# التعلم العميق بالعربي || DL بالعربي || الدكتور علاء طعيمة

> موقع التعلم الآلي والتعلم العميق وعلم البيانات باللغة العربية || د. علاء طعيمة

> تم توليده بواسطة All in One SEO v5.0.3، وهو ملف llms.txt، يستخدمه LLMs لفهرسة الموقع.

## Sitemaps

- [XML Sitemap](https://dlarabic.com/sitemap.xml): Contains all public & indexable URLs for this website.

## مقالات

- [كتاب التعلم الآلي الكمومي](https://dlarabic.com/كتاب-التعلم-الآلي-الكمومي/): يُعدّ التعلم الآلي الكمومي (Quantum Machine Learning-QML) أحد أكثر المجالات البحثية تطورًا في السنوات الأخيرة، إذ يجمع بين مفاهيم الحوسبة الكمومية وتقنيات التعلم الآلي بهدف بناء نماذج أكثر كفاءة وقدرة على معالجة البيانات المعقدة. ومع التطور المتسارع في الذكاء الاصطناعي، أصبح التعلم الآلي التقليدي يواجه تحديات كبيرة تتعلق بحجم البيانات، وتعقيد النماذج، واستهلاك الموارد الحاسوبية،
- [كتاب الذكاء الاصطناعي والانسانية](https://dlarabic.com/الذكاء-الاصطناعي-والانسانية/): ذات مرة، بدأ الإنسان، هذا المخلوق المليء بالعجب، في بناء آلات ذكية؛ الآلات التي يمكنها التفكير والتعلم واتخاذ القرارات. لقد كانت إحدى عجائب البراعة البشرية. قفزة إلى الأمام في التقدم التكنولوجي. ولكن مع ازدياد قوة هذه الآلات، برز سؤال من أعماق الوعي البشري: هل يمكن للآلات أن تتمتع بالأخلاق؟ مع هذا السؤال الذي لم يتم
- [كتاب حوار حول التعلم العميق](https://dlarabic.com/كتاب-حوار-حول-التعلم-العميق/): في هذا الكتيب، نتجوّل في عالم التعلّم العميق وشبكات التعلّم العميق، ذلك المجال المتفرّع عن الذكاء الاصطناعي، والذي أصبح اليوم محوراً بارزاً في تطوير التقنيات الحديثة. سنستعرض من خلال حواراتٍ شيّقة ومبسّطة أهم الأسس المفاهيمية، ونستكشف تطبيقات التعلّم العميق في مختلف الميادين، من التعرّف على الصور والأصوات وصولاً إلى التحليل اللغوي وتوليد المحتوى الإبداعي. لقد
- [كتاب حوار حول الذكاء الاصطناعي](https://dlarabic.com/كتاب-حول-الذكاء-الاصطناعي/): في هذا الكتيب، نتجوّل في عالم الذكاء الاصطناعي Artificial Intelligence، ذلك المجال الحيوي الذي يشكل عصب التكنولوجيا. من خلال حواراتٍ شيّقة ومبسّطة، سنستعرض أهم الأسس المفاهيمية للذكاء الاصطناعي، بدءًا من تعريفه الأساسي، مرورًا بمبادئه وتقنياته، وصولًا إلى تطبيقاته العملية التي تلامس حياتنا اليومية. سواء كنت مبتدئًا في هذا المجال أو لديك معرفة مسبقة وتبحث عن
- [كتيب حوار حول علم البيانات](https://dlarabic.com/كتاب-حوار-حول-علم-البيانات/): في هذا الكتيب، نتجوّل في عالم علم البيانات، ذلك المجال الحيوي الذي يشكل عصب الذكاء الاصطناعي والتقنيات الحديثة. من خلال حواراتٍ شيّقة ومبسّطة، سنستعرض أهم الأسس المفاهيمية لعلم البيانات، بدءاً من تحليل البيانات الضخمة واستكشاف الأنماط فيها، وصولاً إلى بناء النماذج التنبؤية واستخدامها في تطبيقات متنوعة تشمل التنبؤ بالسلوك، تحسين العمليات، وتطوير حلول مبتكرة في
- [كتاب الذكاء الاصطناعي للجميع](https://dlarabic.com/كتاب-الذكاء-الاصطناعي-للجميع/): يسرّني أن أقدّم لكم هذا الكتاب "الذكاء الاصطناعي للجميع"، والذي حرصتُ فيه على المزج بين الأسلوب العلميّ الواضح والأسلوب الحواريّ المبسّط، بحيث يجد القارئ نفسه في رحلة شيّقة يتنقل خلالها بين المفاهيم الأساسية والتطبيقات العملية للذكاء الاصطناعي. لقد اعتمدتُ في عرض الموضوعات أسلوبًا حواريًا، حيث تُطرَح الأسئلة ويتبادل المحاورون النقاشات العلمية في أجواء ودّيّة، مما
- [كتاب تحسين شبكات التعلم العميق باستخدام الخوارزميات المستوحاة من الطبيعة](https://dlarabic.com/كتاب-تحسين-شبكات-التعلم-العميق-باستخد/): باعتباره أسلوب ذكاء اصطناعي متقدم لحل مشكلات التعلم، حقق التعلم العميق deep learning نجاحًا كبيرًا في العديد من تطبيقات العالم الحقيقي وجذب اهتمامًا متزايدًا في السنوات الأخيرة. ومع ذلك، نظرًا لأن أداء التعلم العميق يعتمد على العديد من العوامل مثل المعمارية architecture والمعلمات الفائقة hyperparameters، فقد أصبحت كيفية تحسين التعلم العميق موضوعًا بحثيًا ساخنًا في
- [كتاب حوار حول تعلم الآلة](https://dlarabic.com/كتاب-حوار-حول-تعلم-الآلة/): في هذا الكتيب، نتجوّل في عالم تعلم الآلة Machine Learning، ذلك المجال الحيوي الذي يشكل عصب الذكاء الاصطناعي. من خلال حواراتٍ شيّقة ومبسّطة، سنستعرض أهم الأسس المفاهيمية لتعلم الآلة، بدءًا من تعريفه الأساسي، مرورًا بمبادئه وتقنياته، وصولًا إلى تطبيقاته العملية التي تلامس حياتنا اليومية. سواء كنت مبتدئًا في هذا المجال أو لديك معرفة مسبقة
- [كتاب مراجعة الادبيات باستخدام الذكاء الاصطناعي](https://dlarabic.com/كتاب-مراجعة-الادبيات-باستخدام-الذكاء/): تُعد مراجعة الأدبيات Literature Review مرحلة حاسمة في كل مشروع بحثي. فهي تساعد في تقييم الأبحاث السابقة، واكتشاف فجوات المعرفة، وإنشاء أساس لمزيد من التحقيقات. لكن قد يستغرق الأمر بعض الوقت. لذا، قد يستغرق هذا الإجراء وقتًا طويلاً ويترك الباحثين في بعض الأحيان يشعرون بالضياع في بحر من البيانات. لحسن الحظ، هناك بعض الادوات
- [كتاب تحليلات البيانات الرياضية باستخدام الذكاء الاصطناعي](https://dlarabic.com/4670-2/): في السنوات الأخيرة، شهد عالم الرياضة تحولاً ثوريًا بفضل دمج الذكاء الاصطناعي في تحليلات الرياضة. لم يغير هذا التقدم التكنولوجي الطريقة التي تضع بها الفرق استراتيجياتها فحسب، بل رفع أيضًا الأداء العام وقيمة الترفيه في الأحداث الرياضية. الذكاء الاصطناعي، والذي يُشار إليه غالبًا بالاختصار AI، هو محاكاة للذكاء البشري في الآلات المبرمجة للتفكير
- [كتاب اوامر ChatGPT لكتابة البحث الاكاديمي](https://dlarabic.com/كتاب-اوامر-جات-جي-بي-للبحوث-الاكاديمية_/): تتميز أداة ChatGPT من OpenAI بأنها أداة ثورية ذات إمكانات لتحويل قطاعات مختلفة، بما في ذلك الأوساط الأكاديمية. يمكن لهذا النموذج اللغوي المتقدم، الذي تم تدريبه على مجموعة واسعة من نصوص الإنترنت، إنشاء نص يشبه إلى حد كبير الكتابة البشرية، بناءً على الاوامر Prompts المقدمة. بالنسبة للأكاديميين والباحثين، يفتح هذا عالمًا من الاحتمالات، ويقدم أداة
- [كتاب محولات الرؤية](https://dlarabic.com/كتاب-محولات-الرؤية/): تجمع محولات الرؤية Vision Transformers، أو اختصاراً ViTs، بين مجالين مؤثرين في الذكاء الاصطناعي: الرؤية الحاسوبية Computer Vision(CV) ومعالجة اللغة الطبيعية Natural Language Processing (NLP). يعمل نموذج المحول Transformer، الذي تم اقتراحه في الأصل في ورقة بحثية بعنوان "الانتباه هو كل ما تحتاجه Attention Is All You Need" بقلم فاسواني وآخرين في عام 2017، كأساس
- [كتاب انظمة التوصية](https://dlarabic.com/4633-2/): تُستخدم أنظمة التوصية Recommender systems على نطاق واسع في الصناعة وهي موجودة في كل مكان في حياتنا اليومية. تُستخدم هذه الأنظمة في عدد من المجالات مثل مواقع التسوق عبر الإنترنت (على سبيل المثال، amazon.com)، وموقع خدمات الموسيقى/الأفلام (على سبيل المثال،Netflix وSpotify)، ومتاجر تطبيقات الهاتف المحمول (على سبيل المثال، متجر تطبيقات IOS وGoogle Play)، وعلى الإنترنت
- [كتاب الدردشة مع ملفات PDF باستخدام الذكاء الاصطناعي](https://dlarabic.com/كتاب-الدردشة-مع-ملفات-pdf-باستخدام-الذكا/): يمكن أن يكون العثور على أي جزء معين من المعلومات في ملف PDF طويل هو الأمر الأكثر مللاً، سواء كان ذلك لدراستك أو عملك. لحسن الحظ، فإن أدوات الذكاء الاصطناعي التي يمكنها الدردشة والإجابة على الأسئلة من ملفات PDF تجعل الأمور أسهل كثيرًا. غالبًا ما يتم استخدام ChatGPT API في هذه الادوات، وهي تساعد في
- [الذكاء الاصطناعي واستخداماته في البحث والنشر الاكاديمي](https://dlarabic.com/4613-2/): يقدم هذا الكتاب دروساً تعليمية عديدة في كيفية استخدام ChatGPT في البحث والنشر الاكاديمي ويتميز الكتاب ببساطة لغته وسهولة فهمها من قبل القارئ مع شرح مميز مدعم بالأمثلة في نهاية كل قسم. عند انتهائي من قراءه هذا الكتاب، احببت ان اترجم هذا الكتاب وبعد التواصل مع المؤلف الاستاذ مدحت زُهري لم يبد مانعا من ترجمته
- [كتاب الذكاء الاصطناعي للموبايل](https://dlarabic.com/كتاب-الذكاء-الاصطناعي-للموبايل/): أصبح للتعلم الآلي والذكاء الاصطناعي تأثير متزايد على تكنولوجيا الهاتف المحمول في الوقت الحاضر. أصبحت الأجهزة أكثر قدرة على استخدام الذكاء الاصطناعي، ويتم دمج التعلم الآلي وطرق الذكاء الاصطناعي في تطبيقات الهاتف المحمول لتحسين تجارب المستخدم وتعزيزها. لقد كان تطوير تطبيقات الهاتف المحمول التي تتضمن التعلم الآلي مهمة صعبة منذ فترة طويلة. ولكن بمساعدة المنصات
- [ورشة الذكاء الاصطناعي واستخداماته في المجال الطبي والرعاية الصحية](https://dlarabic.com/ورشة-الذكاء-الاصطناعي-واستخداماته-في-2/): ورشة الذكاء الاصطناعي واستخداماته في المجال الطبي والرعاية الصحية اصدقائي يشرفني ويسعدني أن أضع بين أيديكم النسخة الالكترونية من الورشة العلمية (الذكاء الاصطناعي واستخداماته في المجال الطبي والرعاية الصحية) التي اقيمت في جامعة القادسية / كلية الطب ليوم الثلاثاء الموافق 26/12/2023. أسأل الله ان تنال رضاكم وتكون عند حسن ظنكم. محاور الورشة: • ما هو
- [كتاب التعلم التجميعي:الجمع بين تنبؤات نماذج متعددة للحصول على أداء تنبؤي أفضل](https://dlarabic.com/كتاب-التعلم-التجميعي-التعلم-التجميعي/): التعلم التجميعي Ensemble learning هو أسلوب للتعلم الآلي يعزز الدقة والمرونة في التنبؤ من خلال دمج التنبؤات من نماذج متعددة. ويهدف إلى التخفيف من الأخطاء أو التحيزات التي قد تكون موجودة في النماذج الفردية من خلال الاستفادة من الذكاء الجماعي للتجميع. المفهوم الأساسي وراء التعلم التجميعي هو الجمع بين مخرجات النماذج المتنوعة لإنشاء تنبؤ أكثر
- [ورشة الذكاء الاصطناعي واستخداماته في البحث والنشر الاكاديمي](https://dlarabic.com/ورشة-الذكاء-الاصطناعي-واستخداماته-في/): اصدقائي يشرفني ويسعدني أن أضع بين أيديكم النسخة الالكترونية من الورشة العلمية (الذكاء الاصطناعي واستخداماته في البحث والنشر الاكاديمي) التي اقيمت في جامعة القادسية / كلية الزراعة ليوم الثلاثاء الموافق 26/11/2023. أسأل الله ان تنال رضاكم وتكون عند حسن ظنكم. محاور الورشة: ما هو الذكاء الاصطناعي؟ ما هو ChatGPT؟ كيفية استخدام ChatGPT في البحث والنشر
- [ورشة الرياضيات والذكاء الاصطناعي](https://dlarabic.com/ورشة-الرياضيات-والذكاء-الاصطناعي/): اصدقائي يشرفني ويسعدني أن أضع بين أيديكم النسخة الالكترونية من الورشة العلمية (الرياضيات والذكاء الاصطناعي) التي اقيمت في جامعة القادسية / كلية العلوم / قسم الرياضيات ليوم الاثنين الموافق 13/11/2023. أسأل الله ان تنال رضاكم وتكون عند حسن ظنكم. محاور الورشة: ما هو الذكاء الاصطناعي؟ الرياضيات والذكاء الاصطناعي الذكاء الاصطناعي والرياضيات مواقع وتطبيقات لحل الرياضيات
- [ورشة خارطة طريق الذكاء الاصطناعي](https://dlarabic.com/ورشة-خارطة-طريق-الذكاء-الاصطناعي/): اصدقائي يشرفني ويسعدني أن أضع بين أيديكم النسخة الالكترونية من الورشة العلمية التي اقيمت في كلية الامام الكاظم/اقسام الديوانية/قسم هندسة تقنيات الحاسوب ليوم الثلاثاء الموافق 7/11/2023. أسأل الله ان تنال رضاكم وتكون عند حسن ظنكم. محاور الورشة: ما هو الذكاء الاصطناعي؟ أهمية تعلم الذكاء الاصطناعي تطبيقات الذكاء الاصطناعي خارطة تعلم الذكاء الاصطناعي نصائح لتعلم الذكاء
- [قراءة الفنجان باستخدام الذكاء الاصطناعي](https://dlarabic.com/قراءة-الفنجان-باستخدام-الذكاء-الاصطن/): مشروع تركي باسم Orta Şeker، وهو تطبيق لقراءة الطالع يستخدم صور فناجين القهوة التركية التي تم تحميلها من قبل المستخدمين لمعرفة ثرواتهم. قراءة القهوة (التاسيومانسي) هي تقنية قراءة الطالع في الثقافة والتصوف التركي، ولا تزال تمارس بشكل عرضي. في هذا المشروع، يتم استخدام مصنف باستخدام التعلم العميق للتأكد من تلقي فقط صور فناجين القهوة التركية
- [ورشة الابتزاز الالكتروني والذكاء الاصطناعي](https://dlarabic.com/ورشة-الابتزاز-الالكتروني-والذكاء-الا/): اصدقائي يشرفني ويسعدني أن أضع بين أيديكم النسخة الالكترونية من الورشة العلمية التثقيفية التي اقيمت في جامعة القادسية/كلية التربية/قسم الرياضيات ليوم الخميس الموافق 2/11/2023. أسأل الله ان تنال رضاكم وتكون عند حسن ظنكم. محاور الورشة: ما هو الابتزاز الإلكتروني؟ أنواع الابتزاز الإلكتروني أسباب الابتزاز الإلكتروني آثار الابتزاز الإلكتروني كيف يمكن مواجهة الابتزاز الإلكتروني؟ الابتزاز الالكتروني
- [كتاب اللغة العربية والذكاء الاصطناعي: مشاريع لغة عربية تم حلها باستخدام التعلم الآلي والتعلم العميق](https://dlarabic.com/كتاب-اللغة-العربية-والذكاء-الاصطناعي/): تعد اللغة العربية من أقدم لغات العالم وأغناها؛ وركناً من أركان التنوع الثقافي للبشرية ،وهي من أكثر اللغات الست انتشارًا واستخدامًا على مستوى العالم ، وهي من بين اللغات الأربع الأكثر استخدامًا في الإنترنت، وهي اللغة الرسمية لكل الدول العربية، يتحدث بها أكثر من 500 مليون نسمة بالوطن العربي ، إلى جانب الدول المسلمة غير
- [كتاب شبكات الترميز التلقائي: مشاريع تعلم عميق تم حلها باستخدام شبكات الترميز التلقائي Autoencoders](https://dlarabic.com/كتاب-شبكات-الترميز-التلقائي-مشاريع-تع/): تُعد شبكات الترميز التلقائي Autoencoder نوعًا محددًا من الشبكات العصبية ذات التغذية الأمامية حيث يكون الإدخال هو نفس الإخراج. تقوم بضغط الإدخال إلى كود ذي أبعاد أقل ثم إعادة بناء الإخراج من هذا التمثيل. الكود عبارة عن "ملخص" أو "ضغط" مضغوط للمدخلات، ويسمى أيضًا تمثيل الفضاء الكامن. تتكون شبكات الترميز التلقائي من ثلاث مكونات: المشفر
- [25 اداة لتصميم أو رسم معمارية الشبكة العصبية والشبكة العصبية العميقة](https://dlarabic.com/25-اداة-لتصميم-أو-رسم-معمارية-الشبكة-الع/): كبشر، نشعر براحة أكبر عند النظر إلى الصور لفهمها بدلاً من محاولة تصور الهياكل المعقدة عقليًا مثل الشبكات العصبية العميقة. كما أنه من الملائم أكثر أن تقدم بصريًا وتشرح معماريتك الجديدة لجمهور أوسع وهو ليس "متمرسًا" في التكنولوجيا مثلك 🙂 مع أخذ ذلك في الاعتبار، اليوم، في هذه المقالة، أقوم بإدراج أفضل 25 اداة لرسم
- [التعرف على خط الأطباء في الوصفات الطبية باستخدام التعلم العميق](https://dlarabic.com/فك-رموز-الوصفات-الطبية-للأطباء-باستخد/): التعرف على الأدوية الموجودة في الوصفات الطبية يستخدم هذا المشروع التعرف على خط اليد للتعرف على أسماء الأدوية من وصفة الطبيب. ويتم ذلك باستخدام الشبكة العصبية التلافيفية Convolutional Neural Network (CNN) التي تم تطويرها باستخدام Tensorflow Framework وOpenCV. ويمكن تقسيم المشروع إلى قسمين متميزين على النحو التالي: - خط أنابيب التعرف على الكتابة اليدوية Handwriting
- [كتاب شبكات الخصومة التوليدية](https://dlarabic.com/كتاب-شبكات-الخصومة-التوليدية/): تُعد شبكات الخصومة التوليدية Generative Adversarial Networks (GANs) واحدة من أكثر المواضيع إثارة للاهتمام في التعلم الآلي اليوم. لقد تم استخدامها في عدد من المشكلات (وليس فقط لإنشاء أرقام MNIST!) وكان أداؤها جيدًا للغاية في كل حالة. تتكون شبكة GAN من مولد generator ومميز discriminator، يتنافسان ضد بعضهما البعض لتحقيق نتائج مذهلة. تعتمد شبكات
- [كتاب التعلم الآلي التطوري: نماذج تعلم آلي تم تحسينها وتدريبها باستخدام الخوارزمية الجينية](https://dlarabic.com/التعلم-الآلي-التطوري-نماذج-تعلم-آلي-تم/): باعتباره أسلوب ذكاء اصطناعي متقدم لحل مشكلات التعلم، حقق التعلم الآلي Machine Learning نجاحًا كبيرًا في العديد من تطبيقات العالم الحقيقي وجذب اهتمامًا متزايدًا في السنوات الأخيرة. ومع ذلك، نظرًا لأن أداء التعلم الآلي يعتمد على العديد من العوامل مثل المعمارية architecture والمعلمات الفائقة hyperparameters، فقد أصبحت كيفية تحسين التعلم الآلي موضوعًا بحثيًا ساخنًا في
- [كتاب التعلم العميق للراسبيري باي: مشاريع تعلم عميق للراسبيري باي تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/كتاب-التعلم-العميق-للراسبيري-باي-مشار/): الراسبيري باي Raspberry Pi عبارة عن سلسلة من أجهزة الكمبيوتر ذات اللوحة الواحدة منخفضة التكلفة، بحجم راحة اليد، التي طورتها مؤسسة Raspberry Pi في المملكة المتحدة. كان الهدف من إنشاء Raspberry Pi هو تعزيز تدريس مهارات الكمبيوتر الأساسية في المدارس. قام الراسبيري باي بتوسيع نطاق وجوده إلى ما هو أبعد من الغرض المقصود من خلال
- [كتاب شبكات الكبسولة: مشاريع تعلم عميق تم حلها باستخدام شبكات الكبسولة](https://dlarabic.com/شبكات-الكبسولة-مشاريع-تعلم-عميق-تم-حله/): شبكات الكبسولة Capsule Networks هي نوع من معمارية الشبكات العصبية، اقترحها جيفري هينتون وفريقه في مقالة عام 2017 بعنوان "التوجيه الديناميكي بين الكبسولات Dynamic Routing Between Capsules" وجذبت الانتباه هناك بعد ذلك في مجتمع التعلم العميق. يتم بناء شبكات الكبسولة من "كبسولات capsules"، وهي عبارة عن مجموعات من الخلايا العصبية neurons التي تشفر وضعية الجسم
- [كتاب التعلم العميق التطوري: نماذج تعلم عميق تم تحسينها وتدريبها باستخدام الخوارزمية الجينية](https://dlarabic.com/4359-2/): باعتباره أسلوب ذكاء اصطناعي متقدم لحل مشكلات التعلم، حقق التعلم العميق deep learning نجاحًا كبيرًا في العديد من تطبيقات العالم الحقيقي وجذب اهتمامًا متزايدًا في السنوات الأخيرة. ومع ذلك، نظرًا لأن أداء التعلم العميق يعتمد على العديد من العوامل مثل المعمارية architecture والمعلمات الفائقة hyperparameters، فقد أصبحت كيفية تحسين التعلم العميق موضوعًا بحثيًا ساخنًا في
