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.
⚠️ 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؟ 😂
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؟ 😂
سيسكو (CISCO) تقدم تدريبات وشهادات مجانية للأشخاص الراغبين في تعلم مجالات مهمة مثل:
- تحليل البيانات (Data Analytics)
- علم البيانات (Data Science)
- الأمن السيبراني (Cybersecurity)
- جافا سكريبت (JavaScript)
- بايثون (Python)
هذه الدورات تتبع نظام التعلم الذاتي (Self-paced)، مما يعني أنك تستطيع التعلم والتدريب بالسرعة التي تناسبك (الدورات بالإنجليزية).
📚 الدورات المتاحة:
1ـ تحليل البيانات: يمكنك البدء بتعلم أساسيات تحليل البيانات وعلم البيانات من خلال الرابط التالي:
(https://skillsforall.com/course/introduction-data-science?courseLang=en-US)
2ـ جافا سكريبت: لتعلم أساسيات جافا سكريبت وبدء رحلتك في تطوير الويب:
(https://skillsforall.com/course/javascript-essentials-1ـcourseLang=en-US)
3ـ الأمن السيبراني: ابدأ في تعلم أساسيات الأمن السيبراني وحماية المعلومات:
(https://skillsforall.com/course/introduction-to-cybersecurity?courseLang=en-US)
4ـ بايثون الأساسيات: تعلم أساسيات لغة بايثون، واحدة من أشهر لغات البرمجة:
(https://skillsforall.com/course/python-essentials-1ـcourseLang=en-US)
تقدم هذه الدورات فرصة رائعة لتطوير المهارات التقنية والمهنية في مجالات متعددة ومطلوبة في سوق العمل. استغل الفرصة لتعزيز مهاراتك وتوسيع معارفك بشكل مجاني.
- تحليل البيانات (Data Analytics)
- علم البيانات (Data Science)
- الأمن السيبراني (Cybersecurity)
- جافا سكريبت (JavaScript)
- بايثون (Python)
هذه الدورات تتبع نظام التعلم الذاتي (Self-paced)، مما يعني أنك تستطيع التعلم والتدريب بالسرعة التي تناسبك (الدورات بالإنجليزية).
📚 الدورات المتاحة:
1ـ تحليل البيانات: يمكنك البدء بتعلم أساسيات تحليل البيانات وعلم البيانات من خلال الرابط التالي:
(https://skillsforall.com/course/introduction-data-science?courseLang=en-US)
2ـ جافا سكريبت: لتعلم أساسيات جافا سكريبت وبدء رحلتك في تطوير الويب:
(https://skillsforall.com/course/javascript-essentials-1ـcourseLang=en-US)
3ـ الأمن السيبراني: ابدأ في تعلم أساسيات الأمن السيبراني وحماية المعلومات:
(https://skillsforall.com/course/introduction-to-cybersecurity?courseLang=en-US)
4ـ بايثون الأساسيات: تعلم أساسيات لغة بايثون، واحدة من أشهر لغات البرمجة:
(https://skillsforall.com/course/python-essentials-1ـcourseLang=en-US)
تقدم هذه الدورات فرصة رائعة لتطوير المهارات التقنية والمهنية في مجالات متعددة ومطلوبة في سوق العمل. استغل الفرصة لتعزيز مهاراتك وتوسيع معارفك بشكل مجاني.
Netacad
Introduction to Data Science
Free online course to learn about Data Science - from Cisco Networking Academy. Sign up today!
الحكومة الأمريكية، وكالة الأمن القومي والـ FBI يوصون رسميًا باستخدام ست لغات برمجة آمنة من حيث الذاكرة، وهي كالتالي:
1ـ C# (سي شارب) - تم تطويرها بواسطة شركة مايكروسوفت.
2ـ Go (جو) - تم تطويرها بواسطة شركة جوجل.
3ـ Java (جافا) - تم تطويرها بواسطة شركة صن مايكروسيستمز، واشترتها لاحقًا شركة أوراكل.
