التعلم العميق

محاكاة العقل البشرى فى طرق التفكير

برمجة الذكاء الاصطناعى وتعلم الآلة4.4(91)12 ساعة و40 دقيقة64 درسا5 أقسام

ماذا ستتعلم؟

  • فهم الشبكة العصبية والتصنيف الثنائي
  • استخدام خوارزمية Logistic Regression
  • حساب دالة التكلفة والمشتقات
  • تنفيذ الشبكة العصبية المجوفة وانحدار التدرج
  • بناء الشبكة العصبية العميقة
  • استخدام مكتبة كيراس في التوقع والتصنيف
  • العمل على TensorFlow وتطبيقاتها
  • تطبيق الشبكة العصبية الملتفة
  • بناء نموذج LSTM والشبكة المتكررة
  • استخدام Autoencoders

عن الدورة

يشرح هذا الكورس التعلم العميق Deep Learning والشبكات العصبية خطوة بخطوة، من الفكرة الأولى حتى بناء النماذج بالأكواد. تبدأ بالشبكة العصبية والتعلم الخاضع للإشراف والتصنيف الثنائي وخوارزمية Logistic Regression، ثم دالة التكلفة وحساب المشتقات والرسم البياني الحسابي. بعد ذلك تتعلم الشبكة العصبية المجوفة ودوال الأكتيفاشن وانحدار التدرج، ثم الشبكة العصبية العميقة والانتشار الأمامي وأبعاد الماتريكس. وتنتقل إلى التطبيق باستخدام مكتبة كيراس في التوقع والتصنيف، ثم TensorFlow وأساسياتها، ثم الشبكة العصبية الملتفة، ثم البيانات المتسلسلة والشبكة العصبية المتكررة ونموذج LSTM، وتختم بـ Autoencoders. كل جزء يأتي معه تطبيق عملي وملفات للتحميل. يناسب الكورس من يعرف أساسيات بايثون ويريد دخول عالم الذكاء الاصطناعي. وبعد الانتهاء ستفهم كيف تعمل الشبكات العصبية وتستطيع بناء نماذج للتوقع والتصنيف باستخدام كيراس وTensorFlow.

نتائج متوقعة من الدورة

  • إتقان استخدام الشبكات العصبية لبناء نماذج تعلم عميق عالية الكفاءة.
  • القدرة على تحليل البيانات وتطبيق التعلم العميق لحل مشكلات معقدة.
  • تصميم وتنفيذ مشاريع حقيقية باستخدام أدوات التعلم العميق المتقدمة.
  • فهم كيفية تحسين أداء النماذج باستخدام تقنيات متقدمة.
  • إعداد نفسك لدخول مجال الذكاء الاصطناعي والتعلم العميق كمحترف.

تقييمات المتدربين

التقييمات هنا من المتدربين الذين اشتروا الدورة وأكملوا 50٪ من المحتوى على الأقل — لا توجد تقييمات من شخص لم يطلع على المحتوى.
4.4
★★★★☆
91 تقييم
5★
37
4★
52
3★
2
2★
0
1★
0
  • ★★★★★احمد م.·منذ 4 شهرشاهد 100٪

    كورس مفيد جدا وعملي ونظري في نفس الوقت فالكورس يدمج المفاهيم النضريه مع التطبيق العملي

تم عرض كل التقييمات (1)

