوفت أزور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [تمثيل النص. الحقيبة/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [تضمينات الكلمات الدلالية. Word2Vec و GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [نمذجة اللغة. تدريب التضمينات الخاصة بك](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [مختبر](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [الشبكات العصبية المتكررة](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [الشبكات المتكررة التوليدية](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [مختبر](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [المحولات. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [التعرف على الكيانات المسماة](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [مختبر](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [نماذج اللغة الكبيرة، برمجة المطالبات ومهام القليل من اللقطات](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **تقنيات ذكاء اصطناعي أخرى** || |
|
||||
| 21 | [الخوارزميات الجينية](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفتر ملاحظات](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [التعلم المعزز العميق](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [مختبر](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [أنظمة متعددة الوكلاء](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 03 | [بيرسيبترون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفتر الملاحظات](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [مختبر](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [بيرسيبترون متعدد الطبقات وإنشاء إطار العمل الخاص بنا](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفتر الملاحظات](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [مختبر](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [مقدمة في الأطر (بايتورش/تينسورفلو) والفرط في التخصيص](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [بايتورش](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [كيراس](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [تينسورفلو](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**الرؤية الحاسوبية**](./lessons/4-ComputerVision/README.md) | [بايتورش](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [تينسورفلو](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [استكشاف الرؤية الحاسوبية على مايكروسوفت أزور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمة في الرؤية الحاسوبية. أوبن سي في](./lessons/4-ComputerVision/06-IntroCV/README.md) | [دفتر الملاحظات](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [مختبر](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [الشبكات العصبية الالتفافية](./lessons/4-ComputerVision/07-ConvNets/README.md) & [هندسة شبكات CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [بايتورش](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[تينسورفلو](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [مختبر](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [الشبكات المدربة مسبقًا والتعلّم النقلي](./lessons/4-ComputerVision/08-TransferLearning/README.md) و[خدع التدريب](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [بايتورش](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [تينسورفلو](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [مختبر](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [المشفرات التلقائية وVAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [بايتورش](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [تينسورفلو](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [شبكات الخصومة التوليدية ونقل الأسلوب الفني](./lessons/4-ComputerVision/10-GANs/README.md) | [بايتورش](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [تينسورفلو](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [كشف الأجسام](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [تينسورفلو](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [مختبر](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [التقسيم الدلالي. يو-نت](./lessons/4-ComputerVision/12-Segmentation/README.md) | [بايتورش](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [تينسورفلو](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**معالجة اللغة الطبيعية**](./lessons/5-NLP/README.md) | [بايتورش](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[تينسورفلو](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [استكشاف معالجة اللغة الطبيعية على مايكروسوفت أزور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [تمثيل النص. الحقيبة/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [بايتورش](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [تينسورفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [تضمين الكلمات الدلالية. Word2Vec وGloVe](./lessons/5-NLP/14-Embeddings/README.md) | [بايتورش](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [تينسورفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [نمذجة اللغة. تدريب تضمين خاص بك](./lessons/5-NLP/15-LanguageModeling/README.md) | [بايتورش](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [تينسورفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [مختبر](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [الشبكات العصبية المتكررة](./lessons/5-NLP/16-RNN/README.md) | [بايتورش](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [تينسورفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [الشبكات المتكررة التوليدية](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [بايتورش](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [تينسورفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [مختبر](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [المحولات. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [بايتورش](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[تينسورفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [التعرف على الكيانات المسماة](./lessons/5-NLP/19-NER/README.md) | [تينسورفلو](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [مختبر](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [نماذج اللغة الكبيرة، برمجة الموجهات والمهام قليلة الأمثلة](./lessons/5-NLP/20-LangModels/README.md) | [بايتورش](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **تقنيات الذكاء الاصطناعي الأخرى** || |
|
||||
| 21 | [الخوارزميات الجينية](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفتر الملاحظات](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [التعلم المعزز العميق](./lessons/6-Other/22-DeepRL/README.md) | [بايتورش](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[تينسورفلو](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [مختبر](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [أنظمة الوكلاء المتعددين](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **أخلاقيات الذكاء الاصطناعي** | | |
|
||||
| 24 | [أخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول](./lessons/7-Ethics/README.md) | [مايكروسوفت ليرن: مبادئ الذكاء الاصطناعي المسؤول](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [أخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول](./lessons/7-Ethics/README.md) | [تعلم مايكروسوفت: مبادئ الذكاء الاصطناعي المسؤول](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **إضافات** | | |
|
||||
| 25 | [الشبكات متعددة الأنماط، CLIP وVQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر ملاحظات](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [الشبكات متعددة الوسائط، CLIP وVQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر الملاحظات](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## تحتوي كل درس على
|
||||
## كل درس يحتوي على
|
||||
|
||||
* مادة للقراءة المسبقة
|
||||
* دفاتر Jupyter قابلة للتنفيذ، غالبًا ما تكون محددة للإطار (**PyTorch** أو **TensorFlow**). يحتوي دفتر الملاحظات التنفيذي أيضًا على الكثير من المواد النظرية، لذا لفهم الموضوع تحتاج إلى المرور على الأقل بإصدار واحد من دفتر الملاحظات (سواء PyTorch أو TensorFlow).
|
||||
* **مختبرات** متاحة لبعض المواضيع، والتي تعطيك فرصة لتجربة تطبيق المادة التي تعلمتها على مشكلة محددة.
|
||||
* تحتوي بعض الأقسام على روابط إلى وحدات [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) التي تغطي المواضيع ذات الصلة.
|
||||
* مواد للقراءة المسبقة
|
||||
* دفاتر جوبيتر قابلة للتنفيذ، تكون غالبًا محددة للإطار (**بايتورش** أو **تينسورفلو**). يحتوي دفتر الملاحظات القابل للتنفيذ أيضًا على الكثير من المواد النظرية، لذا لفهم الموضوع تحتاج إلى المرور على نسخة واحدة على الأقل من دفتر الملاحظات (إما بايتورش أو تينسورفلو).
|
||||
* **مختبرات** متاحة لبعض المواضيع، تمنحك فرصة لتجربة تطبيق المادة التي تعلمتها على مشكلة محددة.
|
||||
* بعض الأقسام تحتوي على روابط إلى وحدات [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) التي تغطي مواضيع ذات صلة.
|
||||
|
||||
## البدء
|
||||
|
||||
### 🎯 جديد في الذكاء الاصطناعي؟ ابدأ من هنا!
|
||||
### 🎯 جديد على الذكاء الاصطناعي؟ ابدأ من هنا!
|
||||
|
||||
إذا كنت جديدًا تمامًا على الذكاء الاصطناعي وتريد أمثلة سريعة وعملية، تحقق من [**أمثلة مناسبة للمبتدئين**](./examples/README.md)! تشمل هذه:
|
||||
إذا كنت جديدًا تمامًا على الذكاء الاصطناعي وترغب في أمثلة سريعة وعملية، اطلع على [**أمثلة مناسبة للمبتدئين**](./examples/README.md)! تشمل هذه:
|
||||
|
||||
- 🌟 **مرحبًا بالعالم الذكي** - أول برنامج ذكاء اصطناعي لك (التعرف على الأنماط)
|
||||
- 🌟 **مرحبًا بالعالم AI** - أول برنامج ذكاء اصطناعي لك (التعرف على الأنماط)
|
||||
- 🧠 **شبكة عصبية بسيطة** - بناء شبكة عصبية من الصفر
|
||||
- 🖼️ **مُصنف الصور** - تصنيف الصور مع تعليقات تفصيلية
|
||||
- 💬 **تحليل مشاعر النص** - تحليل النص الإيجابي/السلبي
|
||||
|
||||
تم تصميم هذه الأمثلة لمساعدتك على فهم مفاهيم الذكاء الاصطناعي قبل الغوص في المنهج الكامل.
|
||||
- 🖼️ **مصنف الصور** - تصنيف الصور مع تعليقات مفصلة
|
||||
- 💬 **تحليل احساس النص** - تحليل النص الإيجابي/السلبي
|
||||
|
||||
### 📚 إعداد المنهج الكامل
|
||||
تم تصميم هذه الأمثلة لمساعدتك على فهم مفاهيم الذكاء الاصطناعي قبل الغوص في المنهج الكامل.
|
||||
|
||||
- لقد أنشأنا [درس الإعداد](./lessons/0-course-setup/setup.md) لمساعدتك في إعداد بيئة التطوير الخاصة بك. - للمعلمين، أنشأنا أيضًا [درس إعداد المنهج](./lessons/0-course-setup/for-teachers.md)!
|
||||
- كيفية [تشغيل الكود في VSCode أو Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
### 📚 إعداد المنهج الكامل
|
||||
|
||||
اتبع هذه الخطوات:
|
||||
- لقد أنشأنا [درس الإعداد](./lessons/0-course-setup/setup.md) لمساعدتك في إعداد بيئة التطوير الخاصة بك. - للمربين، أنشأنا أيضًا [درس إعداد المناهج](./lessons/0-course-setup/for-teachers.md)!
|
||||
- كيفية [تشغيل الكود في VSCode أو Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
نسخ المستودع: انقر على زر "Fork" في الزاوية العلوية اليمنى من هذه الصفحة.
|
||||
اتبع هذه الخطوات:
|
||||
|
||||
استنساخ المستودع: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
فرّع المستودع: انقر على زر "Fork" في الزاوية العلوية اليمنى من هذه الصفحة.
|
||||
|
||||
لا تنسى تمييز (🌟) هذا المستودع لسهولة العثور عليه لاحقًا.
|
||||
استنساخ المستودع: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
## تواصل مع متعلمين آخرين
|
||||
لا تنس أن تضيف نجمة (🌟) لهذا المستودع لتجده بسهولة لاحقًا.
|
||||
|
||||
انضم إلى [خادم ديسكورد الرسمي للذكاء الاصطناعي](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) للقاء وتكوين شبكة علاقات مع متعلمين آخرين يدرسون هذا المساق و للحصول على الدعم.
|
||||
## قابل متعلمين آخرين
|
||||
|
||||
إذا كان لديك ملاحظات على المنتج أو أسئلة أثناء البناء، زور منتدى مطوري [Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
انضم إلى [خادم ديسكورد الرسمي لـ AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) لتلتقي وتتواصل مع متعلمين آخرين يدرسون هذا المساق واحصل على الدعم.
|
||||
|
||||
## الاختبارات
|
||||
إذا كان لديك ملاحظات على المنتج أو أسئلة أثناء البناء، قم بزيارة [منتدى مطوري Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في مجلد Quiz-app ضمن etc\quiz-app، أو [متوفرة عبر الإنترنت هنا](https://ff-quizzes.netlify.app/) وهي مرتبطة من داخل الدروس. يمكن تشغيل تطبيق الاختبار محليًا أو نشره على Azure؛ اتبع التعليمات في مجلد `quiz-app`. يتم تعريبها تدريجياً.
|
||||
## الاختبارات القصيرة
|
||||
|
||||
## نبحث عن مساعدتك
|
||||
> **ملاحظة حول الاختبارات القصيرة**: جميع الاختبارات القصيرة موجودة في مجلد Quiz-app داخل etc\quiz-app، أو [عبر الإنترنت هنا](https://ff-quizzes.netlify.app/) وهي مرتبطة من داخل الدروس، يمكن تشغيل تطبيق الاختبار محليًا أو نشره على Azure؛ اتبع التعليمات في مجلد `quiz-app`. هي قيد الترجمة تدريجيًا.
