كيف تحولت الخلايا العصبية في دماغ الإنسان إلى معادلات رياضية ثم ذكاء اصطناعي ؟
مقدمة
يُعد الذكاء الاصطناعي، وبالأخص الشبكات العصبية الاصطناعية، من أهم إنجازات العلم الحديث. لكن ما قد يجهله الكثيرون هو أن هذه التقنية المتقدمة لم تبدأ من الصفر، بل استُلهمت من أعقد نظام عرفه الإنسان: دماغه. فقد حاول العلماء محاكاة طريقة عمل الخلايا العصبية البيولوجية، ثم تحويل هذا السلوك المعقّد إلى نموذج رياضي يمكن للحاسوب فهمه وتنفيذه.
أولًا: الخلية العصبية البيولوجية
في دماغ الإنسان، تتكون الشبكة العصبية من مليارات الخلايا العصبية. كل خلية تقوم بثلاث وظائف أساسية:
تستقبل إشارات عصبية من خلايا أخرى.
تعالج هذه الإشارات داخليًا.
ترسل إشارة جديدة إذا تجاوزت الإشارات المستقبلة حدًا معينًا.
هذا السلوك يمكن تلخيصه في عملية بسيطة: مدخلات → معالجة → مخرجات.
ثانيًا: الفكرة الأساسية للتحويل إلى نموذج رياضي
عندما درس العلماء آلية عمل الخلايا العصبية، أدركوا أن جوهر عملها يمكن تمثيله رياضيًا. فالإشارات العصبية يمكن تحويلها إلى أرقام، وقوة الاتصال بين الخلايا يمكن التعبير عنها بمعاملات، وقرار الخلية بإرسال إشارة أو عدمها يمكن تمثيله بدالة رياضية.
وهكذا ظهرت فكرة الخلية العصبية الاصطناعية.
ثالثًا: المدخلات الرقمية
في النموذج الرياضي، تمثل الإشارات القادمة إلى الخلية العصبية مجموعة من القيم الرقمية تسمى المدخلات. هذه القيم قد تمثل:
قيم بكسلات في صورة،
خصائص رقمية لبيانات معينة،
أو تمثيلًا رقميًا للكلمات في معالجة اللغة.
رابعًا: الأوزان وأهميتها
في الدماغ، ليست كل الإشارات متساوية في التأثير. بعض الإشارات أقوى من غيرها. رياضيًا، تم التعبير عن هذه الفكرة باستخدام ما يسمى الأوزان.
كل مدخل يُضرب في وزن يحدد مدى تأثيره على قرار الخلية.
خامسًا: عملية الجمع
بعد ضرب كل مدخل في وزنه، تقوم الخلية العصبية الاصطناعية بجمع هذه القيم. وفي أغلب النماذج يُضاف عنصر ثابت يسمى الانحياز (Bias) لزيادة مرونة النموذج.
هذه العملية تمثل مرحلة المعالجة الأساسية داخل الخلية.
سادسًا: دالة التفعيل
بعد الجمع، لا يتم إخراج النتيجة مباشرة، بل تمر عبر ما يسمى دالة التفعيل.
وظيفة هذه الدالة هي محاكاة قرار الخلية العصبية البيولوجية: هل تُطلق إشارة أم لا؟
تساعد دوال التفعيل على إدخال اللاخطية إلى النموذج، مما يسمح للشبكات العصبية بتعلم أنماط معقدة.
سابعًا: المخرجات واتخاذ القرار
الناتج النهائي لدالة التفعيل يمثل خرج الخلية العصبية الاصطناعية. هذا الخرج قد يكون:
قرارًا ثنائيًا (نعم / لا)،
قيمة احتمالية،
أو رقمًا يستخدم كمدخل لخلية أخرى.
ثامنًا: من خلية واحدة إلى شبكة عميقة
عند ربط عدد كبير من الخلايا العصبية الاصطناعية معًا على شكل طبقات، تتكون الشبكات العصبية.
ومع زيادة عدد الطبقات، تظهر ما يُعرف بـ التعلم العميق (Deep Learning)، القادر على التعرف على الصور، وفهم الصوت، وتحليل اللغة الطبيعية.
الخلاصة
إن الشبكات العصبية الاصطناعية ما هي إلا محاولة رياضية لمحاكاة طريقة تفكير الدماغ البشري. فقد تم تحويل:
الإشارات العصبية إلى أرقام،
قوة الاتصال إلى أوزان،
عملية التفكير إلى معادلات،
واتخاذ القرار إلى دوال رياضية.
وبهذا الانتقال من البيولوجيا إلى الرياضيات، وُلد أحد أقوى فروع الذكاء الاصطناعي في العصر الحديث.
مقدمة
يُعد الذكاء الاصطناعي، وبالأخص الشبكات العصبية الاصطناعية، من أهم إنجازات العلم الحديث. لكن ما قد يجهله الكثيرون هو أن هذه التقنية المتقدمة لم تبدأ من الصفر، بل استُلهمت من أعقد نظام عرفه الإنسان: دماغه. فقد حاول العلماء محاكاة طريقة عمل الخلايا العصبية البيولوجية، ثم تحويل هذا السلوك المعقّد إلى نموذج رياضي يمكن للحاسوب فهمه وتنفيذه.
أولًا: الخلية العصبية البيولوجية
في دماغ الإنسان، تتكون الشبكة العصبية من مليارات الخلايا العصبية. كل خلية تقوم بثلاث وظائف أساسية:
تستقبل إشارات عصبية من خلايا أخرى.
تعالج هذه الإشارات داخليًا.
ترسل إشارة جديدة إذا تجاوزت الإشارات المستقبلة حدًا معينًا.
هذا السلوك يمكن تلخيصه في عملية بسيطة: مدخلات → معالجة → مخرجات.
ثانيًا: الفكرة الأساسية للتحويل إلى نموذج رياضي
عندما درس العلماء آلية عمل الخلايا العصبية، أدركوا أن جوهر عملها يمكن تمثيله رياضيًا. فالإشارات العصبية يمكن تحويلها إلى أرقام، وقوة الاتصال بين الخلايا يمكن التعبير عنها بمعاملات، وقرار الخلية بإرسال إشارة أو عدمها يمكن تمثيله بدالة رياضية.
وهكذا ظهرت فكرة الخلية العصبية الاصطناعية.
ثالثًا: المدخلات الرقمية
في النموذج الرياضي، تمثل الإشارات القادمة إلى الخلية العصبية مجموعة من القيم الرقمية تسمى المدخلات. هذه القيم قد تمثل:
قيم بكسلات في صورة،
خصائص رقمية لبيانات معينة،
أو تمثيلًا رقميًا للكلمات في معالجة اللغة.
رابعًا: الأوزان وأهميتها
في الدماغ، ليست كل الإشارات متساوية في التأثير. بعض الإشارات أقوى من غيرها. رياضيًا، تم التعبير عن هذه الفكرة باستخدام ما يسمى الأوزان.
كل مدخل يُضرب في وزن يحدد مدى تأثيره على قرار الخلية.
خامسًا: عملية الجمع
بعد ضرب كل مدخل في وزنه، تقوم الخلية العصبية الاصطناعية بجمع هذه القيم. وفي أغلب النماذج يُضاف عنصر ثابت يسمى الانحياز (Bias) لزيادة مرونة النموذج.
هذه العملية تمثل مرحلة المعالجة الأساسية داخل الخلية.
سادسًا: دالة التفعيل
بعد الجمع، لا يتم إخراج النتيجة مباشرة، بل تمر عبر ما يسمى دالة التفعيل.
وظيفة هذه الدالة هي محاكاة قرار الخلية العصبية البيولوجية: هل تُطلق إشارة أم لا؟
تساعد دوال التفعيل على إدخال اللاخطية إلى النموذج، مما يسمح للشبكات العصبية بتعلم أنماط معقدة.
سابعًا: المخرجات واتخاذ القرار
الناتج النهائي لدالة التفعيل يمثل خرج الخلية العصبية الاصطناعية. هذا الخرج قد يكون:
قرارًا ثنائيًا (نعم / لا)،
قيمة احتمالية،
أو رقمًا يستخدم كمدخل لخلية أخرى.
ثامنًا: من خلية واحدة إلى شبكة عميقة
عند ربط عدد كبير من الخلايا العصبية الاصطناعية معًا على شكل طبقات، تتكون الشبكات العصبية.
ومع زيادة عدد الطبقات، تظهر ما يُعرف بـ التعلم العميق (Deep Learning)، القادر على التعرف على الصور، وفهم الصوت، وتحليل اللغة الطبيعية.
الخلاصة
إن الشبكات العصبية الاصطناعية ما هي إلا محاولة رياضية لمحاكاة طريقة تفكير الدماغ البشري. فقد تم تحويل:
الإشارات العصبية إلى أرقام،
قوة الاتصال إلى أوزان،
عملية التفكير إلى معادلات،
واتخاذ القرار إلى دوال رياضية.
