لوحة المتصدرين

I'm trying to follow up , but I coud not have code as shown in video

بعد مسار تعلم الآلة الأصح أن تبدأ بمسار التعلم العميق ثم قم بدراسة مسار تطبيقات عملية باستخدام المحوّلات Transformers لتتعلم كيفية استخدام نماذج مدربة مسبقًا مثل VIT وتعديلها لتناسب بياناتك، لكن قم بدراسة قسم المقدمة وقسم إضافة الذكاء الاصطناعي لمركز خدمات فقط. ثم تنتقل بعده إلى التخصص في الرؤية الحاسوبية، لأنه يعتمد بنسبة كبيرة على تقنيات التعلم العميق، ولو حاولت دراسة CV دون فهم عميق للشبكات العصبية، فستجد نفسك تدرس تقنيات قديمة مثل معالجة الصور التقليدية والتي رغم أهميتها، لا تكفي لبناء أنظمة ذكاء اصطناعي حديثة. كذلك يجب تخصيص الدورة بناءًا على هدفك، ركز على استيعاب CNNs، وتجاوز أي شيء يتعلق بالنصوص NLP أو التنبؤ الزمني المعقد، ثم ابدأ في تطبيقات الـ Computer Vision.

يتم إختبارك في المسارات التي قمت بإنهائها فقط بحد أدنى 4 مسارات، لكن الأفضل إنهاء كامل الدورة لتحقيق استفادة، فذلك الخيار متاح لمن يريد دراسة جزء معين من الدورة أو التخصص في جزئية معينة مثلاً. آلية الإختبار هي كالتالي: بعد إنهاء 4 مسارات من الدورة على الأقل، أو الدورة بالكامل عليك رفع المشاريع التي قمت بها بالدورة على حسابك في github، ثم التحدث لمركز المساعدة وإخبارهم أنك تريد التقدم للإختبار وتوفير روابط المشاريع على github. ثم الإنتظار لبعض الوقت لحين مراجعة المشاريع وسيتم الرد عليك، وتحديد موعد لإجراء مقابلة، وبها يتم: إجراء محادثة صوتيّة لمدة 30 دقيقة يطرح المدرّب عليك أسئلة متعلّقة بالدورة والأمور التي نفّذتها خلالها. يحدد لك المدرّب مشروعًا مرتبطًا بما قمت به أثناء الدورة لتنفيذه خلال فترة محددة تتراوح بين أسبوع إلى أسبوعين. إجراء محادثة صوتيّة أخرى لمدّة 30 دقيقة يناقش بها مشروعك وما نفذته وتطرح أسئلة خلالها. إن سارت على جميع الخطوات السابقة بشكل صحيح، تحصل على الشهادة أو يرشدك المدرّب لأماكن القصور ويطلب منك تداركها ثم التواصل معنا من جديد.

نعم صحيح فبتاريخ 23 شهر 11 تم تغير وإضافة مسار أطر عمل css وهو تعديل وتحسين للمسار السابق ويمكنك قراءة تفاصيل أكثر حول هذا التحديث : والأفضل دائما إذا لم يتغير المسار الذي تشاهده فلامشكلة يمكنك إكماله كما أنت ومن ثم متابعة التعديلات التي تمت . أما لو كان المسار الذي تشاهده هو الذي تم تعديله وتم نقله إلى قسم الأرشيف فهنا يجب ترك المسار الموجود به ومشاهدة التحديث مباشرة .

