🔥 من أفضل دورات البرمجة للمبتدئين :البرمجة للجميع ✔️
من جامعة ميشيغان (محتوى الدورة مجاني - 20 ساعة تعليمية)
https://www.coursera.org/learn/python

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 .

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

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

كما توقعنا 🙂

📖 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/

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

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.

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.

📚✍️🤔

🤩 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.

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

🚀 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

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

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.

⚠️ الاعتماد على النماذج المدربة مسبقًا: نظرًا لاعتماد عملية الـ fine-tuning بشكل كبير على النموذج المدرّب مسبقًا، فإن أي عيوب أو قيود في هذا النموذج يمكن أن تؤثر على نظيره الذي تم تعديله بدقة. على سبيل المثال، إذا كان النموذج المدرب مسبقًا يظهر تحيزات (biases) أو ثغرات أمنية (security vulnerabilities)، فقد تستمر هذه العيوب أو حتى تزداد سوءًا في النموذج المعدل بدقة إذا لم يتم تصحيحها قبل التعديل الدقيق أو أثناءه.

تطبيقات العالم الحقيقي للـ Fine-tuning
لـ fine-tuning العديد من حالات الاستخدام الممكنة في العالم الحقيقي. فيما يلي بعض الأمثلة:
🛒 البيع بالتجزئة والتجارة الإلكترونية: يمكن لمنصة تجارة إلكترونية تسعى لتحسين محرك توصيات المنتجات الخاص بها من خلال تعديل نموذج مُدرب مسبقًا على بيانات تفاعل المستخدم الخاصة بالشركة، مثل سجل الشراء وتقييمات المستخدمين. يمكن أن يقدم هذا النموذج المُعدّل للمستخدمين توصيات منتجات أكثر دقة وشخصية.

👨‍⚕️ الرعاية الصحية والطب: يمكن للباحثين الطبيين الذين يدرسون حالة نادرة تعديل نموذج معالجة الصور المُدرب مسبقًا على مجموعة بيانات صغيرة من فحوصات التصوير المقطعي المحوسب (CT) الخاصة بالمرض. يمكن للنموذج المُعدّل بدقة بعد ذلك تحديد علامات الحالة بدقة أعلى.

📚 البحث التاريخي: قد يواجه المؤرخ الذي يعمل على رقمنة النصوص القديمة صعوبة في إجراء التعرف الضوئي على الحروف (OCR) تلقائيًا على لغة قديمة. يمكن أن يساعد التدريب المسبق لنموذج معالجة اللغة الطبيعية (NLP) على مجموعة نصوص من هذه النصوص القديمة النموذج على التعرف بشكل أفضل على ميزاتها اللغوية الفريدة.

🌳 الحفظ والاستدامة: مثلاً قد يحتاج علماء الحياة البرية في الغابة إلى التمييز بين أصوات الحيوانات والضوضاء الخلفية في التسجيلات الصوتية. يمكنهم تعديل نموذج معالجة الصوت المُدرب مسبقًا على مجموعة بيانات من تسجيلات الصوت للغابات، وتعليم النموذج المُعدّل بدقة عزل أصوات الحيوانات المحددة.

مقارنة بين الـ RAG و الـ Fine-tuning و الـ Transfer Learning:

الـ RAG (Retrieval-Augmented Generation): هو نموذج معمارية لـ NLP يجمع بين استرجاع المعلومات الخارجية مع قدرات الذكاء الاصطناعي التوليدي. على عكس الـ fine-tuning و الـ transfer learning، فهو ليس أسلوب تدريب، بل هو تقنية لتحسين مخرجات النموذج عن طريق دمج معلومات إضافية من مصادر بيانات خارجية.

الـ Transfer Learning: هو مفهوم أوسع يشمل استخدام المعرفة التي تعلمها نموذج من مهمة واحدة كنقطة انطلاق لمهمة ثانية ذات صلة. يُعد الـ Fine-tuning تقنية محددة ضمن فئة الـ transfer learning.

الـ Fine-tuning: أليس هو ما كنا نشرحه لك من الصبح؟ 😂