- [كتاب التعلم الآلي للأطفال: باستخدام سكراتش || الجزء الثاني || مستوى متوسط](https://dlarabic.com/كتاب-التعلم-الآلي-للأطفال-باستخدام-سك/): التعلم الآلي للأطفال: باستخدام سكراتش || الجزء الثاني || مستوى متوسط 17 مشروع تعلم الآلي للأطفال تم حلها وشرحها باستخدام سكراتش غطت تطبيقات الذكاء الاصطناعي والتعلم الآلي جيل اليوم. نتيجة لذلك، من واجبنا إعداد أطفالنا للمستقبل من خلال تثقيفهم حول التعلم الآلي. واحدة من أفضل الطرق للأطفال لتعلم الذكاء الاصطناعي والتعلم الآلي هي من خلال
- [استنساخ الأصوات باستخدام الذكاء الاصطناعي في لغة بايثون](https://dlarabic.com/استنساخ-الأصوات-باستخدام-الذكاء-الاص/): لقد اتصلت بالخدمات المصرفية عبر الهاتف مؤخرًا وتم تشجيعي على "استخدام صوتي ككلمة المرور الخاصة بي". قالوا إنه أسرع وأكثر أمانًا. كل ما عليك فعله هو أن تقول شيئًا مثل "صوتي هو كلمة المرور الخاصة بي" وتمرير الأمان. لقد جعلني أفكر باستخدام الذكاء الاصطناعي التوليدي واستنساخ الصوت، ما مدى سهولة القيام به وما مدى خطورة
- [الشبكات العصبية السيامية](https://dlarabic.com/الشبكات-العصبية-السيامية/): (لا تحتاج دائمًا إلى الكثير من البيانات لتدريب نموذجك، وتعلم كيفية إنشاء نموذج بعدد ضئيل من الصور لكل فئة) في عصر التعلم العميق الحديث، تعد الشبكات العصبية جيدة تقريبًا في كل مهمة، لكن هذه الشبكات العصبية تعتمد على المزيد من البيانات لأداء جيد. ولكن، بالنسبة لبعض المشكلات مثل التعرف على الوجوه والتحقق من التوقيع، لا
- [كتاب الشبكات السيامية](https://dlarabic.com/4395-2/): في عصر التعلم العميق الحديث، تعد الشبكات العصبية جيدة تقريبًا في كل مهمة، لكن هذه الشبكات العصبية تعتمد على المزيد من البيانات لأداء جيد. ولكن، بالنسبة لبعض المشكلات مثل التعرف على الوجوه والتحقق من التوقيع، لا يمكننا دائمًا الاعتماد على الحصول على المزيد من البيانات، لحل هذا النوع من المهام، لدينا نوع جديد من
- [تعلم بايثون باستخدام ChatGPT](https://dlarabic.com/4366-2/): ChatGPT هو روبوت دردشة بالذكاء الاصطناعي تم تطويره بواسطة OpenAI وهو قادر على الاستجابة للمستخدمين بطريقة إنسانية ملحوظة. لا يمكن لـ ChatGPT فقط إعطاء ردود باستخدام النص، بل يمكنك أن تطلب منه كتابة كود أيضًا. يستكشف هذا الكتاب كيف يمكن الاستفادة من طبيعة المحادثة في ChatGPT لتعلم بايثون. في هذا الكتاب، تم استخدام ChatGPT لتجميع
- [كيفية تشغيل ChatGPT على Raspberry Pi](https://dlarabic.com/كيفية-تشغيل-chatgpt-على-raspberry-pi/): (قم بتشغيل منشئ محتوى الذكاء الاصطناعي الشهير على الراسبيري باي الخاص بك أو قم بدمجه في السكريبتات الخاصة بك.) لن تفوتك جنون الإثارة المحيط بـ ChatGPT (محولات الدردشة التوليدية المدربة مسبقاً Chat Generative-Pre-Trained Transformer). يمكنه إنشاء الصور وكتابة الاكواد والأغاني والشعر ومحاولة حل مشاكلنا ، كبيرة كانت أم صغيرة. قد لا يعرف كيف يتغلب على
- [تطبيقاتي في التعلم العميق](https://dlarabic.com/تطبيقاتي-في-التعلم-العميق/): اخواني واصدقائي يشرفني ويسعدني أن أضع بين أيديكم روابط تطبيقات الاندرويد الخاصة بالتعلم الآلي والتعلم العميق وعلم البيانات على ميديافاير. أسأل الله ان تنال رضاكم وتكون عند حسن ظنكم. 1) التعلم العميق بالعربي مرجعك العربي الأول للتعلم الآلي والتعلم العميق وعلم البيانات والرؤية الحاسوبية ونقل التعلم ومعالجة اللغة الطبيعية وتحليل المشاعر والسلاسل الزمنية ومختلف مجالات
- [DarkBERT: تعزيز جهود الأمن السيبراني على الويب المظلم](https://dlarabic.com/darkbert-تعزيز-جهود-الأمن-السيبراني-على-الوي/): يعتمد DarkBERT على بُنية RoBERTa ويستفيد من قوة الذكاء الاصطناعي للتنقل عبر الويب المظلم. تم تغذية DarkBERT بما يقرب من 6.1 مليون صفحة تم العثور عليها على الويب المظلم كجزء من التدريب المسبق واسع النطاق على النصوص باللغة الإنجليزية. أحدث ظهور نماذج اللغات الكبيرة (LLMs) ثورة في مجال الذكاء الاصطناعي (AI) وفتح آفاقًا جديدة لتطوير
- [كتاب التعلم العميق واستخداماته في المعلوماتية الحيوية: 20 مشروع تعلم عميق في المعلوماتية الحيوية تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/التعلم-العميق-واستخداماته-في-المعلوم/): أظهر التعلم العميق نتائج واعدة في مجال المعلوماتية الحياتية بما في ذلك علم الجينوم والبروتينات. ومع ذلك، هناك نقص في القوى العاملة الماهرة في التعلم العميق في هذا التخصص. سيساعد هذا الكتاب الباحثين وعلماء البيانات على التميز عن الآخرين وحل مشاكل العالم الحقيقي في مجال المعلوماتية الحياتية من خلال مجموعة من المشاريع. يغطي الكتاب اهم
- [كتاب علم البيانات: 200 نصيحة في بايثون وعلم البيانات](https://dlarabic.com/كتاب-علم-البيانات-200-نصيحة-في-بايثون-وعل/): يتطلب كونك عالم بيانات خبرة في العديد من المجالات. يجب أن تكون جيدًا في استخدام الأدوات المناسبة، مثل Pandas وNumPy وSklearn وما إلى ذلك. هذه الادوات لا غنى عنها لدورة حياة تطوير العديد من المشاريع التي تعتمد على البيانات، مما يجعلها مهارات أساسية لبدء / الحفاظ على مهنة في علم البيانات. علاوة على ذلك، يعد
- [PrivateGPT: بديل مجاني لـ ChatGPT للتفاعل مع مستنداتك دون اتصال بالإنترنت](https://dlarabic.com/privategpt-بديل-مجاني-لـ-chatgpt-للتفاعل-مع-مستنداتك-د/): دليل تفصيلي خطوة بخطوة لتثبيت برنامج privateGPT على جهاز الكمبيوتر الخاص بك. حاليًا، يمكنك التفاعل مع مستندات مثل ملفات PDF باستخدام ملحقات ChatGPT كما أوضحت في مقال سابق، ولكن هذه الميزة حصرية لمشتركي ChatGPT plus. اليوم، سأعرض لك بديلاً مجانيًا لـ ChatGPT والذي سيساعدك ليس فقط على التفاعل مع مستنداتك كما لو كنت تستخدم ChatGPT
- [Mojo: لغة البرمجة للذكاء الاصطناعي والتي تصل إلى 35000 مرة أسرع من بايثون](https://dlarabic.com/mojo-لغة-البرمجة-للذكاء-الاصطناعي-والتي-ت/): تم إطلاق لغة برمجة جديدة لمطوري الذكاء الاصطناعي: Mojo. أعرف ما قد تفكر فيه - لغة برمجة جديدة للتعلم من الصفر ... حسنًا، لدي أخبار سارة، تم تصميم Mojo كمجموعة شاملة من Python، لذلك إذا كنت تعرف بالفعل Python، فلا ينبغي أن يكون تعلم Mojo صعبًا. لكن هذا ليس كل شيء. يجمع Mojo بين قابلية
- [ما هو الذكاء الاصطناعي التوليدي؟](https://dlarabic.com/ما-هو-الذكاء-الاصطناعي-التوليدي؟/): الذكاء الاصطناعي التوليدي Generative AI هو نوع من تقنيات الذكاء الاصطناعي التي يمكنها إنتاج أنواع مختلفة من المحتوى، بما في ذلك النصوص text والصور imagery والصوت audio والبيانات التركيبية synthetic data. كانت الضجة الأخيرة حول الذكاء الاصطناعي التوليدي مدفوعة ببساطة واجهات المستخدم الجديدة لإنشاء نصوص ورسومات ومقاطع فيديو عالية الجودة في غضون ثوانٍ. وتجدر الإشارة
- [Pandas AI: مكتبة بايثون للذكاء الاصطناعي التوليدي](https://dlarabic.com/pandas-ai-مكتبة-بايثون-ai-التوليدية/): الطريق إلى تحليل بيانات أبسط لعلماء ومحللي البيانات، بدعم من OpenAI. Python Pandas عبارة عن مجموعة أدوات مفتوحة المصدر توفر لعلماء ومحللي البيانات إمكانيات معالجة البيانات وتحليلها باستخدام لغة برمجة Python. تحظى مكتبة Pandas بشعبية كبيرة في مرحلة المعالجة المسبقة للتعلم الآلي والتعلم العميق. ولكن الآن يمكنك فعل المزيد معها. مكتبة جديدة لعلوم البيانات اسمها
- [كتاب التعلم الآلي للأطفال: باستخدام سكراتش](https://dlarabic.com/التعلم-الآلي-للأطفال-باستخدام-سكراتش/): التعلم الآلي للأطفال: باستخدام سكراتش 15 مشروع تعلم الآلي للأطفال تم حلها وشرحها باستخدام سكراتش غطت تطبيقات الذكاء الاصطناعي والتعلم الآلي جيل اليوم. نتيجة لذلك، من واجبنا إعداد أطفالنا للمستقبل من خلال تثقيفهم حول التعلم الآلي. واحدة من أفضل الطرق للأطفال لتعلم الذكاء الاصطناعي والتعلم الآلي هي من خلال أفكار مشاريع التعلم الآلي باستخدام البرمجة
- [كيفية توعية الأطفال بالتعلم الآلي والذكاء الاصطناعي](https://dlarabic.com/كيفية-توعية-الأطفال-بالتعلم-الآلي-وال/): يتجه التعلم الآلي والذكاء الاصطناعي مؤخرًا في عالم التكنولوجيا والعلوم. كشفت دراسة حديثة أن سوق التعلم الآلي تبلغ قيمته 8 مليارات دولار في عام 2021 ومن المتوقع أن تصل إلى 117 مليار دولار أمريكي بحلول عام 2027. وقد تم بذل العديد من الجهود لنقل الذكاء إلى الآلات لجعلها جاهزة للمستقبل بحيث تستجيب للمواقف الحقيقية بسهولة.
- [كتاب تنقيب البيانات وتعلم الآلة: بدون برمجة](https://dlarabic.com/كتاب-تنقيب-البيانات-وتعلم-الآلة-بدون-ب/): اصدقائي يشرفني ويسعدني أن أضع بين أيديكم النسخة الالكترونية من كتابي المترجم الحادي والعشرون. أسأل الله ان ينال رضاكم ويكون عند حسن ظنكم. Orange Data Mining هو برنامج مفتوح المصدر يستخدم لإنشاء وتصميم سير العمل workflows لتنقيب البيانات وعلم البيانات والتعلم الالي. هذا الكتاب هو دليل مختصر لـ Orange وسيمكنك من الاندماج مع مكتبات تنقيب
- [20 موضوعًا يجب معرفته في التعلم العميق للمبتدئين](https://dlarabic.com/20-موضوعًا-يجب-معرفته-في-التعلم-العميق-ل/): هل أنت جديد في التعلم العميق وتبحث عن دليل شامل لمساعدتك على فهم الأساسيات وما بعدها؟ لا مزيد من البحث! في هذه المقالة، سوف نتعمق في 20 مفهومًا أساسيًا للتعلم العميق، بدءًا من الأساسيات والانتقال تدريجيًا إلى موضوعات أكثر تقدمًا. من الشبكة العصبية الاصطناعية (ANN) إلى الانحدار الاشتقاقي ودوال والتنشيط (Sigmoid، ReLU، Softmax)، سوف نستكشف
- [كيفية اختيار أفضل لابتوب للتعلم العميق والتعلم الآلي وعلم البيانات](https://dlarabic.com/كيفية-اختيار-أفضل-لابتوب-للتعلم-العمي/): في عالم اليوم سريع الخطى، تكتسب مجالات التعلم العميق والتعلم الآلي وعلم البيانات شعبية هائلة. يحتاج المحترفون والمتحمسون الطموحون في هذه المجالات إلى أجهزة حوسبة قوية للتعامل مع الخوارزميات المعقدة ومجموعات البيانات الكبيرة. إذا كنت تخطط لشراء لابتوب للتعلم العميق أو التعلم الآلي أو علم البيانات، فقد وصلت إلى المكان الصحيح. في هذا الدليل الشامل،
- [مشاريع تعلم الآلة للأطفال](https://dlarabic.com/مشاريع-تعلم-الآلة-للأطفال/): غطت تطبيقات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) جيل اليوم. نتيجة لذلك، من واجبنا إعداد أطفالنا للمستقبل من خلال تثقيفهم حول ML. من المعتقد أنه عندما يؤدي الأطفال شيئًا ما بأنفسهم، فإنهم يفهمونه بشكل أكثر كفاءة. فيما يلي نظرة على بعض موارد ومشاريع التعلم الآلي الشائعة، والتي يمكن تجربتها في المنزل. أمثلة من العالم الحقيقي
- [هجوم حقن الأوامر The Attack Of The Prompt Injections](https://dlarabic.com/هجوم-حقن-الأوامر-the-attack-of-the-prompt-injections/): مع الشركات التي تبحث عن طرق للمساعدة في تدريب وتكييف أدوات الذكاء الاصطناعي ونماذج اللغة الكبيرة، تعتبر هندسة الأوامر Prompt Engineering واحدة من أهم المهارات التقنية الجديدة. يعني مصطلح " هندسة الأوامر " في أنقى معانيه ما يلي: القدرة على التحدث إلى برامج الذكاء الاصطناعي. يشير إلى التواصل مع أنظمة الذكاء الاصطناعي باستخدام لغة بشرية
- [ChatGPT لـ Jupyter: الاضافة ChatGPT لـ Jupyter Notebooks](https://dlarabic.com/chatgpt-لـ-jupyter-اضافة-chatgpt-لـ-jupyter-notebooks/): في مقال سابق، رأينا اضافة VSCode بوظائف شبيهة بـ ChatGPT ، وسنرى اليوم كيفية دمج ChatGPT في Jupyter Notebooks ، والذي سيكون مفيدًا جدًا لأي شخص يعمل مع البيانات. سمعت هذا صحيح! يمكنك الحصول على وظائف ChatGPT مثل التنسيق format والشرح explain وتصحيح الأخطاء debug وإكمالها complete ومراجعتها review مباشرةً من Jupyter Notebook. دعونا نتعمق
- [إنشاء أسئلة الاختيار من متعدد (MCQs) تلقائيًا من أي محتوى باستخدام الذكاء الاصطناعي](https://dlarabic.com/إنشاء-أسئلة-الاختيار-من-متعدد-mcqs-تلقائي/): سنرى في هذا المنشور كيفية إنشاء أسئلة الاختيار من متعدد (MCQs) تلقائيًا من أي قصة أو مقالة. هذه خطوة واحدة نحو إنشاء تلك MCQs التي تراها تلقائيًا في المدرسة الإعدادية / المدرسة الثانوية. الإدخال: ستكون المدخلات إلى برنامجنا مقالة (مقالة كمثال يتم توفيرها في مستودع github أدناه) مثل ما يلي : The Greek historian knew
- [ThinkGPT: مكتبة بايثون المتطورة التي تحول الذكاء الاصطناعي إلى آلة تفكير قوية](https://dlarabic.com/thinkgpt-مكتبة-python-المتطورة-التي-تحول-الذكاء-ال/): ThinkGPT هي مكتبة Python المبتكرة التي تعزز قدرات نماذج اللغة الكبيرة large language models، وتمكنهم من التفكير والعقل واتخاذ الإجراءات بشكل أكثر فعالية. إذا كنت حريصًا على دمج ThinkGPT في سكريبتات Python والاستفادة من ميزاتها المتقدمة، فقد وصلت إلى المكان الصحيح! في قسم المدونة هذا، سنوجهك خلال الخطوات الأولى لاستخدام ThinkGPT في مشاريع Python الخاصة
- [كيفية بناء نموذج للتعلم الآلي باستخدام بايثون للتمييز بين النصوص المكتوبة بواسطة البشر أو ChatGPT؟](https://dlarabic.com/كيفية-بناء-نموذج-للتعلم-الآلي-باستخدا/): هل تساءلت يومًا كيف تعرف ما إذا كان النص قد كتبه إنسان أم ذكاء اصطناعي؟ هل تعتقد أنك تستطيع معرفة الفرق؟ "هل يمكن أن تخبرني عن فصة ماسة كوهينور ؟". حاول تخمين من أنتج هذا السؤال: إنسان أم ذكاء اصطناعي. مع التقدم في توليد اللغة الطبيعية، أصبح من الصعب تحديد الفرق. في هذه المقالة، سنبني
- [Auto-GPT : الذكاء الاصطناعي الجديد الذي يقوم بالعمل نيابة عنك](https://dlarabic.com/auto-gpt-الذكاء-الاصطناعي-الجديد-الذي-يقوم-ب/): يتمتع ChatGPT بالعديد من الاستخدامات - بما في ذلك بعض الأشياء التي لم تكن تعرف أنها تستطيع فعلها. لكن مفتاح تحقيق أقصى استفادة من ChatGPT هو كيفية صياغة اوامرك prompts. لا تحدد هذه الاوامر ما سيفعله ChatGPT فحسب، بل تحدد مدى نجاحه في القيام بذلك. لكن أحدث ابتكار في الذكاء الاصطناعي التوليدي generative AI يمكن
- [ما هي هلوسة الذكاء الاصطناعي وكيف تمنعها؟](https://dlarabic.com/ما-هي-هلوسة-الذكاء-الاصطناعي-وكيف-تمنع/): إليك كيفية تشجيع الذكاء الاصطناعي على التوقف عن الهلوسة. اطرح سؤالاً على أي روبوت محادثة يعمل بالذكاء الاصطناعي، وستكون إجاباته إما مسلية أو مفيدة أو بسيطة. نظرًا لأن أدوات الذكاء الاصطناعي مثل ChatGPT تعمل من خلال التنبؤ بسلاسل الكلمات التي تعتقد أنها تتطابق بشكل أفضل مع استعلامك، فإنها تفتقر إلى المنطق لتطبيق المنطق أو النظر
- [دروس التعلم الآلي الكمي للمبتدئين](https://dlarabic.com/دروس-التعلم-الآلي-الكمي-للمبتدئين/): يعد التعلم الآلي الكمي (الكمومي) Quantum machine learning مجالًا مثيرًا وسريع النمو يجمع بين قوة الحوسبة الكمومية quantum computing وتقنيات التعلم الآلي machine learning. في هذا البرنامج التعليمي، سنغطي أساسيات التعلم الآلي الكمومي ونوضح كيفية تنفيذ خوارزمية بسيطة للتعلم الآلي الكمومي باستخدام بايثون. قبل الغوص في التعلم الآلي الكمومي، من المهم أن يكون لديك فهم
- [أهمية المعالجة المسبقة للبيانات في التعلم الآلي](https://dlarabic.com/أهمية-المعالجة-المسبقة-للبيانات-في-ال/): في السنوات الأخيرة، اكتسب التعلم الآلي الكثير machine learning من الاهتمام نظرًا لقدرته على التعلم والتنبؤ من البيانات المعقدة. ومع ذلك، يعتمد نجاح نماذج التعلم الآلي بشكل كبير على جودة البيانات المستخدمة في تدريبهم. غالبًا ما تكون بيانات العالم الحقيقي صاخبة noisy أو غير كاملة incomplete أو غير متسقة inconsistent، مما يجعل بناء نماذج دقيقة
- [كتاب التعلم الآلي واستخداماته في الرعاية الصحية](https://dlarabic.com/التعلم-الآلي-واستخداماته-في-الرعاية-ا/): يُستخدم التعلم الآلي في العديد من المجالات حول العالم. صناعة الرعاية الصحية ليست استثناء. يمكن أن يلعب التعلم العميق دورًا مهمًا في التنبؤ بوجود / عدم وجود اضطرابات حركية وأمراض القلب والسرطان وأمراض الرئة وغير ذلك. يمكن لمثل هذه المعلومات، إذا تم التنبؤ بها مسبقًا، أن توفر معلومات مهمة للأطباء الذين يمكنهم بعد ذلك تكييف
- [علم البيانات بدون برمجة مع KNIME](https://dlarabic.com/علم-البيانات-بدون-برمجة-مع-knime/): المقدمة في هذه المقالة، أقوم بإنشاء سير عمل علم البيانات خطوة بخطوة باستخدام سير عمل مرئي وبدون برمجة باستخدام KNIME. KNIME هي بيئة مفتوحة المصدر حيث يمكن جمع البيانات ومناقشتها ، أو فهمها من خلال تقنيات النمذجة والتصور، بطريقة السحب والإفلات. يتيح ذلك للمستخدم نسيان الكود والتركيز على البيانات ونماذج ومفاهيم علم البيانات. علاوة على
- [إنشاء موقع ويب كامل باستخدام ChatGPT في دقيقة واحدة](https://dlarabic.com/3947-2/): مرحبًا بك في عالم معالجة اللغات الطبيعية natural language processing والتعلم الآلي machine learning المثير! اليوم، سنستكشف إمكانيات ChatGPT ، وهو نموذج لغة حديث تم تطويره بواسطة OpenAI. واحدة من أكثر ميزات ChatGPT إثارة للإعجاب هي قدرته على إنشاء كود المصدر بناءً على أوصاف بسيطة. تخيل أن تكون قادرًا على إنشاء موقع ويب كامل في
