Mohammed Fahd Abrah

Data Scientist- AI Engineer - Machine Learning and Deep Learning Engineer | I run freeCodeCamp Arabic Accounts (Youtube- X- Facebook-Linkedin) @freeCodeCampAR

[Mohammed Fahd Abrah @programmingoce]

So, what does it take to complete 15 freeCodeCamp certs in 4 months while still in high school? In this guide,

breaks down the structured fCC path he used across web dev, Python, data analysis, and machine learning. And he talks about how building projects, being consistent, and strengthening his fundamentals = real progress.

https://t.co/5eWTq4YczG

#freeCodeCamp #programming #coding #Artificial_intelligence

[freeCodeCamp.org in Arabic @freeCodeCampAR]

كيف يستطيع الذكاء الاصطناعي إنشاء صورة مذهلة انطلاقًا من ضوضاء عشوائية بالكامل؟

إذا كنت قد استخدمت أدوات مثل Stable Diffusion أو غيرها من مولدات الصور الحديثة، فربما شاهدت النتائج المبهرة، لكن السؤال الأهم هو: ماذا يحدث خلف الكواليس؟

أطلقت اليوم أول فيديو في سلسلة جديدة مخصصة لـ Diffusion Models، وهي التقنية التي تقف وراء معظم أنظمة توليد الصور الحديثة.

في هذا الجزء نبدأ من الأساس:

• ما هي نماذج الانتشار؟
• لماذا أصبحت أهم من العديد من أساليب التوليد السابقة؟
• كيف تتحول Gaussian Noise تدريجيًا إلى صورة ذات معنى؟
• ما الفكرة الرياضية التي جعلت هذه النماذج تقود الثورة الحالية في الذكاء الاصطناعي التوليدي؟

هذه السلسلة لن تقتصر على الشرح النظري فقط، بل سننتقل تدريجيًا إلى:

✓ أشهر الأوراق البحثية المؤسسة للمجال.
✓ البنية المعمارية للنماذج.
✓ Stable Diffusion والنماذج المشتقة منه.
✓ الخوارزميات الأساسية مثل DDPM.
✓ الجوانب البرمجية والتطبيقية خطوة بخطوة.

إذا كنت مهتمًا بالذكاء الاصطناعي التوليدي وتريد فهم التقنيات الحقيقية التي تقف خلف الصور المولدة بالذكاء الاصطناعي، فهذه السلسلة ستكون مرجعًا متكاملًا من البداية وحتى المستوى المتقدم.

تابع السلسلة من بدايتها، لأن كل حلقة ستبني على ما قبلها، وسننتقل تدريجيًا من المفاهيم الأساسية إلى التفاصيل المعمارية والخوارزمية العميقة.

رابط الفيديو الأول من السلسلة:

https://t.co/ugtHG2K8lz

#برمجة #تقنية #الذكاء_الإصطناعي

[freeCodeCamp.org in Arabic @freeCodeCampAR]

DeBERTa: Decoding-Enhanced BERT with Disentangled Attention (ICLR 2021)

قدّمت الورقة

تحسينًا جوهريًا على نماذج

BERT وRoBERTa

من خلال آلية Disentangled Attention التي تفصل بين تمثيل محتوى الكلمة وموقعها داخل الجملة، بالإضافة إلى Enhanced Mask Decoder لتحسين فهم السياق أثناء التدريب.

أبرز النتائج:تفوق على RoBERTa في العديد من مهام فهم اللغة الطبيعية.

حقق نتائج أفضل في MNLI وSQuAD وRACE رغم تدريبه على بيانات أقل.

نسخة DeBERTa بحجم 1.5 مليار معلمة كانت أول نموذج يتجاوز الأداء البشري على معيار SuperGLUE وقت نشر الورقة.

تُعد DeBERTa من أهم التطورات في عائلة BERT، وقد أصبحت أساسًا للعديد من النماذج اللغوية الحديثة.

#البحث_العلمي #الذكاء_الاصطناعي

[freeCodeCamp.org in Arabic @freeCodeCampAR]

تُعد VGG واحدة من أكثر معماريات الشبكات العصبية الالتفافية تأثيرًا في تاريخ الرؤية الحاسوبية.

ساهمت هذه المعمارية في إثبات أن زيادة عمق الشبكة مع الحفاظ على بساطة التصميم يمكن أن يؤدي إلى تحسينات كبيرة في أداء نماذج التعرف على الصور.

في هذه الدورة ستتعلم كيفية بناء نموذج VGG من الصفر باستخدام PyTorch.

