الدرس 6 — الملخّص والأسئلة الشائعة
الدروس الخمسة في صفحة واحدة
الدرس 1 — لماذا بايثون. لغة بطيئة سيطرت على الحساب الثقيل لأنّها تنسّق ولا تحسب: العمل الفعلي يجري في مكتبات C وCUDA. واختيارها الأصلي جاء من سهولة ربطها بها، ثم رسّخها أثر الشبكة.
الدرس 2 — NumPy وpandas. المصفوفة المتّصلة في الذاكرة تجعل العمليات المتّجهية أسرع بمراتب من الحلقات، وDataFrame يتعامل مع الواقع: أعمدة مسمّاة وأنواع مختلطة وقيم ناقصة. ومعظم وقت المشروع يذهب هنا.
الدرس 3 — الدفاتر. ممتازة للاستكشاف، سيّئة للهندسة: ترتيب التنفيذ خفيّ والحالة تتراكم والمراجعة في Git مؤلمة. استكشف في الدفتر وانقل ما يبقى إلى وحدات .py.
الدرس 4 — scikit-learn. واجهة fit وpredict واحدة لكلّ الخوارزميات تجعل المقارنة رخيصة، وخطّ المعالجة يمنع تسريب البيانات بنيوياً. وهو الخيار الأول على الجداول.
الدرس 5 — الأُطر والبيئات. PyTorch للمتعلّم الجديد، وHugging Face يجعل الصقل بديلاً عن التدريب من الصفر، وبيئة معزولة بإصدارات مثبّتة هي شرط قابلية التكرار.
معجم الأدوات
| الأداة | ما تفعله |
|---|---|
| NumPy | المصفوفة العددية والعمليات السريعة عليها |
| pandas | جدول بيانات قابل للبرمجة: قراءة، تنظيف، دمج، تجميع |
| Matplotlib / Seaborn | الرسوم البيانية: الأولى أساس، والثانية أجمل بجهد أقلّ |
| scikit-learn | تعلّم الآلة الكلاسيكي وخطوط المعالجة والتقييم |
| XGBoost / LightGBM | تعزيز تدرّجي عالي الأداء على الجداول |
| PyTorch | التعلّم العميق: شبكات، اشتقاق تلقائي، معالج رسومي |
| TensorFlow / Keras | التعلّم العميق، بقوّة في النشر على الأجهزة |
| Hugging Face | نماذج مدرَّبة مسبقاً ومكتبات استخدامها وصقلها |
| Jupyter / Colab | دفاتر للاستكشاف، والثاني بمعالج رسومي مجاني |
| venv / conda | بيئات معزولة لكلّ مشروع |
| Git | تتبّع نسخ الكود والعمل الجماعي |
12 سؤالاً يطرحها الناس فعلاً
1. هل أتعلّم بايثون كاملة قبل الذكاء الاصطناعي؟
لا. تعلّم ما يخدم البيانات: الأنواع الأساسية، الحلقات والشروط، الدوالّ، قراءة الأخطاء. ثم انتقل إلى pandas بمشروع صغير حقيقي. تعلّم اللغة لذاتها بلا هدف هو أسرع طريق إلى التوقّف.
2. NumPy أو pandas أوّلاً؟
pandas عملياً، لأنّك ستبدأ بملفّ CSV. لكن افهم أنّ pandas مبنيّ على NumPy، وأنّ فكرة العمل المتّجهي تأتي من هناك؛ ستحتاجها في كلّ خطوة لاحقة.
3. لماذا يكون كودي بطيئاً جدّاً؟
في الغالب لأنّك تكتب حلقة for على الصفوف. استبدلها بعملية متّجهية أو بـgroupby. الفارق قد يبلغ مئة ضعف. وإذا بقي البطء بعد ذلك، فالمشكلة عادةً قراءة الملفّ أو نسخ البيانات المتكرّر، لا الحساب.