محتوى الدورة

1

أساسيات التعلم العميق والشبكات العصبية

31 درس
  1. المقدمةيعرض محتوى الجزء الأول من دورة التعلم العميق: مفهوم الشبكة العصبية، وأساسيات برمجتها والانتشار الأمامي والخلفي، وبناء شبكة بطبقة مخفية واحدة ثم شبكة عميقة.1:56
  2. الشبكة العصبيةيعرّف الشبكة العصبية بمثال التنبؤ بسعر البيت، حيث تمثل العصبونات دالة تربط المدخلات كالمساحة وعدد الغرف بالمخرج وهو السعر عبر طبقات مخفية تكوّنها الشبكة بنفسها.8:13
  3. التعلم الخاضع للاشراف والشبكات العصبيةيشرح التعلم الخاضع للإشراف مع الشبكات العصبية بأمثلة مثل العقارات وإعلانات الإنترنت والترجمة والسيارات ذاتية القيادة، ونوع الشبكة المناسب لكل منها، والفرق بين البيانات المنظمة وغير المنظمة.7:52
  4. التصنيف الثنائييقدم التصنيف الثنائي في التعلم الخاضع للإشراف، ويوضح تمثيل الصورة كمتجه مدخلات X والمخرجات Y، ورموز بيانات التدريب والاختبار وأبعاد المصفوفات.13:55
  5. تحميل قائمة الرموز
  6. خوارزمية Logistic Regressionيشرح خوارزمية Logistic Regression للتصنيف الثنائي: المعاملان W وB، ودالة sigmoid التي تحصر الناتج بين الصفر والواحد، وسلوكها مع القيم الكبيرة الموجبة والسالبة.8:51
  7. دالة التكلفةيشرح دالة التكلفة Cost Function في التصنيف الثنائي: الفرق بين خسارة مثال واحد ومتوسط الخسائر على كل بيانات الاختبار، وصيغتها باستخدام log، ودورها في تحسين W وB.11:43
  8. حساب قيم المتغيراتيشرح كيف يُستخدم الانحدار التدريجي لإيجاد أفضل قيم W وB بتقليل دالة التكلفة المحدبة: بدء بقيم ابتدائية ثم التحرك تكراريا باستخدام التفاضل ومعامل التعلم.14:00
  9. حساب التفاضليشرح حساب التفاضل derivative: ميل الخط المستقيم كفرق الصادات على فرق السينات، وقاعدة دالة التربيع، ومشتقة اللوغاريتم، لأن أغلب عمل الكورس يعتمد عليه.13:34
  10. الرسم البياني الحسابييشرح الرسم البياني الحسابي computation graph بمثال دالة من ثلاثة متغيرات، وكيف يرتب خطواتها في الانتشار الأمامي لحساب قيمتها، تمهيدا للانتشار الخلفي والمشتقات.6:23
  11. الرسم البياني الحسابي لحساب المشتقاتيستخدم الرسم البياني الحسابي لحساب المشتقات بالانتشار الخلفي من اليمين لليسار، ويحسب أثر تغيير كل من المتغيرات على ناتج الدالة بالمثال نفسه.15:24
  12. حساب المشتقات لتطبيق الخوارزميةيشرح حساب المشتقات dz وdw1 وdw2 وdb لتطبيق الانحدار التدريجي في Logistic Regression على مثال واحد بخاصيتين، عبر الرسم البياني الحسابي، مع القانون dz = a - y.12:51
  13. حساب المشتقات لعدد من الأمثلةيوسع حساب المشتقات إلى m من الأمثلة: تجميع dw1 وdw2 وdb وdz عبر حلقة for ثم قسمتها على m للمتوسط وتحديث W وB، مع التنبيه إلى بطء الحلقة.10:34
  14. التعرف على التوجيهاتيعرّف التحويل إلى متجهات vectorization بدل حلقات for، ويقارن في بايثون بمكتبة NumPy بين ضرب np.dot والحلقة، فتظهر سرعة أكبر بكثير للنسخة المتجهة.15:59
  15. تحميل المثال العملى
  16. استخدام التوجيهات في خوارزمية الانحدار الخطييطبق المتجهات على خوارزمية Logistic Regression: dz كمتجه يساوي A - Y، وحساب dw وdb دون حلقة for، ثم تحديث W وB بمعامل التعلم.14:45
