ابدأ من هنا: تأسيس قبل الذكاء الاصطناعي

طريقان إلى نفس الفكرة

قبل أن تبدأ

الفكرة الجوهرية

1الحاسوب: معالج وذاكرة وقرص

المعالج ينفذ التعليمات، والذاكرة (RAM) سريعة ومؤقتة، والقرص بطيء ودائم. بيانات بحجم 50 جيجابايت لا تُحمّل كاملة في ذاكرة 16 جيجابايت، فتُقرأ على دفعات. ومعالج الرسوم (GPU) ينفذ آلاف العمليات الصغيرة معًا، لهذا يُدرّب عليه التعلم العميق.

2منطق البرمجة في دقيقة

متغيرات تحفظ قيمًا، وشروط تختار، وحلقات تكرر، ودوال تجمع خطوات باسم. هذا كل شيء تقريبًا. البرنامج التالي يصنّف درجات بنفس منطق نموذج تصنيف بسيط جدًا:

def grade(score, threshold=60):
    if score >= threshold:
        return "pass"
    return "fail"

scores = {"Sara": 82, "Omar": 55, "Lina": 60}
for name, score in scores.items():
    print(name, grade(score))

passed = [n for n, s in scores.items() if grade(s) == "pass"]
print("passed:", len(passed), "of", len(scores))

3الإنترنت وواجهات النماذج

حين تستخدم نموذجًا لغويًا من برنامجك، ترسل طلب HTTP فيه JSON وتستلم JSON. الرابط، والطريقة (POST)، والترويسات (مفتاح API)، والجسم (الرسائل). فهم هذا يجعل أي API نموذج مألوفًا.

4الطرفية وGit والبيئات

ستشغّل التدريب من الطرفية، وتثبّت الحزم في بيئة افتراضية لكل مشروع حتى لا تتعارض الإصدارات، وتحفظ الكود في Git. والبيانات الضخمة وأوزان النماذج لا تُرفع لـ Git، بل لتخزين منفصل.

python -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate
pip install numpy pandas
git init && git add train.py && git commit -m "First training script"
echo "data/" >> .gitignore

مثال محلول

المسألة: ملف بيانات 30 جيجابايت وجهازك فيه 16 جيجابايت ذاكرة، وpd.read_csv ينهار. التحليل: الملف لا يتسع للذاكرة. الحل: اقرأه على دفعات (chunksize=100_000) واحسب ما تحتاجه من كل دفعة، أو اختر الأعمدة المطلوبة فقط بـ usecols. فهم الذاكرة والقرص هو ما حلّ المشكلة، لا خوارزمية جديدة.

خرافة مقابل حقيقة

اختبر فهمك

بطاقات مراجعة سريعة

تحقق من فهمك