|
||||
|
||||
هل لديك اقتراحات أو اكتشفت أخطاء إملائية أو برمجية؟ قم بفتح مشكلة أو إنشاء طلب سحب.
|
||||
## نريد المساعدة
|
||||
|
||||
## شكر خاص
|
||||
هل لديك اقتراحات أو وجدت أخطاء إملائية أو برمجية؟ قم بفتح مشكلة أو إنشاء طلب سحب.
|
||||
|
||||
* **✍️ المؤلف الأساسي:** [دميتري سوشنيكوف](http://soshnikov.com)، دكتوراه
|
||||
* **🔥 المحرر:** [جين لوبير](https://twitter.com/jenlooper)، دكتوراه
|
||||
* **🎨 رسام الملاحظات المصورة:** [تومومي إيمورا](https://twitter.com/girlie_mac)
|
||||
* **✅ منشئ الاختبارات:** [لطيفة بيلو](https://github.com/CinnamonXI)، [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 المساهمون الأساسيون:** [إيفجيني بيششيك](https://github.com/Pe4enIks)
|
||||
## شكر خاص
|
||||
|
||||
## مناهج أخرى
|
||||
* **✍️ المؤلف الأساسي:** [دميتري سوشنيكوف](http://soshnikov.com), دكتوراه
|
||||
* **🔥 المحرر:** [جين لووبر](https://twitter.com/jenlooper), دكتوراه
|
||||
* **🎨 رسام المخططات:** [تومومي إيمورا](https://twitter.com/girlie_mac)
|
||||
* **✅ منشئ الاختبارات:** [لاتيفا بيلو](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 المساهمون الأساسيون:** [إيفجيني بيتشيك](https://github.com/Pe4enIks)
|
||||
|
||||
ينتج فريقنا مناهج أخرى! اطلع على:
|
||||
## مناهج أخرى
|
||||
|
||||
فريقنا ينتج مناهج أخرى! تحقق من:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### سلسلة الذكاء الاصطناعي التوليدي
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
---
|
||||
|
||||
### سلسلة الذكاء الاصطناعي التوليدي
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### التعلم الأساسي
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
---
|
||||
|
||||
### التعليم الأساسي
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### سلسلة كوبيلوت
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
---
|
||||
|
||||
### سلسلة المساعد الذكي
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## الحصول على المساعدة
|
||||
## الحصول على المساعدة
|
||||
|
||||
إذا علقت أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي، انضم إلى المتعلمين والزملاء المطورين ذوي الخبرة في مناقشات حول MCP. هي مجتمع داعم حيث الأسئلة مرحب بها والمعرفة تُشارك بحرية.
|
||||
إذا واجهت صعوبة أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي، انضم إلى المتعلمين والمطورين ذوي الخبرة في مناقشات حول MCP. إنها مجتمع داعم حيث تُرحب الأسئلة ويُشارك المعرفة بحرية.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
إذا كان لديك ملاحظات على المنتج أو واجهت أخطاء أثناء البناء زر:
|
||||
إذا كان لديك ملاحظات حول المنتج أو أخطاء أثناء البناء، قم بزيارة:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**إخلاء مسؤولية**:
|
||||
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). على الرغم من أننا نسعى لتحقيق الدقة، يرجى العلم بأن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والموثوق. للمعلومات الحساسة أو الهامة، يوصى بترجمة احترافية من قبل مترجم بشري. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ناتج عن استخدام هذه الترجمة.
|
||||
**إخلاء المسؤولية**:
|
||||
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نحرص على الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والموثوق. بالنسبة للمعلومات الحرجة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-26T07:54:42+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
## الأمان
|
||||
|
||||
تأخذ Microsoft أمان منتجاتنا وخدماتنا البرمجية على محمل الجد، بما في ذلك جميع مستودعات الشيفرة المصدرية التي تُدار من خلال منظماتنا على GitHub، والتي تشمل [Microsoft](https://github.com/Microsoft)، [Azure](https://github.com/Azure)، [DotNet](https://github.com/dotnet)، [AspNet](https://github.com/aspnet)، [Xamarin](https://github.com/xamarin)، و[منظماتنا على GitHub](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T11:16:50+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مدونة قواعد السلوك لمصادر مايكروسوفت المفتوحة
|
||||
|
||||
لقد تبنى هذا المشروع [مدونة قواعد السلوك لمصادر مايكروسوفت المفتوحة](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T11:19:14+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# المساهمة
|
||||
|
||||
هذا المشروع يرحب بالمساهمات والاقتراحات. معظم المساهمات تتطلب منك الموافقة على اتفاقية ترخيص المساهم (CLA) التي تؤكد أنك تمتلك الحق في، وتقوم فعليًا، بمنحنا الحقوق لاستخدام مساهمتك. لمزيد من التفاصيل، قم بزيارة
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T11:20:32+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الذكاء الاصطناعي
|
||||
|
||||
## [مقدمة في الذكاء الاصطناعي](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T11:15:55+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الدعم
|
||||
|
||||
## كيفية الإبلاغ عن المشكلات والحصول على المساعدة
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T11:17:47+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# ساهم بترجمة الدروس
|
||||
|
||||
نرحب بترجمات الدروس في هذا المنهج!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T11:24:30+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الاختبارات
|
||||
|
||||
هذه الاختبارات هي اختبارات ما قبل وبعد المحاضرات لمنهج الذكاء الاصطناعي على الرابط https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:26:52+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# أمثلة سهلة للمبتدئين في الذكاء الاصطناعي
|
||||
|
||||
مرحبًا! يحتوي هذا الدليل على أمثلة بسيطة ومستقلة لمساعدتك على البدء في تعلم الذكاء الاصطناعي وتعلم الآلة. تم تصميم كل مثال ليكون مناسبًا للمبتدئين مع تعليقات مفصلة وشرح خطوة بخطوة.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T11:11:35+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# للمعلمين
|
||||
|
||||
هل ترغب في استخدام هذا المنهج الدراسي في صفك؟ لا تتردد!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T10:59:18+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# كيفية تشغيل الكود
|
||||
|
||||
يتضمن هذا المنهج العديد من الأمثلة التنفيذية والمختبرات التي سترغب في تشغيلها. للقيام بذلك، تحتاج إلى القدرة على تنفيذ كود بايثون في دفاتر Jupyter التي تُقدم كجزء من هذا المنهج. لديك عدة خيارات لتشغيل الكود:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:12:42+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# البدء مع هذا المنهج
|
||||
|
||||
## هل أنت طالب؟
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T20:38:38+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مقدمة في الذكاء الاصطناعي
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T20:39:36+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مسابقة تطوير الألعاب
|
||||
|
||||
الألعاب هي مجال تأثر بشكل كبير بتطورات الذكاء الاصطناعي وتعلم الآلة. في هذه المهمة، اكتب مقالًا قصيرًا عن لعبة تحبها وقد تأثرت بتطور الذكاء الاصطناعي. يجب أن تكون اللعبة قديمة بما يكفي لتكون قد تأثرت بعدة أنواع من أنظمة معالجة الكمبيوتر. مثال جيد هو الشطرنج أو لعبة "جو"، ولكن يمكنك أيضًا النظر إلى ألعاب الفيديو مثل "بونغ" أو "باك مان". اكتب مقالًا يناقش ماضي اللعبة، حاضرها، ومستقبلها مع الذكاء الاصطناعي.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T10:59:34+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تمثيل المعرفة والأنظمة الخبيرة
|
||||
|
||||
|
||||
|
||||
|
||||
> مخطط مرسوم بواسطة [تومومي إيمورا](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
وبالتالي، مشكلة **تمثيل المعرفة** هي إيجاد طريقة فعالة لتمثيل المعرفة داخل الحاسوب في شكل بيانات، لجعلها قابلة للاستخدام تلقائيًا. يمكن رؤية هذا كمجال:
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة بواسطة [دميتري سوشنيكوف](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
كان من أوائل نجاحات الذكاء الاصطناعي الرمزي ما يسمى بـ **الأنظمة الخبيرة** - أنظمة حاسوبية صُممت لتعمل كخبير في مجال مشكلة محدد. كانت تعتمد على **قاعدة معرفة** مستخلصة من خبير واحد أو أكثر، وكانت تحتوي على **محرك استدلال** يقوم ببعض الاستدلالات فوقها.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
الهيكل المبسط للنظام العصبي البشري | بنية نظام قائم على المعرفة
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
كمثال، لننظر في النظام الخبير التالي لتحديد حيوان بناءً على خصائصه الفيزيائية:
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة بواسطة [دميتري سوشنيكوف](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T11:06:38+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# بناء الأنطولوجيا
|
||||
|
||||
بناء قاعدة معرفة يتعلق بتصنيف نموذج يمثل الحقائق حول موضوع معين. اختر موضوعًا - مثل شخص، مكان، أو شيء - ثم قم ببناء نموذج لهذا الموضوع. استخدم بعض التقنيات واستراتيجيات بناء النماذج التي تم وصفها في هذا الدرس. على سبيل المثال، يمكنك إنشاء أنطولوجيا لغرفة معيشة تحتوي على أثاث، أضواء، وما إلى ذلك. كيف تختلف غرفة المعيشة عن المطبخ؟ الحمام؟ كيف تعرف أنها غرفة معيشة وليست غرفة طعام؟ استخدم [Protégé](https://protege.stanford.edu/) لبناء الأنطولوجيا الخاصة بك.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T06:36:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مقدمة في الشبكات العصبية: بيرسيبترون
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/ar/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/ar/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> الصور [من ويكيبيديا](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
حيث f هي دالة تفعيل خطوة
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/ar/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## تدريب بيرسيبترون
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T06:37:38+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التصنيف متعدد الفئات باستخدام Perceptron
|
||||
|
||||
واجب عملي من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T06:36:00+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مقدمة في الشبكات العصبية. الشبكة العصبية متعددة الطبقات
|
||||
|
||||
في القسم السابق، تعلمت عن أبسط نموذج للشبكات العصبية - الشبكة العصبية ذات الطبقة الواحدة، وهو نموذج تصنيف خطي ثنائي الفئات.
