الدرس 8 — مخطط حالات الاستخدام (Use Case Diagram)

Use Case Diagram
يوضّح كيف يتفاعل المستخدم مع النظام وما هي الخدمات التي يقدمها النظام لكل مستخدم.

يتكوّن من:
✔️ Actors (المستخدمين أو الأنظمة الخارجية)
✔️ Use Cases (الوظائف التي يقدمها النظام)


لماذا هو مهم؟
✔️ يحدد حدود النظام بوضوح
✔️ يوضح أدوار المستخدمين
✔️ يساعد في فهم المتطلبات الوظيفية
✔️ يقلل سوء الفهم بين العميل والمطور
💡 قبل أن تسأل: كيف نبرمج؟
اسأل أولًا: ماذا سيقدم النظام للمستخدم؟

#هندسة_برمجيات
بقلم م. طارق العُمري

أهمية إنشاء الصفحات التعريفية والنشر على مواقع التواصل الاجتماعي

في العصر الرقمي الحالي، أصبحت الهوية الرقمية لكل محترف أو طالب علم مهمة جدًا. الصفحات التعريفية على منصات مثل LinkedIn، GitHub، Facebook .... ليست مجرد واجهات، بل هي جواز سفرك المهني الرقمي الذي يمكن من خلاله عرض خبراتك، مشاريعك، وإنجازاتك لأصحاب العمل والزملاء والمهتمين بالمجال.

1. بناء الهوية المهنية

وجود صفحة تعريفية كاملة واحترافية يتيح لك عرض خبراتك ومهاراتك بطريقة منظمة وواضحة. مثلًا، ملفك الشخصي على LinkedIn يحتوي على خبرتك في تطوير تطبيقات الويب والتطبيقات مثلاً، تصميم وتنفيذ قواعد البيانات، وتحليل وتصميم النظم، مما يعكس كفاءتك ومصداقيتك أمام زوار الملف.

2. التواصل وبناء شبكة مهنية

منصات التواصل الاحترافية تتيح لك ربط علاقات مهنية مع خبراء ومؤسسات في مجالك، وتفتح لك فرص الشراكات والمشاريع المستقبلية. التواصل المباشر يعزز من فرص التعلم وتبادل الخبرات العملية والنظرية.

3. الترويج للمشاريع والإنجازات

من خلال النشر المنتظم لمشاريعك وأعمالك، مثل مشاريعك المتميزة ، يمكن للآخرين الاطلاع على قدرتك على الابتكار والتنفيذ، وبالتالي زيادة فرص التقدير المهني أو حتى الحصول على فرص عمل أو تعاون مستقبلي.

4. اكتساب المعرفة والبقاء على اطلاع

المتابعة والمشاركة في المجتمعات الرقمية على الشبكات الاجتماعية تمكنك من البقاء على اطلاع بأحدث التقنيات والاتجاهات في مجالاتك مثل تطوير البرمجيات، الذكاء الاصطناعي، وتحليل البيانات.

5. التأثير الشخصي والمجتمعي

وجودك الرقمي النشط يمكن أن يكون مصدر إلهام للآخرين، خاصة الشباب والطلاب الراغبين في دخول مجالك. مشاركة معرفتك وخبراتك تسهم في رفع مستوى المجتمع التقني وتشجيع الآخرين على التطوير.

مثال عملي: انا طارق العمري على LinkedIn ، Facebook , Instagram, telegram

يمكنكم زيارة ملفي الشخصي للاطلاع على خبراتي ومشاريعي في وعلوم الحاسوب :
🔗 https://www.linkedin.com/in/tareq-al-omari-29a6b325a
ملفي يعرض خدماتي في:
تطوير التطبيقات
(Front-End & Back-End)
تصميم وتنفيذ قواعد البيانات
تحليل وتصميم النظم

إن زيارة الملفات التعريفية والتفاعل معها تعزز من شبكتك المهنية وفرصك المستقبلية بشكل كبير
❤️📚🇾🇪
م.طارق فضل العمري

استشرنا جمهورنا على فيسبوك عن أفضل طريقة وانسب وقت والأغلب ا تفق على :
إعتماد الساعة التاسعة مساء كل جمعتين.
وهذا الرابط ثابت لكل الإجتماعات
باقي تقترحوا المواضيع يامهندسين

أول إجتماع اليوم إن شاء الله .
لو حابب تناقش تفضل , ولو فاهم احسن مننا وحابب تفيد غيرك برضه بتشرفنا .

مناقشة مواضيع تقنية كل جمعتين

Friday, January 9 · 9:00 – 10:00pm
Time zone: Asia/Riyadh
https://meet.google.com/his-udha-qpi

#اجتماع_الجمعة_التقني

مهندس رائع الذي حاب يدخل يستفيد يدخل

المهندس عُمر العلوي
متخصص في برمجة النظم PHP Laravel وذو خبرة فيها SaaS

قد بدء قبل نصف ساعة
☝️

📄 تقرير عن ندوة

تحديات البنية التحتية والحوسبة السحابية وأداء الأنظمة

🟦 مقدمة

في ظل التطور السريع للتقنيات الرقمية والاعتماد المتزايد على الأنظمة السحابية، أصبحت البنية التحتية وأداء الأنظمة من أهم العوامل المؤثرة في نجاح أي نظام تقني. تناولت هذه الندوة مجموعة من التحديات الأساسية المتعلقة بالبنية التحتية السحابية (Infrastructure & Cloud Architecture) وسلوك الأنظمة أثناء التشغيل (Runtime Behavior)، مع التركيز على الأداء والاستقرار.