4ـ Rust (رست) - تم تطويرها بواسطة موزيلا.
5ـ Swift (سويفت) - تم تطويرها بواسطة شركة آبل.
6ـ Python (بايثون) - تم تطويرها بواسطة عبقري بمفرده خلال عطلة يناير، غيدو فان روسوم .
بايثون تُظهر بشكل استثنائي التأثير الهائل الذي يمكن أن يُحدثه شخص واحد (والمجموعة التي معه) على العالم 🌍✨.
يُمكنكم الاطلاع على المزيد من التفاصيل حول هذه التوصيات من خلال زيارة الموقع الرسمي للحكومة الأمريكية:
https://nsa.gov/Press-Room/Press-Releases-Statements/Press-Release-View/Article/3608324/us-and-international-partners-issue-recommendations-to-secure-software-products/
1ـ C# (سي شارب) - تم تطويرها بواسطة شركة مايكروسوفت.
2ـ Go (جو) - تم تطويرها بواسطة شركة جوجل.
3ـ Java (جافا) - تم تطويرها بواسطة شركة صن مايكروسيستمز، واشترتها لاحقًا شركة أوراكل.
4ـ Rust (رست) - تم تطويرها بواسطة موزيلا.
5ـ Swift (سويفت) - تم تطويرها بواسطة شركة آبل.
6ـ Python (بايثون) - تم تطويرها بواسطة عبقري بمفرده خلال عطلة يناير، غيدو فان روسوم .
بايثون تُظهر بشكل استثنائي التأثير الهائل الذي يمكن أن يُحدثه شخص واحد (والمجموعة التي معه) على العالم 🌍✨.
يُمكنكم الاطلاع على المزيد من التفاصيل حول هذه التوصيات من خلال زيارة الموقع الرسمي للحكومة الأمريكية:
https://nsa.gov/Press-Room/Press-Releases-Statements/Press-Release-View/Article/3608324/us-and-international-partners-issue-recommendations-to-secure-software-products/
اكتشف أي نموذج يملك دقة أفضل دون تعقيدات مع LazyPredict! 🚀
مكتبة LazyPredict تمكنك من تدريب، اختبار، وتقييم عدة نماذج تعلم آلي في آن واحد باستخدام عدد قليل من أسطر الكود فقط.
تدعم كلاً من الانحدار (regression) والتصنيف (classification)! ✨
زوروا المشروع على GitHub للمزيد من المعلومات: (https://github.com/shankarpandala/lazypredict).
#تعلم_آلي #برمجة #بايثون
مكتبة LazyPredict تمكنك من تدريب، اختبار، وتقييم عدة نماذج تعلم آلي في آن واحد باستخدام عدد قليل من أسطر الكود فقط.
تدعم كلاً من الانحدار (regression) والتصنيف (classification)! ✨
زوروا المشروع على GitHub للمزيد من المعلومات: (https://github.com/shankarpandala/lazypredict).
#تعلم_آلي #برمجة #بايثون
هل تعلم أن استخدام البروتوكولات في #بايثون يجعل الكود أكثر نظافة ومرونة؟ 🧹👨💻 بدلاً من ربط كودك بكائنات محددة، البروتوكول يتيح لك تعريف الخصائص الضرورية فقط. هكذا تكتب دوال تعمل مع أي كائن يُلبي هذه الخصائص، وهذا يسهل الصيانة والتوسع! 🔄 #تنظيم_الكود #برمجة
تقنية الـ DSPy: ثورة جديدة في برمجة النماذج اللغوية الكبيرة 🚀
الـ DSPy هو إطار عمل يُحدث نقلة نوعية في برمجة النماذج اللغوية الكبيرة (LLMs) 🤯
وداعًا لتصميم التلقينات ! 👋 مرحبًا بعالم تلتقي فيه البرمجة مع الذكاء الاصطناعي بأكفأ طريقة ممكنة لتطوير نماذج لغوية قوية جدا ! 🤝
الـ DSPy هو اختصار لـ Declarative Self-improving Language Programs in Python يُقابلها بالعربي "برمجيات لغوية تصريحية ذاتية التحسين" .