  17. التوزيع في بايثونيشرح تقنية Broadcasting في بايثون ومكتبة NumPy بمثال جدول سعرات أطعمة: جمع الأعمدة وقسمة كل صف على المجموع، واستخدام reshape للتأكد من شكل المصفوفة.14:29
  18. تحميل المثال العملى
  19. مقدمة عن الشبكة العصبية المجوفةمقدمة عن الشبكة العصبية الضحلة shallow neural network ذات طبقة مخفية واحدة، وترميز الطبقات والعقد، وحساب Z وA لكل طبقة من المدخلات إلى المخرج.11:08
  20. تمثيل الشبكة العصبية المجوفة وحساب الخرجيشرح تمثيل الشبكة العصبية الضحلة وحساب خرج طبقتها الأولى لعقدة ثم لكل العقد بالمتجهات، مع أبعاد W وb وZ مثل مصفوفة 4 في 3 وأربعة في واحد.17:30
  21. حساب الخرج لعدد من الأمثلةيشرح حساب الخرج لعدد m من الأمثلة التدريبية بدل مثال واحد، بتكديس الأمثلة كأعمدة في مصفوفة X وحساب مصفوفتي Z وA للطبقة المخفية دفعة واحدة.10:25
  22. دالة الأكتيفاشنيقارن دوال التفعيل activation functions: sigmoid للتصنيف الثنائي، وtanh بمدى بين سالب واحد وواحد، وReLU، وLeaky ReLU لعلاج مشكلة القيم السالبة.11:23
  23. حساب التفاضل لدوال الأكتيفاشنيحسب مشتقات دوال التفعيل: sigmoid بالقانون g(1-g)، وtanh بالقانون 1 ناقص مربع الدالة، وReLU التي مشتقتها صفر للقيم السالبة وواحد للموجبة.15:58
  24. تحميل صيغة الدالة
  25. تنفيذ انحدار التدرج للشبكة العصبية المجوفةيطبق الانحدار التدريجي على الشبكة الضحلة: الانتشار الأمامي بالمعادلات الأربع، ثم الانتشار الخلفي لحساب dz2 وdw2 وdb2 وdz1 وdw1 وdb1 لتحديث الباراميترات.18:27
  26. مقدمة عن الشبكة العصبية العميقةمقدمة عن الشبكة العصبية العميقة: تعريفها بأكثر من طبقة مخفية، وترميز L لعدد الطبقات وn لعدد العقد في كل طبقة، ومراجعة ما سبق من الانتشارين الأمامي والخلفي.11:19
  27. الانتشار الأمامي للشبكة العصبية العميقةيشرح الانتشار الأمامي في الشبكة العصبية العميقة: حساب Z وA طبقة بعد طبقة، والقانون العام Z = W·A(l-1) + b ثم A = g(Z)، وتطبيقه على مصفوفة كل الأمثلة.13:52
  28. كيفية حساب أبعاد الماتريكسيشرح كيفية حساب أبعاد المصفوفات في الشبكة العصبية العميقة لكل من W وb وZ وA، ومنها يتجنب الطالب الأخطاء الشائعة، مع أن dW وdb لهما نفس أبعاد W وb.22:52
  29. المكونات الأساسية لتنفيذ الشبكة العصبية العميقةيعرض اللبنات الأساسية لتنفيذ الشبكة العميقة: خطوة أمامية تأخذ A(l-1) وتخزن Z في cache، وخطوة خلفية تستخدم الـ cache لحساب dW وdb وdZ ثم تحديث W وb.14:14
  30. تنفيذ المكونات الأساسية لحساب الانحدار التدريجييشرح قوانين الانتشار العكسي Backward Propagation لحساب DW وDB وDA لكل طبقة باستخدام المتجهات Vectorization، وكيف تُحسب بالـ Python، ثم يمهّد للحديث عن Hyperparameters.11:22
  31. المعاملات العليايوضح الفرق بين المعاملات Parameters مثل W وB، والمعاملات العليا Hyperparameters مثل Learning Rate وعدد الطبقات ودالة التنشيط وعدد التكرارات، وكيف يُضبط بعضها لتحسين الأداء.4:44
2