- [Streamlit - تحويل نماذج التعلم الآلي إلى تطبيقات ويب تفاعلية](https://dlarabic.com/streamlit-تحويل-نماذج-التعلم-الآلي-إلى-تطبيقا/): تركز المقالة على بناء تطبيقات ويب جميلة وتفاعلية للتعلم الآلي دون أي خبرة في تطوير الويب! سنغطي تحميل البيانات data loading، والتصور visualization، والتفاعل interaction، وإنشاء لوحات التحكم dashboards في بضعة أسطر من كود بايثون الخالص! ستوفر لوحات التحكم التفاعلية للتعلم الآلي للمستخدمين إمكانية اختيار أي خوارزمية تصنيف classification، وتحديد مقاييس التقييم evaluation metrics، وتبديل
- [كيف تتعلم لغة بايثون باستخدام ChatGPT](https://dlarabic.com/كيف-تتعلم-لغة-بايثون-باستخدام-chatgpt/): لماذا تأخذ دورات عبر الإنترنت بينما يمكنك تعلم بايثون مجانًا، أو أي لغة برمجة مجانًا؟ هل سمعت عن ChatGPT؟ إذا لم يكن الأمر كذلك، فمن المحتمل أنك تعيش تحت صخرة. سيطرت ChatGPT على الإنترنت بمئات المقالات ومحتوى الفيديو منذ إطلاقها. لقد أصبح حيويًا وتمكن من الحصول على مليون مستخدم في غضون خمسة أيام. ChatGPT هي
- [كيفية استخدام ChatGPT في بايثون](https://dlarabic.com/كيفية-استخدام-chatgpt-في-بايثون/): ChatGPT هو نموذج لغة حديث تم تطويره بواسطة OpenAI. إنه نموذج تعليمي عميق تم تدريبه على كمية هائلة من البيانات النصية، مما يسمح له بإنشاء نص يشبه الإنسان والاستجابة للمدخلات المستندة إلى النص. يعتبر أحد أكثر النماذج اللغوية المتوفرة حاليًا تقدمًا، مع قاعدة معرفية واسعة والقدرة على إنشاء نص منسق ومتماسك. في هذه المقالة، سنشرح
- [الدليل الكامل لهندسة الأوامر Prompt Engineering](https://dlarabic.com/الدليل-الكامل-لهندسة-الأوامر-prompt-engineering/): بدأ مصطلح هندسة الأوامر او الايعازات (الموجهات) Prompt Engineering في الارتفاع في الأسبوعين الماضيين. يتم دفع رواتب تصل إلى 325 ألف دولار مقابل هذه المهارة الجديدة! يسعدني جدًا أن أنشر هذا دليل هندسة الأوامر المجاني. على أمل أن يساعد هذا ملايين الأشخاص في جميع أنحاء العالم على تعلم هذه المهارة الجديدة التي توفر فرص عمل
- [تصنيف التحرش الجنسي باستخدام التعلم الآلي](https://dlarabic.com/تصنيف-التحرش-الجنسي-باستخدام-التعلم-ا/): بعد حركة #MeToo، انفتح الكثير من الأشخاص حول حوادث التحرش الجنسي sexual harassment incidents، ولكن كما هو الحال مع أي حركة منتشرة على الإنترنت، تلاشت مع مرور الوقت. ومع ذلك، يمكن استخدام هذا الكم الهائل من المعلومات بشكل فعال لتصنيف حوادث الإساءة تلقائيًا إلى فئات مناسبة، وستساعدنا هذه المقالة في فهم كيف يمكننا تقليل حوادث
- [تحليل البيانات باستخدام ChatGPT و Jupyter Notebooks](https://dlarabic.com/تحليل-البيانات-باستخدام-chatgpt-و-jupyter-notebooks/): تعمل طريقة المحادثة لإنشاء التعليمات البرمجية باستخدام ChatGPT بشكل جيد مع بُنية الخلية الخاصة بـ Jupyter Notebooks هل الذكاء الاصطناعي هو مستقبل تحليل البيانات؟ سأضع رأسي فوق الحاجز، وألصق رقبتي، وأخرج على أحد الأطراف، وأقول: "حسنًا، ربما". يمكنك بلا شك استخدام الذكاء الاصطناعي لأداء إنشاء كود بسيط نسبيًا ويمكن أن يوفر لك ذلك الكثير من
- [تصنيف الوجبات السريعة باستخدام نقل التعلم وپاي تورچ](https://dlarabic.com/تصنيف-الوجبات-السريعة-باستخدام-نقل-ال/): مقدمة أصبح تصنيف الوجبات السريعة Fast food classification وظيفة مهمة في نظام توصيل الطعام الآلي. أصبح التعلم الآلي Machine learning شائعًا مع نمو سلاسل الوجبات السريعة والحاجة إلى أنظمة التعرف على الأطعمة الدقيقة والفعالة. في هذه المدونة، سوف نستكشف استخدام نقل التعلم transfer learning لتصنيف الوجبات السريعة باستخدام PyTorch. نقل التعلم هو أسلوب يستفيد من
- [ما هو التعلم الآلي التطوري Evolutionary Machine Learning؟](https://dlarabic.com/ما-هو-التعلم-الآلي-التطوري-evolutionary-machine-learning؟/): التعلم الآلي التطوري Evolutionary Machine Learning (EML) هو مجموعة فرعية من التعلم الآلي الذي يتضمن خوارزميات تطورية لتحسين أداء نماذج التعلم الآلي تلقائيًا. إنه ينطوي على استخدام مبادئ من البيولوجيا التطورية evolutionary biology، مثل الانتقاء selection والطفرة mutation والتكاثر reproduction، لتحسين تكرار ملاءمة مجموعة من الحلول المرشحة. يمكن استخدام EML لتحسين مجموعة واسعة من خوارزميات
- [ما هو التعلم العميق التطوري؟ What is Evolutionary Deep Learning?](https://dlarabic.com/ما-هو-التعلم-العميق-التطوري؟-what-is-evolutionary-deep-learning/): التعلم العميق التطوري Evolutionary Deep Learning هو نهج لتدريب الشبكات العصبية العميقة (DNNs) التي تجمع بين مبادئ الخوارزميات التطورية evolutionary algorithms والتعلم العميق deep learning. إنه نوع من طرق البحث عن البُنية العصبية التي تهدف إلى تحسين البُنية والمعلمات الفائقة hyperparameters وأوزان DNNs تلقائيًا لمهمة معينة. تتضمن عملية التعلم العميق التطوري إنشاء مجموعة من DNNs
- [مكتبات بايثون للتعلم الآلي التلقائي AutoML](https://dlarabic.com/مكتبات-بايثون-للتعلم-الآلي-التلقائي-automl/): يعد التعلم الآلي التلقائي (المؤتمت)، المعروف أيضًا باسم AutoML ، مجالًا ناشئًا يتم فيه أتمتة عملية بناء نماذج التعلم الآلي لنمذجة البيانات. يمكن لـ AutoML أن يجعل النمذجة أسهل ويمكن للجميع الوصول إليها. في هذه المقالة، سأوجهك من خلال مكتبات بايثون AutoML التي يجب أن تبدأ في التدرب عليها للبقاء في صدارة المنافسة. مكتبات Python
- [AutoML: التعلم الآلي التلقائي](https://dlarabic.com/automl-التعلم-الآلي-التلقائي/): لقد كان التعلم الآلي إنجازًا بارزًا في مجال الذكاء الاصطناعي. الخوارزميات الكامنة وراء نجاح التعلم الآلي هي الشبكات العصبية العميقة التي تم إجراؤها بعد سنوات من البحث من خلال الباحثين الخبراء. كانت الصعوبات الوحيدة التي واجهها الباحثون هي اكتشاف التعلم الآلي التلقائي AutoML. AutoML هو ذلك المجال الذي يهدف إلى أتمتة أسلوب خوارزميات التعلم الآلي.
- [كيفية تدريب نماذج Keras باستخدام الخوارزمية الجينية مع PyGAD](https://dlarabic.com/كيفية-تدريب-نماذج-keras-باستخدام-الخوارزم/): PyGAD هي مكتبة بايثون مفتوحة المصدر لبناء الخوارزمية الجينية وتدريب خوارزميات التعلم الآلي. يقدم مجموعة واسعة من المعلمات لتخصيص الخوارزمية الجينية للعمل مع أنواع مختلفة من المشاكل. تمتلك PyGAD وحداتها الخاصة التي تدعم بناء وتدريب الشبكات العصبية (NN) والشبكات العصبية التلافيفية (CNN). على الرغم من أن هذه الوحدات تعمل بشكل جيد، إلا أنه يتم تنفيذها
- [<strong>Lazypredict: تنفيذ جميع خوارزميات التعلم الآلي باستخدام سطر واحد من التعليمات البرمجية</strong>](https://dlarabic.com/lazypredict-تنفيذ-جميع-خوارزميات-التعلم-الآلي-ب/): ما هو Lazypredict Lazypredict عبارة عن حزمة بايثون تهدف إلى أتمتة عملية نمذجة التعلم الآلي. يعمل على كل من مهام الانحدار regression والتصنيف classification. وتتمثل ميزتها الرئيسية في قدرتها على أتمتة التدريب وتقييم نماذج التعلم الآلي. يوفر واجهة بسيطة لتحديد مجموعة من المعلمات الفائقة hyperparameters ثم يقوم بتدريب نموذج وتقييمه باستخدام مجموعة متنوعة من التركيبات
- [CodeGPT: كتابة وتحسين التعليمات البرمجية باستخدام الذكاء الاصطناعي](https://dlarabic.com/codegpt-كتابة-وتحسين-التعليمات-البرمجية-باس/): يعد Code GPT امتدادًا قويًا ومتعدد الاستخدامات لـ Visual Studio Code (VSCode) يسمح للمطورين بإنشاء مقتطفات من التعليمات البرمجية وكتل كاملة من التعليمات البرمجية باستخدام نموذج معالجة اللغة الطبيعية GPT-3. يعد هذا الامتداد مفيدًا بشكل لا يصدق للمطورين الذين يعملون في مشاريع معقدة، حيث يتيح لهم إنشاء مقتطفات من التعليمات البرمجية بسرعة مصممة وفقًا لاحتياجاتهم
- [ما هو التعلم الآلي الكمي؟](https://dlarabic.com/ما-هو-التعلم-الآلي-الكمي؟/): يستخدم التعلم الآلي الكمي (او الكمومي) Quantum Machine Learning(QML) قوة الحوسبة الكمية لتسريع وتعزيز التعلم الآلي الذي يتم إجراؤه على أجهزة الكمبيوتر "الكلاسيكية" التي نستخدمها كل يوم. تم تصميم أجهزة الكمبيوتر الكمومية باستخدام قوانين فيزياء الكم التي غالبًا ما تكون غير بديهية ويمكنها تخزين ومعالجة معلومات أكثر أضعافًا من الأجهزة اللوحية والهواتف الذكية وأجهزة الكمبيوتر
- [استخدام علم البيانات في الرعاية الصحية](https://dlarabic.com/استخدام-علم-البيانات-في-الرعاية-الصحي/): كان هناك العديد من الابتكارات في مجال الرعاية الصحية منذ اندلاع مرض كوفيد في عام 2019. وقد ساعد استخدام البيانات في صناعة الرعاية الصحية المتخصصين في الرعاية الصحية في الحصول على معلومات أكثر دقة حول الحالات الطبية للمرضى. في هذه المقالة، سوف آخذك من خلال استخدام علم البيانات في صناعة الرعاية الصحية التي يجب أن
- [اهم 60 امر ChatGPT لعلم البيانات](https://dlarabic.com/اهم-60-امر-chatgpt-لعلم-البيانات/): نموذج ChatGPT هو نموذج لغة كبير تم تدريبه بواسطة OpenAI وهو قادر على إنشاء نص يشبه الإنسان. من خلال تزويده بسطر اوامر، يمكنه إنشاء استجابات تواصل المحادثة أو توسيع سطر الاوامر المحدد. في هذا الريبو، ستجد اوامر يمكن استخدامها مع ChatGPT لأغراض علم البيانات. برعاية Travis Tang. للبدء، ما عليك سوى استخدام الاوامر أدناه كمدخلات
- [كيفية إنشاء بوت دردشة بالذكاء الاصطناعي باستخدام بايثون في 5 دقائق](https://dlarabic.com/كيف-تصنع-بوت-دردشة-بالذكاء-الاصطناعي-ب/): بوتات الدردشة Chatbots هي واحدة من أكثر تطبيقات التعلم العميق والذكاء الاصطناعي إثارة، وهي أسهل في البناء مما قد تتصور! في هذه المقالة، سأوضح لك كيفية إنشاء بوت دردشة في بايثون باستخدام مكتبة ChatterBot مفتوحة المصدر ونهج التعلم العميق باستخدام TensorFlow. هذا دليل مناسب للمبتدئين، لذا حتى إذا كنت جديدًا في مجال البرمجة أو التعلم
- [حساب الدقة في التعلم الآلي باستخدام بايثون](https://dlarabic.com/حساب-الدقة-في-التعلم-الآلي-باستخدام-با/): في التعلم الآلي machine learning، تعد الدقة Accuracy أحد أهم مقاييس تقييم الأداء لنموذج التصنيف classification model. الصيغة الرياضية لحساب دقة نموذج التعلم الآلي هي 1 - (عدد العينات المصنفة بشكل خاطئ / إجمالي عدد العينات). إذا كنت تريد معرفة كيفية تقييم أداء نموذج التعلم الآلي عن طريق حساب دقته، فهذه المقالة مناسبة لك. في هذه
- [خارطة طريق تحليل البيانات Data Analysis Roadmap](https://dlarabic.com/خارطة-طريق-تحليل-البيانات-data-analysis-roadmap/): يعني تحليل البيانات Data Analysis تحليل البيانات لجمع رؤى قيمة يمكن استخدامها في صنع القرار وحل مشاكل العمل المختلفة. يعد دور محلل البيانات Data Analyst أحد أفضل الوظائف لبدء رحلتك كمتخصص في علم البيانات Data Science. لذلك، إذا كنت تبحث عن خارطة طريق لتعلم تحليلات البيانات، فهذه المقالة مناسبة لك. في هذه المقالة، سوف آخذك
- [خارطة طريق هندسة البيانات Data Engineering Roadmap](https://dlarabic.com/خارطة-طريق-هندسة-البيانات-data-engineering-roadmap/): مهندس البيانات Data Engineer هو محترف بيانات يقوم بجمع البيانات وتحويلها ومعالجتها وفقًا لاحتياجات العمل. هندسة البيانات Data Engineering هي واحدة من الوظائف ذات الأجور الأعلى في علم البيانات Data Science. لذا، إذا كنت تبحث عن خارطة طريق لتعلم هندسة البيانات، فهذه المقالة مناسبة لك. في هذه المقالة، سوف آخذك عبر خارطة طريق كاملة لتعلم
- [<strong>خارطة طريق التعلم العميق : خطوة بخطوة</strong>](https://dlarabic.com/خارطة-طريق-التعلم-العميق-2023-خطوة-بخطوة/): هل تبحث عن خارطة طريق للتعلم العميق خطوة بخطوة؟ ... إذا كانت الإجابة بنعم، فهذه المقالة مناسبة لك. ستوفر هذه المقالة خارطة طريق كاملة للتعليم العميق من البداية. إلى جانب ذلك، ستجد أيضًا بعض أفضل الموارد لتعلم مفاهيم التعلم العميق. قبل أن أناقش خارطة طريق التعلم العميق، دعنا نرى المهارات المطلوبة للتعلم العميق- أصبح التعلم
- [<strong>نقل التعلم في الرؤية الحاسوبية: 20 مشروع نقل تعلم في الرؤية الحاسوبية تم حلها وشرحها باستخدام بايثون</strong>](https://dlarabic.com/نقل-التعلم-في-الرؤية-الحاسوبية-20-مشروع/): قد تستغرق نماذج الشبكة العصبية التلافيفية العميقة أيامًا أو حتى أسابيع للتدريب على مجموعات بيانات كبيرة جدًا. تتمثل إحدى طرق اختصار هذه العملية في إعادة استخدام أوزان النموذج من النماذج المدربة مسبقًا pre-trained models التي تم تطويرها لمجموعات البيانات المعيارية لقياس الرؤية الحاسوبية، مثل مهام التعرف على الصور ImageNet. يمكن تنزيل النماذج الأفضل أداءً واستخدامها
- [ما هو التحقق المتقاطع في التعلم الآلي؟](https://dlarabic.com/ما-هو-التحقق-المتقاطع-في-التعلم-الآلي؟/): في التعلم الآلي، يعد التحقق المتقاطع Cross-validation طريقة إحصائية لتقييم أداء التعميم generalization الأكثر استقرارًا وشمولية من استخدام تقسيم مجموعة البيانات إلى مجموعة تدريب واختبار. في هذه المقالة، سوف نتعرف على ماهية التحقق المتقاطع وكيفية استخدامه للتعلم الآلي باستخدام لغة برمجة بايثون. ما هو التحقق المتقاطع ؟ في التحقق المتقاطع، يتم تقسيم البيانات بدلاً من
- [كتاب 20 مشروعاً في التعلم العميق باستخدام بايثون](https://dlarabic.com/كتاب-20-مشروعاً-في-التعلم-العميق-باستخدا/): في هذه الكتاب، سوف يأخذك المؤلف خلال 20 مشروعًا من مشروعات التعلم العميق باستخدام لغة برمجة بايثون التي تم حلها وشرحها مجانًا. التعلم العميق هو مجموعة فرعية من الذكاء الاصطناعي، وهو مجال يعتمد على التعلم والتحسين من تلقاء نفسه من خلال فحص خوارزميات الكمبيوتر. بينما يستخدم التعلم الآلي مفاهيم أبسط، تعمل هذه النماذج مع الشبكات
- [دالة التنشيط Activation function](https://dlarabic.com/دالة-التنشيط-activation-function/): دالة تمكن الشبكات العصبية (neural networks) من تعلم العلاقات غير الخطية (nonlinear) (المعقدة) بين الميزات والتسمية. تتضمن دوال التنشيط الشائعة ما يلي: ReLU Sigmoid مخططات دوال التنشيط ليست خطوطًا مستقيمة مفردة أبدًا. على سبيل المثال، تتكون دالة تنشيط ReLU من خطين مستقيمين: تبدو مخطط دالة sigmoid كما يلي: في الشبكة العصبية، تتلاعب دوال التنشيط بالمجموع
- [التعلم النشط Active learning](https://dlarabic.com/التعلم-النشط-active-learning/): نهج تدريبي (training) تختار فيه الخوارزمية بعض البيانات التي تتعلم منها. التعلم النشط ذو قيمة خاصة عندما تكون الأمثلة المصنفة نادرة أو مكلفة للحصول عليها. بدلاً من البحث الأعمى عن مجموعة متنوعة من الأمثلة المصنفة (labeled examples)، تبحث خوارزمية التعلم النشط بشكل انتقائي عن مجموعة معينة من الأمثلة التي تحتاجها للتعلم. رابط الكتاب
- [AdaGrad](https://dlarabic.com/adagrad/): خوارزمية تدرج عشوائي (gradient descent) متطورة تعيد قياس تدرجات كل معلمة (parameter)، مما يمنح كل معلمة معدل تعلم (learning rate) مستقل بشكل فعال. رابط الكتاب
- [خوارزمية معدل التعلم التكيفي Adaptive Learning Rate Algorithms](https://dlarabic.com/خوارزمية-معدل-التعلم-التكيفي-adaptive-learning-rate-algorithms/): تعد طرق معدل التعلم التكيفي بمثابة تحسين (optimization) لطرق التدرج الاشتقاقي (gradient descent) بهدف تقليل دالة الهدف (objective function) للشبكة باستخدام تدرج الدالة ومعلمات الشبكة. رابط الكتاب
- [آدم Adaptive Moment Estimation Algorithm (Adam)](https://dlarabic.com/آدم-adaptive-moment-estimation-algorithm-adam/): آدم (Adam) هو طريقة أخرى تحسب معدلات التعلم التكيفي لكل معلمة. بالإضافة إلى تخزين متوسط التناقص الأسي للتدرجات التربيعية السابقة مثل Adadelta و RMSprop ، يحتفظ آدم أيضًا بمتوسط متدهور بشكل كبير للتدرجات السابقة v ، على غرار الزخم (momentum). رابط الكتاب
- [استراتيجية التعلم العدائي Adversarial Learning Strategy](https://dlarabic.com/استراتيجية-التعلم-العدائي-adversarial-learning-strategy/): التعلم الآلي العدائي هو أسلوب يستخدم في التعلم الآلي (machine learning) لخداع نموذج أو تضليله بمدخلات ضارة. بينما يمكن استخدام التعلم الآلي العدائي في مجموعة متنوعة من التطبيقات، فإن هذه التقنية هي الأكثر استخدامًا لتنفيذ هجوم أو التسبب في حدوث خلل في نظام التعلم الآلي. رابط الكتاب
- [الوكيل Agent](https://dlarabic.com/الوكيل-agent/): في التعلم المعزز (reinforcement learning)، الكيان الذي يستخدم سياسة (policy) لتعظيم العائد (return) المتوقع المكتسب من الانتقال بين حالات (states) البيئة (environment). رابط الكتاب
- [التكتل التراكمي Agglomerative clustering](https://dlarabic.com/التكتل-التراكمي-agglomerative-clustering/): انظر التكتل الهرمي (hierarchical clustering). رابط الكتاب
- [مربعات الارتكاز Anchor Boxes](https://dlarabic.com/مربعات-الارتكاز-anchor-boxes/): مربعات الارتكاز هي مجموعة من الصناديق المحيطة المحددة مسبقًا بارتفاع وعرض معين. يتم تحديد هذه المربعات لالتقاط المقياس ونسبة العرض إلى الارتفاع لفئات الكائنات المحددة التي تريد اكتشافها ويتم اختيارها عادةً بناءً على أحجام العناصر في مجموعات بيانات التدريب الخاصة بك. رابط الكتاب
- [اكتشاف الانحراف (القيم المتطرفة) Anomaly detection](https://dlarabic.com/اكتشاف-الانحراف-القيم-المتطرفة-anomaly-detection/): عملية تحديد القيم المتطرفة (outliers). على سبيل المثال، إذا كان المتوسط لميزة معينة هو 100 بانحراف معياري قدره 10، فيجب أن يشير اكتشاف الانحراف (anomaly detection) إلى قيمة 200 على أنها مشبوهة.