وبهذا الانتقال من البيولوجيا إلى الرياضيات، وُلد أحد أقوى فروع الذكاء الاصطناعي في العصر الحديث.
تساؤلات حول الشبكات العصبية
مقدمة
مع التسارع الكبير في تطور الذكاء الاصطناعي، أصبحت الشبكات العصبية في قلب معظم التقنيات الحديثة، من التعرف على الصور والأصوات إلى تحليل البيانات واتخاذ القرار. ورغم هذا التقدم، ما زالت هناك تساؤلات جوهرية تُطرح حول طبيعة هذه الأنظمة، حدودها، ومستقبلها، ومدى قربها من الذكاء البشري الحقيقي.
هل تفكر الشبكات العصبية كما يفكر الإنسان؟
من أكثر الأسئلة شيوعًا: هل تمتلك الشبكات العصبية وعيًا أو تفكيرًا حقيقيًا؟
الإجابة العلمية هي: لا.
فالشبكات العصبية لا تفكر ولا تفهم كما يفعل الإنسان، بل تقوم بتنفيذ عمليات رياضية معقدة مبنية على بيانات وأوزان ودوال. هي تحاكي نتائج التفكير، لا عملية التفكير الواعية نفسها.
لماذا تحتاج الشبكات العصبية إلى كميات كبيرة من البيانات؟
يعتمد تعلم الشبكات العصبية على استخراج الأنماط من البيانات. وكلما كانت البيانات أكثر تنوعًا ودقة، زادت قدرة النموذج على التعميم.
بخلاف الإنسان الذي يستطيع التعلم من أمثلة قليلة، تحتاج الشبكات العصبية إلى آلاف أو ملايين الأمثلة لأنها لا تمتلك فهمًا مسبقًا أو خبرة فطرية.
كيف “تتعلم” الشبكات العصبية؟
التعلم في الشبكات العصبية لا يعني الفهم، بل يعني تعديل الأوزان.
بعد كل محاولة، يتم قياس الخطأ بين النتيجة المتوقعة والنتيجة الفعلية، ثم تُعدَّل الأوزان بطريقة تقلل هذا الخطأ تدريجيًا. ومع التكرار، يتحسن الأداء دون أن “يعرف” النموذج لماذا تحسّن.
هل يمكن الوثوق بقرارات الذكاء الاصطناعي؟
هذا التساؤل يزداد أهمية مع استخدام الذكاء الاصطناعي في مجالات حساسة مثل الطب والقضاء والتمويل.
المشكلة أن الشبكات العصبية غالبًا ما تكون صناديق سوداء، أي يصعب تفسير سبب اتخاذها لقرار معين. لذلك، لا بد من وجود إشراف بشري، واختبارات صارمة، ونماذج تفسيرية داعمة.
ما الفرق بين الذكاء الاصطناعي والشبكات العصبية؟
الذكاء الاصطناعي هو المظلة العامة التي تشمل كل الأنظمة القادرة على محاكاة السلوك الذكي.
أما الشبكات العصبية فهي أداة أو تقنية ضمن هذا المجال.
ليس كل ذكاء اصطناعي يعتمد على الشبكات العصبية، لكن معظم الأنظمة الذكية الحديثة تستخدمها بسبب قوتها في التعامل مع البيانات المعقدة.
هل يمكن للشبكات العصبية أن تخطئ؟
نعم، وبشكل خطير أحيانًا.
فالنموذج قد يتأثر ببيانات غير متوازنة، أو يتعلم أنماطًا خاطئة، أو يفشل عند مواجهة بيانات جديدة تختلف عن بيانات التدريب.
لذلك، الخطأ ليس استثناءً بل احتمال دائم يجب الاستعداد له.
هل الذكاء الاصطناعي بديل عن الإنسان؟
الذكاء الاصطناعي ليس بديلًا عن الإنسان، بل أداة داعمة له.
فهو يتفوق في السرعة ومعالجة البيانات الضخمة، لكنه يفتقر إلى الفهم الإنساني، الأخلاق، الحدس، والإبداع الحقيقي.
التكامل بين الإنسان والآلة هو الاتجاه الأكثر واقعية.
إلى أين يتجه مستقبل الشبكات العصبية؟
يتجه التطور نحو نماذج أكثر كفاءة، أقل استهلاكًا للبيانات والطاقة، وأكثر قابلية للتفسير. كما يزداد الاهتمام بالأبعاد الأخلاقية والقانونية لاستخدام الذكاء الاصطناعي، لضمان توظيفه لخدمة الإنسان لا ضده.
الخلاصة
الشبكات العصبية تمثل قفزة علمية كبيرة، لكنها ليست عقلًا بشريًا ولا كيانًا واعيًا. هي أنظمة رياضية قوية، نجاحها يعتمد على البيانات، التصميم، والإشراف البشري. وفهم حدودها لا يقل أهمية عن فهم قدراتها.
مقدمة
مع التسارع الكبير في تطور الذكاء الاصطناعي، أصبحت الشبكات العصبية في قلب معظم التقنيات الحديثة، من التعرف على الصور والأصوات إلى تحليل البيانات واتخاذ القرار. ورغم هذا التقدم، ما زالت هناك تساؤلات جوهرية تُطرح حول طبيعة هذه الأنظمة، حدودها، ومستقبلها، ومدى قربها من الذكاء البشري الحقيقي.
هل تفكر الشبكات العصبية كما يفكر الإنسان؟
من أكثر الأسئلة شيوعًا: هل تمتلك الشبكات العصبية وعيًا أو تفكيرًا حقيقيًا؟
الإجابة العلمية هي: لا.
فالشبكات العصبية لا تفكر ولا تفهم كما يفعل الإنسان، بل تقوم بتنفيذ عمليات رياضية معقدة مبنية على بيانات وأوزان ودوال. هي تحاكي نتائج التفكير، لا عملية التفكير الواعية نفسها.
لماذا تحتاج الشبكات العصبية إلى كميات كبيرة من البيانات؟
يعتمد تعلم الشبكات العصبية على استخراج الأنماط من البيانات. وكلما كانت البيانات أكثر تنوعًا ودقة، زادت قدرة النموذج على التعميم.
بخلاف الإنسان الذي يستطيع التعلم من أمثلة قليلة، تحتاج الشبكات العصبية إلى آلاف أو ملايين الأمثلة لأنها لا تمتلك فهمًا مسبقًا أو خبرة فطرية.
كيف “تتعلم” الشبكات العصبية؟
التعلم في الشبكات العصبية لا يعني الفهم، بل يعني تعديل الأوزان.
بعد كل محاولة، يتم قياس الخطأ بين النتيجة المتوقعة والنتيجة الفعلية، ثم تُعدَّل الأوزان بطريقة تقلل هذا الخطأ تدريجيًا. ومع التكرار، يتحسن الأداء دون أن “يعرف” النموذج لماذا تحسّن.
هل يمكن الوثوق بقرارات الذكاء الاصطناعي؟
هذا التساؤل يزداد أهمية مع استخدام الذكاء الاصطناعي في مجالات حساسة مثل الطب والقضاء والتمويل.
المشكلة أن الشبكات العصبية غالبًا ما تكون صناديق سوداء، أي يصعب تفسير سبب اتخاذها لقرار معين. لذلك، لا بد من وجود إشراف بشري، واختبارات صارمة، ونماذج تفسيرية داعمة.
ما الفرق بين الذكاء الاصطناعي والشبكات العصبية؟
الذكاء الاصطناعي هو المظلة العامة التي تشمل كل الأنظمة القادرة على محاكاة السلوك الذكي.
أما الشبكات العصبية فهي أداة أو تقنية ضمن هذا المجال.
ليس كل ذكاء اصطناعي يعتمد على الشبكات العصبية، لكن معظم الأنظمة الذكية الحديثة تستخدمها بسبب قوتها في التعامل مع البيانات المعقدة.
هل يمكن للشبكات العصبية أن تخطئ؟
نعم، وبشكل خطير أحيانًا.
فالنموذج قد يتأثر ببيانات غير متوازنة، أو يتعلم أنماطًا خاطئة، أو يفشل عند مواجهة بيانات جديدة تختلف عن بيانات التدريب.
لذلك، الخطأ ليس استثناءً بل احتمال دائم يجب الاستعداد له.
هل الذكاء الاصطناعي بديل عن الإنسان؟
الذكاء الاصطناعي ليس بديلًا عن الإنسان، بل أداة داعمة له.
فهو يتفوق في السرعة ومعالجة البيانات الضخمة، لكنه يفتقر إلى الفهم الإنساني، الأخلاق، الحدس، والإبداع الحقيقي.
التكامل بين الإنسان والآلة هو الاتجاه الأكثر واقعية.
إلى أين يتجه مستقبل الشبكات العصبية؟
يتجه التطور نحو نماذج أكثر كفاءة، أقل استهلاكًا للبيانات والطاقة، وأكثر قابلية للتفسير. كما يزداد الاهتمام بالأبعاد الأخلاقية والقانونية لاستخدام الذكاء الاصطناعي، لضمان توظيفه لخدمة الإنسان لا ضده.
