🔥 إليكم دورة مجانية لاحتراف تدريب وضبط النماذج اللغوية الكبيرة LLM's.
أكثر من 60 فيديو ودرس حول تدريب وضبط النماذج اللغوية الكبيرة ونشرها في تطبيقات الإنتاج.
ستستغرق الدورة حوالي 40 ساعة. إنها تجمع بين النظريات والمفاهيم الأساسية والتقنيات الجديدة وتطبيقها في العالم الحقيقي.
إليك بعض أبرز محتويات الدورة:
• ستتعلم كيفية تدريب نموذج لغوي كبير LLM من الصفر.
• ستعمل على أكثر من 10 مشاريع تطبيقية.
• ستقوم بضبط (fine-tune) لنماذج مخصصة لحل حالات استخدام حقيقية.
• ستتعلم كيفية استخدام الـ CPU للعمل مع النماذج اللغوية الكبيرة كبديل لوحدات المعالجة الرسومية GPU.
هناك شيئان يجعلان هذه الدورة رائعة:
1. إنها تغطي العمل مع نماذج لغوية كبيرة مفتوحة المصدر ومغلقة المصدر باستخدام الـ CPU والـ GPU. معظم الدورات الأخرى مخصصة لنوع واحد فقط، ولكن هنا ستتعلم كيفية العمل مع أفضل الحلول المتاحة.
2. ستقوم بإنشاء مشاريع عملية في العالم الحقيقي، بما في ذلك ضبط نموذج لغوي مفتوح المصدر لتطبيق مالي وتدريب نموذج مخصص لاستخراج العلاقات بين الأدوية والأمراض.
الأشخاص الذين يستوفون الشروط سيحصلون على ائتمانات مجانية من LambdaAPI وCohere للممارسة.
ستتلقى شهادة بعد اكتمال الدورة. يمكنك الانضمام مجانًا عبر الرابط التالي:
https://learn.activeloop.ai/courses/llms
أكثر من 60 فيديو ودرس حول تدريب وضبط النماذج اللغوية الكبيرة ونشرها في تطبيقات الإنتاج.
ستستغرق الدورة حوالي 40 ساعة. إنها تجمع بين النظريات والمفاهيم الأساسية والتقنيات الجديدة وتطبيقها في العالم الحقيقي.
إليك بعض أبرز محتويات الدورة:
• ستتعلم كيفية تدريب نموذج لغوي كبير LLM من الصفر.
• ستعمل على أكثر من 10 مشاريع تطبيقية.
• ستقوم بضبط (fine-tune) لنماذج مخصصة لحل حالات استخدام حقيقية.
• ستتعلم كيفية استخدام الـ CPU للعمل مع النماذج اللغوية الكبيرة كبديل لوحدات المعالجة الرسومية GPU.
هناك شيئان يجعلان هذه الدورة رائعة:
1. إنها تغطي العمل مع نماذج لغوية كبيرة مفتوحة المصدر ومغلقة المصدر باستخدام الـ CPU والـ GPU. معظم الدورات الأخرى مخصصة لنوع واحد فقط، ولكن هنا ستتعلم كيفية العمل مع أفضل الحلول المتاحة.
2. ستقوم بإنشاء مشاريع عملية في العالم الحقيقي، بما في ذلك ضبط نموذج لغوي مفتوح المصدر لتطبيق مالي وتدريب نموذج مخصص لاستخراج العلاقات بين الأدوية والأمراض.
الأشخاص الذين يستوفون الشروط سيحصلون على ائتمانات مجانية من LambdaAPI وCohere للممارسة.
ستتلقى شهادة بعد اكتمال الدورة. يمكنك الانضمام مجانًا عبر الرابط التالي:
https://learn.activeloop.ai/courses/llms
Activeloop
Free Course on Training & Fine-Tuning LLMs for Production
Master Large Language Models with 60+ Theory Lessons and 10+ Practical Projects. Join 15K+ Engineers in Learning How to Train & Fine-Tune LLMs for Production.
🔥 من أفضل دورات البرمجة للمبتدئين :البرمجة للجميع ✔️
من جامعة ميشيغان (محتوى الدورة مجاني - 20 ساعة تعليمية)
https://www.coursera.org/learn/python
من جامعة ميشيغان (محتوى الدورة مجاني - 20 ساعة تعليمية)
https://www.coursera.org/learn/python
Coursera
Programming for Everybody (Getting Started with Python)
Offered by University of Michigan. This course aims to ... Enroll for free.
كلما رأيت ذاتك المستقبلية على أنها شخص آخر؛ كلما زاد احتمال أن تمنح هذه الذات نفس العبء الثقيل من العمل الذي ستمنحه لأي شخص آخر غريبٍ عنك، لهذا تؤجل وتسوّف الأمور إلى الغد.
كي ترتاح أنت اليوم ويتحمل ذلك الشخص الآخر تبعاتِ التأجيل ..
فقط تذكر جيداً أن ذلك الشخص هو "أنت" ، وأن ذلك اليوم سيكون اليوم الذي تجني فيه نتيجة كل قرار مهم تستمتع بتاجيله الآن .
كي ترتاح أنت اليوم ويتحمل ذلك الشخص الآخر تبعاتِ التأجيل ..
فقط تذكر جيداً أن ذلك الشخص هو "أنت" ، وأن ذلك اليوم سيكون اليوم الذي تجني فيه نتيجة كل قرار مهم تستمتع بتاجيله الآن .