- [س2/ كيف أبدأ مسيرتي المهنية في التعلم الآلي؟](https://dlarabic.com/س2-كيف-أبدأ-مسيرتي-المهنية-في-التعلم-ال/): ج / لا يوجد دليل ثابت أو نهائي يمكنك من خلاله بدء حياتك المهنية في التعلم الآلي. تتمثل الخطوة الأولى في فهم المبادئ الأساسية للموضوع وتعلم بعض المفاهيم الأساسية مثل الخوارزميات وهياكل البيانات وقدرات البرمجة وحساب التفاضل والتكامل والجبر الخطي والإحصاء. لتحليل البيانات بشكل أفضل، يجب أن يكون لديك فهم واضح لإحصاءات التعلم الآلي. ستكون
- [س3/ ما مدى صعوبة التعلم الآلي؟](https://dlarabic.com/س3-ما-مدى-صعوبة-التعلم-الآلي؟/): ج / التعلم الآلي هو مفهوم واسع يحتوي على الكثير من الجوانب المختلفة. مع التوجيه الصحيح والعمل الجاد المتسق، قد لا يكون من الصعب جدًا التعلم. إنه بالتأكيد يتطلب الكثير من الوقت والجهد، ولكن إذا كنت مهتمًا بالموضوع وترغب في التعلم، فلن يكون الأمر صعبًا للغاية.
- [س4/ كيف يمكنك الدخول الى مجال التعلم الآلي؟](https://dlarabic.com/س4-كيف-يمكنك-الدخول-الى-مجال-التعلم-الآ/): ج / الطريقة الأكثر شيوعًا للدخول في مهنة التعلم الآلي هي اكتساب المهارات اللازمة. تعلم لغات البرمجة مثل C و C ++ و Python و Java. اكتساب المعرفة الأساسية حول خوارزميات التعلم الآلي المختلفة، والمعرفة الرياضية حول حساب التفاضل والتكامل والإحصاء. سيساعدك هذا على قطع شوط طويل.
- [س5/ ما هي أفضل طريقة لتعلم التعلم الآلي؟](https://dlarabic.com/س5-ما-هي-أفضل-طريقة-لتعلم-التعلم-الآلي؟/): ج / يمكن اعتبار أي طريقة تناسب أسلوبك في التعلم أفضل طريقة للتعلم. قد يستمتع الأشخاص المختلفون بطرق مختلفة. تتمثل بعض الطرق الشائعة في اتباع أساسيات دورة التعلم الآلي مجانًا، ومشاهدة مقاطع فيديو YouTube، وقراءة المدونات ذات الموضوعات ذات الصلة، وقراءة الكتب التي يمكن أن تساعدك على التعلم الذاتي.
- [س6/ ما هو التعلم الآلي للمبتدئين؟](https://dlarabic.com/س6-ما-هو-التعلم-الآلي-للمبتدئين؟/): ج / سيتألف التعلم الآلي للمبتدئين من المفاهيم الأساسية مثل أنواع التعلم الآلي (التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعلم المعزز). كل نوع من هذه الأنواع من ML لها خوارزميات ومكتبات مختلفة داخلها، مثل التصنيف والانحدار. هناك العديد من خوارزميات التصنيف وخوارزميات الانحدار مثل الانحدار الخطي. سيكون هذا أول شيء ستتعلمه قبل المضي قدمًا في
- [س7/ هل يتطلب التعلم الآلي البرمجة؟](https://dlarabic.com/س7-هل-يتطلب-التعلم-الآلي-البرمجة؟/): ج / البرمجة هي جزء من التعلم الآلي. من المهم معرفة لغات البرمجة مثل بايثون.
- [س8/ ما الدرجة والشهادة العلمية التي تحتاجها للتعلم الآلي؟](https://dlarabic.com/س8-ما-الدرجة-والشهادة-العلمية-التي-تحتا/): ج / ستبحث معظم شركات التوظيف عن درجة الماجستير أو الدكتوراه في المجال ذي الصلة. يشمل مجال الدراسة علوم الكمبيوتر أو الرياضيات. لكن امتلاك المهارات اللازمة حتى بدون الدرجة يمكن أن يساعدك في الحصول على وظيفة ML أيضًا.
- [س9/ كيف يكون التعلم العميق أفضل من التعلم الآلي؟](https://dlarabic.com/س9-كيف-يكون-التعلم-العميق-أفضل-من-التعل/): ج/ يعد التعلم الآلي قويًا بطريقة تكفي لحل معظم المشكلات. ومع ذلك، فإن التعلم العميق له اليد العليا عندما يتعلق الأمر بالعمل مع البيانات التي تحتوي على عدد كبير من الأبعاد. باستخدام البيانات الكبيرة الحجم، يمكن لنموذج التعلم العميق العمل معها بسهولة لأنها مصممة للتعامل مع ذلك.
- [س10/ ما هي الأنواع المختلفة للشبكات العصبية العميقة؟](https://dlarabic.com/س10-ما-هي-الأنواع-المختلفة-للشبكات-العص/): ج / هناك أنواع مختلفة للشبكات العصبية العميقة: - Convolutional Neural Networks (CNNs) Long Short-Term Memory Networks (LSTMs) Recurrent Neural Networks (RNNs) Generative Adversarial Networks (GANs) Radial Basis Function Networks (RBFNs) Multilayer Perceptrons (MLPs) Self-Organizing Maps (SOMs) Deep Belief Networks (DBNs) Restricted Boltzmann Machines (RBMs)
- [س1/ اشرح مفهوم التعلم الآلي Machine Learning (ML) وافترض أنك تشرح ذلك لطفل يبلغ من العمر 5 سنوات؟](https://dlarabic.com/س1-اشرح-مفهوم-التعلم-الآلي-machine-learning-ml-وافترض-أ/): ج / نعم، السؤال نفسه هو الجواب. التعلم الآلي هو بالضبط نفس الطريقة التي يمارس بها الأطفال أنشطتهم اليومية، والطريقة التي يمشون بها أو ينامون، وما إلى ذلك. ومن الحقائق الشائعة أن الأطفال لا يستطيعون المشي بعيدًا ويسقطون ثم يستيقظون مرة أخرى ثم يحاولون. هذا هو الشيء نفسه عندما يتعلق الأمر بالتعلم الآلي، فالأمر كله
- [مشروع 18: تصنيف النص باستخدام TensorFlow في التعلم العميق](https://dlarabic.com/تصنيف-النص-باستخدام-tensorflow-في-التعلم-العمي/): في هذه المقالة، سأقدم لك نموذج تصنيف النص باستخدام TensorFlow في مراجعات الأفلام على أنها إيجابية أو سلبية باستخدام نص المراجعات. هذه مشكلة تصنيف ثنائي، وهي نوع مهم وقابل للتطبيق على نطاق واسع من مشاكل التعلم الآلي. تصنيف النص باستخدام TensorFlow سأوجهك عبر التطبيق الأساسي لنقل التعلم باستخدام TensorFlow Hub وKeras. سأستخدم مجموعة بيانات
- [مشروع 17: التعرف على الصور باستخدام التعلم الآلي باستخدام PyTorch](https://dlarabic.com/التعرف-على-الصور-باستخدام-التعلم-الآل/): لا يبذل البشر أي جهد للتمييز بين كلب أو قطة أو صحن طائر. لكن هذه العملية يصعب على الكمبيوتر محاكاتها: تبدو سهلة فقط لأن الله يصمم أدمغتنا بشكل جيد للغاية للتعرف على الصور. أحد الأمثلة الشائعة على التعرف على الصور باستخدام التعلم الآلي هو التعرف الضوئي على الأحرف optical character recognition. في هذه المقالة، سوف
- [مشروع 16: نظام توصية للأزياء باستخدام النعلم العميق](https://dlarabic.com/نظام-توصية-للأزياء-باستخدام-النعلم-ال/): في هذه المقالة، سوف أطلعك على كيفية إنشاء نظام توصية للأزياء باستخدام التعلم الآلي الذي سيعمل مثل توصيات التسوق عبر الإنترنت المخصصة للغاية. ولكن قبل المضي قدمًا، عليك أن تعرف ما هو نظام التوصية recommendation system. نظام التوصية هو نظام مبرمج للتنبؤ بالعناصر المفضلة في المستقبل من مجموعة كبيرة من المجموعات. يعمل نظام التوصية إما
- [مشروع 14: نموذج الترجمة الآلية باستخدام التعلم العميق](https://dlarabic.com/نموذج-الترجمة-الآلية-باستخدام-التعلم/): تعد الترجمة الآلية Machine Translation واحدة من أكثر المهام تحديًا في الذكاء الاصطناعي والتي تعمل من خلال التحقق من استخدام البرنامج لترجمة نص أو خطاب من لغة إلى أخرى. في هذه المقالة، سوف آخذك عبر الترجمة الآلية باستخدام الشبكات العصبية. في نهاية هذه المقالة، ستتعلم تطوير نموذج ترجمة آلية باستخدام الشبكات العصبية وبايثون. سأستخدم اللغة
- [مشروع 13: كشف معالم الوجه باستخدام التعلم العميق](https://dlarabic.com/كشف-معالم-الوجه-باستخدام-التعلم-العمي/): هل فكرت يومًا في كيفية تمكن Snapchat من تطبيق فلاتر مذهلة وفقًا لوجهك؟ تمت برمجته لاكتشاف بعض العلامات على وجهك لإبراز فلتر وفقًا لتلك العلامات. في التعلم الآلي، تُعرف هذه العلامات باسم معالم الوجه Face Landmarks. في هذه المقالة، سأوجهك إلى كيفية اكتشاف معالم الوجوه باستخدام التعلم الآلي. الآن، سأبدأ ببساطة باستيراد جميع المكتبات التي
- [مشروع 12: تصنيف الكلاب والقطط باستخدام التعلم العميق](https://dlarabic.com/تصنيف-الكلاب-والقطط-باستخدام-التعلم-ا/): تُستخدم الشبكات العصبية التلافيفية (CNN) بشكل أساسي لتصنيف الصور أو تحديد أوجه التشابه في الأنماط بينها. لذلك تستقبل الشبكة التلافيفية صورة ملونة عادية كمربع مستطيل يقاس عرضه وارتفاعه بعدد البكسل على طول تلك الأبعاد، وعمقها ثلاث طبقات، واحدة لكل حرف في RGB. عندما تتحرك الصور عبر شبكة تلافيفية، يتم التعرف على أنماط مختلفة تمامًا مثل
- [مشروع 10:التنبؤ بكفاءة الوقود باستخدام التعلم العميق](https://dlarabic.com/التنبؤ-بكفاءة-الوقود-باستخدام-التعلم/): في هذه الأنواع من مشاكل التعلم الآلي للتنبؤ بكفاءة الوقود، نهدف إلى التنبؤ بمخرجات القيمة المستمرة، مثل السعر أو الاحتمالية. في هذه المقالة، سأطلعك على كيفية التنبؤ بكفاءة استهلاك الوقود من خلال التعلم الآلي. توقع كفاءة الوقود سأستخدم هنا إحدى مجموعات البيانات الشهيرة بين ممارسي التعلم الآلي، مجموعة بيانات Auto MPG لإنشاء نموذج للتنبؤ بكفاءة
- [تصنيف الصور باستخدام TensorFlow في التعلم العميق](https://dlarabic.com/تصنيف-الصور-باستخدام-tensorflow-في-التعلم-العم/): في هذه المقالة، سأشرح كيف يمكننا تدريب نموذج الشبكة العصبية لمهمة تصنيف الصور باستخدام TensorFlow. بالنسبة لأولئك الجدد على TensorFlow، فإن TensorFlow عبارة عن نظام أساسي مفتوح المصدر وشامل للتعلم الآلي. لديها نظام بيئي شامل ومرن من الأدوات والمكتبات وموارد المجتمع التي تسمح للباحثين بدفع التطورات المتطورة في تعلم الآلة، والمطورين لبناء ونشر التطبيقات القائمة
- [مشروع 15: التعرف على الكيان المسمى باستخدام التعلم العميق](https://dlarabic.com/التعرف-على-الكيان-المسمى-باستخدام-الت/): الكيان المسمى Named Entity يعني أي شيء يمثل كائنًا حقيقيًا مثل شخص أو مكان أو أي منظمة أو أي منتج له اسم. على سبيل المثال - "اسمي أمان وأنا مدرب تعلم الآلة". في هذه الجملة، يُطلق على اسم "أمان" والحقل أو الموضوع "التعلم الآلي" والمهنة "المدرب" كيانات. في التعرف على الكيانات المسماة (NER) في
- [مشروع 20:نموذج التنبؤ بالكلمة التالية باستخدام التعلم العميق](https://dlarabic.com/مشروع-20نموذج-التنبؤ-بالكلمة-التالية-با/): تقدم معظم لوحات المفاتيح في الهواتف الذكية ميزات التنبؤ بالكلمة التالية؛ يستخدم google أيضًا توقع الكلمة التالية استنادًا إلى سجل التصفح الخاص بنا. لذلك يتم أيضًا تخزين البيانات المحملة مسبقًا في وظيفة لوحة المفاتيح بهواتفنا الذكية للتنبؤ بالكلمة التالية بشكل صحيح. في هذه المقالة، سأقوم بتدريب نموذج التعلم العميق للتنبؤ بالكلمة التالية باستخدام بايثون. سأستخدم
- [مشروع 5: المتحدث الآلي مع التعلم العميق وبايثون](https://dlarabic.com/مشروع-5-المتحدث-الآلي-مع-التعلم-العميق/): إذا كنت مهتمًا بتطوير بوت محادثة (المتحدث الآلي) Chatbot، فقد تجد أن هناك العديد من أطر تطوير البوتات القوية والأدوات والأنظمة الأساسية التي يمكن استخدامها لتنفيذ برامج بوتات الدردشة الذكية. في هذه المقالة، سوف أطلعك على كيفية إنشاء Chatbot باستخدام بايثون والتعلم العميق. كيف يعمل Chatbot؟ نظرًا لأننا سنطور بوت محادثة Chatbot مع بايثون
- [كيفية حساب Precision وRecall و F1 والمزيد لنماذج التعلم العميق](https://dlarabic.com/كيفية-حساب-precision-وrecall-و-f1-والمزيد-لنماذج-التعل/): بمجرد ملاءمة fit نموذج الشبكة العصبية للتعلم العميق، يجب عليك تقييم evaluate أدائه في مجموعة بيانات اختبار. هذا أمر بالغ الأهمية، لأن الأداء المبلغ عنه يسمح لك بالاختيار بين النماذج المرشحة والتواصل مع أصحاب المصلحة حول مدى جودة النموذج في حل المشكلة. نموذج واجهة برمجة تطبيقات API التعلم العميق Keras محدود للغاية من حيث المقاييس
- [كيفية اختيار دالة التنشيط للتعلم العميق](https://dlarabic.com/كيفية-اختيار-دالة-التنشيط-للتعلم-العم/): تعد دوال التنشيط Activation functions جزءًا مهمًا من تصميم الشبكة العصبية neural network. سيتحكم اختيار دالة التنشيط في الطبقة المخفية hidden layer في مدى معرفة نموذج الشبكة لمجموعة بيانات التدريب. سيحدد اختيار دالة التنشيط في طبقة الإخراج output layer نوع التنبؤات التي يمكن أن يقوم بها النموذج. على هذا النحو، يجب إجراء اختيار دقيق لدالة
- [أفضل الاساليب لتحليل المشاعر](https://dlarabic.com/أفضل-الاساليب-لتحليل-المشاعر/): تحليل المشاعر Sentiment analysis هو مهمة معالجة اللغة الطبيعية NLP حيث نكتشف المشاعر الإيجابية positive أو السلبية negative من جزء من النص. تستخدم الشركات تحليل المشاعر لتحليل آراء العملاء حول منتجاتهم أو خدماتهم حتى يتمكنوا من استخدام المشاعر الإيجابية لتسويق منتجاتهم أو خدماتهم والمشاعر السلبية لتحسين جودة منتجاتهم أو خدماتهم. إذا كنت تريد معرفة أفضل
- [أفضل مكتبات بايثون لتحليل المشاعر](https://dlarabic.com/أفضل-مكتبات-بايثون-لتحليل-المشاعر/): من المهام الشائعة في معالجة اللغة الطبيعية NLP تحليل المشاعر sentiment analysis. إذا كنت ترغب في العمل في مشروع يعتمد على معالجة اللغة الطبيعية، فسيكون تحليل المشاعر خيارًا جيدًا. قبل أن تبدأ مشروعًا حول تحليل المشاعر، يجب أن تشعر بالارتباك بشأن مكتبة بايثون التي يجب أن تختارها. لذلك، إذا كنت ترغب في التعرف على أفضل
- [التعرف على الصور مع نقل التعلم](https://dlarabic.com/التعرف-على-الصور-مع-نقل-التعلم/): في هذه المقالة، ستتعلم كيفية استخدام نقل التعلم transfer learning للتعرف على الصور بشكل فعال، باستخدام keras وTensorFlow والشبكات العصبية المدربة مسبقًا: VGG16 وVGG19 وResNet50. في هذه العملية سوف تفهم ما هو نقل التعلم، وكيفية القيام ببعض الأشياء التقنية: إضافة طبقات إلى شبكة عصبية حالية مدربة مسبقًا لتكييفها مع احتياجاتك. احفظ نموذج keras بحيث يمكنك
- [<strong>فهم نقل التعلم للتعلم العميق</strong>](https://dlarabic.com/فهم-نقل-التعلم-للتعلم-العميق/): تُعرف إعادة استخدام نموذج تم تعلمه مسبقًا في مشكلة جديدة باسم نقل التعلم transfer learning. إنه شائع بشكل خاص في التعلم العميق في الوقت الحالي لأنه يمكنه تدريب الشبكات العصبية العميقة بكمية صغيرة من البيانات. هذا مهم بشكل خاص في مجال علم البيانات، حيث أن معظم مواقف العالم الحقيقي لا تتطلب الملايين من نقاط البيانات
- [<strong>نقل التعلم وفن استخدام النماذج المدربة مسبقًا في التعلم العميق</strong>](https://dlarabic.com/نقل-التعلم-وفن-استخدام-النماذج-المدرب/): مقدمة الشبكات العصبية Neural networks هي سلالة مختلفة من النماذج مقارنة بخوارزميات التعلم الآلي الخاضعة للإشراف supervised machine learning algorithms. لماذا اقول ذلك؟ هناك أسباب متعددة لذلك، ولكن أبرزها تكلفة تشغيل الخوارزميات على الجهاز. في عالم اليوم، تعتبر ذاكرة الوصول العشوائي على الجهاز رخيصة ومتوفرة بكثرة. أنت بحاجة إلى مئات الجيجابايت من ذاكرة الوصول العشوائي
- [أفضل مكتبات بايثون للمعالجة اللغوية الطبيعية NLP](https://dlarabic.com/أفضل-مكتبات-بايثون-للمعالجة-اللغوية-ا/): تعد المعالجة اللغوية الطبيعية (NLP) مجالًا فرعيًا للذكاء الاصطناعي وعلوم الكمبيوتر. المعالجة اللغوية الطبيعية هي عملية معالجة وتحليل بيانات اللغة الطبيعية لإنشاء تطبيقات ذكية يمكنها فهم اللغات البشرية. مثل التعلم الآلي، تُفضل بايثون أيضًا للمعالجة اللغوية الطبيعية بسبب المجموعة الهائلة من المكتبات المفيدة لمعالجة بيانات اللغة الطبيعية. لذا، إذا كنت تتعلم المعالجة اللغوية الطبيعية وترغب
- [<strong>عملية المعالجة اللغوية الطبيعية NLP باستخدام بايثون</strong>](https://dlarabic.com/عملية-المعالجة-اللغوية-العصبية-nlp-باستخ/): المعالجة اللغوية الطبيعية (NLP) هي مجموعة فرعية من الذكاء الاصطناعي حيث نهدف إلى تدريب أجهزة الكمبيوتر على فهم اللغات البشرية. بعض تطبيقات العالم الحقيقي من المعالجة اللغوية الطبيعية هي chatbots و Siri و Google Translator. أثناء العمل على أي مشكلة تعتمد على المعالجة اللغوية الطبيعية، يجب أن نتبع عملية لإعداد مفردات الكلمات من مجموعة بيانات
- [<strong>خارطة الطريق لإتقان المعالجة اللغوية الطبيعية NLP </strong>](https://dlarabic.com/خارطة-الطريق-لإتقان-المعالجة-اللغوية/): مقدمة قبل أيام قليلة، صادفت سؤالًا عن "Quora" اختصر في: "كيف يمكنني تعلم معالجة اللغة الطبيعية في أربعة أشهر فقط؟". ثم بدأت في كتابة رد موجز. ومع ذلك، سرعان ما تحول إلى شرح مفصل للنهج التربوي الذي استخدمته، وباستخدام هذا النهج ، كيف قمت بالانتقال من خبير في الهندسة الميكانيكية إلى متحمس لمعالجة اللغة الطبيعية
