From 8c519d5ea532f441169175b6a5a235549fd7b3ff Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Thu, 1 Jan 2026 14:20:40 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 64/148, 40 files) --- translations/ar/README.md | 163 +++++++++--------- translations/ar/lessons/1-Intro/README.md | 12 +- .../ar/lessons/2-Symbolic/Animals.ipynb | 2 +- translations/ar/lessons/2-Symbolic/README.md | 8 +- .../04-OwnFramework/OwnFramework.ipynb | 2 +- .../3-NeuralNetworks/05-Frameworks/README.md | 4 +- .../ar/lessons/3-NeuralNetworks/README.md | 6 +- .../4-ComputerVision/06-IntroCV/README.md | 6 +- .../07-ConvNets/CNN_Architectures.md | 4 +- .../07-ConvNets/ConvNetsPyTorch.ipynb | 2 +- .../07-ConvNets/ConvNetsTF.ipynb | 2 +- .../4-ComputerVision/07-ConvNets/README.md | 8 +- .../07-ConvNets/lab/README.md | 2 +- .../AdversarialCat_TF.ipynb | 2 +- .../08-TransferLearning/README.md | 8 +- .../09-Autoencoders/AutoEncodersPyTorch.ipynb | 2 +- .../09-Autoencoders/AutoencodersTF.ipynb | 2 +- .../09-Autoencoders/README.md | 2 +- .../11-ObjectDetection/README.md | 20 +-- .../ar/lessons/4-ComputerVision/README.md | 2 +- .../TextRepresentationPyTorch.ipynb | 2 +- .../13-TextRep/TextRepresentationTF.ipynb | 2 +- .../14-Embeddings/EmbeddingsPyTorch.ipynb | 6 +- .../5-NLP/14-Embeddings/EmbeddingsTF.ipynb | 4 +- .../ar/lessons/5-NLP/14-Embeddings/README.md | 4 +- .../5-NLP/15-LanguageModeling/README.md | 2 +- .../ar/lessons/5-NLP/16-RNN/README.md | 4 +- .../ar/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb | 2 +- .../ar/lessons/5-NLP/16-RNN/RNNTF.ipynb | 4 +- .../GenerativePyTorch.ipynb | 2 +- .../17-GenerativeNetworks/GenerativeTF.ipynb | 2 +- .../5-NLP/17-GenerativeNetworks/README.md | 4 +- .../lessons/5-NLP/18-Transformers/README.md | 8 +- .../18-Transformers/TransformersPyTorch.ipynb | 6 +- .../18-Transformers/TransformersTF.ipynb | 6 +- .../ar/lessons/5-NLP/19-NER/README.md | 2 +- translations/ar/lessons/5-NLP/README.md | 2 +- .../6-Other/23-MultiagentSystems/README.md | 2 +- translations/ar/lessons/README.md | 2 +- .../lessons/X-Extras/X1-MultiModal/README.md | 8 +- 40 files changed, 167 insertions(+), 166 deletions(-) diff --git a/translations/ar/README.md b/translations/ar/README.md index ce6c26d5..c0c95249 100644 --- a/translations/ar/README.md +++ b/translations/ar/README.md @@ -1,70 +1,71 @@ -[![ترخيص GitHub](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) -[![المساهمون في GitHub](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) +[![رخصة GitHub](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) +[![مساهمو GitHub](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![قضايا GitHub](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) [![طلبات سحب GitHub](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) -[![الطلبات (PRs) مرحب بها](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![طلبات سحب مرحب بها](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![المراقبون على GitHub](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) -[![التفرعات في GitHub](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) +[![مشاهدو GitHub](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) +[![استنساخات GitHub](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) [![نجوم GitHub](https://img.shields.io/github/stars/microsoft/AI-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/) [![Binder](https://mybinder.org/badge_logo.svg)](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD) [![Gitter](https://badges.gitter.im/Microsoft/ai-for-beginners.svg)](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge) -[![خادم Discord الخاص بـ Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Discord Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# الذكاء الاصطناعي للمبتدئين - منهج دراسي +# Artificial Intelligence for Beginners - A Curriculum -|![ملاحظة مرسومة بواسطة @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.ar.png)| +|![مخطط مصور بواسطة @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500.ar.png)| |:---:| -| 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) -[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) -**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 -[![خادم Discord الخاص بـ Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Discord Microsoft Foundry](https://dcbadge.limes.pink/api/server/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 [![AZD للمبتدئين](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI للمبتدئين](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP للمبتدئين](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](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 -[![التعلم الآلي للمبتدئين](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![ML للمبتدئين](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![علوم البيانات للمبتدئين](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![الذكاء الاصطناعي للمبتدئين](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [![الأمن السيبراني للمبتدئين](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](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 [![Copilot للبرمجة المزدوجة بالذكاء الاصطناعي](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot لـ C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![مغامرات Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![مغامرة Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## 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. -[![Discord الخاص بـ Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![خادم Microsoft Foundry على Discord](https://dcbadge.limes.pink/api/server/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: --- -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. \ No newline at end of file diff --git a/translations/ar/lessons/1-Intro/README.md b/translations/ar/lessons/1-Intro/README.md index 4a392096..1736517e 100644 --- a/translations/ar/lessons/1-Intro/README.md +++ b/translations/ar/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # مقدمة في الذكاء الاصطناعي -![ملخص محتوى مقدمة الذكاء الاصطناعي في رسم توضيحي](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.ar.png) +![ملخص محتوى مقدمة الذكاء الاصطناعي في رسم توضيحي](../../../../translated_images/ai-intro.bf28d1ac4235881c.ar.png) > 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 لشخص](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.ar.png) +![صورة لشخص](../../../../translated_images/dsh_age.d212a30d4e54fb5f.ar.png) > 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 لقطة](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.ar.jpg) +![صورة لقطة](../../../../translated_images/photo-cat.8c8e8fb760ffe457.ar.jpg) > [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). | ![التعلم الآلي للمبتدئين](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.ar.png) | +> | 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). | ![التعلم الآلي للمبتدئين](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.ar.png) | ## 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. -لمحة تاريخية عن الذكاء الاصطناعي +لمحة تاريخية عن الذكاء الاصطناعي > 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. -تطور اختبار تورينغ +تطور اختبار تورينغ > صورة بواسطة دميتري سوشنيكوف، [الصورة](https://unsplash.com/photos/r8LmVbUKgns) بواسطة [مارينا أبروسيموفا](https://unsplash.com/@abrosimova_marina_foto)، Unsplash ## أبحاث الذكاء الاصطناعي الحديثة diff --git a/translations/ar/lessons/2-Symbolic/Animals.ipynb b/translations/ar/lessons/2-Symbolic/Animals.ipynb index 2c044ec9..7558bb2e 100644 --- a/translations/ar/lessons/2-Symbolic/Animals.ipynb +++ b/translations/ar/lessons/2-Symbolic/Animals.ipynb @@ -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", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.ar.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.ar.png)\n" ] }, { diff --git a/translations/ar/lessons/2-Symbolic/README.md b/translations/ar/lessons/2-Symbolic/README.md index 8b392083..1d339140 100644 --- a/translations/ar/lessons/2-Symbolic/README.md +++ b/translations/ar/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # تمثيل المعرفة وأنظمة الخبراء -![ملخص محتوى الذكاء الاصطناعي الرمزي](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.ar.png) +![ملخص محتوى الذكاء الاصطناعي الرمزي](../../../../translated_images/ai-symbolic.715a30cb610411a6.ar.png) > 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: -![طيف تمثيل المعرفة](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.ar.png) +![طيف تمثيل المعرفة](../../../../translated_images/knowledge-spectrum.b60df631852c0217.ar.png) > 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 الإنسان](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.ar.png) | ![نظام قائم على المعرفة](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.ar.png) +![هيكل الإنسان](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.ar.png) | ![نظام قائم على المعرفة](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.ar.png) ---------------------------------------------|------------------------------------------------ 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: -![شجرة AND-OR](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.ar.png) +![شجرة AND-OR](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.ar.png) > صورة بواسطة [Dmitry Soshnikov](http://soshnikov.com) diff --git a/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index f7daaf57..7140650c 100644 --- a/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/ar/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -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", - "![الإفراط في التخصيص](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.ar.png)\n", + "![الإفراط في التخصيص](../../../../../translated_images/overfit.a0bd57f717c15769.ar.png)\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" ] diff --git a/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md index f92168f8..83a6b7d6 100644 --- a/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ar/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA: لننظر إلى المشكلة التالية لتقريب 5 نقاط (ممثلة بـ `x` على الرسوم البيانية أدناه): -![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.ar.