كيف نتعلم الذكاء الاصطناعي؟

كيف نتعلم الذكاء الاصطناعي؟

قد يبدو تعلم الذكاء الاصطناعي أشبه بدخول مكتبة ضخمة حيث يصرخ كل كتاب "ابدأ من هنا". نصف الرفوف مكتوب عليها "رياضيات"، وهو أمر... غير لائق بعض الشيء 😅

الجانب الإيجابي: لست بحاجة إلى معرفة كل شيء لبناء أشياء مفيدة. أنت بحاجة إلى مسار منطقي، وبعض الموارد الموثوقة، واستعداد للشعور بالحيرة قليلاً (الحيرة هي في الأساس ثمن الدخول).

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 كيف يكتشف الذكاء الاصطناعي الحالات الشاذة
يشرح أساليب الكشف عن الحالات الشاذة باستخدام التعلم الآلي والإحصاء.

🔗 لماذا يعتبر الذكاء الاصطناعي سيئاً للمجتمع؟
يتناول هذا البحث المخاطر الأخلاقية والاجتماعية والاقتصادية للذكاء الاصطناعي.

🔗 كمية المياه التي يستخدمها الذكاء الاصطناعي
يحلل هذا التقرير استهلاك الطاقة الناتج عن الذكاء الاصطناعي وتأثيراته الخفية على استخدام المياه.

🔗 ما هي مجموعة بيانات الذكاء الاصطناعي؟
يحدد مجموعات البيانات، والتصنيف، ودورها في تدريب الذكاء الاصطناعي.

ما الذي تعنيه "الذكاء الاصطناعي" في الواقع بلغة الحياة اليومية؟ 🤷♀️

يقول الناس "الذكاء الاصطناعي" ويقصدون عدة أشياء مختلفة:

  • التعلم الآلي (ML) – تتعلم النماذج الأنماط من البيانات لربط المدخلات بالمخرجات (مثل اكتشاف البريد العشوائي، والتنبؤ بالأسعار). [1]

  • التعلم العميق (DL) - وهو مجموعة فرعية من التعلم الآلي تستخدم الشبكات العصبية على نطاق واسع (الرؤية، الكلام، نماذج اللغة الكبيرة). [2]

  • الذكاء الاصطناعي التوليدي – نماذج تنتج النصوص والصور والرموز والصوت (برامج الدردشة الآلية، والمساعدين، وأدوات المحتوى). [2]

  • التعلم المعزز – التعلم عن طريق التجربة والمكافأة (وكلاء الألعاب، الروبوتات). [1]

ليس عليك الاختيار الأمثل من البداية. فقط لا تتعامل مع الذكاء الاصطناعي كمتحف. إنه أشبه بمطبخ - تتعلم أسرع بالتجربة. أحيانًا قد تحرق الخبز المحمص. 🍞🔥

قصة قصيرة: قام فريق صغير بتطوير نموذج رائع لتقدير معدل التخلي عن الخدمة... إلى أن لاحظوا وجود معرّفات متطابقة في مجموعتي التدريب والاختبار . تسريب بيانات كلاسيكي. حوّلت عملية بسيطة مع فصل البيانات بشكل واضح النتيجة المشبوهة 0.99 إلى نتيجة موثوقة (أقل!) ونموذجًا قابلًا للتعميم بالفعل. [3]

ما الذي يجعل خطة "كيفية تعلم الذكاء الاصطناعي" جيدة؟ ✅

تتضمن الخطة الجيدة بعض السمات التي قد تبدو مملة ولكنها توفر عليك شهوراً من الوقت والجهد:

  • قم بالبناء أثناء التعلم (مشاريع صغيرة في البداية، ومشاريع أكبر لاحقاً).

  • تعلم الحد الأدنى من الرياضيات اللازمة ، ثم عد إلى الموضوع لمزيد من التعمق.

  • اشرح ما فعلته (قم بتصحيح عملك؛ فهذا يعالج التفكير الضبابي).

  • التزم بمجموعة أدوات أساسية واحدة لفترة من الوقت (Python + Jupyter + scikit-learn → ثم PyTorch).

  • قم بقياس التقدم من خلال المخرجات ، وليس من خلال ساعات المشاهدة.

إذا كانت خطتك تقتصر على مقاطع الفيديو والملاحظات فقط، فهذا أشبه بمحاولة السباحة من خلال قراءة معلومات عن الماء.

اختر مسارك (مؤقتًا) - ثلاثة مسارات شائعة 🚦

يمكنك تعلم الذكاء الاصطناعي بأشكال مختلفة. إليك ثلاثة منها فعّالة:

1) الطريق العملي للبناء 🛠️

الأفضل إذا كنت ترغب في تحقيق نتائج سريعة والحصول على الحافز.
التركيز: مجموعات البيانات، وتدريب النماذج، وإطلاق العروض التوضيحية.
موارد للمبتدئين: دورة جوجل المكثفة في التعلم الآلي، ومنصة Kaggle Learn، وموقع fast.ai (الروابط في قسم المراجع والموارد أدناه).