- [كيف تصبح عالم بيانات](https://dlarabic.com/كيف-تصبح-عالم-بيانات/): في هذه المقالة، سأقدم لك خريطة طريق كاملة حول كيفية أن تصبح عالم بيانات بمهارات مثل التعلم الآلي والتعلم العميق والذكاء الاصطناعي. لذلك ربما تفكر في أنك بحاجة إلى درجة الماجستير أو الدكتوراه من جامعة عظيمة لتصبح عالم بيانات. إلى حد ما، من الصحيح أن الحصول على درجة الماجستير أو الدكتوراه في هذه الخلفية من
- [مشروع 11: تحليل المشاعر على تويتر باستخدام التعلم العميق](https://dlarabic.com/تحليل-المشاعر-على-تويتر-باستخدام-التع/): تحليل المشاعر على Twitter هو عملية تحديد وتصنيف التغريدات بشكل حسابي في جزء من النص، لا سيما من أجل تحديد ما إذا كان موقف الكاتب تجاه موضوع معين، أو منتج معين، وما إلى ذلك، إيجابيًا أم سلبيًا أم محايدًا. في هذه المقالة سأقوم بتحليل المشاعر على تويتر باستخدام Natural Language Processing باستخدام مكتبة nltk مع
- [مشروع 8: تصنيف الجنسيات باستخدام التعلم العميق](https://dlarabic.com/مشروع-تصنيف-الجنسيات-باستخدام-التعلم/): في هذا المقال، سوف أطلعكم على كيفية تصنيف جنسيات الأشخاص باستخدام أسمائهم. سوف تفكر في كيفية تصنيف الجنسيات باستخدام الأسماء فقط. هناك الكثير حول كيفية اللعب بالأسماء. تصنيف الجنسيات لنبدأ بمهمة التعلم العميق هذه لتصنيف الجنسيات عن طريق استيراد الحزم الضرورية. سأصنف الجنسيات بناءً على الأسماء على أنها هندية أو غير هندية. لذلك، دعنا نستورد
- [مشروع#1 تسلسل الحمض النووي DNA مع التعلم الآلي](https://dlarabic.com/تسلسل-الحمض-النووي-dna-مع-التعلم-الآلي/): في مشروع علم البيانات هذا، سأطبق نموذج تصنيف باستخدام التعلم الآلي، والذي يمكنه التنبؤ بوظيفة الجين بناءً على تسلسل الحمض النووي DNA لتسلسل الترميز وحده. import numpy as np import pandas as pd import matplotlib.pyplot as plt يمكنك تنزيل مجموعات البيانات التي نحتاجها لهذا المشروع من هنا: chimp_data dog_data human_data human_data = pd.read_table('human_data.txt') human_data.head() لدينا
- [مشروع تقطيع الصورة Image Segmentation باستخدام التعلم العميق](https://dlarabic.com/مشروع-تقطيع-الصورة-image-segmentation-باستخدام-التعل/): لكونك ممارسًا في التعلم العميق، يجب أن تكون قد مررت بتصنيف للصور image classification، حيث يكون الهدف هو تعيين تسمية أو فئة للصورة المدخلة. الآن، لنفترض أنك تريد الوصول إلى مكان وجود الكائن داخل الصورة، أو شكل الكائن، أو ما هو البكسل الذي يمثل الكائن. في مثل هذه الحالة، يجب عليك اللعب بجزء من الصورة،
- [تحليل المشاعر مع التعلم الآلي](https://dlarabic.com/تحليل-المشاعر-مع-التعلم-الآلي/): تحليل المشاعر Sentiment analysis هو العملية التي يمكن من خلالها قياس كل المحتوى كمياً لتمثيل أفكار ومعتقدات وآراء قطاعات كاملة من الجمهور. من الصعب التقليل من الآثار المترتبة على تحليل المشاعر لزيادة إنتاجية العمل. يعد تحليل المشاعر إحدى مهام البرمجة اللغوية العصبية NLP الشائعة التي يحتاج كل عالم بيانات لأدائها. على سبيل المثال، أنت طالب
- [<strong>بناء أول نموذج للتعلم الآلي بدون برمجة باستخدام KNIME</strong>](https://dlarabic.com/بناء-أول-نموذج-للتعلم-الآلي-بدون-برمجة/): 1. إعداد النظام الخاص بك لتبدأ بـ KNIME، تحتاج أولاً إلى تثبيته وإعداده على جهاز الكمبيوتر الخاص بك. الخطوة 1: اذهب إلى www.knime.com/downloads الخطوة 2: تحديد الإصدار الصحيح لجهاز الكمبيوتر الخاص بك. الخطوة 3: قم بتثبيت النظام الأساسي وتعيين دليل العمل لـ KNIME لتخزين ملفاته. هكذا ستبدو شاشتك الرئيسية في KNIME. 1.1 إنشاء سير
- [مشروع2:التنبؤ باسعار الكمبيوتر المحمول باستخدام التعلم الآلي](https://dlarabic.com/التنبؤباسعار-الكمبيوتر-المحمول-باست/): التعلم الآلي هو فرع من فروع الذكاء الاصطناعي الذي يتعامل مع تنفيذ التطبيقات التي يمكن أن تقوم بالتنبؤ في المستقبل بناءً على البيانات السابقة. إذا كنت متحمسًا لعلوم البيانات أو ممارسًا، فستساعدك هذه المقالة في بناء مشروع التعلم الآلي الشامل الخاص بك من البداية. هناك العديد من الخطوات المتضمنة في بناء مشروع التعلم الآلي ولكن
- [<strong>التعرف على الصور: الكلاب مقابل القطط! باستخدام نقل التعلم</strong>](https://dlarabic.com/التعرف-على-الصور-الكلاب-مقابل-القطط-با/): في هذه المقالة، ستقوم ببناء شبكة عصبية تلافيفية CNN من البداية لتصنيف الصور إلى فئتين، كلب أو قطة، بدقة 92٪. لن نستخدم نقل التعلم transfer learning هذه المرة (لذا لا غش!)، وسأشرح بالتفصيل العملية التي اتبعتها لحل هذه المشكلة الكلاسيكية. سوف تتعلم كيفية: بناء وضبط شبكة تلافيفية مع keras لتصنيف الصور. اختر المحسن المناسب للتأكد
- [مشروع1:تصنيف زهرة Iris باستخدام التعلم الآلي](https://dlarabic.com/مسودة-تصنيف-زهرة-iris-باستخدام-التعلم-الآ/): يعد تصنيف زهرة Iris أحد أكثر دراسات الحالة شيوعًا بين مجتمع علوم البيانات. قام كل مبتدئ في علم البيانات تقريبًا بحل دراسة الحالة هذه مرة واحدة في حياتهم. هنا، يتم إعطاؤك القياسات المرتبطة بكل نوع من أنواع زهرة Iris وبناءً على هذه البيانات، يجب عليك تدريب نموذج التعلم الآلي لمهمة تصنيف زهور Iris. لذلك إذا
- [<strong>مشروعك الأول للتعلم الآلي في بايثون خطوة بخطوة</strong>](https://dlarabic.com/مشروعك-الأول-للتعلم-الآلي-في-بايثون-خط/): هل تريد تعلم الآلة باستخدام بايثون، لكنك تواجه مشكلة في البدء؟ في هذا المنشور، ستكمل مشروعك الأول للتعلم الآلي باستخدام بايثون. في هذا البرنامج التعليمي خطوة بخطوة سوف: نقوم بتنزيل Python SciPy وتثبيته واحصل على الحزمة الأكثر فائدة للتعلم الآلي في بايثون. نقوم بتحميل مجموعة بيانات وافهم هيكلها باستخدام الملخصات الإحصائية ورسم البيانات. نقوم بإنشاء
- [<strong>مشروع: تقرير السعادة العالمية مع علم البيانات</strong>](https://dlarabic.com/مشروع-تقرير-السعادة-العالمية-مع-علم-ال/): تقرير صدر السعادة العالمي World Happiness Report الأول في 1 أبريل 2012 كنص تأسيسي لا اجتماع الأمم المتحدة رفيع المستوى: الرفاهية Well-being والسعادة Happiness: تحديد نموذج اقتصادي جديد، وجذب الانتباه الدولي. حدد التقرير حالة السعادة في العالم، وأسباب السعادة والبؤس، والآثار السياسية التي أبرزتها دراسات الحالة. في عام 2013، تم إصدار التقرير الثاني للسعادة العالمية،
- [<strong>خارطة طريق الرؤية الحاسوبية</strong>](https://dlarabic.com/خارطة-طريق-الرؤية-الحاسوبية/): هل تريد أن تعرف كيف تتعلم الرؤية الحاسوبية (Computer Vision)؟ ... إذا كانت الإجابة بنعم، فهذه المقالة مناسبة لك. في هذه المقالة، ستجد خارطة طريق الرؤية الحاسوبية خطوة بخطوة. إلى جانب ذلك، ستجد أيضًا بعض أفضل الموارد لتعلم الرؤية الحاسوبية. الآن دون مزيد من اللغط، فلنبدأ: كيف تتعلم الرؤية الحاسوبية؟ قبل أن أناقش خارطة طريق
- [معالجة البيانات غير المتوازنة في التعلم الآلي والتعلم العميق](https://dlarabic.com/معالجة-البيانات-غير-المتوازنة-في-التع/): مقدمة مشاكل التصنيف Classification problems شائعة جدًا في عالم التعلم الآلي. كما نعلم في مشكلة التصنيف، نحاول التنبؤ بتسمية الفئة من خلال دراسة بيانات الإدخال أو المتنبئ حيث يكون الهدف أو متغير الإخراج متغيرًا فئويًا في الطبيعة. إذا كنت قد تعاملت بالفعل مع مشاكل التصنيف، فيجب أن تكون قد واجهت حالات يكون فيها عدد ملاحظة
- [معالجة البيانات المفقودة في التعلم الآلي والتعلم العميق](https://dlarabic.com/معالجة-البيانات-المفقودة/): هناك فرق كبير بين البيانات التي تحصل عليها لممارسة مهارات علم البيانات والبيانات التي تحصل عليها في العالم الحقيقي. بصراحة، ستأتي دائمًا العديد من مجموعات البيانات التي ستدخلها في عملية مهام علم البيانات في العالم الفعلي مع قدر من البيانات المفقودة missing data. أحيانًا يصبح الأمر صعبًا عندما تشير مصادر البيانات المختلفة إلى طرق مختلفة
- [الفرق بين التصنيف متعدد الفئات والتصنيف متعدد التسميات في التعلم العميق](https://dlarabic.com/الفرق-بين-التصنيف-متعدد-الفئات-والتصن-2/): المقدمة أثناء حل عبارات مشكلة التصنيف باستخدام التعلم العميق، قد نتوصل بشكل أساسي إلى النوعين التاليين من مهام التصنيف: التصنيف متعدد الفئات Multi-Class Classification. التصنيف متعدد التسميات Multi-Label Classification. كمقدمة قصيرة، في التصنيف متعدد الفئات، سيكون لكل إدخال فئة إخراج واحدة فقط، ولكن في التصنيف متعدد التسميات، يمكن أن يكون لكل مدخل فئات متعددة المخرجات.
- [معالجة البيانات الفئوية في التعلم الآلي والتعلم العميق](https://dlarabic.com/معالجة-البيانات-الفئوية-في-التعلم-الآ/): أثناء حل المشكلات بناءً على التصنيف باستخدام التعلم الآلي machine learning، نجد في الغالب مجموعات بيانات مكونة من تسميات فئوية categorical labels لا يمكن معالجتها بواسطة جميع خوارزميات التعلم الآلي. لذلك، إذا كنت تريد معرفة كيفية التعامل مع البيانات الفئوية categorical data في التعلم الآلي، فهذه المقالة مناسبة لك. في هذه المقالة، سأقدم لك تقنيات
- [تحويل الميزات الفئوية إلى عددية باستخدام بايثون](https://dlarabic.com/تحويل-الميزات-الفئوية-إلى-عددية-باستخ/): أكثر أنواع الميزات غير الرقمية non-numeric features شيوعًا هي السمات الفئوية categorical features. في هذه المقالة، سوف أطلعك على الميزات الفئوية في التعلم الآلي، وكيفية تحويل الميزات الفئوية إلى قيم رقمية numerical values باستخدام بايثون. ما هي الميزات الفئوية؟ تعتبر الميزة فئوية إذا كان من الممكن وضع القيم في مجموعات وكان ترتيب القيم غير مهم.
- [كيفية تقسيم مجموعة البيانات في التعلم الآلي والتعلم العميق؟](https://dlarabic.com/كيفية-تقسيم-مجموعة-بيانات-في-التعلم-ال/): يتم استخدام إجراء تقسيم تدريب-اختبار train-test split لتقدير أداء خوارزميات التعلم الآلي عند استخدامها لعمل تنبؤات بشأن البيانات غير المستخدمة في تدريب النموذج. إنه إجراء سريع وسهل الأداء، تسمح لك نتائجه بمقارنة أداء خوارزميات التعلم الآلي لمشكلة النمذجة التنبؤية. على الرغم من سهولة الاستخدام والتفسير، إلا أن هناك أوقاتًا لا ينبغي فيها استخدام الإجراء، مثل
- [كيفية إزالة القيم المتطرفة في التعلم الآلي والتعلم العميق؟](https://dlarabic.com/كيفية-إزالة-القيم-المتطرفة-في-التعلم-ا/): في عملية بناء نموذج التعلم الآلي machine learning بعد التعامل مع القيم الفارغة null values وتحويل الفئات categories إلى أرقام وإعدادها لنماذجنا، فإن الخطوة التالية هي تحويل البيانات لاكتشاف القيم المتطرفة outliers detection والنماذج التي تتطلب ميزات موزعة بشكل طبيعي. في هذه المقالة، سوف أطلعك على كيفية إزالة القيم المتطرفة في التعلم الآلي باستخدام بايثون.
- [مقدمة في هندسة الميزات في التعلم الآلي - كل ما تحتاج إلى معرفته!](https://dlarabic.com/مقدمة-في-هندسة-الميزات-كل-ما-تحتاج-إلى/): لنفترض أنك كنت تنشئ متجرًا للهدايا وقام المورد الخاص بك بتفريغ جميع الألعاب التي طلبتها في الغرفة. سيبدو شيء من هذا القبيل. فوضى عارمة! تخيل نفسك الآن تقف أمام هذه الكومة الضخمة من الألعاب تحاول العثور على اللعبة المناسبة للعميل! أنت تعلم أنه موجود هناك، لكنك لا تعرف مكان البحث عنه! محبط أليس كذلك؟ في
- [كيف تحفظ نموذج التعلم الآلي؟](https://dlarabic.com/كيف-تحفظ-نموذج-التعلم-الآلي؟/): كلما أردنا حل نفس المشكلة على مجموعة بيانات جديدة بنفس الميزات التي قمنا بحلها من قبل، يمكننا استخدام نفس نموذج التعلم الآلي machine learning model الذي دربناه سابقًا. ولكن لاستخدام نفس النموذج مرة أخرى، نحتاج إلى حفظ النموذج save the model. لذلك في هذه المقالة، سوف آخذك من خلال برنامج تعليمي حول كيفية حفظ نموذج
- [حفظ وتحميل نماذج التعلم الآلي في بايثون باستخدام scikit-Learn](https://dlarabic.com/حفظ-وتحميل-نماذج-التعلم-الآلي-في-بايثو/): إن العثور على نموذج تعلم آلي دقيق ليس نهاية المشروع. في هذا المنشور، سوف تكتشف كيفية حفظ وتحميل نموذج التعلم الآلي الخاص بك في بايثون باستخدام scikit-Learn. يسمح لك هذا بحفظ النموذج الخاص بك في ملف وتحميله لاحقًا لعمل تنبؤات. ينقسم هذا البرنامج التعليمي إلى 3 أجزاء: حفظ النموذج الخاص بك مع pickle. حفظ النموذج
- [ما هي النماذج المدربة مسبقاً في التعلم الآلي والتعلم العميق؟](https://dlarabic.com/ما-هي-النماذج-المدربة-مسبقاً-في-التعلم/): في التعلم الآلي Machine Learning، نستخدم أحيانًا نماذج تم تدريبها وتطويرها بواسطة مطورين آخرين لبعض المهام المعقدة. تُعرف هذه النماذج بالنموذج المدرَّب مسبقًا pre-trained model. ليس من الجيد استخدام نموذج مدرب مسبقًا لحل مشكلة مماثلة تم تطوير النموذج من أجلها وإتاحتها. في هذه المقالة، سأطلعك على النماذج المدربة مسبقًا في التعلم الآلي. ما هي النماذج
- [ما هو التعلم العميق (DL) وكيف يعمل؟](https://dlarabic.com/ما-هو-التعلم-العميق؟/): هل تريد التعرف على أساسيات التعلم العميق؟. إذا كانت الإجابة بنعم ، فتهانينا !. انت في المكان الصحيح سأناقش هنا جميع التفاصيل الأساسية للتعلم العميق. في نهاية هذه المقالة، سيتم مراجعة أساسياتك المتعلقة بالتعلم العميق. لذلك، اقرأ المقال كاملاً. هيا بنا نبدأ!. مرحبا أهلا وسهلا! لنبدأ بتعريف التعلم العميق ما هو التعلم العميق التعلم العميق
- [<strong>كيف تبدأ مع التعلم العميق للرؤية الحاسوبية (كورس مكثف لمدة 7 أيام)</strong>](https://dlarabic.com/كيف-تبدأ-مع-التعلم-العميق-للرؤية-الحاس/): نحن غارقون في الصور الرقمية من الصور ومقاطع الفيديو و Instagram و YouTube وتدفق الفيديو المباشر بشكل متزايد. يعد العمل مع بيانات الصورة أمرًا صعبًا لأنه يتطلب الاعتماد على المعرفة من مجالات متنوعة مثل معالجة الإشارات الرقمية، والتعلم الآلي، والأساليب الإحصائية، وفي هذه الأيام، التعلم العميق. تتفوق طرق التعلم العميق على الطرق الكلاسيكية والإحصائية في
- [كيفية إعداد بيئة بايثون الخاصة بك للتعلم الآلي والتعلم العميق باستخدام Anaconda](https://dlarabic.com/كيفية-إعداد-بيئة-بايثون-الخاصة-بك-للتع/): قد يكون من الصعب تثبيت بيئة تعلم آلة بايثون على بعض الأنظمة الأساسية. يجب تثبيت بايثون نفسها أولاً ثم هناك العديد من الحزم التي يجب تثبيتها، وقد يكون ذلك مربكًا للمبتدئين. في هذا البرنامج التعليمي، سوف تكتشف كيفية إعداد بيئة تطوير تعلم الآلة والتعلم العميق بايثون باستخدام اناكوندا Anaconda. بعد الانتهاء من هذا البرنامج التعليمي،
- [التعلم الآلي مقابل التعلم العميق](https://dlarabic.com/التعلم-الآلي-مقابل-التعلم-العميق/): لتشغيل آلة مثل الإنسان، يجب أن تتعلم الآلة كيفية العمل، لأن تقنيات التعلم الآلي Machine Learning والتعلم العميق Deep Learning تستخدم لمساعدة الآلة في حل مشكلة في الوقت الفعلي. كلاهما لديه خوارزميات تعمل على هذه القضايا. في هذه المقالة، سأقدم لك دراسة شاملة حول التعلم الآلي مقابل التعلم العميق. مع النمو السريع للذكاء الاصطناعي، تحتاج
- [الفرق بين الخوارزمية والنموذج في التعلم الآلي](https://dlarabic.com/الفرق-بين-الخوارزمية-والنموذج-في-التع/): بالنسبة للمبتدئين، يعد هذا أمرًا محيرًا للغاية لأنه غالبًا ما يتم استخدام "خوارزمية التعلم الآلي" بالتبادل مع "نموذج التعلم الآلي". هل هم نفس الشيء أم شيء مختلف؟ بصفتك مطورًا، فإن حدسك باستخدام "الخوارزميات" مثل خوارزميات الفرز وخوارزميات البحث سيساعد في إزالة هذا الالتباس. في هذا المنشور، سوف تكتشف الفرق بين "خوارزميات" و"نماذج" التعلم الآلي .