تسريب جديد من Google : جوجل تعمل على مشروع ذكاء اصطناعي سري إسمه "Stubbs"
لا تكتفي Google بالعمل الآن على Gemini، نموذج الذكاء الاصطناعي الذي يقال أنه الأكبر على الإطلاق، فهناك تسريب يشير إلى وجود أداة أخرى قيد التطوير تسمى Stubbs. تسمح هذه الأداة الذي ستتوفر على Google Makersuite بإنشاء تطبيقات ذكاء اصطناعي أساسية بدون كتابة أي كود، وبشكل بصري، يسمح لأي شخص بتطوير تطبيقات متقدمة جداً بدون أي سطر من الكود!
هذا قد يكون له تأثير مهم على مجال الـNoCode
لا تكتفي Google بالعمل الآن على Gemini، نموذج الذكاء الاصطناعي الذي يقال أنه الأكبر على الإطلاق، فهناك تسريب يشير إلى وجود أداة أخرى قيد التطوير تسمى Stubbs. تسمح هذه الأداة الذي ستتوفر على Google Makersuite بإنشاء تطبيقات ذكاء اصطناعي أساسية بدون كتابة أي كود، وبشكل بصري، يسمح لأي شخص بتطوير تطبيقات متقدمة جداً بدون أي سطر من الكود!
هذا قد يكون له تأثير مهم على مجال الـNoCode
كنت أظن أن الفيديو تأخر عن وقته ولكن قدر الله أن يكون ذلك أفضل, لأن الآن هو الوقت المناسب وقد بدأت تخفت الأصوات وبدأ الناس يتعبون، تابعوا الحلقة إنها شيء مختلف:
https://youtu.be/3J6bQe4HHfc
https://youtu.be/3J6bQe4HHfc
YouTube
أنا وأنت: كيف خذلنا القضية؟ وكيف ننصرها؟
فحتى ونحن صغار، لا نعي معنى الصراع بعد، أتذكر أننا كنا نبكي ونتألم للمشاهد التي كان ينقلها إلينا على استحياء التلفاز. لقد كانت قلوبنا في المكان الصحيح . لم نكن بحاجة لمشاهدة مائة ألف مقطع، فلقد عرفنا أين نقف ونحن أبناء تسع أو عشر!
القضية الفلسطينية ليست…
القضية الفلسطينية ليست…
📖 من أفضل كتب الأمن السيبراني (قيمته 30$) اليوم مجاني لوقت محدود جدا 🎁
Cybersecurity All-in-One For Dummies
🔐 "الأمن السيبراني للجميع" - احصل على نسختك المجانية الآن! 📚
🌐 تغطي هذه النسخة التي تضم أكثر من 700 صفحة، كل جوانب الأمن السيبراني لحماية أنظمة الكمبيوتر. تشمل مقدمة شاملة عن أساسيات الأمن السيبراني، الأمن الشخصي والتجاري، أمن السحابة، اختبارات الأمان، والوعي الأمني.
✅ اكتشف الأساسيات في المنزل والعمل.
✅ تعلم كيفية تأمين أجهزتك وبياناتك وموجودات السحابة.
✅ اختبر أمانك للعثور على الثغرات قبل القراصنة.
✅ أنشئ ثقافة الأمن السيبراني عبر المنظمة بأكملها.
🛡️ يعتبر هذا الكتاب مرجعًا ممتازًا لأصحاب الأعمال والمحترفين في مجال تكنولوجيا المعلومات الذين يحتاجون إلى دليل لاتخاذ قرارات أمنية ذكية. كما أنه مفيد لأي مستخدم تقني مهتم بالخصوصية والحماية.
⏰ ينتهي العرض في 13/12/2023
🏢 مقدم مجانًا بواسطة: Wiley
🔗 https://makeuseof.tradepub.com/free/w_wile472/
Cybersecurity All-in-One For Dummies
🔐 "الأمن السيبراني للجميع" - احصل على نسختك المجانية الآن! 📚
🌐 تغطي هذه النسخة التي تضم أكثر من 700 صفحة، كل جوانب الأمن السيبراني لحماية أنظمة الكمبيوتر. تشمل مقدمة شاملة عن أساسيات الأمن السيبراني، الأمن الشخصي والتجاري، أمن السحابة، اختبارات الأمان، والوعي الأمني.
✅ اكتشف الأساسيات في المنزل والعمل.
✅ تعلم كيفية تأمين أجهزتك وبياناتك وموجودات السحابة.
✅ اختبر أمانك للعثور على الثغرات قبل القراصنة.
✅ أنشئ ثقافة الأمن السيبراني عبر المنظمة بأكملها.
🛡️ يعتبر هذا الكتاب مرجعًا ممتازًا لأصحاب الأعمال والمحترفين في مجال تكنولوجيا المعلومات الذين يحتاجون إلى دليل لاتخاذ قرارات أمنية ذكية. كما أنه مفيد لأي مستخدم تقني مهتم بالخصوصية والحماية.