|
||||
|
|
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
لاحظ أن الجزء الأيسر من جميع هذه التعبيرات هو نفسه، وبالتالي يمكننا حساب المشتقات بشكل فعال بدءًا من دالة الخسارة والانتقال "للخلف" عبر الرسم البياني الحسابي. لذلك تُسمى طريقة تدريب الشبكة العصبية متعددة الطبقات **الانتشار العكسي** أو 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/ar/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: مصدر الصورة
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-26T10:28:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تصنيف MNIST باستخدام إطار العمل الخاص بنا
|
||||
|
||||
مهمة مختبر من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T06:36:40+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# أطر الشبكات العصبية
|
||||
|
||||
كما تعلمنا بالفعل، لكي نتمكن من تدريب الشبكات العصبية بكفاءة، نحتاج إلى القيام بأمرين:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-26T10:34:53+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التصنيف باستخدام PyTorch/TensorFlow
|
||||
|
||||
مهمة عملية من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:42:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مقدمة في الشبكات العصبية
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T06:32:36+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# مقدمة إلى رؤية الكمبيوتر
|
||||
|
||||
[رؤية الكمبيوتر](https://wikipedia.org/wiki/Computer_vision) هي مجال يهدف إلى تمكين أجهزة الكمبيوتر من فهم الصور الرقمية على مستوى عالٍ. هذا تعريف واسع جدًا، لأن *الفهم* يمكن أن يعني أشياء مختلفة، مثل العثور على كائن في صورة (**اكتشاف الكائنات**)، فهم ما يحدث (**اكتشاف الأحداث**)، وصف الصورة بالنص، أو إعادة بناء مشهد ثلاثي الأبعاد. هناك أيضًا مهام خاصة تتعلق بصور البشر: تقدير العمر والمشاعر، اكتشاف الوجه وتحديد الهوية، وتقدير الوضع ثلاثي الأبعاد، على سبيل المثال.
|
||||
|
|
@ -115,7 +106,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
في هذا المختبر، ستقوم بتسجيل فيديو يحتوي على إيماءات بسيطة، وهدفك هو استخراج الحركات لأعلى/أسفل/يسار/يمين باستخدام التدفق البصري.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="إطار حركة الكف"/>
|
||||
<img src="../../../../../translated_images/ar/palm-movement.341495f0e9c47da3.webp" width="30%" alt="إطار حركة الكف"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-26T09:40:30+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# اكتشاف الحركات باستخدام التدفق البصري
|
||||
|
||||
مهمة مختبر من [منهج الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T06:32:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# أشهر معماريات الشبكات العصبية التلافيفية (CNN)
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ VGG-16 هي شبكة حققت دقة بنسبة 92.7% في تصنيف ImageNet t
|
|||
|
||||
ResNet هي عائلة من النماذج التي اقترحتها Microsoft Research في عام 2015. الفكرة الرئيسية لـ ResNet هي استخدام **الكتل المتبقية**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/ar/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> الصورة من [هذه الورقة البحثية](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ ResNet هي عائلة من النماذج التي اقترحتها Microsoft R
|
|||
|
||||
معمارية Google Inception تأخذ هذه الفكرة خطوة أبعد، وتبني كل طبقة في الشبكة كمزيج من عدة مسارات مختلفة:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/ar/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> الصورة من [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T06:31:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات العصبية الالتفافية
|
||||
|
||||
لقد رأينا سابقًا أن الشبكات العصبية جيدة جدًا في التعامل مع الصور، وحتى الشبكة العصبية ذات الطبقة الواحدة قادرة على التعرف على الأرقام المكتوبة بخط اليد من مجموعة بيانات MNIST بدقة معقولة. ومع ذلك، فإن مجموعة بيانات MNIST مميزة جدًا، حيث يتمركز جميع الأرقام داخل الصورة، مما يجعل المهمة أسهل.
|
||||
|
|
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
على سبيل المثال، إذا قمنا بتطبيق مرشحات الحافة العمودية والحافة الأفقية بحجم 3x3 على أرقام MNIST، يمكننا الحصول على تمييز (مثل القيم العالية) حيث توجد حواف عمودية وأفقية في الصورة الأصلية. وبالتالي يمكن استخدام هذين المرشحين "للبحث عن" الحواف. وبالمثل، يمكننا تصميم مرشحات مختلفة للبحث عن أنماط منخفضة المستوى أخرى:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/ar/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> صورة [مجموعة مرشحات ليونغ-مالك](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:52:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تصنيف وجوه الحيوانات الأليفة
|
||||
|
||||
مهمة مختبر من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T06:32:16+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات المدربة مسبقًا والتعلم بالنقل
|
||||
|
||||
تدريب الشبكات العصبية الالتفافية (CNNs) يمكن أن يستغرق وقتًا طويلًا، ويتطلب كمية كبيرة من البيانات. ومع ذلك، يتم قضاء معظم الوقت في تعلم أفضل المرشحات منخفضة المستوى التي يمكن للشبكة استخدامها لاستخراج الأنماط من الصور. يبرز سؤال طبيعي - هل يمكننا استخدام شبكة عصبية مدربة على مجموعة بيانات واحدة وتكييفها لتصنيف صور مختلفة دون الحاجة إلى عملية تدريب كاملة؟
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-26T09:46:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# حيل تدريب التعلم العميق
|
||||
|
||||
مع ازدياد عمق الشبكات العصبية، يصبح تدريبها أكثر تحديًا. إحدى المشكلات الرئيسية هي ما يُعرف بـ [تلاشي التدرجات](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) أو [انفجار التدرجات](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [هذا المقال](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) يقدم مقدمة جيدة حول هذه المشكلات.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-26T09:52:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تصنيف حيوانات أكسفورد باستخدام التعلم بالنقل
|
||||
|
||||
مهمة عملية من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T06:33:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات العصبية التلقائية (Autoencoders)
|
||||
|
||||
عند تدريب الشبكات العصبية الالتفافية (CNNs)، واحدة من المشاكل هي أننا نحتاج إلى كمية كبيرة من البيانات الموصوفة. في حالة تصنيف الصور، نحتاج إلى فصل الصور إلى فئات مختلفة، وهو جهد يدوي.
|
||||
|
|
@ -46,7 +37,7 @@ VAE هي شبكة تلقائية تتعلم التنبؤ بـ *التوزيع ا
|
|||
* نأخذ عينة `sample` من التوزيع N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* يحاول فك التشفير فك تشفير الصورة الأصلية باستخدام `sample` كمتجه مدخل
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/ar/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> الصورة من [هذه المدونة](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) بواسطة Isaak Dykeman
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ VAE هي شبكة تلقائية تتعلم التنبؤ بـ *التوزيع ا
|
|||
|
||||
ميزة مهمة للشبكات العصبية التلقائية التباينية هي أنها تتيح لنا إنشاء صور جديدة بسهولة نسبية، لأننا نعرف التوزيع الذي يمكننا أخذ عينات منه للمتجهات الكامنة. على سبيل المثال، إذا قمنا بتدريب VAE مع متجه كامن ثنائي الأبعاد على MNIST، يمكننا بعد ذلك تغيير مكونات المتجه الكامن للحصول على أرقام مختلفة:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/ar/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> الصورة بواسطة [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
لاحظ كيف تمتزج الصور مع بعضها البعض، حيث نبدأ في الحصول على متجهات كامنة من أجزاء مختلفة من فضاء المعلمات الكامنة. يمكننا أيضًا تصور هذا الفضاء في بعدين:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/ar/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> الصورة بواسطة [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T06:34:09+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات التوليدية التنافسية
|
||||
|
||||
في القسم السابق، تعلمنا عن **النماذج التوليدية**: وهي نماذج يمكنها إنشاء صور جديدة مشابهة لتلك الموجودة في مجموعة بيانات التدريب. كان VAE مثالًا جيدًا على نموذج توليدي.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
الفكرة الرئيسية لـ GAN هي وجود شبكتين عصبيتين يتم تدريبهما ضد بعضهما البعض:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/ar/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> الصورة بواسطة [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ نظرًا لأن طبقة التلافيف تُنفذ كمرشح خطي يعبر الصورة، فإن التلافيف العكسية تشبه التلافيف ويمكن تنفيذها باستخدام نفس منطق الطبقة.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/ar/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> الصورة بواسطة [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T06:32:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الكشف عن الكائنات
|
||||
|
||||
النماذج التي تعاملنا معها لتصنيف الصور حتى الآن كانت تأخذ صورة وتنتج نتيجة تصنيفية، مثل فئة "الرقم" في مشكلة MNIST. ومع ذلك، في العديد من الحالات، لا نريد فقط معرفة أن الصورة تحتوي على كائنات - بل نريد تحديد موقعها بدقة. وهذا هو الهدف من **الكشف عن الكائنات**.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-26T09:24:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الكشف عن الرؤوس باستخدام مجموعة بيانات Hollywood Heads
|
||||
|
||||
مهمة مختبر من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T06:33:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التجزئة
|
||||
|
||||
لقد تعلمنا سابقًا عن اكتشاف الكائنات، الذي يسمح لنا بتحديد مواقع الكائنات في الصورة من خلال التنبؤ بـ *الصناديق المحيطة*. ومع ذلك، لبعض المهام، لا نحتاج فقط إلى الصناديق المحيطة، بل نحتاج أيضًا إلى تحديد مواقع الكائنات بدقة أكبر. تُعرف هذه المهمة بـ **التجزئة**.
|
||||
|
|
@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
على سبيل المثال، في تجزئة الكائنات، تُعتبر هذه الأغنام كائنات مختلفة، ولكن في التجزئة الدلالية، تُعتبر جميع الأغنام ممثلة بفئة واحدة.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/ar/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> الصورة مأخوذة من [هذه المقالة](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **المشفّر** يستخرج الميزات من الصورة المدخلة.
|
||||
* **المفكّك** يحوّل تلك الميزات إلى **صورة القناع**، بنفس الحجم وعدد القنوات التي تتوافق مع عدد الفئات.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/ar/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> الصورة مأخوذة من [هذا المنشور](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ هذه التقنية مناسبة بشكل خاص لهذا النوع من التصوير الطبي، ولكن ما هي التطبيقات الواقعية الأخرى التي يمكنك تخيلها؟
|
||||
|
||||
<img alt="navi" src="images/navi.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/ar/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> الصورة مأخوذة من قاعدة بيانات PH<sup>2</sup>
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-26T09:11:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تقسيم جسم الإنسان
|
||||
|
||||
مهمة مختبر من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-26T09:02:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# رؤية الحاسوب
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T06:39:15+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تمثيل النصوص كموترات
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
إذا أردنا حل مهام معالجة اللغة الطبيعية (NLP) باستخدام الشبكات العصبية، نحتاج إلى طريقة لتمثيل النصوص كموترات. الحواسيب بالفعل تمثل الأحرف النصية كأرقام تُعرض كخطوط على الشاشة باستخدام ترميزات مثل ASCII أو UTF-8.