4. هل أحتاج إلى معالج رسومي على حاسوبي؟
لا في البداية. الجداول وتعلّم الآلة الكلاسيكي يعملان على أيّ حاسوب. وللتعلّم العميق، Colab يكفي لكلّ مسار التعلّم تقريباً. شراء بطاقة رسوميات قرار يأتي حين تصير محدودية Colab عائقاً فعلياً، لا قبل.
5. Windows أو Linux أو Mac؟
الثلاثة تعمل. Linux هو المعيار في الإنتاج وأقلّها إزعاجاً في تنصيب CUDA. وعلى Windows، تعطيك WSL بيئة Linux كاملة داخل النظام وهي الخيار الموصى به. وأجهزة Mac الحديثة تدرّب على معالجها الرسومي المدمج، بأداء جيّد وتوافق أقلّ في بعض المكتبات.
6. ما الفرق بين conda وpip؟
pip يثبّت حزم بايثون من مستودعها الرسمي. وconda يثبّت حزماً بايثونية وغير بايثونية (مكتبات نظام، CUDA)، وهذا يجعله أنفع في التعلّم العميق. مزجهما في البيئة نفسها بلا حذر مصدر شائع للأعطاب: اختر واحداً كأساس.
7. كيف أجعل نتائجي قابلة للتكرار؟
أربع خطوات: بيئة معزولة، إصدارات مثبّتة في ملفّ، بذرة عشوائية ثابتة في الكود، وتسجيل نسخة البيانات المستخدمة. الرابعة هي الأكثر إهمالاً وهي غالباً سبب اختلاف النتائج.
8. هل ما زال Git ضرورياً إذا عملت وحدي؟
نعم، وأكثر ممّا تتوقّع. Git ليس للعمل الجماعي فقط بل لتاريخك الخاصّ: العودة إلى نسخة كانت تعمل، ومقارنة تجربتين، وفهم ما غيّرته الأسبوع الماضي. والبديل عنه مجلّدات باسم «نسخة نهائية 3».
9. متى أنتقل من scikit-learn إلى PyTorch؟
حين تصبح بياناتك خامّاً غير مهيكلة — صور أو صوت أو نصّ حرّ — أو حين تحتاج معمارية خاصّة. أمّا على الجداول فابقَ على scikit-learn وXGBoost؛ الانتقال إلى شبكة عصبية هناك يزيد الكلفة أكثر ممّا يزيد الدقّة عادةً.
10. هل أستخدم مساعد كود بالذكاء الاصطناعي أثناء التعلّم؟
نعم بحذر. هو ممتاز في تذكيرك بصيغة دالّة أو شرح رسالة خطأ، وسيّئ حين يكتب لك الحلّ كاملاً فتتجاوز مرحلة الفهم. القاعدة العملية: لا تنسخ كوداً لا تستطيع شرحه سطراً بسطر.
11. كيف أقرأ رسالة خطأ طويلة؟
من الأسفل إلى الأعلى. السطر الأخير يحمل نوع الخطأ ونصّه، وهو أهمّ ما في الرسالة. ثم اصعد لتجد أوّل سطر يشير إلى كودك أنت لا إلى داخل المكتبة: هناك تبدأ المشكلة عادةً.
12. إلى أين أذهب بعد هذه الدورة؟
إلى الرياضيات للذكاء الاصطناعي للبديهة، ثم تعلّم الآلة لبناء نماذج حقيقية. وإذا كنت تريد الممارسة المباشرة، فالكتالوج المدفوع يبدأ ببايثون تطبيقية على مجموعات بيانات حقيقية.
الكتالوج المدفوع يعطيك بايثون وNumPy وpandas وscikit-learn وPyTorch بدفاتر عمل ومشاريع مصحّحة، وشهادة قابلة للتحقّق بعد اختبار من 40 سؤالاً. مشمول في كلّ الخطط المدفوعة.
الخطوة الأخيرة — اجتز الاختبار واكتشف شهادتك ←