⏰ ينتهي العرض في 13/12/2023
🏢 مقدم مجانًا بواسطة: Wiley
🔗 https://makeuseof.tradepub.com/free/w_wile472/
Tradepub
Cybersecurity All-in-One For Dummies ($30.00 Value) FREE for a Limited Time, Free Wiley eBook
Free eBook to Cybersecurity All-in-One For Dummies ($30.00 Value) FREE for a Limited Time Over 700 pages of insight into all things cybersecurity
81-makeuseof-w_wile472-SI7ALHy4pnvc-xLhcH9Hdw.pdf
24 MB
الكتاب لمن تعذر عليه التسجيل (سيتم حذفه بعد مدة نزولا عند رغبة ناشري الكتاب)
بمناسبة #اليوم_العالمي_للغة_العربية سنلخص لكم 10 آلاف عام من تاريخ لغتنا الحبيبة.اليوم سنتحدث عن قصة الحظ العاثر للغة الضاد، سنتحدث عن إحيائها، وسنعود إلى الوراء بضعة مئة قرن.
https://youtu.be/hMChCJeN91I
#اليوم_العالمي_للغة_العربية٢٠٢٣
https://youtu.be/hMChCJeN91I
#اليوم_العالمي_للغة_العربية٢٠٢٣
YouTube
الجمِيلة الّتي اهملها اهلها 🤍
سنلخص لكم 10 آلاف عام من تاريخ لغتنا الحبيبة.هذه اللغة التي يظن البعض أن عمرها 14 قرن ، لا يا صديقي هذا جزء بسيط من عمرها المديد فقد أدركها الإسلام وهي عجوز القبيلة المقعدة فبعث فيها من الحياة ما أخرجها به من ضيق الجزيرة إلى سعةِ الأرض تقطعها طولاً وعرضاً…
الكثير من الأشخاص يسألون: ماذا نتعلم بعد الأساسيات؟
1. مبادئ SOLID 🏗: تعلم وطبق مبادئ SOLID في البرمجة الكائنية الموجهة (OOP) لتطوير مشاريع أكثر قابلية للصيانة والتوسع.
2. التحكم في النسخ (Version Control) 🔄: استخدم أنظمة التحكم في النسخ مثل Git بكفاءة لتتبع التغييرات والتعاون مع الفرق.
3. مهارات التفكير الخوارزمي 🧠: باستخدام المهارات الأساسية التي تعلمتها قم بحل أشهر المسائل الموجودة في Leetcode وHackerRank ،هذا لا يساعدك على اكتساب مهارة حل المشاكل فقط بل يُعدُّك لمقابلات العمل أيضاً.
4. البرمجة المتزامنة (Concurrency) ⏳: طور مهاراتك في إدارة العمليات المتوازية والخيوط (Threads) لتحسين أداء برامجك.
5. التطوير الموجه بالاختبارات (TDD) ✔️: اكتسب مهارة كتابة الاختبارات قبل الكود لتعزيز جودة البرمجيات.
6.المساهمة في مشاريع مفتوحة المصدر 🌍: المشاركة في هذه المشاريع توفر فرصة مهمة جداً للتعلم من المجتمع وتبادل الخبرات وتعزز محفظة أعمالك لدى الشركات.
7.تطوير مهارات التواصل 🗣: تعلم كيفية شرح الأفكار التقنية بوضوح للجميع وكتابة توثيق فعال. في هذه الخطوة يمكنك إنتاج محتوى تعليمي على وسائل التواصل عبر مشاركة تجربتك مع الآخرين، هكذا يزداد الشغف وربما مصدر دخل جديد فالعالم العربي مازال بحاجة لمدرسين ومدربين فخورين بما يقومون به.
بتطبيق هذه النصائح، ستجد بإذن الله طريقك نحو تحقيق مستوى أعلى من الاحترافية ،حيث ستكون قد فتحت لنفسك آفاقاً جديدة بدل أن تبقى عالقاً في مرحلة الأساسيات.
1. مبادئ SOLID 🏗: تعلم وطبق مبادئ SOLID في البرمجة الكائنية الموجهة (OOP) لتطوير مشاريع أكثر قابلية للصيانة والتوسع.
2. التحكم في النسخ (Version Control) 🔄: استخدم أنظمة التحكم في النسخ مثل Git بكفاءة لتتبع التغييرات والتعاون مع الفرق.
3. مهارات التفكير الخوارزمي 🧠: باستخدام المهارات الأساسية التي تعلمتها قم بحل أشهر المسائل الموجودة في Leetcode وHackerRank ،هذا لا يساعدك على اكتساب مهارة حل المشاكل فقط بل يُعدُّك لمقابلات العمل أيضاً.
4. البرمجة المتزامنة (Concurrency) ⏳: طور مهاراتك في إدارة العمليات المتوازية والخيوط (Threads) لتحسين أداء برامجك.
5. التطوير الموجه بالاختبارات (TDD) ✔️: اكتسب مهارة كتابة الاختبارات قبل الكود لتعزيز جودة البرمجيات.
6.المساهمة في مشاريع مفتوحة المصدر 🌍: المشاركة في هذه المشاريع توفر فرصة مهمة جداً للتعلم من المجتمع وتبادل الخبرات وتعزز محفظة أعمالك لدى الشركات.
7.تطوير مهارات التواصل 🗣: تعلم كيفية شرح الأفكار التقنية بوضوح للجميع وكتابة توثيق فعال. في هذه الخطوة يمكنك إنتاج محتوى تعليمي على وسائل التواصل عبر مشاركة تجربتك مع الآخرين، هكذا يزداد الشغف وربما مصدر دخل جديد فالعالم العربي مازال بحاجة لمدرسين ومدربين فخورين بما يقومون به.