لا تركز الدورة على كتابة الكود فقط، بل تشرح أيضًا الأسس النظرية والرياضية التي قامت عليها المعمارية.

ستتعرف على فلسفة التصميم وراء VGG.

وستفهم آلية عمل عمليات الالتفاف (Convolution) ودورها في استخراج السمات البصرية.

كما ستتعلم لماذا اعتمدت VGG على مرشحات 3×3 الصغيرة وكيف ساهم ذلك في بناء شبكات أعمق وأكثر كفاءة.

تتضمن الدورة مقارنة بين VGG وعدد من المعماريات المعاصرة لفهم الاختلافات التصميمية وتأثيرها على الأداء.

ومن الجانب العملي ستتعلم كيفية تجهيز البيانات وتحويلها واستكشافها بصريًا داخل Google Colab.

كما ستبني النموذج خطوة بخطوة بطريقة منظمة وقابلة للتوسع.

وستنشئ حلقات التدريب والاختبار وتتعلم كيفية تحليل النتائج وتحسين الأداء.

تغطي الدورة أيضًا أدوات مهمة مثل torchinfo و matplotlib و CNN Explainer لفهم بنية النموذج وسلوك البيانات داخله.

بالإضافة إلى ذلك ستتعرف على تقنيات تعزيز البيانات والتعلم بالنقل وأساليب تفسير قرارات النماذج.

إذا كنت ترغب في الانتقال من استخدام النماذج الجاهزة إلى فهم كيفية تصميمها وبنائها وتحليلها من الداخل، فهذه الدورة تمثل نقطة انطلاق ممتازة.

#VGG16 #PyTorch #ComputerVision

https://t.co/n4ZFQtEOAp

[freeCodeCamp.org in Arabic @freeCodeCampAR]

الورقة العلمية الشهيرة

ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators

أحد أبرز التحديات في نماذج اللغة الكبيرة هو التكلفة الحاسوبية العالية أثناء مرحلة التدريب المسبق. جاءت ورقة ELECTRA لتقديم نهج جديد أكثر كفاءة من الأساليب التقليدية مثل BERT.

أهم ما قدمته الورقة:

• استبدال مهمة التنبؤ بالكلمات المخفية بمهمة اكتشاف الكلمات المستبدلة داخل النص.
• تدريب النموذج على الاستفادة من جميع الكلمات في الجملة بدلاً من جزء صغير منها فقط.
• تحسين كفاءة التعلم وتقليل الموارد الحاسوبية المطلوبة للتدريب.
• تحقيق أداء أفضل من BERT عند استخدام نفس البيانات ونفس القدرة الحاسوبية.
• الوصول إلى نتائج منافسة لـ RoBERTa و XLNet مع استهلاك أقل بكثير من موارد التدريب.

أثبتت ELECTRA أن المهام التمييزية يمكن أن تكون أكثر كفاءة وفعالية من المهام التوليدية في تعلم تمثيلات اللغة، مما جعلها من الأوراق البحثية المؤثرة في تطور نماذج معالجة اللغة الطبيعية الحديثة.

#البحث_العلمي #الذكاء_الاصطناعي

[freeCodeCamp.org @freeCodeCamp]

Vision Transformers have completely changed the field of computer vision.

But where did they come from? What came before? Why are they so important?

In this course, you'll learn all about the history of Deep Learning vision architectures from early ones like LaNet & AlexNet all the way to ViT.

https://t.co/dKDe2In1dD

[freeCodeCamp.org in Arabic @freeCodeCampAR]

الورقة العلمية:
BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension

الهدف من الورقة:تقديم نموذج تدريب مسبق

(Pre-training) جديد يجمع بين مزايا BERT و GPT

في نموذج واحد.

تطوير نموذج قادر على أداء مهام فهم اللغة وتوليد النصوص بكفاءة عالية.
تحسين أداء النماذج في التلخيص، والترجمة، والإجابة عن الأسئلة، والحوار، وتصنيف النصوص.

ماذا قدمت الورقة؟قدمت نموذج BART، وهو نموذج يعتمد على فكرة إفساد النص (Corruption) ثم تدريب النموذج على إعادة بناء النص الأصلي (Denoising Autoencoder).

دمجت بين:Encoder ثنائي الاتجاه (Bidirectional) مثل BERT.

Decoder توليدي ذاتي الانحدار (Autoregressive) مثل GPT.

ابتكرت أسلوب Text Infilling حيث يتم استبدال مقاطع كاملة من النص برمز Mask واحد، مما يجبر النموذج على فهم السياق الأوسع للنص.

