مختبر الذكاء الاصطناعي المرئي

خادم بأسلوب Discord لفهم الذكاء الاصطناعي عمليًا: كل قناة عبارة عن مشهد ثلاثي الأبعاد يوجّهه معلّم، وتُتحكَّم فيه بأوامر slash.

🧠 الشبكات العصبية

من عصبون واحد إلى شبكة CNN: ما يجعل الشبكة تتعلّم، وما يجعلها تنحرف.

#neuron — لنفكّك عصبونًا: مداخل، أوزان، مجموع، دالة تفعيل.
#dropout — تنظيم dropout: الصديق الأفضل للشبكات العميقة.
#activation — لماذا نحتاج دالة تفعيل؟ ReLU وsigmoid وtanh وLeaky ReLU وGELU وتلاشي التدرج.
#gradient-descent — الخسارة تضاريس. يخبرنا التدرج بأي اتجاه هو الأعلى، فنخطو في الاتجاه المعاكس.
#backpropagation — مخطّط الحسابات يُعاد تشغيله معكوسًا: كل عقدة تستقبل ∂L/∂(نفسها) وقاعدة السلسلة تتكفّل بالباقي.
#overfitting — نموذج كبير على قليل من النقاط: يلتوي حدّ القرار حتى يحفظ الضجيج عن ظهر قلب.
#cnn-filters — الصورة شبكة من الأرقام. مرشّح 3×3 ينزلق فوقها، يضرب، يجمع: هذا هو الالتفاف.
#is-it-einstein — هل هذا أينشتاين؟ وجهان يمرّان بماسح شبكة لم تتعلّم سوى أينشتاين: هيثم → لا، أينشتاين → نعم. المشاهدة مجانية؛ التعديل بريميوم.
#embeddings-3d — الكلمة تصبح متّجهًا: القُرب في الفضاء = القُرب في المعنى، ويمكنك إجراء عمليات حسابية عليها.

تعلَّم من أمثلة موسومة: انحدار، تصنيف، أشجار، جيران، هوامش ومؤشرات صادقة.

#live-training — ستّ خوارزميات تتعلّم أمام عينيك كفيديو: REC، عدّاد زمني، تعليقات توضيحية، مؤشّرات مباشرة. المشاهدة مجانية؛ تعديل النموذج بريميوم.
#linear-regression — مطابقة خطّ: المربّعات الصغرى، البواقي، MSE، R² والنزول التدرّجي — اللبنة الأولى لكلّ نموذج تعلّم مُوجَّه.
#logistic-regression — التصنيف إلى فئتين: السيغمويد، حدّ القرار، العتبة والخسارة اللوغاريتمية — ولماذا لا يكفي الخطّ دائمًا.
#decision-trees — شجرة تنحت المستوى إلى مستطيلات: جيني، الإنتروبيا، العمق، التقليم — وفرط التعلّم الذي تراه بأمّ عينيك.
#knn — أقرب k جار: صنِّف بالشبه، اختر k، غيّر المسافة — وشاهد الحدّ ينعم أو يتشظّى.
#svm-margins — آلات متّجهات الدعم: أوسع هامش ممكن، المعامل C، ونواة RBF التي تُقوِّس الحدّ.
#classification-metrics — الدقّة، الاستدعائيّة، F1، مصفوفة الالتباس، ROC وAUC: قراءة مصنِّف بأمانة، خاصّة عند اختلال توازن الفئات.

اكتشف البنية دون تسميات: تجميع، اختزال الأبعاد، الكثافة والشذوذات.

#k-means — التجميع بلا تسميات: مراكز تتحرّك، قصور ذاتي يهبط، اختيار k — والأشكال التي يفشل عليها k-means.
#pca — تحليل المكوّنات الرئيسية: أوجِد المحاور التي تتغيّر عليها البيانات أكثر ما يكون، أسقِط، اضغط — وقِس ما فُقد.
#hierarchical-clustering — ادمج النقاط اثنتَين اثنتَين حتّى لا يبقى إلّا واحدة: المخطّط الشجريّ، ومعايير الوصلة، وارتفاع القطع الذي يحدّد عدد العناقيد.
#dbscan — التجميع بحسب الكثافة: إبسيلون، MinPts، نقاط النواة والحافّة والضوضاء — الخوارزميّة التي تجد الأشكال الاعتباطيّة وتتجاهل المتطفّلين.
#anomaly-detection — اكتشِف ما لا يُطابق شيئًا: z-score / ماهالانوبيس، Isolation Forest، LOF — ثلاث طرق لقول «هذه النقطة غريبة».
#t-sne-umap — ارسم خريطة الأبعاد العالية: t-SNE وUMAP يفتحان بيانات ذات 10 أبعاد إلى خريطة قابلة للقراءة في بُعدَين — الحيرة، الجيران، ومغالطات القراءة.

درِّب شبكات عميقة: مُحسِّنات، تسوية، تسلسلات، ترميز تلقائي، نقل تعلُّم ونماذج توليدية.

كيف يقرأ نموذج لغوي كبير النص ويوازنه ويولّده: رموز، انتباه، حرارة، RAG ومواءمة.

#tokenization — التقطيع وBPE: كيف يُقطِّع نموذج LLM النص.
#attention — الانتباه الذاتي: كل كلمة تنظر إلى الأخريات.
#transformer-block — كتلة المحوّل: الانتباه، الوصلات التجاوزية، التسوية، شبكة FFN.
#generation-temperature — التوليد: الحرارة وtop-k وtop-p.
#rag — RAG: الإجابة انطلاقًا من وثائقك.
#alignment-rlhf — المحاذاة وRLHF: تعلّم ما يفضّله البشر.

تعلَّم بالمحاولة والمكافأة: bandits، Q-learning، وسياسات.

اجعل نموذج LLM يتصرّف: حلقة ReAct، استدعاء الأدوات (MCP)، أوامر slash بأسلوب Claude Code / Cursor، ذاكرة، تخطيط وتنسيق متعدد الوكلاء.

#react-loop — حلقة ReAct لدى الوكيل: فكرة ← فعل ← ملاحظة، مباشرةً.
#tool-calling — استدعاء الأدوات (function calling / MCP): الـJSON الذي يجعل النموذج LLM يفعل.
#slash-commands — أوامر الشرطة المائلة، على غرار Claude Code / Cursor: قوالب، وسائط، تسلسل.
#context-memory — نافذة السياق وذاكرة العميل: عدّ الرموز، الاقتطاع، التلخيص، الفهرسة.
#planning-reflection — التخطيط والتأمّل والتصحيح الذاتي: من 60% إلى 90% نجاحًا.
#multi-agents — العملاء المتعدّدون: planner وworkers وverifier. رسم بياني (DAG) يتفوّق على العميل الأحادي.