بتطبيق هذه النصائح، ستجد بإذن الله طريقك نحو تحقيق مستوى أعلى من الاحترافية ،حيث ستكون قد فتحت لنفسك آفاقاً جديدة بدل أن تبقى عالقاً في مرحلة الأساسيات.
يقول بول غراهام : "لا يمكنك استبدال القراءة بمصادر معلومات أخرى، لأنك تحتاج إلى القراءة حتى تتمكن من الكتابة بشكل جيد، وتحتاج إلى الكتابة حتى تتمكن من التفكير بشكل جيد."
- بول غراهام هو مبرمج ومُستثمر وكاتب. عرف بأعماله في لغة Lisp ، إلى جانب مشاركته في تأسيس حاضنة مشاريع Y Combinator التي تدعم وتُموّل أصحاب المشاريع الرّيادية في وادي السّيليكون.
📚✍️🤔
- بول غراهام هو مبرمج ومُستثمر وكاتب. عرف بأعماله في لغة Lisp ، إلى جانب مشاركته في تأسيس حاضنة مشاريع Y Combinator التي تدعم وتُموّل أصحاب المشاريع الرّيادية في وادي السّيليكون.
📚✍️🤔
🤩 كيف يمكن لكتاب كتب عام 1910 أن يعلمك مفهوم حساب التفاضل والتكامل في 30 ثانية:
إليك ترجمة الصفحتين من كتاب "حساب التفاضل والتكامل سهل"
الصفحة الأولى:
عنوان الصفحة: الفصل الأول والثاني: حساب التفاضل والتكامل سهل
لتخليصك من مخاوف البداية
المخاوف الأولية التي تخنق معظم طلاب الصف الخامس حتى من محاولة تعلم كيفية الحساب، يمكن إزالتها نهائيًا بمجرد ذكر ما هو المعنى - من حيث الفهم العام - للرمزين الرئيسيين المستخدمين في الحساب.
هذه الرموز المخيفة هي:
- d الذي يعني ببساطة "قطعة صغيرة من".
- ∫ وهو مجرد حرف S طويل، ويمكن تسميته (إذا أردت) "مجموع".
💡 هكذا :
∫ dx
يعني مجموع كل القطع الصغيرة من x.
∫ dt
يعني مجموع كل القطع الصغيرة من t.
💡 الرياضيات العادية تسمي هذا الرمز "التكامل".
كلمة "التكامل" تعني ببساطة "إكمال الأجزاء ببعض مع بعض!".
إذا فكرت في مدة ساعة واحدة، يمكنك (إذا أردت) التفكير فيها على أنها مقطعة إلى 3600 قطعة صغيرة تسمى ثوانٍ.
مجموع 3600 قطعة صغيرة مضافة معًا يكوّن ساعة واحدة.
عندما ترى تعبيرًا يبدأ بهذا الرمز المخيف، ستعرف من الآن فصاعدًا أنه قد تم وضعه هناك لمجرد إعطائك تعليمات بأنك مطالب الآن بأداء عملية (إذا أمكنك) جمع كل القطع الصغيرة التي يشير إليها الرموز التي تتبع.
هذا كل ما في الأمر.
الصفحة الثانية:
عنوان الصفحة: الفصل الأول والثاني: حساب التفاضل والتكامل سهل
المحتوى:
الآن، دعنا نلقي نظرة على بعض الأمثلة:
1. ماذا يعني:
∫ x dx
هذا يعني مجموع كل القطع الصغيرة من x.
ولكن ما هي القطع الصغيرة من x؟
حسنًا، تخيل أن لديك مستطيلًا طوله 10 سم وعرضه 5 سم.
يمكننا تقسيم المستطيل إلى 10 شرائح أفقية، كل منها بعرض 1 سم.
كل شريحة هي قطعة صغيرة من x.
مساحة كل شريحة هي طولها × عرضها، أي 1 سم × 5 سم = 5 سم².
مجموع مساحات جميع الشرائح هو مساحة المستطيل، أي 10 سم × 5 سم = 50 سم².
لذلك:
∫ x dx = 50 سم².
2. ماذا يعني:
∫ dt
هذا يعني مجموع كل القطع الصغيرة من t.
ولكن ما هي القطع الصغيرة من t؟
تخيل أن لديك ساعة واحدة.
يمكننا تقسيم الساعة إلى 60 دقيقة، كل منها 60 ثانية.
كل ثانية هي قطعة صغيرة من t.
مجموع جميع الثواني هو ساعة واحدة، أي 3600 ثانية.
لذلك:
∫ dt = 3600 ثانية.
آمل أن يكون هذا قد ساعد في توضيح معنى الرمزين الرئيسيين المستخدمين في حساب التفاضل والتكامل.
إليك ترجمة الصفحتين من كتاب "حساب التفاضل والتكامل سهل"
الصفحة الأولى:
عنوان الصفحة: الفصل الأول والثاني: حساب التفاضل والتكامل سهل
لتخليصك من مخاوف البداية
المخاوف الأولية التي تخنق معظم طلاب الصف الخامس حتى من محاولة تعلم كيفية الحساب، يمكن إزالتها نهائيًا بمجرد ذكر ما هو المعنى - من حيث الفهم العام - للرمزين الرئيسيين المستخدمين في الحساب.