وهو إطار عمل يسمح للمبرمجين بكتابة برامج تُعرف باسم "البرامج التصريحية" (declarative programs) وهي برامج تُحدد سلوكها المطلوب دون الحاجة إلى كتابة تفاصيل كيفية تنفيذها.
يُمكن للبرامج المُعلنة في DSPy تحسين نفسها تلقائيًا من خلال التعلم من البيانات والملاحظات.
مميزات DSPy:
التوقيعات (Signatures): تجعل المطالبات والتعديل الدقيق أكثر سهولة ومرونة.
الوحدات النمطية(Modules): لدمج تقنيات المطالبات بفعالية.
المُلقّنات Teleprompters: تُحسّن برامج DSPy تلقائيًا.
مُجمّع (DSPy Compiler) قوي: يُحسّن الأداء تلقائيًا.
فوائد DSPy:
يقلّل هشاشة التطبيقات القائمة على LLM.
يؤتمت عملية التحسين وتوفر الوقت والجهد.
للمزيد من المعلومات:
مقال من على Medium: https://towardsdatascience.com/intro-to-dspy-goodbye-prompting-hello-programming-4ca1c6ce3eb9
فيديو من على YouTube: https://youtube.com/watch?v=41EfOY0Ldkc
#تكنولوجيا_حديثة #برمجة #ذكاء_اصطناعي #نموذج_لغوي
هذه أول إشارة عربية لتقنية DsPy رجاء قوموا بدعمنا عبر المشاركة والتعليق لنبقى دائما سباقين في تزويدكم بأحدث التقنيات.
الـ DSPy هو إطار عمل يُحدث نقلة نوعية في برمجة النماذج اللغوية الكبيرة (LLMs) 🤯
وداعًا لتصميم التلقينات ! 👋 مرحبًا بعالم تلتقي فيه البرمجة مع الذكاء الاصطناعي بأكفأ طريقة ممكنة لتطوير نماذج لغوية قوية جدا ! 🤝
الـ DSPy هو اختصار لـ Declarative Self-improving Language Programs in Python يُقابلها بالعربي "برمجيات لغوية تصريحية ذاتية التحسين" .
وهو إطار عمل يسمح للمبرمجين بكتابة برامج تُعرف باسم "البرامج التصريحية" (declarative programs) وهي برامج تُحدد سلوكها المطلوب دون الحاجة إلى كتابة تفاصيل كيفية تنفيذها.
يُمكن للبرامج المُعلنة في DSPy تحسين نفسها تلقائيًا من خلال التعلم من البيانات والملاحظات.
مميزات DSPy:
التوقيعات (Signatures): تجعل المطالبات والتعديل الدقيق أكثر سهولة ومرونة.
الوحدات النمطية(Modules): لدمج تقنيات المطالبات بفعالية.
المُلقّنات Teleprompters: تُحسّن برامج DSPy تلقائيًا.
مُجمّع (DSPy Compiler) قوي: يُحسّن الأداء تلقائيًا.
فوائد DSPy:
يقلّل هشاشة التطبيقات القائمة على LLM.
يؤتمت عملية التحسين وتوفر الوقت والجهد.
للمزيد من المعلومات:
مقال من على Medium: https://towardsdatascience.com/intro-to-dspy-goodbye-prompting-hello-programming-4ca1c6ce3eb9
فيديو من على YouTube: https://youtube.com/watch?v=41EfOY0Ldkc
#تكنولوجيا_حديثة #برمجة #ذكاء_اصطناعي #نموذج_لغوي
هذه أول إشارة عربية لتقنية DsPy رجاء قوموا بدعمنا عبر المشاركة والتعليق لنبقى دائما سباقين في تزويدكم بأحدث التقنيات.