|
||||
|
||||
<img alt="صورة تظهر مخططًا يربط الحرف بتمثيل ASCII وثنائي" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="صورة تظهر مخططًا يربط الحرف بتمثيل ASCII وثنائي" src="../../../../../translated_images/ar/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [مصدر الصورة](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
عند حل مهام مثل تصنيف النصوص، نحتاج إلى تمثيل النص بواسطة متجه ثابت الحجم، والذي سنستخدمه كمدخل للمصنف النهائي الكثيف. إحدى أبسط الطرق للقيام بذلك هي دمج جميع تمثيلات الكلمات الفردية، على سبيل المثال، عن طريق جمعها. إذا جمعنا الترميزات الواحد لكل كلمة، سنحصل على متجه ترددات، يظهر عدد مرات ظهور كل كلمة داخل النص. يُعرف هذا التمثيل للنص باسم **حقيبة الكلمات** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/ar/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> صورة من المؤلف
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-26T08:28:19+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# المهمة: دفاتر الملاحظات
|
||||
|
||||
باستخدام دفاتر الملاحظات المرتبطة بهذه الدرس (سواء نسخة PyTorch أو TensorFlow)، قم بتشغيلها مرة أخرى باستخدام مجموعة بيانات خاصة بك، ربما واحدة من Kaggle، مع الإشارة إلى المصدر. أعد كتابة دفتر الملاحظات لتسليط الضوء على استنتاجاتك الخاصة. جرب بعض مجموعات البيانات المبتكرة التي قد تكون مفاجئة، مثل [هذه المجموعة عن مشاهدات الأجسام الطائرة المجهولة](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) من NUFORC.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T06:38:58+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التضمينات
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-26T08:17:32+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# المهمة: دفاتر الملاحظات
|
||||
|
||||
باستخدام دفاتر الملاحظات المرتبطة بهذه الدرس (سواء نسخة PyTorch أو TensorFlow)، قم بإعادة تشغيلها باستخدام مجموعة بيانات خاصة بك، ربما واحدة من Kaggle، مع ذكر المصدر. قم بإعادة كتابة دفتر الملاحظات لتسليط الضوء على استنتاجاتك الخاصة. جرب نوعًا مختلفًا من مجموعات البيانات ووثق استنتاجاتك، باستخدام نصوص مثل [كلمات أغاني البيتلز هذه](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T06:37:21+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# نمذجة اللغة
|
||||
|
||||
التضمينات الدلالية، مثل Word2Vec وGloVe، تُعتبر في الواقع خطوة أولى نحو **نمذجة اللغة** - إنشاء نماذج تفهم (أو تمثل) طبيعة اللغة بطريقة ما.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-26T08:31:32+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# تدريب نموذج Skip-Gram
|
||||
|
||||
مهمة عملية من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T06:38:34+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات العصبية المتكررة
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
تحتوي خلية RNN بسيطة على مصفوفتين وزنيتين داخليًا: واحدة تحول رمز المدخل (دعونا نسميها W)، والأخرى تحول حالة المدخل (H). في هذه الحالة يتم حساب مخرج الشبكة كـ σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b)، حيث σ هي دالة التنشيط وb هو انحياز إضافي.
|
||||
|
||||
<img alt="تشريح خلية RNN" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="تشريح خلية RNN" src="../../../../../translated_images/ar/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> الصورة من إعداد المؤلف
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-26T08:12:36+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# المهمة: دفاتر الملاحظات
|
||||
|
||||
باستخدام دفاتر الملاحظات المرتبطة بهذه الدرس (سواء نسخة PyTorch أو TensorFlow)، قم بإعادة تشغيلها باستخدام مجموعة بيانات خاصة بك، ربما واحدة من Kaggle، مع الإشارة إلى المصدر. أعد كتابة دفتر الملاحظات لتسليط الضوء على استنتاجاتك الخاصة. جرب نوعًا مختلفًا من مجموعات البيانات ووثق استنتاجاتك، باستخدام نصوص مثل [مجموعة بيانات هذه المسابقة على Kaggle حول تغريدات الطقس](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T06:37:06+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات التوليدية
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
عند توليد النصوص (أثناء الاستدلال)، نبدأ ببعض **المحفزات**، التي تمر عبر خلايا RNN لتوليد حالتها الوسيطة، ومن هذه الحالة يبدأ التوليد. نقوم بتوليد حرف واحد في كل مرة، ونمرر الحالة والحرف المُولد إلى خلية RNN أخرى لتوليد الحرف التالي، حتى يتم توليد عدد كافٍ من الحروف.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/ar/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> الصورة بواسطة المؤلف
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-26T08:22:36+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# إنشاء نص على مستوى الكلمات باستخدام الشبكات العصبية المتكررة
|
||||
|
||||
مهمة عملية من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T06:37:33+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# آليات الانتباه ونماذج المحولات
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* تضمين قابل للتدريب، مشابه لتضمين الرموز. هذا هو النهج الذي نعتبره هنا. نطبق طبقات التضمين على كل من الرموز ومواضعها، مما ينتج عنه متجهات تضمين بنفس الأبعاد، والتي نضيفها معًا.
|
||||
* وظيفة تشفير المواضع الثابتة، كما هو مقترح في الورقة الأصلية.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/ar/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> الصورة بواسطة المؤلف
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-26T08:40:29+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# المهمة: المحولات
|
||||
|
||||
جرّب العمل مع المحولات باستخدام HuggingFace! قم بتجربة بعض السكربتات التي يقدمونها للعمل مع النماذج المختلفة المتوفرة على موقعهم: https://huggingface.co/docs/transformers/run_scripts. جرّب أحد مجموعات البيانات الخاصة بهم، ثم قم باستيراد مجموعة بيانات خاصة بك من هذا المنهاج أو من Kaggle، وانظر إذا كان بإمكانك توليد نصوص مثيرة للاهتمام. قم بإعداد دفتر ملاحظات يحتوي على نتائجك.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T06:38:17+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التعرف على الكيانات المسماة
|
||||
|
||||
حتى الآن، كنا نركز بشكل أساسي على مهمة واحدة في معالجة اللغة الطبيعية - التصنيف. ومع ذلك، هناك مهام أخرى يمكن تحقيقها باستخدام الشبكات العصبية. واحدة من هذه المهام هي **[التعرف على الكيانات المسماة](https://wikipedia.org/wiki/Named-entity_recognition)** (NER)، والتي تتعامل مع التعرف على كيانات محددة داخل النص، مثل الأماكن، أسماء الأشخاص، فترات الزمن، الصيغ الكيميائية، وغيرها.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
افترض أنك تريد تطوير روبوت دردشة يعتمد على اللغة الطبيعية، مشابه لـ Amazon Alexa أو Google Assistant. الطريقة التي تعمل بها روبوتات الدردشة الذكية هي *فهم* ما يريده المستخدم من خلال تصنيف النص في الجملة المدخلة. نتيجة هذا التصنيف تُعرف بـ **النية**، والتي تحدد ما يجب أن يقوم به روبوت الدردشة.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/ar/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> الصورة من إعداد المؤلف
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-26T08:49:36+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التعرف على الكيانات المسماة (NER)
|
||||
|
||||
مهمة معملية من [منهج الذكاء الاصطناعي للمبتدئين](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T06:37:59+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# نماذج اللغة الكبيرة المدربة مسبقًا
|
||||
|
||||
في جميع المهام السابقة، كنا نقوم بتدريب شبكة عصبية لأداء مهمة معينة باستخدام مجموعة بيانات مُعلمة. مع النماذج الكبيرة القائمة على المحولات، مثل BERT، نستخدم نمذجة اللغة بطريقة ذاتية الإشراف لبناء نموذج لغة، يتم تخصيصه لاحقًا لمهام محددة من خلال تدريب إضافي خاص بالمجال. ومع ذلك، فقد تم إثبات أن النماذج الكبيرة للغة يمكنها أيضًا حل العديد من المهام دون أي تدريب خاص بالمجال. عائلة النماذج القادرة على القيام بذلك تُسمى **GPT**: المحول المدرب مسبقًا التوليدي.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-26T08:01:26+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# معالجة اللغة الطبيعية
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T06:30:26+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الخوارزميات الجينية
|
||||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T06:31:17+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# التعلم العميق بالتعزيز
|
||||
|
||||
يُعتبر التعلم بالتعزيز (RL) أحد الأسس الرئيسية لنماذج التعلم الآلي، إلى جانب التعلم الموجّه والتعلم غير الموجّه. بينما يعتمد التعلم الموجّه على مجموعة بيانات تحتوي على نتائج معروفة، فإن التعلم بالتعزيز يعتمد على **التعلم من خلال التجربة**. على سبيل المثال، عندما نرى لعبة فيديو لأول مرة، نبدأ باللعب دون معرفة القواعد، وسرعان ما نتمكن من تحسين مهاراتنا فقط من خلال عملية اللعب وتعديل سلوكنا.
|
||||
|
|
@ -34,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
نسخة مبسطة من التوازن تُعرف بمشكلة **CartPole**. في عالم CartPole، لدينا منزلق أفقي يمكنه التحرك يمينًا أو يسارًا، والهدف هو توازن عمود عمودي فوق المنزلق أثناء تحركه.
|
||||
|
||||
<img alt="a cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="a cartpole" src="../../../../../translated_images/ar/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
لإنشاء واستخدام هذه البيئة، نحتاج إلى بضعة أسطر من كود Python:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-26T10:16:23+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
## البيئة
|
||||
|
||||
يتكون بيئة Mountain Car من سيارة محاصرة داخل وادٍ. هدفك هو القفز خارج الوادي والوصول إلى العلم. الإجراءات التي يمكنك القيام بها هي التسارع إلى اليسار، أو إلى اليمين، أو عدم القيام بأي شيء. يمكنك مراقبة موقع السيارة على المحور x، وسرعتها.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T06:30:40+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الأنظمة متعددة الوكلاء
|
||||
|
||||
إحدى الطرق الممكنة لتحقيق الذكاء هي النهج المعروف بـ **الظهور** (أو **التآزر**)، والذي يعتمد على حقيقة أن السلوك المشترك للعديد من الوكلاء البسيطين نسبيًا يمكن أن يؤدي إلى سلوك أكثر تعقيدًا (أو ذكاءً) للنظام ككل. نظريًا، يعتمد هذا على مبادئ [الذكاء الجماعي](https://en.wikipedia.org/wiki/Collective_intelligence)، [الظهورية](https://en.wikipedia.org/wiki/Global_brain)، و[السيبرنتيك التطوري](https://en.wikipedia.org/wiki/Global_brain)، التي تنص على أن الأنظمة ذات المستوى الأعلى تكتسب نوعًا من القيمة المضافة عند دمجها بشكل صحيح من أنظمة ذات مستوى أدنى (ما يسمى *مبدأ الانتقال بين الأنظمة*).
|
||||
|
|
@ -60,7 +51,7 @@ ask turtles [
|
|||
|
||||
الشيء الرائع في NetLogo هو أنه يحتوي على مكتبة من النماذج الجاهزة التي يمكنك تجربتها. انتقل إلى **File → Models Library**، وستجد العديد من الفئات للاختيار من بينها.
|
||||
|
||||
<img alt="مكتبة نماذج NetLogo" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="مكتبة نماذج NetLogo" src="../../../../../translated_images/ar/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> لقطة شاشة لمكتبة النماذج بواسطة Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-26T10:10:53+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# واجب NetLogo
|
||||
|
||||
اختر أحد النماذج من مكتبة NetLogo واستخدمه لمحاكاة موقف من الحياة الواقعية بأكبر قدر ممكن من الدقة. مثال جيد سيكون تعديل نموذج الفيروس الموجود في مجلد Alternative Visualizations لإظهار كيف يمكن استخدامه لنمذجة انتشار فيروس COVID-19. هل يمكنك بناء نموذج يحاكي انتشار فيروس في الحياة الواقعية؟
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-26T07:57:47+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الذكاء الاصطناعي الأخلاقي والمسؤول
|
||||
|
||||
لقد أوشكت على إنهاء هذه الدورة، وآمل أنه بحلول هذه المرحلة أصبحت ترى بوضوح أن الذكاء الاصطناعي يعتمد على عدد من الأساليب الرياضية الرسمية التي تسمح لنا باكتشاف العلاقات في البيانات وتدريب النماذج لتكرار بعض جوانب السلوك البشري. في هذه المرحلة من التاريخ، نعتبر الذكاء الاصطناعي أداة قوية جدًا لاستخراج الأنماط من البيانات وتطبيق تلك الأنماط لحل مشاكل جديدة.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-26T07:57:01+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# نظرة عامة
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-26T10:17:26+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# الشبكات متعددة الوسائط
|
||||
|
||||
بعد نجاح نماذج المحولات (Transformers) في حل مهام معالجة اللغة الطبيعية (NLP)، تم تطبيق نفس البنى أو مشابهة لها على مهام رؤية الحاسوب. هناك اهتمام متزايد ببناء نماذج تجمع بين قدرات الرؤية واللغة الطبيعية. إحدى هذه المحاولات قامت بها OpenAI، وتُعرف بـ CLIP وDALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T10:41:46+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
الإسناد-المشاركة بالمثل 4.0 الدولية
|
||||
|
||||
=======================================================================
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T10:40:21+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
يمكن تنزيل جميع ملاحظات الرسم الخاصة بالمناهج الدراسية من هنا.