هذه الرموز المخيفة هي:
- d الذي يعني ببساطة "قطعة صغيرة من".
- ∫ وهو مجرد حرف S طويل، ويمكن تسميته (إذا أردت) "مجموع".
💡 هكذا :
∫ dx
يعني مجموع كل القطع الصغيرة من x.
∫ dt
يعني مجموع كل القطع الصغيرة من t.
💡 الرياضيات العادية تسمي هذا الرمز "التكامل".
كلمة "التكامل" تعني ببساطة "إكمال الأجزاء ببعض مع بعض!".
إذا فكرت في مدة ساعة واحدة، يمكنك (إذا أردت) التفكير فيها على أنها مقطعة إلى 3600 قطعة صغيرة تسمى ثوانٍ.
مجموع 3600 قطعة صغيرة مضافة معًا يكوّن ساعة واحدة.
عندما ترى تعبيرًا يبدأ بهذا الرمز المخيف، ستعرف من الآن فصاعدًا أنه قد تم وضعه هناك لمجرد إعطائك تعليمات بأنك مطالب الآن بأداء عملية (إذا أمكنك) جمع كل القطع الصغيرة التي يشير إليها الرموز التي تتبع.
هذا كل ما في الأمر.
الصفحة الثانية:
عنوان الصفحة: الفصل الأول والثاني: حساب التفاضل والتكامل سهل
المحتوى:
الآن، دعنا نلقي نظرة على بعض الأمثلة:
1. ماذا يعني:
∫ x dx
هذا يعني مجموع كل القطع الصغيرة من x.
ولكن ما هي القطع الصغيرة من x؟
حسنًا، تخيل أن لديك مستطيلًا طوله 10 سم وعرضه 5 سم.
يمكننا تقسيم المستطيل إلى 10 شرائح أفقية، كل منها بعرض 1 سم.
كل شريحة هي قطعة صغيرة من x.
مساحة كل شريحة هي طولها × عرضها، أي 1 سم × 5 سم = 5 سم².
مجموع مساحات جميع الشرائح هو مساحة المستطيل، أي 10 سم × 5 سم = 50 سم².
لذلك:
∫ x dx = 50 سم².
2. ماذا يعني:
∫ dt
هذا يعني مجموع كل القطع الصغيرة من t.
ولكن ما هي القطع الصغيرة من t؟
تخيل أن لديك ساعة واحدة.
يمكننا تقسيم الساعة إلى 60 دقيقة، كل منها 60 ثانية.
كل ثانية هي قطعة صغيرة من t.
مجموع جميع الثواني هو ساعة واحدة، أي 3600 ثانية.
لذلك:
∫ dt = 3600 ثانية.
آمل أن يكون هذا قد ساعد في توضيح معنى الرمزين الرئيسيين المستخدمين في حساب التفاضل والتكامل.
متحمسون جدًا لإطلاق MistralAI اليوم:
ـ🔸 Mistral Large: النموذج الرائد الجديد https://mistral.ai/news/mistral-large/
ـ🔸 Le Chat: واجهة الدردشة الجديدة كليًا https://chat.mistral.ai
ـ🔸 الاستدلال المتقدم، استدعاء الوظائف، وضع JSON، والمزيد
ـ🔸 Mistral Large: النموذج الرائد الجديد https://mistral.ai/news/mistral-large/
ـ🔸 Le Chat: واجهة الدردشة الجديدة كليًا https://chat.mistral.ai
ـ🔸 الاستدلال المتقدم، استدعاء الوظائف، وضع JSON، والمزيد
العنصرية في Chatgpt !
- النسخة العربية 3.5 عنصرية تجاه للسود!
- النسخة الإنجليزية 3.5 و4 عنصرية تجاه البيض!
- النسخة العربية 4 أفضل من الانجليزية 🤔
- النسخة العربية 3.5 عنصرية تجاه للسود!
- النسخة الإنجليزية 3.5 و4 عنصرية تجاه البيض!
- النسخة العربية 4 أفضل من الانجليزية 🤔
🚀 كوالكوم للذكاء الاصطناعي (Qualcomm AI) أطلقت 80 نموذجًا مفتوح المصدر للرؤية، الصوت، والكلام، متاحة على موقع Hugging Face.
📲 تتيح هذه النماذج تشغيل تطبيقات الذكاء الاصطناعي مباشرةً على الأجهزة بكفاءة وسرعة.
🔗 لاستكشاف النماذج: (https://huggingface.co/qualcomm)
#ذكاء_اصطناعي #مفتوح_المصدر
📲 تتيح هذه النماذج تشغيل تطبيقات الذكاء الاصطناعي مباشرةً على الأجهزة بكفاءة وسرعة.