🟦 أولًا: تحديات البنية التحتية والحوسبة السحابية

(Infrastructure & Cloud Architecture Challenges – Foundation)

ناقش هذا المحور التحديات الأساسية التي تواجه الفرق التقنية عند تصميم وبناء الأنظمة السحابية، ومن أبرزها:

1. توسيع الخوادم دون الإفراط في التهيئة (Over-Provisioning)
حيث يمثل التوازن بين الأداء والتكلفة تحديًا كبيرًا عند زيادة أو تقليل الموارد.


2. التعامل مع الارتفاع المفاجئ في عدد المستخدمين (Traffic Spikes)
خاصة في الأنظمة التي تشهد أحمالًا غير متوقعة.


3. تحقيق التوافرية العالية (High Availability)
لضمان استمرار الخدمة دون انقطاع.


4. التحكم في التكاليف مع نمو الاستخدام
حيث يؤدي سوء إدارة الموارد السحابية إلى ارتفاع التكاليف بشكل كبير.


5. إدارة الموارد السحابية والحصص (Quotas)
مثل الذاكرة، المعالجة، والتخزين.


6. استراتيجيات النسخ الاحتياطي والتعافي من الكوارث (Disaster Recovery)
لضمان حماية البيانات واسترجاعها عند حدوث أعطال.


7. قابلية المراقبة (Observability)
وتشمل السجلات (Logs)، المقاييس (Metrics)، والتنبيهات (Alerts).


8. تعقيد البنية التحتية مع تطور النظام
حيث تزداد صعوبة الإدارة كلما كبر النظام وتعددت مكوناته.



🟦 ثانيًا: تحديات الأداء والاستقرار

(Performance and Stability Challenges – Runtime Behavior)

ركز هذا المحور على المشكلات التي تظهر أثناء تشغيل الأنظمة الفعلية، ومن أهمها:

1. الحفاظ على زمن استجابة منخفض (Low Latency)
حتى في حالات الضغط العالي وعدد المستخدمين الكبير.


2. التعامل مع اختناقات قواعد البيانات (DB Hotspots & Locks)
والتي قد تؤدي إلى بطء النظام أو توقفه.


3. التخزين المؤقت للبيانات (Caching) بشكل مدروس
لتقليل الحمل على قواعد البيانات وتحسين الأداء.


4. إدارة استهلاك الذاكرة والمعالج (CPU & Memory)
وتجنب الاختناقات في واجهات البرمجة (API Bottlenecks).


5. تحديات شبكات توزيع المحتوى (CDN)
وضمان سرعة وصول المحتوى للمستخدمين في مناطق مختلفة.


🟦 الخلاصة

خلصت الندوة إلى أن بناء أنظمة سحابية قوية لا يعتمد فقط على اختيار التقنيات الحديثة، بل يتطلب فهمًا عميقًا للتحديات المتعلقة بالبنية التحتية، الأداء، والاستقرار. كما أكدت على أهمية التخطيط المسبق، المراقبة المستمرة، وتحسين الأداء لضمان أنظمة موثوقة وقابلة للتوسع بأقل تكلفة ممكنة.


🟦 التوصيات

اعتماد استراتيجيات التوسع التلقائي (Auto Scaling).

تحسين المراقبة والتحليل المستمر للأداء.

الاستثمار في حلول النسخ الاحتياطي والتعافي من الكوارث.

تحسين تصميم قواعد البيانات وآليات التخزين المؤقت.

الموازنة بين الأداء والتكلفة في البيئات السحابية.

لما تكتشف الشخص الذي دائما يكارحك في فكرة تقسيم المشروع إلى طبقات مرتبه ويصدع رأسك 🤣
وهو بالأساس كاتب المشروع كامل في Main

هذا الموضوع مهم لازم نبحث ونتناقش حوله لأنه يفرق في الأداء ويفرق في الكود النظيف ويفرق بين المبرمج و المهندس ويفرق عند العوده والتطوير لاحقا على المشروع

بهذا الشكل الذي في الصورة هذا معقد وصعب التعديل عليه مكلف جداً
ربما تحتاج اعادة بناء المشروع من جديد

لا تقول لي الذكاء الاصطناعي يعمل ؟

صحيح يعمل لكن في افضل الممارسات
ما يعملش إلا بعد ان تفهمه أنت ونجلس تترافس أنت وهو رفس

لازم توضح انه تقسيم طبقات وانه يتبع مبادئ البرمجة الكائنية
و SOLID .

لذلك أولاً ينصح بالعودة والبحث والتطوير وعمل مشاريع بسيطة بهذا الأسلوب أسلوب layered architecture ثم انتقل الذكاء الاصطناعي.

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.

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.

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.

💡 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!

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.

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 🌹

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