chore(i18n): sync translations with latest source changes (chunk 64/148, 40 files)
This commit is contained in:
localizeflow[bot]
parent
ac2b993542
commit
8c519d5ea5
|
|
@ -1,70 +1,71 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-24T22:51:12+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T10:12:28+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/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](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://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# الذكاء الاصطناعي للمبتدئين - منهج دراسي
|
||||
# Artificial Intelligence for Beginners - A Curriculum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _ملاحظة مرسومة بواسطة [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI For Beginners - _مخطط مصور بواسطة [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
استكشف عالم **الذكاء الاصطناعي** (AI) من خلال منهجنا الذي يمتد 12 أسبوعًا ويحتوي على 24 درسًا! يشمل دروسًا عملية، واختبارات، ومعامل. المنهج مناسب للمبتدئين ويغطي أدوات مثل TensorFlow و PyTorch، بالإضافة إلى أخلاقيات الذكاء الاصطناعي
|
||||
|
||||
اكتشف عالم **الذكاء الاصطناعي** (AI) مع منهجنا الدراسي الممتد على 12 أسبوعًا ويتضمن 24 درسًا! يشمل ذلك دروسًا عملية، اختبارات ومختبرات. المنهج مناسب للمبتدئين ويغطي أدوات مثل TensorFlow و PyTorch، بالإضافة إلى أخلاقيات الذكاء الاصطناعي
|
||||
|
||||
### 🌐 دعم متعدد اللغات
|
||||
|
||||
#### مدعوم عبر إجراء GitHub (آلي ومحدّث دائمًا)
|
||||
#### مدعوم عبر GitHub Action (مؤتمت ومحدث دائمًا)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[العربية](./README.md) | [البنغالية](../bn/README.md) | [البلغارية](../bg/README.md) | [البورمية (ميانمار)](../my/README.md) | [الصينية (مبسطة)](../zh/README.md) | [الصينية (تقليدية، هونغ كونغ)](../hk/README.md) | [الصينية (تقليدية، ماكاو)](../mo/README.md) | [الصينية (تقليدية، تايوان)](../tw/README.md) | [الكرواتية](../hr/README.md) | [التشيكية](../cs/README.md) | [الدانماركية](../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) | [الكانّادا](../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) | [البيجين النيجيري](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية (الفارسي)](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../br/README.md) | [البرتغالية (البرتغال)](../pt/README.md) | [البنجابية (جورموخي)](../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 (مبسطة)](../zh/README.md) | [الصينية (تقليدية، هونغ كونغ)](../hk/README.md) | [الصينية (تقليدية، ماكاو)](../mo/README.md) | [الصينية (تقليدية، 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) | [الكنادية](../kn/README.md) | [الكورية](../ko/README.md) | [الليتوانية](../lt/README.md) | [الماليزية](../ms/README.md) | [المالايالامية](../ml/README.md) | [الماراثية](../mr/README.md) | [النيبالية](../ne/README.md) | [البيجن النيجيرية](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية (Farsi)](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../br/README.md) | [البرتغالية (البرتغال)](../pt/README.md) | [البنجابية (Gurmukhi)](../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) | [التاغالوغية (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)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**إذا رغبت في إضافة لغات ترجمة إضافية، اللغات المدعومة مذكورة [هنا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**إذا رغبت في إضافة لغات ترجمة إضافية، فالقائمة 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)
|
||||
|
||||
## ماذا ستتعلم
|
||||
## ما الذي ستتعلمه
|
||||
|
||||
**[خريطة ذهنية للدورة](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[خريطة ذهنية للمقرر](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
في هذا المنهج ستتعلم:
|
||||
في هذا المنهج، ستتعلم:
|
||||
|
||||
* نهجًا مختلفة في الذكاء 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**، اللذان يقعان في جوهر الذكاء الاصطناعي الحديث. سنوضح المفاهيم وراء هذه المواضيع المهمة باستخدام شيفرة في اثنين من أكثر الأُطر شعبية - [TensorFlow](http://Tensorflow.org) و [PyTorch](http://pytorch.org).
|
||||
* **العمـاريات العصبية** للعمل مع الصور والنصوص. سنغطي النماذج الحديثة لكن قد نكون ناقصين بعض الشيء فيما يتعلق بأحدث ما توصلت إليه الأبحاث.
|
||||
* نهجًا أقل شيوعًا في الذكاء الاصطناعي، مثل **الخوارزميات الجينية** و**أنظمة متعددة الوكلاء**.
|
||||
* مناهج 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**، اللذان يشكلان جوهر الذكاء الاصطناعي الحديث. سنوضح المفاهيم الأساسية لهذه المواضيع الهامة باستخدام الشيفرة في اثنين من أكثر الأطر شعبية - [TensorFlow](http://Tensorflow.org) و [PyTorch](http://pytorch.org).
|
||||
* **البنى العصبية** للعمل مع الصور والنصوص. سنغطي النماذج الحديثة ولكن قد تكون ناقصة قليلاً فيما يتعلق بأحدث ما توصلت إليه الأبحاث.
|
||||
* مناهج أقل شيوعًا في الذكاء الاصطناعي، مثل **الخوارزميات الجينية** و**أنظمة الوكلاء المتعددين**.
|
||||
|
||||
ما لن نغطيه في هذا المنهج:
|
||||
ما الذي 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)
|
||||
|
||||
* حالات الأعمال لاستخدام **الذكاء الاصطناعي في الأعمال**. ضع في اعتبارك أخذ 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 الأعمال للذكاء الاصطناعي](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)، المطورة بالتعاون مع [INSEAD](https://www.insead.edu/).
|
||||
* **التعلم الآلي الكلاسيكي**، وهو موصوف جيدًا في [منهجنا التعليمي للتعلم الآلي للمبتدئين](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* تطبيقات الذكاء الاصطناعي العملية المبنية باستخدام **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. لهذا، نوصي أن تبدأ بالوحدات على Microsoft Learn الخاصة بـ [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 Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** وغيرها.
|
||||
* **أُطر سحابية محددة لتعلم الآلة**، 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). فكّر في استخدام مسارات التعلم [بناء وتشغيل حلول تعلم الآلة 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 تعلم الآلة 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**روبوتات الدردشة**. هناك مسار تعلم منفصل [إنشاء حلول الذكاء الاصطناعي الحواري](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.
|
||||
* **الرياضية العميقة** وراء التعلم العميق. لهذا، نوصي بكتاب [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) من تأليف Ian Goodfellow و Yoshua Bengio و Aaron Courville، والمتاح أيضًا عبر الإنترنت على [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* حالات استخدام **الذكاء الاصطناعي في الأعمال**. ضع في اعتبارك اتباع 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)، المطورة بالتعاون مع [INSEAD](https://www.insead.edu/).
|
||||
* **التعلم الآلي الكلاسيكي**، الذي وُصف جيدًا في منهجنا [منهج التعلم الآلي للمبتدئين](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* تطبيقات الذكاء الاصطناعي العملية المبنية باستخدام **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. لهذا، نوصي بأن تبدأ بالوحدات على Microsoft Learn الخاصة بـ [الرؤية](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 Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** وغيرها.
|
||||
* أطر عمل سحابية محددة لتعلم الآلة، 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**الدردشة الآلية**. هناك مسار تعلم منفصل [إنشاء حلول الذكاء الاصطناعي الحواري](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum)، ويمكنك أيضًا الرجوع إلى [هذا المنشور في المدونة](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 Ian Goodfellow و Yoshua Bengio و Aaron Courville، والمتاح أيضًا عبر الإنترنت على [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
كمقدمة سلسة لموضوعات _الذكاء الاصطناعي في السحابة_ يمكنك التفكير في أخذ مسار التعلم [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).