2) المسار الذي يبدأ بالأساسيات 📚

الأفضل لمن يُحبّون الوضوح والنظرية.
التركيز: الانحدار، التحيز والتباين، التفكير الاحتمالي، التحسين.
المراجع: مواد ستانفورد CS229، مقدمة معهد ماساتشوستس للتكنولوجيا في التعلّم العميق. [1][2]

3) مسار مطور تطبيقات الذكاء الاصطناعي العام ✨

الأفضل إذا كنت ترغب في بناء مساعدين، أو البحث، أو سير العمل، أو أي شيء مشابه للوكلاء.
التركيز: التوجيه، والاسترجاع، والتقييمات، واستخدام الأدوات، وأساسيات السلامة، والنشر.
الوثائق التي يجب الاحتفاظ بها: وثائق المنصة (واجهات برمجة التطبيقات)، ودورة HF (الأدوات).

يمكنك تغيير المسار لاحقاً. البداية هي الجزء الأصعب.

 

كيفية تعلم الذكاء الاصطناعي من خلال الدراسة

جدول مقارنة – أفضل طرق التعلم (مع بعض الملاحظات الطريفة) 📋

أداة / دورة جمهور سعر لماذا ينجح الأمر (ملخص قصير)
دورات مكثفة في تعلم الآلة من جوجل للمبتدئين حر مرئي وعملي؛ يتجنب التعقيد الزائد
Kaggle Learn (مقدمة + متوسط ​​في تعلم الآلة) المبتدئين الذين يحبون التدريب حر دروس قصيرة + تمارين فورية
التعلم العميق العملي من fast.ai بناة لديهم بعض البرمجة حر تقوم بتدريب نماذج حقيقية في وقت مبكر - يعني، فوراً 😅
تخصص التعلم العميق والذكاء الاصطناعي والتعلم الآلي المتعلمون المنظمون مدفوع التدرج الواضح في مفاهيم التعلم الآلي الأساسية
DeepLearning.AI مواصفات التعلم العميق أساسيات التعلم الآلي موجودة بالفعل مدفوع عمق متين في الشبكات العصبية + سير العمل
ملاحظات ستانفورد CS229 مدفوع بالنظرية حر أساسيات جادة ("لماذا ينجح هذا؟")
دليل مستخدم مكتبة scikit-learn ممارسي التعلم الآلي حر مجموعة الأدوات الكلاسيكية للجداول/الخطوط الأساسية
دروس تعليمية حول PyTorch أدوات بناء التعلم العميق حر تنظيف المسار من الموترات → حلقات التدريب [4]
دورة ماجستير في القانون بعنوان "الوجه المعانق" مطورو برامج البرمجة اللغوية العصبية والماجستير في القانون حر سير عمل عملي لبرنامج الماجستير في القانون + أدوات النظام البيئي
إطار عمل إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا أي شخص يستخدم الذكاء الاصطناعي حر هيكل بسيط وقابل للاستخدام لإدارة المخاطر والحوكمة [5]

ملاحظة صغيرة: مفهوم "السعر" على الإنترنت غريب. بعض الأشياء مجانية لكنها تتطلب انتباهاً... وهو أمر أسوأ في بعض الأحيان.

مجموعة المهارات الأساسية التي تحتاجها فعلاً (وبأي ترتيب) 🧩

إذا كان هدفك هو كيفية تعلم الذكاء الاصطناعي دون أن تغرق، فاستهدف هذا التسلسل:

  1. أساسيات لغة بايثون

  • الدوال، والقوائم/القواميس، والفئات الخفيفة، وقراءة الملفات.

  • عادة لا غنى عنها: كتابة نصوص قصيرة، وليس مجرد دفاتر ملاحظات.

  1. معالجة البيانات

  • التفكير الشبيه بـ NumPy، أساسيات Pandas، الرسم البياني.

  • ستقضي الكثير من الوقت هنا. ليس الأمر براقاً، لكنها طبيعة العمل.

  1. الماريجوانا الكلاسيكية (القوة العظمى التي لا تحظى بالتقدير الكافي)

  • تقسيمات التدريب/الاختبار، والتسريب، والتجاوز في التخصيص.

  • الانحدار الخطي/اللوجستي، الأشجار، الغابات العشوائية، تعزيز التدرج.