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.ar.jpg) +![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e.ar.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e.ar.jpg) -------------------------|-------------------------- **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). -![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.ar.png) +![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371.ar.png) ## كيفية منع الإفراط في التكيف diff --git a/translations/ar/lessons/3-NeuralNetworks/README.md b/translations/ar/lessons/3-NeuralNetworks/README.md index 6d36b960..8e60afd0 100644 --- a/translations/ar/lessons/3-NeuralNetworks/README.md +++ b/translations/ar/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # مقدمة في الشبكات العصبية -![ملخص محتوى مقدمة الشبكات العصبية في رسم توضيحي](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ar.png) +![ملخص محتوى مقدمة الشبكات العصبية في رسم توضيحي](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.ar.png) 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. -![نموذج الخلية العصبية](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ar.jpg) | ![نموذج الخلية العصبية](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ar.png) +![نموذج الخلية العصبية](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.ar.jpg) | ![نموذج الخلية العصبية](../../../../translated_images/artneuron.1a5daa88d20ebe6f.ar.png) ----|---- 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 X1, ..., XN ومخرج Y، وسلسلة من الأوزان W1, ..., WN. يتم حساب المخرج كالتالي: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) حيث f هي **دالة التنشيط** غير الخطية. diff --git a/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md index 876837de..50e2b9a4 100644 --- a/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ar/lessons/4-ComputerVision/06-IntroCV/README.md @@ -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 برايل](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.ar.jpeg) | ![صورة برايل بعد المعالجة](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.ar.png) | ![رموز برايل](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.ar.png) +![صورة برايل](../../../../../translated_images/braille.341962ff76b1bd70.ar.jpeg) | ![صورة برايل بعد المعالجة](../../../../../translated_images/braille-result.46530fea020b03c7.ar.png) | ![رموز برايل](../../../../../translated_images/braille-symbols.0159185ab69d5339.ar.png) ----|-----|----- > 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 لإطارات الفيديو وفروق الإطارات](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.ar.png) +![صورة لإطارات الفيديو وفروق الإطارات](../../../../../translated_images/frame-difference.706f805491a0883c.ar.png) > 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 التدفق البصري](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.ar.png) +![صورة التدفق البصري](../../../../../translated_images/optical.1f4a94464579a83a.ar.png) > صورة من [OpenCV.ipynb](OpenCV.ipynb) diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index aa5a10de..689e9344 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ar/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -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: -![طبقات ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.ar.jpg) +![طبقات ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.ar.jpg) كما ترى، تتبع VGG هيكل الهرم التقليدي، وهو عبارة عن سلسلة من طبقات الالتفاف والتجميع. -![هرم ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.ar.jpg) +![هرم ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.ar.jpg) > 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) diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb b/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb index c6bd4d8d..b3565f90 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb +++ b/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb @@ -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", - "![صورة تظهر عدة طبقات تلافيفية مع طبقات تجميع.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.ar.png)\n", + "![صورة تظهر عدة طبقات تلافيفية مع طبقات تجميع.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.ar.png)\n", "\n", "بسبب تقليل الأبعاد المكانية وزيادة أبعاد الميزات/الفلاتر، يُطلق على هذه البنية أيضًا **بنية الهرم**.\n" ] diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb b/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb index 263f3c1d..5f397e44 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb +++ b/translations/ar/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb @@ -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", - "![صورة توضح عدة طبقات تلافيفية مع طبقات تجميع.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.ar.png)\n", + "![صورة توضح عدة طبقات تلافيفية مع طبقات تجميع.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.ar.png)\n", "\n", "بسبب تقليل الأبعاد المكانية وزيادة أبعاد الميزات/المرشحات، يُطلق على هذا التصميم أيضًا **تصميم الهرم**.