الخلاصة
الشبكات العصبية تمثل قفزة علمية كبيرة، لكنها ليست عقلًا بشريًا ولا كيانًا واعيًا. هي أنظمة رياضية قوية، نجاحها يعتمد على البيانات، التصميم، والإشراف البشري. وفهم حدودها لا يقل أهمية عن فهم قدراتها.
عالم الذكاء الاصطناعي: من الذكاء العام إلى الذكاء التوليدي
مقدمة
يشهد عالم اليوم ثورة هائلة في مجال الذكاء الاصطناعي (Artificial Intelligence – AI)، الذي أصبح قادرًا على تحليل البيانات، اتخاذ القرارات، والتفاعل مع البشر بشكل متقدم. ومع ذلك، فإن الذكاء الاصطناعي ليس مفهومًا واحدًا، بل نظامًا متعدد الطبقات، تبدأ من أبسط الخوارزميات وصولًا إلى الأنظمة التي تولد محتوى جديدًا بشكل مستقل، وهو ما يوضحها الرسم التوضيحي الشهير "World of AI".
1️⃣ الذكاء الاصطناعي (Artificial Intelligence)
يشمل الذكاء الاصطناعي كل الأنظمة القادرة على القيام بمهام تتطلب ذكاءً بشريًا.
يتضمن ذلك:
أنظمة التوصية (مثل اقتراح المنتجات للعملاء)
التعرف على الكلام والصور
دعم اتخاذ القرار
الروبوتات الذكية
باختصار: أي نظام يتصرف بطريقة ذكية يدخل تحت مظلة AI.
2️⃣ التعلم الآلي (Machine Learning)
هو فرع من الذكاء الاصطناعي يركز على تمكين النظام من التعلم من البيانات دون برمجة صريحة.
أهم أنواع التعلم الآلي:
التعلم الموجه (Supervised Learning): التعلم من بيانات مدخلة مع مخرجات معروفة، مثل التنبؤ بجودة البن أو تصنيف المنتجات.
التعلم غير الموجه (Unsupervised Learning): اكتشاف الأنماط أو التجمعات في البيانات بدون نتائج معروفة، مثل تجميع العملاء حسب سلوك الشراء.
التعلم المعزز (Reinforcement Learning): التعلم عن طريق المكافآت والعقوبات، مثل تحسين استراتيجيات التسعير تلقائيًا.
3️⃣ الشبكات العصبية (Neural Networks)
مستوحاة من الدماغ البشري، حيث تتكون من خلايا عصبية صناعية (Nodes) مرتبطة معًا.
وظيفتها الأساسية:
استقبال المدخلات
معالجتها باستخدام أوزان ودوال تفعيل
إنتاج مخرجات دقيقة
تستخدم الشبكات العصبية بشكل واسع في التصنيف والتنبؤ والتعرف على الأنماط المعقدة.
4️⃣ التعلم العميق (Deep Learning)
هو امتداد للشبكات العصبية، لكنه أكثر تعقيدًا وعمقًا.
يستخدم طبقات متعددة (Deep Layers) لاستخراج الأنماط المعقدة من البيانات الكبيرة.
أمثلة استخدامه:
تحليل الصور والفيديوهات
التعرف على الكلام
تحليل النصوص الطويلة
التنبؤ الدقيق بالبيانات المستقبلية
5️⃣ الذكاء الاصطناعي التوليدي (Generative AI)
هو أعلى مستوى في الصورة، ويتميز بقدرته على إنشاء محتوى جديد، بدلاً من مجرد التحليل أو التنبؤ.
أمثلة على الذكاء التوليدي:
النصوص: إنشاء مقالات، محادثات ذكية، أو ردود على الأسئلة (مثل GPT وBERT)
الصور والفيديوهات: توليد صور أو فيديوهات جديدة باستخدام GANs أو BigGAN
البيانات متعددة الوسائط: نماذج قادرة على التعامل مع النصوص والصور والصوت في نفس الوقت
تعلم قليل البيانات: مثل N-Shot Learning وTransfer Learning لتطبيق المعرفة على بيانات جديدة بسرعة
6️⃣ العلاقة بين الطبقات
الصورة توضح أن كل طبقة داخلية تعتمد على الطبقات الخارجية:
AI: الإطار العام
ML: التعلم من البيانات
Neural Networks: التعلم من الأنماط المعقدة
Deep Learning: معالجة البيانات الكبيرة والمعقدة
Generative AI: القدرة على الإبداع وإنشاء محتوى جديد
مع كل طبقة، يزداد التعقيد، وتزداد القدرة على التعلم، الفهم، والابتكار.
7️⃣ أهمية فهم هذا التسلسل
فهم هذه الطبقات مهم لأي مطور أو باحث في الذكاء الاصطناعي لأنه يحدد:
نوع المشكلة التي يمكن حلها
الأدوات والخوارزميات المناسبة
حدود قدرات النظام
كيفية تطوير أنظمة أكثر ذكاءً وفعالية
خاتمة
العالم المتمثل في الصورة "World of AI" يعكس رحلة تطور الذكاء الاصطناعي، من أنظمة بسيطة تتبع قواعد محددة، وصولًا إلى أنظمة قادرة على التعلم العميق والإبداع التلقائي.
هذا الفهم يساعد على وضع استراتيجيات أفضل لتطوير الأنظمة الذكية وتطبيقها في مجالات متعددة، من الأعمال والتجارة إلى الصحة والتعليم والإبداع الفني.
مقدمة
يشهد عالم اليوم ثورة هائلة في مجال الذكاء الاصطناعي (Artificial Intelligence – AI)، الذي أصبح قادرًا على تحليل البيانات، اتخاذ القرارات، والتفاعل مع البشر بشكل متقدم. ومع ذلك، فإن الذكاء الاصطناعي ليس مفهومًا واحدًا، بل نظامًا متعدد الطبقات، تبدأ من أبسط الخوارزميات وصولًا إلى الأنظمة التي تولد محتوى جديدًا بشكل مستقل، وهو ما يوضحها الرسم التوضيحي الشهير "World of AI".
1️⃣ الذكاء الاصطناعي (Artificial Intelligence)
يشمل الذكاء الاصطناعي كل الأنظمة القادرة على القيام بمهام تتطلب ذكاءً بشريًا.
يتضمن ذلك:
أنظمة التوصية (مثل اقتراح المنتجات للعملاء)
التعرف على الكلام والصور
دعم اتخاذ القرار
الروبوتات الذكية
باختصار: أي نظام يتصرف بطريقة ذكية يدخل تحت مظلة AI.
2️⃣ التعلم الآلي (Machine Learning)
هو فرع من الذكاء الاصطناعي يركز على تمكين النظام من التعلم من البيانات دون برمجة صريحة.
أهم أنواع التعلم الآلي:
التعلم الموجه (Supervised Learning): التعلم من بيانات مدخلة مع مخرجات معروفة، مثل التنبؤ بجودة البن أو تصنيف المنتجات.
التعلم غير الموجه (Unsupervised Learning): اكتشاف الأنماط أو التجمعات في البيانات بدون نتائج معروفة، مثل تجميع العملاء حسب سلوك الشراء.
التعلم المعزز (Reinforcement Learning): التعلم عن طريق المكافآت والعقوبات، مثل تحسين استراتيجيات التسعير تلقائيًا.
3️⃣ الشبكات العصبية (Neural Networks)
مستوحاة من الدماغ البشري، حيث تتكون من خلايا عصبية صناعية (Nodes) مرتبطة معًا.
وظيفتها الأساسية:
استقبال المدخلات
معالجتها باستخدام أوزان ودوال تفعيل
إنتاج مخرجات دقيقة
تستخدم الشبكات العصبية بشكل واسع في التصنيف والتنبؤ والتعرف على الأنماط المعقدة.
4️⃣ التعلم العميق (Deep Learning)
هو امتداد للشبكات العصبية، لكنه أكثر تعقيدًا وعمقًا.
يستخدم طبقات متعددة (Deep Layers) لاستخراج الأنماط المعقدة من البيانات الكبيرة.
أمثلة استخدامه:
تحليل الصور والفيديوهات
التعرف على الكلام
تحليل النصوص الطويلة
التنبؤ الدقيق بالبيانات المستقبلية
5️⃣ الذكاء الاصطناعي التوليدي (Generative AI)
هو أعلى مستوى في الصورة، ويتميز بقدرته على إنشاء محتوى جديد، بدلاً من مجرد التحليل أو التنبؤ.