حققت نتائج رائدة (State-of-the-Art) في مهام:التلخيص النصي (Summarization).
الإجابة التوليدية عن الأسئلة (Abstractive QA).
الحوار التوليدي (Dialogue Generation).
كما حافظت على أداء قوي في مهام الفهم اللغوي مثل GLUE وSQuAD.

الإنجاز الأكاديمي الأهم للورقة:أثبتت أن نموذجًا واحدًا يمكنه التفوق في مهام الفهم (Understanding) ومهام التوليد (Generation) معًا.

حققت تحسنًا يصل إلى 6 نقاط ROUGE على مجموعة بيانات XSum للتلخيص مقارنة بأفضل الأعمال السابقة آنذاك.
حسّنت أداء الترجمة الآلية بزيادة 1.1 BLEU على معيار WMT Romanian-English.

قدمت ورقة BART إطارًا موحدًا يجمع قوة BERT في فهم السياق وقوة GPT في توليد النصوص، ليصبح أحد أهم نماذج الـ Encoder-Decoder في تاريخ معالجة اللغة الطبيعية.

#البحث_العلمي #الذكاء_الاصطناعي

[freeCodeCamp.org @freeCodeCamp]

GPT-4 marked a major shift from text-only language models toward multimodal AI systems.

In this article, @programmingoce reviews the GPT-4 Technical Report and its historical significance.

You'll learn about predictable scaling, multimodal reasoning, RLHF, benchmarks, safety, and the model's limitations.

https://t.co/1NgmWit51J

[freeCodeCamp.org in Arabic @freeCodeCampAR]

الورقة العلمية الشهيرة:

Paper: ALBERT: A Lite BERT for Self-Supervised Learning of Language Representations

أهداف الورقة:

• تقليل عدد الـ Parameters في نماذج BERT الضخمة
• تسريع عملية التدريب وتقليل استهلاك الذاكرة
• الحفاظ على الأداء العالي في مهام فهم اللغة الطبيعية

المنهجية:

• استخدام Factorized Embedding Parameterization لتقليل حجم الـ Embeddings
• تطبيق Cross-Layer Parameter Sharing لمشاركة الأوزان بين الطبقات
• تقديم Sentence Order Prediction (SOP) بدل NSP لتحسين فهم ترابط الجمل
الإنجاز الأكاديمي:
• حققت ALBERT نتائج State-of-the-Art على:
GLUE

SQuAD
RACE Benchmarks

• تفوقت على BERT مع عدد Parameters أقل بكثير

• نموذج ALBERT-large استخدم Parameters أقل بحوالي 18x مقارنة بـ BERT-large مع أداء أقوى

#البحث_العلمي #الذكاء_الاصطناعي

[freeCodeCamp.org in Arabic @freeCodeCampAR]

يُعتبر تقرير GPT-4 من أهم اللحظات التاريخية في تطور الذكاء الاصطناعي الحديث

فبعد أن غيّر GPT-3 طريقة فهم العالم للنماذج اللغوية، جاء GPT-4 لينقل الذكاء الاصطناعي من مجرد “نموذج بحثي” إلى منصة حقيقية تُستخدم يوميًا من ملايين الأشخاص.

هذه المراجعة العلمية تشرح تطور GPT-4 من جميع الجوانب المهمة:

فكرة الـ Multimodal AI وفهم الصور والنصوص معًا
الفرق بين GPT-1 وGPT-2 وGPT-3 وGPT-4
تقنيات RLHF وAlignment
القدرات البرمجية والاستدلال المنطقي
السلوكيات الناشئة Emergent Behaviors
المخاطر الأمنية وقضايا السلامة
ولماذا أصبحت النماذج اللغوية أنظمة حوسبة أساسية للمستقبل
المميز في GPT-4 ليس فقط الحجم أو القوة،
بل الانتقال نحو نماذج أكثر موثوقية وقدرة على التفاعل مع العالم الحقيقي بشكل عملي.

كما يوضح التقرير تحولًا مهمًا في عالم الذكاء الاصطناعي:
من الأبحاث المفتوحة بالكامل إلى أنظمة تجارية ضخمة تُدار بحذر بسبب تأثيرها العالمي.

إذا كنت تريد فهم كيف تطورت النماذج اللغوية الحديثة ولماذا يُعتبر GPT-4 نقطة تحول تاريخية في عالم AI…

فهذه المراجعة ثرية جدًا بالمفاهيم العميقة والرؤية التقنية المهمة

https://t.co/T24hXznmNV

#البحث_العلمي #الذكاء_الاصطناعي

[Quincy Larson @ossia]

We're shipping a TON of new features to freeCodeCamp's sites and apps.