|
||||
للمقدمة الودية إلى مواضيع _الذكاء الاصطناعي في السحابة_ قد تفكر في أخذ مسار التعلم [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).
|
||||
|
||||
# المحتوى
|
||||
|
||||
|
|
@ -72,92 +73,92 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 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 | [المقدمة وتاريخ 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) / [الأنطولوجيا](./lessons/2-Symbolic/FamilyOntology.ipynb) /[مخطط المفاهيم](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [تمثيل المعرفة وأنظمة الخبراء](./lessons/2-Symbolic/README.md) | [أنظمة الخبراء](./lessons/2-Symbolic/Animals.ipynb) / [الأونتولوجيا](./lessons/2-Symbolic/FamilyOntology.ipynb) /[مخطط المفاهيم](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**مقدمة في الشبكات العصبية**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [برسيبترون](./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 | [برسيبترون متعدد الطبقات وإنشاء إطار عمل خاص 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 في أُطر العمل (PyTorch/TensorFlow) والافراط في التعلّم](./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 | [**رؤية الحاسوب**](./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 رؤية الحاسوب على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 03 | [البرسبترون](./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 | [البرسبترون متعدد الطبقات وإنشاء إطار عمل خاص 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 في الأُطر (PyTorch/TensorFlow) وفرط التكيّف](./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 | [**رؤية الحاسوب**](./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)| [استكشف رؤية الحاسوب على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [مقدمة في رؤية الحاسوب. 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 الالتفافية](./lessons/4-ComputerVision/07-ConvNets/README.md) & [هياكل شبكات 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 مسبقاً والتعلّم بالنقل](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [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 | [المشفرات التلقائية وVAEs](./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) |
|
||||
| 07 | [الشبكات العصبية الالتفافية](./lessons/4-ComputerVision/07-ConvNets/README.md) & [بُنى 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 والتعلّم بالنقل](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [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 | [المرمّزات الذاتية وVAEs](./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 العدائية 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 الكائنات](./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 | [التقسيم الدلالي. 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 اللغة 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 اللغة الطبيعية على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [تمثيل النص. 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 | [تمثيلات كلمات دلالية. Word2Vec وGloVe](./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 تمثيلات كلمات خاصة 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) |
|
||||
| V | [**معالجة اللغة 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) | [استكشف معالجة اللغة الطبيعية على Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [تمثيل النص. حقيبة الكلمات/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 | [التضمينات الدلالية للكلمات. Word2Vec وGloVe](./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 تضميناتك الخاصة](./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) |
|
||||
| 17 | [الشبكات التوليدية المتكررة](./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 | [المحوّلات. 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 الموجهات ومهمات التعلم القليل الأمثلة](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 19 | [التعرّف 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 لغوية كبيرة، برمجة الموجهات ومهام القليل من الأمثلة](./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 | [خوارزميات جينية](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفتر ملاحظات](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [التعلّم التعزيزي 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) |
|
||||
| 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) | | |
|
||||
| VII | **أخلاقيات الذكاء الاصطناعي** | | |
|
||||
| 24 | [أخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول](./lessons/7-Ethics/README.md) | [Microsoft Learn: 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 الوسائط، CLIP وVQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر ملاحظات](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [الشبكات متعددة الوسائط، CLIP و VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر ملاحظات](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## كل درس يحتوي على
|
||||
## يحتوي كل درس على
|
||||
|
||||
* مواد للقراءة المسبقة
|
||||
* دفاتر Jupyter قابلة للتنفيذ، والتي غالبًا ما تكون خاصة بإطار العمل (**PyTorch** أو **TensorFlow**). يتضمن دفتر الملاحظات القابل للتنفيذ أيضًا الكثير من المواد النظرية، لذا لفهم الموضوع تحتاج إلى مراجعة إصدار واحد على الأقل من الدفتر (إما PyTorch أو TensorFlow).
|
||||
* **المختبرات** متاحة لبعض المواضيع، والتي تمنحك 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 مواضيع ذات صلة.
|
||||
* دفاتر Jupyter القابلة للتنفيذ، والتي غالبًا ما تكون خاصة بإطار العمل (**PyTorch** أو **TensorFlow**). يحتوي دفتر الملاحظات القابل للتنفيذ أيضًا على الكثير من المادة النظرية، لذلك لفهم الموضوع تحتاج إلى الاطلاع على إصدار واحد على الأقل من الدفتر (إما PyTorch أو TensorFlow).
|
||||
* **المختبرات** متاحة لبعض المواضيع، والتي تمنحك فرصة لتطبيق 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 هنا!
|
||||
### 🎯 جديد في الذكاء الاصطناعي؟ ابدأ من هنا!
|
||||
|
||||
إذا كنت جديدًا تمامًا على الذكاء الاصطناعي وتريد أمثلة عملية وسريعة، اطّلع على [**أمثلة مناسبة للمبتدئين**](./examples/README.md)! وتتضمن هذه:
|
||||
إذا كنت جديدًا تمامًا على الذكاء الاصطناعي وتريد أمثلة سريعة وتطبيقية، اطلع على [**أمثلة مناسبة للمبتدئين**](./examples/README.md)! تتضمن هذه الأمثلة:
|
||||
|
||||
- 🌟 **Hello AI World** - برنامج الذكاء الاصطناعي الأول لك (التعرّف على الأنماط)
|
||||
- 🧠 **Simple Neural Network** - بناء شبكة عصبية من الصفر
|
||||
- 🖼️ **Image Classifier** - تصنيف الصور مع تعليقات مفصّلة
|
||||
- 🌟 **مرحبًا عالم الذكاء الاصطناعي** - برنامجك الأول في الذكاء الاصطناعي (التعرف على الأنماط)
|
||||
- 🧠 **شبكة عصبية بسيطة** - ابْنِ شبكة عصبية من الصفر
|
||||
- 🖼️ **مُصنّف صور** - صنّف الصور بتعليقات مفصّلة
|
||||
- 💬 **تحليل مشاعر النص** - تحليل النص الإيجابي/السلبي
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 إعداد المنهج الكامل
|
||||
|
||||
- لقد أنشأنا [درس الإعداد](./lessons/0-course-setup/setup.md) لمساعدتك في إعداد بيئة التطوير الخاصة بك. - للمربين، لقد أنشأنا أيضًا [درس إعداد المناهج](./lessons/0-course-setup/for-teachers.md) من أجلكم!
|
||||
- لقد أنشأنا درس [درس الإعداد](./lessons/0-course-setup/setup.md) لمساعدتك في إعداد بيئة التطوير الخاصة بك. - للمعلمين، لقد أنشأنا أيضًا درس [إعداد المناهج](./lessons/0-course-setup/for-teachers.md) من أجلك!
|
||||
- كيفية [تشغيل الكود في VSCode أو Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
اتبع الخطوات التالية:
|
||||
Follow these steps:
|
||||
|
||||
Fork the Repository: قم بعمل Fork للمستودع: انقر على زر "Fork" في الزاوية اليمنى العليا من هذه الصفحة.
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
لا تنسَ أن تضيف نجمة (🌟) لهذا المستودع لتجده بسهولة لاحقًا.