أمثلة على الذكاء التوليدي:
النصوص: إنشاء مقالات، محادثات ذكية، أو ردود على الأسئلة (مثل GPT وBERT)
الصور والفيديوهات: توليد صور أو فيديوهات جديدة باستخدام GANs أو BigGAN
البيانات متعددة الوسائط: نماذج قادرة على التعامل مع النصوص والصور والصوت في نفس الوقت
تعلم قليل البيانات: مثل N-Shot Learning وTransfer Learning لتطبيق المعرفة على بيانات جديدة بسرعة
6️⃣ العلاقة بين الطبقات
الصورة توضح أن كل طبقة داخلية تعتمد على الطبقات الخارجية:
AI: الإطار العام
ML: التعلم من البيانات
Neural Networks: التعلم من الأنماط المعقدة
Deep Learning: معالجة البيانات الكبيرة والمعقدة
Generative AI: القدرة على الإبداع وإنشاء محتوى جديد
مع كل طبقة، يزداد التعقيد، وتزداد القدرة على التعلم، الفهم، والابتكار.
7️⃣ أهمية فهم هذا التسلسل
فهم هذه الطبقات مهم لأي مطور أو باحث في الذكاء الاصطناعي لأنه يحدد:
نوع المشكلة التي يمكن حلها
الأدوات والخوارزميات المناسبة
حدود قدرات النظام
كيفية تطوير أنظمة أكثر ذكاءً وفعالية
خاتمة
العالم المتمثل في الصورة "World of AI" يعكس رحلة تطور الذكاء الاصطناعي، من أنظمة بسيطة تتبع قواعد محددة، وصولًا إلى أنظمة قادرة على التعلم العميق والإبداع التلقائي.
هذا الفهم يساعد على وضع استراتيجيات أفضل لتطوير الأنظمة الذكية وتطبيقها في مجالات متعددة، من الأعمال والتجارة إلى الصحة والتعليم والإبداع الفني.
💡 هل تعلم أن فكرة أول عصبون اصطناعي (Perceptron)
تعود لعام 1958؟
في ذلك الوقت، توقعت صحيفة "نيويورك تايمز" أن الآلة ستتمكن قريباً من المشي والكلام والقراءة..
يبدو أنهم كانوا متفائلين جداً بجدول زمني سريع، لكننا وصلنا لذلك أخيراً الآن!
تعود لعام 1958؟
في ذلك الوقت، توقعت صحيفة "نيويورك تايمز" أن الآلة ستتمكن قريباً من المشي والكلام والقراءة..
يبدو أنهم كانوا متفائلين جداً بجدول زمني سريع، لكننا وصلنا لذلك أخيراً الآن!
المحرّك الخفي.. لماذا الرياضيات مهم في - الشبكات العصبية؟ 🧮
الآن سننتقل إلى موضوع قد يراه البعض "وحشاً"، لكنه في الحقيقة هو المحرك الذي يجعل الشبكة العصبية تعمل.
لنتحدث عن الجبر الخطي والتفاضل بأسلوب بسيط:
1. الجبر الخطي
(المصفوفات والمتجهات):
تخيل أن الشبكة العصبية هي "مصنع كبير".
البيانات تدخل كقائمة طويلة من الأرقام (تسمى متجه/Vector).
وعندما تمر هذه البيانات بين الطبقات، فنحن نضربها في جداول بيانات أخرى
(تسمى مصفوفات/Matrices).
التشبيه: إذا كان المتجه هو "مقادير الطبخة"،
فالمصفوفة هي
"طريقة خلط هذه المقادير"
لإنتاج الطعم المطلوب.
2. التفاضل (المشتقات والتدرج):
هذا هو الجزء السحري!
التفاضل يساعد الشبكة على معرفة "مقدار الخطأ" وكيفية تصحيحه.
التشبيه: تخيل أنك فوق جبل في ضباب كثيف وتريد الوصول للقاع (أقل نقطة خطأ).
التفاضل هو "بوصلة" تخبرك: "انزل خطوة لليسار ايوه ايوه اقرب قليل 😅 ، فالمنحدر هناك أقوى". هذا ما نسميه
Gradient Descent.
الآن سننتقل إلى موضوع قد يراه البعض "وحشاً"، لكنه في الحقيقة هو المحرك الذي يجعل الشبكة العصبية تعمل.
لنتحدث عن الجبر الخطي والتفاضل بأسلوب بسيط:
1. الجبر الخطي
(المصفوفات والمتجهات):
تخيل أن الشبكة العصبية هي "مصنع كبير".
البيانات تدخل كقائمة طويلة من الأرقام (تسمى متجه/Vector).
وعندما تمر هذه البيانات بين الطبقات، فنحن نضربها في جداول بيانات أخرى
(تسمى مصفوفات/Matrices).
التشبيه: إذا كان المتجه هو "مقادير الطبخة"،
فالمصفوفة هي
"طريقة خلط هذه المقادير"
لإنتاج الطعم المطلوب.
2. التفاضل (المشتقات والتدرج):
هذا هو الجزء السحري!
التفاضل يساعد الشبكة على معرفة "مقدار الخطأ" وكيفية تصحيحه.
التشبيه: تخيل أنك فوق جبل في ضباب كثيف وتريد الوصول للقاع (أقل نقطة خطأ).
التفاضل هو "بوصلة" تخبرك: "انزل خطوة لليسار ايوه ايوه اقرب قليل 😅 ، فالمنحدر هناك أقوى". هذا ما نسميه
Gradient Descent.
❤2
انتبه تخضع لاستغلال الشركات بحجة التدريب 🤫
مع الاسف في السنوات الاخيرة بعض الشركات الناشئة بدات باستغلال المهندسين المبدعين المقبلين لسوق العمل بحجة ما يسمى التدريب.
التدريب ليس مشكلة بالعكس يطور ويعلم المتدربين مهارات عديدة على المستوى العلمي وبيئة العمل ونظام الشركات وغيرها،
تكمن المشكلة عندما تكون الشركة ليس لديها خطة تدريب واضحة بمسار واضح بحيث المتدرب يخرج بفائدة ونتائج مرضية، يحصل العكس تماماً احياناً المتدرب بدلاً من ان يتدرب ويطور خبراته، يكره المجال بسبب التعقيد،
مثلاً بعض الشركات تقبل متدرب ، يبدء الدوام تقوله يلا افتح يوتيوب وتعلم بدون اي اشراف بدون اي توجيه صحيح؟ مع ان المتدرب قادر على التعلم بهذي الطريقة في المنزل!
وبعض الشركات الأخرى الأخطر وهم اللي يقبلك كمتدرب وهو بالمقابلة عارف مهاراتك وقدراتك، لذلك يستغلك ويخليك تشتغل على مشروع حقيقي لعميل خاص للشركة مباشرة بدون اي توجيه يسلمك مهام يقولك توكل وأنجز ، وخصوصاً تطور هذا الأسلوب مع ظهور ال AI يدفع لك اشتراك وعاد البعض مايدفع يقولك انجز وبس.
بنهاية المطاف الشخص يدخل في ضغط نفسي ومش عارف هل يتعلم بشكل صحيح أم خاطئ ويطر انه يشتغل طوال يومه عشان يطور من مهاراته، هنا نقول لا بس بيتعلم مش مشكلة.
المشكلة بعض الشركات استغلال لابعد الحدود حتى ما توفر للمتدرب بدل مواصلات او وجبات ؟ بدون أي مقابل يشتغل معاهم ويدفع من جيبه!
وبدون اي عقد يوضح حقوق المتدرب وحقوق الشركة.
وبعض الشركات تطورت بالاستغلال والنصب واللي تجي تستقطب المبدعين بما يسموه العمل بالنسبة دون اي مقابل اخر ، والنسبة يوقع فيها ظلم كثير.
بالمختصر بعض الشركات اصبح تنصب على المبرمجين هروب من العقود الرسمية التي طرحها مكتب العمل.
وأتمنى من كل الموظفين المقبلين لسوق العمل قبل البحث عن وظيفة مراجعة حقوق الموظف وحقوق الشركة والسياسيات اللي طرحها مكتب العمل بما يضمن حق الطرفين ولا تشتغل الا بعقد رسمي وتاخذ مستحقاتك كاملة وتسلم عملك كاملاً.
أخيراً شكراً من أعماق قلبي لكل مدير أو شركة تحترم حقوق الموظفين وتخاف الله فيهم في ظل الأوضاع اللي نعيشها في اليمن.
وفقنا الله وإياكم 🌹
مع الاسف في السنوات الاخيرة بعض الشركات الناشئة بدات باستغلال المهندسين المبدعين المقبلين لسوق العمل بحجة ما يسمى التدريب.
التدريب ليس مشكلة بالعكس يطور ويعلم المتدربين مهارات عديدة على المستوى العلمي وبيئة العمل ونظام الشركات وغيرها،
تكمن المشكلة عندما تكون الشركة ليس لديها خطة تدريب واضحة بمسار واضح بحيث المتدرب يخرج بفائدة ونتائج مرضية، يحصل العكس تماماً احياناً المتدرب بدلاً من ان يتدرب ويطور خبراته، يكره المجال بسبب التعقيد،
مثلاً بعض الشركات تقبل متدرب ، يبدء الدوام تقوله يلا افتح يوتيوب وتعلم بدون اي اشراف بدون اي توجيه صحيح؟ مع ان المتدرب قادر على التعلم بهذي الطريقة في المنزل!
