كيف النموذج قادر يولد عدة صور لنفس الدخل؟
بالبداية كان في نموذج اسمو auto encoder (النسخة الأولى من عائلة النماذج هي) .. هاد النموذج كان يستقبل دخل صورة مثلًا، يعمل encode لهالصورة بحيث نمثلها ضمن فضاء بأبعاد أصغر بكتير من الأبعاد الأصلية (رح احكي عن هالموضوع ببوست لاحق) .. و بعدها من هالترميز يحاول يرجع يولد الصورة. و من الطرق لتدريبو كان انو نخفي جزء من الدخل، بحيث هو يتوقع الجزء المخفي خلال هي العملية.
مشكلة هيك طريقة انو ممكن يكون في أكتر من توقع صحيح .. بحالة الدخل النصي هي مانها مشكلة لانو فينا نمثل الموضوع كتوزيع احتمالي، بس هالشي ما ممكن بالصور (رح احكي عن هالموضوع اكتر ببوست لاحق) .. لهالسبب رح يصير عنا مشاكل بالتوقع
شو هي المشاكل؟
خلونا نتخيل انو الدخل يلي عطيناه للنموذج هو عبارة عن صورة شخص، و تم إخفاء وجه الشخص لحتى النموذج يتوقع الوجه "الصحيح" .. بس شو يعني الوجه "الصحيح" .. ما في هيك شي اصلًا!
لما النموذج خلال التدريب رح يشوف عدة صور لأشخاص مختلفة.. كيف ممكن يتوقع شكل الوجه؟
هلا إذا افترضنا انو ما رح يكون في ربط بين وجه الشخص و اللباس الخاص فيه مثلًا.. فالنموذج رح يتوقع المتوسط..لانو هو الحل يلي بخلي ال loss تبعو أصغر ما يمكن
هاد الشي رح يعمل مشكلة انو الصور رح تكون blurred .. و هي كانت أحد المشاكل بالنماذج التوليدية
هيك شي ممكن ينحل عن طريق شي منسميه ال latent variables .. هدول المتغيرات فينا نتخيلهن متل configuration .. يعني شي بحدد كيف الخرج رح يكون بس ما قادرين نعرفو من الدخل بشكل مباشر
مثلًا بمثال توقع شكل الوجه، ممكن يكون ال latent هو أبعاد العين، أو لون الوجه (في حال كان اللون ما واضح من بقية الجسم)، أو عرض الفك، الخ..
هي الأمور كلها بتخلي النموذج قادر يولد عدة توقعات "صحيحة" .. توقع من أجل كل قيمة (أو مجموعة قيم). لل latent. بدل ما يضطر انو يحصر كلشي بتوقع واحد. و هاد ال latent خلال التدريب عادة ما بيتم تعلمو او تعلم بارمترات التوزع الاحتمالي يلي بيتبع الو أو بس توليدو من توزع احتمالي ثابت (متل شبكة ال GAN الأصلية) هاد موضوع واسع و صعب حصرو ببوست واحد.
بالبداية كان في نموذج اسمو auto encoder (النسخة الأولى من عائلة النماذج هي) .. هاد النموذج كان يستقبل دخل صورة مثلًا، يعمل encode لهالصورة بحيث نمثلها ضمن فضاء بأبعاد أصغر بكتير من الأبعاد الأصلية (رح احكي عن هالموضوع ببوست لاحق) .. و بعدها من هالترميز يحاول يرجع يولد الصورة. و من الطرق لتدريبو كان انو نخفي جزء من الدخل، بحيث هو يتوقع الجزء المخفي خلال هي العملية.
مشكلة هيك طريقة انو ممكن يكون في أكتر من توقع صحيح .. بحالة الدخل النصي هي مانها مشكلة لانو فينا نمثل الموضوع كتوزيع احتمالي، بس هالشي ما ممكن بالصور (رح احكي عن هالموضوع اكتر ببوست لاحق) .. لهالسبب رح يصير عنا مشاكل بالتوقع
شو هي المشاكل؟
خلونا نتخيل انو الدخل يلي عطيناه للنموذج هو عبارة عن صورة شخص، و تم إخفاء وجه الشخص لحتى النموذج يتوقع الوجه "الصحيح" .. بس شو يعني الوجه "الصحيح" .. ما في هيك شي اصلًا!
لما النموذج خلال التدريب رح يشوف عدة صور لأشخاص مختلفة.. كيف ممكن يتوقع شكل الوجه؟
هلا إذا افترضنا انو ما رح يكون في ربط بين وجه الشخص و اللباس الخاص فيه مثلًا.. فالنموذج رح يتوقع المتوسط..لانو هو الحل يلي بخلي ال loss تبعو أصغر ما يمكن
هاد الشي رح يعمل مشكلة انو الصور رح تكون blurred .. و هي كانت أحد المشاكل بالنماذج التوليدية
هيك شي ممكن ينحل عن طريق شي منسميه ال latent variables .. هدول المتغيرات فينا نتخيلهن متل configuration .. يعني شي بحدد كيف الخرج رح يكون بس ما قادرين نعرفو من الدخل بشكل مباشر
مثلًا بمثال توقع شكل الوجه، ممكن يكون ال latent هو أبعاد العين، أو لون الوجه (في حال كان اللون ما واضح من بقية الجسم)، أو عرض الفك، الخ..
