أكاديمية محيط البرمجة لعلوم الذكاء الاصطناعي

نقدم العديد من البرامج التدريبية التي تنتهي بشهادات دولية مهنية و احترافية في تخصصات مختلفة لعلوم البيانات و الذكاء الاصطناعي واتس اب 0060182665428

[أكاديمية محيط البرمجة لعلوم الذكاء الاصطناعي @programmingocea]

🚀 إذا كنت تبحث عن مكان تتعلم فيه البرمجة والذكاء الاصطناعي من الأساس حتى الاحتراف — فهذه هي وجهتك.

مرحبًا بك في قناة freeCodeCamp بالعربية، المنصة التعليمية التي تقدم لك محتوى تقنيًا عميقًا ومجانيًا يساعدك على بناء مستقبل مهني حقيقي في عالم التكنولوجيا.

في هذه القناة ستجد رحلة تعليمية متكاملة تبدأ من تطوير الويب و الـ Full-Stack، مرورًا بـ تحليل البيانات وعلوم البيانات وهندسة البيانات، وصولًا إلى أحدث مجالات الذكاء الاصطناعي مثل:

تعلم الآلة (Machine Learning)

التعلم العميق (Deep Learning)

الرؤية الحاسوبية (Computer Vision)

معالجة اللغات الطبيعية (NLP)

الذكاء الاصطناعي التوليدي (Generative AI)

نماذج اللغات الكبيرة (LLMs)

نماذج الانتشار لتوليد الصور والفيديو (Diffusion Models)

🎓 هدفنا ليس فقط تعليمك كتابة الكود…
بل تحويلك إلى مهندس برمجيات حقيقي، مطور ويب محترف، ومهندس ذكاء اصطناعي قادر على بناء أنظمة وتقنيات متقدمة.

ستجد دروسًا عميقة، شروحات عملية، ومشاريع تطبيقية تساعدك على فهم التكنولوجيا الحديثة التي تعتمد عليها أكبر الشركات في العالم.

📌 لا تنسَ الاشتراك في القناة وتفعيل زر الجرس حتى يصلك كل جديد.

🔗 اشترك الآن:
https://t.co/X3Yer9jIHj

ابدأ رحلتك اليوم…
فالعالم الرقمي ينتظر من يبنيه. 💡

[freeCodeCamp.org in Arabic @freeCodeCampAR]

إذا كنت تتساءل عن الطريق الصحيح لدخول عالم علوم البيانات والذكاء الاصطناعي، فهذه الخارطة مصممة لتمنحك رؤية واضحة للمسار الكامل من الأساسيات وحتى بناء نماذج التعلم العميق الحديثة.

في هذا الفيديو سنسير خطوة بخطوة عبر أهم الأدوات والمكتبات التي تشكل العمود الفقري لعلم البيانات والذكاء الاصطناعي باستخدام لغة Python.

سنبدأ بتعلم Python باعتبارها اللغة الأكثر استخدامًا في المجال، ثم ننتقل إلى NumPy لفهم المصفوفات والعمليات الرياضية عالية الأداء، وبعدها Pandas لتحليل البيانات وتنظيفها والتعامل مع الملفات والجداول.

بعد ذلك سنتعلم Matplotlib و Seaborn لتحويل البيانات إلى رسوم بيانية احترافية تساعدنا على فهم الأنماط واستخراج الرؤى المهمة من البيانات.

ومن هنا ندخل إلى قلب تعلم الآلة مع Scikit-Learn، حيث سنتعرف على مفاهيم التعلم الخاضع للإشراف وغير الخاضع للإشراف، وبناء النماذج وتقييمها وتحسين أدائها باستخدام أشهر الخوارزميات في المجال.

ثم ننتقل إلى عالم التعلم العميق عبر TensorFlow و Keras لبناء الشبكات العصبية وتطبيقاتها المختلفة في التصنيف والتنبؤ ومعالجة البيانات المعقدة.

وأخيرًا نستكشف PyTorch، الإطار الذي أصبح الخيار المفضل للباحثين ومطوري النماذج المتقدمة، والذي يقف خلف العديد من الابتكارات الحديثة في الذكاء الاصطناعي والنماذج اللغوية الكبيرة.

هذه الخارطة لا تركز فقط على تعلم الأدوات، بل على فهم كيفية ترابطها معًا داخل المشاريع الحقيقية، بحيث تنتقل من تحليل البيانات إلى بناء نماذج تعلم الآلة ثم تطوير أنظمة ذكاء اصطناعي متقدمة بثقة ووضوح.

إذا كنت جادًا في بناء مسار مهني في علوم البيانات أو الذكاء الاصطناعي، فهذا الفيديو سيمنحك الصورة الكاملة ويختصر عليك شهورًا من التشتت بين المصادر المختلفة.