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
|
||||
## التعرّف على متعلمين آخرين
|
||||
## قابل متعلمين آخرين
|
||||
|
||||
انضم إلى [خادم Discord الرسمي للذكاء الاصطناعي](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) للتعرّف والتواصل مع متعلمين آخرين الذين يتابعون هذه الدورة والحصول على الدعم.
|
||||
انضم إلى [خادم Discord الرسمي للذكاء الاصطناعي](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) للتعارف وبناء شبكة مع متعلمين آخرين يأخذون هذه الدورة والحصول على الدعم.
|
||||
|
||||
إذا كان لديك ملاحظات حول المنتج أو أسئلة أثناء عملية البناء، قم بزيارة [منتدى مطوري Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
إذا كان لديك ملاحظات عن المنتج أو أسئلة أثناء البناء قم بزيارة منتدى مطوري [Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
## الاختبارات
|
||||
|
||||
> **ملاحظة حول الاختبارات**: كل الاختبارات موجودة في مجلد Quiz-app في etc\quiz-app، أو [متاحة عبر الإنترنت هنا](https://ff-quizzes.netlify.app/) يتم ربطها من داخل الدروس ويمكن تشغيل تطبيق الاختبار محليًا أو نشره على Azure؛ اتبع التعليمات في مجلد `quiz-app`. يتم توطينها تدريجيًا.
|
||||
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في مجلد Quiz-app في etc\quiz-app، أو [متاحة عبر الإنترنت هنا](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## مطلوب المساعدة
|
||||
## مطلوب مساعدة
|
||||
|
||||
هل لديك اقتراحات أو وجدت أخطاء إملائية أو في الكود؟ ارفع مشكلة أو أنشئ طلب سحب.
|
||||
هل لديك اقتراحات أو وجدت أخطاء إملائية أو في الشيفرة؟ ارفع Issue أو أنشئ Pull Request.
|
||||
|
||||
## شكر خاص
|
||||
|
||||
* **✍️ المؤلف الرئيسي:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 المحرر:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 رسام الملاحظات التخطيطية:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ منشئ الاختبار:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🔥 المحرّر:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 رسام السكيتش نوت:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ منشئ الاختبارات:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 المساهمون الأساسيون:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## مناهج أخرى
|
||||
|
|
@ -171,7 +172,7 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / الوكلاء
|
||||
### 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)
|
||||
|
|
@ -188,7 +189,7 @@ Our team produces other curricula! Check out:
|
|||
---
|
||||
|
||||
### التعلم الأساسي
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](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)
|
||||
|
|
@ -201,14 +202,14 @@ Our team produces other curricula! Check out:
|
|||
### سلسلة 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)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## الحصول على المساعدة
|
||||
|
||||
إذا علقت أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي، انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في مناقشات حول MCP. إنه مجتمع داعم حيث تُرحّب الأسئلة وتُشارك المعرفة بحرية.
|
||||
إذا واجهت عائقًا أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي، انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في المناقشات حول MCP. إنها مجتمع داعم حيث تُرحب بالأسئلة وتُشارك المعرفة بحرية.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
إذا كان لديك ملاحظات عن المنتج أو أخطاء أثناء البناء، قم بزيارة:
|
||||
|
||||
|
|
@ -217,6 +218,6 @@ Our team produces other curricula! Check out:
|
|||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
إخلاء مسؤولية:
|
||||
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق به. للمعلومات الحرجة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
|
||||
إخلاء المسؤولية:
|
||||
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator (https://github.com/Azure/co-op-translator). بينما نسعى إلى الدقة، يرجى ملاحظة أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق به. بالنسبة للمعلومات الحساسة أو الحرجة، يُستحسن الاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ينشأ عن استخدام هذه الترجمة.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# مقدمة في الذكاء الاصطناعي
|
||||
|
||||
|
||||
|
||||
|
||||
> رسم توضيحي بواسطة [تومومي إيمورا](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
في الأصل، اخترع [تشارلز باباج](https://en.wikipedia.org/wiki/Charles_Babbage) أجهزة الكمبيوتر لتعمل على الأرقام وفقًا لإجراءات محددة - وهو ما يُعرف بالخوارزمية. وعلى الرغم من أن أجهزة الكمبيوتر الحديثة أكثر تقدمًا بكثير من النموذج الأصلي الذي اقترح في القرن التاسع عشر، إلا أنها لا تزال تتبع نفس فكرة العمليات المحسوبة. وبالتالي، يمكن برمجة الكمبيوتر للقيام بشيء ما إذا كنا نعرف التسلسل الدقيق للخطوات التي نحتاج إلى القيام بها لتحقيق الهدف.
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة بواسطة [فيكي سوشنيكوفا](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
إحدى المشكلات عند التعامل مع مصطلح **[الذكاء](https://en.wikipedia.org/wiki/Intelligence)** هي أنه لا يوجد تعريف واضح لهذا المصطلح. يمكن للمرء أن يجادل بأن الذكاء مرتبط بـ **التفكير المجرد** أو بـ **الإدراك الذاتي**، لكننا لا نستطيع تعريفه بشكل صحيح.
|
||||
|
||||
|
||||
|
||||
|
||||
> [صورة](https://unsplash.com/photos/75715CVEJhI) بواسطة [Amber Kipp](https://unsplash.com/@sadmax) من Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> | ماذا عن التعلم الآلي؟ | |
|
||||
> |--------------|-----------|
|
||||
> | جزء من الذكاء الاصطناعي يعتمد على تعلم الكمبيوتر لحل مشكلة بناءً على بعض البيانات يُعرف بـ **التعلم الآلي**. لن نناقش التعلم الآلي التقليدي في هذه الدورة - نوجهك إلى منهج منفصل [التعلم الآلي للمبتدئين](http://aka.ms/ml-beginners). |  |
|
||||
> | جزء من الذكاء الاصطناعي يعتمد على تعلم الكمبيوتر لحل مشكلة بناءً على بعض البيانات يُعرف بـ **التعلم الآلي**. لن نناقش التعلم الآلي التقليدي في هذه الدورة - نوجهك إلى منهج منفصل [التعلم الآلي للمبتدئين](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## لمحة تاريخية عن الذكاء الاصطناعي
|
||||
|
||||
بدأ الذكاء الاصطناعي كمجال في منتصف القرن العشرين. في البداية، كان النهج السائد هو الاستدلال الرمزي، وقد أدى إلى عدد من النجاحات المهمة، مثل الأنظمة الخبيرة - برامج الكمبيوتر التي كانت قادرة على العمل كخبير في بعض المجالات المحدودة. ومع ذلك، سرعان ما أصبح واضحًا أن هذا النهج لا يتوسع بشكل جيد. استخراج المعرفة من خبير، تمثيلها في الكمبيوتر، والحفاظ على قاعدة المعرفة دقيقة تبين أنه مهمة معقدة للغاية ومكلفة للغاية لتكون عملية في العديد من الحالات. أدى ذلك إلى ما يُعرف بـ [شتاء الذكاء الاصطناعي](https://en.wikipedia.org/wiki/AI_winter) في السبعينيات.
|
||||
|
||||
<img alt="لمحة تاريخية عن الذكاء الاصطناعي" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.ar.png" width="70%"/>
|
||||
<img alt="لمحة تاريخية عن الذكاء الاصطناعي" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.ar.png" width="70%"/>
|
||||
|
||||
> صورة بواسطة [ديمتري سوشنيكوف](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* المساعدون الحديثون، مثل Cortana، Siri أو Google Assistant، جميعهم أنظمة هجينة تستخدم الشبكات العصبية لتحويل الكلام إلى نص والتعرف على نيتنا، ثم تستخدم بعض الاستدلال أو الخوارزميات الصريحة لتنفيذ الإجراءات المطلوبة.
|
||||
* في المستقبل، قد نتوقع نموذجًا كاملًا يعتمد على الشبكات العصبية للتعامل مع الحوار بنفسه. تظهر عائلة الشبكات العصبية الحديثة GPT و[Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) نجاحًا كبيرًا في هذا المجال.
