مركز تعلم الذكاء الاصطناعي
شروحات بصرية لمفاهيم تعلم الآلة — سلسلة مخططات مرسومة يدوياً
Setup & Tooling
Your Python ML environment
مكدس Python للتعلم الآلي: NumPy وPandas وMatplotlib
أتقن الأدوات التي يستخدمها كل مهندس تعلم آلي يومياً — عمليات NumPy المتجهة وPandas DataFrames وMatplotlib/Seaborn للتصور البصري. الأساس الذي يبني عليه كل شيء آخر.
Math Foundations
Linear algebra, calculus, probability & information theory
الجبر الخطي لتعلم الآلة
المتجهات والضرب النقطي وضرب المصفوفات والتحليل الطيفي وSVD — مع حدس بصري لكيفية تحويل المصفوفات للفضاء. اللغة التي تُكتب بها كل شبكة عصبية.
حساب التفاضل والتكامل والتحسين
المشتقات والمشتقات الجزئية وقاعدة السلسلة (الانتشار العكسي) والانحدار التدرجي — ثم Adam والزخم وجدولة معدل التعلم. القصة الكاملة لكيفية تعلم الشبكات العصبية.
الاحتمالات والإحصاء
التوزيعات الاحتمالية والاحتمالية القصوى ومبرهنة بايز واختبار الفرضيات ومبرهنة النهاية المركزية — لغة عدم اليقين وراء كل دالة خسارة ومقياس تقييم.
نظرية المعلومات
الإنتروبيا وخسارة الإنتروبيا التقاطعية وتباين KL والمعلومات المتبادلة — العمود الرياضي الفقري الذي يُفسر عمل الإنتروبيا التقاطعية دالةً للخسارة وعمل المحولات.
Classic ML
Supervised, unsupervised, ensemble — the full sklearn toolkit
الانحدار الخطي واللوجستي
غوص بصري عميق من MCO إلى الانحدار التدرجي وR² والبواقي والتعددية الخطية، ثم اللوجستي: sigmoid وخسارة log وتنظيم L1/L2 وحدود القرار.
تقييم النماذج والمقاييس
دليل شامل: الدقة والضبط والاستدعاء وF1 وROC-AUC ومصفوفة الالتباس والتحقق المتقاطع — واختيار المقياس الصحيح لمهمتك.
مقايضة التحيز والتباين وتحليل الأخطاء
حدس بصري للتقصير مقابل الإفراط في التعلم وتحليل التحيز والتباين ومنحنيات التعلم وتحليل الأخطاء المنهجي — كيف تشخّص ما يخطئ فيه نموذجك.
هندسة الميزات والخطوط
خط أنابيب المعالجة المسبقة الكامل: الإحلال والترميز الفئوي والتحجيم وإنشاء الميزات وخطوط أنابيب sklearn لتقييم خالٍ من تسرب البيانات.
مصنفات بايز الساذجة
مبرهنة بايز وافتراض الاستقلالية الشرطية ومتغيرات Gaussian/Multinomial/Complement وتمهيد Laplace وتصنيف النصوص بـTF-IDF ومعايرة الاحتمالات.
أشجار القرار والغابة العشوائية
كيف تُقسّم أشجار القرار البيانات (جيني والإنتروبيا) والتقليم، ثم الغابة العشوائية كمجموعة مُجمَّعة — تخفيض التباين وأهمية الميزات وتقييم OOB.
SVM وSVR وKNN
آلات المتجهات الداعمة: مستوى الهامش الأقصى وحيلة النواة (RBF) وSVR للانحدار بأنبوب ε. KNN: مقاييس المسافة واختيار k ولعنة الأبعاد.
التجميع: K-Means وDBSCAN
تجميع غير خاضع للإشراف للبيانات غير المصنفة — K-Means وDBSCAN والتجميع الهرمي. اكتشاف البنية المخفية في بياناتك.
تحليل المكونات الرئيسية وتخفيض الأبعاد
تحليل المكونات الرئيسية من الصفر: التحليل الطيفي لمصفوفة التباين والتباين المُفسَّر واختيار المكونات ومقارنة t-SNE/UMAP.
اكتشاف الشذوذ والقيم المتطرفة
أساليب إحصائية (Z-Score وIQR) وخوارزمية (Isolation Forest وLOF وOne-Class SVM) للعثور على الملاحظات الشاذة النادرة في اكتشاف الاحتيال ومراقبة الأنظمة.
التعزيز التدريجي: XGBoost وLightGBM وCatBoost
من Gradient Boosting الأساسي إلى XGBoost وLightGBM وCatBoost. تحسين من الرتبة الثانية وتجزئة بالمدرج ونمو من الأوراق وأنماط Optuna HPO.
التحزيم والتعزيز والتكديس
شرح بصري لجميع نماذج المجموعة — bagging يُقلل التباين وboosting يُقلل التحيز وstacking يجمع التنبؤات عبر مُتعلم ميتا.