- [الرياضيات لتعلم الآلة](https://dlarabic.com/الرياضيات-لتعلم-الآلة/): يدور التعلم الآلي Machine learning حول تصميم الخوارزميات التي تستخرج تلقائيًا automatically المعلومات القيمة من البيانات. ينصب التركيز هنا على "تلقائي automatic" ، أي أن التعلم الآلي يدور حول منهجيات الأغراض العامة التي يمكن تطبيقها على العديد من مجموعات البيانات أثناء إنتاج شيء ذي معنى. في هذه المقالة، سأطلعك على سبب حاجتك إلى تعلم بعض
- [أهم 10 اتجاهات وتوقعات للتعلم العميق يجب البحث عنها في عام 2023](https://dlarabic.com/أهم-10-اتجاهات-وتوقعات-للتعلم-العميق-يجب/): تُستخدم تقنية التعلم العميق Deep Learning الآن على نطاق واسع في مجموعة متنوعة من الشركات حول العالم. يعتبر الذكاء الاصطناعي AI والتعلم الآلي machine learning من أسس التحول التكنولوجي في الصناعة الحديثة. أدى دمج خوارزميات التعلم الآلي في العمليات التجارية إلى جعل المؤسسات أكثر ذكاءً وكفاءة. نظرًا لأن التغيير التالي في النموذج في الحوسبة قيد
- [<strong>مشروعك الأول للتعلم العميق في بايثون خطوة بخطوة</strong>](https://dlarabic.com/أول-مشروع-تعلم-عميق-لك-في-بايثون-باستخد/): Keras هي مكتبة بايثون مفتوحة المصدر قوية وسهلة الاستخدام لتطوير وتقييم نماذج التعلم العميق. انه جزء من مكتبة TensorFlow ويسمح لك بتعريف وتدريب نماذج الشبكة العصبية في بضعة أسطر من التعليمات البرمجية. في هذا البرنامج التعليمي، سوف تكتشف كيفية إنشاء أول نموذج شبكة عصبية للتعلم العميق في Python باستخدام Keras. نظرة عامة على برنامج Keras
- [مشروع 1: اكتشاف الالتهاب الرئوي باستخدام التعلم العميق](https://dlarabic.com/مشروع-1-اكتشاف-الالتهاب-الرئوي-باستخدا/): في هذه المقالة، سوف أقدم لكم مشروع التعلم الآلي عن اكتشاف الالتهاب الرئوي باستخدام لغة برمجة بايثون. الالتهاب الرئوي Pneumonia هو حالة التهابية تصيب الرئة تؤثر بشكل رئيسي على الأكياس الهوائية الصغيرة المسماة الحويصلات الهوائية alveoli. مقدمة في اكتشاف الالتهاب الرئوي الالتهاب الرئوي هو مرض تنفسي معدي وقاتل تسببه بكتيريا أو فطريات أو فيروس يصيب
- [مشروع 2: اكتشاف قناع الوجه مع التعلم العميق](https://dlarabic.com/مشروع-اكتشاف-قناع-الوجه-مع-التعلم-العم/): أصبح اكتشاف الوجه مشكلة مثيرة للاهتمام للغاية في معالجة الصور والرؤية الحاسوبية. في هذه المقالة، سأقدم لك مشروع الرؤية الحاسوبية حول اكتشاف قناع الوجه باستخدام التعلم الآلي باستخدام بايثون. مقدمة في اكتشاف قناع الوجه يحتوي اكتشاف قناع الوجه Face mask detection على مجموعة من التطبيقات بدءًا من التقاط حركة الوجه وحتى التعرف على الوجه والذي
- [مشروع 3: نموذج التنبؤ بالزلازل مع التعلم العميق](https://dlarabic.com/وما-نيل-المطالب-بالتمني-ولكن-تؤخذ-الدن-2/): في هذه المقالة، سأطلعك على كيفية إنشاء نموذج لمهمة توقع الزلازل باستخدام التعلم الآلي ولغة برمجة بايثون. يعد التنبؤ بالزلازل أحد أكبر المشكلات التي لم يتم حلها في علوم الأرض. مع زيادة استخدام التكنولوجيا، زادت العديد من محطات المراقبة الزلزالية، لذلك يمكننا استخدام التعلم الآلي والأساليب الأخرى التي تعتمد على البيانات للتنبؤ بالزلازل. نموذج التنبؤ
- [مشروع 9: التنبؤ بأسعار السيارات مع التعلم العميق](https://dlarabic.com/مشروع-9-التنبؤ-بأسعار-السيارات-مع-التعل/): في هذه المقالة، سوف أطلعك على كيفية تدريب نموذج يساعدنا في التنبؤ بأسعار السيارات باستخدام التعلم الآلي باستخدام PyTorch. مجموعة البيانات التي سأستخدمها هنا للتنبؤ بأسعار السيارات عبارة عن بيانات مجدولة مع أسعار السيارات المختلفة فيما يتعلق بالمتغيرات الأخرى، وتحتوي مجموعة البيانات على 258 صفًا و9 أعمدة، والمتغير الذي نريد توقعه هو سعر بيع السيارات.
- [اكتشاف نوم اعضاء البرلمان باستخدام التعلم العميق](https://dlarabic.com/اكتشاف-نوم-اعضاء-البرلمان-باستخدام-ال/): الكاتب: آيوب علالي || موقع بايثون بالعربي في هذه المقالة سنعمل على مشروع اكتشاف نوم اعضاء البرلمان في مقر عملهم حيث يتم ارسال تنبيه لرئيس الجلسة او يعمل منبه من اجل انذارهم او ايقاضهم, حيث سيتم استعمال انترنت الاشياء (IoT) والتعلم العميق (Deep learning) والرؤية الحاسوبية (Computer Vision). قبل أن نشرح خطوات عمل هذا المشروع
- [مشروع 6: منشئ العنوان مع التعلم العميق](https://dlarabic.com/منشئ-العنوان-مع-التعلم-العميق/): في هذه المقالة، سأستخدم مجموعة بيانات مقاطع الفيديو الشائعة على YouTube ولغة برمجة بايثون لتدريب نموذج للغة إنشاء النص باستخدام التعلم الآلي، والذي سيتم استخدامه لمهمة إنشاء عنوان لمقاطع فيديو youtube أو حتى لمدوناتك. منشئ العنوان Title generator مهمة معالجة لغة طبيعية natural language processing وهي قضية مركزية للعديد من التعلم الآلي، بما في ذلك
- [مشروع 7: كشف التزييف العميق باستخدام التعلم العميق](https://dlarabic.com/مشروع-7-كشف-التزييف-العميق-باستخدام-الت/): في هذه المقالة، سوف آخذك إلى كشف التزييف العميق Deepfake Detection باستخدام بايثون والتعلم الآلي. لقد كتبت مؤخرًا مقالًا حول ما هو التزييف العميق Deepfake وكيف أنه خطير. إذا كنت لا تعرف ما هو Deepfake، فسأقترح عليك إلقاء نظرة سريعة على مقالتي السابقة هنا، قبل أن تتسخ يديك بمهمة اكتشاف التزييف العميق Deepfake باستخدام بايثون
- [كتاب السلاسل الزمنية: التحليل والتنبؤ: عن طريق الامثلة: 25 مشروع سلسلة زمنية تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/كتاب-السلاسل-الزمنية-التحليل-والتنبؤ/): بيانات السلاسل الزمنية time series هي سلسلة من البيانات التي يتم جمعها خلال فترة زمنية. عندما نعمل على بيانات السلاسل الزمنية لتحليل الأنماط والعثور عليها، يُعرف ذلك باسم تحليل السلاسل الزمنية والتنبؤ بها Time Series Analysis and forecasting. لذلك، إذا كنت تريد أن تصبح عالم بيانات، فإن تحليل السلاسل الزمنية والتنبؤ بها هو أحد الموضوعات
- [أهم 10 اتجاهات وتوقعات للتعلم الآلي يجب البحث عنها في عام 2023](https://dlarabic.com/أهم-10-اتجاهات-للتعلم-الآلي-يجب-البحث-عن/): ينشئ التعلم الآلي خوارزميات تدعم الآلات في فهم البيانات بشكل أفضل وإصدار أحكام تستند إلى البيانات. للاستفادة الكاملة من اتجاهات التعلم الآلي، سيحتاج قادة تكنولوجيا المعلومات والأعمال إلى تطوير استراتيجية لمواءمة الذكاء الاصطناعي مع اهتمامات الموظفين وأهداف العمل. وفقًا للتحليلات التنبؤية، سيصبح التعلم الآلي واسع الانتشار بحلول عام 2024. وفيما يلي دليل حول اتجاهات التعلم
- [الدقة Accuracy](https://dlarabic.com/الدقة-accuracy/): عدد تنبؤات التصنيف الصحيحة مقسومًا على العدد الإجمالي للتنبؤات. هذا هو: على سبيل المثال، النموذج الذي أجرى 40 تنبؤًا صحيحًا و10 تنبؤات غير صحيحة سيكون له دقة: يوفر التصنيف الثنائي (Binary classification) أسماء محددة لفئات مختلفة من التنبؤات الصحيحة والتنبؤات غير الصحيحة. إذن، معادلة الدقة للتصنيف الثنائي هي كما يلي: حيث: TP هو عدد الإيجابيات
- [<strong>كتاب تحليل المشاعر: عن طريق الامثلة : 25 مشروع تحليل مشاعر تم حلها وشرحها باستخدام بايثون</strong>](https://dlarabic.com/كتاب-تحليل-المشاعر-عن-طريق-الامثلة-25-مش/): تحليل المشاعر Sentiment analysis (المعروف أيضًا باسم التنقيب في الرأي opinion mining) هو نهج معالجة اللغة الطبيعية (NLP) لتحديد الإيجابية positivity أو السلبية negativity أو الحيادية neutrality البيانات. يتم استخدام تحليل المشاعر بشكل متكرر على البيانات النصية لمساعدة المؤسسات في تتبع مشاعر العلامة التجارية والمنتج في ملاحظات المستهلك وفهم متطلبات العملاء بشكل أفضل. هل تبحث
- [كتاب بايثون: عن طريق الامثلة: 90 مشروع بايثون مع الكود المصدري تم حلها وشرحها](https://dlarabic.com/كتاب-بايثون-عن-طريق-الامثلة-90-مشروع-باي/): بايثون هي واحدة من أفضل لغات البرمجة. نظرًا لقابليتها للقراءة وطبيعتها الصديقة للمبتدئين، فقد تم قبولها من قبل الصناعات في جميع أنحاء العالم. لذلك لإتقان بايثون في أي مجال، عليك العمل في المشاريع. في هذه الكتاب، سيقدم لك المؤلف أكثر من 90 مشروع مذهل في بايثون مع حل الكود المصدري وشرحها مجانًا. إذا كنت مبتدئًا
- [الفرق بين التصنيف متعدد الفئات والتصنيف متعدد التسميات في التعلم الآلي](https://dlarabic.com/الفرق-بين-التصنيف-متعدد-الفئات-والتصن/): التصنيف متعدد الفئات Multiclass classification يعني مشكلة تصنيف حيث تكون المهمة هي التصنيف بين أكثر من فئتين. التصنيف متعدد التسميات Multilabel classification يعني مشكلة تصنيف حيث نحصل على تسميات متعددة كمخرجات. في هذه المقالة، سأشرح الفرق بين التصنيف متعدد الفئات والتصنيف متعدد التسميات في التعلم الآلي. الفرق بين التصنيف متعدد الفئات والتصنيف متعدد التسميات التصنيف
- [خطوات لإكمال مشروع تعلم الآلة](https://dlarabic.com/خطوات-لإكمال-مشروع-تعلم-الآلة/): توضح هذه المقالة مختلف الخطوات المتضمنة في مشروع التعلم الآلي machine learning. هناك خطوات قياسية عليك اتباعها لمشروع علم البيانات data science. بالنسبة لأي مشروع، علينا أولاً جمع البيانات وفقًا لاحتياجات أعمالنا. الخطوة التالية هي تنظيف البيانات مثل إزالة القيم، وإزالة القيم المتطرفة outliers، والتعامل مع مجموعات البيانات غير المتوازنة imbalanced datasets، وتغيير المتغيرات الفئوية
- [كيفية اختيار نموذج التنبؤ بالسلاسل الزمنية](https://dlarabic.com/كيفية-اختيار-نموذج-التنبؤ-بالسلاسل-ال/): التنبؤ بالسلاسل الزمنية Time Series Forecasting هو عملية تحليل ونمذجة بيانات السلاسل الزمنية. يساعد في التنبؤ بالسلوك المستقبلي للسوق، وهو أمر مفيد في صنع القرار لكل عمل تجاري. بعض تطبيقات التنبؤ بالسلاسل الزمنية هي التنبؤ بالطقس والمناخ، والتنبؤ بالمبيعات، والتنبؤ بالأعمال التجارية، والتنبؤ بسوق الأوراق المالية، وما إلى ذلك. أثناء العمل على مشكلة التنبؤ بالسلسلة
- [أفضل الطرق لتحليل السلاسل الزمنية](https://dlarabic.com/أفضل-الطرق-لتحليل-السلاسل-الزمنية/): يعد تحليل السلاسل الزمنية Time series analysis أحد أهم الموضوعات في علم البيانات. بيانات السلاسل الزمنية Time series data هي سلسلة من نقاط البيانات التي تم جمعها وفهرستها بناءً على فترة زمنية، وعندما نقوم بتحليل هذه البيانات للعثور على أنماط خلال فترة زمنية، يُعرف ذلك باسم تحليل السلاسل الزمنية. إذا كنت تريد معرفة أفضل الطرق
- [المنهج الكامل لتعلم الآلة](https://dlarabic.com/المنهج-الكامل-لتعلم-الآلة/): هناك العديد من الدورات التدريبية المتاحة اليوم بناءً على التعلم الآلي Machine Learning لأن استخدام التعلم الآلي في الصناعة يتزايد بسرعة. لقد رأيت الكثير من الدورات التدريبية باهظة الثمن ولكن لا تزال لا تتضمن جميع المفاهيم المهمة التي تحتاج إلى معرفتها حول التعلم الآلي. لذلك، إذا كنت ترغب في التسجيل في أي دورة تدريبية بناءً
- [الفرق بين عالم البيانات ومحلل البيانات](https://dlarabic.com/الفرق-بين-عالم-البيانات-ومحلل-البيانا/): علماء البيانات Data Scientists ومحللو البيانات Data Analysts هم متخصصون في علم البيانات Data Science لديهم بعض المهارات في المسؤوليات المشتركة والمختلفة. لذلك، إذا كنت لا تعرف كيف يختلف عالم البيانات عن محلل البيانات، فهذه المقالة مناسبة لك. في هذه المقالة، سأقدم الفرق بين عالم البيانات ومحلل البيانات بناءً على الدور والمسؤوليات ومجموعة المهارات والتعليم
- [أضافة تسميات إلى مجموعة بيانات لتحليل المشاعر](https://dlarabic.com/أضافة-تسميات-إلى-مجموعة-بيانات-لتحليل/): يتعين على عالم البيانات قضاء الكثير من الوقت في إعداد مجموعة بيانات لأي مهمة في علم البيانات لأن البيانات التي نحصل عليها بها الكثير من الأخطاء، وفي بعض الأحيان لا يتم تصنيفها. تعد إضافة تسميات labels إلى مجموعة بيانات مهمة جدًا قبل أن تتمكن من استخدامها لحل مشكلة ما. واحدة من تلك المشاكل التي تكون
- [<strong>ما هو تحليل المشاعر؟</strong>](https://dlarabic.com/ما-هو-تحليل-المشاعر؟/): أصبح تحليل المشاعر Sentiment analysis جزءًا لا يتجزأ من تسويق المنتجات وتجربة المستخدم، حيث تلجأ الشركات والمستهلكون على حد سواء إلى الموارد عبر الإنترنت للحصول على تعليقات على المنتجات والخدمات. في هذه المقالة، سأشرح ما هو تحليل المشاعر في التعلم الآلي. ما هو تحليل المشاعر؟ آراء الآخرين لها تأثير كبير على عملية صنع القرار اليومية
- [<strong>تحليل المشاعر باستخدام بايثون</strong>](https://dlarabic.com/تحليل-المشاعر-باستخدام-بايثون/): في التعلم الآلي Machine Learning، يشير تحليل المشاعر Sentiment analysis إلى تطبيق معالجة اللغة الطبيعية natural language processing واللغويات الحاسوبية computational linguistics وتحليل النص text analysis لتحديد وتصنيف الآراء الشخصية في المستندات المصدر. في هذه المقالة، سأقدم لك مشروع التعلم الآلي حول تحليل المشاعر باستخدام لغة برمجة بايثون. ما هو تحليل المشاعر؟ يهدف تحليل المشاعر
- [المقدمة](https://dlarabic.com/المقدمة/): حتى وقت قريب، تم ترميز كل برنامج كمبيوتر تقريبًا قد تتفاعل معه في يوم عادي كمجموعة صارمة من القواعد التي تحدد بدقة كيف يجب أن يتصرف. لنفترض أننا أردنا كتابة تطبيق لإدارة منصة التجارة الإلكترونية e-commerce platform. بعد الالتفاف حول السبورة لبضع ساعات للتفكير في المشكلة، قد نستقر على الخطوط العريضة لحل عملي، على سبيل
- [الاساسيات](https://dlarabic.com/الاساسيات/): للتحضير للغوص (للتعمق) في التعلم العميق ، ستحتاج إلى بعض مهارات البقاء: (1) تقنيات تخزين البيانات ومعالجتها ؛ (2) مكتبات لاستيعاب ومعالجة البيانات من مجموعة متنوعة من المصادر؛ (3) معرفة العمليات الجبرية الخطية الأساسية التي نطبقها على عناصر البيانات عالية الأبعاد ؛ (4) ما يكفي من حساب التفاضل والتكامل لتحديد الاتجاه الذي يضبط كل معلمة
- [الشبكات العصبية الخطية للانحدار](https://dlarabic.com/2762-2/): قبل أن نقلق بشأن جعل شبكاتنا العصبية عميقة deep، سيكون من المفيد تنفيذ بعض الشبكات العصبية الضحلة shallow neural networks، والتي تتصل مدخلاتها مباشرة بالمخرجات. سيثبت هذا أهميته لعدة أسباب. أولاً، بدلاً من تشتيت الانتباه بسبب البنى المعقدة، يمكننا التركيز على أساسيات تدريب الشبكة العصبية، بما في ذلك تحديد معلمات طبقة الإخراج، ومعالجة البيانات، وتحديد
- [الشبكات العصبية الخطية للتصنيف](https://dlarabic.com/الشبكات-العصبية-الخطية-للتصنيف/): الآن بعد أن عملت من خلال جميع الآليات، فأنت جاهز لتطبيق هذه المهارات على أنواع أوسع من المهام. حتى عندما نتجه نحو التصنيف Classification، تظل معظم أعمال السباكة كما هي: تحميل البيانات، وتمريرها عبر النموذج، وتوليد المخرجات، وحساب الخطأ، وأخذ التدرجات فيما يتعلق بالأوزان، وتحديث النموذج. ومع ذلك، فإن الشكل الدقيق للأهداف، ومعلمات طبقة المخرجات،
- [البيرسيبترون متعدد الطبقات](https://dlarabic.com/البيرسيبترون-متعدد-الطبقات/): في هذا الفصل، سوف نقدم لك أول شبكة عميقة حقًا. تُعرف أبسط الشبكات العميقة باسم البيرسيبترون متعدد الطبقات Multilayer Perceptrons، وهي تتكون من طبقات متعددة من الخلايا العصبية، كل منها مرتبطة تمامًا بتلك الموجودة في الطبقة أدناه (التي تتلقى منها المدخلات) وتلك الموجودة أعلاه (والتي بدورها تؤثر عليها). على الرغم من أن التمايز التلقائي يبسط
- [دليل البنائين](https://dlarabic.com/دليل-البنائين/): إلى جانب مجموعات البيانات العملاقة والأجهزة القوية، لعبت أدوات البرامج الرائعة دورًا لا غنى عنه في التقدم السريع للتعلم العميق. بدءًا من مكتبة Theano الرائدة التي تم إصدارها في عام 2007، مكنت الأدوات مفتوحة المصدر المرنة الباحثين من وضع نماذج أولية للنماذج بسرعة، وتجنب العمل المتكرر عند إعادة تدوير المكونات القياسية مع الحفاظ على القدرة
- [الشبكات العصبية التلافيفية الحديثة](https://dlarabic.com/الشبكات-العصبية-التلافيفية-الحديثة/): الآن بعد أن فهمنا أساسيات توصيل شبكات CNN معًا، فلنقم بجولة في هياكل CNN الحديثة. هذه الجولة، بالضرورة، غير مكتملة، وذلك بفضل العدد الكبير من التصاميم الجديدة المثيرة التي تمت إضافتها. تنبع أهميتها من حقيقة أنه لا يمكن استخدامها مباشرة لمهام الرؤية فحسب، بل إنها تعمل أيضًا كمولدات ميزات أساسية للمهام الأكثر تقدمًا مثل التتبع
- [الشبكات العصبية المتكررة](https://dlarabic.com/الشبكات-العصبية-المتكررة/): حتى الآن، ركزنا بشكل أساسي على البيانات ذات الطول الثابت fixed-length data. عند تقديم الانحدار الخطي واللوجستي في القسم 3 والقسم 4 والبيرسيبترون متعددة الطبقات في القسم 5، كان من دواعي سرورنا أن نفترض أن كل متجه للميزات يتكون من عدد ثابت من المكونات حيث تتوافق كل ميزة رقمية مع سمة معينة. يطلق على مجموعات
- [الشبكات العصبية المتكررة الحديثة](https://dlarabic.com/الشبكات-العصبية-المتكررة-الحديثة/): قدم الفصل السابق الأفكار الرئيسية وراء الشبكات العصبية المتكررة (RNNs). ومع ذلك، تمامًا كما هو الحال مع الشبكات العصبية التلافيفية CNN، كان هناك قدر هائل من الابتكار في معماريات RNN، وبلغت ذروتها في العديد من التصميمات المعقدة التي أثبتت نجاحها في الممارسة. على وجه الخصوص، تتميز التصميمات الأكثر شيوعًا بآليات للتخفيف من عدم الاستقرار العددي
- [آليات الانتباه والمحولات](https://dlarabic.com/آليات-الانتباه-والمحولات/): يتلقى العصب البصري للنظام البصري الرئيسي مدخلات حسية هائلة، تتجاوز بكثير ما يمكن للدماغ معالجته بشكل كامل. لحسن الحظ، ليست كل المحفزات متساوية. مكّن التركيز البؤري للوعي وتركيزه الرئيسي من توجيه الانتباه إلى الأشياء محل الاهتمام، مثل الفرائس والحيوانات المفترسة، في البيئة المرئية المعقدة. إن القدرة على الانتباه إلى جزء صغير فقط من المعلومات لها
- [خوارزميات التحسين](https://dlarabic.com/خوارزميات-التحسين/): إذا قرأت الكتاب بالتسلسل حتى هذه النقطة، فقد استخدمت بالفعل عددًا من خوارزميات التحسين optimization algorithms لتدريب نماذج التعلم العميق. لقد كانت الأدوات التي سمحت لنا بمواصلة تحديث معلمات النموذج وتقليل قيمة دالة الخطأ، كما تم تقييمها في مجموعة التدريب. في الواقع، يمكن لأي شخص يتعامل مع التحسين كجهاز صندوق أسود لتقليل minimize دوال الهدف
- [الأداء الحسابي](https://dlarabic.com/الأداء-الحسابي/): في التعلم العميق، عادةً ما تكون مجموعات البيانات والنماذج كبيرة، مما يتضمن عمليات حسابية ثقيلة. لذلك، فإن الأداء الحسابي computational performance مهم كثيرًا. سيركز هذا الفصل على العوامل الرئيسية التي تؤثر على الأداء الحسابي: البرمجة الإلزامية imperative programming، والبرمجة الرمزية symbolic programming، والحوسبة غير المتزامنة asynchronous computing، والتوازي التلقائي automatic parallelism، والحساب متعدد وحدات معالجة
- [الرؤية الحاسوبية](https://dlarabic.com/الرؤية-الحاسوبية/): سواء كان التشخيص الطبي، أو المركبات ذاتية القيادة، أو مراقبة الكاميرا، أو المرشحات الذكية، فإن العديد من التطبيقات في مجال الرؤية الحاسوبية computer vision ترتبط ارتباطًا وثيقًا بحياتنا الحالية والمستقبلية. في السنوات الأخيرة، كان التعلم العميق هو القوة التحويلية للنهوض بأداء أنظمة الرؤية الحاسوبية. يمكن القول إن تطبيقات الرؤية الحاسوبية الأكثر تقدمًا تكاد لا تنفصل
- [المعالجة اللغوية الطبيعية: التدريب المسبق](https://dlarabic.com/المعالجة-اللغوية-الطبيعية-التدريب-ال/): يحتاج البشر إلى التواصل. من هذه الحاجة الأساسية للحالة البشرية، تم إنشاء قدر كبير من النصوص المكتوبة على أساس يومي. نظرًا للنص الغني في الوسائط الاجتماعية وتطبيقات الدردشة ورسائل البريد الإلكتروني ومراجعات المنتجات والمقالات الإخبارية والأوراق البحثية والكتب، يصبح من الضروري تمكين أجهزة الكمبيوتر من فهمها لتقديم المساعدة أو اتخاذ القرارات بناءً على اللغات البشرية.