🔗 لاستكشاف النماذج: (https://huggingface.co/qualcomm)
#ذكاء_اصطناعي #مفتوح_المصدر
أُطلقت مؤخرًا مسابقة جديدة على منصة (kaggle) بعنوان "المساعدون الآليون لمهام البيانات مع Gemma"
وفي هذا السياق، قامت helloiamleonie بتطوير سلسلة استخدام مبتكرة تجمع بين استرداد المعلومات وتوليدها (Retrieval-Augmented Generation - RAG)، بهدف العثور على المسابقات المناسبة في kaggle للمراجعة والتعلم من خلالها. الأدوات التي استخدمتها تشمل:
✨ النموذج اللغوي الكبير جيما (Gemma) من جوجل (Google)، مستضافًا على هاجينج فيس (huggingface)
✨ قاعدة البيانات الفيكتورية من ويفيت (weaviate_io) لتخزين التضمينات المستخلصة باستخدام نموذج التضمين all_MiniLM-L6-v2 من هاجينج فيس
✨ أداة DSPy من ستانفورد للتنسيق والإدارة
🔗 ولمزيد من التفاصيل، يمكنكم زيارة الرابط للاطلاع على الدفتر الخاص بالمشروع: [اضغط هنا](https://kaggle.com/code/iamleonie/rag-with-gemma-on-hf-and-weaviate-in-dspy)
هذه المبادرة تعكس بوضوح القدرة على دمج أحدث التقنيات في مجال الذكاء الاصطناعي لتسهيل الوصول إلى المعلومات واستخراج البيانات ذات الصلة بكفاءة. إنها فرصة رائعة للمهتمين بعلم البيانات والذكاء الاصطناعي لاستكشاف كيف يمكن لهذه التقنيات المتقدمة أن تساهم في تحسين قدراتهم التحليلية وتوسيع معرفتهم.
#ذكاء_اصطناعي #تحليل_بيانات #kaggle #تعلم_آلي
وفي هذا السياق، قامت helloiamleonie بتطوير سلسلة استخدام مبتكرة تجمع بين استرداد المعلومات وتوليدها (Retrieval-Augmented Generation - RAG)، بهدف العثور على المسابقات المناسبة في kaggle للمراجعة والتعلم من خلالها. الأدوات التي استخدمتها تشمل:
✨ النموذج اللغوي الكبير جيما (Gemma) من جوجل (Google)، مستضافًا على هاجينج فيس (huggingface)
✨ قاعدة البيانات الفيكتورية من ويفيت (weaviate_io) لتخزين التضمينات المستخلصة باستخدام نموذج التضمين all_MiniLM-L6-v2 من هاجينج فيس
✨ أداة DSPy من ستانفورد للتنسيق والإدارة
🔗 ولمزيد من التفاصيل، يمكنكم زيارة الرابط للاطلاع على الدفتر الخاص بالمشروع: [اضغط هنا](https://kaggle.com/code/iamleonie/rag-with-gemma-on-hf-and-weaviate-in-dspy)
هذه المبادرة تعكس بوضوح القدرة على دمج أحدث التقنيات في مجال الذكاء الاصطناعي لتسهيل الوصول إلى المعلومات واستخراج البيانات ذات الصلة بكفاءة. إنها فرصة رائعة للمهتمين بعلم البيانات والذكاء الاصطناعي لاستكشاف كيف يمكن لهذه التقنيات المتقدمة أن تساهم في تحسين قدراتهم التحليلية وتوسيع معرفتهم.
#ذكاء_اصطناعي #تحليل_بيانات #kaggle #تعلم_آلي
Kaggle
RAG with Gemma on HF 🤗 and Weaviate in DSPy
Explore and run machine learning code with Kaggle Notebooks | Using data from multiple data sources
ما هي عملية الـ Fine-Tuning ؟ ربما هذا أفضل شرح عربي😎
الـ Fine-tuning (التوليف الدقيق) هي عملية أخذِ نموذج تعلّم آلي (machine learning) مُدرّب مسبقًا ،ثم تدريبه من جديد بشكل متقدم على مجموعة بيانات أصغر وأكثر تخصصًا. الغرض من هذه العملية هو الحفاظ على القدرات الأصلية للنموذج المُدرب مع تمكينه من التكيف مع حالات استخدام أكثر تحديداً.
استخدام الـ Fine-tuning يُساعدنا على إنشاء نماذج فعّالة لحالات استخدام معينة بكفاءة أعلى. هذه المقاربة مفيدة بشكل خاص عندما تكون الموارد الحاسوبية محدودة أو عندما تكون البيانات المتخصصة شحيحة.
يمكن لأداء النموذج الذي تم تعديله بدقة (fine-tuned) أن يتجاوز أداء النموذج الأصلي في المهامّ المحددة التي تمّ تعديله لأجلها.
على سبيل المثال، في خدمة العملاء قد تقوم الشركة بتدريب نموذج لغويّ كبير (LLM) باستخدام معلومات منتجاتها وسياساتها وتعاملات سابقة مع الزبائن.
يساعد هذا التدريب الخاص بالمنشأة النموذج المُعدل بدقة على تقديم ردود أكثر فائدة وارتباطًا بالموضوع مقارنة بنظيره المُدرب بشكل عام.
كيف تتم عملية الـ Fine-tuning ؟
عملية الضبط الدقيق (Fine-tuning) تبدأ بنموذج تعلم آلي مُدرب مسبقًا على مجموعة بيانات واسعة ومتنوعة، حيث يكتسب النموذج قدرة على تعلم وتمييز مجموعة واسعة من الميزات والأنماط، مثل تمييز الصور. لكن، في حالات الاستخدام المتخصصة، قد لا يكون النموذج كفؤًا بشكل كامل، خصوصًا في مهام تتطلب تمييزًا دقيقًا بين الفئات الفرعية، مثل تصنيف أنواع الطيور بدقة.
