---
title: "الجلسة الثالثة | Deep Learning — From Scratch to PyTorch"
aliases:
  - "Session 03 - Deep Learning"
  - "AI Camp v2 - Session 03"
tags:
  - AI-Camp-v2
  - Models
  - Deep-Learning
  - Neural-Networks
  - PyTorch
session: 3
duration: "3 hours"
duration_minutes: 180
track: Models
status: planned
language: ar
---

# الجلسة الثالثة: Deep Learning — From Scratch to PyTorch

> [!info] معلومات الجلسة
> - **المسار:** Models — بناء النماذج
> - **المدة:** 3 ساعات
> - **الطابع:** فهم رياضي + تنفيذ يدوي + تطبيق باستخدام إطار عمل
> - **المشروع:** Handwritten Digit Recognition — MNIST
> - **الأدوات الأساسية:** Python · NumPy · PyTorch · Jupyter Notebook

##  نظرة عامة

تهدف هذه الجلسة إلى نقل الطالب من خوارزميات **Machine Learning** التقليدية إلى فهم الشبكات العصبية وآلية تعلّمها. يبدأ المسار بتوضيح المفاهيم الرياضية والحسابية الأساسية، ثم بناء شبكة عصبية بسيطة باستخدام **NumPy**، وأخيرًا إعادة تنفيذ المهمة باستخدام **PyTorch**.

> [!abstract] الهدف الرئيسي
> أن يفهم الطالب **كيف تتعلم الشبكة العصبية من البيانات**: من حساب المخرجات والخطأ والمشتقات، إلى تحديث الأوزان، ثم استخدام أدوات PyTorch لتنظيم التدريب دون فقدان فهم العمليات التي تحدث داخليًا.

##  مخرجات التعلّم

بنهاية الجلسة، يُتوقع أن يصبح الطالب قادرًا على:

- شرح وظيفة **Neurons وLayers وWeights وBiases**.
- تتبع مسار البيانات خلال **Forward Propagation**.
- فهم دور **Activation Functions** و**Loss Functions**.
- وصف الفكرة الرياضية الأساسية لـ **Backpropagation** و**Gradient Descent**.
- بناء شبكة **Feed-Forward** صغيرة باستخدام NumPy.
- إنشاء نموذج وتدريبه باستخدام `torch.nn` و`Dataset` و`DataLoader`.
- تفسير منحنيات **Training/Validation Loss** و**Accuracy**.
- تشخيص مثال واحد على الأقل من **Overfitting** أو **Underfitting** أو صعوبات التدريب.

---

##  المحاور النظرية

### 1. Neural Network Fundamentals — أساسيات الشبكات العصبية

| المفهوم | ما يتعلمه الطالب |
|---|---|
| **Neurons & Layers** | تنظيم الوحدات الحسابية ضمن طبقات إدخال ومخفية وإخراج. |
| **Weights & Biases** | المعاملات القابلة للتعلم التي تحدد طريقة معالجة المدخلات. |
| **Forward Propagation** | انتقال البيانات عبر الطبقات لإنتاج التنبؤ. |
| **Activation Functions** | إدخال اللاخطية لتمكين الشبكة من تعلّم علاقات أكثر تعقيدًا. |
| **Loss Functions** | قياس الفرق بين التنبؤ والهدف أثناء التدريب. |
| **Backpropagation** | حساب تأثير معاملات الشبكة على الخطأ باستخدام قاعدة السلسلة. |
| **Gradient Descent** | تحديث المعاملات باتجاه يقلل دالة الخطأ. |
| **Optimizers** | خوارزميات تنفيذ تحديث المعاملات، مثل SGD وAdam. |
| **Overfitting & Underfitting** | تشخيص ضعف التعميم أو عدم كفاية تعلم الأنماط. |

### 2. الفكرة الرياضية الأساسية

يمر حساب طبقة عصبية مبسطة بخطوتين:

**التحويل الخطي:**

$$
z = Wx + b
$$

**تطبيق تابع التفعيل:**

$$
a = f(z)
$$

ثم تُحسب دالة الخطأ ويُستخدم تدرجها لتحديث المعاملات، مثلًا في أبسط أشكال Gradient Descent:

$$
\theta_{t+1} = \theta_t - \eta \nabla_{\theta}\mathcal{L}
$$

حيث:

- $\theta$: معاملات النموذج القابلة للتعلّم.
- $\eta$: معدل التعلّم (**Learning Rate**).
- $\mathcal{L}$: دالة الخطأ (**Loss Function**).

