Neural networks (playlist)
حدس بصري لكيفية عمل الشبكات العصبية والانتشار العكسي قبل كتابة الكود.
مبتدئابنِ شبكة عصبية بيدك، ثم أعد تنفيذها بـPyTorch. افهم التدرجات وحلقة التدريب وما تخبرك به منحنيات الأداء.
فهم رياضي يتحول إلى نموذج قابل للتقييم.
لفهم المرور الأمامي وحساب الخطأ والمشتقات وتحديث الأوزان، ثم استخدام Autograd وOptimizer في PyTorch مع فهم ما يحدث داخل التدريب.
التعرف على أرقام MNIST المكتوبة يدويًا من 0 إلى 9، مع تنفيذ يدوي صغير ومقارنته بتطبيق PyTorch وتحليل منحنيات التدريب.
نوضح حجم البيانات وبنية الشبكة وعدد خطوات التدريب. اختلاف الدقة عند اختلاف هذه العوامل لا يثبت تفوق إطار العمل نفسه.
شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.
حدس بصري لكيفية عمل الشبكات العصبية والانتشار العكسي قبل كتابة الكود.
مبتدئيبني محرك autograd صغيراً من الصفر ليشرح الانتشار العكسي بوضوح تام.
متوسطمرجع عملي لأساسيات PyTorch: الـ tensors وحلقات التدريب وتصنيف الصور.
مبتدئسلسلة عربية لأساسيات PyTorch مع مستودع أكواد للتطبيق العملي.
مبتدئمسارات أطول لمن يريد بناء الأساس بعد الجلسة.
نهج عملي يبدأ بتدريب نماذج حقيقية ثم يتعمق في التفاصيل تدريجياً.
كتاب ودورة مجانية تغطي PyTorch من الـ tensors حتى بناء النماذج ونشرها.
تخصص أندرو إنج لأسس الشبكات العميقة نظرياً؛ الشهادة مدفوعة.
روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.
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.
بنهاية الجلسة، يُتوقع أن يصبح الطالب قادرًا على:
torch.nn وDataset وDataLoader.| 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. |
يمر حساب طبقة عصبية مبسطة بخطوتين:
التحويل الخطي:
تطبيق تابع التفعيل:
ثم تُحسب دالة الخطأ ويُستخدم تدرجها لتحديث المعاملات، مثلًا في أبسط أشكال Gradient Descent:
حيث:
الهدف: بناء شبكة Feed-Forward صغيرة لفهم الحسابات الأساسية دون الاعتماد على أدوات التدريب التلقائي.
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:
torch.nn.تدريب شبكة عصبية للتعرف على الأرقام المكتوبة يدويًا من 0 إلى 9، ثم مقارنة تجربة البناء اليدوي باستخدام NumPy مع تطبيق المهمة باستخدام PyTorch.
| 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 |
README.md مختصر يشرح كيفية تشغيل التجربة وأبرز نتائجها.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.
مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.
لا توجد مهام تطابق هذا الفلتر.
دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.