|
||||
|
||||
<img alt="تطور اختبار تورينغ" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.ar.png" width="70%"/>
|
||||
<img alt="تطور اختبار تورينغ" src="../../../../translated_images/turing-test-evol.4184696701293ead.ar.png" width="70%"/>
|
||||
> صورة بواسطة دميتري سوشنيكوف، [الصورة](https://unsplash.com/photos/r8LmVbUKgns) بواسطة [مارينا أبروسيموفا](https://unsplash.com/@abrosimova_marina_foto)، Unsplash
|
||||
|
||||
## أبحاث الذكاء الاصطناعي الحديثة
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"في هذا المثال، سنقوم بتنفيذ نظام بسيط قائم على المعرفة لتحديد الحيوان بناءً على بعض الخصائص الفيزيائية. يمكن تمثيل النظام بشجرة AND-OR التالية (هذه جزء من الشجرة الكاملة، ويمكننا بسهولة إضافة المزيد من القواعد):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# تمثيل المعرفة وأنظمة الخبراء
|
||||
|
||||
|
||||
|
||||
|
||||
> رسم توضيحي بواسطة [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
لذلك، مشكلة **تمثيل المعرفة** هي إيجاد طريقة فعالة لتمثيل المعرفة داخل الكمبيوتر في شكل بيانات، لجعلها قابلة للاستخدام تلقائيًا. يمكن النظر إلى هذا على أنه طيف:
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة بواسطة [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Python | بناء الكتل | التراجع
|
|||
|
||||
أحد النجاحات المبكرة للذكاء الاصطناعي الرمزي كانت ما يسمى بـ **أنظمة الخبراء** - أنظمة كمبيوتر مصممة للعمل كخبير في مجال مشكلة محدودة. كانت تعتمد على **قاعدة معرفة** مستخرجة من خبير أو أكثر من البشر، وتحتوي على **محرك استنتاج** يقوم ببعض الاستنتاجات بناءً عليها.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
هيكل مبسط للنظام العصبي البشري | هيكل نظام قائم على المعرفة
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Python | بناء الكتل | التراجع
|
|||
|
||||
كمثال، دعونا نأخذ نظام خبير لتحديد الحيوان بناءً على خصائصه الفيزيائية:
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة بواسطة [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1256,7 +1256,7 @@
|
|||
"* خسارة تدريب منخفضة - يمكن للنموذج تقريب بيانات التدريب بشكل جيد لأنه يمتلك قوة تعبيرية كافية.\n",
|
||||
"* يمكن أن تكون خسارة التحقق أعلى بكثير من خسارة التدريب وقد تبدأ في الزيادة أثناء التدريب - وهذا لأن النموذج \"يحفظ\" نقاط التدريب ويفقد \"الصورة العامة\".\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> في هذه الصورة، `x` تمثل بيانات التدريب، و`o` تمثل بيانات التحقق. على اليسار - نموذج خطي (طبقة واحدة)، يقترب بشكل جيد من طبيعة البيانات. على اليمين - نموذج مفرط في التخصيص، يقترب بشكل مثالي من بيانات التدريب، لكنه يفقد المعنى مع أي بيانات أخرى (خطأ التحقق مرتفع جدًا).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
لننظر إلى المشكلة التالية لتقريب 5 نقاط (ممثلة بـ `x` على الرسوم البيانية أدناه):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**نموذج خطي، 2 معلمات** | **نموذج غير خطي، 7 معلمات**
|
||||
خطأ التدريب = 5.3 | خطأ التدريب = 0
|
||||
|
|
@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
كما ترى من الرسم البياني أعلاه، يمكن اكتشاف الإفراط في التكيف من خلال خطأ تدريب منخفض جدًا وخطأ تحقق عالي. عادةً أثناء التدريب، سنرى كلا من أخطاء التدريب والتحقق تبدأ في الانخفاض، ثم في مرحلة ما قد يتوقف خطأ التحقق عن الانخفاض ويبدأ في الارتفاع. سيكون هذا علامة على الإفراط في التكيف، ومؤشرًا على أنه يجب علينا على الأرجح التوقف عن التدريب في هذه المرحلة (أو على الأقل أخذ لقطة للنموذج).
|
||||
|
||||
|
||||
|
||||
|
||||
## كيفية منع الإفراط في التكيف
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# مقدمة في الشبكات العصبية
|
||||
|
||||
|
||||
|
||||
|
||||
كما ناقشنا في المقدمة، إحدى الطرق لتحقيق الذكاء هي تدريب **نموذج حاسوبي** أو **دماغ اصطناعي**. منذ منتصف القرن العشرين، حاول الباحثون استخدام نماذج رياضية مختلفة، حتى أثبت هذا الاتجاه نجاحًا كبيرًا في السنوات الأخيرة. تُعرف هذه النماذج الرياضية للدماغ باسم **الشبكات العصبية**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
من علم الأحياء، نعلم أن دماغنا يتكون من خلايا عصبية (الخلايا العصبية)، لكل منها عدة "مدخلات" (التشعبات) ومخرج واحد (المحور العصبي). يمكن لكل من التشعبات والمحاور العصبية نقل إشارات كهربائية، والروابط بينها — المعروفة باسم المشابك العصبية — يمكن أن تظهر درجات متفاوتة من التوصيل، والتي يتم تنظيمها بواسطة الناقلات العصبية.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
خلية عصبية حقيقية *([الصورة](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) من ويكيبيديا)* | خلية عصبية اصطناعية *(الصورة بواسطة المؤلف)*
|
||||
|
||||
لذلك، فإن أبسط نموذج رياضي للخلية العصبية يحتوي على عدة مدخلات X<sub>1</sub>, ..., X<sub>N</sub> ومخرج Y، وسلسلة من الأوزان W<sub>1</sub>, ..., W<sub>N</sub>. يتم حساب المخرج كالتالي:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ar.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.ar.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
حيث f هي **دالة التنشيط** غير الخطية.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
* **معالجة صورة لكتاب برايل**. نركز على كيفية استخدام التقسيم، اكتشاف الميزات، التحويل المنظوري، وتلاعبات NumPy لفصل رموز برايل الفردية لتصنيفها لاحقًا بواسطة شبكة عصبية.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> صورة من [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **اكتشاف الحركة في الفيديو باستخدام الفرق بين الإطارات**. إذا كانت الكاميرا ثابتة، فإن الإطارات من تغذية الكاميرا يجب أن تكون متشابهة جدًا مع بعضها البعض. نظرًا لأن الإطارات تمثل كمصفوفات، فقط عن طريق طرح تلك المصفوفات لإطارين متتاليين سنحصل على الفرق بين البكسلات، والذي يجب أن يكون منخفضًا للإطارات الثابتة، ويصبح أعلى بمجرد وجود حركة كبيرة في الصورة.
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة من [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
- **التدفق البصري الكثيف** يحسب مجال المتجه الذي يظهر لكل بكسل إلى أين يتحرك.
|
||||
- **التدفق البصري المتناثر** يعتمد على أخذ بعض الميزات المميزة في الصورة (مثل الحواف)، وبناء مسارها من إطار إلى إطار.