#علوم_البيانات #الذكاء_الاصطناعي #Python #MachineLearning #DeepLearning #DataScience #TensorFlow #PyTorch #AI #Programming #تعلم_البرمجة #تحليل_البيانات #مطورين #تقنية #DataAnalysis

[freeCodeCamp.org in Arabic @freeCodeCampAR]

الورقة العلمية الشهيرة: Cross-Lingual Language Models (XLM)

في عام 2019، كانت معظم نماذج اللغة متعددة اللغات تعتمد على الترجمة أو كميات ضخمة من البيانات المتوازية بين اللغات.

لكن ورقة XLM قدمت خطوة مفصلية نحو بناء نماذج تفهم لغات متعددة داخل فضاء تمثيلي مشترك.

الفكرة الأساسية في XLM هي تدريب نموذج لغوي واحد على عدة لغات في الوقت نفسه، بحيث يتعلم تمثيلات مشتركة تسمح بنقل المعرفة من لغة إلى أخرى دون الحاجة إلى بيانات موسومة لكل لغة.

أبرز مساهمات الورقة:

• تقديم مفهوم Cross-Lingual Language Models (XLM) للتعلم عبر اللغات.

• توسيع فكرة Masked Language Modeling لتعمل في بيئة متعددة اللغات.

• ابتكار هدف تدريبي جديد يسمى Translation Language Modeling (TLM) يستفيد من الجمل المترجمة لتحسين محاذاة اللغات.

• تحقيق قفزة كبيرة في مهام الفهم اللغوي متعدد اللغات والترجمة الآلية.

• إثبات إمكانية نقل المعرفة من اللغات الغنية بالبيانات إلى اللغات منخفضة الموارد.

النتائج كانت لافتة للنظر؛ إذ حققت XLM أداءً قياسياً جديداً في تصنيف النصوص متعددة اللغات، والترجمة الآلية الموجّهة وغير الموجّهة، كما أظهرت قدرة قوية على بناء تمثيلات لغوية مشتركة بين عشرات اللغات المختلفة.

لا تكمن أهمية XLM في النتائج فقط، بل في أنها أرست الأساس الذي بُنيت عليه لاحقاً نماذج متعددة اللغات أكثر تطوراً مثل mBERT و XLM-R، وأسهمت في تقريب العالم نحو نماذج ذكاء اصطناعي قادرة على فهم اللغات البشرية ضمن إطار موحد.

#البحث_العلمي #الذكاء_الإصطناعي

[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]

ورقة Training Language Models to Follow Instructions with Human Feedback (InstructGPT) تمثل واحدة من أهم نقاط التحول في تاريخ الذكاء الاصطناعي الحديث.

فعلى الرغم من أن GPT-3 أظهر قدرات مذهلة في فهم اللغة وتوليد النصوص، إلا أن الباحثين اكتشفوا أن امتلاك نموذج قوي لا يعني بالضرورة أنه سيتصرف بالطريقة التي يريدها المستخدم. فقد كانت النماذج قادرة على الإجابة، لكنها لم تكن دائمًا قادرة على اتباع التعليمات بدقة أو تقديم استجابات متوافقة مع توقعات البشر.

جاءت InstructGPT لتغيير هذا المفهوم من خلال التركيز على مشكلة جديدة أصبحت تعرف باسم Alignment، أي مواءمة سلوك النموذج مع نوايا المستخدم وتفضيلاته.

قدمت الورقة منهجية Reinforcement Learning from Human Feedback (RLHF)، والتي تعتمد على جمع تقييمات بشرية للاستجابات واستخدامها لتدريب النموذج على إنتاج إجابات أكثر فائدة وصدقًا وأمانًا.

تتكون المنهجية من ثلاث مراحل رئيسية:

أولًا، الضبط الدقيق الموجه بالتعليمات Supervised Fine-Tuning.

ثانيًا، تدريب نموذج مكافأة Reward Model يتعلم تفضيلات البشر.

وثالثًا، استخدام التعلم المعزز عبر PPO لتحسين سلوك النموذج بناءً على هذه التفضيلات.

تكمن الأهمية الحقيقية لهذه الورقة في أنها نقلت المجال من التركيز على زيادة حجم النماذج فقط إلى التركيز على جودة التفاعل مع البشر.

كما أنها وضعت الأساس الذي بُنيت عليه أنظمة مثل ChatGPT وساهمت في تشكيل معظم تقنيات المواءمة المستخدمة لاحقًا في GPT-4 والنماذج الحديثة.

يمكن اعتبار InstructGPT اللحظة التي بدأت فيها النماذج اللغوية تتحول من مجرد أنظمة للتنبؤ بالكلمات إلى مساعدين أذكياء قادرين على فهم التعليمات والتفاعل مع المستخدمين بطريقة أكثر فاعلية ومسؤولية.

