خطه دراسه الذكاء الاصطناعي

ما الذي قمتي بدراسته حتى الآن؟ وما الهدف من دراسة مجال الذكاء الاصطناعي؟

درست بايثون فقط الباقي مافهمت والهدف اصير مهندس ذكاء اصطناعي 

مارديت علي

هل أتقنتي ما يلي:

• الدوال functions.
• القواميس والقوائم والتعامل مع الملفات.
• البرمجة الكائنية OOP بشكل عملي.
• التعامل مع الأخطاء try/except.
• استخدام المكتبات عبر pip.
• البيئات الافتراضية venv أو conda.
• أوامر الطرفية الأساسية terminal.

• Git وGitHub.

بعد ما سبق، يجب تنفيذ مشروعين على الأقل من خلال لغة بايثون فقط.

بعد ذلك يجب استيعاب أن النموذج لا يفهم الكلمات أو الصور، يفهم فقط أرقاماً داخل مصفوفات، لذا ستدرسين ما يلي:

• NumPy: لفهم كيفية التعامل مع المتجهات والمصفوفات الرياضية برمجياً.
• Pandas: أهم مكتبة لقراءة وتنظيف ومعالجة الجداول والبيانات.
• Matplotlib & Seaborn: لرسم البيانات وفهم توزيعاتها بصرياً.

ولستِ بحاجة إلى حفظ كل شيء فيها، يكفي معرفة خطوات استخدامها في مشروع حقيقي.

ثم التطبيق على مشروعين بمجموعة بيانات بسيطة وتنفيذ ما يلي:

• قراءة البيانات.
• عرض أول صفوف.
• عرض أنواع الأعمدة.
• ابحثي عن قيم مفقودة.
• نظفي البيانات.
• ارسمي أهم العلاقات.
• اكتبي 5 ملاحظات عن البيانات.

بعد ذلك يجب تعلم أساسيات الرياضيات، المفاهيم فقط على الأقل:

• الجبر الخطي Linear Algebra: ما هو المتجه؟ ما هي المصفوفة؟ وماذا يعني ضرب المصفوفات؟
• التفاضل Calculus: ما معنى الاشتقاق؟ لتفهي خوارزمية Gradient Descent، وهي الطريقة التي يصحح بها الذكاء الاصطناعي أخطاءه.
• الإحصاء والاحتمالات: المتوسط، الانحراف المعياري، والتوزيع الطبيعي.

ثم البدء في تعلم أساسيات تعلم الآلة، ولكن  الخوارزميات الأساسية عبر مكتبة Scikit-Learn:

• الخوارزميات الأساسية: Linear Regression, Logistic Regression, Decision Trees, Random Forests.
• مفاهيم أساسية: كيف تقيسين دقة النموذج؟ ما هو الـ Overfitting والـ Underfitting؟ وكيف تقسم البيانات إلى Train و Test؟

واستيعاب دورة بناء نموذج تعلم آلة، احفظي الدورة جيدًا:

1. فهم المشكلة
2. جمع البيانات
3. تنظيف البيانات
4. استكشاف البيانات
5. تجهيز البيانات
6. تقسيم البيانات
7. اختيار النموذج
8. تدريب النموذج
9. تقييم النموذج
10. تحسين النموذج
11. اختبار النموذج على بيانات جديدة
12. حفظ النموذج أو نشره

ثم توظيف ما سبق في مشروع عملي، ونتيجته يجب أن تكون ما يلي:

• README على GitHub.
• وصف المشكلة.
• وصف البيانات.
• خطوات التنظيف.
• النموذج المستخدم.
• نتائج التقييم.
• ماذا جربت؟
• ماذا نجح؟
• ماذا فشل؟
•  ماذا ستحسن؟

ثم تعلم أساسيات التعلم العميق:

• كيف تعمل الخلية العصبية الصناعية؟ ما هي دوال التنشيط والانتشار الخلفي Backpropagation؟
• إتقان إطار عمل احترافي: يُفضل البدء والتركيز على PyTorch فهو الأكثر طلباً.
• تطبيقاته: معالجة الصور Computer Vision ومعالجة اللغات الطبيعية (NLP).

ثم هندسة الذكاء الاصطناعي ونشره (AI / MLOps):

• بناء واجهات برمجية لنموذجك عبر FastAPI.
• وضع النموذج داخل حاويات Docker.
• التعامل مع النماذج اللغوية الكبيرة (LLMs) وتقنيات مثل RAG واستخدام أدوات مثل LangChain أو LlamaIndex.