المراجعة والاختبار النهائي

عشر وحدات نقلت شبكة بسيطة تلتفّ 5×5 على صورة إلى ResNet50 مُدرَّب مسبقًا يُصنّف نفايات، ثمّ تُشرح قراراته. هذه هي الدورة مكثَّفة، ثمّ الخيوط الكبرى التي تعبرها.

جدول المعماريات

السنة	المعمارية	العمق	المعاملات	الفكرة الرئيسية
1998	LeNet-5	7	60 ألف	أوّل شبكة تلافيفية تعمل، للأرقام
2012	AlexNet	8	60 مليون	ReLU + Dropout + GPU + تكثير
2014	VGG-16	16	138 مليون	مرشّحات 3×3 حصرًا في كتل متكرّرة
2014	GoogLeNet (Inception)	22	7 مليون	فروع متوازية بأحجام متعدّدة
2015	ResNet50	50	26 مليون	وصلات متبقّية + عنق زجاجي
2017	MobileNet-v1	28	4 مليون	التفاف مفصول بالعمق
2019	EfficientNet-B0	~230	5 مليون	توسّع مركّب (عمق + عرض + دقّة)

الدورة في لمحة

الوحدة	ما يجب حفظه
1. الالتفاف والمرشّحات	مشاركة الأوزان تُقلّص المعاملات مئة مرّة مقابل طبقة كثيفة
2. الخطوة والحشو	حجم الخرج $\lfloor (H + 2P - K)/S \rfloor + 1$؛ same مقابل valid قرار حقيقي
3. التجميع	GlobalAveragePooling2D بدل Flatten قلّص المعاملات جذريًا
4. LeNet وAlexNet	ReLU وGPU وتكثير بقيت معايير، الإسقاط تراجع في التلافيفيات
5. VGG	طبقتان 3×3 = مجال 5×5 بمعاملات أقلّ ولاخطّية إضافية
6. ResNet	$y = F(x) + x$ يفتح الطريق للأعماق الكبيرة بتدرّج متدفّق
7. Inception وMobileNet	الالتفاف المفصول يُوفّر 90 % من المعاملات؛ FLOPs ليست الزمن
8. تكثير البيانات	حفظ المعنى شرط؛ في الطيران معيار Keras
9. النقل	training=False عند استدعاء الشبكة الأساسية، إعادة تركيب إلزامية
10. Grad-CAM	دقّة عالية لا تعني نموذجًا صحيحًا؛ الخريطة الحرارية تكشف الاعتماد على الخلفية

الخيوط التي تعبر الدورة

البنية الفراغية للصور تُغيّر كلّ شيء. طبقة كثيفة تعامل بكسلَين متجاورَين كأنّهما بكسلان متباعدان. الالتفاف يفترض العكس: التجاور المكاني ذو معنى، والميزة نفسها تظهر في مواضع مختلفة. هذا الافتراض صحيح على الصور، وباطل على الجدول. لهذا السبب تنجح CNN في الرؤية وتفشل الأشجار المعزَّزة، ولهذا يحدث العكس على البيانات الجدولية. الاختيار المعماري ليس ذوقًا، بل ملاءمة لبنية البيانات.

العمق يعمل عندما يمكن للتدرّج أن يعبر. الاختراع الحاسم منذ 2015 هو الوصلة المختصرة. رأينا الفكرة الأصلية في ResNet، ثم في الوصلات المقلوبة لـMobileNet، ثمّ في التطبيع بالحزم الذي يُبقي المُدخلات ضمن نطاق معقول. كلّ هذه الأدوات تخدم هدفًا واحدًا: إبقاء التدرّج قابلًا للانتشار عبر مئات الطبقات. تكديس الطبقات بلا هذه الأدوات = تلاشي التدرّج المضمون.

الكفاءة المعمارية تفوق الحجم الخام. AlexNet ذو 60 مليون معامل يخسر أمام EfficientNet-B0 ذي 5 ملايين. GoogLeNet بربع معاملات VGG يفوز بالمسابقة. المرشّحات 3×3 المتراكمة أفضل من مرشّح 7×7 وحيد. الالتفاف المفصول يُوفّر 90 % من المعاملات بلا خسارة تُذكَر. هذه ليست حالات مبعثرة، بل قاعدة: تصميم أذكى دائمًا يفوز على تصميم أكبر.

النقل هو الخيار الأوّل عمليًا. التدريب من الصفر منطقي أكاديميًا وضروري للفهم، لكنّه نادرًا ما يفوز في التطبيق. شبكة مُدرَّبة على ImageNet تحمل ميزات عامّة رأيناها هرميًا في الوحدة 8 من دورة الأساسيات: حواف ثمّ قوامات ثمّ أجزاء أشياء. هذه المعرفة قيّمة على أيّ مهمّة رؤية طبيعية. قبل تصميم شبكة، جرّب النقل.

الدقّة تكذب، Grad-CAM يكشف. أعقد درس هذه الدورة: نموذج بدقّة 93 % قد يعتمد على الخلفية، أو على شعار المستشفى، أو على أيّ ميزة غير مقصودة. كلّما ارتفع الرهان (طبّ، سلامة، قرارات مالية)، وجب على المهندس أن ينظر إلى ما يفعله النموذج فعلًا. Grad-CAM ليس ترفًا أكاديميًا، بل ضمان جودة أدنى.

الاختبار النهائي

يتضمّن الاختبار 40 سؤالاً يغطّي الوحدات العشر: حساب أحجام الخرج وعدد المعاملات (الوحدتان 1 و2)، قراءة المعماريات (الوحدات 4 إلى 7)، تشخيص تكثير ضارّ (الوحدة 8)، خطأ التطبيع بالحزم عند التذويب (الوحدة 9)، وتفسير مضلّل (الوحدة 10). المُقيَّم هو الحُكم، لا استظهار الصيغ.

تعرض عدّة أسئلة سيناريوهات للتشخيص: نموذج ينهار بعد تذويب ResNet، شبكة تُصنّف الزجاج جيّدًا لكنّها تُخطئ في البلاستيك، تكثير أدّى إلى نقص تخصيص، معمارية تحمل معاملات أقلّ لكنّها أبطأ على GPU. الاختبار موجَّه لمن رأى المشاكل الحقيقية، لا لمن حفظ صفحة تعريفات.

عند النجاح، تُمنح شهادة الإتمام فورًا. رقمها قابل للتحقّق من أيّ طرف على المنصّة.

قبل أن تبدأ

راجع جدول المعماريات ولخّص لكلّ صفّ الفكرة الرئيسية في جملة واحدة. اسأل نفسك عن كلّ وحدة: «كيف سأرى أنّني مخطئ هنا؟». إن عرفت أن تشرح لماذا يُنتج مرشّحان 3×3 مجال 5×5 بمعاملات أقلّ، ولماذا يفشل النقل بدون training=False على الشبكة الأساسية، ولماذا قد تكون Grad-CAM حمراء على الخلفية بدل الغرض، فأنت مستعدّ. حظًّا موفّقًا!

الامتحان النهائي

هل أنت مستعدّ لاعتماد هذه الدورة؟

40 سؤالًا تُختار عشوائيًّا من بنك أسئلة الدورة · حدّ النجاح 70 % · شهادة PDF قابلة للتحقّق تُصدَر فورًا عند النجاح.

ابدأ الامتحان

يلزم تسجيل الدخول إلى حسابك في InSkillML مع اشتراك نشط. يمكنك أيضًا بدء الامتحان من دوراتي.