Towards Data Science
Intro to DSPy: Goodbye Prompting, Hello Programming! | Towards Data Science
How the DSPy framework solves the fragility problem in LLM-based applications by replacing prompting with programming and compiling
مؤخراً تعاونت وكالة الفضاء الأوروبية مع Hugging Face لفتح أكبر مجموعة بيانات لمراقبة الأرض على الإطلاق🌎🚀:
Major TOM Core!
ما هي؟
مجموعة بيانات ضخمة لمراقبة الأرض مفتوحة المصدر.
تغطي نصف الكرة الأرضية تقريباً (2.2 مليار قطعة بمساحة 256 مليون كيلومتر مربع).
دقة عالية (10 متر لكل بكسل).
ما الذي يمكن استخدامها لـه؟
مشاريع تخرج رائعة😂
تطوير نماذج مراقبة الأرض.
تحليل التغييرات البيئية.
مراقبة الكوارث الطبيعية.
من يمكنه المشاركة؟
الجميع! 👨👩👧👦
انضم إلى الجهود التعاونية على Hugging Face: https://huggingface.co/Major-TOM
لماذا Major TOM مهم؟
يدعم الديمقراطية في تطوير ونشر نماذج مراقبة الأرض.
يوفر بيانات موثوقة وقابلة للتكرار.
يعزز التعاون بين الباحثين والمطورين.
استكشف المزيد:
https://huggingface.co/spaces/Major-TOM/MajorTOM-Core-Viewer
https://huggingface.co/datasets/Major-TOM/Core-S2L2A
#تكنولوجيا_حديثة #مراقبة_الأرض #Hugging_Face #ESA
Major TOM Core!
ما هي؟
مجموعة بيانات ضخمة لمراقبة الأرض مفتوحة المصدر.
تغطي نصف الكرة الأرضية تقريباً (2.2 مليار قطعة بمساحة 256 مليون كيلومتر مربع).
دقة عالية (10 متر لكل بكسل).
ما الذي يمكن استخدامها لـه؟
مشاريع تخرج رائعة😂
تطوير نماذج مراقبة الأرض.
تحليل التغييرات البيئية.
مراقبة الكوارث الطبيعية.
من يمكنه المشاركة؟
الجميع! 👨👩👧👦
انضم إلى الجهود التعاونية على Hugging Face: https://huggingface.co/Major-TOM
لماذا Major TOM مهم؟
يدعم الديمقراطية في تطوير ونشر نماذج مراقبة الأرض.
يوفر بيانات موثوقة وقابلة للتكرار.
يعزز التعاون بين الباحثين والمطورين.
استكشف المزيد:
https://huggingface.co/spaces/Major-TOM/MajorTOM-Core-Viewer
https://huggingface.co/datasets/Major-TOM/Core-S2L2A
#تكنولوجيا_حديثة #مراقبة_الأرض #Hugging_Face #ESA
حسب آخر الاختبارات Claude-3 يتفوق على GPT4 في الكثير من المهام، هل نحن على أعتاب قفزة جديدة في مجال النماذج اللغوية؟
الإختبارات: https://www.maximumtruth.org/p/ais-ranked-by-iq-ai-passes-100-iq
الإختبارات: https://www.maximumtruth.org/p/ais-ranked-by-iq-ai-passes-100-iq
رحيل رائد التقنية العربية: محمد الشارخ 😥
أول من أدخل اللغة العربية للحواسيب للمرة الأولى في التاريخ.
نال شرف أول من يطور برنامج للقرآن الكريم وكتب الحديث التسعة.
مؤسس ورئيس مجلس إدارة شركة صخر لبرامج الحاسب عام 1982.
إنجازاته:
تطوير برنامج القرآن الكريم وكتب الحديث التسعة باللغة الإنكليزية للكمبيوتر عام 1985.
أرشيف المعلومات الإسلامية والتعرف الضوئي على الحروف العربية عام 1994.
نطق الحروف العربية عام 1998 والترجمة من وإلى العربية عام 2002.
ترجمة التخاطب الآلي عام 2010.
تطوير العديد من البرامج التعليمية والتثقيفية وتعلم البرمجة للناشئة (أكثر من 90 برنامجاً).