|
||||
|
||||
🎨 تم الإنشاء بواسطة: تومومي إيمورا (تويتر: [@girlie_mac](https://twitter.com/girlie_mac)، جيت هب: [girliemac](https://github.com/girliemac))
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:35:28+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# دليل استكشاف الأخطاء وإصلاحها للمبتدئين في الذكاء الاصطناعي
|
||||
|
||||
يساعدك هذا الدليل في حل المشكلات الشائعة التي قد تواجهها أثناء استخدام أو المساهمة في مستودع [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners). يتضمن كل مشكلة خلفية، أعراض، تفسيرات، وحلول خطوة بخطوة.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:13:03+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T01:09:53+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-24T10:09:50+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-24T10:50:16+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-24T10:50:44+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-24T10:51:03+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-24T10:50:04+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-24T10:50:27+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-24T10:51:45+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:27:04+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-24T10:49:17+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T11:02:39+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:14:51+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T20:40:49+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T20:42:00+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T11:02:58+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-24T10:48:25+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T12:32:43+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-31T15:40:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T12:32:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-24T10:40:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T12:33:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-24T10:42:07+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:42:25+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T12:27:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-24T10:32:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T12:27:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T12:27:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:52:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T12:27:35+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-24T10:33:40+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-24T10:34:57+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T12:29:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T12:29:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T12:28:28+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-24T10:29:07+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T12:29:37+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-24T10:26:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-24T10:24:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T12:36:15+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-24T10:16:02+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T12:35:55+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-24T10:14:07+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T12:34:04+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-24T10:16:47+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T12:35:27+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-24T10:13:05+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T12:33:35+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-24T10:15:00+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T12:34:18+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-24T10:19:53+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T12:35:05+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-24T10:22:44+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T12:34:48+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-24T10:11:26+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T12:25:25+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T12:26:31+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-24T10:38:25+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T12:25:42+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-24T10:37:15+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-24T10:10:24+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-24T10:10:14+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-24T10:38:40+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-24T10:43:55+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-24T10:43:11+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "fa"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:35:53+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:13:03+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## نمای کلی پروژه
|
||||
|
|
|
|||
|
|
@ -1,44 +1,36 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-15T11:00:29+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# هوش مصنوعی برای مبتدیان - یک برنامه درسی
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| هوش مصنوعی برای مبتدیان - _سکتنوت توسط [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| هوش مصنوعی برای مبتدیان - _اسکچنوت توسط [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
دنیای **هوش مصنوعی** (AI) را با برنامه ۱۲ هفتهای، ۲۴ درس ما کاوش کنید! این برنامه شامل درسهای عملی، آزمونها و آزمایشگاهها است. برنامه برای مبتدیان مناسب بوده و ابزارهایی مانند TensorFlow و PyTorch، و همچنین اخلاق در هوش مصنوعی را پوشش میدهد.
|
||||
|
||||
جهان **هوش مصنوعی** (AI) را با برنامه درسی ۱۲ هفتهای و ۲۴ درس ما کشف کنید! این شامل درسهای عملی، آزمونها و آزمایشگاهها است. این برنامه برای مبتدیان مناسب است و ابزارهایی مانند TensorFlow و PyTorch و همچنین اخلاق در هوش مصنوعی را پوشش میدهد.
|
||||
|
||||
### 🌐 پشتیبانی چندزبانه
|
||||
|
||||
#### پشتیبانی شده از طریق GitHub Action (خودکار و همیشه بهروز)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاری](../bg/README.md) | [برمهای (میانمار)](../my/README.md) | [چینی (ساده شده)](../zh/README.md) | [چینی (سنتی، هنگکنگ)](../hk/README.md) | [چینی (سنتی، ماکائو)](../mo/README.md) | [چینی (سنتی، تایوان)](../tw/README.md) | [کرواسی](../hr/README.md) | [چکی](../cs/README.md) | [دانمارکی](../da/README.md) | [هلندی](../nl/README.md) | [استونیایی](../et/README.md) | [فنلاندی](../fi/README.md) | [فرانسوی](../fr/README.md) | [آلمانی](../de/README.md) | [یونانی](../el/README.md) | [عبری](../he/README.md) | [هندی](../hi/README.md) | [مجارستانی](../hu/README.md) | [اندونزیایی](../id/README.md) | [ایتالیایی](../it/README.md) | [ژاپنی](../ja/README.md) | [کانادایی](../kn/README.md) | [کرهای](../ko/README.md) | [لیتوانیایی](../lt/README.md) | [مالایی](../ms/README.md) | [مالایالام](../ml/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پیدگین نیجریهای](../pcm/README.md) | [نروژی](../no/README.md) | [فارسی (پرشین)](./README.md) | [لهستانی](../pl/README.md) | [پرتغالی (برزیل)](../br/README.md) | [پرتغالی (پرتغال)](../pt/README.md) | [پنجابی (گورمخّی)](../pa/README.md) | [رومانیایی](../ro/README.md) | [روسی](../ru/README.md) | [صربی (سیریلیک)](../sr/README.md) | [اسلواکی](../sk/README.md) | [اسلوونیایی](../sl/README.md) | [اسپانیایی](../es/README.md) | [سواحیلی](../sw/README.md) | [سوئدی](../sv/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [تامیلی](../ta/README.md) | [تلگو](../te/README.md) | [تایلندی](../th/README.md) | [ترکی](../tr/README.md) | [اوکراینی](../uk/README.md) | [اردو](../ur/README.md) | [ویتنامی](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](./README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **ترجیح میدهید به صورت محلی کلون کنید؟**
|
||||
|
||||
> این مخزن شامل بیش از ۵۰ ترجمه زبانی است که به طور قابل توجهی حجم دانلود را افزایش میدهد. برای کلون کردن بدون ترجمهها، از sparse checkout استفاده کنید:
|
||||
> این مخزن شامل بیش از ۵۰ ترجمه زبان است که حجم دانلود را به طور قابل توجهی افزایش میدهد. برای کلون بدون ترجمهها، از sparse checkout استفاده کنید:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
|
|
@ -47,102 +39,103 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
> این به شما همه چیز لازم برای کامل کردن دوره را با دانلود بسیار سریعتر میدهد.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**اگر مایل به پشتیبانی از زبانهای ترجمه اضافی هستید فهرست آنها در [اینجا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) موجود است**
|
||||
**اگر مایلید زبانهای ترجمهی بیشتری پشتیبانی شود، در اینجا لیست شدهاند [اینجا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## به جامعه بپیوندید
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## آنچه خواهید آموخت
|
||||
## چه چیزی خواهید آموخت
|
||||
|
||||
**[نقشه ذهنی دوره](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
در این برنامه درسی، شما خواهید آموخت:
|
||||
در این برنامه درسی، خواهید آموخت:
|
||||
|
||||
* رویکردهای مختلف به هوش مصنوعی، از جمله روش نمادین «کلاسیک» با **نمایش دانش** و استدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **شبکههای عصبی** و **یادگیری عمیق**، که هسته هوش مصنوعی مدرن هستند. ما مفاهیم پشت این موضوعات مهم را با استفاده از کد در دو چارچوب محبوب - [TensorFlow](http://Tensorflow.org) و [PyTorch](http://pytorch.org) نشان خواهیم داد.
|
||||
* **معماریهای عصبی** برای کار با تصاویر و متن. ما مدلهای جدید را پوشش خواهیم داد اما ممکن است کمی از پیشرفتهترین مدلها عقب باشیم.
|
||||
* رویکردهای کمتر محبوب هوش مصنوعی، مانند **الگوریتمهای ژنتیکی** و **سیستمهای چندعاملی**.
|
||||
* رویکردهای مختلف به هوش مصنوعی، از جمله رویکرد "نمادین قدیمی" با **نمایش دانش** و استدلال ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **شبکههای عصبی** و **یادگیری عمیق**، که در هستهٔ هوش مصنوعی مدرن قرار دارند. مفاهیم پشت این موضوعات مهم را با استفاده از کد در دو چارچوب محبوب - [TensorFlow](http://Tensorflow.org) و [PyTorch](http://pytorch.org) نشان میدهیم.
|
||||
* **معماریهای عصبی** برای کار با تصویر و متن. مدلهای جدید را پوشش میدهیم اما ممکن است کمی از جدیدترینهای حوزه عقب باشیم.
|
||||
* رویکردهای کمتر شناخته شده هوش مصنوعی، مانند **الگوریتمهای ژنتیک** و **سیستمهای چندعامله**.
|
||||
|
||||
آنچه در این برنامه درسی پوشش داده نمیشود:
|
||||
آنچه در این برنامه درسی پوشش نمیدهیم:
|
||||
|
||||
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [تمام منابع اضافی این دوره را در مجموعه Learn مایکروسافت ما بیابید](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* موارد تجاری استفاده از **هوش مصنوعی در کسب و کار**. به یادگیری مسیر [مقدمهای بر هوش مصنوعی برای کاربران کسبوکار](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) در Microsoft Learn، یا [مدرسه کسبوکار هوش مصنوعی](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) که با همکاری [INSEAD](https://www.insead.edu/) توسعه یافته است، فکر کنید.
|
||||
* **یادگیری ماشین کلاسیک** که در برنامه درسی [یادگیری ماشین برای مبتدیان](http://github.com/Microsoft/ML-for-Beginners) ما به خوبی شرح داده شده است.
|
||||
* کاربردهای عملی هوش مصنوعی ساخته شده با استفاده از **[سرویسهای شناختی](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. برای این منظور، ما پیشنهاد میکنیم با ماژولهای Microsoft Learn برای [بینایی](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، [پردازش زبان طبیعی](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، **[هوش مصنوعی مولد با سرویس Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** و دیگر موارد آغاز کنید.
|
||||
* چارچوبهای خاص ابری ML مانند [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum)، [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) یا [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). استفاده از مسیرهای یادگیری [ساخت و اجرای راهحلهای یادگیری ماشین با Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) و [ساخت و اجرای راهحلهای یادگیری ماشین با Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) را در نظر داشته باشید.
|
||||
* **هوش مصنوعی مکالمهای** و **چتباتها**. یک مسیر یادگیری جداگانه [ساخت راهحلهای هوش مصنوعی مکالمهای](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) وجود دارد، و همچنین میتوانید به [این پست وبلاگ](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) برای جزئیات بیشتر مراجعه کنید.