تطوير الشبكة العصبية العميقة وتدريب النماذج

6 درس
  1. المكتبات المستخدمة للتطويريقارن بين مكتبات التعلم العميق الشهيرة TensorFlow وPyTorch وKeras، ويوضح متى تناسب كل منها، فـ Keras للبناء السريع البسيط وغيرها لتحكم أكبر أو للبحث الأكاديمي.7:08
  2. مثال تطبيقي لاستخدام مكتبة كيراس في التوقعمثال تطبيقي نظري لاستخدام مكتبة Keras في التنبؤ بقوة تحمل الخرسانة من مكوناتها، يشمل بناء طبقات مخفية بدالة ReLU وتقسيم البيانات إلى تدريب واختبار.11:12
  3. التطبيق العملي الاولتطبيق عملي أول على منصة Kaggle لكتابة الكود دون تثبيت برامج، يبني نموذج Keras للتنبؤ بقوة تحمل الخرسانة ويدربه ويستخدمه للتنبؤ بخرسانة جديدة.26:35
  4. تحميل ملف الداتا
  5. مثال تطبيقي لاستخدام مكتبة كيراس في التصنيفمثال تطبيقي لتصنيف البيانات بمكتبة Keras: ترميز التصنيفات بأسلوب one-hot، وبناء شبكة بطبقات Dense وطبقة إخراج بأربع عقد لأربعة تصنيفات تُخرج احتمالاتها.13:51
  6. التطبيق العملي الثانيتطبيق عملي ثان لتصنيف الصور بـ Keras على بيانات MNIST: تحميل البيانات وفحص أبعادها، وتحويل التصنيفات بـ to_categorical، وبناء النموذج وتدريبه بـ fit حتى دقة قريبة من 97%.35:06
3

استخدام الـ TensorFlow

9 درس
  1. مقدمة عن الـ TensorFlowمقدمة عن TensorFlow: واجهته بلغتي C وC++ وتشغيله على CPU أو GPU، ومفهوم الرسم البياني لتدفق البيانات Data Flow Graph الذي يربط المصفوفات متعددة الأبعاد بالعمليات.16:13
  2. الأساسيات الجزء الأوليشرح أساسيات TensorFlow: الرسم البياني للعمليات، والمصفوفات متعددة الأبعاد Tensors ورتبها من القيمة العددية إلى المتجه والمصفوفة، مع مثال ضرب W وX وإضافة B.9:04
  3. الأساسيات الجزء الثانىيشرح أساسيات TensorFlow: استيراد المكتبة، وتعريف القيم الثابتة بدالة constant، وإنشاء function تجمع قيمتين وتستقبل parameter، والتمييز بين الثوابت والمتغيرات.17:50
  4. الأساسيات الجزء الثالثيشرح إنشاء المصفوفات متعددة الأبعاد في TensorFlow وفحص شكلها بـ shape، ثم ضرب المصفوفات بدالة matmul وعرض النتيجة.9:00
  5. التطبيق على التوقع الجزء الأولمراجعة سريعة للانحدار الخطي وكيفية تطبيقه في TensorFlow على بيانات انبعاث CO2 وحجم المحرك، بتعريف القيمتين A وB وحساب الفرق بين التوقع والقيم الفعلية.21:33
  6. التطبيق على التوقع الجزء الثانىيكمل تطبيق الانحدار الخطي في TensorFlow: تعريف القيم الابتدائية ومعامل التعلم، وتدريب النموذج بالانحدار التدريجي، ورسم الخط الناتج فوق البيانات الفعلية.26:13
  7. تحميل ملف الداتا
  8. التطبيق على التصنيف الجزء الأولتطبيق على التصنيف بـ Logistic Regression في TensorFlow على بيانات Iris: تحميل البيانات وفصلها، وتعريف W وB كمتغيرات، وتطبيق دالة التفعيل لاختيار التصنيف الأعلى احتمالا بين ثلاثة.32:22
  9. التطبيق على التصنيف الجزء الثانىيكمل تطبيق التصنيف في TensorFlow: حلقة التدريب بدالة الخسارة من Keras، وحساب الأوزان والانحياز والتحسين، وتتبع الدقة، ثم ختام الجزء الخاص بأساسيات TensorFlow.24:28
4