وبعض الشركات الأخرى الأخطر وهم اللي يقبلك كمتدرب وهو بالمقابلة عارف مهاراتك وقدراتك، لذلك يستغلك ويخليك تشتغل على مشروع حقيقي لعميل خاص للشركة مباشرة بدون اي توجيه يسلمك مهام يقولك توكل وأنجز ، وخصوصاً تطور هذا الأسلوب مع ظهور ال AI يدفع لك اشتراك وعاد البعض مايدفع يقولك انجز وبس.
بنهاية المطاف الشخص يدخل في ضغط نفسي ومش عارف هل يتعلم بشكل صحيح أم خاطئ ويطر انه يشتغل طوال يومه عشان يطور من مهاراته، هنا نقول لا بس بيتعلم مش مشكلة.
المشكلة بعض الشركات استغلال لابعد الحدود حتى ما توفر للمتدرب بدل مواصلات او وجبات ؟ بدون أي مقابل يشتغل معاهم ويدفع من جيبه!
وبدون اي عقد يوضح حقوق المتدرب وحقوق الشركة.
وبعض الشركات تطورت بالاستغلال والنصب واللي تجي تستقطب المبدعين بما يسموه العمل بالنسبة دون اي مقابل اخر ، والنسبة يوقع فيها ظلم كثير.
بالمختصر بعض الشركات اصبح تنصب على المبرمجين هروب من العقود الرسمية التي طرحها مكتب العمل.
وأتمنى من كل الموظفين المقبلين لسوق العمل قبل البحث عن وظيفة مراجعة حقوق الموظف وحقوق الشركة والسياسيات اللي طرحها مكتب العمل بما يضمن حق الطرفين ولا تشتغل الا بعقد رسمي وتاخذ مستحقاتك كاملة وتسلم عملك كاملاً.
أخيراً شكراً من أعماق قلبي لكل مدير أو شركة تحترم حقوق الموظفين وتخاف الله فيهم في ظل الأوضاع اللي نعيشها في اليمن.
وفقنا الله وإياكم 🌹
👍2
الدرس 9 — مخطط الأنشطة (Activity Diagram)
Activity Diagram
يوضّح تدفق العمليات داخل النظام خطوة بخطوة من البداية حتى النهاية.
يُستخدم لتمثيل:
✔️ تسلسل الإجراءات
✔️ نقاط القرار (Yes / No)
✔️ العمليات المتوازية
✔️ نهاية وبداية كل عملية
📌 مثال: عملية تسجيل مستخدم
→ إدخال البيانات
→ التحقق منها
→ قبول أو رفض
→ إنهاء العملية
💡 إذا أردت فهم كيف يعمل النظام فعليًا،
انظر إلى Activity Diagram.
#هندسة_برمجيات
م.طارق العُمري
Activity Diagram
يوضّح تدفق العمليات داخل النظام خطوة بخطوة من البداية حتى النهاية.
يُستخدم لتمثيل:
✔️ تسلسل الإجراءات
✔️ نقاط القرار (Yes / No)
✔️ العمليات المتوازية
✔️ نهاية وبداية كل عملية
📌 مثال: عملية تسجيل مستخدم
→ إدخال البيانات
→ التحقق منها
→ قبول أو رفض
→ إنهاء العملية
💡 إذا أردت فهم كيف يعمل النظام فعليًا،
انظر إلى Activity Diagram.
#هندسة_برمجيات
م.طارق العُمري
نصيحة لبعض الإخوة , من وجهة نظري انا:
السفر للسعودية بدون اي تنسيق مسبق للوظيفة او العمل يعتبر مغامرة غير محسوبة وقد تدفع ثمنها أنت وربم انت وعائلتك , لأن بقاءك في الغربة بدون عمل , أمر صعب وقد تتحمله لو كنت منفردا ًولكن لو كان لديك عائلة فاحسب عواقب ذلك.
لازم تتواصل مع الشركة وترتب ا مورك وتتأكد من مصداقيتها ومصداقية الشخص الذي ينسق لك .
ولو أنت مهندس , أشتغل معهم في الأول كم شهر عن بعد وأنت في بلدك ثم قرر السفر بعد ان تعمل معهم وتعرفوا بعض وتكون وقتها متأكد 100% من أنك لن تصل هناك ثم تظل لأشهر عاطل بدون عمل.
الكلام هذا لأني أعرف 6 أِشخاص دخلوا بالبركة (بدون تنسيق) والآن واقفين بدون عمل ووضعهم صعب , وأحدهم عاد للبلد بعد سبعة أشهر من التخبط والعمل ب مشصاريفه وفي ظروف صعبة , مع انه دخل بناء على وعود من أقارب له , ولكنه خُذل بعد أن دخل.
ولايغرنك من يقول لك "ياخي ادخل ورزقك على الله" , رزقنا كلنا على الله وبرضه كل واحد عقله في راسه , لازم تتخذ قرارات محسوبة مخاطرها.
السعودية مليئة بالفرص ولكنك تحتاج إلى علاقات ومعارف وخبرات ومؤهلات وتنسيق مسبق .
وبالتوفيق للجميع .
المهندس عمر العلوي
السفر للسعودية بدون اي تنسيق مسبق للوظيفة او العمل يعتبر مغامرة غير محسوبة وقد تدفع ثمنها أنت وربم انت وعائلتك , لأن بقاءك في الغربة بدون عمل , أمر صعب وقد تتحمله لو كنت منفردا ًولكن لو كان لديك عائلة فاحسب عواقب ذلك.
لازم تتواصل مع الشركة وترتب ا مورك وتتأكد من مصداقيتها ومصداقية الشخص الذي ينسق لك .
ولو أنت مهندس , أشتغل معهم في الأول كم شهر عن بعد وأنت في بلدك ثم قرر السفر بعد ان تعمل معهم وتعرفوا بعض وتكون وقتها متأكد 100% من أنك لن تصل هناك ثم تظل لأشهر عاطل بدون عمل.
الكلام هذا لأني أعرف 6 أِشخاص دخلوا بالبركة (بدون تنسيق) والآن واقفين بدون عمل ووضعهم صعب , وأحدهم عاد للبلد بعد سبعة أشهر من التخبط والعمل ب مشصاريفه وفي ظروف صعبة , مع انه دخل بناء على وعود من أقارب له , ولكنه خُذل بعد أن دخل.
ولايغرنك من يقول لك "ياخي ادخل ورزقك على الله" , رزقنا كلنا على الله وبرضه كل واحد عقله في راسه , لازم تتخذ قرارات محسوبة مخاطرها.
السعودية مليئة بالفرص ولكنك تحتاج إلى علاقات ومعارف وخبرات ومؤهلات وتنسيق مسبق .
وبالتوفيق للجميع .
المهندس عمر العلوي
👍5❤1
تحرر من ويندوز وانتقل إلى عالم المبرمج الحقيقي — لينكس ونسخة أوبنتو وكيفية تخصيصها ؟
في عالم الحوسبة وتطوير البرمجيات، كثير من المبرمجين يجدون أنفسهم محصرين داخل بيئة معينة مثل ويندوز لسنوات طويلة. بالرغم من أن ويندوز نظام قوي وسهل الاستخدام، إلا أن لينكس يمثل خطًّا مختلفًا في التعامل مع النظام، التحكم فيه، وفهم طريقة عمله من الداخل — وهو ما يجعله وجهة مثالية للمبرمج الحقيقي.
في هذا المقال سنتعرف على:
1. لماذا الانتقال من ويندوز إلى لينكس؟
2. ما هو لينكس؟
3. ما هي أوبنتو؟
4. كيفية تثبيت أوبنتو على جهازك.
5. خطوات تخصيص أوبنتو لتناسب احتياجاتك كمبرمج.
1. لماذا الانتقال من ويندوز إلى لينكس؟
لينكس ليس مجرد نظام تشغيل بديل — بل هو عالم كامل مفتوح المصدر يقدم:
تحكم كامل في النظام.
دعم ممتاز للأدوات البرمجية (مثل Git، Bash، Python، Node.js).
بيئة قوية للمطورين بشكل افتراضي.
استقرار وأمان أعلى من وجهة نظر الكثير من المحترفين.
مجتمع عالمي يساهم في تطويره باستمرار.
بالمقابل، ويندوز قد يقيّدك ببعض البرمجيات أو الأساليب غير المرنة في التعامل مع النظام من الداخل. الانتقال إلى لينكس يمكن أن يفتح لك آفاقًا جديدة في كيفية التفكير كمبرمج.