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة من [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 هي شبكة حققت دقة بنسبة 92.7% في تصنيف ImageNet top-5 في عام 2014. تحتوي على الهيكل الطبقي التالي:
|
||||
|
||||
|
||||
|
||||
|
||||
كما ترى، تتبع VGG هيكل الهرم التقليدي، وهو عبارة عن سلسلة من طبقات الالتفاف والتجميع.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"لذلك، في شبكة عصبية تلافيفية نموذجية، ستكون هناك عدة طبقات تلافيفية، مع طبقات تجميع بينها لتقليل أبعاد الصورة. كما سنزيد عدد الفلاتر، لأنه مع تقدم الأنماط - هناك المزيد من التركيبات المثيرة للاهتمام التي نحتاج إلى البحث عنها.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"بسبب تقليل الأبعاد المكانية وزيادة أبعاد الميزات/الفلاتر، يُطلق على هذه البنية أيضًا **بنية الهرم**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -359,7 +359,7 @@
|
|||
"\n",
|
||||
"لذلك، في شبكة CNN النموذجية، ستكون هناك عدة طبقات تلافيفية، مع طبقات تجميع بينهما لتقليل أبعاد الصورة. كما سنزيد عدد المرشحات، لأنه مع تقدم الأنماط تصبح هناك المزيد من التركيبات المثيرة للاهتمام التي نحتاج إلى البحث عنها.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"بسبب تقليل الأبعاد المكانية وزيادة أبعاد الميزات/المرشحات، يُطلق على هذا التصميم أيضًا **تصميم الهرم**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
لاستخراج الأنماط، سنستخدم مفهوم **المرشحات الالتفافية**. كما تعلم، يتم تمثيل الصورة بمصفوفة ثنائية الأبعاد، أو موتر ثلاثي الأبعاد مع عمق اللون. تطبيق المرشح يعني أننا نأخذ مصفوفة **نواة المرشح** صغيرة نسبيًا، ولكل بكسل في الصورة الأصلية نحسب المتوسط المرجح مع النقاط المجاورة. يمكننا تصور هذا كنافذة صغيرة تنزلق عبر الصورة بأكملها، وتقوم بتوسيط جميع البكسلات وفقًا للأوزان في مصفوفة نواة المرشح.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> الصورة بواسطة ديمتري سوشنيكوف
|
||||
|
|
@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* يمكننا تصميم الشبكة بطريقة تجعل المرشحات تُدرَّب تلقائيًا
|
||||
* يمكننا استخدام نفس النهج للعثور على الأنماط في الميزات عالية المستوى، وليس فقط في الصورة الأصلية. وبالتالي، تعمل عملية استخراج الميزات في الشبكات العصبية الالتفافية على تسلسل هرمي للميزات، بدءًا من تركيبات البكسلات منخفضة المستوى، وصولًا إلى تركيبات أعلى مستوى لأجزاء الصورة.
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة من [ورقة بحثية بواسطة هيسلوب-لينش](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d)، بناءً على [أبحاثهم](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
كمثال، دعونا نلقي نظرة على بنية VGG-16، وهي شبكة حققت دقة 92.7% في تصنيف ImageNet ضمن أفضل 5 في عام 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة من [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
سنستخدم [مجموعة بيانات الحيوانات الأليفة من أكسفورد-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/)، والتي تحتوي على صور لـ 37 سلالة مختلفة من الكلاب والقطط.
|
||||
|
||||
|
||||
|
||||
|
||||
لتحميل مجموعة البيانات، استخدم هذا المقتطف البرمجي:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"لرؤية صورة القطة المثالية، سنبدأ بصورة ضوضاء عشوائية، وسنحاول استخدام تقنية تحسين الانحدار التدريجي لتعديل الصورة بحيث يتعرف عليها الشبكة كقطة.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"هذه هي الصورة التي نبدأ بها:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
فيما يلي ميزات مستخرجة من صورة قطة بواسطة شبكة VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## مجموعة بيانات القطط مقابل الكلاب
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
أحد الأساليب التي يمكننا اتخاذها هو البدء بصورة عشوائية، ثم محاولة استخدام تقنية **تحسين الانحدار التدرجي** لتعديل تلك الصورة بطريقة تجعل الشبكة تبدأ في الاعتقاد بأنها قطة.
|
||||
|
||||
|
||||
|
||||
|
||||
ومع ذلك، إذا قمنا بذلك، سنحصل على شيء مشابه جدًا للضوضاء العشوائية. هذا لأن *هناك العديد من الطرق لجعل الشبكة تعتقد أن الصورة المدخلة هي قطة*، بما في ذلك بعض الطرق التي لا معنى لها بصريًا. بينما تحتوي تلك الصور على الكثير من الأنماط النموذجية للقطة، لا يوجد شيء يقيدها لتكون مميزة بصريًا.
|
||||
|
||||
لتحسين النتيجة، يمكننا إضافة مصطلح آخر إلى دالة الخسارة، يسمى **خسارة التباين**. إنه مقياس يظهر مدى تشابه البكسلات المجاورة للصورة. تقليل خسارة التباين يجعل الصورة أكثر نعومة، ويتخلص من الضوضاء - مما يكشف عن أنماط أكثر جاذبية بصريًا. فيما يلي مثال على هذه الصور "المثالية"، التي يتم تصنيفها كقطة وكحمار وحشي باحتمالية عالية:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*القطة المثالية* | *الحمار الوحشي المثالي*
|
||||
|
||||
يمكن استخدام نهج مشابه لتنفيذ ما يسمى بـ **الهجمات العدائية** على الشبكة العصبية. لنفترض أننا نريد خداع الشبكة العصبية وجعل الكلب يبدو كأنه قطة. إذا أخذنا صورة كلب، والتي يتم التعرف عليها من قبل الشبكة ككلب، يمكننا تعديلها قليلاً باستخدام تحسين الانحدار التدرجي، حتى تبدأ الشبكة في تصنيفها كقطة:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*الصورة الأصلية للكلب* | *صورة كلب مصنفة كقطة*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"نظرًا لأننا ندرب المشفر التلقائي لالتقاط أكبر قدر ممكن من المعلومات من الصورة الأصلية لتحقيق إعادة بناء دقيقة، تحاول الشبكة العثور على أفضل **تمثيل** للصور المدخلة لالتقاط المعنى.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> الصورة مأخوذة من [مدونة Keras](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"نظرًا لأننا ندرب المشفر التلقائي لالتقاط أكبر قدر ممكن من المعلومات من الصورة الأصلية لإعادة البناء بدقة، تحاول الشبكة العثور على أفضل **تمثيل مضمن** لصور المدخلات لالتقاط المعنى.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*الصورة مأخوذة من [مدونة Keras](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
بما أننا نقوم بتدريب الشبكة العصبية التلقائية لالتقاط أكبر قدر ممكن من المعلومات من الصورة الأصلية لإعادة البناء بدقة، تحاول الشبكة العثور على أفضل **تمثيل** للصور المدخلة لالتقاط المعنى.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [مدونة Keras](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [موقع YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. تشغيل تصنيف الصور على كل مربع.
|
||||
3. يمكن اعتبار المربعات التي تؤدي إلى تنشيط عالي بما يكفي أنها تحتوي على الكائن المطلوب.
|
||||
|
||||
|
||||
|
||||
|
||||
> *الصورة من [دفتر التمارين](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 فئة
|
||||
* [COCO](http://cocodataset.org/#home) - الكائنات الشائعة في السياق. 80 فئة، صناديق محيطة وأقنعة تقسيم
|
||||
|
||||
|
||||
|
||||
|
||||
## مقاييس الكشف عن الكائنات
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
بينما من السهل قياس أداء الخوارزمية في تصنيف الصور، فإن الكشف عن الكائنات يتطلب قياس صحة الفئة وكذلك دقة موقع الصندوق المحيط المستنتج. بالنسبة للأخير، نستخدم ما يسمى **التقاطع على الاتحاد** (IoU)، الذي يقيس مدى تداخل صندوقين (أو منطقتين عشوائيتين).