\n" ] diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md index d4bd1b11..7a526bfc 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ar/lessons/4-ComputerVision/07-ConvNets/README.md @@ -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. -![مرشح الحافة العمودية](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.ar.png) | ![مرشح الحافة الأفقية](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.ar.png) +![مرشح الحافة العمودية](../../../../../translated_images/filter-vert.b7148390ca0bc356.ar.png) | ![مرشح الحافة الأفقية](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.ar.png) ----|---- > 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. -![استخراج الميزات الهرمي](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.ar.png) +![استخراج الميزات الهرمي](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.ar.png) > 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: -![طبقات ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.ar.jpg) +![طبقات ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.ar.jpg) -![هرم ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.ar.jpg) +![هرم ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.ar.jpg) > 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) diff --git a/translations/ar/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/ar/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 93f88065..df7449d4 100644 --- a/translations/ar/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/ar/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -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. -![مجموعة البيانات التي سنتعامل معها](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.ar.png) +![مجموعة البيانات التي سنتعامل معها](../../../../../../translated_images/data.50b2a9d5484bdbf0.ar.png) لتحميل مجموعة البيانات، استخدم هذا المقتطف البرمجي: diff --git a/translations/ar/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/ar/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index 99883ba9..d1b6b2b7 100644 --- a/translations/ar/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/ar/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -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", - "![دورة التحسين](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.ar.png)\n", + "![دورة التحسين](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.ar.png)\n", "\n", "هذه هي الصورة التي نبدأ بها:\n" ] diff --git a/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md index 194f9c95..9e3de702 100644 --- a/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ar/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: فيما يلي ميزات مستخرجة من صورة قطة بواسطة شبكة VGG-16: -![ميزات مستخرجة بواسطة VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.ar.png) +![ميزات مستخرجة بواسطة VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.ar.png) ## 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. -![حلقة تحسين الصورة](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.ar.png) +![حلقة تحسين الصورة](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.ar.png) 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](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.ar.png) | ![الحمار الوحشي المثالي](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.ar.png) +![القطة المثالية](../../../../../translated_images/ideal-cat.203dd4597643d6b0.ar.png) | ![الحمار الوحشي المثالي](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.ar.png) -----|----- *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: -![صورة كلب](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.ar.png) | ![صورة كلب مصنفة كقطة](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.ar.png) +![صورة كلب](../../../../../translated_images/original-dog.8f68a67d2fe0911f.ar.png) | ![صورة كلب مصنفة كقطة](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.ar.png) -----|----- *الصورة الأصلية للكلب* | *صورة كلب مصنفة كقطة* diff --git a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index 49a98593..3117f4cf 100644 --- a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -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", - "![مخطط المشفر التلقائي](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.ar.jpg)\n", + "![مخطط المشفر التلقائي](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.ar.jpg)\n", "\n", "> الصورة مأخوذة من [مدونة Keras](https://blog.keras.io/building-autoencoders-in-keras.html)\n", "\n", diff --git a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index 333bb13d..10784cc1 100644 --- a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -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", - "![رسم تخطيطي للمشفر التلقائي](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.ar.jpg)\n", + "![رسم تخطيطي للمشفر التلقائي](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.ar.jpg)\n", "\n", "*الصورة مأخوذة من [مدونة Keras](https://blog.keras.io/building-autoencoders-in-keras.html)*\n", "\n", diff --git a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md index cf9a4bf4..26ab2699 100644 --- a/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ar/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -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. -![مخطط