هي الأمور كلها بتخلي النموذج قادر يولد عدة توقعات "صحيحة" .. توقع من أجل كل قيمة (أو مجموعة قيم). لل latent. بدل ما يضطر انو يحصر كلشي بتوقع واحد. و هاد ال latent خلال التدريب عادة ما بيتم تعلمو او تعلم بارمترات التوزع الاحتمالي يلي بيتبع الو أو بس توليدو من توزع احتمالي ثابت (متل شبكة ال GAN الأصلية) هاد موضوع واسع و صعب حصرو ببوست واحد.
❤2
أحد الأمور يلي عملت نقلة بال NLP هيي فكرة استعمال ال subword .. بس هل في شي مقابل بال Computer Vision؟؟
أولا شو فائدة فكرة ال subword؟
الفائدة انو هالفكرة بتخلي النموذج يستفيد من ال morphology تبع الكلمات..يعني مثلًا بدل ما النموذج يتعلم شي مستقل ل play و playing .. الأفضل يتعلم الأفعال لحال و الأمور الإضافية لحال بحيث فيه يعمم بشكل أفضل .. خاصة انو ما ضروري كل هالتعديلات عالكلمات تكون موجودة بشكل كبير بالبيانات
شو علاقة هالشي بال computer vision؟؟
لما نستعمل صور .. العادة كانت انو نمررها للصورة متل ما هيي .. هاد الشي أولًا مشابه لانو نستعمل الأحرف بدل ال subword و هاد بيخلي التعلم أصعب عالنموذج
لما تم الانتقال لل transformer .. صار ينعطى بدل بكسل بكسل .. شي منسميه patch و هو عبارة عن مربع .. مثلا 16x16 بحيث يعتبر هاد token واحد مقابل للكلمات
هل فكرة ال patch مثالية؟
بالرغم من سهولة التقسيم بهاد الشكل .. بس هالفكرة ما بتاخد بعين الاعتبار ال morphology تبع الصور (مثلًا الأغراض المختلفة و أشكالها) ..
هاد الشي بيأدي لمشاكل متل ال polysemanticity يلي هيي انو أكتر من مفهوم موجود ضمن نفس ال patch و هالشي بصعب عملية التعلم و ممكن يؤدي لمشاكل overfitting كتير بسبب انو الخليط يلي رح يصير عن طريق هاد التقسيم ممكن ما يتكرر كتير بالبيانات و يتعلم النموذج يربطو بخرج معين مثلًا
شو ممكن نعمل كحل بسيط؟
الحل الأبسط هو انو نقلل حجم ال patch .. بالحالة ال extreme نوصل لنمرر بكسلات .. بس هاد الشي مانو عملي أبدًا لانو رح يزيد عدد ال tokens يلي رح نمررا للنموذج و بالتالي يصعب المهمة عالنموذج و يزيد التعقيد الحسابي
شو الحل يلي مقترح بهي الورقة؟
الحل المقترح هو بيتبع لفكرة ال segmentation .. و يلي هيي انو يتم الاعتماد عهي التقنيات بحيث يتم تقسيم الصورة لأجزاء مختلفة مرتبطة بدل تقسيم لمربعات عشوائية .. مثلًا البكسلات يلي بتتبع لغرض معين ( أو لجزء من غرض) تعتبر token واحد
طيب شو الجديد؟ ما فكرة ال segmentation موجودة من زمان؟
الحل المقترح من هي الورقة بيعتمد عاستعمال خوارزميات بسيطة بدل نماذج معقدة جدًا .. و بالتالي بسهل استعمال فكرة ال tokenization هي بشكل أفضل .. بالإضافة لاقتراح نماذج قادرة عاستعمال هاد الشكل من ال tokenization (التفاصيل بالورقة) .. حيث بالبداية بيتم توقع ال boundaries .. يعني حدود الأغراض و أجزائها .. و بيتم استعمال خوارزمية اسمها watershed لتحديد كل بكسل لأي جزء بيتبع بناء عال boundaries يلي تم اكتشافها
في شي نقارنو فيها؟
اي .. في نموذج معروف بال segmentation اسمو Segment Any Thing (SAM) .. و هو نموذج مدرب ععدد ضخم جدًا من الصور و بشكل supervised و عدد بارامتراتو 641 مليون ..
النموذج يلي بهالورقة أفضل ببعض النواحي و بمستوى SAM بنواحي أخرى .. بس باستعمال 3.7 مليون بارامتر بس!
طبعًا فكرة ال tokenization هي فينا نربطها بمجال اسمو object-centric representation learning .. يلي بيهتم بفكرة الاعتماد عتشكيل تمثيلات الصور بناء عالأغراض يلي بالصورة .. و هالشي بساعد كتير عاستعمال هالتمثيلات لتحقيق OOD Generalization (شي حكينا عنو ببوست سابق).