- [المعالجة اللغوية الطبيعية: التطبيقات](https://dlarabic.com/المعالجة-اللغوية-الطبيعية-التطبيقات/): لقد رأينا كيفية تمثيل الرموز في تسلسلات نصية وتدريب تمثيلاتها في القسم 15. يمكن تغذية تمثيلات النص المدربة مسبقًا لنماذج مختلفة لمهام المعالجة اللغوية الطبيعية المختلفة. في الواقع، لقد ناقشت الفصول السابقة بالفعل بعض تطبيقات المعالجة اللغوية الطبيعية دون الحاجة إلى تدريب مسبق، فقط لشرح هياكل التعلم العميق. على سبيل المثال، في القسم 9، اعتمدنا
- [كتاب التعلم العميق عن طريق الامثلة:  50 مشروعاً في التعلم العميق باستخدام بايثون](https://dlarabic.com/كتاب-التعلم-العميق-عن-طريق-الامثلة-50-مش/): يعمل التعلم العميق على إحداث ثورة تدريجية في كل مجال من مجالات الذكاء الاصطناعي، مما يجعل تطوير التطبيقات أسهل. في هذا الكتاب، تنقل مشاريع التعلم العميق باستخدام بايثون كل المعرفة اللازمة لتنفيذ مشاريع التعلم العميق المعقدة في مختلف مجالات التعلم العميق والرؤية الحاسوبية. كل مشروع من هذه المشاريع فريد من نوعه، مما يساعدك على إتقان
- [كتاب التعمق في التعلم العميق:الجزء الثاني: تقنيات التعلم العميق الحديثة](https://dlarabic.com/كتاب-التعمق-في-التعلم-العميقالجزء-الث/): على مدى السنوات القليلة الماضية، طور فريق من علماء أمازون كتاباً " Dive into Deep Learning" يكتسب شعبية بين الطلاب والمطورين الذين ينجذبون إلى مجال التعلم العميق المزدهر، وهو مجموعة فرعية من التعلم الآلي تركز على الشبكات العصبية الاصطناعية واسعة النطاق. عند انتهائي من قراءه هذا الكتاب، احببت ان اترجم هذا الكتاب وأشارككم هذه الترجمة
- [كتاب التعلم الآلي عن طريق الامثلة : 50 مشروع تعلم آلي تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/كتاب-التعلم-الآلي-عن-طريق-الامثلة-50-مشر/): يعمل التعلم الآلي على إحداث ثورة تدريجية في كل مجال من مجالات الذكاء الاصطناعي، مما يجعل تطوير التطبيقات أسهل. في هذا الكتاب، تنقل مشاريع التعلم الآلي باستخدام بايثون كل المعرفة اللازمة لتنفيذ مشاريع التعلم الآلي في مختلف مجالات التعلم الآلي. كل مشروع من هذه المشاريع فريد من نوعه، مما يساعدك على إتقان الموضوع تدريجيًا. ستتعلم
- [كتاب التعلم العميق واستخداماته في الرعاية الصحية: 25 مشروع تعلم عميق تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/كتاب-التعلم-العميق-واستخداماته-في-الر/): يُستخدم التعلم العميق في العديد من المجالات حول العالم. صناعة الرعاية الصحية ليست استثناء. يمكن أن يلعب التعلم العميق دورًا مهمًا في التنبؤ بوجود / عدم وجود اضطرابات حركية وأمراض القلب والسرطان وأمراض الرئة وغير ذلك. يمكن لمثل هذه المعلومات، إذا تم التنبؤ بها مسبقًا، أن توفر معلومات مهمة للأطباء الذين يمكنهم بعد ذلك تكييف
- [كتاب علم البيانات: عن طريق الامثلة 40 مشروع علم بيانات تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/كتاب-علم-البيانات-عن-طريق-الامثلة-40-مشر/): تعد البيانات اليوم أداة ووقودًا للشركات لاكتساب رؤى مهمة وتحسين أدائها. سيطر علم البيانات على كل صناعة تقريبًا في العالم. لا توجد صناعة في العالم اليوم لا تستخدم البيانات. بصفتك مبتدئًا في علم البيانات، من الصعب فهم جميع المفاهيم التي تتعلمها دون تنفيذها في مجموعة بيانات. سيساعدك العمل في مشاريع علم البيانات ودراسات الحالة على
- [كتاب تعلم الآلة وعلم البيانات: الأساسيات والمفاهيم والخوارزميات والأدوات](https://dlarabic.com/كتاب-تعلم-الآلة-وعلم-البيانات-الأساسي/): علم البيانات وتعلم الآلة اليوم، إذا جمعت أبرز قادة الأعمال العالميين وطلبت منهم إحداث أكبر فرق بين الأعمال التجارية في القرنين العشرين والحادي والعشرين ، فمن المرجح أن يقولوا نفس الشيء: البيانات. منذ مطلع القرن، نمت كمية البيانات بمعدل مذهل مع ظهور وسائل التواصل الاجتماعي ، والهواتف الذكية ، وإنترنت الأشياء ، والتطورات التكنولوجية الأخرى.
- [كتاب علم البيانات وتعلم الآلة عن طريق الامثلة: 45 مشروع علم بيانات مع التعلم الآلي تم حلها وشرحها باستخدام بايثون](https://dlarabic.com/كتاب-علم-البيانات-وتعلم-الآلة-عن-طريق-ا/): يعمل التعلم الآلي على إحداث ثورة تدريجية في كل مجال من مجالات الذكاء الاصطناعي، مما يجعل تطوير التطبيقات أسهل. تعد البيانات اليوم أداة ووقودًا للشركات لاكتساب رؤى مهمة وتحسين أدائها. سيطر علم البيانات على كل صناعة تقريبًا في العالم. لا توجد صناعة في العالم اليوم لا تستخدم البيانات. في هذا الكتاب، تنقل مشاريع التعلم الآلي
- [كتاب معجم مصطلحات التعلم الآلي والتعلم العميق وعلم البيانات](https://dlarabic.com/كتاب-معجم-مصطلحات-التعلم-الآلي-والتعل/): عند تعلم التعلم الآلي والتعلم العميق وعلم البيانات، فإنك تمر بالعديد من المصطلحات التي ليس من السهل تذكرها، ولكن إذا كان لديك معجم مصطلحات التعلم الآلي والتعلم العميق وعلم البيانات، فسيساعدك ذلك على تذكر معنى المصطلحات التي لا تتذكرها بسهولة. لذلك في هذه الكتاب، سوف أقدم لكم معجم مصطلحات التعلم الآلي والتعلم العميق وعلم البيانات
- [كتاب 256 سؤال وجواب في التعلم الآلي والتعلم العميق وعلم البيانات](https://dlarabic.com/كتاب-256-سؤال-وجواب-في-التعلم-الآلي-والتع/): يستهلك الباحث الكثير من الوقت في البحث عن إجابات لأسئلة حول التعلم الآلي والتعلم العميق وعلم البيانات تندرج من السهولة إلى الأكثر صعوبة وقد تكون شديدة التنوع مما يزيد البحث عنها تعقيداً. لذا أصدرنا هذه الكتاب التي يضع بين يدي الباحث الإجابة عن الأسئلة الأكثر شيوعًا حول الجوانب المختلفة المتعلقة بالتعلم الآلي والتعلم العميق وعلم
- [كتاب التعمق في التعلم العميق: الجزء الثالث: قابلية التوسع والكفاءة والتطبيقات](https://dlarabic.com/كتاب-التعمق-في-التعلم-العميق-الجزء-الث/): على مدى السنوات القليلة الماضية، طور فريق من علماء أمازون كتاباً " Dive into Deep Learning" يكتسب شعبية بين الطلاب والمطورين الذين ينجذبون إلى مجال التعلم العميق المزدهر، وهو مجموعة فرعية من التعلم الآلي تركز على الشبكات العصبية الاصطناعية واسعة النطاق. عند انتهائي من قراءه هذا الكتاب، احببت ان اترجم هذا الكتاب وأشارككم هذه الترجمة
- [كتاب مشاريع تعلم الآلة بايثون](https://dlarabic.com/كتاب-مشاريع-تعلم-الآلة-بايثون/): يحاول هذا الكتاب تزويد مطوري اليوم وغدًا بأدوات يمكنهم استخدامها لفهم التعلم الآلي وتقييمه وتشكيله بشكل أفضل. سيقوم بإعداد بيئة برمجة بايثون إذا لم يكن لديك واحدة بالفعل، ثم يزودك بفهم تصوري للتعلم الآلي في الفصل "مقدمة إلى التعلم الآلي". فيما يلي ثلاثة مشاريع لتعلم آلة بايثون. سوف يساعدونك في إنشاء مصنف للتعلم الآلي، وبناء
- [كتاب التعمق في التعلم العميق:الجزء الاول: الأساسيات والمقدمات](https://dlarabic.com/كتاب-التعمق-في-التعلم-العميقالجزء-الا/): قبل بضع سنوات فقط، لم يكن هناك جحافل من علماء التعلم العميق deep learning يطورون منتجات وخدمات ذكية في الشركات الكبرى والشركات الناشئة. عندما دخلنا هذا المجال، لم يكن التعلم الآلي machine learning يتصدر عناوين الصحف اليومية. لم يكن لدى والدينا أي فكرة عن ماهية التعلم الآلي، ناهيك عن سبب تفضيلنا له على مهنة في
- [كتاب التعلم العميق : من الأساسيات حتى بناء شبكة عصبية عميقة بلغة البايثون](https://dlarabic.com/كتاب-التعلم-العميق-من-الأساسيات-حتى-بن/): مقدمة التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يركز على استخدام الشبكات العصبية لحل المشكلات المعقدة. اليوم، أصبح أكثر شيوعًا بفضل التطورات في البرامج والأجهزة التي تسمح لنا بجمع ومعالجة كميات كبيرة من البيانات. لأن الشبكات العصبية العميقة توفر كميات كبيرة من البيانات للأداء الجيد الذي نتوقعه، وبالتالي تتطلب أجهزة قوية لمعالجة هذه
- [كتاب التعلم العميق: المبادئ والمفاهيم والمناهج](https://dlarabic.com/كتاب-التعلم-العميق-الجزء-الاول-المباد/): يعد بناء نظام ذكي قادر على استخراج تمثيلات عالية المستوى للبيانات أمرًا ضروريًا في العديد من القضايا المتعلقة بالذكاء الاصطناعي. تظهر الحجج النظرية والبيولوجية أنه لبناء مثل هذه الأنظمة ، هناك حاجة إلى نماذج معمارية عميقة تتضمن العديد من طبقات المعالجة غير الخطية. التعلم العميق هو مجموعة فرعية من أساليب التعلم الآلي التي يشار إليها
- [كتاب 512 سؤال وجواب في التعلم الآلي والتعلم العميق وعلم البيانات](https://dlarabic.com/كتاب-512-سؤال-وجواب-في-التعلم-الآلي-والتع/): يستهلك الباحث الكثير من الوقت في البحث عن إجابات لأسئلة حول التعلم الآلي والتعلم العميق وعلم البيانات تندرج من السهولة إلى الأكثر صعوبة وقد تكون شديدة التنوع مما يزيد البحث عنها تعقيداً. لذا أصدرنا هذه الكتاب التي يضع بين يدي الباحث الإجابة عن الأسئلة الأكثر شيوعًا حول الجوانب المختلفة المتعلقة بالتعلم الآلي والتعلم العميق وعلم
- [كتاب كيف تبرمج في بايثون](https://dlarabic.com/كتاب-كيف-تبرمج-في-بايثون/)
- [مشروع 4: اكتشاف المعالم باستخدام التعلم العميق](https://dlarabic.com/الحرية-هي-الحق-في-أن-تختار-و-توجد-لنفسك-2/): هل سبق لك أن نظرت في صور عطلتك وتساءلت: ما اسم هذا المعبد الذي زرته في الهند؟ من أنشأ هذا النصب الذي رأيته في كاليفورنيا؟ يمكن أن يساعدنا اكتشاف المعالم Landmark Detection في اكتشاف أسماء هذه الأماكن. لكن كيف يعمل الكشف عن المعالم؟ في هذه المقالة، سأقدم لك مشروع التعلم الآلي حول اكتشاف المعالم باستخدام
- [الشبكات العصبية التلافيفية](https://dlarabic.com/الشبكات-العصبية-التلافيفية/): يتم تمثيل بيانات الصورة كشبكة ثنائية الأبعاد من البكسل، سواء كانت أحادية اللون أو ملونة. وفقًا لذلك، يتوافق كل بكسل مع قيمة عددية واحدة أو عدة قيم رقمية على التوالي. حتى الآن تجاهلنا هذه البُنية الغنية وعاملناها كمتجهات للأرقام من خلال تسطيح flattening الصور، بغض النظر عن العلاقة المكانية بين وحدات البكسل. كان هذا النهج
- [KNIME: منصة بدون برمجة للتعلم الآلي والتعلم العميق](https://dlarabic.com/knime-منصة-بدون-برمجة-للتعلم-العميق-والمزي/): KNIME Analytics Platform هي مصدر مفتوح ، وبرنامج بدون كود لإنشاء مشاريع علوم البيانات من طرف إلى طرف - من إعداد البيانات والتعلم الآلي إلى تصوير البيانات ، وأكثر من ذلك بكثير. فيما يلي المزايا الرئيسية: لا داعي لمعرفة Python أو R أو أي لغة برمجة أخرى لبناء نموذج تعلم آلي او عميق. يمنحك
- [معالجة البيانات بدون برمجة باستخدام Knime](https://dlarabic.com/معالجة-البيانات-بدون-برمجة-باستخدام-knime/): مقدمة لتنظيف البيانات ومعالجتها باستخدام Knime Python و SQL و R و Julia هي بعض لغات البرمجة الشائعة المستخدمة في تحليل البيانات من قبل علماء البيانات والمحللين على مستوى العالم. هناك مجموعات من البرامج مثل Alteryx و Knime التي تحتوي على IDE (بيئة تطوير متكاملة) حيث يمكن لعشاق البيانات والخبراء التقنيين ذوي الخلفية البرمجية القليلة
- [ما هو تقطيع الصورة Image Segmentation في التعلم العميق؟](https://dlarabic.com/ما-هو-تقطيع-الصورة-image-segmentation؟/): في هذه المقالة، سوف آخذك من خلال شرح موجز لتقطيع الصور Image Segmentation في التعلم العميق. سأشرح فقط المفهوم الكامن وراء تقطيع الصورة هنا في هذه المقالة. إذا كنت ترغب في متابعة الجزء العملي من Image Segmentation، يمكنك مشاهدة البرنامج التعليمي هنا. تقطيع الصورة في التعلم العميق في تقطيع الصورة، يتم تصنيف كل بكسل وفقًا
- [9 تطبيقات للتعلم العميق في الرؤية الحاسوبية](https://dlarabic.com/9-تطبيقات-للتعلم-العميق-في-الرؤية-الحاس/): يتحول مجال الرؤية الحاسوبية computer vision من الأساليب الإحصائية إلى أساليب الشبكة العصبية للتعلم العميق. لا تزال هناك العديد من المشكلات الصعبة التي يجب حلها في الرؤية الحاسوبية. ومع ذلك، فإن طرق التعلم العميق تحقق نتائج متطورة في بعض المشكلات المحددة. ليس فقط أداء نماذج التعلم العميق بشأن المشكلات المعيارية هو الأكثر إثارة للاهتمام؛ إنها
- [<strong>علم البيانات باستخدام خارطة طريق بايثون: خطوة بخطوة</strong>](https://dlarabic.com/علم-البيانات-باستخدام-خارطة-طريق-بايث/): هل تريد أن تتعلم علم البيانات باستخدام بايثون وتبحث عن علم البيانات Data Science باستخدام خارطة طريق بايثون Python Roadmap؟ إذا كانت الإجابة بنعم، فهذه المقالة لك. في هذه المقالة، ستجد خارطة طريق خطوة بخطوة لتعلم علم البيانات باستخدام بايثون. إلى جانب ذلك، ستجد في كل خطوة موارد للتعلم. لذلك بدون مزيد من اللغط، فلنبدأ
- [ما هو تعلم الآلة؟](https://dlarabic.com/ما-هو-تعلم-الآلة؟/): يدرس علماء الحيوان وعلماء النفس التعلم عند الحيوانات والبشر. هناك العديد من أوجه الشبه بين تعلم الحيوان والتعلم الآلي. من المؤكد أن العديد من التقنيات في التعلم الآلي مستمدة من جهود علماء النفس لجعل نظرياتهم حول التعلم الحيواني والبشري أكثر دقة من خلال النماذج الحسابية. يبدو من المحتمل أيضًا أن المفاهيم والتقنيات التي يستكشفها الباحثون
- [<strong>خارطة طريق تعلم الآلة</strong>](https://dlarabic.com/خارطة-طريق-تعلم-الآلة/): في التعلم الآلي Machine Learning، نستخدم البيانات والخوارزميات لبناء أنظمة ذكية. في السنوات العشر القادمة، سوف تستكشف العديد من الوظائف الجديدة ذات الأجر المرتفع والتي تتطلب منك التعرف على التعلم الآلي. لذا فإن الوقت الذي ستقضيه اليوم في تعلم التعلم الآلي لن يضيع أبدًا. لذلك، إذا كنت تبحث عن خارطة طريق كاملة يمكنك اتباعها لتعلم
- [8 أفكار لمشروع التعلم العميق للمبتدئين - يجب تجربتها](https://dlarabic.com/تقييم-أداء-نماذج-التعلم-العميق/): هل درست تقنيات التعلم العميق، لكنك لم تعمل في مشروع مفيد أبدًا؟ هنا، نسلط الضوء على ثماني أفكار لمشروع التعلم العميق للمبتدئين والتي ستساعدك على صقل مهاراتك وتعزيز سيرتك الذاتية. 1. تحديد سلالة الكلاب هناك سلالات مختلفة من الكلاب ومعظمها متشابه مع بعضها البعض. كمبتدئ، يمكنك بناء نموذج تعريف سلالة الكلاب لتحديد سلالة الكلاب. بالنسبة
- [الضبط الزائد Overfitting والضبط الناقص Underfitting في التعلم الآلي](https://dlarabic.com/الضبط-الزائد-overfitting-والضبط-الناقص-underfitting-في-الت/): بنهاية هذه المقالة، ستفهم مفاهيم الضبط الزائد overfitting والضبط الناقص underfitting في التعلم الآلي، ويمكنك أيضًا تطبيق هذه المفاهيم لتدريب نماذج التعلم الآلي الخاصة بك بشكل أكثر دقة. ما المقصود بالضبط الزائد والضبط الناقص في التعلم الآلي؟ الضبط الزائد overfitting: لنفترض أنك تزور بلدًا أجنبيًا ويخدعك سائق التاكسي. قد تميل إلى القول إن جميع سائقي