|
||||
|
||||
|
||||
|
||||
|
||||
> *الشكل 2 من [هذه المقالة الممتازة عن IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ $$
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) تستخدم [البحث الانتقائي](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) لإنشاء هيكل هرمي لمناطق الاهتمام (ROI)، التي يتم تمريرها بعد ذلك عبر مستخلصات ميزات CNN ومصنفات SVM لتحديد فئة الكائن، وانحدار خطي لتحديد إحداثيات *الصندوق المحيط*. [المقالة الرسمية](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *الصورة من van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *الصور من [هذه المقالة](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ $$
|
|||
|
||||
هذا النهج مشابه لـ R-CNN، لكن المناطق يتم تحديدها بعد تطبيق طبقات الالتفاف.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [المقالة الرسمية](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf)، [arXiv](https://arxiv.org/pdf/1504.08083.pdf)، 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ $$
|
|||
|
||||
الفكرة الرئيسية لهذا النهج هي استخدام الشبكة العصبية للتنبؤ بمناطق الاهتمام - ما يسمى *شبكة اقتراح المناطق*. [المقالة](https://arxiv.org/pdf/1506.01497.pdf)، 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [المقالة الرسمية](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ $$
|
|||
2. يتم معالجة الميزات بواسطة **خريطة النقاط الحساسة للموقع**. يتم تقسيم كل كائن من $C$ الفئات إلى مناطق $k\times k$، وندرب الشبكة للتنبؤ بأجزاء الكائنات.
|
||||
3. لكل جزء من مناطق $k\times k$، تصوت جميع الشبكات لفئات الكائنات، ويتم اختيار فئة الكائن ذات التصويت الأعلى.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [المقالة الرسمية](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO هو خوارزمية مرور واحد في الوقت الفعلي. ال
|
|||
* يتم تقسيم الصورة إلى مناطق $S\times S$.
|
||||
* لكل منطقة، **CNN** تتنبأ بـ $n$ كائنات محتملة، *إحداثيات الصندوق المحيط* و *الثقة*=*الاحتمالية* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [المقالة الرسمية](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# رؤية الحاسوب
|
||||
|
||||
|
||||
|
||||
|
||||
في هذا القسم سنتعلم عن:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**حقيبة الكلمات** (BoW) هي الطريقة الأكثر استخدامًا لتمثيل النصوص بشكل تقليدي باستخدام المتجهات. يتم ربط كل كلمة بمؤشر في المتجه، ويحتوي عنصر المتجه على عدد مرات ظهور الكلمة في مستند معين.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **ملاحظة**: يمكنك أيضًا التفكير في حقيبة الكلمات كجمع لجميع المتجهات المشفرة بطريقة \"واحد-ساخن\" للكلمات الفردية في النص.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**حقيبة الكلمات** (Bag-of-words أو BoW) هي أبسط طريقة لفهم تمثيل النصوص باستخدام المتجهات التقليدية. يتم ربط كل كلمة بمؤشر في المتجه، ويحتوي عنصر المتجه على عدد مرات ظهور كل كلمة في مستند معين.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **ملاحظة**: يمكنك أيضًا التفكير في حقيبة الكلمات على أنها مجموع جميع المتجهات المشفرة بطريقة \"واحد-ساخن\" لكل كلمة فردية في النص.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"باستخدام طبقة التضمين كأول طبقة في شبكتنا، يمكننا الانتقال من نموذج **bag-of-words** إلى نموذج **embedding bag**، حيث نقوم أولاً بتحويل كل كلمة في النص إلى التضمين المقابل لها، ثم نحسب وظيفة تجميعية معينة لجميع تلك التضمينات، مثل `sum` أو `average` أو `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"شبكة المصنف العصبية الخاصة بنا ستبدأ بطبقة التضمين، ثم طبقة التجميع، ومصنف خطي فوقها:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"في البنية السابقة، كنا بحاجة إلى ملء جميع التسلسلات لتكون بنفس الطول لكي تتناسب مع دفعة صغيرة. هذه ليست الطريقة الأكثر كفاءة لتمثيل التسلسلات ذات الطول المتغير - هناك نهج آخر يتمثل في استخدام **متجه الإزاحة**، الذي يحتفظ بإزاحات جميع التسلسلات المخزنة في متجه كبير واحد.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **ملاحظة**: في الصورة أعلاه، نعرض تسلسلًا من الأحرف، ولكن في مثالنا نحن نعمل مع تسلسلات من الكلمات. ومع ذلك، يبقى المبدأ العام لتمثيل التسلسلات باستخدام متجه الإزاحة كما هو.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW أسرع، بينما skip-gram أبطأ ولكنه يقوم بتمثيل الكلمات النادرة بشكل أفضل.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"لتجربة تضمين word2vec المدرب مسبقًا على مجموعة بيانات أخبار Google، يمكننا استخدام مكتبة **gensim**. أدناه نجد الكلمات الأكثر تشابهًا مع 'neural'\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"باستخدام طبقة التضمين كأول طبقة في شبكتنا، يمكننا الانتقال من نموذج حقيبة الكلمات إلى نموذج **حقيبة التضمينات**، حيث نقوم أولاً بتحويل كل كلمة في النص إلى التضمين المقابل لها، ثم نحسب دالة تجميع معينة على جميع تلك التضمينات، مثل `sum` أو `average` أو `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"تتكون شبكة التصنيف العصبية الخاصة بنا من الطبقات التالية:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"CBoW أسرع، بينما التخطي المستمر أبطأ ولكنه يقوم بتمثيل الكلمات النادرة بشكل أفضل.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"لتجربة تضمين Word2Vec المدرب مسبقًا على مجموعة بيانات أخبار Google، يمكننا استخدام مكتبة **gensim**. أدناه نجد الكلمات الأكثر تشابهًا مع كلمة 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
باستخدام طبقة التضمين كطبقة أولى في شبكة المصنف الخاصة بنا، يمكننا الانتقال من نموذج حقيبة الكلمات إلى نموذج **حقيبة التضمينات**، حيث نقوم أولاً بتحويل كل كلمة في النص إلى التضمين المقابل لها، ثم نحسب دالة تجميعية على جميع هذه التضمينات، مثل `sum` أو `average` أو `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة بواسطة المؤلف
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
CBoW أسرع، بينما التخطي المستمر أبطأ ولكنه يقوم بتمثيل الكلمات النادرة بشكل أفضل.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [هذه الورقة](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **كيس الكلمات المستمر** (CBoW)، حيث نتوقع الرمز الأوسط $W_0$ في سلسلة الرموز $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**، حيث نتوقع مجموعة من الرموز المجاورة {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} من الرمز الأوسط $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> صورة مأخوذة من [هذه الورقة البحثية](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
للتقاط معنى تسلسل النصوص، نحتاج إلى استخدام بنية شبكة عصبية أخرى تُسمى **الشبكة العصبية المتكررة** أو RNN. في RNN، نقوم بتمرير الجملة عبر الشبكة رمزًا واحدًا في كل مرة، وتنتج الشبكة **حالة** معينة، والتي نمررها مرة أخرى إلى الشبكة مع الرمز التالي.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من إعداد المؤلف
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
الشبكة المتكررة، سواء كانت أحادية الاتجاه أو ثنائية الاتجاه، تلتقط أنماطًا معينة داخل التسلسل، ويمكنها تخزينها في متجه الحالة أو تمريرها إلى المخرج. كما هو الحال مع الشبكات الالتفافية، يمكننا بناء طبقة متكررة أخرى فوق الأولى لالتقاط أنماط ذات مستوى أعلى والبناء من الأنماط ذات المستوى المنخفض المستخرجة بواسطة الطبقة الأولى. يؤدي هذا إلى مفهوم **الشبكة العصبية المتكررة متعددة الطبقات** التي تتكون من شبكتين متكررتين أو أكثر، حيث يتم تمرير مخرج الطبقة السابقة إلى الطبقة التالية كمدخل.