2. ما هو لينكس؟
لينكس هو نواة (Kernel) نظام تشغيل مفتوح المصدر. وهذا يعني أن كل شخص يمكنه رؤية الكود، تعديله، توزيعه، والتعلم منه. لكن غالبًا ما يستخدم لينكس ضمن توزيعات (Distros) مثل:
Ubuntu
Debian
Fedora
Manjaro
Arch
كل توزيعة لها فلسفة مختلفة. لكن أغلبها تشترك في نفس الروح المفتوحة.
3. ما هي أوبنتو؟
أوبنتو (Ubuntu) هي واحدة من أشهر توزيعات لينكس، تتميز بـ:
✔️ واجهة سهلة ومناسبة للمبتدئين.
✔️ دعم كبير من المجتمع.
✔️ تحديثات دورية ومستقرة.
✔️ دعم ممتاز للأدوات المطورة والبرمجيات المفتوحة المصدر.
لهذا السبب، أوبنتو هي اختيار ممتاز للمبرمجين الجدد في عالم لينكس.
4. كيفية تثبيت أوبنتو (خطوات مختصرة)
الخطوة 1: التحضير
قم بتحميل ملف ISO لأوبنتو من الموقع الرسمي (ابحث عن “Ubuntu download”).
استخدم أداة مثل Rufus أو BalenaEtcher لإنشاء USB قابل للإقلاع.
الخطوة 2: الإقلاع من USB
أعد تشغيل الحاسوب.
اضغط مفتاح الدخول إلى قائمة الإقلاع (مثل F12 أو Esc حسب جهازك).
اختر USB المثبت عليه أوبنتو.
الخطوة 3: بدء التثبيت
اختر “Install Ubuntu”.
اتبع التعليمات على الشاشة مثل:
اختيار اللغة.
تقسيم القرص (يمكنك استخدام مساحة كاملة أو تثبيت مزدوج مع ويندوز).
إنشاء حساب مستخدم.
الخطوة 4: الانتظار حتى ينتهي التثبيت
بعد الانتهاء، قم بإعادة تشغيل الجهاز وإزالة USB.
5. تخصيص أوبنتو للمبرمج الحقيقي
أ. تحديث النظام
افتح الطرفية وقم بالتحديث:
sudo apt update
sudo apt upgrade
ب. تثبيت أدوات البرمجة الأساسية
في الطرفية أيضًا:
sudo apt install git build-essential curl
ج. إعداد بيئة تطوير متكاملة
يمكنك تثبيت:
VS Code
sudo snap install code --classic
Python & pip
sudo apt install python3 python3-pip
Node.js & npm
sudo apt install nodejs npm
د. تخصيص الواجهة
يمكنك تثبيت ثيمات وأيقونات جديدة.
استخدام GNOME Tweaks لتخصيص شكل النظام.
sudo apt install gnome-tweaks
خاتمة
الانتقال من ويندوز إلى لينكس، وخاصة أوبنتو، هو خطوة ذكية في تطوير مهاراتك كمبرمج. ستكتسب فهمًا أعمق لكيفية عمل الأنظمة، قوة أكبر في التعامل مع الأدوات، وقدرة أكبر على التحكم في بيئة تطويرك.
إذا كنت تبحث عن بيئة قوية، مرنة، ومفتوحة، فإن أوبنتو هي نقطة انطلاق ممتازة.
شاهد الفيديو وأنظر الى ثيمات وتخصيص اوبنتو كيف يحدث كأنك في عالم افتراضية وليس لابتوب 😁❤️
https://youtu.be/HqnrN7G4I1w?si=Wv6s-NL5jYoxZqt6
Course
https://youtu.be/8f2Zsb89uoM?si=F5cWATkEvYb7qUV2
في عالم الحوسبة وتطوير البرمجيات، كثير من المبرمجين يجدون أنفسهم محصرين داخل بيئة معينة مثل ويندوز لسنوات طويلة. بالرغم من أن ويندوز نظام قوي وسهل الاستخدام، إلا أن لينكس يمثل خطًّا مختلفًا في التعامل مع النظام، التحكم فيه، وفهم طريقة عمله من الداخل — وهو ما يجعله وجهة مثالية للمبرمج الحقيقي.
في هذا المقال سنتعرف على:
1. لماذا الانتقال من ويندوز إلى لينكس؟
2. ما هو لينكس؟
3. ما هي أوبنتو؟
4. كيفية تثبيت أوبنتو على جهازك.
5. خطوات تخصيص أوبنتو لتناسب احتياجاتك كمبرمج.
1. لماذا الانتقال من ويندوز إلى لينكس؟
لينكس ليس مجرد نظام تشغيل بديل — بل هو عالم كامل مفتوح المصدر يقدم:
تحكم كامل في النظام.
دعم ممتاز للأدوات البرمجية (مثل Git، Bash، Python، Node.js).
بيئة قوية للمطورين بشكل افتراضي.
استقرار وأمان أعلى من وجهة نظر الكثير من المحترفين.
مجتمع عالمي يساهم في تطويره باستمرار.
بالمقابل، ويندوز قد يقيّدك ببعض البرمجيات أو الأساليب غير المرنة في التعامل مع النظام من الداخل. الانتقال إلى لينكس يمكن أن يفتح لك آفاقًا جديدة في كيفية التفكير كمبرمج.
2. ما هو لينكس؟
لينكس هو نواة (Kernel) نظام تشغيل مفتوح المصدر. وهذا يعني أن كل شخص يمكنه رؤية الكود، تعديله، توزيعه، والتعلم منه. لكن غالبًا ما يستخدم لينكس ضمن توزيعات (Distros) مثل:
Ubuntu
Debian
Fedora
Manjaro
Arch
كل توزيعة لها فلسفة مختلفة. لكن أغلبها تشترك في نفس الروح المفتوحة.
3. ما هي أوبنتو؟
أوبنتو (Ubuntu) هي واحدة من أشهر توزيعات لينكس، تتميز بـ:
✔️ واجهة سهلة ومناسبة للمبتدئين.
✔️ دعم كبير من المجتمع.
✔️ تحديثات دورية ومستقرة.
✔️ دعم ممتاز للأدوات المطورة والبرمجيات المفتوحة المصدر.
لهذا السبب، أوبنتو هي اختيار ممتاز للمبرمجين الجدد في عالم لينكس.
4. كيفية تثبيت أوبنتو (خطوات مختصرة)
الخطوة 1: التحضير
قم بتحميل ملف ISO لأوبنتو من الموقع الرسمي (ابحث عن “Ubuntu download”).
استخدم أداة مثل Rufus أو BalenaEtcher لإنشاء USB قابل للإقلاع.
الخطوة 2: الإقلاع من USB
أعد تشغيل الحاسوب.
اضغط مفتاح الدخول إلى قائمة الإقلاع (مثل F12 أو Esc حسب جهازك).
اختر USB المثبت عليه أوبنتو.
الخطوة 3: بدء التثبيت
اختر “Install Ubuntu”.
اتبع التعليمات على الشاشة مثل:
اختيار اللغة.
تقسيم القرص (يمكنك استخدام مساحة كاملة أو تثبيت مزدوج مع ويندوز).
إنشاء حساب مستخدم.
الخطوة 4: الانتظار حتى ينتهي التثبيت
بعد الانتهاء، قم بإعادة تشغيل الجهاز وإزالة USB.
5. تخصيص أوبنتو للمبرمج الحقيقي
أ. تحديث النظام
افتح الطرفية وقم بالتحديث:
sudo apt update
sudo apt upgrade
ب. تثبيت أدوات البرمجة الأساسية
في الطرفية أيضًا:
sudo apt install git build-essential curl
ج. إعداد بيئة تطوير متكاملة
يمكنك تثبيت:
VS Code
sudo snap install code --classic
Python & pip
sudo apt install python3 python3-pip
Node.js & npm
sudo apt install nodejs npm
د. تخصيص الواجهة
يمكنك تثبيت ثيمات وأيقونات جديدة.
استخدام GNOME Tweaks لتخصيص شكل النظام.
sudo apt install gnome-tweaks
خاتمة
الانتقال من ويندوز إلى لينكس، وخاصة أوبنتو، هو خطوة ذكية في تطوير مهاراتك كمبرمج. ستكتسب فهمًا أعمق لكيفية عمل الأنظمة، قوة أكبر في التعامل مع الأدوات، وقدرة أكبر على التحكم في بيئة تطويرك.
إذا كنت تبحث عن بيئة قوية، مرنة، ومفتوحة، فإن أوبنتو هي نقطة انطلاق ممتازة.
