التعلم العميق الذكاء الاصطناعي · المستوى 1

مفاهيم التعلم العميق ببساطة

دورة تأسيسية تبني فهمك للتعلم العميق خطوة بخطوة وبلغة بسيطة: من الفرق بين الذكاء الاصطناعي وتعلم الآلة والتعلم العميق، إلى العصبون والشبكة العصبية ودالة الخسارة ومعدل التعلم والـ Epoch والـ Batch والـ Tensor، ثم الشبكات الالتفافية CNN طبقةً طبقة (Conv2D والحشو والخطوة والـ Pooling والـ Flatten)، فالتدريب والتقييم (Train/Validation/Test وOverfitting وEarlyStopping وData Augmentation وTransfer Learning وK-Fold ومصفوفة الالتباس والمقاييس وSoftmax)، وشبكات VGG، وتنتهي بالأدوات العملية: Anaconda وGoogle Colab وTensorFlow وKeras مع أول مشروع CNN كامل على MNIST، ومشاهدة ما تتعلمه الفلاتر، ورسم مخططات الشبكات لمقالك أو مذكرتك.

مبتدئ
71 درساً
6 وحدة
9+ ساعات

جرّب مجاناً 48 ساعة الدروس المجانية

ستتعلم

الذكاء الاصطناعي وتعلم الآلة
الشبكات العصبية
Loss وGradient Descent
Epoch وBatch
Tensors
CNN وConv2D
Padding وStride
Pooling وFlatten
Train/Validation/Test
Overfitting وEarlyStopping
Data Augmentation
Transfer Learning
K-Fold
Confusion Matrix
Softmax
VGG16
Google Colab
TensorFlow
Keras
draw.io وNN-SVG

محتوى الدورة

1 الوحدة 1: مدخل: الذكاء الاصطناعي وتعلم الآلة والتعلم العميق11 درساً

1.1 الذكاء الاصطناعي وتعلم الآلة والتعلم العميق مجاني
1.2 ما هي الشبكة العصبية الاصطناعية؟ مجاني
1.3 خطواتك الصحيحة للبدء مجاني
1.4 ما هو التعلم العميق؟
1.5 العلاقة بين المجالات
1.6 تطبيقات ملهمة للتعلم العميق
1.7 خريطة تعلم الآلة
1.8 عائلة الـ CNN
1.9 علماء في مجال التعلم العميق
1.10 أهم موقعين للتعلّم الذاتي
1.11 ما هو موقع Kaggle؟

2 الوحدة 2: الشبكات العصبية: من العصبون إلى الـ Tensor8 دروس

2.1 ماذا يحدث داخل الـ Neuron؟
2.2 تشريح الشبكة العصبية
2.3 الطبقات: لبنات التعلم العميق
2.4 Learning Rate وLoss وGradient Descent
2.5 Epoch وBatch Size وIteration
2.6 ما هو الـ Tensor؟
2.7 Scalar وVector: 0D و1D
2.8 من المصفوفة إلى nD Tensor

3 الوحدة 3: الشبكات الالتفافية CNN خطوة بخطوة10 دروس

3.1 مدخل إلى الـ CNN
3.2 طبقات الـ CNN
3.3 Conv2D واكتشاف الحواف
3.4 مفهوم الـ Padding
3.5 مفهوم الـ Stride
3.6 الالتفاف على صور RGB
3.7 طبقة التفافية كاملة
3.8 Pooling وFlatten وFully Connected
3.9 الفرق بين CNN وANN
3.10 صور Grayscale وRGB في الـ CNN

4 الوحدة 4: التدريب والتقييم: من تقسيم البيانات إلى مصفوفة الالتباس19 درساً

4.1 Train وValidation وTest
4.2 تقسيم البيانات عمليا: split-folders
4.3 كود التقسيم: ratio وseed وfixed
4.4 ماذا يحدث في كل Epoch؟
4.5 لماذا ثلاث مجموعات للبيانات؟
4.6 الـ Overfitting وEarlyStopping
4.7 زيادة البيانات Data Augmentation
4.8 التعلّم بالنقل Transfer Learning
4.9 التحقق المتقاطع K-Fold
4.10 K-Fold عمليا: تجهيز البيانات
4.11 حلقة K-Fold بالكود
4.12 مصفوفة الالتباس Confusion Matrix
4.13 مقاييس التقييم
4.14 مثال محلول: مصفوفة 2×2
4.15 المقاييس بـ Python
4.16 التصنيف متعدد الفئات: من البيانات إلى المصفوفة
4.17 قراءة مصفوفة الالتباس متعددة الفئات
4.18 المقاييس في التصنيف متعدد الفئات
4.19 دالة Softmax

5 الوحدة 5: شبكات VGG3 دروس

5.1 مقدمة في شبكات VGG
5.2 معمارية VGG16 وطبقة الإدخال
5.3 برمجة الكتلة الأولى من VGG16

6 الوحدة 6: الأدوات: Anaconda وColab وTensorFlow وKeras ورسم الشبكات20 درساً

6.1 خريطة الأدوات
6.2 نموذجا Keras
6.3 لماذا GPU ولماذا Colab؟
6.4 Google Colab وربطه بـ Google Drive
6.5 ما هي مكتبة TensorFlow؟
6.6 تثبيت Python المناسب لـ TensorFlow
6.7 بيئة افتراضية لـ TensorFlow
6.8 أول برنامج بـ TensorFlow
6.9 لماذا Keras؟
6.10 تجهيز بيئة العمل والتحقق منها
6.11 استيراد الطبقات وتحميل MNIST
6.12 معالجة البيانات قبل التدريب
6.13 بناء نموذج CNN وcompile
6.14 التدريب والتقييم
6.15 كيف تشاهد ما تتعلمه الشبكة؟
6.16 رسم فلاتر الطبقة الأولى
6.17 مخرجات طبقات Conv
6.18 رسم مخطط الشبكة في draw.io
6.19 تصدير المخطط لمقالك أو مذكرتك
6.20 رسم الشبكات بسهولة مع NN-SVG

في المسار نفسه

71 درساً · مبتدئ

جرّب مجاناً 48 ساعة

مفاهيم التعلم العميق ببساطة

ستتعلم

محتوى الدورة

في المسار نفسه

دورة الشبكات العصبية التلافيفية CNN

أساسيات الذكاء الاصطناعي: من المفاهيم إلى الشبكات العصبية

Deep Learning بلغة Python