الشبكة العصبية التلقائية](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.ar.jpg) +![مخطط الشبكة العصبية التلقائية](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.ar.jpg) > الصورة من [مدونة Keras](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md index db0969a8..7d6319fa 100644 --- a/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ar/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![الكشف عن الكائنات](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ar.png) +![الكشف عن الكائنات](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.ar.png) > 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. -![الكشف البسيط عن الكائنات](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.ar.png) +![الكشف البسيط عن الكائنات](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.ar.png) > *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 -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.ar.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.ar.jpg) ## 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). -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.ar.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.ar.png) > *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 @@ $$ [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) تستخدم [البحث الانتقائي](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) لإنشاء هيكل هرمي لمناطق الاهتمام (ROI)، التي يتم تمريرها بعد ذلك عبر مستخلصات ميزات CNN ومصنفات SVM لتحديد فئة الكائن، وانحدار خطي لتحديد إحداثيات *الصندوق المحيط*. [المقالة الرسمية](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.ar.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.ar.png) > *الصورة من van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.ar.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.ar.png) > *الصور من [هذه المقالة](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ $$ هذا النهج مشابه لـ R-CNN، لكن المناطق يتم تحديدها بعد تطبيق طبقات الالتفاف. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.ar.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.ar.png) > 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 @@ $$ الفكرة الرئيسية لهذا النهج هي استخدام الشبكة العصبية للتنبؤ بمناطق الاهتمام - ما يسمى *شبكة اقتراح المناطق*. [المقالة](https://arxiv.org/pdf/1506.01497.pdf)، 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.ar.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.ar.png) > الصورة من [المقالة الرسمية](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ $$ 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. -![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.ar.png) +![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da.ar.png) > 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. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.ar.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.ar.png) > الصورة من [المقالة الرسمية](https://arxiv.org/abs/1506.02640) diff --git a/translations/ar/lessons/4-ComputerVision/README.md b/translations/ar/lessons/4-ComputerVision/README.md index 9125e003..289ed103 100644 --- a/translations/ar/lessons/4-ComputerVision/README.md +++ b/translations/ar/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # رؤية الحاسوب -![ملخص محتوى رؤية الحاسوب في رسم توضيحي](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.ar.png) +![ملخص محتوى رؤية الحاسوب في رسم توضيحي](../../../../translated_images/ai-computervision.6506ebebac3fbf76.ar.png) في هذا القسم سنتعلم عن: diff --git a/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index a7779108..f4f5e13b 100644 --- a/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -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", - "![صورة توضح كيفية تمثيل حقيبة الكلمات باستخدام المتجهات في الذاكرة.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.ar.png)\n", + "![صورة توضح كيفية تمثيل حقيبة الكلمات باستخدام المتجهات في الذاكرة.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.ar.png)\n", "\n", "> **ملاحظة**: يمكنك أيضًا التفكير في حقيبة الكلمات كجمع لجميع المتجهات المشفرة بطريقة \"واحد-ساخن\" للكلمات الفردية في النص.\n", "\n", diff --git a/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index db099bf0..5b9a677e 100644 --- a/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/ar/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -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", - "![صورة توضح كيفية تمثيل حقيبة الكلمات باستخدام المتجهات في الذاكرة.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.ar.png) \n", + "![صورة توضح كيفية تمثيل حقيبة الكلمات باستخدام المتجهات في الذاكرة.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.ar.png) \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", diff --git a/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index a1bc661e..ff27fe85 100644 --- a/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -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", - "![صورة توضح مصنف تضمين لخمس كلمات متسلسلة.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.ar.png)\n", + "![صورة توضح مصنف تضمين لخمس كلمات متسلسلة.