شاهد الفيديو وأنظر الى ثيمات وتخصيص اوبنتو كيف يحدث كأنك في عالم افتراضية وليس لابتوب 😁❤️
https://youtu.be/HqnrN7G4I1w?si=Wv6s-NL5jYoxZqt6
Course
https://youtu.be/8f2Zsb89uoM?si=F5cWATkEvYb7qUV2
YouTube
هل لينيكس شاشه سوداء وفقط؟؟ | تخصيص الواجهه
لينك ايقونات الماك
https://www.pling.com/p/2023325/
لينك المؤشر
https://www.gnome-look.org/s/Gnome/p/1197198
00:00 Intro
00:46 Setup
01:04 Dock
01:30 Windows
02:06 Visuals
02:58 Skins
04:00 Top_bar
05:47 bonus
09:16 thanks
#دماغ_مبرمج #linux #haram_blur
https://www.pling.com/p/2023325/
لينك المؤشر
https://www.gnome-look.org/s/Gnome/p/1197198
00:00 Intro
00:46 Setup
01:04 Dock
01:30 Windows
02:06 Visuals
02:58 Skins
04:00 Top_bar
05:47 bonus
09:16 thanks
#دماغ_مبرمج #linux #haram_blur
موعدنا اليوم ان شاء الله للحلقة الثانية من كورس :
ابرز التحديات التقنية لبناء منصات SaaS ناجحة ومستدامة .
بنفس الموعد والرابط .
#اجتماع_الجمعة_التقني
ابرز التحديات التقنية لبناء منصات SaaS ناجحة ومستدامة .
بنفس الموعد والرابط .
#اجتماع_الجمعة_التقني
تدعوكم اللجنة المنظمة للمؤتمر الدولي السادس للتطبيقات الذكية الحديثة وتطبيقاتها (eSmarTA-2026) للمشاركة في المؤتمر بأبحاثكم العلمية الأصيلة في محاور متعددة تتضمن تقنيات الذكاء الصناعي، إنترنت الأشياء، شبكات الاتصال الذكية، الأمن السيبراني، نظم الأعمال الذكية، تقنيات معالجة الصور، الرؤية الحاسوبية، هندسة البرمجيات، وغيرها من المحاور.
يشارك في تنظيم المؤتمر:
يمن أبحاث و جامعة ذمار
برعاية تقنية من: IEEE Yemen Subsection
وتقام فعالياته في رحاب كلية الحاسبات والمعلوماتية، جامعة ذمار، اليمن
في الفترة 4-5 اغسطس 2026.
لمزيد من المعلومات يمكنكم زيارة موقع المؤتمر:
https://esmarta.yostr.org/
ستخضع جميع الأوراق البحثية المقدمة لعملية مراجعة دقيقة لتقييم الأصالة والمحتوى الفني والمساهمة البحثية. سيتم تقديم الأوراق المقبولة للنشر في IEEE Xplore وفهرستها بواسطة SCOPUS, EI Compendex وأخرون.
تواريخ هامة:
استقبال الأوراق العلمية الكاملة متوفر الآن على موقع تسليم الأوراق حتى الموعد النهائي لتقديم الورقة الكاملة: 30 مارس 2026
إشعار القبول: 30 مايو 2026
الموعد النهائي لتقديم الأوراق الجاهزة والتسجيل المبكر: 15 يونيو 2026
الموعد النهائي للتسجيل العادي: 30 يونيو 2026
انعقاد المؤتمر: 4-5 أغسطس 2026
عملية التقديم:
يجب على الباحثين تقديم أوراقهم إلكترونيًا عبر منصة EasyChair:
https://easychair.org/conferences/?conf=esmarta2026
للحصول على معلومات مفصلة، يرجى زيارة صفحة المؤتمر.
https://esmarta.yostr.org/
معلومات التواصل:
للاستفسارات، يرجى التواصل مع منظمي المؤتمر على:
البريد الإلكتروني: esmarta@yostr.org
نتطلع إلى مساهماتكم ومشاركتكم في eSmarTA-2026.
مع خالص التقدير،
اللجنة المنظمة لـ eSmarTA-2026
يشارك في تنظيم المؤتمر:
يمن أبحاث و جامعة ذمار
برعاية تقنية من: IEEE Yemen Subsection
وتقام فعالياته في رحاب كلية الحاسبات والمعلوماتية، جامعة ذمار، اليمن
في الفترة 4-5 اغسطس 2026.
لمزيد من المعلومات يمكنكم زيارة موقع المؤتمر:
https://esmarta.yostr.org/
ستخضع جميع الأوراق البحثية المقدمة لعملية مراجعة دقيقة لتقييم الأصالة والمحتوى الفني والمساهمة البحثية. سيتم تقديم الأوراق المقبولة للنشر في IEEE Xplore وفهرستها بواسطة SCOPUS, EI Compendex وأخرون.
تواريخ هامة:
استقبال الأوراق العلمية الكاملة متوفر الآن على موقع تسليم الأوراق حتى الموعد النهائي لتقديم الورقة الكاملة: 30 مارس 2026
إشعار القبول: 30 مايو 2026
الموعد النهائي لتقديم الأوراق الجاهزة والتسجيل المبكر: 15 يونيو 2026
الموعد النهائي للتسجيل العادي: 30 يونيو 2026
انعقاد المؤتمر: 4-5 أغسطس 2026
عملية التقديم:
يجب على الباحثين تقديم أوراقهم إلكترونيًا عبر منصة EasyChair:
https://easychair.org/conferences/?conf=esmarta2026
للحصول على معلومات مفصلة، يرجى زيارة صفحة المؤتمر.
https://esmarta.yostr.org/
معلومات التواصل:
للاستفسارات، يرجى التواصل مع منظمي المؤتمر على:
البريد الإلكتروني: esmarta@yostr.org
نتطلع إلى مساهماتكم ومشاركتكم في eSmarTA-2026.
مع خالص التقدير،
اللجنة المنظمة لـ eSmarTA-2026
Deleted Account
Friday, January 9 · 9:00 – 10:00pm Time zone: Asia/Riyadh https://meet.google.com/his-udha-qpi
تقرير تقني متكامل يلخص ويشرح التحديات الرئيسية التي تمت مناقشتها حول بناء منصات برمجية ناجحة وقابلة للتوسع (Scalable Software Platforms).
ينقسم التقرير إلى ثلاثة محاور رئيسية كما وردت في العرض:
تقرير التحديات التقنية في الأنظمة البرمجية (Technical Challenges Report)
1. تحديات الأداء والاستقرار (Runtime Behavior)
يركز هذا المحور على كيفية تصرف النظام أثناء التشغيل الفعلي، خاصة تحت الضغط.
الحفاظ على زمن استجابة منخفض (Low Latency) تحت الحمل الهائل:
الشرح: التحدي يكمن في ضمان سرعة استجابة النظام للمستخدمين حتى عندما يكون هناك ملايين الطلبات في نفس اللحظة. أي تأخير (Latency) يؤثر مباشرة على تجربة المستخدم.
الحل عادة: يتطلب ذلك تحسين الكود، واستخدام تقنيات غير متزامنة (Asynchronous processing).
معالجة اختناقات قواعد البيانات (DB Hotspots & Locks):
الشرح: عندما تحاول عمليات كثيرة الوصول إلى نفس الصف (Row) أو الجدول في قاعدة البيانات في آن واحد، يحدث "قفل" (Lock) يمنع العمليات الأخرى من الإكمال، مما يخلق طوابير انتظار (Hotspots).
تخزين البيانات مؤقتاً بعناية (Caching Data Carefully):
الشرح: استخدام الـ Caching (مثل Redis) يسرع النظام، لكن التحدي يكمن في "إبطال الكاش" (Cache Invalidation) أي التأكد من أن البيانات المخزنة ليست قديمة مقارنة بقاعدة البيانات.
إدارة الذاكرة والمعالج واختناقات الـ API:
الشرح: مراقبة استهلاك الـ RAM و CPU لمنع توقف الخوادم (Crash)، ومعالجة اختناقات واجهات برمجة التطبيقات (API Bottlenecks) التي قد تحدث بسبب بطء الخدمات الخارجية أو سوء التصميم.
تحديات شبكات توصيل المحتوى (CDN):
الشرح: ضمان توزيع المحتوى الثابت (صور، فيديو) للمستخدمين من أقرب خادم جغرافي لهم لتقليل الضغط على الخوادم الرئيسية.
2. تحديات قواعد البيانات (Core Asset)
تُعتبر البيانات هي الأصل الأهم، وتحدياتها ترتبط بالتصميم والتوسع.
التصميم غير القابل للتوسع (Non-Scalable Design):
الشرح: تصميم جداول وعلاقات قاعدة البيانات بطريقة لا تتحمل النمو السريع. التحدي هو التنبؤ بالنمو غير المتوقع وتصميم هيكلية (Schema) مرنة تدعم الـ Sharding أو Partitioning.
استراتيجيات النسخ الاحتياطي (Backup Strategies):
الشرح: لا يكفي أخذ نسخة احتياطية فقط، التحدي الحقيقي هو في خطط التعافي من الكوارث (Disaster Recovery) وسرعة استعادة البيانات (RTO/RPO) في حال الفشل التام.
نقل البيانات (Data Migration):
الشرح: صعوبة نقل البيانات من هيكلية قديمة إلى جديدة أو من خادم لآخر أثناء الإصدارات الكبرى (Major Releases) دون إيقاف النظام أو فقدان البيانات.