نشر كتب تعليم الكمبيوتر وتدريب المدرسين وتأسيس معاهد تعليم برمجة الحاسب.
رحمة الله عليه وألهم أهله وذويه الصبر والسلوان. 🤲
أول من أدخل اللغة العربية للحواسيب للمرة الأولى في التاريخ.
نال شرف أول من يطور برنامج للقرآن الكريم وكتب الحديث التسعة.
مؤسس ورئيس مجلس إدارة شركة صخر لبرامج الحاسب عام 1982.
إنجازاته:
تطوير برنامج القرآن الكريم وكتب الحديث التسعة باللغة الإنكليزية للكمبيوتر عام 1985.
أرشيف المعلومات الإسلامية والتعرف الضوئي على الحروف العربية عام 1994.
نطق الحروف العربية عام 1998 والترجمة من وإلى العربية عام 2002.
ترجمة التخاطب الآلي عام 2010.
تطوير العديد من البرامج التعليمية والتثقيفية وتعلم البرمجة للناشئة (أكثر من 90 برنامجاً).
نشر كتب تعليم الكمبيوتر وتدريب المدرسين وتأسيس معاهد تعليم برمجة الحاسب.
رحمة الله عليه وألهم أهله وذويه الصبر والسلوان. 🤲
دليلك خطوة بخطوة لجميع خوارزميات التعلم الآلي 🤖
1ـ ابدأ بخوارزميات الانحدار (Regression Algorithms):
الانحدار الخطي (Linear Regression) 📈
الانحدار متعدد الحدود (Polynomial Regression) 曲线
انحدار ريدج و لاسو (Ridge and Lasso Regression) ⚖️
انحدار الشبكة المرنة (Elastic Net Regression) 🕸
2ـ انتقل بعد ذلك إلى خوارزميات التصنيف الخطي (Linear Classification Algorithms):
الانحدار اللوجستي (Logistic Regression) 🧮
تحليل تمييز الخطي (LDA) (Linear Discriminant Analysis) 📊
مصنف الانحدار العشوائي (Stochastic Gradient Descent Classifier) 🎲
3ـ تعلّم خوارزميات نايف بايز (Naïve Bayes Algorithms):
نايف بايز غاوسي (Gaussian Naive Bayes) 🔔
نايف بايز المتعدد (Multinomial Naive Bayes) 🧮
نايف بايز برنولي (Bernoulli Naive Bayes) 🧬
4ـ تعلّم آلات الدعم المتجه (Support Vector Machines) وجيران أقرب K (K Nearest Neighbours)
5ـ تعلّم أشجار القرار (Decision Trees) وطرق المجموعات (Ensemble Methods):
شجرة القرار (Cart) 🌳
ـID3 و C4.5 🌴
الغابات العشوائية (Random Forests) 🌲
6ـ تعلّم خوارزميات التعزيز (Boosting Algorithms):
تعزيز الانحدار (Gradient Boosting) 📈
الـ AdaBoost 💪
7ـ انتقل بعد ذلك لتعلم خوارزميات التجميع (Clustering Algorithms):
ـ K-means Clustering 👥
ـDBSCAN (التجميع الكثيف القائم على المسافة) 🔬
التجميع التراكمي (Agglomerative Clustering) 🧱
تجميع BIRCH Clustering 🪵
تجميع الانزياح المتوسط (Mean Shift Clustering) 🧲
8ـ تعلّم بُنى الشبكات العصبية (Neural Network Architectures):
ـ Perceptron (بيرسيبترون) 🧠
ـ Perceptron متعدد الطبقات (Multilayer Perceptron) 🧠🧠
ـ CNN (الشبكة العصبية الالتفافية) 🖼
ـ RNN (الشبكة العصبية المتكررة) 🔁
ـ LSTM (الذاكرة طويلة المدى قصيرة الأجل) ⏳