#InstructGPT #برمجة #تقنية

https://t.co/tgOo5QXVLC

[freeCodeCamp.org in Arabic @freeCodeCampAR]

ما الذي جعل نموذج BERT نقطة تحول في عالم الذكاء الاصطناعي؟

قبل ظهور BERT كانت النماذج اللغوية تفهم النصوص بطريقة محدودة وتعتمد غالبًا على قراءة الكلمات باتجاه واحد فقط، لكن BERT قدّم مفهومًا مختلفًا قائمًا على فهم الكلمة من سياقها الكامل داخل الجملة.

تم تطوير النموذج بواسطة Google، وأصبح لاحقًا من أهم النماذج المستخدمة في معالجة اللغة الطبيعية.

أبرز استخدامات نموذج BERT:

تحليل المشاعر وفهم آراء المستخدمين.
تحسين نتائج محركات البحث وفهم نية المستخدم.
تطوير الشات بوت والمساعدات الذكية.
تحسين الترجمة الآلية وفهم السياق اللغوي.
تصنيف النصوص والبريد الإلكتروني والمحتوى.
استخراج الكيانات مثل الأسماء والأماكن والتواريخ.
بناء أنظمة الأسئلة والأجوبة داخل المستندات الكبيرة.

تكمن أهمية BERT في أنه نقل النماذج اللغوية من مجرد معالجة الكلمات إلى فهم المعنى والسياق بصورة أعمق، وهو ما ساهم في تسريع تطور أنظمة الذكاء الاصطناعي الحديثة.

فهم اللغة البشرية أصبح اليوم أحد أهم مفاتيح تطور الذكاء الاصطناعي.

#الذكاء_الاصطناعي #البحث_العلمي

[freeCodeCamp.org in Arabic @freeCodeCampAR]

الورقة العلمية الشهيرة:

RoBERTa: A Robustly Optimized BERT Pretraining Approach

قدّمت هذه الورقة تحسينات جوهرية على نموذج BERT بدون تغيير البنية الأساسية للنموذج، وركّزت على إعادة التفكير في طريقة التدريب نفسها. أثبت الباحثون أن BERT كان “أقل تدريبًا” مما يجب، وأن تحسين البيانات وآلية التدريب يمكن أن يرفع الأداء بشكل كبير.

أهداف الورقة:

تحسين مرحلة Pretraining للوصول إلى تمثيلات لغوية أقوى
دراسة تأثير حجم البيانات وعدد خطوات التدريب
إزالة بعض القيود التي استخدمها BERT مثل Next Sentence Prediction
اختبار كيف تؤثر إعدادات التدريب المختلفة على جودة النتائج

أهم ما ميّز RoBERTa:

تدريب على بيانات أكبر بكثير
استخدام Dynamic Masking بدل Masking ثابت
إزالة مهمة NSP التي لم تضف فائدة حقيقية
استخدام Batch Size أكبر وتدريب لفترة أطول

النتيجة؟
حقق RoBERTa أداءً متفوقًا على BERT في العديد من مهام فهم اللغة الطبيعية مثل:

GLUE, SQuAD, RACE
الرسالة الأهم من الورقة:

أحيانًا التحسين الحقيقي لا يحتاج بنية جديدة بالكامل، بل يحتاج فهمًا أعمق لطريقة التدريب نفسها.

#البحث_العلمي #الذكاء_الاصطناعي

[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 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]

أصبحت Vision Transformers (ViT) من أهم النماذج الحديثة في مجال الرؤية الحاسوبية،

حيث نجحت في تحقيق نتائج مبهرة في تصنيف الصور والعديد من مهام Computer Vision، متجاوزةً في كثير من الحالات الشبكات العصبية الالتفافية التقليدية (CNNs).

هذا الكورس العملي يشرح كيفية بناء نموذج Vision Transformer كامل من الصفر باستخدام PyTorch،

مع تدريب النموذج على مجموعة بيانات CIFAR-10 لفهم جميع المكونات الداخلية للنموذج خطوة بخطوة.

ستتعلم:

المفاهيم الأساسية وراء Vision Transformers
الفرق بين ViT وCNNs
تحويل الصور إلى Patches وتمثيلها رقميًا
بناء Patch Embedding Layer

إنشاء Transformer Encoder من الصفر
إعداد ومعالجة بيانات CIFAR-10
بناء حلقات التدريب والتقييم
استخدام Data Augmentation لتحسين الأداء
وتحليل نتائج النموذج ومقارنتها قبل وبعد Fine-Tuning

ما يميز هذا الكورس أنه لا يقتصر على استخدام نموذج جاهز، بل يشرح كيفية بناء كل جزء من معمارية Vision Transformer لفهم آلية عملها بعمق.

إذا كنت مهتمًا بـ Deep Learning أو Computer Vision أو النماذج المعتمدة على Transformers،

فإن بناء ViT من الصفر يعد تجربة تعليمية ممتازة لفهم أحد أهم التطورات الحديثة في الذكاء الاصطناعي.

#برمجة #تقنية #ذكاء_اصطناعي #DeepLearning #ComputerVision #PyTorch

https://t.co/xTSem2pNem

[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 @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

[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

[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