الذكاء الاصطناعي

المفاهيم

1. الفرق بين الذكاء الاصطناعي وتعلّم الآلة والتعلّم العميقAI vs Machine Learning vs Deep Learningالذكاء الاصطناعي هو الفرع الأوسع، وتعلّم الآلة أسلوب يتعلم فيه الحاسوب من البيانات، والتعلّم العميق نوع متقدم منه يستخدم الشبكات العصبية.مقارنةاقرأ
2. أنواع البيانات في الذكاء الاصطناعيTypes of Data in Artificial Intelligenceبيانات الذكاء الاصطناعي هي ما يتعلم منه النظام: مهيكلة (جداول)، وشبه مهيكلة (JSON وXML)، وغير مهيكلة (نص وصور وصوت)، ولكل نوع استخدامه.مفهوماقرأ
3. التحيّز في الذكاء الاصطناعيAI Biasالتحيّز في الذكاء الاصطناعي هو ظهور فئة في البيانات أكثر من غيرها أو معاملتها بشكل مختلف، فيتعلم النموذج صورة منحرفة عن الواقع ويظلم بعض الفئات.مفهوماقرأ
4. الخصوصية في الذكاء الاصطناعيAI Data Privacyأنظمة الذكاء الاصطناعي تتغذى على بيانات بعضها شخصي، لذلك يجب حمايتها وتوازن المؤسسات بين فائدة البيانات وحقوق الأفراد في الخصوصية.مفهوماقرأ
5. مصادر البيانات في مشاريع الذكاء الاصطناعي: الأنظمة الداخلية والحساسات والويب والبيانات المفتوحةData Sources for AI Projectsأبرز مصادر بيانات الذكاء الاصطناعي في المؤسسة: أنظمة المعاملات الداخلية، وأجهزة الحساسات وإنترنت الأشياء، وتفاعل المستخدمين مع التطبيقات، والمستندات والأرشيف، والبيانات المفتوحة الحكومية، والويب ومواقع التواصل.مقارنةاقرأ
6. كيف نختار مصادر بيانات مناسبة وموثوقة لمشروع الذكاء الاصطناعي؟Choosing Reliable Data Sourcesنبدأ بتحديد هدف المشروع، ثم نراجع ما تملكه المؤسسة داخليًا قبل شراء بيانات خارجية، ثم نقيّم المصدر بمعايير: الحداثة، والاكتمال، والدقة، والتغطية، والجوانب القانونية والأخلاقية، والكلفة، ثم نجرّب بتجربة صغيرة قبل الاستثمار الكبير.مقارنةاقرأ
7. استخراج البيانات من الويب (Web Scraping) وبيانات المنتديات: الخطوات والضوابطWeb Scraping for AI Dataبيانات الويب غير مهيكلة للمستخدم وشبه مهيكلة للمبرمج لأن وسوم HTML تعمل كمفاتيح. خطوات الاستخراج: تحديد الموقع والبيانات، فحص بنية الصفحة، جلب الصفحة برمجيًا، تحليل الوسوم، ثم التنظيف والتخزين، مع احترام شروط الموقع وrobots.txt والخصوصية.مفهوماقرأ
8. واجهات برمجة التطبيقات (API) وبيانات JSON: الطلب ورموز الحالة 200 و404APIs and JSON Dataواجهة برمجة التطبيقات نقطة دخول رسمية يطلب منها النظام بيانات محددة ويستقبل ردًا منظمًا غالبًا بصيغة JSON. يجب فحص رمز حالة HTTP قبل استخدام البيانات: 200 نجاح، 404 غير موجود، وغيرها أخطاء تُعالَج برسالة مناسبة.مقارنةاقرأ
9. تنسيقات البيانات CSV وJSON وXML: المزايا والعيوب ومتى نختار كلًّا منها؟CSV vs JSON vs XMLCSV أبسط تنسيق جدولي وخفيف، وJSON يمثل الهياكل المتداخلة وهو السائد في واجهات الويب، وXML واضح ومدعوم بمخططات تحقق لكنه أثقل. الاختيار يعتمد على طبيعة البيانات وحجمها ومصدرها وسهولة التكامل.مقارنةاقرأ
10. تنظيف السلسلة الزمنية ومعالجة القيم المفقودة: الحذف أم التعويض؟Cleaning Time Series and Handling Missing Valuesعند ظهور قيم مفقودة (NA) في سلسلة زمنية يمكن حذف الصفوف أو تعويضها: بمتوسط الساعة نفسها عبر الأيام أو بآخر قيمة معروفة (LOCF). لكل طريقة أثر مختلف في شكل البيانات، لذلك تُجرَّب أكثر من طريقة ويُقارَن أثرها.مقارنةاقرأ