ـ GAN (شبكات الخصومة التوليدية) 🎭
ـ Transformer Networks (شبكات المحولات) 🕸
هل أنت مستعد لبدء رحلتك في عالم التعلم الآلي؟ 🚀
#تعلم_الآلة #خوارزميات #ذكاء_اصطناعي #برمجة
1ـ ابدأ بخوارزميات الانحدار (Regression Algorithms):
الانحدار الخطي (Linear Regression) 📈
الانحدار متعدد الحدود (Polynomial Regression) 曲线
انحدار ريدج و لاسو (Ridge and Lasso Regression) ⚖️
انحدار الشبكة المرنة (Elastic Net Regression) 🕸
2ـ انتقل بعد ذلك إلى خوارزميات التصنيف الخطي (Linear Classification Algorithms):
الانحدار اللوجستي (Logistic Regression) 🧮
تحليل تمييز الخطي (LDA) (Linear Discriminant Analysis) 📊
مصنف الانحدار العشوائي (Stochastic Gradient Descent Classifier) 🎲
3ـ تعلّم خوارزميات نايف بايز (Naïve Bayes Algorithms):
نايف بايز غاوسي (Gaussian Naive Bayes) 🔔
نايف بايز المتعدد (Multinomial Naive Bayes) 🧮
نايف بايز برنولي (Bernoulli Naive Bayes) 🧬
4ـ تعلّم آلات الدعم المتجه (Support Vector Machines) وجيران أقرب K (K Nearest Neighbours)
5ـ تعلّم أشجار القرار (Decision Trees) وطرق المجموعات (Ensemble Methods):
شجرة القرار (Cart) 🌳
ـID3 و C4.5 🌴
الغابات العشوائية (Random Forests) 🌲
6ـ تعلّم خوارزميات التعزيز (Boosting Algorithms):
تعزيز الانحدار (Gradient Boosting) 📈
الـ AdaBoost 💪
7ـ انتقل بعد ذلك لتعلم خوارزميات التجميع (Clustering Algorithms):
ـ K-means Clustering 👥
ـDBSCAN (التجميع الكثيف القائم على المسافة) 🔬
التجميع التراكمي (Agglomerative Clustering) 🧱
تجميع BIRCH Clustering 🪵
تجميع الانزياح المتوسط (Mean Shift Clustering) 🧲
8ـ تعلّم بُنى الشبكات العصبية (Neural Network Architectures):
ـ Perceptron (بيرسيبترون) 🧠
ـ Perceptron متعدد الطبقات (Multilayer Perceptron) 🧠🧠
ـ CNN (الشبكة العصبية الالتفافية) 🖼
ـ RNN (الشبكة العصبية المتكررة) 🔁
ـ LSTM (الذاكرة طويلة المدى قصيرة الأجل) ⏳
ـ GAN (شبكات الخصومة التوليدية) 🎭
ـ Transformer Networks (شبكات المحولات) 🕸
هل أنت مستعد لبدء رحلتك في عالم التعلم الآلي؟ 🚀
#تعلم_الآلة #خوارزميات #ذكاء_اصطناعي #برمجة
الأمر بسيط إن شاء الله :
أولا قم بالتسجيل في الـ API الخاص بهم عبر إيميلك :
https://console.anthropic.com/
ثانيا قم بإدخال رقم هاتفك وتأكيده.
ثالثا قم بعمل Claim لمبلغ 5 دولار الذين يقدمونه مجانا للتجربة.
رابعا: إستمتع باستخدام واختبار أحدث النماذج 👴
لا تقلق 5 دولار مبلغ كافي لتجربة كل شيء هناك بانتظار دعم بلدك
أولا قم بالتسجيل في الـ API الخاص بهم عبر إيميلك :
https://console.anthropic.com/
ثانيا قم بإدخال رقم هاتفك وتأكيده.
ثالثا قم بعمل Claim لمبلغ 5 دولار الذين يقدمونه مجانا للتجربة.