|
||||
* **ریاضیات عمیق** پشت یادگیری عمیق. برای این منظور، ما کتاب [یادگیری عمیق](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) نوشته ایان گودفلو، یوشوا بنجیو و آرون کورویل را توصیه میکنیم که به صورت آنلاین نیز در [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) موجود است.
|
||||
* موارد کسبوکار استفاده از **هوش مصنوعی در کسبوکار**. در نظر بگیرید مسیر یادگیری [مقدمهای بر هوش مصنوعی برای کاربران کسبوکار](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) را در Microsoft Learn، یا [مدرسه کسبوکار AI](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) که با همکاری [INSEAD](https://www.insead.edu/) توسعه یافته است.
|
||||
* **یادگیری ماشین کلاسیک** که در [برنامه یادگیری ماشین برای مبتدیان](http://github.com/Microsoft/ML-for-Beginners) به خوبی شرح داده شده است.
|
||||
* برنامههای عملی هوش مصنوعی ساخته شده با استفاده از **[خدمات شناختی](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. برای این منظور، توصیه میکنیم با ماژولهای Microsoft Learn برای [دید](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)، [پردازش زبان طبیعی](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)، **[هوش مصنوعی مولد با سرویس Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** و دیگران شروع کنید.
|
||||
* چارچوبهای ابری خاص یادگیری ماشین، مانند [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum)، [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum)، یا [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). به استفاده از مسیرهای یادگیری [ساخت و راهاندازی راهحلهای یادگیری ماشین با Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) و [ساخت و راهاندازی راهحلهای یادگیری ماشین با Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) فکر کنید.
|
||||
* **هوش مصنوعی گفتگویی** و **چت باتها**. یک مسیر یادگیری جداگانه به نام [ایجاد راهحلهای هوش مصنوعی گفتگویی](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) وجود دارد، و همچنین میتوانید به [این پست وبلاگی](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) برای جزئیات بیشتر مراجعه کنید.
|
||||
* **ریاضیات عمیق** پشت یادگیری عمیق. برای این منظور، کتاب [یادگیری عمیق](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) نوشته ایان گودفلو، یوشوا بنگیو و آرون کورویل را پیشنهاد میکنیم که به صورت آنلاین نیز در [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) موجود است.
|
||||
|
||||
برای معرفی ملایم به موضوعات _هوش مصنوعی ابری_ ممکن است مسیر یادگیری [شروع با هوش مصنوعی در Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) را دنبال کنید.
|
||||
برای معرفی ملایم به مباحث _هوش مصنوعی در فضای ابری_ میتوانید مسیر یادگیری [شروع با هوش مصنوعی در Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) را دنبال کنید.
|
||||
|
||||
# محتوا
|
||||
|
||||
| | لینک درس | PyTorch/Keras/TensorFlow | آزمایشگاه |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [شروع دوره](./lessons/0-course-setup/setup.md) | [راهاندازی محیط توسعه](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [تنظیم دوره](./lessons/0-course-setup/setup.md) | [تنظیم محیط توسعه خود](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**مقدمهای بر هوش مصنوعی**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [مقدمه و تاریخچه هوش مصنوعی](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **هوش مصنوعی نمادین** |
|
||||
| 02 | [نمایش دانش و سیستمهای خبره](./lessons/2-Symbolic/README.md) | [سیستمهای خبره](./lessons/2-Symbolic/Animals.ipynb) / [انتولوژی](./lessons/2-Symbolic/FamilyOntology.ipynb) /[گراف مفهوم](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [نمایش دانش و سیستمهای خبره](./lessons/2-Symbolic/README.md) | [سیستمهای خبره](./lessons/2-Symbolic/Animals.ipynb) / [آنتولوژی](./lessons/2-Symbolic/FamilyOntology.ipynb) /[گراف مفهومی](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**مقدمهای بر شبکههای عصبی**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [پرسپترون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفترچه نوتبوک](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [آزمایشگاه](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [پرسپترون چندلایه و ساخت فریمورک خودمان](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفترچه نوتبوک](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [آزمایشگاه](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [مقدمهای بر فریمورکها (PyTorch/TensorFlow) و اورفیتینگ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [پایتورچ](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [کرَس](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [تنسرفلو](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [آزمایشگاه](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**بینایی کامپیوتری**](./lessons/4-ComputerVision/README.md) | [پایتورچ](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [تنسرفلو](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [کاوش بینایی کامپیوتری در مایکروسافت آژور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمهای بر بینایی کامپیوتری. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [دفترچه نوتبوک](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [شبکههای عصبی پیچشی](./lessons/4-ComputerVision/07-ConvNets/README.md) و [معماریهای CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [پایتورچ](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[تنسرفلو](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [شبکههای پیشآموزش داده شده و یادگیری انتقالی](./lessons/4-ComputerVision/08-TransferLearning/README.md) و [ترفندهای آموزش](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [پایتورچ](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [تنسرفلو](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [اتو انکدرها و VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [پایتورچ](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [تنسرفلو](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [شبکههای همترازی مولد و انتقال سبک هنری](./lessons/4-ComputerVision/10-GANs/README.md) | [پایتورچ](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [تنسرفلو](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [کشف اشیاء](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [تنسرفلو](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [بخشبندی معنایی. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [پایتورچ](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [تنسرفلو](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**پردازش زبان طبیعی**](./lessons/5-NLP/README.md) | [پایتورچ](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[تنسرفلو](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [کاوش پردازش زبان طبیعی در مایکروسافت آژور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [نمایش متن. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [پایتورچ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [تنسرفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [جاسازی معنایی کلمات. Word2Vec و GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [پایتورچ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [تنسرفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [مدلسازی زبان. آموزش جاسازیهای خود](./lessons/5-NLP/15-LanguageModeling/README.md) | [پایتورچ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [تنسرفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [آزمایشگاه](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [شبکههای عصبی بازگشتی](./lessons/5-NLP/16-RNN/README.md) | [پایتورچ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [تنسرفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [شبکههای بازگشتی مولد](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [پایتورچ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [تنسرفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [آزمایشگاه](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ترانسفورمرها. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [پایتورچ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[تنسرفلو](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [شناسایی موجودیتهای نامدار](./lessons/5-NLP/19-NER/README.md) | [تنسرفلو](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [آزمایشگاه](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [مدلهای زبان بزرگ، برنامهنویسی پرامپت و تسکهای چندنمونهای](./lessons/5-NLP/20-LangModels/README.md) | [پایتورچ](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 03 | [پرسپترون](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفترچه یادداشت](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [آزمایشگاه](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [پرسپترون چندلایه و ایجاد چارچوب خودمان](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفترچه یادداشت](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [آزمایشگاه](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [مقدمهای بر چارچوبها (PyTorch/TensorFlow) و بیشبرازش](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [آزمایشگاه](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**بینایی کامپیوتری**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [کشف بینایی کامپیوتری در مایکروسافت آزور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمهای بر بینایی کامپیوتری. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [دفترچه یادداشت](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [شبکههای عصبی کانولوشنی](./lessons/4-ComputerVision/07-ConvNets/README.md) & [معماریهای CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [شبکههای پیش آموزش دیده و یادگیری انتقالی](./lessons/4-ComputerVision/08-TransferLearning/README.md) و [ترفندهای آموزش](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [اتو انکودرها و VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [شبکههای تولیدی رقابتی و انتقال سبک هنری](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [شناسایی اشیا](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [آزمایشگاه](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [بخشبندی معنایی. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**پردازش زبان طبیعی**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [کشف پردازش زبان طبیعی در مایکروسافت آزور](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [نمایش متن. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [تعبیههای معنایی کلمات. Word2Vec و GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [مدلسازی زبان. آموزش تعبیههای خود](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [آزمایشگاه](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [شبکههای عصبی بازگشتی](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [شبکههای بازگشتی مولد](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [آزمایشگاه](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ترنسفورمرها. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [شناسایی موجودیتهای نامبرده شده](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [آزمایشگاه](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [مدلهای زبان بزرگ، برنامهنویسی پرامپت و وظایف کمنمونه](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **تکنیکهای دیگر هوش مصنوعی** || |
|
||||
| 21 | [الگوریتمهای ژنتیک](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفترچه نوتبوک](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [یادگیری تقویتی عمیق](./lessons/6-Other/22-DeepRL/README.md) | [پایتورچ](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[تنسرفلو](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [آزمایشگاه](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [سامانههای چندعامله](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 21 | [الگوریتمهای ژنتیک](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفترچه یادداشت](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [یادگیری تقویتی عمیق](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [آزمایشگاه](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [سیستمهای چندعاملی](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **اخلاق هوش مصنوعی** | | |
|
||||
| 24 | [اخلاق هوش مصنوعی و هوش مصنوعی مسئولانه](./lessons/7-Ethics/README.md) | [مایکروسافت لرن: اصول هوش مصنوعی مسئولانه](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **موارد اضافی** | | |
|
||||
| 25 | [شبکههای چندمودالی، CLIP و VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفترچه نوتبوک](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 24 | [اخلاق هوش مصنوعی و هوش مصنوعی مسئولانه](./lessons/7-Ethics/README.md) | [Microsoft Learn: اصول هوش مصنوعی مسئولانه](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **افزونهها** | | |
|
||||
| 25 | [شبکههای چندوجهی، CLIP و VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفترچه یادداشت](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## هر درس شامل
|
||||
|
||||
* مطالب پیشخوانی
|
||||
* دفاتر جویپایتر قابل اجرا، که اغلب مخصوص فریمورک (**پایتورچ** یا **تنسرفلو**) هستند. دفترچه قابل اجرا همچنین شامل مقدار زیادی مطلب نظری است، بنابراین برای درک موضوع باید حداقل یک نسخه از دفترچه را دنبال کنید (یا پایتورچ یا تنسرفلو).
|
||||
* **آزمایشگاهها** برای برخی موضوعات در دسترس هستند که به شما فرصت میدهند مواد یادگرفته شده را در یک مسئله خاص به کار ببرید.
|
||||
* برخی بخشها شامل لینک به ماژولهای [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) هستند که موضوعات مرتبط را پوشش میدهند.
|
||||
* مطالب پیشمطالعهای
|
||||
* دفترچههای یادداشت اجرایی Jupyter که اغلب مخصوص چارچوب خاصی هستند (**PyTorch** یا **TensorFlow**). دفترچه یادداشت اجرایی همچنین شامل مقدار زیادی مطالب نظری است، بنابراین برای درک موضوع باید حداقل یک نسخه از دفترچه را (چه PyTorch و چه TensorFlow) مرور کنید.
|
||||
* **آزمایشگاه** برای برخی موضوعات که به شما فرصت میدهد مهارتهایی را که آموختهاید در یک مسئله خاص اعمال کنید.
|
||||
* برخی بخشها شامل لینکهایی به ماژولهای [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) هستند که موضوعات مرتبط را پوشش میدهند.