11. مبادئ جمع بيانات الذكاء الاصطناعي وتجهيزها: خمسة مبادئ أساسيةPrinciples of Collecting and Preparing AI Dataخمسة مبادئ: فهم المتطلبات قبل الجمع، والتأكد من دقة البيانات ونزاهتها ومصدرها القانوني، والحد من التحيز وضمان التنوع، وتنظيف البيانات وتجهيزها فنيًا، واحترام الأخلاقيات والقوانين وإخفاء المعلومات الشخصية.مقارنةاقرأ
12. أنواع التحليلات: الوصفية والتشخيصية والتنبؤية والإرشادية وعمليات ETLTypes of Data Analyticsالتحليل الوصفي يجيب ماذا حدث، والتشخيصي لماذا حدث، والتنبؤي ماذا قد يحدث، والإرشادي ماذا ينبغي أن نفعل الآن. وتجهّز عمليات ETL وELT البيانات الموحدة، ويجعل التمثيل البصري النتائج مفهومة لصانع القرار.مقارنةاقرأ
13. البيانات الكمية والنوعية في مشاريع الذكاء الاصطناعي: متى نستخدم كلًّا منهما وكيف ندمجهما؟Quantitative vs Qualitative Data in AIالكمية أرقام قابلة للقياس تناسب الخوارزميات والتتبع عبر الزمن لكنها تختزل السبب، والنوعية نصوص وآراء تكشف الأسباب والمشاعر لكنها تحتاج تجهيزًا وتفسيرًا. أقوى المشاريع تدمج النوعين.مقارنةاقرأ
14. مجموعات التدريب والتحقق والاختبار: كيف نقسّم البيانات ولماذا؟Training, Validation and Test Setsنقسّم البيانات إلى تدريب (يتعلم منها النموذج)، وتحقق (لضبط الإعدادات واختيار البنية)، واختبار (تُحفظ بعيدًا لقياس الأداء الحقيقي بعد التدريب). ويجب أن تحافظ المجموعات على نسب الفئات نفسها، وأن يُعزل الاختبار فلا تتلوث بيانات الاختبار.مقارنةاقرأ
15. حماية بيانات أنظمة الذكاء الاصطناعي: النسخ الاحتياطي والتدقيق والاستجابة للحوادث والتسميمProtecting AI Dataحماية بيانات الذكاء الاصطناعي تشمل نسخًا احتياطية منتظمة في أماكن مختلفة، وطبقات أمن (جدار، أقل صلاحية، تشفير)، وسياسات للأجهزة الشخصية، ومراجعة جودة دورية، وتدقيقًا أمنيًا وخطة استجابة للحوادث، وفحص هجمات تسميم بيانات التدريب.مقارنةاقرأ
16. تجهيز البيانات لنماذج الذكاء الاصطناعي: اختيار السجلات وتقليل البيانات والميزات والتطبيعPreparing Data for AI Modelsبعد اختيار السجلات نبحث عن القيم المفقودة وأسبابها والتكرارات، ثم نحوّل القيم الخام إلى ميزات أوضح، ونطبّع الأرقام، ونراجع منطقية الحقول وتوزيعها، ونقلل البيانات الشخصية إلى ما يلزم فقط.مفهوماقرأ
17. التجارة الإلكترونية ونقاط البيع كمصادر بيانات: B2C وB2B وC2C وC2BE-commerce Models and Their Dataالتجارة الإلكترونية تولّد بيانات في كل خطوة (مشاهدة، سلة، شراء، دفع، توصيل)، وتنقسم إلى أنماط: شركة لمستهلك B2C، وشركة لشركة B2B، ومستهلك لمستهلك C2C، ومستهلك لشركة C2B. وتغذّي بيانات نقاط البيع والمنصات نماذج التنبؤ بالطلب وإدارة المخزون.مقارنةاقرأ
18. أجهزة إنترنت الأشياء كمصدر بيانات: المساعد الذكي والتدفئة والساعات والمركباتIoT Devices as AI Data Sourcesالمساعد المنزلي والتدفئة الذكية والأجهزة الصحية القابلة للارتداء والمركبات الذكية شبكات حساسات تغذي الذكاء الاصطناعي بتيار مستمر من البيانات: تحسّن الكفاءة والصحة والسلامة، لكنها تكشف أنماط حياة الناس فتتطلب حماية الخصوصية وموافقة صريحة.مقارنةاقرأ