أولا شو فائدة فكرة ال subword؟
الفائدة انو هالفكرة بتخلي النموذج يستفيد من ال morphology تبع الكلمات..يعني مثلًا بدل ما النموذج يتعلم شي مستقل ل play و playing .. الأفضل يتعلم الأفعال لحال و الأمور الإضافية لحال بحيث فيه يعمم بشكل أفضل .. خاصة انو ما ضروري كل هالتعديلات عالكلمات تكون موجودة بشكل كبير بالبيانات
شو علاقة هالشي بال computer vision؟؟
لما نستعمل صور .. العادة كانت انو نمررها للصورة متل ما هيي .. هاد الشي أولًا مشابه لانو نستعمل الأحرف بدل ال subword و هاد بيخلي التعلم أصعب عالنموذج
لما تم الانتقال لل transformer .. صار ينعطى بدل بكسل بكسل .. شي منسميه patch و هو عبارة عن مربع .. مثلا 16x16 بحيث يعتبر هاد token واحد مقابل للكلمات
هل فكرة ال patch مثالية؟
بالرغم من سهولة التقسيم بهاد الشكل .. بس هالفكرة ما بتاخد بعين الاعتبار ال morphology تبع الصور (مثلًا الأغراض المختلفة و أشكالها) ..
هاد الشي بيأدي لمشاكل متل ال polysemanticity يلي هيي انو أكتر من مفهوم موجود ضمن نفس ال patch و هالشي بصعب عملية التعلم و ممكن يؤدي لمشاكل overfitting كتير بسبب انو الخليط يلي رح يصير عن طريق هاد التقسيم ممكن ما يتكرر كتير بالبيانات و يتعلم النموذج يربطو بخرج معين مثلًا
شو ممكن نعمل كحل بسيط؟
الحل الأبسط هو انو نقلل حجم ال patch .. بالحالة ال extreme نوصل لنمرر بكسلات .. بس هاد الشي مانو عملي أبدًا لانو رح يزيد عدد ال tokens يلي رح نمررا للنموذج و بالتالي يصعب المهمة عالنموذج و يزيد التعقيد الحسابي
شو الحل يلي مقترح بهي الورقة؟
الحل المقترح هو بيتبع لفكرة ال segmentation .. و يلي هيي انو يتم الاعتماد عهي التقنيات بحيث يتم تقسيم الصورة لأجزاء مختلفة مرتبطة بدل تقسيم لمربعات عشوائية .. مثلًا البكسلات يلي بتتبع لغرض معين ( أو لجزء من غرض) تعتبر token واحد
طيب شو الجديد؟ ما فكرة ال segmentation موجودة من زمان؟
الحل المقترح من هي الورقة بيعتمد عاستعمال خوارزميات بسيطة بدل نماذج معقدة جدًا .. و بالتالي بسهل استعمال فكرة ال tokenization هي بشكل أفضل .. بالإضافة لاقتراح نماذج قادرة عاستعمال هاد الشكل من ال tokenization (التفاصيل بالورقة) .. حيث بالبداية بيتم توقع ال boundaries .. يعني حدود الأغراض و أجزائها .. و بيتم استعمال خوارزمية اسمها watershed لتحديد كل بكسل لأي جزء بيتبع بناء عال boundaries يلي تم اكتشافها
في شي نقارنو فيها؟
اي .. في نموذج معروف بال segmentation اسمو Segment Any Thing (SAM) .. و هو نموذج مدرب ععدد ضخم جدًا من الصور و بشكل supervised و عدد بارامتراتو 641 مليون ..
النموذج يلي بهالورقة أفضل ببعض النواحي و بمستوى SAM بنواحي أخرى .. بس باستعمال 3.7 مليون بارامتر بس!
طبعًا فكرة ال tokenization هي فينا نربطها بمجال اسمو object-centric representation learning .. يلي بيهتم بفكرة الاعتماد عتشكيل تمثيلات الصور بناء عالأغراض يلي بالصورة .. و هالشي بساعد كتير عاستعمال هالتمثيلات لتحقيق OOD Generalization (شي حكينا عنو ببوست سابق).
❤6
أحد النظريات يلي بتعتمد عليها أغلب النماذج هيي ال Manifold Hypothesis يلي بتعتبر انو البيانات يلي بالأصل ممثلة بفضاء ذو أبعاد كبير قابلة للتمثيل ب manifold ذو أبعاد أقل. فائدة هي النظرية كبيرة، و بنفس الوقت بتكشفلنا أسباب مشكلة مهمة جدًا هيي ال Thin Manifold Problem و يلي نحنا غالبًا عمنطبق حلول الها بس ما كنا منعرف! (انتقل لآخر البوست لتعرف اذا عمتطبق هالأمور او لا)
شو هو الفضاء ذو الأبعاد الكبيرة ضمن ال AI؟
في كتير أمثلة، منها الصور. فعليًا الصورة بتمثيلها المباشر عبارة عن بكسلات. كل صورة بالتالي ضمن فضاء معرف بال resolution تبعها و القيم الممكنة للبكسلات.
شو هو ال manifold؟
لتبسيط الأمور فينا نعتبرو عبارة عن surface ذو أبعاد أقل من أبعاد الفضاء الأصلي. مثال بسيط هو ال shpere (يلي هو عبارة عن سطح كرة ثلاثية الأبعاد بس هو ثنائي الأبعاد).
شو بهمنا هيك شي؟
أول أهمية و يلي هيي نقطة إيجابية، مرتبطة بفكرة ال embedding. لو انو هالنظرية خطأ بشكل كامل، فكان مستحيل تمثيل صورة مثلًا بأبعاد أقل من ال resolution تبعها، بس منعرف انو هاد الشي ما صح، و النماذج الحديثة عمتكون قادرة تمثل الصورة (تحولها ل embedding) بأبعاد أقل بكتير من أبعادها الأصلية.