3. تحديات التوافر العالي والموثوقية (High Availability & Trust Layer)
هذا المحور يتعلق ببناء الثقة مع المستخدم من خلال ضمان عمل النظام طوال الوقت (99.99% Availability).
نقاط الفشل الوحيدة (Single Points of Failure - SPOF):
الشرح: وجود مكون واحد في النظام (مثل خادم واحد، أو قاعدة بيانات واحدة) إذا تعطل يتوقف النظام بالكامل. الحل يتطلب التكرار (Redundancy).
توقف الخدمة أثناء النشر (Downtime during deployments):
الشرح: التحدي هو تحديث النظام ورفع نسخ جديدة من الكود دون أن يشعر المستخدم بأي انقطاع (Zero-downtime deployment).
التوقف أثناء ترقية اللغات وأطر العمل (Framework Upgrades):
الشرح: صعوبة تحديث لغة البرمجة أو الـ Framework الأساسي دون كسر التوافقية أو إيقاف الخدمة للصيانة.
الانقطاعات الإقليمية لمزودي السحابة (Regional Outages):
الشرح: الاعتماد على منطقة واحدة (Region) في أماكن مثل AWS أو Azure قد يسبب توقفاً تاماً إذا تعطلت تلك المنطقة. الحل يكمن في التصميم متعدد المناطق (Multi-region).
فشل وتوقف قواعد البيانات:
الشرح: ضمان وجود آليات "Failover" تلقائية بحيث إذا سقطت قاعدة البيانات الرئيسية، تعمل الاحتياطية فوراً.
فشل توزيع الأحمال (Load Balancing):
الشرح: مشاكل في توزيع حركة المرور (Traffic) بشكل عادل بين الخوادم، مما قد يؤدي لإغراق خادم واحد بينما الآخرون خاملون.
فشل أنظمة المراقبة (Monitoring System Failures):
الشرح: أخطر مشكلة هي تعطل "جهاز الإنذار" نفسه (Health Checkers)، بحيث لا يعلم الفريق التقني بوجود مشكلة إلا بعد شكوى المستخدمين.
مشاكل حصلت معه في سوق العمل
طبعاً المهندس بيتكلم عن مواضيع مشاكل وكيف اتجنبها وايش افضل الحلول الممكنة لها
بناء على خبرته وتجاربه في SaaS.
هذي خبرة يقدمها لنا في طبق من ذهب
حقاً شكراً على كل كلمة قالها.
ينقسم التقرير إلى ثلاثة محاور رئيسية كما وردت في العرض:
تقرير التحديات التقنية في الأنظمة البرمجية (Technical Challenges Report)
1. تحديات الأداء والاستقرار (Runtime Behavior)
يركز هذا المحور على كيفية تصرف النظام أثناء التشغيل الفعلي، خاصة تحت الضغط.
الحفاظ على زمن استجابة منخفض (Low Latency) تحت الحمل الهائل:
الشرح: التحدي يكمن في ضمان سرعة استجابة النظام للمستخدمين حتى عندما يكون هناك ملايين الطلبات في نفس اللحظة. أي تأخير (Latency) يؤثر مباشرة على تجربة المستخدم.
الحل عادة: يتطلب ذلك تحسين الكود، واستخدام تقنيات غير متزامنة (Asynchronous processing).
معالجة اختناقات قواعد البيانات (DB Hotspots & Locks):
الشرح: عندما تحاول عمليات كثيرة الوصول إلى نفس الصف (Row) أو الجدول في قاعدة البيانات في آن واحد، يحدث "قفل" (Lock) يمنع العمليات الأخرى من الإكمال، مما يخلق طوابير انتظار (Hotspots).
تخزين البيانات مؤقتاً بعناية (Caching Data Carefully):
الشرح: استخدام الـ Caching (مثل Redis) يسرع النظام، لكن التحدي يكمن في "إبطال الكاش" (Cache Invalidation) أي التأكد من أن البيانات المخزنة ليست قديمة مقارنة بقاعدة البيانات.
إدارة الذاكرة والمعالج واختناقات الـ API:
الشرح: مراقبة استهلاك الـ RAM و CPU لمنع توقف الخوادم (Crash)، ومعالجة اختناقات واجهات برمجة التطبيقات (API Bottlenecks) التي قد تحدث بسبب بطء الخدمات الخارجية أو سوء التصميم.
تحديات شبكات توصيل المحتوى (CDN):
الشرح: ضمان توزيع المحتوى الثابت (صور، فيديو) للمستخدمين من أقرب خادم جغرافي لهم لتقليل الضغط على الخوادم الرئيسية.
2. تحديات قواعد البيانات (Core Asset)
تُعتبر البيانات هي الأصل الأهم، وتحدياتها ترتبط بالتصميم والتوسع.
التصميم غير القابل للتوسع (Non-Scalable Design):
الشرح: تصميم جداول وعلاقات قاعدة البيانات بطريقة لا تتحمل النمو السريع. التحدي هو التنبؤ بالنمو غير المتوقع وتصميم هيكلية (Schema) مرنة تدعم الـ Sharding أو Partitioning.
استراتيجيات النسخ الاحتياطي (Backup Strategies):
الشرح: لا يكفي أخذ نسخة احتياطية فقط، التحدي الحقيقي هو في خطط التعافي من الكوارث (Disaster Recovery) وسرعة استعادة البيانات (RTO/RPO) في حال الفشل التام.
نقل البيانات (Data Migration):
الشرح: صعوبة نقل البيانات من هيكلية قديمة إلى جديدة أو من خادم لآخر أثناء الإصدارات الكبرى (Major Releases) دون إيقاف النظام أو فقدان البيانات.
3. تحديات التوافر العالي والموثوقية (High Availability & Trust Layer)
هذا المحور يتعلق ببناء الثقة مع المستخدم من خلال ضمان عمل النظام طوال الوقت (99.99% Availability).
نقاط الفشل الوحيدة (Single Points of Failure - SPOF):
الشرح: وجود مكون واحد في النظام (مثل خادم واحد، أو قاعدة بيانات واحدة) إذا تعطل يتوقف النظام بالكامل. الحل يتطلب التكرار (Redundancy).
توقف الخدمة أثناء النشر (Downtime during deployments):
الشرح: التحدي هو تحديث النظام ورفع نسخ جديدة من الكود دون أن يشعر المستخدم بأي انقطاع (Zero-downtime deployment).
التوقف أثناء ترقية اللغات وأطر العمل (Framework Upgrades):
الشرح: صعوبة تحديث لغة البرمجة أو الـ Framework الأساسي دون كسر التوافقية أو إيقاف الخدمة للصيانة.
الانقطاعات الإقليمية لمزودي السحابة (Regional Outages):
الشرح: الاعتماد على منطقة واحدة (Region) في أماكن مثل AWS أو Azure قد يسبب توقفاً تاماً إذا تعطلت تلك المنطقة. الحل يكمن في التصميم متعدد المناطق (Multi-region).
فشل وتوقف قواعد البيانات:
الشرح: ضمان وجود آليات "Failover" تلقائية بحيث إذا سقطت قاعدة البيانات الرئيسية، تعمل الاحتياطية فوراً.
فشل توزيع الأحمال (Load Balancing):
الشرح: مشاكل في توزيع حركة المرور (Traffic) بشكل عادل بين الخوادم، مما قد يؤدي لإغراق خادم واحد بينما الآخرون خاملون.
فشل أنظمة المراقبة (Monitoring System Failures):
الشرح: أخطر مشكلة هي تعطل "جهاز الإنذار" نفسه (Health Checkers)، بحيث لا يعلم الفريق التقني بوجود مشكلة إلا بعد شكوى المستخدمين.
مشاكل حصلت معه في سوق العمل
طبعاً المهندس بيتكلم عن مواضيع مشاكل وكيف اتجنبها وايش افضل الحلول الممكنة لها
بناء على خبرته وتجاربه في SaaS.
هذي خبرة يقدمها لنا في طبق من ذهب
حقاً شكراً على كل كلمة قالها.
بث مباشر بدء
للمهندس محمد مشرف
مهندس يعمل في شركة جوجل
خبرة في المجال
تابعوا محتواه طبعا محتواه السابق حذفه كامل لسبب ما
موجود بعض محتواه في تيليجرام لمن يريد
https://t.me/moshrif_youtube
والان تقريبا ممكن ينزل محتوى جديد
https://www.youtube.com/live/PSlq0lg5uNc?si=8_x5ZMCBPytIoR2V
للمهندس محمد مشرف
مهندس يعمل في شركة جوجل
خبرة في المجال
تابعوا محتواه طبعا محتواه السابق حذفه كامل لسبب ما
موجود بعض محتواه في تيليجرام لمن يريد
https://t.me/moshrif_youtube
والان تقريبا ممكن ينزل محتوى جديد
https://www.youtube.com/live/PSlq0lg5uNc?si=8_x5ZMCBPytIoR2V
❤3