- [نموذج التصنيف الثنائي في التعلم الآلي](https://dlarabic.com/نموذج-التصنيف-الثنائي-في-التعلم-الآلي/): التصنيف الثنائي Binary Classification هو نوع من نماذج التصنيف يحتوي على تصنيفين two label من الفئات classes. على سبيل المثال، يحتوي نموذج اكتشاف البريد الإلكتروني العشوائي على تصنيفين من الفئات كبريد عشوائي (spam) فيها أو ليست بريدًا عشوائيًا (not spam). تتضمن مهام التصنيف الثنائي في معظم الأحيان تسمية واحدة في حالة طبيعية ، وتسمية أخرى
- [شرح جميع خوارزميات التعلم الآلي](https://dlarabic.com/شرح-جميع-خوارزميات-التعلم-الآلي-مع-الك/): تعلم الآلة مع Scikit-Learn Scikit-Learn هي مكتبة في بايثون توفر العديد من خوارزميات التعلم غير الخاضعة unsupervised للإشراف وخوارزميات التعلم الخاضعة للأشراف supervised. إنها مبنية على بعض التقنيات التي قد تكون على دراية بها بالفعل، مثل NumPy و pandas و Matplotlib. تشمل الوظائف التي يوفرها موقع scikit-Learn ما يلي: الانحدار Regression: بما في
- [مشروع3: تحليل المشاعر على تويتر باستخدام التعلم الالي](https://dlarabic.com/مشروع3-تحليل-المشاعر-على-تويتر-باستخدا/): Twitter هو أحد منصات التواصل الاجتماعي حيث يتمتع الأشخاص بحرية مشاركة آرائهم حول أي موضوع. نرى أحيانًا مناقشة قوية على Twitter حول رأي شخص ما تؤدي أحيانًا إلى مجموعة من التغريدات السلبية. مع وضع ذلك في الاعتبار، إذا كنت تريد معرفة كيفية إجراء تحليل المشاعر على Twitter، فهذه المقالة مناسبة لك. في هذه المقالة، سوف
- [الدقة Precision والاستدعاء Recall في التعلم الآلي](https://dlarabic.com/الدقة-precision-والاستدعاء-recall-في-التعلم-الآلي/): في التعلم الآلي، تعد الدقة Precision والاستدعاء Recall أهم مقياسين لتقييم النموذج Model Evaluation. تمثل الدقة النسبة المئوية لنتائج نموذجك ذات الصلة بنموذجك. يمثل الاستدعاء النسبة المئوية الإجمالية لإجمالي النتائج ذات الصلة المصنفة بشكل صحيح بواسطة خوارزمية التعلم الآلي الخاصة بك. في هذه المقالة، سأوضح لك كيف يمكنك تطبيق الدقة Precision والاستدعاء Recall لتقييم
- [كتاب تحليل السلاسل الزمنية بدون برمجة باستخدام KNIME](https://dlarabic.com/كتاب-تحليل-السلاسل-الزمنية-بدون-برمجة/): Codeless Time Series Analysis with KNIME دليل عملي لتنفيذ نماذج التنبؤ لتطبيقات تحليل السلاسل الزمنية شرح الكتاب المؤلفون: ككوري ويزنجر ، ماريت ويدمان ، دانييل تونيني. ماذا ستتعلم يتم تنظيم رحلة التعلم هذه في تصاعد الصعوبة، بدءًا من الأساليب الأسهل والفعالة المطبقة على التنبؤ بالطقس، ثم تقديم ARIMA وتنوعاته، والانتقال إلى التعلم الآلي لتصنيف الإشارات
- [<strong>كتاب التعلم العميق بدون برمجة مع KNIME</strong>](https://dlarabic.com/كتاب-التعلم-العميق-بدون-برمجة-مع-knime/): كتاب Codeless Deep Learning with KNIME بناء وتدريب ونشر العديد من بنى الشبكات العصبية العميقة باستخدام KNIME Analytics Platform شرح الكتاب المؤلفون: كاثرين ميلشر وروزاريا سيليبو (KNIME). KNIME Analytics Platform هو برنامج مفتوح المصدر يستخدم لإنشاء وتصميم تدفقات عمل علم البيانات. هذا الكتاب هو دليل شامل لـ KNIME وسيمكنك من الاندماج مع مكتبات التعلم العميق
- [الاجراء Action](https://dlarabic.com/الاجراء-action/): في التعلم المعزز (reinforcement learning)، الآلية التي من خلالها ينتقل الوكيل (agent) بين حالات (states) البيئة (environment). يختار الوكيل الإجراء باستخدام سياسة (policy). رابط الكتاب

## صفحات

- [](https://dlarabic.com/)
- [مشروع3: <strong>تحليل المشاعر على تويتر باستخدام التعلم الالي</strong>](https://dlarabic.com/مشروع3-تحليل-المشاعر-على-تويتر-باستخدا/): Twitter هو أحد منصات التواصل الاجتماعي حيث يتمتع الأشخاص بحرية مشاركة آرائهم حول أي موضوع. نرى أحيانًا مناقشة قوية على Twitter حول رأي شخص ما تؤدي أحيانًا إلى مجموعة من التغريدات السلبية. مع وضع ذلك في الاعتبار، إذا كنت تريد معرفة كيفية إجراء تحليل المشاعر على Twitter، فهذه المقالة مناسبة لك. في هذه المقالة، سوف
- [Home](https://dlarabic.com/tiehome/)
- [Sample Page](https://dlarabic.com/sample-page/): This is an example page. It's different from a blog post because it will stay in one place and will show up in your site navigation (in most themes). Most people start with an About page that introduces them to potential site visitors. It might say something like this: Hi there! I'm a bike messenger

## تصنيفات

- [التعلم العميق](https://dlarabic.com/category/التعلم-العميق/)
- [كتب التعلم العميق](https://dlarabic.com/category/كتب-التعلم-العميق/)
- [المزيد من كتب التعلم العميق......](https://dlarabic.com/category/كتب-التعلم-العميق/المزيد-من-كتب-التعلم-العميق/)
- [مشاريع التعلم العميق](https://dlarabic.com/category/مشاريع-التعلم-العميق/)
- [المزيد من مشاريع التعلم العميق......](https://dlarabic.com/category/مشاريع-التعلم-العميق/المزيد-من-مشاريع-التعلم-العميق/)
- [مقالات التعلم العميق](https://dlarabic.com/category/مقالات-التعلم-العميق/)
- [المزيد من مقالات التعلم العميق......](https://dlarabic.com/category/مقالات-التعلم-العميق/المزيد-من-مقالات-التعلم-العميق/)
- [معجم مصطلحات التعلم العميق](https://dlarabic.com/category/معجم-مصطلحات-التعلم-العميق/)
- [المزيد من معجم مصطلحات التعلم العميق....](https://dlarabic.com/category/معجم-مصطلحات-التعلم-العميق/المزيد-من-معجم-مصطلحات-التعلم-العميق/)
- [اسئلة واجوبة في التعلم العميق](https://dlarabic.com/category/اسئلة-واجوبة-في-التعلم-العميق/)
- [المزيد من الاسئلة والاجوبة في التعلم العميق](https://dlarabic.com/category/اسئلة-واجوبة-في-التعلم-العميق/المزيد-من-الاسئلة-والاجوبة-في-التعلم-ا/)
- [تعلم الآلة](https://dlarabic.com/category/تعلم-الآلة/)
- [كتب تعلم الآلة](https://dlarabic.com/category/كتب-تعلم-الآلة/)
- [مقالات تعلم الآلة](https://dlarabic.com/category/مقالات-تعلم-الآلة/)
- [مشاريع تعلم الآلة](https://dlarabic.com/category/مشاريع-تعلم-الآلة/)
- [علم البيانات](https://dlarabic.com/category/علم-البيانات/)
- [كتب علم البيانات](https://dlarabic.com/category/كتب-علم-البيانات/)
- [مشاريع علم البيانات](https://dlarabic.com/category/مشاريع-علم-البيانات/)
- [مقالات علم البيانات](https://dlarabic.com/category/مقالات-علم-البيانات/)
- [المعالجة اللغوية الطبيعية](https://dlarabic.com/category/المعالجة-اللغوية-الطبيعية/)
- [مقالات المعالجة اللغوية الطبيعية](https://dlarabic.com/category/مقالات-المعالجة-اللغوية-الطبيعية/)
- [مشاريع المعالجة اللغوية الطبيعية](https://dlarabic.com/category/مشاريع-المعالجة-اللغوية-الطبيعية/)
- [الرؤية الحاسوبية](https://dlarabic.com/category/الرؤية-الحاسوبية/)
- [كتب الرؤية الحاسوبية](https://dlarabic.com/category/كتب-الرؤية-الحاسوبية/)
- [مقالات الرؤية الحاسوبية](https://dlarabic.com/category/مقالات-الرؤية-الحاسوبية/)
- [مشاريع الرؤية الحاسوبية](https://dlarabic.com/category/مشاريع-الرؤية-الحاسوبية/)
- [نقل التعلم](https://dlarabic.com/category/نقل-التعلم/)
- [مقالات نقل التعلم](https://dlarabic.com/category/مقالات-نقل-التعلم/)
- [مشاريع نقل التعلم](https://dlarabic.com/category/مشاريع-نقل-التعلم/)
- [بايثون](https://dlarabic.com/category/بايثون/)
- [كتب بايثون](https://dlarabic.com/category/كتب-بايثون/)
- [المزيد من كتب تعلم الآلة....](https://dlarabic.com/category/كتب-تعلم-الآلة/المزيد-من-كتب-تعلم-الآلة/)
- [المزيد من مقالات تعلم الآلة.....](https://dlarabic.com/category/مقالات-تعلم-الآلة/المزيد-من-مقالات-تعلم-الآلة/)
- [المزيد من مشاريع تعلم الآلة.....](https://dlarabic.com/category/مشاريع-تعلم-الآلة/المزيد-من-مشاريع-تعلم-الآلة/)
- [المزيد من كتب علم البيانات.....](https://dlarabic.com/category/كتب-علم-البيانات/المزيد-من-كتب-علم-البيانات/)
- [المزيد من مقالات علم البيانات.....](https://dlarabic.com/category/مقالات-علم-البيانات/المزيد-من-مقالات-علم-البيانات/)
- [المزيد من مشاريع علم البيانات.....](https://dlarabic.com/category/مشاريع-علم-البيانات/المزيد-من-مشاريع-علم-البيانات/)
- [المزيد من مقالات المعالجة اللغوية الطبيعية.....](https://dlarabic.com/category/مقالات-المعالجة-اللغوية-الطبيعية/المزيد-من-مقالات-المعالجة-اللغوية-الط/)
- [المزيد من مشاريع المعالجة اللغوية الطبيعية.....](https://dlarabic.com/category/مشاريع-المعالجة-اللغوية-الطبيعية/المزيد-من-مشاريع-المعالجة-اللغوية-الط/)
- [كتب التعلم العميق بدون برمجة](https://dlarabic.com/category/كتب-التعلم-العميق-بدون-برمجة/)
- [مقالات التعلم العميق بدون برمجة](https://dlarabic.com/category/مقالات-التعلم-العميق-بدون-برمجة/)
- [مشاريع التعلم العميق بدون برمجة](https://dlarabic.com/category/مشاريع-التعلم-العميق-بدون-برمجة/)
- [المزيد من مقالات التعلم العميق بدون برمجة...](https://dlarabic.com/category/مقالات-التعلم-العميق-بدون-برمجة/المزيد-من-مقالات-التعلم-العميق-بدون-بر/)
- [المزيد من كتب التعليم العميق بدون برمجة...](https://dlarabic.com/category/كتب-التعلم-العميق-بدون-برمجة/المزيد-من-كتب-التعليم-العميق-بدون-برمج/)
- [المزيد من مشاريع التعلم العميق بدون برمجة..](https://dlarabic.com/category/مشاريع-التعلم-العميق-بدون-برمجة/المزيد-من-مشاريع-التعلم-العميق-بدون-بر/)
- [المزيد من كتب بايثون...](https://dlarabic.com/category/كتب-بايثون/المزيد-من-كتب-بايثون/)
- [المزيد من كتب الرؤية الحاسوبية.....](https://dlarabic.com/category/كتب-الرؤية-الحاسوبية/المزيد-من-كتب-الرؤية-الحاسوبية/)
- [المزيد من مقالات الرؤية الحاسوبية.....](https://dlarabic.com/category/مقالات-الرؤية-الحاسوبية/المزيد-من-مقالات-الرؤية-الحاسوبية/)
- [المزيد من مشاريع الرؤية الحاسوبية.....](https://dlarabic.com/category/مشاريع-الرؤية-الحاسوبية/المزيد-من-مشاريع-الرؤية-الحاسوبية/)
- [التعمق في التعلم العميق](https://dlarabic.com/category/التعمق-في-التعلم-العميق/)
- [الاساسيات والمقدمات](https://dlarabic.com/category/الاساسيات-والمقدمات/)
- [قابلية التوسع والكفاءة والتطبيقات](https://dlarabic.com/category/قابلية-التوسع-والكفاءة-والتطبيقات/)
- [تقنيات التعلم العميق الحديثة](https://dlarabic.com/category/تقنيات-التعلم-العميق-الحديثة/)
- [تحليل المشاعر](https://dlarabic.com/category/تحليل-المشاعر/)
- [كتب تحليل المشاعر](https://dlarabic.com/category/كتب-تحليل-المشاعر/)
- [مقالات تحليل المشاعر](https://dlarabic.com/category/مقالات-تحليل-المشاعر/)
- [مشاريع تحليل المشاعر](https://dlarabic.com/category/مشاريع-تحليل-المشاعر/)
- [المزيد من مقالات تحليل المشاعر....](https://dlarabic.com/category/مقالات-تحليل-المشاعر/المزيد-من-مقالات-تحليل-المشاعر/)
- [المزيد من مشاريع تحليل المشاعر...](https://dlarabic.com/category/مشاريع-تحليل-المشاعر/المزيد-من-مشاريع-تحليل-المشاعر/)
- [المزيد من مشاريع نقل التعلم....](https://dlarabic.com/category/مشاريع-نقل-التعلم/المزيد-من-مشاريع-نقل-التعلم/)
- [كتب السلاسل الزمنية](https://dlarabic.com/category/كتب-السلاسل-الزمنية/)
- [مقالات السلاسل الزمنية](https://dlarabic.com/category/مقالات-السلاسل-الزمنية/)
- [المزيد من مقالات السلاسل الزمنية...](https://dlarabic.com/category/مقالات-السلاسل-الزمنية/المزيد-من-مقالات-السلاسل-الزمنية/)
- [المزيد من كتب تحليل المشاعر...](https://dlarabic.com/category/كتب-تحليل-المشاعر/المزيد-من-كتب-تحليل-المشاعر/)
- [المزيد من مقالات نقل التعلم...](https://dlarabic.com/category/مقالات-نقل-التعلم/المزيد-من-مقالات-نقل-التعلم/)
- [المزيد من كتب السلاسل الزمنية...](https://dlarabic.com/category/كتب-السلاسل-الزمنية/المزيد-من-كتب-السلاسل-الزمنية/)

## وسوم

- [التعلم العميق](https://dlarabic.com/tag/التعلم-العميق/)
- [كتب التعلم العميق](https://dlarabic.com/tag/كتب-التعلم-العميق/)
- [كتب التعلم الآلي](https://dlarabic.com/tag/كتب-التعلم-الآلي/)
- [كتب علم البيانات](https://dlarabic.com/tag/كتب-علم-البيانات/)
- [مشاريع التعلم العميق](https://dlarabic.com/tag/مشاريع-التعلم-العميق/)
- [مقالات التعلم العميق](https://dlarabic.com/tag/مقالات-التعلم-العميق/)
- [اسئلة واجوبة في التعلم العميق](https://dlarabic.com/tag/اسئلة-واجوبة-في-التعلم-العميق/)
- [الرؤية الحاسوبية](https://dlarabic.com/tag/الرؤية-الحاسوبية/)
- [المعالجة اللغوية الطبيعية](https://dlarabic.com/tag/المعالجة-اللغوية-الطبيعية/)
- [بايثون](https://dlarabic.com/tag/بايثون/)
- [علم البيانات](https://dlarabic.com/tag/علم-البيانات/)
- [كتب الرؤية الحاسوبية](https://dlarabic.com/tag/كتب-الرؤية-الحاسوبية/)
- [كتب المعالجة اللغوية الطبيعية](https://dlarabic.com/tag/كتب-المعالجة-اللغوية-الطبيعية/)
- [معجم مصطلحات التعلم العميق](https://dlarabic.com/tag/معجم-مصطلحات-التعلم-العميق/)
- [مقالات التعلم الآلي](https://dlarabic.com/tag/مقالات-التعلم-الآلي/)
- [مقالات الرؤية الحاسوبية](https://dlarabic.com/tag/مقالات-الرؤية-الحاسوبية/)
- [مقالات المعالجة اللغوية الطبيعية](https://dlarabic.com/tag/مقالات-المعالجة-اللغوية-الطبيعية/)
- [مقالات علم البيانات](https://dlarabic.com/tag/مقالات-علم-البيانات/)
- [مقالات نقل التعلم](https://dlarabic.com/tag/مقالات-نقل-التعلم/)
- [نقل التعلم](https://dlarabic.com/tag/نقل-التعلم/)
- [تعلم الآلة](https://dlarabic.com/tag/تعلم-الآلة/)
- [مشاريع تعلم الآلة](https://dlarabic.com/tag/مشاريع-تعلم-الآلة/)
- [كتب بايثون](https://dlarabic.com/tag/كتب-بايثون/)
- [كتب نقل التعلم](https://dlarabic.com/tag/كتب-نقل-التعلم/)
- [كتب](https://dlarabic.com/tag/كتب/)