شو المشاكل يلي ممكن تفسيرها مع هيك نظرية؟
أحد المشاكل الجوهرية هيي مع ال Maximum Likelihood Estimation (MLE) .. يلي بحاول انو يلاقي ال distribution يلي أكتر شي قريب عال true distribution (رح احكي اكتر عن هالامور لاحقًا).
مشكلة هيك شي هيي انو ال MLE بيتعامل مع الفضاء الأصلي..يلي منسميه ال ambient space .. يعني فضاء الدخل (البكسلات) يلي هو أبعادو أكبر بكتير من أبعاد ال manifold يلي الداتا بتتبع الو.
بهيك حالة، ال distribution تبع الداتا غير معرف. لانو فعليًا لما بكون عنا أي فضاء ضمني أبعادو أصغر من الفضاء الأصلي، بيكون احتمال وقوع أي عينة ضمن هاد الفضاء الجزئي هيي صفر (بسبب وجود عدد لا نهائي من العينات ضمن أي فضاء جزئي).
هالشي رح يخلي ال MLE يحاول يخلي احتمال أي نقطة خارج هاد ال manifold هيي صفر، و ضمن ال manifold (يلي هو infinitesimally thin) لا نهاية و رح يسبب مشاكل كتير بالتدريب غير مشاكل ال robustness تبع النموذج. هي المشكلة اسمها the Thin Manifold Problem.
هل في حلول الها؟
اي .. و غالبا انت عمتطبق هي الحلول بلا ما تعرف انو أحد أسباب تطبيقها هو هي المشكلة.
أحد الحلول هو إضافة Gaussian noise حول ال manifold بحيث تكون أبعاد ال Gaussian نفس أبعاد الفضاء(فعليا لما تضيف noise عكل بكسل انت عمتعمل هاد الحل). هاد الشي بخلي يكون في متل tube حول هاد ال manifold و بيعطيه حجم و بالتالي بصير ال distribution معرف و ما بقى بتكون عنا المشكلة. بس إذا ضفنا كتير noise رح يصير تمثيل البيانات سيء و إذا قللنا رح يكون في مشاكل بال robustness.
ال data augmentation ممكن تلعب دور بهاد الموضوع بشكل مشابه.
ال regularization بيلعب دور بحل هي المشكلة كمان بس عن طريق معالجة الناتج مو السبب. هو بيمنع تصير الأوزان لا نهائية يلي هو شي بصير لما يحاول النموذج يحط احتمالات لا نهائية عال thin manifold.
في كتير حلول تانية بس هي يلي غالبًا عميتم تطبيقهن و ما منعرف ليش 😁 طبعًا كل الحلول السابقة هيي بتفيد بأمور تانية كمان بس الشي الجوهري فيها هو فكرة نحل هي المشكلة.
شو هو الفضاء ذو الأبعاد الكبيرة ضمن ال AI؟
في كتير أمثلة، منها الصور. فعليًا الصورة بتمثيلها المباشر عبارة عن بكسلات. كل صورة بالتالي ضمن فضاء معرف بال resolution تبعها و القيم الممكنة للبكسلات.
شو هو ال manifold؟
لتبسيط الأمور فينا نعتبرو عبارة عن surface ذو أبعاد أقل من أبعاد الفضاء الأصلي. مثال بسيط هو ال shpere (يلي هو عبارة عن سطح كرة ثلاثية الأبعاد بس هو ثنائي الأبعاد).
شو بهمنا هيك شي؟
أول أهمية و يلي هيي نقطة إيجابية، مرتبطة بفكرة ال embedding. لو انو هالنظرية خطأ بشكل كامل، فكان مستحيل تمثيل صورة مثلًا بأبعاد أقل من ال resolution تبعها، بس منعرف انو هاد الشي ما صح، و النماذج الحديثة عمتكون قادرة تمثل الصورة (تحولها ل embedding) بأبعاد أقل بكتير من أبعادها الأصلية.
شو المشاكل يلي ممكن تفسيرها مع هيك نظرية؟
أحد المشاكل الجوهرية هيي مع ال Maximum Likelihood Estimation (MLE) .. يلي بحاول انو يلاقي ال distribution يلي أكتر شي قريب عال true distribution (رح احكي اكتر عن هالامور لاحقًا).
مشكلة هيك شي هيي انو ال MLE بيتعامل مع الفضاء الأصلي..يلي منسميه ال ambient space .. يعني فضاء الدخل (البكسلات) يلي هو أبعادو أكبر بكتير من أبعاد ال manifold يلي الداتا بتتبع الو.
بهيك حالة، ال distribution تبع الداتا غير معرف. لانو فعليًا لما بكون عنا أي فضاء ضمني أبعادو أصغر من الفضاء الأصلي، بيكون احتمال وقوع أي عينة ضمن هاد الفضاء الجزئي هيي صفر (بسبب وجود عدد لا نهائي من العينات ضمن أي فضاء جزئي).
هالشي رح يخلي ال MLE يحاول يخلي احتمال أي نقطة خارج هاد ال manifold هيي صفر، و ضمن ال manifold (يلي هو infinitesimally thin) لا نهاية و رح يسبب مشاكل كتير بالتدريب غير مشاكل ال robustness تبع النموذج. هي المشكلة اسمها the Thin Manifold Problem.