التصنيف متعدد الفئات: OvA مقابل OvO
استراتيجيات كل واحد مقابل الكل وكل واحد مقابل واحد لتوسيع المصنفات الثنائية — حدود القرار وقابلية التوسع وتطبيقات SVM ومتى تستخدم Softmax.
ضبط المعاملات الفائقة
البحث الشبكي والبحث العشوائي والتحسين البايزي والتنصيف المتتالي وOptuna — إيجاد أفضل تهيئة للنموذج دون الإفراط في ملاءمة مجموعة التحقق.
أهمية الميزات والاختيار
أهمية التبديل مقابل أهمية عدم النقاء ونسب SHAP الموحدة — كيف تُفسر نموذجك وتكتشف أي الميزات تُحدث فعلاً فارقاً في التنبؤات.
الاعتماد الجزئي ومنحنيات ICE
تهمّش PDP على كل الميزات الأخرى لإظهار التأثير المتوسط. تكشف منحنيات ICE عن التجانس الفردي. تُصلح مخططات ALE مشكلة استقراء PDP.
التنبؤ بالسلاسل الزمنية
تحليل الاتجاه والموسمية والبواقي وميزات التأخر والإحصاءات المتدحرجة وTimeSeriesSplit وحدس ARIMA والتعزيز التدريجي للتنبؤ الجدولي.
Deep Learning Core
Neural networks, CNNs, RNNs and training techniques
الشبكات العصبية — الانتشار الأمامي والخلفي
من المدرك الحسي الواحد إلى الشبكات متعددة الطبقات: المرور الأمامي ودوال التنشيط والانتشار العكسي والتدرجات المتلاشية واستراتيجيات تهيئة الأوزان.
التحسين في التعلم العميق
SGD مقابل Adam مقابل AdamW وإحماء معدل التعلم والجدولة التقوسية وتطبيع الدُّفعة والـDropout وقطع التدرج والتدريب بالدقة المختلطة.
معماريات CNN: الكلاسيكية → ResNet → ViT
الشبكات الالتفافية من الصفر: عملية الالتفاف والتجميع والحقل الاستقبالي، ثم الكلاسيكية وInception وResNet (الاتصالات القافزة) ومحول الرؤية ViT.
RNN وLSTM وGRU — نمذجة التسلسلات
الشبكات المتكررة للتسلسلات: RNN الأساسية وLSTM (بوابات النسيان والإدخال والإخراج وحالة الخلية) وGRU (بوابات مُبسَّطة) وBi-LSTM للسياق ثنائي الاتجاه.
Computer Vision
Detection, segmentation and visual understanding
اكتشاف الأجسام: YOLO وFaster-RCNN
من النوافذ المتحركة إلى YOLO — IoU وصناديق الإرساء وNMS وmAP. كيف يكتشف YOLO 80 فئة جسم في الوقت الفعلي بـ30 إطار في الثانية.
تجزئة الصور: UNet وDeepLab
التصنيف على مستوى البكسل — التجزئة الدلالية ومقابل الحالات في UNet وDeepLab وخسارة Dice لعدم توازن الفئات وتطبيقات التصوير الطبي والقيادة الذاتية.
NLP & Transformers
Text, attention mechanisms and large language models
معالجة اللغة الطبيعية: خط أنابيب تصنيف النصوص
خط أنابيب NLP الكلاسيكي: التجزئة وTF-IDF والتصنيف (بايز/LR/SVM) وتضمينات الكلمات ومحولات الجمل للبحث الدلالي.
المحولات والاهتمام الذاتي
غوص عميق في آليات الانتباه: الضرب النقطي المُحجَّم والانتباه متعدد الرؤوس والترميز الموضعي وBERT encoder مقابل GPT decoder.
Audio & Speech
Spectrograms, ASR and audio classification
تعلم الآلة للصوت والكلام
من الصوت الخام إلى ميزات MFCC — أطياف STFT وMel filterbanks وشبكات CNN للصوت وخسارة CTC وSpecAugment وWhisper للتعرف على الكلام.
Generative AI
VAEs, GANs and diffusion-style generation
النماذج التوليدية: VAE وGAN
من الترميز التلقائي إلى VAE (ELBO وحيلة إعادة المعاملات) إلى GAN (التدريب التنافسي وDCGAN وحلول انهيار النمط).
Reinforcement Learning
MDPs, Q-learning, policy gradients and PPO
التعلم المعزز
صياغة MDP ومعادلات Bellman وQ-learning والشبكات DQN وتدرجات السياسة وPPO — مع تصور تفاعلي يُظهر تقارب قيم Q عبر 200 حلقة.
المزيد من المخططات قريباً
Diffusion Models · Graph Neural Networks · MLOps · LLM Fine-tuning · Causal ML