Still, 100% uptime over previous 90 days!

The platform team is crushing it. Open source contributors are shipping solid PRs.

We're using your donations well. You are donating right? https://t.co/cfz3CJuLY2

[freeCodeCamp.org @freeCodeCamp]

GPT-3 showed that large language models could learn new tasks from examples in the prompt.

This became known as few-shot learning.

Here, @programmingoce goes over the concepts covered in the paper "Language Models are Few-Shot Learners" by Tom Brown.

https://t.co/b9HWlD8sxf

[freeCodeCamp.org in Arabic @freeCodeCampAR]

قبل:
ChatGPT
وGenerative AI Revolution
كانت هناك ورقة بحثية غيّرت طريقة تفكير مجتمع الذكاء الاصطناعي بالكامل:
“Language Models are Few-Shot Learners”

الورقة التي قدمت:
GPT-3

وأظهرت لأول مرة أن نماذج اللغة الضخمة يمكنها تعلم المهام مباشرة من:
Prompts
Examples
Context

بدون:
Fine-Tuning
أو إعادة تدريب كاملة لكل مهمة.
في هذا المقال قمت بمراجعة الورقة البحثية بشكل عملي ومبسط لفهم:

• كيف ظهر مفهوم:
Few-Shot Learning
In-Context Learning
• لماذا أصبح:
Scaling Laws
عاملًا أساسيًا في تطور الذكاء الاصطناعي.
• كيف تم تدريب:
GPT-3

ولماذا شكّل نقطة تحول في تاريخ:
LLMs
• الفرق الحقيقي بين:
GPT-1
GPT-2
GPT-3
• كيف مهدت هذه الورقة الطريق لظهور:
ChatGPT
Modern AI Assistants

إذا كنت تريد فهم الأساس الحقيقي خلف ثورة:
Large Language Models

فهذه الورقة تعتبر واحدة من أهم الأوراق في تاريخ الذكاء الاصطناعي الحديث.

https://t.co/l7favzBvPS

#البحث_العلمي #الذكاء_الاصطناعي

[freeCodeCamp.org in Arabic @freeCodeCampAR]

الورقة العلمية الشهيرة:

Training Language Models to Follow Instructions with Human Feedback

الورقة التي غيّرت مسار نماذج GPT… ومهّدت الطريق لولادة ChatGPT.

قدّمت هذه الورقة من OpenAI مفهومًا ثوريًا يعتمد على التعلّم من التغذية الراجعة البشرية (RLHF)، حيث لم يعد النموذج يتعلّم فقط من نصوص الإنترنت، بل بدأ يتعلّم كيف يفهم نية الإنسان ويستجيب بطريقة أكثر فائدة وصدقًا وأمانًا.

الإنجاز الأبرز في الورقة كان تطوير نموذج InstructGPT، الذي تفوّق في تقييمات البشر على GPT-3 رغم أنه أصغر منه بحوالي 100 مرة من حيث عدد المعاملات.

وهنا بدأت النقلة الحقيقية: الانتقال من نموذج “يكمل النص” إلى نموذج “يتبع التعليمات ويتحاور مع الإنسان”.

هذه الورقة لم تكن مجرد تحسين تقني، بل كانت خطوة محورية نقلت عالم النماذج اللغوية من مرحلة الـ Autocomplete إلى عصر المساعدات الذكية الحوارية مثل ChatGPT.

لقد أثبتت أن جودة التفاعل مع الإنسان لا تعتمد فقط على تكبير النموذج، بل على تدريبه لفهم ما يريده المستخدم فعلًا.

ومن أهم ما قدّمته للمجتمع العلمي:

ترسيخ استخدام RLHF كنقطة أساسية في بناء النماذج الحوارية الحديثة.
تحسين الصدق وتقليل الهلوسة والسلوكيات السامة في النماذج.

فتح باب أبحاث “مواءمة الذكاء الاصطناعي” Alignment بشكل عملي وواسع.

تغيير طريقة تقييم النماذج: لم يعد الأداء على الاختبارات فقط هو المعيار، بل جودة التفاعل مع البشر.
باختصار:
هذه الورقة هي الجسر الذي عبرت منه GPT نحو ChatGPT.

#البحث_العلمي #الذكاء_الإصطناعي

[Dr.Entisar @EntisarAlkayal]

الحمدلله… أكثر من 4,000 مسجل في اللقاء 🌟

هذا الإقبال الكبير يعكس حجم الاهتمام بالمحتوى النوعي المرتبط بالذكاء الاصطناعي، والتحول الرقمي، وبناء المهارات المستقبلية.