لمواجهة هذه التحديات وتحسين أداء النموذج في مهام محددة، يُستخدم الضبط الدقيق. يتم ذلك بتدريب النموذج مجددًا على مجموعة بيانات أصغر وأكثر تخصصًا تستهدف المهمة الخاصة، مثل مجموعة من صور الطيور في المثال المُعطى. هذا النهج يسمح بالاستفادة من المعرفة الأساسية التي اكتسبها النموذج خلال التدريب الأولي، مع تعزيز قدرته على التعامل مع المهام الخاصة من خلال تعديل أو إضافة الطبقات اللاحقة في الشبكة العصبية، بينما تُبقى الطبقات المبكرة، التي تتعامل مع الميزات الأساسية، دون تغيير أو "مجمّدة".
بهذا الشكل، يُمكن للضبط الدقيق تحسين الأداء بشكل كبير في المهام المتخصصة دون الحاجة إلى البدء من الصفر، موفرًا الموارد والجهد والوقت.
تهدف هذه العملية إلى تحقيق توازن بين الحفاظ على المعرفة التأسيسية القيمة للنموذج وتحسين أدائه في حالة استخدام الـ fine-tuning. لهذا الغرض، غالبًا ما يحدد مطورو النموذج معدل تعلّم أقل - وهو عامل مفرط (hyperparameter) يصف مقدار تعديل أوزان النموذج أثناء التدريب. يساعد ضبط معدل تعلّم أقل أثناء الـ fine-tuning على منع التغييرات الشديدة للأوزان المتعلمة مسبقًا، ويضمن احتفاظ النموذج بمعرفته الحالية.
ما هي مخاطر وفوائد الـ Fine-tuning ؟
كما هو الحال مع أي تقنية تعلّم آلي، فإن تعديل النموذج بدقة (fine-tuning) له فوائد وعيوب معينة.
تشمل الفوائد الرئيسية لـ fine-tuning ما يلي:
📊 كفاءة التكلفة والموارد: يكون تعديل نموذج مدرب مسبقًا بشكل عام أسرع بكثير وأكثر فعالية من حيث التكلفة والكفاءة. ويتطلب بنية تحتية أقل تعقيدًا.
🎯 أداء أفضل في حالات الاستخدام الخاصة: يمكن للنماذج المدربة مسبقًا والمعدلة بدقة (fine-tuned)، بفضل مزيجها من التعلم التأسيسي الواسع والتدريب المحدد للمهام، تحقيق أداء عالٍ في حالات الاستخدام المتخصصة. هذا مفيد بشكل خاص في السيناريوهات التي تكون فيها البيانات الخاصة بالمهام محدودة.
💻 دمقرطة إمكانيات تعلّم الآلة: يساعد الـ fine-tuning في جعل نماذج تعلّم الآلة المتقدمة أكثر قابلية للوصول للأفراد والمؤسسات ذات الموارد الحاسوبية والمالية المحدودة. حتى المنظمات الصغيرة التي لا تتمكن من إنشاء نموذج من الصفر يمكنها تكييف نماذج مدرّبة مسبقًا لمجموعة من التطبيقات.
ومع ذلك، يأتي الـ fine-tuning أيضًا مع عدد من المخاطر والتحديات، بما في ذلك ما يلي:
📉 الإفراط في التخصيص (Overfitting): وهي مشكلة شائعة عند العمل مع مجموعات بيانات صغيرة، تحدث عندما يلتزم نموذج تعلم الآلة عن كثب ببيانات التدريب الخاصة به ويتعلم ميزات غير ذات صلة، أو "ضوضائية" . يمكن أن تساعد الاستراتيجيات مثل تعزيز البيانات (data augmentation) وتنظيمها وإدراج طبقات التسريب (dropout) في التخفيف من هذا القيد.
⚖️ موازنة المعرفة الجديدة والمتعلمة مسبقًا: يوجد بعض المخاطر من أن ينسى النموذج المُعدّل بدقّة المعرفة العامة التي تم اكتسابها أثناء التدريب المسبق، خاصة إذا كانت البيانات الجديدة تختلف اختلافًا كبيرًا عن البيانات الأصلية. يمكن أن يؤدي تجميد طبقات كثيرة جدًا إلى منع النموذج من التكيف مع المهمات الجديدة، في حين أن تجميد عدد قليل جدًا من الطبقات يخاطر بفقدان ميزات مهمة تمّ تعلمها سابقًا.
الـ Fine-tuning (التوليف الدقيق) هي عملية أخذِ نموذج تعلّم آلي (machine learning) مُدرّب مسبقًا ،ثم تدريبه من جديد بشكل متقدم على مجموعة بيانات أصغر وأكثر تخصصًا. الغرض من هذه العملية هو الحفاظ على القدرات الأصلية للنموذج المُدرب مع تمكينه من التكيف مع حالات استخدام أكثر تحديداً.
استخدام الـ Fine-tuning يُساعدنا على إنشاء نماذج فعّالة لحالات استخدام معينة بكفاءة أعلى. هذه المقاربة مفيدة بشكل خاص عندما تكون الموارد الحاسوبية محدودة أو عندما تكون البيانات المتخصصة شحيحة.
يمكن لأداء النموذج الذي تم تعديله بدقة (fine-tuned) أن يتجاوز أداء النموذج الأصلي في المهامّ المحددة التي تمّ تعديله لأجلها.
على سبيل المثال، في خدمة العملاء قد تقوم الشركة بتدريب نموذج لغويّ كبير (LLM) باستخدام معلومات منتجاتها وسياساتها وتعاملات سابقة مع الزبائن.