> [!tip] الرسالة التعليمية
> لا يكفي أن يعرف الطالب كيفية استدعاء `model.fit()` أو كتابة حلقة تدريب جاهزة؛ الأهم أن يفهم **لماذا تتغير الأوزان**، وكيف تتسبب الأخطاء في توجيه عملية التعلم.

### 3. Training Dynamics — سلوك التدريب

- أثر **Learning Rate** في سرعة التدريب واستقراره.
- الفرق بين **Epoch** و**Batch** و**Iteration**.
- التمييز بين الأداء على بيانات التدريب والتحقق.
- التعرف إلى أعراض **Overfitting** و**Underfitting**.
- مقدمة إلى **Regularization** وطرق الحد من فرط التكيّف.

---

##  التطبيق العملي

### الجزء الأول — Neural Network from Scratch with NumPy

**الهدف:** بناء شبكة **Feed-Forward** صغيرة لفهم الحسابات الأساسية دون الاعتماد على أدوات التدريب التلقائي.

- [ ] إعداد بيانات التدريب وتجهيز أشكال المصفوفات.
- [ ] تهيئة **Weights** و**Biases**.
- [ ] تنفيذ **Forward Pass**.
- [ ] حساب **Loss**.
- [ ] تنفيذ المشتقات والتحديثات الأساسية للأوزان باستخدام NumPy.
- [ ] تشغيل حلقة تدريب قصيرة ومراقبة انخفاض الخطأ.

> [!note] نطاق التنفيذ
> يفضّل البدء ببيانات صغيرة أو جزء محدود من MNIST عند تنفيذ النسخة اليدوية، حتى يركّز الطلاب على فهم الحسابات بدلًا من استهلاك وقت الجلسة في تدريب ثقيل.

### الجزء الثاني — Rebuild with PyTorch

تُعاد المهمة باستخدام المكونات الأساسية في PyTorch:

| المكوّن | وظيفته |
|---|---|
| `torch.nn` | تعريف الطبقات وبنية الشبكة ودوال الخطأ. |
| `Dataset` | تنظيم الوصول إلى العينات ووسومها. |
| `DataLoader` | توفير البيانات على دفعات، مع خيارات مثل Shuffle. |
| **Training Loop** | تنفيذ التنبؤ وحساب الخطأ والاشتقاق وتحديث الأوزان. |
| **Optimizer** | تطبيق التحديثات على معاملات النموذج. |

خطوات التنفيذ:

- [ ] تحميل بيانات MNIST وتجهيزها.
- [ ] إنشاء شبكة بسيطة باستخدام `torch.nn`.
- [ ] إعداد دالة الخطأ وOptimizer.
- [ ] كتابة **Training Loop** و**Validation Loop**.
- [ ] تسجيل قيم **Loss** و**Accuracy** عبر التدريب.
- [ ] عرض منحنيات الأداء وتحليلها.

---

##  مشروع الجلسة: Handwritten Digit Recognition (MNIST)

### فكرة المشروع

تدريب شبكة عصبية للتعرف على الأرقام المكتوبة يدويًا من **0 إلى 9**، ثم مقارنة تجربة البناء اليدوي باستخدام NumPy مع تطبيق المهمة باستخدام PyTorch.

### مراحل المشروع

1. **Data Preparation:** تجهيز صور MNIST والوسوم وتقسيمات البيانات.
2. **NumPy Implementation:** بناء شبكة صغيرة وتوضيح الحسابات والتحديثات.
3. **PyTorch Implementation:** إعادة بناء النموذج وتشغيل حلقة تدريب منظمة.
4. **Evaluation:** حساب الدقة والخطأ على بيانات منفصلة عن التدريب.
5. **Comparison:** مقارنة سهولة التطوير، وقابلية التوسع، وتجربة التدريب.
6. **Diagnosis:** توثيق مشكلة تدريب واحدة وأسبابها المحتملة وطريقة التعامل معها.

### المقارنة المطلوبة

| جانب المقارنة | NumPy from Scratch | PyTorch |
|---|---|---|
| **الهدف** | فهم الحسابات الأساسية | بناء النموذج وتدريبه بكفاءة أعلى |
| **Forward Pass** | تنفيذه يدويًا | تعريفه ضمن بنية النموذج |
| **Gradients** | اشتقاقها/حسابها يدويًا | استخدام **Autograd** |
| **Parameter Updates** | تطبيقها يدويًا | استخدام Optimizer |
| **النتيجة** | فهم ما يحدث داخل الشبكة | القدرة على بناء تجارب تدريب منظمة وقابلة للتطوير |

> [!warning] عدالة المقارنة
> إذا اختلف حجم البيانات أو بنية الشبكة أو عدد خطوات التدريب بين التطبيقين، فلا يصح اعتبار اختلاف الدقة دليلًا مباشرًا على تفوق إطار العمل نفسه. يجب توضيح ما تمت مقارنته فعليًا.

---

##  التسليم المطلوب (Deliverables)

- [ ] **Jupyter Notebook** يحتوي على تنفيذ NumPy وخطوات التدريب الأساسية.
- [ ] تنفيذ مكافئ أو قريب منه باستخدام **PyTorch**.
- [ ] منحنيات **Loss** و**Accuracy** موضحة بعناوين ومحاور.
- [ ] تقييم واضح على بيانات منفصلة عن التدريب.
- [ ] مقارنة موجزة بين نهج NumPy ونهج PyTorch.
- [ ] تفسير مشكلة واحدة على الأقل من مشكلات التدريب أو التعميم.
- [ ] `README.md` مختصر يشرح كيفية تشغيل التجربة وأبرز نتائجها.
- [ ] تسليم العمل عبر **Pull Request** إلى مستودع المعسكر.

##  ملاحظة لإدارة وقت الجلسة

> [!important] قابلية التنفيذ خلال 3 ساعات
> لضمان وقت كافٍ للفهم والتطبيق، ينبغي تجهيز **بيئة العمل والبيانات وقالب Notebook** مسبقًا. يُركَّز داخل الجلسة على شرح المشتقات وتنفيذ شبكة صغيرة، ثم تدريب نموذج PyTorch وتحليل النتائج. يمكن جعل تحسين المعاملات والتجارب الموسعة واجبًا لاحقًا.

## 🔗 مراجع ومصادر

- [PyTorch Tutorials — Learn the Basics](https://docs.pytorch.org/tutorials/beginner/basics/intro.html)
- [PyTorch — Datasets & DataLoaders](https://docs.pytorch.org/tutorials/beginner/basics/data_tutorial.html)
- [PyTorch — Build the Neural Network](https://docs.pytorch.org/tutorials/beginner/basics/buildmodel_tutorial.html)
- [PyTorch — Optimization Loop](https://docs.pytorch.org/tutorials/beginner/basics/optimization_tutorial.html)

---

##  خلاصة الجلسة

تربط الجلسة الثالثة بين **الفهم الرياضي للشبكات العصبية** ومهارات تنفيذها عمليًا. ينتقل الطالب من بناء العمليات الأساسية باستخدام NumPy إلى استخدام PyTorch، مع الحفاظ على القدرة على تفسير سلوك التدريب وتحليل نتائجه.

> [!success] الرسالة الأساسية
> **استخدم الأطر البرمجية لتسريع بناء النماذج، لكن افهم أولًا ما يحدث داخل النموذج عندما يتعلّم.**