هل في حلول الها؟
اي .. و غالبا انت عمتطبق هي الحلول بلا ما تعرف انو أحد أسباب تطبيقها هو هي المشكلة.
أحد الحلول هو إضافة Gaussian noise حول ال manifold بحيث تكون أبعاد ال Gaussian نفس أبعاد الفضاء(فعليا لما تضيف noise عكل بكسل انت عمتعمل هاد الحل). هاد الشي بخلي يكون في متل tube حول هاد ال manifold و بيعطيه حجم و بالتالي بصير ال distribution معرف و ما بقى بتكون عنا المشكلة. بس إذا ضفنا كتير noise رح يصير تمثيل البيانات سيء و إذا قللنا رح يكون في مشاكل بال robustness.
ال data augmentation ممكن تلعب دور بهاد الموضوع بشكل مشابه.
ال regularization بيلعب دور بحل هي المشكلة كمان بس عن طريق معالجة الناتج مو السبب. هو بيمنع تصير الأوزان لا نهائية يلي هو شي بصير لما يحاول النموذج يحط احتمالات لا نهائية عال thin manifold.
في كتير حلول تانية بس هي يلي غالبًا عميتم تطبيقهن و ما منعرف ليش 😁 طبعًا كل الحلول السابقة هيي بتفيد بأمور تانية كمان بس الشي الجوهري فيها هو فكرة نحل هي المشكلة.
❤3
مرحبا جميعًا 😁
بما انو المحاضرة يلي عملناها بجامعة اللاذقية ما قدرو منيح عالم يحضروها .. و بسبب انو في عالم من محافظات تانية كمان كانت حابة تحضر..رح نرجع نعملها و بشكل أوسع اونلاين خلال أيلول
هالمرة رح يكون event كامل مو بس محاضرة وحدة .. رح يكون في محاضرة شبيهة باللي انعطت بجامعة اللاذقية + رح يكون في speakers من اختصاصات مختلفة لحتى يحكولكن تجربتهن بالشغل ضمن المجال و تستفيدو بشكل أكبر
التفاصيل مع المعلومات عن ال speakers رح ننزلها بشكل تدريجي من هون لوقت ال event
stay tuned 😎🔥
بما انو المحاضرة يلي عملناها بجامعة اللاذقية ما قدرو منيح عالم يحضروها .. و بسبب انو في عالم من محافظات تانية كمان كانت حابة تحضر..رح نرجع نعملها و بشكل أوسع اونلاين خلال أيلول
هالمرة رح يكون event كامل مو بس محاضرة وحدة .. رح يكون في محاضرة شبيهة باللي انعطت بجامعة اللاذقية + رح يكون في speakers من اختصاصات مختلفة لحتى يحكولكن تجربتهن بالشغل ضمن المجال و تستفيدو بشكل أكبر
التفاصيل مع المعلومات عن ال speakers رح ننزلها بشكل تدريجي من هون لوقت ال event
stay tuned 😎🔥
🔥8❤3
مرحبًا جميعًا،
لحتى نوضح الفكرة من هاد ال event للأشخاص يلي ما سمعو عن المحاضرة يلي عملناها سابقًا بجامعة اللاذقية. (يلي حابب يشارك معنا كمتحدث يقرا آخر البوست)
ال event موجه لطلاب السنة التالتة يلي عمتفكر تدخل اختصاص ذكاء صناعي السنة الجاية و اسا مترددة أو ما بتعرف كيف تبلش.
بالإضافة لأي شخص حابب يدخل بالمجال ولو مانو طالب.
في حال كان في حضور كبير رح كمان نوزع عدد من ال scholarships.
رح يكون في محاضرة بالبداية لشرح المفاهيم العامة بالمجال و الإجابة عبعض الأسئلة الشائعة و تقديم roadmap للي حابب يبلش بالمجال.. بعدها رح يكون في يوم أو أكتر (حسب عدد الحضور) مخصصين لتتعرفو عجوانب مختلفة من الشغل بهاد المجال.
رح يكون في عدة متحدثين من شركات مختلفة بحيث يخبروكن شو عميشتغلو لتاخدو فكرة + رح يكون في وقت إذا عندكن استفسارات تسألوهن ياها
أسماء المتحدثين رح نعلن عنها بالتدريج خلال الفترة الجاية.
إذا حابب تشارك كمتحدث و تنقل خبرتك للطلاب الجدد، فيك تتواصل معنا عالمسنجر (او رسالة عال LinkedIn).
في شروط بسيطة لازم تحققها و هيي انو تكون واحد من تنين:
1. عندك خبرة عالأقل 6 أشهر بالشغل ضمن مجال ال AI (ضمن شركة) أو خبرة سنة freelancing عالأقل.
2. أو انك عمتدرس ماستر بجامعة برا باختصاص AI أو عندك أبحاث بالمجال.
في حال ما كنت محقق أحد الشرطين بس شايف انو ممكن تساعد فيك تتواصل معنا كمان لنقيم الموضوع.
Stay tuned 😎🔥
لحتى نوضح الفكرة من هاد ال event للأشخاص يلي ما سمعو عن المحاضرة يلي عملناها سابقًا بجامعة اللاذقية. (يلي حابب يشارك معنا كمتحدث يقرا آخر البوست)
ال event موجه لطلاب السنة التالتة يلي عمتفكر تدخل اختصاص ذكاء صناعي السنة الجاية و اسا مترددة أو ما بتعرف كيف تبلش.