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.ar.png)\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", - "![صورة توضح تمثيل تسلسل باستخدام الإزاحة](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.ar.png)\n", + "![صورة توضح تمثيل تسلسل باستخدام الإزاحة](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.ar.png)\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", - "![صورة توضح كلا من خوارزميات CBoW و Skip-Gram لتحويل الكلمات إلى متجهات.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ar.png)\n", + "![صورة توضح كلا من خوارزميات CBoW و Skip-Gram لتحويل الكلمات إلى متجهات.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ar.png)\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", diff --git a/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index c1ff92d8..e30e0047 100644 --- a/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/ar/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -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", - "![صورة توضح مصنف تضمين لخمس كلمات متتالية.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.ar.png)\n", + "![صورة توضح مصنف تضمين لخمس كلمات متتالية.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.ar.png)\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", - "![صورة توضح كلا من خوارزميات CBoW و Skip-Gram لتحويل الكلمات إلى متجهات.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ar.png)\n", + "![صورة توضح كلا من خوارزميات CBoW و Skip-Gram لتحويل الكلمات إلى متجهات.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ar.png)\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", diff --git a/translations/ar/lessons/5-NLP/14-Embeddings/README.md b/translations/ar/lessons/5-NLP/14-Embeddings/README.md index 13ab5363..4c7a16fd 100644 --- a/translations/ar/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ar/lessons/5-NLP/14-Embeddings/README.md @@ -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`. -![صورة توضح مصنف التضمين لخمس كلمات في تسلسل.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.ar.png) +![صورة توضح مصنف التضمين لخمس كلمات في تسلسل.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.ar.png) > الصورة بواسطة المؤلف @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: CBoW أسرع، بينما التخطي المستمر أبطأ ولكنه يقوم بتمثيل الكلمات النادرة بشكل أفضل. -![صورة توضح كلا من خوارزميات CBoW و Skip-Gram لتحويل الكلمات إلى متجهات.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ar.png) +![صورة توضح كلا من خوارزميات CBoW و Skip-Gram لتحويل الكلمات إلى متجهات.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ar.png) > الصورة من [هذه الورقة](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md index b75f4eaf..e27ff257 100644 --- a/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ar/lessons/5-NLP/15-LanguageModeling/README.md @@ -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 من ورقة بحثية حول تحويل الكلمات إلى متجهات](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ar.png) +![صورة من ورقة بحثية حول تحويل الكلمات إلى متجهات](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ar.png) > صورة مأخوذة من [هذه الورقة البحثية](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/ar/lessons/5-NLP/16-RNN/README.md b/translations/ar/lessons/5-NLP/16-RNN/README.md index 271e7f70..33b030cc 100644 --- a/translations/ar/lessons/5-NLP/16-RNN/README.md +++ b/translations/ar/lessons/5-NLP/16-RNN/README.md @@ -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. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.ar.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.ar.png) > 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. -![صورة تظهر شبكة عصبية متكررة متعددة الطبقات من نوع LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.ar.jpg) +![صورة تظهر شبكة عصبية متكررة متعددة الطبقات من نوع LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.ar.jpg) *الصورة من [هذا المنشور الرائع](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) بواسطة Fernando López* diff --git a/translations/ar/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/ar/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index 70a16e40..966aafd6 100644 --- a/translations/ar/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/ar/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -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", - "![صورة توضح شبكة عصبية متكررة طويلة وقصيرة المدى متعددة الطبقات](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.ar.jpg)\n", + "![صورة توضح شبكة عصبية متكررة طويلة وقصيرة المدى متعددة الطبقات](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.ar.jpg)\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", diff --git a/translations/ar/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/ar/lessons/5-NLP/16-RNN/RNNTF.ipynb index fa5ce6c0..c8726935 100644 --- a/translations/ar/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/ar/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -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", - "![صورة توضح مثالًا على توليد شبكة عصبية تكرارية.](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.ar.png)\n", + "![صورة