  • المقاييس: الدقة، والضبط/الاستدعاء، ومساحة تحت منحنى ROC، ومتوسط ​​الخطأ المطلق/جذر متوسط ​​مربع الخطأ - اعرف متى يكون لكل منها معنى. [3]

  1. التعلم العميق

  • الموترات، والتدرجات/الانتشار العكسي (من الناحية المفاهيمية)، وحلقات التدريب.

  • الشبكات العصبية التلافيفية للصور، والمحولات للنصوص (في نهاية المطاف).

  • بعض أساسيات PyTorch الشاملة كافية لتحقيق نتائج رائعة. [4]

  1. الذكاء الاصطناعي التوليدي + سير عمل ماجستير القانون

  • التجزئة، والتضمينات، والتوليد المعزز بالاسترجاع، والتقييم.

  • الضبط الدقيق مقابل التوجيه (ومتى لا تحتاج إلى أي منهما).

خطة مُفصّلة يمكنك اتباعها 🗺️

المرحلة أ – تشغيل النموذج الأول (بسرعة) ⚡

الهدف: تدريب شيء ما، وقياسه، وتحسينه.

  • قم بتقديم مقدمة موجزة (مثل دورة التعلم الآلي المكثفة)، ثم دورة مصغرة عملية (مثل مقدمة كاغل).

  • فكرة المشروع: التنبؤ بأسعار المنازل، أو معدل فقدان العملاء، أو مخاطر الائتمان على مجموعة بيانات عامة.

قائمة صغيرة للتحقق من "الفوز":

  • يمكنك تحميل البيانات.

  • يمكنك تدريب نموذج أساسي.

  • يمكنك شرح مفهوم التجاوز في التخصيص بلغة بسيطة.

المرحلة الثانية - التعود على ممارسة التعلم الآلي الحقيقي 🔧

الهدف: التوقف عن الشعور بالدهشة من أنماط الفشل الشائعة.

  • العمل على مواضيع التعلم الآلي المتوسطة: القيم المفقودة، والتسريب، وخطوط الأنابيب، والرؤية الحاسوبية.

  • تصفح بعض أقسام دليل مستخدم مكتبة scikit-learn وقم بتشغيل المقاطع البرمجية. [3]

  • فكرة المشروع: مسار بسيط من البداية إلى النهاية مع نموذج محفوظ + تقرير تقييم.

المرحلة ج – التعلم العميق الذي لا يبدو سحراً 🧙♂️

الهدف: تدريب شبكة عصبية وفهم حلقة التدريب.

  • اتبع مسار "تعلم الأساسيات" في PyTorch (الموترات ← مجموعات البيانات/محملات البيانات ← التدريب/التقييم ← الحفظ). [4]

  • يمكنك أيضاً إقرانه بـ fast.ai إذا كنت ترغب في السرعة والطابع العملي.

  • فكرة المشروع: مصنف الصور، أو نموذج تحليل المشاعر، أو ضبط دقيق لمحول صغير.

المرحلة د – تطبيقات الذكاء الاصطناعي التوليدي التي تعمل بالفعل ✨

الهدف: بناء شيء يستخدمه الناس.

  • اتبع دورة LLM العملية بالإضافة إلى دليل البدء السريع للبائع لتوصيل عمليات التضمين والاسترجاع والأجيال الآمنة.

  • فكرة المشروع: روبوت أسئلة وأجوبة على مستنداتك (تقسيم → تضمين → استرجاع → إجابة مع الاستشهادات)، أو مساعد دعم العملاء مع استدعاءات الأدوات.

الجزء "الرياضي" – تعلّمه كما تتعلم التوابل، وليس الوجبة بأكملها 🧂

الرياضيات مهمة، لكن التوقيت أهم.

الحد الأدنى من العمليات الحسابية اللازمة للبدء:

  • الجبر الخطي: المتجهات، المصفوفات، الضرب النقطي (حدس للتضمينات). [2]

  • حساب التفاضل والتكامل: الحدس الاشتقاقي (الميول ← التدرجات). [1]

  • الاحتمالات: التوزيعات، والتوقع، والتفكير البايزي الأساسي. [1]

إذا كنت ترغب في الحصول على أساس أكثر رسمية لاحقًا، فارجع إلى ملاحظات مقرر CS229 للأساسيات ومقدمة معهد ماساتشوستس للتكنولوجيا في مجال التعلم العميق للمواضيع الحديثة. [1][2]

مشاريع تجعلك تبدو وكأنك تعرف ما تفعله 😄

إذا اقتصرت على بناء المصنفات على مجموعات بيانات تجريبية فقط، فستشعر بالجمود. جرب مشاريع تحاكي العمل الحقيقي.