|
||||
|
||||
## شروع به کار
|
||||
|
||||
### 🎯 تازهوارد به هوش مصنوعی؟ از اینجا شروع کنید!
|
||||
### 🎯 تازه وارد هوش مصنوعی هستید؟ از اینجا شروع کنید!
|
||||
|
||||
اگر کاملاً به هوش مصنوعی تازهوارد هستید و به دنبال مثالهای سریع و عملی هستید، نمونههای [**مناسب مبتدیها**](./examples/README.md) را بررسی کنید! این موارد شامل:
|
||||
اگر کاملاً تازهکار در هوش مصنوعی هستید و به دنبال مثالهای سریع و عملی میگردید، [**مثالهای دوستانه برای مبتدیان**](./examples/README.md) ما را بررسی کنید! این شامل موارد زیر است:
|
||||
|
||||
- 🌟 **سلام جهان هوش مصنوعی** - اولین برنامه هوش مصنوعی شما (شناسایی الگو)
|
||||
- 🧠 **شبکه عصبی ساده** - ساخت شبکه عصبی از ابتدا
|
||||
- 🖼️ **دستهبند تصویر** - طبقهبندی تصاویر با توضیحات دقیق
|
||||
- 💬 **احساس متن** - تحلیل متن مثبت/منفی
|
||||
- 🌟 **سلام دنیای هوش مصنوعی** - اولین برنامه هوش مصنوعی شما (شناسایی الگو)
|
||||
- 🧠 **شبکه عصبی ساده** - ساخت یک شبکه عصبی از صفر
|
||||
|
||||
این مثالها برای کمک به شما در درک مفاهیم هوش مصنوعی قبل از ورود به برنامه درسی کامل طراحی شدهاند.
|
||||
- 🖼️ **دستهبندی تصاویر** - دستهبندی تصاویر با توضیحات دقیق
|
||||
- 💬 **احساسات متن** - تحلیل متون مثبت/منفی
|
||||
|
||||
### 📚 تنظیم برنامه درسی کامل
|
||||
این مثالها برای کمک به درک مفاهیم هوش مصنوعی قبل از شروع آموزش کامل طراحی شدهاند.
|
||||
|
||||
- ما یک [درس تنظیم](./lessons/0-course-setup/setup.md) ایجاد کردهایم تا به شما در راهاندازی محیط توسعه کمک کند. - برای آموزشدهندگان، ما نیز یک [درس تنظیم برنامه درسی](./lessons/0-course-setup/for-teachers.md) ایجاد کردهایم!
|
||||
- چگونه [کد را در VSCode یا Codespace اجرا کنیم](./lessons/0-course-setup/how-to-run.md)
|
||||
### 📚 راهاندازی دوره کامل
|
||||
|
||||
- ما یک [درس راهاندازی](./lessons/0-course-setup/setup.md) برای کمک به آمادهسازی محیط توسعه شما ایجاد کردهایم. - برای مدرسان نیز یک [درس راهاندازی دورهها](./lessons/0-course-setup/for-teachers.md) فراهم کردهایم!
|
||||
- چگونگی [اجرای کد در VSCode یا Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
این مراحل را دنبال کنید:
|
||||
|
||||
مخزن را فورک کنید: روی دکمه «Fork» در گوشه بالا سمت راست این صفحه کلیک کنید.
|
||||
مخزن را فورک کنید: روی دکمه «Fork» در گوشه بالای سمت راست این صفحه کلیک کنید.
|
||||
|
||||
مخزن را کلون کنید: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
|
|
@ -150,83 +143,83 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## ملاقات با سایر یادگیرندگان
|
||||
|
||||
به [سرور رسمی دیسکورد AI ما](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) بپیوندید تا با سایر یادگیرندگانی که این دوره را میگذرانند آشنا شوید و شبکهسازی کنید و پشتیبانی دریافت کنید.
|
||||
به [سرور دیسکورد رسمی هوش مصنوعی ما](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) بپیوندید تا با دیگر یادگیرندگانی که این دوره را میگذرانند آشنا شوید و شبکهسازی کنید و پشتیبانی بگیرید.
|
||||
|
||||
اگر بازخورد محصول یا سوال در حین ساخت دارید به [انجمن توسعهدهندگان Azure AI Foundry](https://aka.ms/foundry/forum) مراجعه کنید.
|
||||
اگر بازخورد محصول یا سوالی هنگام ساخت دارید به [انجمن توسعهدهندگان Azure AI Foundry](https://aka.ms/foundry/forum) مراجعه کنید.
|
||||
|
||||
## آزمونها
|
||||
|
||||
> **نکتهای درباره آزمونها**: همه آزمونها در پوشه Quiz-app در etc\quiz-app قرار دارند، یا [به صورت آنلاین اینجا](https://ff-quizzes.netlify.app/) قابل دسترسی هستند. اینها از داخل دروس لینک شدهاند و اپلیکیشن آزمون میتواند به صورت محلی اجرا شود یا در Azure مستقر گردد؛ دستورالعملها را در پوشه `quiz-app` دنبال کنید. آنها به تدریج بومیسازی میشوند.
|
||||
> **نکتهای درباره آزمونها**: همه آزمونها در پوشه Quiz-app در مسیر etc\quiz-app قرار دارند، یا به صورت آنلاین در [اینجا](https://ff-quizzes.netlify.app/) موجود هستند. این آزمونها از داخل درسها به آنها لینک شدهاند. برنامه آزمون میتواند به صورت محلی اجرا شده یا به Azure منتقل شود؛ دستورالعملها را در پوشه `quiz-app` دنبال کنید. این آزمونها به تدریج بومیسازی میشوند.
|
||||
|
||||
## درخواست کمک
|
||||
|
||||
آیا پیشنهاد یا خطای املایی یا کد پیدا کردهاید؟ یک issue باز کنید یا pull request بسازید.
|
||||
آیا پیشنهادی دارید یا خطاهای املایی یا برنامه را پیدا کردهاید؟ یک issue ایجاد کنید یا pull request ارسال نمایید.
|
||||
|
||||
## تشکر ویژه
|
||||
|
||||
* **✍️ نویسنده اصلی:** [دیمیتری سوشنیکوف](http://soshnikov.com)، دکترای علوم
|
||||
* **🔥 ویراستار:** [جن لوپر](https://twitter.com/jenlooper)، دکترای علوم
|
||||
* **🎨 تصویرگر اسکچنوت:** [تومومی ایمورا](https://twitter.com/girlie_mac)
|
||||
* **✅ سازنده آزمون:** [لتیفه بلا](https://github.com/CinnamonXI)، [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 مشارکتکنندگان اصلی:** [اوگنی پیچچیک](https://github.com/Pe4enIks)
|
||||
* **✍️ نویسنده اصلی:** [Dmitry Soshnikov](http://soshnikov.com)، دکتری
|
||||
* **🔥 ویراستار:** [Jen Looper](https://twitter.com/jenlooper)، دکتری
|
||||
* **🎨 تصویرگر اسکچنوت:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ سازنده آزمون:** [Lateefah Bello](https://github.com/CinnamonXI)، [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 مشارکتکنندگان اصلی:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## برنامههای درسی دیگر
|
||||
## دورههای دیگر
|
||||
|
||||
تیم ما برنامههای درسی دیگری تولید میکند! بررسی کنید:
|
||||
تیم ما دورههای دیگری هم تولید میکند! ببینید:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### سری هوش مصنوعی مولد
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### سری هوش مصنوعی مولد
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### یادگیری هستهای
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### یادگیری پایه
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### سری کپايلوت
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### سری Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## دریافت کمک
|
||||
|
||||
اگر در ساخت برنامههای هوش مصنوعی به مشکل خوردید یا سوالی داشتید به همراه دیگر یادگیرندگان و توسعهدهندگان با تجربه در بحثهای MCP شرکت کنید. این یک جامعه حمایتکننده است که سوالات پذیرفته میشوند و دانش به طور آزاد به اشتراک گذاشته میشود.
|
||||
اگر گیر کردهاید یا سوالی درباره ساخت اپلیکیشنهای هوش مصنوعی دارید، به بحثها با سایر یادگیرندگان و توسعهدهندگان باتجربه درباره MCP بپیوندید. این یک جامعه حمایتی است که سوالات پذیرفته میشوند و دانش بهصورت آزاد به اشتراک گذاشته میشود.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
اگر هنگام ساخت بازخورد محصول یا خطا داشتید مراجعه کنید به:
|
||||
اگر بازخورد محصول یا خطایی هنگام ساخت دارید، مراجعه کنید به:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**سلب مسئولیت**:
|
||||
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است دارای خطا یا نقصهایی باشند. سند اصلی به زبان بومی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفهای انسانی توصیه میشود. ما مسئول هرگونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه نیستیم.