توضح مثالًا على توليد شبكة عصبية تكرارية.](../../../../../translated_images/rnn.27f5c29c53d727b5.ar.png)\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", - "![صورة توضح شبكة عصبية متكررة طويلة وقصيرة المدى متعددة الطبقات](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.ar.jpg)\n", + "![صورة توضح شبكة عصبية متكررة طويلة وقصيرة المدى متعددة الطبقات](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.ar.jpg)\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", diff --git a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index fa626c33..2bcbf953 100644 --- a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -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", - "![صورة توضح مثالًا على توليد شبكة RNN لكلمة \"HELLO\".](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.ar.png)\n", + "![صورة توضح مثالًا على توليد شبكة RNN لكلمة \"HELLO\".](../../../../../translated_images/rnn-generate.56c54afb52f9781d.ar.png)\n", "\n", "اعتمادًا على السيناريو الفعلي، قد نرغب أيضًا في تضمين بعض الأحرف الخاصة، مثل *نهاية السلسلة* ``. 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", diff --git a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index 48d44a72..77a95079 100644 --- a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -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", - "![صورة توضح مثالًا لتوليد كلمة \"HELLO\" باستخدام شبكة عصبية متكررة.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.ar.png)\n", + "![صورة توضح مثالًا لتوليد كلمة \"HELLO\" باستخدام شبكة عصبية متكررة.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.ar.png)\n", "\n", "بالنسبة للحرف الأخير في تسلسلنا، سنطلب من الشبكة توليد رمز ``.\n", "\n", diff --git a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md index 73453df5..0dfbfe78 100644 --- a/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ar/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: هذا يسمح ببنيات عصبية مختلفة كما هو موضح في الصورة أدناه: -![صورة تظهر أنماط الشبكات العصبية المتكررة الشائعة.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.ar.jpg) +![صورة تظهر أنماط الشبكات العصبية المتكررة الشائعة.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.ar.jpg) > 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: -![صورة تظهر مثالًا لتوليد RNN لكلمة 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.ar.png) +![صورة تظهر مثالًا لتوليد RNN لكلمة 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.ar.png) 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. diff --git a/translations/ar/lessons/5-NLP/18-Transformers/README.md b/translations/ar/lessons/5-NLP/18-Transformers/README.md index 51c705ea..1760113e 100644 --- a/translations/ar/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ar/lessons/5-NLP/18-Transformers/README.md @@ -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 yt، سنأخذ في الاعتبار جميع الحالات المخفية للإدخال hi، مع معاملات وزن مختلفة αt,i. -![صورة توضح نموذج المشفّر/المفكّك مع طبقة انتباه إضافية](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.ar.png) +![صورة توضح نموذج المشفّر/المفكّك مع طبقة انتباه إضافية](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.ar.png) > 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 {αi,j} تمثل درجة تأثير كلمات الإدخال على إنشاء كلمة معينة في تسلسل المخرجات. أدناه مثال على مثل هذه المصفوفة: -![صورة توضح محاذاة نموذج RNNsearch-50، مأخوذة من Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.ar.png) +![صورة توضح محاذاة نموذج RNNsearch-50، مأخوذة من Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.ar.png) > 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: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.ar.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.ar.png) > 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**. -![صورة من http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.ar.png) +![صورة من http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.ar.png) > الصورة [المصدر](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/ar/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/ar/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index e765bd75..01e8bcb7 100644 --- a/translations/ar/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/ar/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -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", - "![صورة توضح نموذج الترميز/فك الترميز مع طبقة انتباه إضافية](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.ar.png)\n", + "![صورة توضح نموذج الترميز/فك الترميز مع طبقة انتباه إضافية](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.ar.png)\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", - "![صورة توضح محاذاة نموذج RNNsearch-50، مأخوذة من Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.ar.png)\n", + "![صورة توضح محاذاة نموذج RNNsearch-50، مأخوذة من Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.ar.png)\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", - "![صورة من http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.ar.png)\n", + "![صورة من