يساعد هذا التدريب الخاص بالمنشأة النموذج المُعدل بدقة على تقديم ردود أكثر فائدة وارتباطًا بالموضوع مقارنة بنظيره المُدرب بشكل عام.
كيف تتم عملية الـ Fine-tuning ؟
عملية الضبط الدقيق (Fine-tuning) تبدأ بنموذج تعلم آلي مُدرب مسبقًا على مجموعة بيانات واسعة ومتنوعة، حيث يكتسب النموذج قدرة على تعلم وتمييز مجموعة واسعة من الميزات والأنماط، مثل تمييز الصور. لكن، في حالات الاستخدام المتخصصة، قد لا يكون النموذج كفؤًا بشكل كامل، خصوصًا في مهام تتطلب تمييزًا دقيقًا بين الفئات الفرعية، مثل تصنيف أنواع الطيور بدقة.
لمواجهة هذه التحديات وتحسين أداء النموذج في مهام محددة، يُستخدم الضبط الدقيق. يتم ذلك بتدريب النموذج مجددًا على مجموعة بيانات أصغر وأكثر تخصصًا تستهدف المهمة الخاصة، مثل مجموعة من صور الطيور في المثال المُعطى. هذا النهج يسمح بالاستفادة من المعرفة الأساسية التي اكتسبها النموذج خلال التدريب الأولي، مع تعزيز قدرته على التعامل مع المهام الخاصة من خلال تعديل أو إضافة الطبقات اللاحقة في الشبكة العصبية، بينما تُبقى الطبقات المبكرة، التي تتعامل مع الميزات الأساسية، دون تغيير أو "مجمّدة".
بهذا الشكل، يُمكن للضبط الدقيق تحسين الأداء بشكل كبير في المهام المتخصصة دون الحاجة إلى البدء من الصفر، موفرًا الموارد والجهد والوقت.
تهدف هذه العملية إلى تحقيق توازن بين الحفاظ على المعرفة التأسيسية القيمة للنموذج وتحسين أدائه في حالة استخدام الـ fine-tuning. لهذا الغرض، غالبًا ما يحدد مطورو النموذج معدل تعلّم أقل - وهو عامل مفرط (hyperparameter) يصف مقدار تعديل أوزان النموذج أثناء التدريب. يساعد ضبط معدل تعلّم أقل أثناء الـ fine-tuning على منع التغييرات الشديدة للأوزان المتعلمة مسبقًا، ويضمن احتفاظ النموذج بمعرفته الحالية.
ما هي مخاطر وفوائد الـ Fine-tuning ؟
كما هو الحال مع أي تقنية تعلّم آلي، فإن تعديل النموذج بدقة (fine-tuning) له فوائد وعيوب معينة.
تشمل الفوائد الرئيسية لـ fine-tuning ما يلي:
📊 كفاءة التكلفة والموارد: يكون تعديل نموذج مدرب مسبقًا بشكل عام أسرع بكثير وأكثر فعالية من حيث التكلفة والكفاءة. ويتطلب بنية تحتية أقل تعقيدًا.
🎯 أداء أفضل في حالات الاستخدام الخاصة: يمكن للنماذج المدربة مسبقًا والمعدلة بدقة (fine-tuned)، بفضل مزيجها من التعلم التأسيسي الواسع والتدريب المحدد للمهام، تحقيق أداء عالٍ في حالات الاستخدام المتخصصة. هذا مفيد بشكل خاص في السيناريوهات التي تكون فيها البيانات الخاصة بالمهام محدودة.
💻 دمقرطة إمكانيات تعلّم الآلة: يساعد الـ fine-tuning في جعل نماذج تعلّم الآلة المتقدمة أكثر قابلية للوصول للأفراد والمؤسسات ذات الموارد الحاسوبية والمالية المحدودة. حتى المنظمات الصغيرة التي لا تتمكن من إنشاء نموذج من الصفر يمكنها تكييف نماذج مدرّبة مسبقًا لمجموعة من التطبيقات.
ومع ذلك، يأتي الـ fine-tuning أيضًا مع عدد من المخاطر والتحديات، بما في ذلك ما يلي:
📉 الإفراط في التخصيص (Overfitting): وهي مشكلة شائعة عند العمل مع مجموعات بيانات صغيرة، تحدث عندما يلتزم نموذج تعلم الآلة عن كثب ببيانات التدريب الخاصة به ويتعلم ميزات غير ذات صلة، أو "ضوضائية" . يمكن أن تساعد الاستراتيجيات مثل تعزيز البيانات (data augmentation) وتنظيمها وإدراج طبقات التسريب (dropout) في التخفيف من هذا القيد.
⚖️ موازنة المعرفة الجديدة والمتعلمة مسبقًا: يوجد بعض المخاطر من أن ينسى النموذج المُعدّل بدقّة المعرفة العامة التي تم اكتسابها أثناء التدريب المسبق، خاصة إذا كانت البيانات الجديدة تختلف اختلافًا كبيرًا عن البيانات الأصلية. يمكن أن يؤدي تجميد طبقات كثيرة جدًا إلى منع النموذج من التكيف مع المهمات الجديدة، في حين أن تجميد عدد قليل جدًا من الطبقات يخاطر بفقدان ميزات مهمة تمّ تعلمها سابقًا.