وسعيدة جدًا بهذا التفاعل والاهتمام من المختصين والمهتمين من مختلف المجالات 🤍

📍 رابط البث المباشر:
https://t.co/aCdXdAZSn0

شكرًا لكل هذا الدعم والثقة… والقادم أجمل بإذن الله تعالى

[Prof. Mashael Khayyat @mashaelmk3]

الحمد لله على تمام النعم، ثم الشكر لكل من دعمني وساندني لبلوغ هذا المقام #درجة #الأستاذية
و أسأل الله التوفيق والسداد فيما هو قادم.
#ترقية_علمية

[freeCodeCamp.org in Arabic @freeCodeCampAR]

هندسة الأوامر (Prompt Engineering) ليست مجرد “كتابة سؤال للذكاء الاصطناعي” كما يظن البعض… بل أصبحت واحدة من أهم المهارات في عصر نماذج اللغة الحديثة.

الـ Prompt يشكل بيئة تدريب صغيرة ومؤقتة للنموذج أثناء التفاعل، حيث يتم توجيه قدراته اللغوية واستدعاء الأنماط والمعرفة المناسبة لتلبية طلب المستخدم بأفضل شكل ممكن.

كل كلمة داخل الـ Prompt يمكن أن تغيّر:
طريقة التفكير
أسلوب الإجابة
دقة المخرجات
وحتى طريقة تحليل المشكلة.
ولهذا أصبحت النماذج الحديثة مثل GPT تعتمد بشكل كبير على قوة الـ Prompting بدل الحاجة المستمرة إلى:
Fine-Tuning
أو تدريب مخصص لكل مهمة منفصلة.
بدل إعادة تدريب النموذج لكل استخدام جديد، أصبح بالإمكان توجيهه عن طريق:

Instructions
Context
Examples
System Prompts
ليؤدي مهام متعددة داخل نفس النموذج.
وهذا أحد أهم الأسباب التي جعلت نماذج اللغة الحديثة أكثر مرونة وقدرة على تنفيذ عدد هائل من المهام المختلفة دون إعادة تدريب كاملة كل مرة.

فهم هندسة الأوامر لم يعد مهارة إضافية… بل أصبح جزءًا أساسيًا من فهم كيفية عمل الذكاء الاصطناعي الحديث نفسه.

#هندسة_الأوامر #فن_هندسة_الأوامر #Prompt_Engineering

[Mohammed Fahd Abrah @programmingoce]

@alphaprime_x @freeCodeCamp it's useful to read the GPT1 paper Review to make the picture more clear.

https://t.co/RVzqWsJLOB

[freeCodeCamp.org @freeCodeCamp]

AI models have come a long way. And Before ChatGPT, there was GPT-1.

Here, @programmingoce reviews the original “Improving Language Understanding by Generative Pre-Training” paper and explains why pretraining changed NLP forever.

You’ll learn how unsupervised learning, transformers, and fine-tuning laid the foundation for modern LLMs.

https://t.co/PLNODFiYkD

[Mohammed Fahd Abrah @programmingoce]

@laybitcoin1 @freeCodeCamp it's useful to read the GPT1 paper Review to make the picture more clear.

https://t.co/RVzqWsJLOB

[freeCodeCamp.org @freeCodeCamp]

AI models have come a long way. And Before ChatGPT, there was GPT-1.

Here, @programmingoce reviews the original “Improving Language Understanding by Generative Pre-Training” paper and explains why pretraining changed NLP forever.

You’ll learn how unsupervised learning, transformers, and fine-tuning laid the foundation for modern LLMs.

https://t.co/PLNODFiYkD

[Mohammed Fahd Abrah @programmingoce]

@SprintLoom @freeCodeCamp it's useful to read the GPT1 paper Review to make the picture more clear.

https://t.co/RVzqWsJLOB

[freeCodeCamp.org @freeCodeCamp]

AI models have come a long way. And Before ChatGPT, there was GPT-1.

Here, @programmingoce reviews the original “Improving Language Understanding by Generative Pre-Training” paper and explains why pretraining changed NLP forever.

You’ll learn how unsupervised learning, transformers, and fine-tuning laid the foundation for modern LLMs.

https://t.co/PLNODFiYkD

[freeCodeCamp.org @freeCodeCamp]

GPT-2 changed AI research by showing that scale alone can unlock new capabilities.

In this paper review, @programmingoce explains how unsupervised next-token prediction led to translation, summarization, and question answering behaviors.

You'll learn about transformers, zero-shot learning, and why GPT-2 mattered historically.

https://t.co/4do6o1jb1B