رابعا: إستمتع باستخدام واختبار أحدث النماذج 👴
لا تقلق 5 دولار مبلغ كافي لتجربة كل شيء هناك بانتظار دعم بلدك
اذا لم تحفز نفسك، فلن تحقق أي شيء مهم في حياتك😔
كيف تجبر دماغك على الرغبة في فعل الأشياء الصعبة؟
هناك نوعان من الدوافع: خارجية وداخلية.
الدافع الخارجي: يأتي من عوامل خارجية مثل المال أو الثناء.
الدافع الداخلي: يأتي من رغبتك في تحقيق شيء ما لنفسك.
الدافع الخارجي:
يخلق دفعة تحفيزية قصيرة المدى.
يعمل في البداية، لكنه يتلاشى بسرعة.
أمثلة:
المال 💰
الثناء 👍
الخوف من الفشل 😨
الدافع الداخلي:
يدوم لفترة أطول.
يقودك إلى تحقيق أهداف أكبر.
أمثلة:
حب التعلم 🧠
الشعور بالإنجاز 💪
الرغبة في المساعدة 🤝
كيف تزيد من دافعك الداخلي؟
حدد أهدافًا مهمة بالنسبة لك.
قسّم أهدافك الكبيرة إلى أهداف أصغر.
احتفِ بإنجازاتك، حتى لو كانت صغيرة.
ابحث عن بيئة تدعمك وتشجعك.
تذكر شعورك بالإنجاز بعد إنجاز مهمة صعبة.
تذكر:
الدافع هو مفتاح النجاح.
يمكنك تنمية دافعك الداخلي من خلال الممارسة.
لا تستسلم!
#تحفيز #دافع #نجاح #أهداف #إنجاز
كيف تجبر دماغك على الرغبة في فعل الأشياء الصعبة؟
هناك نوعان من الدوافع: خارجية وداخلية.
الدافع الخارجي: يأتي من عوامل خارجية مثل المال أو الثناء.
الدافع الداخلي: يأتي من رغبتك في تحقيق شيء ما لنفسك.
الدافع الخارجي:
يخلق دفعة تحفيزية قصيرة المدى.
يعمل في البداية، لكنه يتلاشى بسرعة.
أمثلة:
المال 💰
الثناء 👍
الخوف من الفشل 😨
الدافع الداخلي:
يدوم لفترة أطول.
يقودك إلى تحقيق أهداف أكبر.
أمثلة:
حب التعلم 🧠
الشعور بالإنجاز 💪
الرغبة في المساعدة 🤝
كيف تزيد من دافعك الداخلي؟
حدد أهدافًا مهمة بالنسبة لك.
قسّم أهدافك الكبيرة إلى أهداف أصغر.
احتفِ بإنجازاتك، حتى لو كانت صغيرة.
ابحث عن بيئة تدعمك وتشجعك.
تذكر شعورك بالإنجاز بعد إنجاز مهمة صعبة.
تذكر:
الدافع هو مفتاح النجاح.
يمكنك تنمية دافعك الداخلي من خلال الممارسة.
لا تستسلم!
#تحفيز #دافع #نجاح #أهداف #إنجاز
ما الذي نتوقعه بحلول نهاية عام 2024؟ أين يتجه الذكاء الاصطناعي؟
7-10 نماذج بمستوى GPT-4: 🤯 ستظهر نماذج ذكاء اصطناعي متقدمة تُضاهي GPT-4 في قدراتها.
لا قفزات هائلة: 🤔 لن نشهد ثورة تقنية هائلة مثل ظهور GPT-5، أو قد يكون GPT-5 مخيبًا للآمال.
حروب الأسعار: ⚔️ ستتنافس الشركات على تقديم خدمات الذكاء الاصطناعي بأسعار تنافسية.
فجوة ضيقة: 🤏 لن تتميز أي شركة بميزة تنافسية كبيرة.
لا حلول جذرية: 😕 لن تُحل مشكلة الهلوسة في نماذج الذكاء الاصطناعي بشكل كامل.
تبني متواضع من الشركات: 🏢 ستستخدم بعض الشركات تقنية الذكاء الاصطناعي، لكن بشكل محدود.