بالإضافة لأي شخص حابب يدخل بالمجال ولو مانو طالب.
في حال كان في حضور كبير رح كمان نوزع عدد من ال scholarships.
رح يكون في محاضرة بالبداية لشرح المفاهيم العامة بالمجال و الإجابة عبعض الأسئلة الشائعة و تقديم roadmap للي حابب يبلش بالمجال.. بعدها رح يكون في يوم أو أكتر (حسب عدد الحضور) مخصصين لتتعرفو عجوانب مختلفة من الشغل بهاد المجال.
رح يكون في عدة متحدثين من شركات مختلفة بحيث يخبروكن شو عميشتغلو لتاخدو فكرة + رح يكون في وقت إذا عندكن استفسارات تسألوهن ياها
أسماء المتحدثين رح نعلن عنها بالتدريج خلال الفترة الجاية.
إذا حابب تشارك كمتحدث و تنقل خبرتك للطلاب الجدد، فيك تتواصل معنا عالمسنجر (او رسالة عال LinkedIn).
في شروط بسيطة لازم تحققها و هيي انو تكون واحد من تنين:
1. عندك خبرة عالأقل 6 أشهر بالشغل ضمن مجال ال AI (ضمن شركة) أو خبرة سنة freelancing عالأقل.
2. أو انك عمتدرس ماستر بجامعة برا باختصاص AI أو عندك أبحاث بالمجال.
في حال ما كنت محقق أحد الشرطين بس شايف انو ممكن تساعد فيك تتواصل معنا كمان لنقيم الموضوع.
Stay tuned 😎🔥
❤5
رابط ال event عال Facebook:
https://www.facebook.com/share/1ESKrBPAXC/
https://www.facebook.com/share/1ESKrBPAXC/
Facebook
Log in or sign up to view
See posts, photos and more on Facebook.
❤1
أول بوست تعريفي بالمتحدثين ضمن ال event .. المهندس عمر رح يعرفكن عن حالو 👇🏻👇🏻
أنا عمر مجاهد من دمشق، سوريا.
تخرجت من كلية الهندسة المعلوماتية باختصاص الذكاء الصنعي في الجامعة العربية الدولية.
أعمل كـ AI Engineer في شركة Rachis System منذ عام تقريباً، بمجال ال Research and Development.
تخصصي الأساسي هو التعلم المُعَزِّز (Reinforcement Learning)، وهو أحد فروع تعلم الآلة الذي يعتمد على التجربة والخطأ، مما يُمكّن الذكاء الاصطناعي من اتخاذ قرارات أفضل مع الوقت. من خلال عملي، أتعامل مع مشكلات وبيئات متنوعة؛ على سبيل المثال، يمكن استخدام تقنيات التعلم المُعَزِّز للتحكم بإشارات المرور بهدف تقليل الازدحام المروري، أو لقيادة الطائرات المسيّرة (الدرونز) وتنفيذ مهام معقدة وصعبة تحتاج التفاعل مع بيئة معينة ليتم تعلمها , برأيي، التعلم المُعَزِّز هو أجمل فروع الذكاء الاصطناعي وأكثرها قرباً إلى طريقة تفكيرنا كبشر.
أنا عمر مجاهد من دمشق، سوريا.
تخرجت من كلية الهندسة المعلوماتية باختصاص الذكاء الصنعي في الجامعة العربية الدولية.
أعمل كـ AI Engineer في شركة Rachis System منذ عام تقريباً، بمجال ال Research and Development.
تخصصي الأساسي هو التعلم المُعَزِّز (Reinforcement Learning)، وهو أحد فروع تعلم الآلة الذي يعتمد على التجربة والخطأ، مما يُمكّن الذكاء الاصطناعي من اتخاذ قرارات أفضل مع الوقت. من خلال عملي، أتعامل مع مشكلات وبيئات متنوعة؛ على سبيل المثال، يمكن استخدام تقنيات التعلم المُعَزِّز للتحكم بإشارات المرور بهدف تقليل الازدحام المروري، أو لقيادة الطائرات المسيّرة (الدرونز) وتنفيذ مهام معقدة وصعبة تحتاج التفاعل مع بيئة معينة ليتم تعلمها , برأيي، التعلم المُعَزِّز هو أجمل فروع الذكاء الاصطناعي وأكثرها قرباً إلى طريقة تفكيرنا كبشر.
❤5
بهاد البوست .. رح يعرفكن المهندس Ali Hamama عن حالو 👇🏻👇🏻
أنا علي حمامة، خريج كلية الهندسة المعلوماتية – تخصص الذكاء الاصطناعي – من جامعة اللاذقية.
أعمل حالياً كمهندس ذكاء اصطناعي في شركة Micropolis Robotics، عملي حالياً يتمحور حول مجال الرؤية الحاسوبية (Computer Vision) لتطوير أنظمة مراقبة ذكية للطرق وتحليل سلوك مستخدميها.
يسعدني أن أشارككم تفاصيل مشواري في هذا المجال، وأن أجيب عن أي أسئلة تتعلق بسوق العمل في الإمارات، خصوصاً في مجال الذكاء الاصطناعي والروبوتات.
أنا علي حمامة، خريج كلية الهندسة المعلوماتية – تخصص الذكاء الاصطناعي – من جامعة اللاذقية.