  • مشروع التعلم الآلي القائم على خط الأساس أولاً (scikit-learn): بيانات نظيفة ← خط أساس قوي ← تحليل الأخطاء. [3]

  • تطبيق LLM + استرجاع: استيعاب المستندات → تقسيم → تضمين → استرجاع → إنشاء إجابات مع الاستشهادات.

  • لوحة تحكم مصغرة لمراقبة النموذج: تسجيل المدخلات/المخرجات؛ تتبع الإشارات التي تنحرف (حتى الإحصائيات البسيطة تساعد).

  • التدقيق المصغر للذكاء الاصطناعي المسؤول: توثيق المخاطر، والحالات الشاذة، وتأثيرات الفشل؛ استخدام إطار عمل خفيف الوزن. [5]

نشر مسؤول وعملي (نعم، حتى للبناة المنفردين) 🧯

للتوضيح: العروض التوضيحية المبهرة سهلة، أما الأنظمة الموثوقة فليست كذلك.

  • احتفظ بملف README قصير على غرار "بطاقة النموذج": مصادر البيانات، والمقاييس، والحدود المعروفة، ووتيرة التحديث.

  • أضف ضوابط أساسية (حدود المعدل، التحقق من صحة المدخلات، مراقبة إساءة الاستخدام).

  • بالنسبة لأي شيء يتعلق بالمستخدمين أو له تبعات، استخدم قائمًا على المخاطر : حدد الأضرار، واختبر الحالات الاستثنائية، ووثّق إجراءات التخفيف. تم تصميم إطار إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا (NIST) خصيصًا لهذا الغرض. [5]

الأخطاء الشائعة (حتى تتمكن من تجنبها) 🧨

  • التنقل بين الدروس التعليمية – "مجرد دورة أخرى" تصبح شخصيتك بأكملها.

  • لنبدأ بأصعب موضوع - المحولات رائعة، لكن الأساسيات هي التي تدفع الإيجار.

  • تجاهل التقييم – الدقة وحدها قد تخدعك. استخدم المقياس المناسب للمهمة. [3]

  • عدم تدوين الأشياء - احتفظ بملاحظات قصيرة: ما الذي فشل، وما الذي تغير، وما الذي تحسن.

  • لا توجد ممارسة نشر – حتى غلاف تطبيق بسيط يعلم الكثير.

  • تجنب التفكير في المخاطر – اكتب نقطتين حول الأضرار المحتملة قبل الشحن. [5]

ملاحظات ختامية - طويل جدًا، لم أقرأه 😌

إذا كنت تسأل عن كيفية تعلم الذكاء الاصطناعي ، فإليك أبسط وصفة للنجاح:

  • ابدأ بأساسيات التعلم الآلي العملية (مقدمة موجزة + ممارسة على غرار Kaggle).

  • استخدم مكتبة scikit-learn لتعلم سير العمل والمقاييس الحقيقية للتعلم الآلي. [3]

  • انتقل إلى PyTorch للتعلم العميق وحلقات التدريب. [4]

  • أضف مهارات الماجستير في القانون من خلال دورة عملية وبدايات سريعة لواجهة برمجة التطبيقات (API).

  • قم ببناء 3-5 مشاريع توضح ما يلي: إعداد البيانات، والنمذجة، والتقييم، وغلاف "المنتج" البسيط.

  • تعامل مع إدارة المخاطر/الحوكمة كجزء من "الأمور المنجزة"، وليس كإضافة اختيارية. [5]

نعم، ستشعر بالضياع أحيانًا. هذا طبيعي. الذكاء الاصطناعي أشبه بتعليم محمصة خبز القراءة - إنه مثير للإعجاب عندما ينجح، ومخيف بعض الشيء عندما يفشل، ويتطلب محاولات أكثر مما يعترف به أي شخص 😵💫

مراجع

[1] ملاحظات محاضرات ستانفورد CS229. (أساسيات التعلم الآلي، التعلم الخاضع للإشراف، التأطير الاحتمالي).
https://cs229.stanford.edu/main_notes.pdf

[2] معهد ماساتشوستس للتكنولوجيا 6.S191: مقدمة في التعلم العميق. (نظرة عامة على التعلم العميق، ومواضيع حديثة تشمل برامج الماجستير في التعلم).
https://introtodeeplearning.com/

[3] مكتبة scikit-learn: تقييم النماذج ومقاييسها (الدقة، الدقة/الاستدعاء، ROC-AUC، إلخ).
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] دروس PyTorch التعليمية - تعلّم الأساسيات. (الموترات، مجموعات البيانات/محملات البيانات، حلقات التدريب/التقييم).
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] إطار إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا (AI RMF 1.0). (إرشادات موثوقة قائمة على المخاطر في مجال الذكاء الاصطناعي).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

مصادر إضافية (قابلة للنقر)

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا

العودة إلى المدونة