أرباح متواضعة: 💰 ستحقق الشركات أرباحًا معقولة من تقنية الذكاء الاصطناعي، لكن ستتوزع هذه الأرباح على عدد كبير من الشركات.
كانت هذه توقعات الخبير العالمي Gary Marcus
#ذكاء_اصطناعي #تنبؤات #GPT4 #برمجة #تكنولوجيا_حديثة
7-10 نماذج بمستوى GPT-4: 🤯 ستظهر نماذج ذكاء اصطناعي متقدمة تُضاهي GPT-4 في قدراتها.
لا قفزات هائلة: 🤔 لن نشهد ثورة تقنية هائلة مثل ظهور GPT-5، أو قد يكون GPT-5 مخيبًا للآمال.
حروب الأسعار: ⚔️ ستتنافس الشركات على تقديم خدمات الذكاء الاصطناعي بأسعار تنافسية.
فجوة ضيقة: 🤏 لن تتميز أي شركة بميزة تنافسية كبيرة.
لا حلول جذرية: 😕 لن تُحل مشكلة الهلوسة في نماذج الذكاء الاصطناعي بشكل كامل.
تبني متواضع من الشركات: 🏢 ستستخدم بعض الشركات تقنية الذكاء الاصطناعي، لكن بشكل محدود.
أرباح متواضعة: 💰 ستحقق الشركات أرباحًا معقولة من تقنية الذكاء الاصطناعي، لكن ستتوزع هذه الأرباح على عدد كبير من الشركات.
كانت هذه توقعات الخبير العالمي Gary Marcus
#ذكاء_اصطناعي #تنبؤات #GPT4 #برمجة #تكنولوجيا_حديثة
هل تبحث عن أفضل أدوات الذكاء الاصطناعي لتعلمها واستخدامها؟ لا تبحث أكثر! هذا الفيديو هو لك!
في هذا الفيديو قمنا بتحليل 90 مكتبة للذكاء اصطناعي واخترنا لك الأفضل، ثم قمنا بترتبها من حيث السهولة والكفاءة ،تطرقنا لإيجابيات وسلبيات واستخدامات كل مكتبة، ورشحنا لك أفضل المصادر .
https://youtu.be/DhR_junruyI
في هذا الفيديو قمنا بتحليل 90 مكتبة للذكاء اصطناعي واخترنا لك الأفضل، ثم قمنا بترتبها من حيث السهولة والكفاءة ،تطرقنا لإيجابيات وسلبيات واستخدامات كل مكتبة، ورشحنا لك أفضل المصادر .
https://youtu.be/DhR_junruyI
YouTube
كل مكتبات الذكاء الاصطناعي والتعلم الآلي في فيديو واحد 🤗
🎁 خصم 100 دولار لأول 10 مشتركين في دورات أكاديمية حسوب عبر الكوبون التالي: PAI100
academy.hsoub.com
هل تبحث عن أفضل أدوات الذكاء الاصطناعي لتعلمها واستخدامها؟
لا تبحث أكثر!
هذا الفيديو هو لك!
في هذا الفيديو، سنقوم بتحليل كل مكتبات الذكاء الاصطناعي واخترنا…
academy.hsoub.com
هل تبحث عن أفضل أدوات الذكاء الاصطناعي لتعلمها واستخدامها؟
لا تبحث أكثر!
هذا الفيديو هو لك!
في هذا الفيديو، سنقوم بتحليل كل مكتبات الذكاء الاصطناعي واخترنا…
تجربتنا الشخصية لـ philipp1337x/clarity-upscaler لأفضل نموذج لتحسين جودة الصور ،تحدثنا عنه في التغريدة التالية:
https://twitter.com/python_ar/status/...
جودة الصور قبل وبعد.
✨لديك صورة وتحب أن نجرب عليها ؟ إرفعها لنا
https://twitter.com/python_ar/status/...
جودة الصور قبل وبعد.
✨لديك صورة وتحب أن نجرب عليها ؟ إرفعها لنا