أعمل حالياً كمهندس ذكاء اصطناعي في شركة Micropolis Robotics، عملي حالياً يتمحور حول مجال الرؤية الحاسوبية (Computer Vision) لتطوير أنظمة مراقبة ذكية للطرق وتحليل سلوك مستخدميها.
يسعدني أن أشارككم تفاصيل مشواري في هذا المجال، وأن أجيب عن أي أسئلة تتعلق بسوق العمل في الإمارات، خصوصاً في مجال الذكاء الاصطناعي والروبوتات.
❤13
بهاد البوست .. رح يعرفكن المهندس Kais Hasan عن حالو 👇🏻👇🏻
مرحبا .. أنا قيس حسن .. الخريج الأول عقسم الذكاء الصنعي بكلية الهندسة المعلوماتية - جامعة اللاذقية
عندي خبرة سنتين بالشغل كمهندس ذكاء صنعي بقسم البحث و التطوير بشركة Scase مع شركة INTENTA الألمانية.. شغلي كان بال computer vision و بالتحديد بشي اسمو model compression لحتى فينا نشغل نماذج الذكاء عالأجهزة يلي قدراتها الحسابية محدودة (متل كاميرا مراقبة مثلا).
عندي خبرة سنتين كمان بالشغل ك NLP Specialist بشركة الأسس .. لتطوير Coding Assistant.
أسست فريق DeepTorch من سنتين بحيث انقل خبرتي بالتدريب يلي بنيتها بالمسابقة البرمجية ICPC لمساعدة طلاب الذكاء الصنعي يتعلمو بالشكل العلمي الصحيح .. و عمنحاول نوسع نشاطاتنا بشكل دوري و منها هاد ال event 😁
مرحبا .. أنا قيس حسن .. الخريج الأول عقسم الذكاء الصنعي بكلية الهندسة المعلوماتية - جامعة اللاذقية
عندي خبرة سنتين بالشغل كمهندس ذكاء صنعي بقسم البحث و التطوير بشركة Scase مع شركة INTENTA الألمانية.. شغلي كان بال computer vision و بالتحديد بشي اسمو model compression لحتى فينا نشغل نماذج الذكاء عالأجهزة يلي قدراتها الحسابية محدودة (متل كاميرا مراقبة مثلا).
عندي خبرة سنتين كمان بالشغل ك NLP Specialist بشركة الأسس .. لتطوير Coding Assistant.
أسست فريق DeepTorch من سنتين بحيث انقل خبرتي بالتدريب يلي بنيتها بالمسابقة البرمجية ICPC لمساعدة طلاب الذكاء الصنعي يتعلمو بالشكل العلمي الصحيح .. و عمنحاول نوسع نشاطاتنا بشكل دوري و منها هاد ال event 😁
❤19
ملاحظة: يلي حابب ينضم اسا للايفينت و عندو شي مفيد يحكيه يا ريت يتواصل معنا. حتى في حال كنت طالب و حابب تحكي تجربتك بجامعتك كمان ممكن نخصص يوم لهالشي.
بهاد البوست .. رح يعرفكن المهندس Esmaeel Hilal عن حالو 👇🏻👇🏻
أنا اسماعيل هلال، خريج ميكاترونيكس – من جامعة حلب.
اهتمامي الأساسي بمجال الذكاء الاصطناعي و تحديدًا ال Computer Vision.
عندي خبرة عمل 6 شهور بشركة Syriatel كمهندس ذكاء اصطناعي و شغلي كان object detection. حاليًا أنا مهتم بتطوير حلول لمشكلة الاستجابة للكوارث.
رح كون موجود خلال الايفينت بحيث عرفكن عن شغلي و جاوب عن أي أسئلة.
بهاد البوست .. رح يعرفكن المهندس Esmaeel Hilal عن حالو 👇🏻👇🏻
أنا اسماعيل هلال، خريج ميكاترونيكس – من جامعة حلب.
اهتمامي الأساسي بمجال الذكاء الاصطناعي و تحديدًا ال Computer Vision.
عندي خبرة عمل 6 شهور بشركة Syriatel كمهندس ذكاء اصطناعي و شغلي كان object detection. حاليًا أنا مهتم بتطوير حلول لمشكلة الاستجابة للكوارث.
رح كون موجود خلال الايفينت بحيث عرفكن عن شغلي و جاوب عن أي أسئلة.