هذا الكود مهم جدًا في تدريب نماذج تعلّم الآلة، ووظيفته الأساسية هي التحكم في عملية التدريب ومنع الاستمرار غير الضروري. سأشرح لك الفكرة ثم أهمية هذا الأسلوب عمليًا. ما الذي يفعله هذا الكود؟ هذا الكود يعرّف Callback مخصّص في Keras اسمه EarlyStoppingCallback. الـ Callback هو كود: يراقب عملية التدريب يتدخل أثناء التدريب بدون تغيير بنية النموذج في هذه الحالة: بعد كل Epoch يتم فحص قيمة accuracy إذا وصلت أو تجاوزت 98% يتم إيقاف التدريب فورًا لماذا هذا مهم في تدريب نماذج الذكاء الاصطناعي؟ 1. توفير الوقت والموارد بدون هذا الكود: النموذج قد يستمر في التدريب 50 أو 100 Epoch رغم أنه وصل للأداء المطلوب مبكرًا هذا يعني: استهلاك CPU / GPU بلا فائدة وقت أطول بدون تحسن حقيقي 2. تقليل خطر Overfitting عندما يستمر التدريب بعد الوصول لأداء جيد: النموذج قد يبدأ في حفظ البيانات الأداء على البيانات الجديدة قد يسوء إيقاف التدريب مبكرًا: يحافظ على تعميم النموذج يمنع الإفراط في التعلّم 3. جعل التدريب ذكيًا بدلًا من ثابت بدل أن تقول: epochs=100 وتتمنى الأفضل، أنت تقول: “درّب حتى تحقق الهدف، ثم توقّف” وهذا أسلوب احترافي في التدريب. لماذا نستخدم Callback بدل شرط عادي؟ لأن: Keras لا يسمح بإيقاف التدريب من داخل حلقة التدريب يدويًا Callback هو الطريقة الرسمية للتدخل أثناء التدريب الفرق بين هذا والكلاس الجاهز EarlyStopping Keras يوفّر: tf.keras.callbacks.EarlyStopping لكن هذا الكود: مخصص حسب شرطك يعتمد على accuracy وليس val_loss مفيد للتعلّم والفهم في المشاريع الحقيقية غالبًا نستخدم: val_loss مع patience ملاحظة مهمة هذا الكود يراقب: logs['accuracy'] وهذا يعني: دقة بيانات التدريب فقط وليس التحقق (Validation) في المشاريع الواقعية: نفضّل val_accuracy لتجنب overfitting متى يكون هذا الكود مناسبًا؟ أثناء التعلّم والتجارب في المسابقات عند تدريب نماذج بسيطة عندما يكون الهدف رقمًا واضحًا الخلاصة أهمية هذا الكود أنه: يوقف التدريب عند الوصول لهدف محدد يوفر الوقت والموارد يقلل overfitting يعطيك تحكمًا ذكيًا في عملية التدريب هو ليس “كود إضافي”، بل جزء من عقل النموذج أثناء التدريب.

يوفر آلية تحكم ديناميكية أثناء عملية تدريب النماذج من خلال ما يعرف باسم Callbacks، حيث يرث الصنف المعرف EarlyStoppingCallback خصائصه من الصنف الأساسي tf.keras.callbacks.Callback ليسمح بالتدخل البرمجي في نهاية كل حقبة تدريبية Epoch. ويتم ذلك عبر الدالة on_epoch_end التي تستقبل سجلات الأداء logs وتقوم بفحص قيمة الدقة accuracy الحالية، وفي حال وصول النموذج إلى نسبة دقة 98% أو أعلى، فسيتم تفعيل الأمر self.model.stop_training = True لإيقاف التدريب فورًا، وذلك هام لحماية النموذج من مشكلة Overfitting التي قد تحدث عند استمرار التدريب لفترات طويلة بعد الوصول للحل الأمثل، حيث يبدأ النموذج حينها في حفظ البيانات بدلاً من فهم الأنماط العامة. بالتالي توفير الموارد الحسابية والوقت عبر إنهاء العمليات بمجرد تحقيق الهدف المطلوب دون الحاجة لانتظار انتهاء كافة الحقب المحددة مسبقًا.

وعليكم السلام ورحمة الله تعالى وبركاته، الكود صحيح تقنيا لكن فيه مشكلة محتملة فال: logs['accuracy'] قد يسبب KeyError إذا كان المفتاح غير موجود في dictionary ال logs والحل الأفضل هو استخدام: logs.get('accuracy', 0) بدلا من الوصول المباشر أو التحقق من وجود المفتاح أولا أيضا تأكد أن في model.compile() استخدمت: metrics=['accuracy'] وليس: metrics=['acc'] لأن TensorFlow 2.x غيّر المفتاح من 'acc' إلى 'accuracy' وبالنسبة لل implementation فال signature صحيح وال inheritance من tf.keras.callbacks.Callback مضبوط ولجعل الكود أكثر أمانا يمكنك استبدال السطر بـ: if logs.get('accuracy', 0) >= 0.98: لتجنب أي أخطاء runtime وضمان أن ال callback يشتغل حتى لو كان logs فارغ أو المفتاح غير موجود.

مرحبا أمير، صحيح، تم استحداث مسارات جديدة في أغلب الدورات وهذا يتم تقريبا بشكل دوري، بما في ذلك دورة تطوير واجهات الاستخدام. ما عليك فعله: استئناف المسار الذي قمت بالتوقف فيه، ثم استئناف المسارات التالية بعده. ولهذا يتم ارشفة بعض المسارات وليس التخلص منها مباشرة، لاعتبار هذا النوع من الطلبة. بالتوفيق.