19. كيف يعمل المساعد الصوتي الذكي؟ من الصوت إلى النص إلى الاستجابة وحلقة التغذية الراجعةSmart Assistant Data Pipelineعندما يقول المستخدم كلمة التنبيه يلتقط الميكروفون الكلام ويحوله إلى إشارة رقمية تُرسل إلى خوادم سحابية تحوله إلى نص، ثم يحدد نموذج فهم اللغة نوع الطلب فينفذ الأمر أو يستعلم عن المعلومة، ثم يُحوَّل الجواب إلى صوت. وتعود نتائج الاستخدام لتحسين النماذج.مفهوماقرأ
20. أنواع الذكاء الاصطناعي: الضعيف والقوي وتصنيفه بحسب الذاكرةTypes of Artificial Intelligenceالذكاء الاصطناعي الضعيف مصمم لمهمة محددة (المساعدات الصوتية والتوصية) والقوي نظري يتعلم ويفهم مشكلات متنوعة كالإنسان. وبحسب الذاكرة: آلات تفاعلية، وذاكرة محدودة، ونظرية العقل، وذكاء ذاتي الإدراك، والأخيران ما زالا نظريين.مقارنةاقرأ
21. التعلم تحت الإشراف وبدون إشراف: الفرق وأمثلةSupervised vs Unsupervised Learningفي التعلم تحت الإشراف تكون لدينا مدخلات X معها الإجابة الصحيحة Y فيتعلم النموذج العلاقة بينهما ثم يتنبأ، وفي التعلم بدون إشراف مدخلات فقط ويكتشف النموذج الأنماط، كتقسيم العملاء إلى مجموعات.مقارنةاقرأ
22. التصنيف والانحدار: كيف أعرف نوع المهمة؟Classification vs Regressionإذا كانت المخرجات اسمًا أو فئة (نعم/لا، قطة/كلب، سبام/ليس سبام) فهي مهمة تصنيف، وإذا كانت رقمًا مستمرًا (سعر، طول، حرارة، علامة) فهي انحدار. وقد سمّي انحدارًا لأن هدفه توقع قيمة رقمية لا فئة.مقارنةاقرأ
23. الانحدار الخطي (Linear Regression) ومقياس الخطأ MSELinear Regression and MSEالانحدار الخطي يبحث عن أفضل خط مستقيم y = mx + c يقرّب العلاقة بين المدخل والمخرج، حيث m الميل وc المقطع. ويقيس MSE متوسط مربع الخطأ بين القيم الحقيقية والمتوقعة: كلما صغر كان النموذج أدق.مفهوماقرأ
24. الانحدار اللوجستي: كيف يتحول الاحتمال إلى قرار؟Logistic Regressionالانحدار اللوجستي نموذج تعلم تحت الإشراف يُستخدم عندما تكون النتيجة فئة 0 أو 1: يتوقع احتمالًا بين 0 و1 عبر دالة السيجمويد ثم يحوّله إلى قرار بعتبة (غالبًا 0.5).مفهوماقرأ
25. آلة المتجهات الداعمة (SVM): الهامش والمتجهات الداعمة والنواةSupport Vector Machine (SVM)SVM نموذج تصنيف يرسم حدًّا يفصل الفئات بأكبر هامش أمان عن أقرب النقاط (المتجهات الداعمة). يمكن أن يكون خطيًا أو غير خطي باستخدام نواة (Kernel)، ويحتاج توحيد مقاييس الميزات.مفهوماقرأ
26. أشجار القرار (Decision Trees): كيف تتعلم وكيف نقرأها وما الـ Overfitting؟Decision Treesشجرة القرار تشبه لعبة الأسئلة المتتابعة (نعم/لا): تقسم البيانات خطوة بخطوة بسؤال بسيط على ميزة حتى تصل إلى قرار نهائي في الأوراق. سهلة التفسير، لكنها قد تحفظ بيانات التدريب إن كانت عميقة جدًا.مفهوماقرأ
27. التجميع بـ K-means: كيف يقسّم النموذج العملاء إلى مجموعات؟K-means ClusteringK-means خوارزمية تعلم بدون إشراف تجمع النقاط في K مجموعات متشابهة: تضع مراكز أولية، توزع كل نقطة على أقرب مركز، تحدّث المراكز، وتكرر حتى تستقر. والمجموعات الناتجة تجميع بحسب التشابه وليست فئات حقيقية بالضرورة.مقارنةاقرأ
28. تحليل المكونات الرئيسية PCA: كيف نقلّل أبعاد البيانات؟PCA – Dimensionality ReductionPCA يقلل عدد الميزات إلى ميزتين أو ثلاث بإيجاد أفضل اتجاهات تُظهر أكبر قدر من اختلاف البيانات وإسقاطها عليها، فتبقى المعلومات المهمة وتختفي التفاصيل الأقل أهمية، لتسهيل الفهم والرسم وتسريع بعض النماذج.مفهوماقرأ
29. كشف الشذوذ بالجيران الأقرب (KNN): كيف نجد السلوك غير الطبيعي؟KNN Anomaly Detectionتُستخدم فكرة «أقرب الجيران» لكشف الشذوذ: النقطة البعيدة عن جيرانها الطبيعيين غالبًا شاذة. نحسب بعد كل نقطة عن أقرب جيرانها ونعدّ الأبعد بكثير شاذة، واختيار العتبة يغيّر عدد الشذوذات المكتشفة.مقارنةاقرأ
30. الطرق البايزية: كيف نحدّث اعتقادنا عند وصول دليل جديد؟Bayesian Methodsالطرق البايزية تبدأ باعتقاد مبدئي (Prior) ثم تحدّثه بدليل جديد بحسب مدى توافقه (Likelihood) لتصل إلى اعتقاد محدّث (Posterior). القرار = دمج «ما قبل الدليل» مع «قوة الدليل».مقارنةاقرأ
31. نموذج ARIMA للتنبؤ بالسلاسل الزمنية: AR وI وMAARIMA Time-Series ForecastingARIMA نموذج يتنبأ بقيم مستقبلية من الماضي في بيانات مرتبة بالزمن، ويتكون من ثلاثة أجزاء: AR (الاعتماد على القيم السابقة)، وI (إزالة الاتجاه العام بأخذ الفروق)، وMA (التعامل مع الضوضاء والتذبذب).مقارنةاقرأ
32. الشبكات العصبية: أين نستخدمها وما فوائدها وعيوبها؟Neural Networks: Uses, Benefits and Limitsالشبكات العصبية مناسبة للبيانات المعقدة (صور، نصوص، صوت) حيث يصعب كتابة قواعد يدويًا. تتعلم العلاقات المعقدة وقد تحقق دقة عالية، لكنها تحتاج بيانات كثيرة وقدرة حسابية، وصعبة التفسير (صندوق أسود)، وقد تقع في فرط التعلم.مقارنةاقرأ
33. الذكاء الاصطناعي القابل للتفسير (XAI) وانحراف البيانات: لماذا نراقب النموذج بعد النشر؟XAI and Data DriftXAI يجعل قرارات النموذج مفهومة للإنسان، وهو مهم حين يؤثر القرار في الناس أو المال أو السلامة. وقد يضعف النموذج مع الزمن إن تغيرت البيانات (Data Drift)، لذلك تُراقَب البيانات والدقة والانحياز بعد النشر.مقارنةاقرأ
34. دورة تطوير مشروع ذكاء اصطناعي: من تحديد المشكلة إلى النشر والمراقبةAI Project Lifecycleمشروع الذكاء الاصطناعي ليس كودًا فقط، بل دورة تتكرر: تحديد المشكلة، جمع البيانات، تحضيرها وتنظيفها، اختيار النموذج وتجربة أكثر من حل، تقييم النتائج وتحسينها، ثم نشر النموذج ومراقبته والعودة للتحسين.مفهوماقرأ
35. أدوات بناء الذكاء الاصطناعي ومنصات السحابة: من البيانات إلى النشرAI Tools, Frameworks and Cloud Platformsأدوات كل مرحلة في مشروع الذكاء الاصطناعي (جمع البيانات والتحليل والتدريب والنشر) ومنصات الحوسبة السحابية AWS وAzure وGoogle Cloud: متى تفيد السحابة ومتى لا تلزم.مقارنةاقرأ
36. لغات البرمجة الشائعة في الذكاء الاصطناعي: Python وJava وR وLispProgramming Languages for AIPython الأكثر استخدامًا لسهولة الكتابة وكثرة المكتبات، وJava للأنظمة الكبيرة وخدمات الإنتاج، وR للإحصاء والتحليل والرسوم، وLisp لغة قديمة مؤثرة تاريخيًا في البرمجة الرمزية. والهدف فهم لماذا نستخدم كل لغة ومتى.مقارنةاقرأ
37. بيئة التطوير IDE أم Jupyter Notebook؟ ومتى نستخدم Markdown؟IDE vs Jupyter NotebookIDE مثل PyCharm وVS Code يناسب المشاريع الكبيرة وتصحيح الأخطاء وبناء التطبيقات الحقيقية، وJupyter Notebook يناسب التجريب والتحليل خطوة بخطوة ودمج الشرح والكود والرسوم. ويفيد Markdown في شرح ما تفعله بين خلايا الكود.مقارنةاقرأ

الدروس المصوّرة

• كيف يتعلم الذكاء الاصطناعي؟ البيانات والخوارزمية والنموذج وتعلّم الآلة

  تأسيس جيل 2009 — مبادئ الذكاء الاصطناعي: الحصة الأولى · 9:57

  YouTube

• الذكاء الاصطناعي من حولنا: التطبيقات والفوائد والتحديات

  تأسيس جيل 2009 — مبادئ الذكاء الاصطناعي: الحصة الثانية · 7:42

  YouTube

• مقدمة وحدة مقدمة في الذكاء الاصطناعي (BTEC IT)

  وحدة الذكاء الاصطناعي — المقدمة · 10:26

  YouTube

• أنواع البيانات في الذكاء الاصطناعي: مهيكلة وشبه مهيكلة وغير مهيكلة

  وحدة الذكاء الاصطناعي — الحصة الأولى: البيانات · 25:40

  YouTube

الملفات التعليمية

• دوسية تأسيس: الأمن السيبراني ومبادئ الذكاء الاصطناعي (جيل 2009)

  دوسية تأسيسية تغطي مفاهيم مدخلية في الأمن السيبراني ومبادئ الذكاء الاصطناعي، أعدّها أحمد دومي لتهيئة الطلبة للوحدتين.

  تحميل PDF (1.1 MB)

• مدخل إلى الذكاء الاصطناعي وتطبيقاته — كتاب الوحدة

  مادة شاملة حول بيانات الذكاء الاصطناعي ومصادرها وتنسيقاتها، والتحيز في البيانات، وحماية بيانات أنظمة الذكاء الاصطناعي.

  تحميل PDF (6.5 MB)