❤5
مرحبا جميعًا 😁
رح نبلش الايفينت يوم الجمعة القادم ب 19 الشهر ببث تجريبي عالساعة 5 المسا .. البث رح يكون قصير و الهدف منو هو:
1. تتعرفو أكتر عالفئة المستهدفة من الايفينت و إذا بناسبكن أو لا
2. تقدرو تسألو أي أسئلة عن الايفينت
3. نعلن عن المواعيد و المحتوى يلي رح يتم عرضو
4. تجربة تقنية بحيث إذا كان في أي مشاكل فينا نعالجها
البث رح يكون عصفحتنا عالفيسبوك و رح نتركو عالصفحة بحيث يلي ما صرلو يحضرو مباشر فيه يحضرو بعدين
رح نبلش الايفينت يوم الجمعة القادم ب 19 الشهر ببث تجريبي عالساعة 5 المسا .. البث رح يكون قصير و الهدف منو هو:
1. تتعرفو أكتر عالفئة المستهدفة من الايفينت و إذا بناسبكن أو لا
2. تقدرو تسألو أي أسئلة عن الايفينت
3. نعلن عن المواعيد و المحتوى يلي رح يتم عرضو
4. تجربة تقنية بحيث إذا كان في أي مشاكل فينا نعالجها
البث رح يكون عصفحتنا عالفيسبوك و رح نتركو عالصفحة بحيث يلي ما صرلو يحضرو مباشر فيه يحضرو بعدين
❤7
DeepTorch
مرحبا جميعًا 😁 رح نبلش الايفينت يوم الجمعة القادم ب 19 الشهر ببث تجريبي عالساعة 5 المسا .. البث رح يكون قصير و الهدف منو هو: 1. تتعرفو أكتر عالفئة المستهدفة من الايفينت و إذا بناسبكن أو لا 2. تقدرو تسألو أي أسئلة عن الايفينت 3. نعلن عن المواعيد و المحتوى…
Facebook
Log in or sign up to view
See posts, photos and more on Facebook.
❤3
المحاضرة الأولى رح تبلش خلال أقل من 20 دقيقة عالرابط التالي:
https://www.facebook.com/share/v/19hUnmkQxy/
https://www.facebook.com/share/v/19hUnmkQxy/
Facebook
Log in or sign up to view
See posts, photos and more on Facebook.
🔥3
جلسة اليوم من الايفينت رح تكون لنتعرف على عدة مجالات ضمن ال AI و نسمع قصص مجموعة مهندسين مختصين بالمجال. استغلوا الفرصة لتسألو ضمن المجال يلي مهتمين فيه.
الجلسة رح تبلش خلال 15 دقيقة على صفحتنا على الفيسبوك
https://www.facebook.com/share/v/1BoSnGQNEF/
الجلسة رح تبلش خلال 15 دقيقة على صفحتنا على الفيسبوك
https://www.facebook.com/share/v/1BoSnGQNEF/
🔥4
بنهاية الايفينت .. حابين نشكر المهندسين يلي خصصوا جزء من وقتهن لحتى يساعدو الطلاب و يحكولنا عن تجربتهن بالمجال
منتمنى نكون قدمنا ولو فائدة بسيطة لأي حدا مفكر يختص .. و أي سؤال بيخطر عبالكن قبل ما تسجلو بالاختصاص و ما جاوبنا عليه .. فيكن تسألوه عبريد صفحة الفيسبوك
فورم المنحة متل ما حكينا انشالله بينزل بنهاية الأسبوع القادم .. و ال roadmap تقريبا بنفس الوقت
موفقين ❤️
منتمنى نكون قدمنا ولو فائدة بسيطة لأي حدا مفكر يختص .. و أي سؤال بيخطر عبالكن قبل ما تسجلو بالاختصاص و ما جاوبنا عليه .. فيكن تسألوه عبريد صفحة الفيسبوك
فورم المنحة متل ما حكينا انشالله بينزل بنهاية الأسبوع القادم .. و ال roadmap تقريبا بنفس الوقت
موفقين ❤️
❤10
مرحبا جميعًا
الفورم للتسجيل عالمنحة صار متاح 😁
https://forms.gle/La2pNAtVfAX7xwKJ7
للتذكير .. فقط الأشخاص يلي حضرو الايفينت من حقهن يسجلو .. اذا ما فيك حضرت الايفينت لسبب خارج عن إرادتك فيك تتواصل معنا و ممكن تاخد فرصة
هي آخر منحة رح تكون خلال هالسنة (غالبًا) .. العدد يلي غالبًا نقبلو هو طالبين/طالبات .. بس هالشي ممكن يختلف حسب جودة الطلبات يلي رح توصل
يا ريت تهتمو بشكل كتير كبير برسالة الدافع خلال التقديم .. أهم معيارين بالقبول هنن دافعك لتعلم المجال + انو نكون قادرين نشوف انك شخص ملتزم و رح تلتزم لتحقق أهدافك
التسجيل مفتوح لمدة 20 يوم .. بعدها رح يكون في 10 أيام لحتى نحدد المقبولين و نتواصل معهن عبر الايميل و بعدها نعلن النتائج
بالتوفيق جميعًا ❤️
الفورم للتسجيل عالمنحة صار متاح 😁
https://forms.gle/La2pNAtVfAX7xwKJ7
للتذكير .. فقط الأشخاص يلي حضرو الايفينت من حقهن يسجلو .. اذا ما فيك حضرت الايفينت لسبب خارج عن إرادتك فيك تتواصل معنا و ممكن تاخد فرصة
هي آخر منحة رح تكون خلال هالسنة (غالبًا) .. العدد يلي غالبًا نقبلو هو طالبين/طالبات .. بس هالشي ممكن يختلف حسب جودة الطلبات يلي رح توصل
يا ريت تهتمو بشكل كتير كبير برسالة الدافع خلال التقديم .. أهم معيارين بالقبول هنن دافعك لتعلم المجال + انو نكون قادرين نشوف انك شخص ملتزم و رح تلتزم لتحقق أهدافك
التسجيل مفتوح لمدة 20 يوم .. بعدها رح يكون في 10 أيام لحتى نحدد المقبولين و نتواصل معهن عبر الايميل و بعدها نعلن النتائج
بالتوفيق جميعًا ❤️
❤7