|
||||
|
||||
|
||||
|
||||
|
||||
*الصورة من [هذا المنشور الرائع](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) بواسطة Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"الشبكة المتكررة، سواء كانت أحادية الاتجاه أو ثنائية الاتجاه، تلتقط أنماطًا معينة داخل التسلسل، ويمكنها تخزينها في متجه الحالة أو تمريرها إلى الإخراج. كما هو الحال مع الشبكات الالتفافية، يمكننا بناء طبقة متكررة أخرى فوق الطبقة الأولى لالتقاط أنماط ذات مستوى أعلى، مبنية من الأنماط ذات المستوى الأدنى التي استخرجتها الطبقة الأولى. يقودنا هذا إلى مفهوم **الشبكات العصبية المتكررة متعددة الطبقات**، والتي تتكون من شبكتين أو أكثر من الشبكات المتكررة، حيث يتم تمرير إخراج الطبقة السابقة إلى الطبقة التالية كمدخل.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*الصورة مأخوذة من [هذا المقال الرائع](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) بقلم Fernando López*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"لتمثيل معنى تسلسل النصوص، سنستخدم هيكلية شبكة عصبية تُعرف بـ **الشبكة العصبية التكرارية** أو RNN. عند استخدام RNN، نقوم بتمرير الجملة عبر الشبكة كلمة واحدة في كل مرة، وتنتج الشبكة **حالة** معينة، والتي نمررها مرة أخرى إلى الشبكة مع الكلمة التالية.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"بالنظر إلى تسلسل الإدخال من الرموز $X_0,\\dots,X_n$، تقوم RNN بإنشاء تسلسل من كتل الشبكة العصبية، وتدرب هذا التسلسل من البداية إلى النهاية باستخدام الانتشار العكسي. كل كتلة شبكة تأخذ زوجًا $(X_i,S_i)$ كمدخل، وتنتج $S_{i+1}$ كنتيجة. الحالة النهائية $S_n$ أو الناتج $Y_n$ يتم تمريرها إلى مصنف خطي لإنتاج النتيجة. جميع كتل الشبكة تشترك في نفس الأوزان، ويتم تدريبها من البداية إلى النهاية باستخدام تمريرة انتشار عكسي واحدة.\n",
|
||||
"\n",
|
||||
|
|
@ -371,7 +371,7 @@
|
|||
"\n",
|
||||
"الشبكات العصبية المتكررة، سواء كانت أحادية الاتجاه أو ثنائية الاتجاه، تلتقط الأنماط داخل التسلسل وتخزنها في متجهات الحالة أو تُرجعها كمخرجات. كما هو الحال مع الشبكات الالتفافية، يمكننا بناء طبقة متكررة أخرى بعد الطبقة الأولى لالتقاط أنماط على مستوى أعلى، يتم بناؤها من الأنماط ذات المستوى الأدنى التي استخرجتها الطبقة الأولى. هذا يقودنا إلى مفهوم **الشبكة المتكررة متعددة الطبقات**، والتي تتكون من شبكتين متكررتين أو أكثر، حيث يتم تمرير مخرجات الطبقة السابقة إلى الطبقة التالية كمدخلات.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*الصورة مأخوذة من [هذا المقال الرائع](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) بقلم فرناندو لوبيز.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"الطريقة التي سنقوم بها بتدريب شبكة RNN لتوليد النصوص هي كالتالي. في كل خطوة، سنأخذ سلسلة من الأحرف بطول `nchars`، ونطلب من الشبكة توليد الحرف التالي لكل حرف مدخل:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"اعتمادًا على السيناريو الفعلي، قد نرغب أيضًا في تضمين بعض الأحرف الخاصة، مثل *نهاية السلسلة* `<eos>`. في حالتنا، نريد فقط تدريب الشبكة على توليد نصوص بلا نهاية، وبالتالي سنقوم بتثبيت حجم كل سلسلة ليكون مساويًا لعدد الرموز `nchars`. وبناءً على ذلك، كل مثال تدريبي سيتكون من `nchars` مدخلات و`nchars` مخرجات (وهي سلسلة المدخلات مزاحة بمقدار رمز واحد إلى اليسار). وستتكون الدفعة الصغيرة (minibatch) من عدة سلاسل من هذا النوع.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -113,7 +113,7 @@
|
|||
"\n",
|
||||
"الطريقة التي سنقوم بها بتدريب الشبكة العصبية المتكررة لتوليد عناوين الأخبار هي كالتالي. في كل خطوة، سنأخذ عنوانًا واحدًا، يتم إدخاله في الشبكة العصبية المتكررة، وبالنسبة لكل حرف مُدخل، سنطلب من الشبكة توليد الحرف التالي:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"بالنسبة للحرف الأخير في تسلسلنا، سنطلب من الشبكة توليد رمز `<eos>`.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
هذا يسمح ببنيات عصبية مختلفة كما هو موضح في الصورة أدناه:
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة مأخوذة من منشور المدونة [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) بواسطة [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
سنقوم بتدريب RNN لتوليد النصوص خطوة بخطوة. في كل خطوة، سنأخذ تسلسلًا من الحروف بطول `nchars`، ونطلب من الشبكة توليد الحرف التالي لكل حرف إدخال:
|
||||
|
||||
|
||||
|
||||
|
||||
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.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**آليات الانتباه** توفر وسيلة لتحديد وزن تأثير كل متجه إدخال على كل توقع مخرجات للشبكة العصبية المتكررة. يتم تنفيذ ذلك من خلال إنشاء اختصارات بين الحالات الوسيطة لشبكة الإدخال وشبكة المخرجات. بهذه الطريقة، عند إنشاء رمز المخرجات y<sub>t</sub>، سنأخذ في الاعتبار جميع الحالات المخفية للإدخال h<sub>i</sub>، مع معاملات وزن مختلفة α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> نموذج المشفّر-المفكّك مع آلية انتباه إضافية في [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf)، مقتبس من [هذه المقالة](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
مصفوفة الانتباه {α<sub>i,j</sub>} تمثل درجة تأثير كلمات الإدخال على إنشاء كلمة معينة في تسلسل المخرجات. أدناه مثال على مثل هذه المصفوفة:
|
||||
|
||||
|
||||
|
||||
|
||||
> الشكل من [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (الشكل 3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
بعد ذلك، نحتاج إلى التقاط بعض الأنماط داخل تسلسلنا. لتحقيق ذلك، تستخدم المحولات آلية **الانتباه الذاتي**، وهي في الأساس انتباه يتم تطبيقه على نفس التسلسل كمدخلات ومخرجات. تطبيق الانتباه الذاتي يسمح لنا بأخذ **السياق** داخل الجملة في الاعتبار، ورؤية الكلمات التي ترتبط ببعضها البعض. على سبيل المثال، يسمح لنا برؤية الكلمات التي تشير إليها الإشارات المرجعية مثل *it*، وأيضًا أخذ السياق في الاعتبار:
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة من [مدونة Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**BERT** (تمثيلات المشفّر ثنائية الاتجاه من المحولات) هو شبكة محولات متعددة الطبقات كبيرة جدًا تحتوي على 12 طبقة لـ *BERT-base*، و24 طبقة لـ *BERT-large*. يتم تدريب النموذج أولاً على مجموعة كبيرة من بيانات النصوص (ويكيبيديا + الكتب) باستخدام التدريب غير المراقب (توقع الكلمات المخفية في الجملة). أثناء التدريب الأولي، يمتص النموذج مستويات كبيرة من فهم اللغة التي يمكن استخدامها لاحقًا مع مجموعات بيانات أخرى باستخدام التخصيص. تُعرف هذه العملية بـ **التعلم بالنقل**.