الشبكة العصبية المُلتفة

8 درس
  1. مقدمة عن الشبكة العصبية الملتفةمقدمة عن الشبكات العصبية الملتفة CNN، تقارنها بالطريقة التقليدية لتصنيف الصور باستخراج الميزات يدويا، وتعرض تطبيقاتها مثل كشف سرطان الجلد والسيارات ذاتية القيادة.7:54
  2. المبادئ الأساسيةيشرح المبادئ الأساسية للشبكة العصبية الملتفة CNN في تحديد الكائنات، إذ تستخرج الميزات من الصور تلقائيا وتجمعها تدريجيا لتتعرف على الكائن، كما في مثال تمييز المباني.5:46
  3. الهيكلية للشبكة العصبية الملتفةيشرح الهيكلية الأساسية للشبكة العصبية الملتفة CNN: تمثيل الصورة كمصفوفة، وتطبيق الفلتر أو الكرنل عليها، واختيار أعلى قيمة، وصولا إلى تصنيف الصورة بنسب الاحتمال.18:26
  4. التطبيق العملي على الطريقة التقليدية الجزء الأولتطبيق عملي على الطريقة التقليدية لتصنيف الصور: تحويل التصنيفات بـ one-hot، وتعريف الأوزان W والانحياز B، ودالة Softmax، وتعريف optimizer من نوع SGD بمعامل تعلم.27:20
  5. التطبيق العملي على الطريقة التقليدية الجزء الثانييكمل التطبيق التقليدي ببناء خطوة التدريب باستخدام GradientTape وcross entropy لتحديث W وB، ثم تتبع الدقة عبر الحقب حتى تصل إلى 84%.14:01
  6. تحميل التطبيق
  7. التطبيق العملي على الشبكة العصبية الملتفةتطبيق عملي للشبكة العصبية الملتفة CNN: تطبيق الفلاتر وطبقات التجميع، وتدريب النموذج بخوارزمية Adam، ورفع الدقة إلى 94% مقابل 84% بالطريقة التقليدية.29:50
  8. تحميل التطبيق
5

بناء النماذج المختلفة للتعلم العميق

10 درس
  1. مقدمة بناء النماذج المختلفة للتعلم العميقمقدمة عن الشبكات العصبية المتكررة RNN ومعالجة البيانات المتسلسلة، وأمثلة تطبيقاتها مثل التنبؤ بسعر السهم وتحليل المشاعر واقتراح الكلمات والترجمة وتحويل النص إلى كلام.4:45
  2. البيانات المتسلسلةيشرح البيانات المتسلسلة Sequential Data وسبب عجز الشبكات العصبية التقليدية عن التعامل معها، لأنها لا تتذكر مخرجات النقاط السابقة، وكيف تحل RNN ذلك بالاحتفاظ بها.3:06
  3. الشبكة العصبية المتكررةيشرح هيكلية الشبكة العصبية المتكررة RNN وتعاملها مع البيانات المتسلسلة بحالة سابقة تعمل كذاكرة، واستخداماتها، وعيوبها مثل الحساسية وعدم الاستقرار، تمهيدا لـ LSTM.6:48
  4. نموذج LSTMيشرح نموذج LSTM كنوع من الشبكات المتكررة يحل مشاكل RNN، بخلية ذاكرة وثلاث بوابات: الإدخال والقراءة والنسيان، وكيف يتكرر الحساب حتى تنتهي البيانات.6:45
  5. التطبيق العملي لأساسيات نموذج LSTMتطبيق عملي على أساسيات LSTM وStaged LSTM في Kaggle: تعريف المدخلات والحالة السابقة، وبناء خلية واحدة ثم خليتين متتابعتين، وطباعة المخرجات والذاكرة.23:14
  6. تحميل التطبيق
  7. مقدمة عن New Autoencodersمقدمة عن Autoencoders كشبكة عصبية للتعلم غير الخاضع للإشراف، واستخداماتها: استخراج الميزات وضغط البيانات وتقليل الأبعاد، ومقارنتها بـ PCA على بيانات MNIST.5:20
  8. هيكلية Autoencodersيشرح هيكلية Autoencoders من جزأين: encoder يضغط ميزات الصورة إلى أبعاد أقل، وdecoder يعيد بناءها، والاستفادة من القيم المضغوطة في التصنيف وغيره.4:02
  9. التطبيق العملي على Autoencodersتطبيق عملي على Autoencoders بقاعدة بيانات MNIST: بناء encoder بطبقات 256 و128 و32 وdecoder يعيد 784 مدخلا، وتدريبه بـ RMSProp لإعادة بناء صور قريبة من الأصل.19:13
  10. تحميل التطبيق

المحاضر

م/عمرو عبد الفتاح

م/عمرو عبد الفتاح

مهندس أنظمة حاسوب متخصص في تطوير وتصميم تطبيقات الهواتف ومواقع الإنترنت، عمل على تطوير منصات ومواقع شهيرة.
49.1K مشاهدة20 دورة

هذه الدورة ضمن دبلومة

دورات ذات صلة