http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.ar.png)\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", diff --git a/translations/ar/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/ar/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index 02c169fd..a23d4db2 100644 --- a/translations/ar/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/ar/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -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", - "![صورة توضح نموذج الترميز/فك الترميز مع طبقة انتباه إضافية](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.ar.png)\n", + "![صورة توضح نموذج الترميز/فك الترميز مع طبقة انتباه إضافية](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.ar.png)\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", - "![صورة توضح محاذاة نموذج RNNsearch-50، مأخوذة من Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.ar.png)\n", + "![صورة توضح محاذاة نموذج RNNsearch-50، مأخوذة من Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.ar.png)\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", - "![صورة من http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.ar.png)\n", + "![صورة من http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.ar.png)\n", "\n", "هناك العديد من التعديلات على بنية المحولات، بما في ذلك BERT، وDistilBERT، وBigBird، وOpenGPT3، والمزيد، والتي يمكن تخصيصها بدقة.\n", "\n", diff --git a/translations/ar/lessons/5-NLP/19-NER/README.md b/translations/ar/lessons/5-NLP/19-NER/README.md index 5e84d5e8..b629d0eb 100644 --- a/translations/ar/lessons/5-NLP/19-NER/README.md +++ b/translations/ar/lessons/5-NLP/19-NER/README.md @@ -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: -![صورة تظهر أنماط الشبكات العصبية المتكررة الشائعة.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.ar.jpg) +![صورة تظهر أنماط الشبكات العصبية المتكررة الشائعة.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.ar.jpg) > *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.* diff --git a/translations/ar/lessons/5-NLP/README.md b/translations/ar/lessons/5-NLP/README.md index 54679aa0..2ea60c03 100644 --- a/translations/ar/lessons/5-NLP/README.md +++ b/translations/ar/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # معالجة اللغة الطبيعية -![ملخص مهام معالجة اللغة الطبيعية في رسم توضيحي](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.ar.png) +![ملخص مهام معالجة اللغة الطبيعية في رسم توضيحي](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.ar.png) 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: diff --git a/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md index 3a4cb360..e6a1a648 100644 --- a/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ar/lessons/6-Other/23-MultiagentSystems/README.md @@ -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). -![الشاشة الرئيسية لـ NetLogo](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.ar.png) +![الشاشة الرئيسية لـ NetLogo](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.ar.png) > لقطة شاشة بواسطة Dmitry Soshnikov diff --git a/translations/ar/lessons/README.md b/translations/ar/lessons/README.md index fc77f90b..64bc830d 100644 --- a/translations/ar/lessons/README.md +++ b/translations/ar/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # نظرة عامة -![نظرة عامة في رسم توضيحي](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.ar.png) +![نظرة عامة في رسم توضيحي](../../../translated_images/ai-overview.0857791951d19500.ar.png) > رسم توضيحي بواسطة [Tomomi Imura](https://twitter.com/girlie_mac) diff --git a/translations/ar/lessons/X-Extras/X1-MultiModal/README.md b/translations/ar/lessons/X-Extras/X1-MultiModal/README.md index 4b9bfc52..bbd15df6 100644 --- a/translations/ar/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/ar/lessons/X-Extras/X1-MultiModal/README.md @@ -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. -![بنية CLIP](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.ar.png) +![بنية CLIP](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.ar.png) > *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. -![CLIP لتصنيف الصور](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.ar.png) +![CLIP لتصنيف الصور](../../../../../translated_images/clip-class.3af42ef0b2b19369.ar.png) > *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. -![بنية VQGAN+CLIP](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.ar.png) +![بنية VQGAN+CLIP](../../../../../translated_images/vqgan.5027fe05051dfa31.ar.png) 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 إنتاجها بواسطة Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.ar.png) | ![صورة تم إنتاجها بواسطة Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.ar.png) | ![صورة تم إنتاجها بواسطة Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.ar.png) +![صورة تم إنتاجها بواسطة Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.ar.png) | ![صورة تم إنتاجها بواسطة Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.ar.png) | ![صورة تم إنتاجها بواسطة Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.ar.png) ----|----|---- 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*