|
||||
|
||||
|
||||
|
||||
|
||||
> الصورة [المصدر](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**آليات الانتباه** توفر وسيلة لوزن التأثير السياقي لكل متجه إدخال على كل توقع إخراج للشبكة العودية. يتم تنفيذ ذلك من خلال إنشاء اختصارات بين الحالات الوسيطة لشبكة الإدخال العودية وشبكة الإخراج العودية. بهذه الطريقة، عند توليد رمز الإخراج $y_t$، سنأخذ في الاعتبار جميع الحالات المخفية للإدخال $h_i$، مع معاملات وزن مختلفة $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*نموذج الترميز-فك الترميز مع آلية الانتباه الإضافية في [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf)، مقتبس من [هذا المقال](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"مصفوفة الانتباه $\\{\\alpha_{i,j}\\}$ تمثل الدرجة التي تلعب بها كلمات الإدخال دورًا في توليد كلمة معينة في تسلسل الإخراج. أدناه مثال على مثل هذه المصفوفة:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*الصورة مأخوذة من [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (الشكل 3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (تمثيلات الترميز ثنائية الاتجاه من المحولات) هو شبكة محولات متعددة الطبقات كبيرة جدًا تحتوي على 12 طبقة في *BERT-base*، و24 طبقة في *BERT-large*. يتم تدريب النموذج أولاً على مجموعة نصوص كبيرة (ويكيبيديا + كتب) باستخدام تدريب غير خاضع للإشراف (توقع الكلمات المحجوبة في الجملة). أثناء التدريب الأولي، يكتسب النموذج مستوى كبيرًا من فهم اللغة يمكن الاستفادة منه لاحقًا مع مجموعات بيانات أخرى باستخدام التخصيص الدقيق. تُعرف هذه العملية باسم **التعلم بالنقل**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"هناك العديد من التعديلات على بنية المحولات، بما في ذلك BERT، وDistilBERT، وBigBird، وOpenGPT3، والمزيد، التي يمكن تخصيصها. حزمة [HuggingFace](https://github.com/huggingface/) توفر مستودعًا لتدريب العديد من هذه البنى باستخدام PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**آليات الانتباه** توفر وسيلة لوزن التأثير السياقي لكل متجه إدخال على كل توقع إخراج للشبكة العصبية المتكررة. يتم تنفيذ ذلك من خلال إنشاء اختصارات بين الحالات الوسيطة لشبكة الإدخال العصبية المتكررة وشبكة الإخراج العصبية المتكررة. بهذه الطريقة، عند توليد رمز الإخراج $y_t$، سنأخذ في الاعتبار جميع الحالات المخفية للإدخال $h_i$، مع معاملات وزن مختلفة $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*نموذج الترميز-فك الترميز مع آلية الانتباه الإضافية في [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf)، مقتبس من [هذا المنشور](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"مصفوفة الانتباه $\\{\\alpha_{i,j}\\}$ تمثل الدرجة التي تلعب بها كلمات الإدخال دورًا في توليد كلمة معينة في تسلسل الإخراج. أدناه مثال على مثل هذه المصفوفة:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*الصورة مأخوذة من [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (الشكل 3)*\n",
|
||||
"\n",
|
||||
|
|
@ -225,7 +225,7 @@
|
|||
"\n",
|
||||
"**BERT** (تمثيلات التشفير ثنائية الاتجاه من المحولات) هو شبكة محولات متعددة الطبقات كبيرة جدًا تحتوي على 12 طبقة في *BERT-base*، و24 طبقة في *BERT-large*. يتم تدريب النموذج مبدئيًا على مجموعة بيانات نصية ضخمة (ويكيبيديا + كتب) باستخدام تدريب غير خاضع للإشراف (التنبؤ بالكلمات المحجوبة في الجملة). خلال مرحلة التدريب المبدئي، يكتسب النموذج مستوى كبيرًا من فهم اللغة، والذي يمكن استغلاله لاحقًا مع مجموعات بيانات أخرى باستخدام التخصيص الدقيق. تُعرف هذه العملية باسم **التعلم بالنقل**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"هناك العديد من التعديلات على بنية المحولات، بما في ذلك BERT، وDistilBERT، وBigBird، وOpenGPT3، والمزيد، والتي يمكن تخصيصها بدقة.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -59,7 +59,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
نظرًا لأننا بحاجة إلى بناء تطابق واحد لواحد بين الرموز والفئات، يمكننا تدريب نموذج شبكة عصبية **كثيرة إلى كثيرة** من الصورة التالية:
|
||||
|
||||
|
||||
|
||||
|
||||
> *الصورة مأخوذة من [هذه المقالة](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) بواسطة [أندريه كارباتي](http://karpathy.github.io/). نماذج تصنيف الرموز لـ NER تتوافق مع بنية الشبكة الموجودة في أقصى اليمين في هذه الصورة.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# معالجة اللغة الطبيعية
|
||||
|
||||
|
||||
|
||||
|
||||
في هذا القسم، سنركز على استخدام الشبكات العصبية لمعالجة المهام المتعلقة بـ **معالجة اللغة الطبيعية (NLP)**. هناك العديد من مشاكل معالجة اللغة الطبيعية التي نرغب في أن تتمكن الحواسيب من حلها:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ ask turtles [
|
|||
|
||||
بعد فتح النموذج، يتم نقلك إلى الشاشة الرئيسية لـ NetLogo. هنا نموذج يصف سكان الذئاب والخراف، مع موارد محدودة (العشب).
|
||||
|
||||
|
||||
|
||||
|
||||
> لقطة شاشة بواسطة Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# نظرة عامة
|
||||
|
||||
|
||||
|
||||
|
||||
> رسم توضيحي بواسطة [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
الفكرة الرئيسية لـ CLIP هي القدرة على مقارنة النصوص التوضيحية مع الصور وتحديد مدى تطابق الصورة مع النص.
|
||||
|
||||
|
||||
|
||||
|
||||
> *الصورة مأخوذة من [هذه المقالة](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
لنفترض أننا بحاجة إلى تصنيف الصور بين، على سبيل المثال، القطط، الكلاب والبشر. في هذه الحالة، يمكننا إعطاء النموذج صورة وسلسلة من النصوص التوضيحية: "*صورة لقط*", "*صورة لكلب*", "*صورة لإنسان*". في المتجه الناتج الذي يحتوي على 3 احتمالات، نحتاج فقط إلى اختيار المؤشر الذي يحتوي على أعلى قيمة.
|
||||
|
||||
|
||||
|
||||
|
||||
> *الصورة مأخوذة من [هذه المقالة](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -55,13 +55,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
أحد الفروقات المهمة بين VQGAN وGAN التقليدية هو أن الأخيرة يمكنها إنتاج صورة جيدة من أي متجه مدخلات، بينما من المحتمل أن ينتج VQGAN صورة غير متماسكة. لذلك، نحتاج إلى توجيه عملية إنشاء الصورة بشكل أكبر، ويمكن القيام بذلك باستخدام CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
لإنشاء صورة تتوافق مع نص توضيحي، نبدأ بمتجه ترميز عشوائي يتم تمريره عبر VQGAN لإنتاج صورة. ثم يتم استخدام CLIP لإنتاج دالة خسارة تُظهر مدى تطابق الصورة مع النص التوضيحي. الهدف بعد ذلك هو تقليل هذه الخسارة باستخدام الانتشار العكسي لتعديل معلمات متجه المدخلات.
|
||||
|
||||
مكتبة رائعة تنفذ VQGAN+CLIP هي [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
صورة تم إنشاؤها من النص *صورة قريبة بالألوان المائية لمعلم شاب للأدب يحمل كتابًا* | صورة تم إنشاؤها من النص *صورة قريبة بالزيت لمُدرسة شابة لعلوم الحاسوب مع جهاز كمبيوتر* | صورة تم إنشاؤها من النص *صورة قريبة بالزيت لمعلم مسن للرياضيات أمام السبورة*
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue