بناء النماذج 3 ساعات8 مهام تسليم

افهم كيف تتعلّم الشبكاتالتعلم العميق من NumPy إلى PyTorch

ابنِ شبكة عصبية بيدك، ثم أعد تنفيذها بـPyTorch. افهم التدرجات وحلقة التدريب وما تخبرك به منحنيات الأداء.

NumPyPyTorchMNISTAutograd
03
ماذا ستبني؟

التعرف على الأرقام — MNIST

فهم رياضي يتحول إلى نموذج قابل للتقييم.

ماذا ستتعلم في هذه الجلسة؟

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

تعمّق قبل الجلسة وبعدها

4 فيديو مختار
3 كورس

كيف تتقدم في التطبيق؟

  1. 01

    Forward وLoss

  2. 02

    Backpropagation

  3. 03

    حلقة PyTorch

  4. 04

    تحليل سلوك التدريب

أسئلة الجلسة وإجاباتها

لماذا نبني شبكة NumPy قبل PyTorch؟+

لفهم المرور الأمامي وحساب الخطأ والمشتقات وتحديث الأوزان، ثم استخدام Autograd وOptimizer في PyTorch مع فهم ما يحدث داخل التدريب.

ما مشروع جلسة التعلم العميق؟+

التعرف على أرقام MNIST المكتوبة يدويًا من 0 إلى 9، مع تنفيذ يدوي صغير ومقارنته بتطبيق PyTorch وتحليل منحنيات التدريب.

كيف تكون المقارنة بين NumPy وPyTorch عادلة؟+

نوضح حجم البيانات وبنية الشبكة وعدد خطوات التدريب. اختلاف الدقة عند اختلاف هذه العوامل لا يثبت تفوق إطار العمل نفسه.

فيديوهات مختارة

شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.

3Blue1Brown

Neural networks (playlist)

حدس بصري لكيفية عمل الشبكات العصبية والانتشار العكسي قبل كتابة الكود.

مبتدئ
عمرو عبداللطيف

pytorch بالعربى (playlist)

سلسلة عربية لأساسيات PyTorch مع مستودع أكواد للتطبيق العملي.

مبتدئ

كورسات للتعمّق

مسارات أطول لمن يريد بناء الأساس بعد الجلسة.

fast.ai

Practical Deep Learning for Coders

نهج عملي يبدأ بتدريب نماذج حقيقية ثم يتعمق في التفاصيل تدريجياً.

مجانيEnglish
DeepLearning.AI / Coursera

Deep Learning Specialization

تخصص أندرو إنج لأسس الشبكات العميقة نظرياً؛ الشهادة مدفوعة.

مدفوع / تجربةEnglish

روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.

المنهج الكامل · دون اختصارتنزيل المصدر
فهرس محتوى الجلسة

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.

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 وLoss Functions.
  • وصف الفكرة الرياضية الأساسية لـ Backpropagation وGradient Descent.
  • بناء شبكة Feed-Forward صغيرة باستخدام NumPy.
  • إنشاء نموذج وتدريبه باستخدام torch.nn وDataset وDataLoader.
  • تفسير منحنيات Training/Validation Loss وAccuracy.
  • تشخيص مثال واحد على الأقل من Overfitting أو Underfitting أو صعوبات التدريب.

المحاور النظرية#

1. Neural Network Fundamentals — أساسيات الشبكات العصبية#

المفهومما يتعلمه الطالب
Neurons & Layersتنظيم الوحدات الحسابية ضمن طبقات إدخال ومخفية وإخراج.
Weights & Biasesالمعاملات القابلة للتعلم التي تحدد طريقة معالجة المدخلات.
Forward Propagationانتقال البيانات عبر الطبقات لإنتاج التنبؤ.
Activation Functionsإدخال اللاخطية لتمكين الشبكة من تعلّم علاقات أكثر تعقيدًا.
Loss Functionsقياس الفرق بين التنبؤ والهدف أثناء التدريب.
Backpropagationحساب تأثير معاملات الشبكة على الخطأ باستخدام قاعدة السلسلة.
Gradient Descentتحديث المعاملات باتجاه يقلل دالة الخطأ.
Optimizersخوارزميات تنفيذ تحديث المعاملات، مثل SGD وAdam.
Overfitting & Underfittingتشخيص ضعف التعميم أو عدم كفاية تعلم الأنماط.

2. الفكرة الرياضية الأساسية#

يمر حساب طبقة عصبية مبسطة بخطوتين:

التحويل الخطي:

z=Wx+bz = Wx + b

تطبيق تابع التفعيل:

a=f(z)a = f(z)

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

θt+1=θt−η∇θL\theta_{t+1} = \theta_t - \eta \nabla_{\theta}\mathcal{L}

حيث:

  • θ\theta: معاملات النموذج القابلة للتعلّم.
  • η\eta: معدل التعلّم (Learning Rate).
  • L\mathcal{L}: دالة الخطأ (Loss Function).

3. Training Dynamics — سلوك التدريب#

  • أثر Learning Rate في سرعة التدريب واستقراره.
  • الفرق بين Epoch وBatch وIteration.
  • التمييز بين الأداء على بيانات التدريب والتحقق.
  • التعرف إلى أعراض Overfitting وUnderfitting.
  • 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 وBiases.
  • تنفيذ Forward Pass.
  • حساب Loss.
  • تنفيذ المشتقات والتحديثات الأساسية للأوزان باستخدام NumPy.
  • تشغيل حلقة تدريب قصيرة ومراقبة انخفاض الخطأ.

الجزء الثاني — Rebuild with PyTorch#

تُعاد المهمة باستخدام المكونات الأساسية في PyTorch:

المكوّنوظيفته
torch.nnتعريف الطبقات وبنية الشبكة ودوال الخطأ.
Datasetتنظيم الوصول إلى العينات ووسومها.
DataLoaderتوفير البيانات على دفعات، مع خيارات مثل Shuffle.
Training Loopتنفيذ التنبؤ وحساب الخطأ والاشتقاق وتحديث الأوزان.
Optimizerتطبيق التحديثات على معاملات النموذج.

خطوات التنفيذ:

  • تحميل بيانات MNIST وتجهيزها.
  • إنشاء شبكة بسيطة باستخدام torch.nn.
  • إعداد دالة الخطأ وOptimizer.
  • كتابة Training Loop وValidation Loop.
  • تسجيل قيم Loss وAccuracy 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 المقارنةNumPy from ScratchPyTorch
الهدففهم الحسابات الأساسيةبناء النموذج وتدريبه بكفاءة أعلى
Forward Passتنفيذه يدويًاتعريفه ضمن بنية النموذج
Gradientsاشتقاقها/حسابها يدويًااستخدام Autograd
Parameter Updatesتطبيقها يدويًااستخدام Optimizer
النتيجةفهم ما يحدث داخل الشبكةالقدرة على بناء تجارب تدريب منظمة وقابلة للتطوير

التسليم المطلوب (Deliverables)#

  • Jupyter Notebook يحتوي على تنفيذ NumPy وخطوات التدريب الأساسية.
  • تنفيذ مكافئ أو قريب منه باستخدام PyTorch.
  • منحنيات Loss وAccuracy 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#

🔗 مراجع ومصادر#


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.

حوّل التعلّم إلى إنجاز.

مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.

0 / 8

مهامي الخاصة 0

أفكارك تستحق أن تُحفظ.

دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.

ما الذي تريد تعلّمه؟

بحث في محتوى الجلسات العشر. استخدم Esc للإغلاق.