|
||||
**سلب مسئولیت**:
|
||||
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما برای دقت تلاش میکنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطا یا نادرستی باشند. سند اصلی به زبان بومی آن باید منبع معتبر محسوب شود. برای اطلاعات حیاتی، توصیه میشود از ترجمه حرفهای انسانی استفاده نمایید. ما مسئول هیچ گونه سوء تفاهم یا تفسیر نادرستی که از استفاده این ترجمه ناشی شود، نمیباشیم.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-24T10:09:50+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
## امنیت
|
||||
|
||||
مایکروسافت امنیت محصولات و خدمات نرمافزاری خود را جدی میگیرد، که شامل تمامی مخازن کد منبع مدیریتشده از طریق سازمانهای GitHub ما میشود، از جمله [Microsoft](https://github.com/Microsoft)، [Azure](https://github.com/Azure)، [DotNet](https://github.com/dotnet)، [AspNet](https://github.com/aspnet)، [Xamarin](https://github.com/xamarin) و [سازمانهای GitHub ما](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-24T10:50:16+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# منشور رفتار کد متنباز مایکروسافت
|
||||
|
||||
این پروژه منشور رفتار کد متنباز مایکروسافت را پذیرفته است. [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-24T10:50:44+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مشارکت
|
||||
|
||||
این پروژه از مشارکتها و پیشنهادات استقبال میکند. بیشتر مشارکتها نیاز دارند که شما با یک توافقنامه مجوز مشارکتکننده (CLA) موافقت کنید که اعلام میکند شما حق دارید و واقعاً این حق را به ما میدهید که از مشارکت شما استفاده کنیم. برای جزئیات بیشتر، به https://cla.microsoft.com مراجعه کنید.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-24T10:51:03+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# هوش مصنوعی
|
||||
|
||||
## [مقدمهای بر هوش مصنوعی](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-24T10:50:04+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# پشتیبانی
|
||||
|
||||
## نحوه ثبت مشکلات و دریافت کمک
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-24T10:50:27+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مشارکت با ترجمه درسها
|
||||
|
||||
ما از ترجمه درسهای این دوره آموزشی استقبال میکنیم!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-24T10:51:45+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# آزمونها
|
||||
|
||||
این آزمونها شامل آزمونهای قبل و بعد از جلسات آموزشی برای برنامه درسی هوش مصنوعی در https://aka.ms/ai-beginners هستند.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:27:04+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مثالهای هوش مصنوعی برای مبتدیان
|
||||
|
||||
خوش آمدید! این فهرست شامل مثالهای ساده و مستقل است که به شما کمک میکند با هوش مصنوعی و یادگیری ماشین شروع کنید. هر مثال به گونهای طراحی شده که برای مبتدیان مناسب باشد و شامل توضیحات گامبهگام و نظرات دقیق است.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-24T10:49:17+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# برای معلمان
|
||||
|
||||
آیا دوست دارید از این برنامه درسی در کلاس خود استفاده کنید؟ لطفاً با خیال راحت این کار را انجام دهید!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T11:02:39+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# چگونه کد را اجرا کنیم
|
||||
|
||||
این برنامه آموزشی حاوی مثالها و آزمایشهای قابل اجرا زیادی است که احتمالاً میخواهید اجرا کنید. برای انجام این کار، باید توانایی اجرای کد پایتون در دفترچههای Jupyter ارائه شده به عنوان بخشی از این برنامه آموزشی را داشته باشید. چند گزینه برای اجرای کد دارید:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:14:51+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# شروع به کار با این برنامه آموزشی
|
||||
|
||||
## آیا شما دانشجو هستید؟
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T20:40:49+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مقدمهای بر هوش مصنوعی
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T20:42:00+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# جام بازی
|
||||
|
||||
بازیها یکی از حوزههایی هستند که به شدت تحت تأثیر پیشرفتهای هوش مصنوعی و یادگیری ماشین قرار گرفتهاند. در این تکلیف، یک مقاله کوتاه درباره یک بازی که دوست دارید و تحت تأثیر تکامل هوش مصنوعی قرار گرفته است بنویسید. این بازی باید به اندازه کافی قدیمی باشد تا تحت تأثیر چندین نوع سیستم پردازش کامپیوتری قرار گرفته باشد. یک مثال خوب میتواند شطرنج یا گو باشد، اما همچنین به بازیهای ویدیویی مانند پونگ یا پکمن نیز نگاهی بیندازید. مقالهای بنویسید که گذشته، حال و آینده هوش مصنوعی در این بازی را مورد بحث قرار دهد.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T11:02:58+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# نمایش دانش و سیستمهای خبره
|
||||
|
||||
|
||||
|
||||
|
||||
> اسکچنوت توسط [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
بنابراین، مسئله **نمایش دانش** یافتن روش موثری برای نمایش دانش درون رایانه به شکل داده است تا به صورت خودکار قابل استفاده باشد. این را میتوان به صورت یک طیف دید:
|
||||
|
||||
|
||||
|
||||
|
||||
> تصویر توسط [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Python | نحو بلاک | تورفتگی
|
|||
|
||||
یکی از موفقیتهای اولیه هوش مصنوعی نمادین، سیستمهای خبره نام داشتند - سیستمهای کامپیوتری که برای عمل کردن به عنوان کارشناس در حوزههای محدود طراحی شده بودند. آنها بر پایه **پایگاه دانش** استخراج شده از یک یا چند متخصص انسانی ساخته شده بودند و دارای **موتور استنتاج** بودند که روی آن مقداری استدلال انجام میداد.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
ساختار سادهشده سیستم عصبی انسان | معماری سیستم مبتنی بر دانش
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Python | نحو بلاک | تورفتگی
|
|||
|
||||
به عنوان مثال، سیستم خبره زیر را در نظر بگیرید که حیوانی را بر اساس ویژگیهای فیزیکیاش تعیین میکند:
|
||||
|
||||
|
||||
|
||||
|
||||
> تصویر توسط [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-24T10:48:25+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# ساخت یک هستیشناسی
|
||||
|
||||
ساخت یک پایگاه دانش به معنای دستهبندی مدلی است که حقایق مربوط به یک موضوع را نشان میدهد. یک موضوع انتخاب کنید - مانند یک شخص، مکان یا چیز - و سپس مدلی از آن موضوع بسازید. از برخی تکنیکها و استراتژیهای مدلسازی که در این درس توضیح داده شدهاند استفاده کنید. به عنوان مثال، میتوانید یک هستیشناسی از یک اتاق نشیمن با مبلمان، چراغها و موارد دیگر ایجاد کنید. اتاق نشیمن چگونه با آشپزخانه متفاوت است؟ با حمام؟ چگونه تشخیص میدهید که این اتاق نشیمن است و نه اتاق غذاخوری؟ از [Protégé](https://protege.stanford.edu/) برای ساخت هستیشناسی خود استفاده کنید.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T12:32:43+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مقدمهای بر شبکههای عصبی: پرسپترون
|
||||
|
||||
## [پیشآزمون](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/fa/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/fa/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> تصاویر [از ویکیپدیا](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
که در آن f یک تابع فعالسازی پلهای است.
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/fa/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## آموزش پرسپترون
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-31T15:40:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# طبقهبندی چندکلاسه با پرسپترون
|
||||
|
||||
تمرین آزمایشگاهی از [برنامه درسی هوش مصنوعی برای مبتدیان](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T12:32:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مقدمهای بر شبکههای عصبی. پرسپترون چندلایه
|
||||
|
||||
در بخش قبلی، شما با سادهترین مدل شبکه عصبی - پرسپترون تکلایه، که یک مدل طبقهبندی خطی دوکلاسه است، آشنا شدید.
|
||||
|
|
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
توجه داشته باشید که بخش سمت چپ همه این عبارات یکسان است و بنابراین میتوان مشتقها را به طور مؤثر از تابع خطا شروع کرده و "به عقب" از طریق گراف محاسباتی محاسبه کرد. بنابراین روش آموزش پرسپترون چندلایه **پسانتشار** یا 'backprop' نامیده میشود.
|
||||
|
||||
<img alt="گراف محاسباتی" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="گراف محاسباتی" src="../../../../../translated_images/fa/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: ذکر منبع تصویر
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-24T10:40:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# طبقهبندی MNIST با چارچوب خودمان
|
||||
|
||||
تکلیف آزمایشگاهی از [برنامه درسی هوش مصنوعی برای مبتدیان](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T12:33:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# چارچوبهای شبکه عصبی
|
||||
|
||||
همانطور که قبلاً یاد گرفتیم، برای اینکه بتوانیم شبکههای عصبی را به طور مؤثر آموزش دهیم، باید دو کار انجام دهیم:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-24T10:42:07+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# طبقهبندی با PyTorch/TensorFlow
|
||||
|
||||
تکلیف آزمایشگاهی از [برنامه درسی AI for Beginners](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:42:25+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مقدمهای بر شبکههای عصبی
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T12:27:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مقدمهای بر بینایی کامپیوتر
|
||||
|
||||
[بینایی کامپیوتر](https://wikipedia.org/wiki/Computer_vision) شاخهای از علوم است که هدف آن این است که کامپیوترها بتوانند درک سطح بالایی از تصاویر دیجیتال داشته باشند. این تعریف بسیار گسترده است، زیرا *درک* میتواند معانی مختلفی داشته باشد، از جمله پیدا کردن یک شیء در تصویر (**تشخیص شیء**)، فهمیدن اینکه چه اتفاقی در حال رخ دادن است (**تشخیص رویداد**)، توصیف یک تصویر به صورت متنی، یا بازسازی یک صحنه به صورت سهبعدی. همچنین وظایف خاصی مرتبط با تصاویر انسانی وجود دارد: تخمین سن و احساسات، تشخیص و شناسایی چهره، و تخمین وضعیت سهبعدی، تنها چند نمونه از این وظایف هستند.
|
||||
|
|
@ -117,7 +108,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
در این آزمایشگاه، شما یک ویدئو با حرکات ساده ضبط خواهید کرد و هدف شما استخراج حرکات بالا/پایین/چپ/راست با استفاده از جریان نوری است.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="فریم حرکت کف دست"/>
|
||||
<img src="../../../../../translated_images/fa/palm-movement.341495f0e9c47da3.webp" width="30%" alt="فریم حرکت کف دست"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-24T10:32:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# تشخیص حرکات با استفاده از Optical Flow
|
||||
|
||||
تمرین آزمایشگاهی از [برنامه درسی AI برای مبتدیان](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T12:27:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# معماریهای معروف شبکههای عصبی کانولوشنی (CNN)
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ VGG-16 یک شبکه است که در سال ۲۰۱۴ به دقت ۹۲.۷٪ در
|
|||
|
||||
ResNet خانوادهای از مدلها است که توسط Microsoft Research در سال ۲۰۱۵ پیشنهاد شد. ایده اصلی ResNet استفاده از **بلوکهای باقیمانده (residual blocks)** است:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/fa/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> تصویر از [این مقاله](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ ResNet خانوادهای از مدلها است که توسط Microsoft R
|
|||
|
||||
معماری Google Inception این ایده را یک قدم جلوتر میبرد و هر لایه شبکه را بهعنوان ترکیبی از چندین مسیر مختلف میسازد:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/fa/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> تصویر از [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T12:27:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# شبکههای عصبی کانولوشنی
|
||||
|
||||
قبلاً دیدهایم که شبکههای عصبی در پردازش تصاویر بسیار خوب عمل میکنند، حتی یک پرسپترون تکلایه قادر است با دقت قابل قبولی ارقام دستنویس مجموعه داده MNIST را تشخیص دهد. با این حال، مجموعه داده MNIST بسیار خاص است و تمام ارقام در مرکز تصویر قرار دارند، که این کار را سادهتر میکند.
|
||||
|
|
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
به عنوان مثال، اگر فیلترهای لبه عمودی و افقی ۳x۳ را به ارقام MNIST اعمال کنیم، میتوانیم نقاط برجسته (مانند مقادیر بالا) را در جایی که لبههای عمودی و افقی در تصویر اصلی وجود دارند، دریافت کنیم. بنابراین این دو فیلتر میتوانند برای "جستجوی" لبهها استفاده شوند. به همین ترتیب، میتوانیم فیلترهای مختلفی طراحی کنیم تا به دنبال سایر الگوهای سطح پایین بگردیم:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/fa/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> تصویر از [بانک فیلتر لئونگ-مالیک](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:52:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# طبقهبندی چهره حیوانات خانگی
|
||||
|
||||
تکلیف آزمایشگاهی از [برنامه درسی AI برای مبتدیان](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T12:27:35+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# شبکههای از پیش آموزشدیده و یادگیری انتقالی
|
||||
|
||||
آموزش شبکههای عصبی کانولوشنی (CNN) میتواند زمان زیادی ببرد و به دادههای زیادی نیاز دارد. با این حال، بخش زیادی از زمان صرف یادگیری بهترین فیلترهای سطح پایین میشود که یک شبکه میتواند برای استخراج الگوها از تصاویر استفاده کند. یک سؤال طبیعی این است که آیا میتوانیم از یک شبکه عصبی که روی یک مجموعه داده آموزش دیده است استفاده کنیم و آن را برای طبقهبندی تصاویر متفاوت بدون نیاز به فرآیند کامل آموزش تطبیق دهیم؟
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-24T10:33:40+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# ترفندهای آموزش یادگیری عمیق
|
||||
|
||||
با عمیقتر شدن شبکههای عصبی، فرآیند آموزش آنها چالشبرانگیزتر میشود. یکی از مشکلات اصلی، مسئلهی [گرادیانهای ناپدیدشونده](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) یا [گرادیانهای انفجاری](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) است. [این مطلب](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) مقدمهی خوبی برای این مشکلات ارائه میدهد.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-24T10:34:57+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# طبقهبندی حیوانات خانگی آکسفورد با استفاده از یادگیری انتقالی
|
||||
|
||||
تکلیف آزمایشگاهی از [برنامه درسی هوش مصنوعی برای مبتدیان](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue