Dr. Eman Allogmani

Doctor of Science in CS. Assistant Professor @umajmaah. Researcher AI & ML | NLP | Blockchain. “Believe you can and you're halfway there” Roosevelt

[Python Developer @PythonDvz]

10 Algorithms used in industry

1. Linear Regression
Predicts continuous values by finding the best-fit linear relationship between features and the target variable.

2. Logistic Regression
Used for binary and multi-class classification by estimating the probability of each class.

3. Decision Tree
Makes predictions using a tree-like structure of decision rules, making it easy to understand and interpret.

4. Support Vector Machine (SVM)
Finds the optimal boundary that separates different classes, especially effective for high-dimensional data.

5. K-Means Clustering
Groups similar data points into clusters without labeled data, commonly used for customer segmentation.

6. Random Forest
Combines multiple decision trees to improve prediction accuracy and reduce overfitting.

7. XGBoost
A powerful gradient boosting algorithm known for high accuracy, speed, and winning many ML competitions.

8. Neural Networks
Mimic the human brain to learn complex patterns, powering applications like computer vision, NLP, and speech recognition.

9. LSTM (Long Short-Term Memory)
A specialized recurrent neural network designed to learn long-term dependencies in sequential data.

10. Isolation Forest
Detects anomalies by isolating unusual data points, making it ideal for fraud detection and outlier analysis.

[Saad @Sa4d_k1]

من الأوراق اللافتة مؤخرًا واكثر انتشارا في مجتمع الذكاء الاصطناعي ورقة من Meta بعنوان

Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings

والنظام اسمه
Brain2Qwerty v2

الفكرة للوهلة الأولى تبدو مثل الخيال العلمي: تحويل إشارات الدماغ إلى كلمات بدون زراعة شريحة أو تدخل جراحي.

لكن هذا ليس نموذجًا يقرأ الأفكار من بعيد، وليس شخصًا يفكر بجملة فيتم استخراجها مباشرة.

التجربة كانت على أشخاص أصحاء يستمعون إلى جملة، ثم يكتبونها على لوحة مفاتيح، وفي نفس الوقت يتم تسجيل نشاط الدماغ من خارج الرأس باستخدام جهاز MEG، وهو جهاز يلتقط الإشارات المغناطيسية الدقيقة الناتجة عن نشاط الدماغ بدون أي زراعة أو تدخل جراحي. بعدها يحاول النموذج فك الإشارات العصبية المرتبطة بعملية الكتابة وتحويلها إلى نص.

وهنا تأتي أهمية Brain2Qwerty v2.

النسخة السابقة كانت أقرب إلى فك الحروف، أما هذه النسخة فتحاول الانتقال إلى مستوى الحرف، الكلمة، والجملة. بمعنى أن ال��ظام لا يحاول فقط تخمين الأحرف، بل يستخدم نماذج لغوية لفهم السياق وإعادة بناء الجملة بشكل أقرب للمعنى.

طريقة العمل تقريبًا كالتالي:

- إشارة MEG تدخل إلى Encoder مبني على Conformer لاستخراج تمثيلات من نشاط الدماغ ومحاولة توقع الحروف.

- بعد ذلك يأتي Aligner يربط هذه التمثيلات العصبية بتمثيلات الكلمات.

- ثم يدخل LLM في النهاية ليعيد بناء الجملة، مستفيدًا من النص الأولي القادم من الـ Encoder ومن تمثيلات الدماغ المرتبطة بالكلمات.

النتائج لافتة جدا حيث انهم استخدموا حوالي 22 ألف جملة من 9 مشاركين، وكل مشارك تم تسجيله لمدة 10 ساعات. النموذج حقق متوسط WER حوالي 39%، وهذا يعني تقريبًا 61% word accuracy. وأفضل مشارك وصل إلى WER حوالي 22%، مع قدرة على فك حوالي نصف الجمل بخطأ كلمة واحدة أو أقل.

من أجمل النقاط في الورقة أن الأداء يتحسن مع زيادة البيانات بشكل log-linear، ولم يظهر تشبع واضح عند حدود البيانات الحالية. وهذا يوحي أن جزءًا من الفجوة بين الطرق غير الجراحية والطرق الجراحية قد يتحسن فقط ��جمع بيانات أكثر وأفضل.

وفيه مرئيات مهمة جدًا عن البيانات حيث ان لم تكن كمية البيانات فقط هي المهمة، بل تنوع الجمل أيضًا. الورقة توضح أن تكرار نفس الجمل لا يعطي نفس الفائدة مثل وجود جمل أكثر تنوعًا. وهذا منطقي، لأن النموذج لا يحتاج فقط أن يحفظ أنماطًا متكررة، بل يحتاج أن يتعلم كيف ترتبط إشارات الدماغ باللغة في حالات مختلفة.

نقطة ثانية جميلة أن استخدام LLM حسّن مستوى الكلمات والمعنى، لكنه أحيانًا يسبب مشكلة مختلفة: إذا كانت الإشارة ضعيفة، قد ينتج النموذج جملة سليمة لغويًا لكنها ليست الجملة الصحيحة. لذلك الورقة تفرق بين دقة الحروف، ودقة الكلمات، ودقة المعنى.

واللافت أيضًا أنهم استخدموا AI agents لتحسين أجزاء من pipeline. الوكلاء جربوا تعديلات مثل label smoothing، modality dropout، و beam search، وحققوا تحسينات فعلية. لكن الورقة أيضًا كانت صريحة أن الوكلاء فشلوا عندما أُعطوا مهمة بحثية مفتوحة بالكامل، وهذا يعطي صورة واقعية: الذكاء الاصطناعي قد يكون مساعدًا قويًا للباحث، لكنه لم يستبدل الباحث بعد.

أهمية هذا العمل ليست فقط في الرقم النهائي، بل في الاتجاه.

اليوم التقنية ما زالت بعيدة عن الاستخدام اليومي. تحتاج جهاز MEG كبير، وتجارب مضبوطة، وتم اختبارها على أشخاص أصحاء يكتبون فعليًا، وليس على مرضى فقدوا القدرة على الحركة أو الكلام.

لكنها تفتح مسارًا مهمًا: واجهات دماغ-حاسوب غير جراحية يمكن أن تساعد مستقبلًا الأشخاص الذين فقدوا القدرة على التواصل بسبب إصابات أو اضطرابات عصبية.

الذكاء الاصطناعي هنا لا يكتب نصًا فقط، بل يحاول بناء جسر بين نشاط الدماغ واللغة.

وهذا قد يكون من أكثر المسارات الإنسانية أهمية في تقاطع الذكاء الاصطناعي، علوم الأعصاب، والنماذج اللغوية.

وفي نفس الوقت، نلاحظ أن جزءًا كبيرًا من مستقبل الذكاء الاصطناعي يتحرك خارج حدود النص فقط، باتجاه نماذج تفهم العالم وتتفاعل معه، مثل نماذج العالم (World Models) والذكاء الاصطناعي الفيزيائي (Physical AI).

سواء كان الاتجاه نحو فهم الدماغ واللغة، أو نحو فهم الحركة والبيئات والروبوتات، الفكرة الأكبر واضحة: الذكاء الاصطناعي بدأ ينتقل من أنظمة تجيب وتكتب، إلى أنظمة تحاول فهم الإنسان والعالم من حوله.

رابط الكود:
https://t.co/D2kPvk9nbQ

البحث:
https://t.co/enyLU7UDZs

المقالة:
https://t.co/SZzL3ABuQj

[Melchor Santiago @MelchorSan26]

🚨 ¡NOTICIA URGENTE: NotebookLM ahora puede enseñarte como un tutor privado de cualquier universidad prestigiosa!! Totalmente gratis

Aquí tienes 8 prompts (órdenes) que reemplazan horas de lecciones pagadas:
(Guarda esto antes de que se te escape)
Hilo:

[Saad @Sa4d_k1]

للمهتمين يتعلمون كيف يبنون ويدربون نماذج الذكاء الاصطناعي التوليدية الخاصة بهم او لاستخدام داخلي وخاص، أنصحكم بالتسجيل.

معسكر ساعي القادم فرصة مميزة للتعلّم من مجموعة من الخبراء والمهندسين العاملين في هذا المجال، وبمحتوى عملي يساعد على فهم الصورة كاملة من البيانات إلى التدريب والتقييم

https://t.co/MycOStNv1B

[Saad @Sa4d_k1]

من أكثر الأوراق البحثية انتشارًا في مجتمع الذكاء الاصطناعي هذا الشهر ورقة تتحدث عن نقطة بسيطة وسهلة، لكنها قد تؤثر بشكل كبير على أداء النماذج اللغوية، ليس فقط في كتابة الـ Prompts، بل أيضًا في توليد البيانات، تدريب النماذج، الترجمة، وحتى بناء وكلاء الذكاء الاصطناعي.

الفكرة باختصار:
- ليس فقط “ماذا” نسأل النموذج، بل “كيف” نصيغ السؤال (Prompt)

لفترة طويلة كان التركيز في تحسين النماذج يدور حول حجم البيانات، جودة البيانات، حجم النموذج، وطريقة التدريب. لكن هذه الورقة تطرح زاوية مختلفة مرتبطة بمرحلة ما قبل التدريب (Pre-training): النماذج تتعلم من أنماط لغوية تتكرر أمامها بكثرة، لذلك قد تكون بعض الصياغات أسهل عليها من صياغات أخرى حتى لو كان المعنى واحدًا.

والتحدي هنا أن كثيرًا من النماذج القوية مغلقة المصدر، ولا نعرف بدقة ما هي البيانات التي تدرّبت عليها. لذلك تقترح الورقة تقدير “شيوع الصياغة” من مصادر نصية مفتوحة على الإنترنت، ثم اختيار الصياغة الأقرب للأنماط اللغوية الشائعة

عنوان الورقة:
Adam’s Law: Textual Frequency Law on Large Language Models

فكرة الورقة بشكل مباشر:
إذا كان عندك جملتان تحملان نفس المعنى، غالبًا النموذج يتعامل بشكل أفضل مع الجملة الأكثر شيوعًا واستخدامًا في النصوص؛ لأنها أقرب للأنماط التي شاهدها النموذج كثيرًا أثناء التدريب.

مثال مبسّط من الحياة اليومية:
بدلًا من:
"أرغب في معرفة الخيارات الغذائية المناسبة التي يمكن تناولها في فترة المساء دون أن تسبب شعورًا بالثقل قبل النوم"

الأفضل:
"وش أقدر أتعشى الليلة بدون ما أحس بثقل قبل النوم؟"

المعنى متقارب، لكن الصياغة الثانية أقرب للطريقة الطبيعية التي نستخدمها في السؤال اليومي، وغالبًا أقرب أيضًا إلى الأنماط اللغوية التي شاهدها النموذج بكثرة أثناء التدريب، مما قد يجعل إجابته أفضل.

لا يكفي أن تكون الجملة صحيحة من ناحية المعنى، بل من المهم أيضًا أن تكون طبيعية، واضحة، وقريبة من الاستخدام الشائع

الورقة لم تكتفِ بالفكرة نظريًا، بل اختبرتها على عدة نماذج قوية مثل:
- GPT-4o-mini
- DeepSeek-V3
- Llama 3.3 70B
- Qwen 2.5 7B
- Doubao 1.5
والاختبارات لم تكن على مهمة واحدة فقط، بل شملت حل المسائل، الترجمة، الاستدلال العام، وتجارب Fine-tuning.

ومن الأفكار المهمة في الورقة أيضًا ما يسمونه:

Curriculum Textual Frequency Training - CTFT

وفكرته باختصار:
بدل أن ندرّب النموذج على البيانات بترتيب عشوائي، يتم ترتيب بيانات التدريب حسب شيوع الصياغة، من الأقل شيوعًا إلى الأكثر شيوعًا، بحيث يستفيد النموذج من تنوع الصياغات الأقل شيوعًا في البداية، ثم ينهي التدريب بصياغات أقرب للأنماط المألوفة والشائعة.

في تجارب الـ Fine-tuning، طبّقوا ذلك على Qwen2.5-7B-Instruct باستخدام LoRA، ووجدوا أن ترتيب البيانات بهذه الطريقة ساعد في تحسين نتائج الترجمة مقارنة بعدة طرق أخرى.

الورقة تقترح فكرة مهمة في التعامل مع النماذج اللغوية: أحيانًا تحسين الأداء لا يبدأ من تغيير النموذج، بل من تحسين اللغة التي نخاطب بها النموذج، أو اللغة التي ندرّبه ونقيّمه عليها

بمعنى آخر
قبل أن نحكم أن النموذج ضعيف، قد نحتاج أن نسأل أولًا:
هل صغنا السؤال أو البيانات بلغة يفهمها النموذج بسهولة؟

أنصح بالاطلاع على الورقة، لأنها تحتوي على تفاصيل إضافية وتجارب أوسع حول الفكرة ونتائجها.
الورقة:
https://t.co/mjNh2V4Imt
الكود:
https://t.co/CWFvCjAtG1

[Hamza Khalil @Hamzahkhalil14]

اهمية الغباء في البحث العلمي!

المقاله تقول إن الشعور بالغباء في البحث العلمي ليس فشلا، بل هو علامة أنك تعمل فعلا على أسئلة جديدة. الفرق بين الدراسة (البكلوريوس) والبحث (الدكتوراه) أن الأولى تكافئك على الإجابات الصحيحة، بينما الثانيه تجبرك على العيش في مساحة لا يملك فيها أحد الإجابة الصحيحة.

الفكرة الأساسية هي ان "الغباء المنتج" هو أن تختار العمل على أسئلة مهمة تجعلك اكثر ج��هلا بالضرورة حول نقطه معينه، وتتعلم من المحاولة والخطأ. وكلما تصالحت مع هذا الشعور، زادت قدرتك على التقدم في المجهول وصنع اكتشافات حقيقية في مجالك.

[Hamza Khalil @Hamzahkhalil14]

الدكتوراه سبب لتدهور حالتك النفسيه!

الدراسة تابعت ٢٠ الف طالب (قبل وبعد وأثناء الدكتوراه) في السويد وقارنتهم بحملة ماجستير ما كملوا دكتوراه، عشان تعرف هل المشكلة في الناس ولا في تجربة الدكتوراه نفسها؟

قبل بدء الدكتوراه، الصحة النفسية للطرفين كانت متشا��هة جدا. يعني ما في دليل إن اللي يدخلوا دكتوراه أصلًا عندهم مشاكل نفسية أكثر من غيرهم.

بعد بدء الدكتوراه، استخدام أدوية الاكتئاب والقلق والمنومات ارتفع بشكل واضح، ووصل تقريبًا إلى 40٪ زيادة بعد خمس سنوات (الصوره تحت)

بعد التخرج الوضع يتحسّن شوي، لكن ما يرجع مثل قبل الدكتوراه بالكامل. التأثير طويل نسبيًا، مو مجرد ضغط مؤقت للأسف

المشكلة مو في الشخص، المشكلة في نظام الدكتوراه نفسه. بيئة الإشراف، طول المدة، العزلة، وعدم الاستقرار كلها عوامل تضغطك نفسيا!

[Ali Almansour| د.علي ال منصور @DrAliAlmansour]

دراسة:

حان الوقت لإخراج أجهزة اللابتوب من قاعات الدراسة.

24 تجربة تؤكد أن الطلاب يتعلمون أكثر ويحصلون على درجات أفضل عندما يدوّنون ملاحظاتهم يدويًا بدلًا من كتابتها على الحاسوب. وليس السبب فقط قلّة المشتتات، بل لأن الكتابة بخط اليد تعزّز المعالجة العميقة وتوليد الصور الذهنية.

القلم أقوى من لوحة المفاتيح!

منطقي

[هند الخليفة @hend_alkhalifa]

#البحث_العلمي

أعاني كثيراً عند مراجعة الأوراق العلمية للمجلات والمؤتمرات من قيام الباحثين بإدراج مراجع وهمية مولدة بواسطة #الذكاء_الاصطناعي
ولحل هذه المشكلة وجدت هذا الموقع والذي يتحقق من وجود المرجع فعلياً!

جرّبوها 👍🏻
https://t.co/h75IMRNWsp

[عمادة شؤون الطلاب @mu_dsa]

يدعوكم نادي الذكاء الاصطناعي لحضور لقاء بعنوان :
كيف غير الذكاء الاصطناعي عالم الألعاب الرقميه للطالب الجامعي

تتناول هذه الدورة مفهوم الذكاء الاصطناعي وأنواعه. مع التركيز على استخداماته في صناعة الألعاب الرقمية. ستستكشف كيف توظف التقنيات في تصميم الألعاب وتحسين تجربة اللاعبين، بالإضافة إلى دور الألعاب الرقمية في دفع تطور الذكاء الاصطناعي،

🗓️يوم الاربعاء 12 / 11 / 2025 م
🕖 7:00 م

التسجيل في منصة ارتقاء:
https://t.co/IR3Zj3zltK

#جامعة_المجمعة
#عمادة_شؤون_الطلاب
#من_الاندية_يصنع_الاثر

[Saad @Sa4d_k1]

اغلب من يعمل في مجال الذكاء الاصطناعي مر بتحدي المو��رد والتكلفة العالية لتدريب النماذج، خصوصا عند الوصول لمرحلة fine-tuning أو استخدام التعلم المعزز (RL)

الطرق التقليدية الحالية لتدريب نماذج الذكاء الاصطناعي الكبيرة تعتمد على سيرفرات GPUs ضخمة ومتزامنة، بتكلفة هائلة وبنية تحتية معقدة متوفرة للجهات الكبيرة فقط، مما يجعل تدريب النماذج اللغوية المتقدمة موضوع شبه مستحيل للطلاب أو للباحثين أو الشركات الصغيرة والمتوسطة.

فإن أكثر ورقة بحثية انتشارا حاليا في المجال تطرقت إلى هذا التحدي بابتكار جديد يركز على التدريب اللامركزي:
Sharing is Caring: Efficient LM Post‑Training with Collective RL Experience Sharing

البحث يقترح طريقة تدريب جديدة باسم SAPO:
(Swarm sAmpling Policy Optimization)

الطريقة لامركزية وغير متزامنة بالكامل، تتيح لأي جهة او شخص حتى بموارد بسيطة تدريب نماذج قوية دون الحاجة إلى supercomputers

وتقوم فكرتها على تدريب جماعي للنموذج موزع بين آلاف الأجهزة غير المتزامنة، بحيث ان فوائدها:

- تدريب لامركزي بالكامل دون الحاجة لتزامن بين الأجهزة

- مرونة في المشاركة تسمح للأجهزة بالانضمام والمغادرة في أي وقت خلال التدريب

- توافق واسع يشمل أجهزة الألعاب مثل RTX 3090 وRTX 4090 وحتى السيرفرات المتوسطة

- نقل ذكي للمعرفة حيث إذا اكتشف أحد الأجهزة إجابة جيدة، تتم مشاركتها تلقائيًا مع الشبكة (النموذج)

- خفض كبير في التكاليف مقارنة بالطرق التقليدية المعتمدة على سيرفرات ضخمة وتمكن الباحثين والشركات الصغيرة من تدريب نماذج متقدمة دون الحاجة لبنية تحتية ضخمة

هذا الابتكار قد يترك أثرا حقيقيا على مستقبل الذكاء الاصطناعي، خصوصا في جعل التدريب المتقدم متاحا للكل وليس فقط الشركات العملاقة.

هناك الكثير من التفاصيل التقنية الدقيقة في الورقة لم أذكرها هنا بشكل مفصل او دقيق وحاولت اسردها بشكل عام ومصور.
أنصح بقراءتها بالكامل لكل مهتم بالتدريب، التعلم المعزز، أو النماذج اللغوية.
📄 الورقة:
https://t.co/mtPQHeO5p8
💻 الكود مفتوح المصدر:
https://t.co/GbzsFHt7Xy

[Dr. Eman Allogmani @Esallogmani]

Thrilled to share my latest research paper
Published in Neuroscience Informatics (Elsevier, Q1, CiteScore 11.7, 93rd percentile).
Full Text 👉 https://t.co/l7BBbiSrBD
#Neuroscience #AI #HealthcareAI #ExplainableAI #seizure #EEG #MachineLearning #deeplearning

[Data Science Dojo @DataScienceDojo]

🚀 Most data cleaning errors don’t come from bad tools; they come from small mistakes.

From blindly dropping nulls to hardcoding logic that breaks in production — these mistakes can cost you accuracy, time, and trust in your data.

💡 In this carousel, we've broken down 5 of the most common (and costly) mistakes in data cleaning — and how to avoid them using Python tools like pandas, scikit-learn, and Great Expectations.

➡️ Whether you’re a data analyst, scientist, or just getting started with Python — mastering this layer of the pipeline is non-negotiable.

Join our Python for Data Science Bootcamp to sharpen your Python skills, write cleaner code, and build trustworthy data pipelines.

👉 https://t.co/KjUUIjRHTe

#Python #DataScience #DataCleaning #Pandas #AI #Analytics #LearnPython #PythonBootcamp

[مركز ريادة الأعمال الرقمية #كود @CODE_MCIT]

انضم لـ #برنامج_رواد_التقنية 5 وأبدأ رحلتك في حاضنات أعمال بقطاع حلول التقنيات ا��مالية في مجال الذكاء الاصطناعي في مدينتي الرياض وجدة

[Dr. Eman Allogmani @Esallogmani]

@NFAMohammad 🥹🥹
و هيا فعلاً تشبهك في جمالها و دفئها. سعيدة انها لامست قلبك🫶

[Nouf Alghamdi @NFAMohammad]

احب المدينة وأهل المدينة 🤍

خفيفين الروح ما نحس معهم لا بالوقت ولا بالتعب .. حصيلتي اليوم هالجلسه اللطيفه والحوارات اللي لقيت نفسي فيها 🤍

[Dr. Eman Allogmani @Esallogmani]

@NFAMohammad شوفتك كانت اجمل التفاصيل، ممتنة على الجلسة الحلوة و الحديث اللي ما ينمل .. سُعدت بلقائك من القلب 💜

[Nilofer 🚀 @Nilofer_tweets]

What is LLM Fine-Tuning?

Fine-tuning is one of the most effective ways to specialize a language model

It’s the process of taking a pretrained model and continuing its training on a smaller, task-specific dataset to make it perform better on a defined goal

Let’s understand 👇

[Dr. Eman Allogmani @Esallogmani]

و أنا على عهدك و وعدك ما استطعت🌹

[Dr. Eman Allogmani @Esallogmani]

Robots learning without human supervision?
MIT’s LucidSim combines generative AI and physics simulation to create 'machine dreams' — pushing robots to learn in virtual worlds and excel in the real one. A game-changer for robotics!
#AI #Robotics #GenAI https://t.co/GJGe7UvbUz