ماستر كلاس التعلّم العميق

متى تذهب عميقًا

تعلّم الآلة الكلاسيكي (مثل XGBoost) يفوز عادةً على البيانات الجدولية. ويتألّق التعلّم العميق على البيانات غير المهيكلة — الصور والصوت والنص — حيث يتعلّم خصائص مفيدة تلقائيًا بدل أن تُهندسها يدويًا. والبيانات الأكثر والحوسبة الأكبر هما ما يجعله يؤتي ثماره.

أُطر العمل

• TensorFlow + Keras — و Keras هي الواجهة عالية المستوى الودودة؛ رائعة للبدء.
• PyTorch — مرن ومفضّل في البحث؛ وهو المهيمن الآن في المجال.
• Google Colab — معالجات رسومية مجانية في المتصفّح، فتدرّب دون عتاد محلّي.

لماذا المعالجات الرسومية

الشبكات العصبية في معظمها عمليات ضرب مصفوفات. والمعالج الرسومي يجري آلافًا منها بالتوازي، فيدرّب النماذج أسرع من المعالج المركزي بعشرات إلى مئات المرّات. وهذا التحوّل العتادي سبب كبير في انطلاق التعلّم العميق.

من العصبون إلى الشبكة

يضرب العصبون مدخلاته بأوزان، ويضيف إزاحة، ويمرّر الناتج عبر دالة تنشيط. كدّس العصبونات في طبقات — دخل، مخفية، خرج — واربطها، فتستطيع الشبكة تقريب أي دالة تقريبًا. وهذا هو المُدرَك متعدّد الطبقات (MLP).

دوال التنشيط تضيف اللاخطّية

بدون تنشيط لاخطّي، تكديس الطبقات يعطي نموذجًا خطّيًا آخر فقط. و ReLU (أبقِ الموجب وصفّر السالب) هي الافتراضية للطبقات المخفية — بسيطة وفعّالة. وتستخدم طبقة الخرج sigmoid للإجابة نعم/لا، أو softmax لتحويل الدرجات إلى احتمالات فئات.

كيف تتعلّم: الانتشار العكسي

تصنع الشبكة تنبّؤًا، وتقيس دالة الخسارة مقدار خطئه، ويحسب الانتشار العكسي كم أسهم كل وزن في ذلك الخطأ. ثم يحرّك الانحدار التدرّجي كل وزن لتقليل الخسارة. كرّر عبر حقب كثيرة فتتعلّم الشبكة.

from tensorflow import keras
model = keras.Sequential([
    keras.layers.Dense(64, activation="relu"),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10, activation="softmax"),
])
model.compile(optimizer="adam", loss="categorical_crossentropy",
              metrics=["accuracy"])
model.fit(X_train, y_train, epochs=10, validation_split=0.1)

لماذا لا شبكة عادية للصور؟

صورة ملوّنة 200×200 هي 120,000 رقم — وشبكة موصولة بالكامل ستحتاج مليارات الأوزان وتتجاهل أن البكسلات المتجاورة مترابطة. أما الشبكات الالتفافية فتستغلّ بنية الصورة: تمسح رقعًا صغيرة وتعيد استخدام المرشّحات نفسها في كل مكان، فتتعلّم بكفاءة.

الالتفاف والتجميع

الالتفاف يمرّر مرشّحًا صغيرًا عبر الصورة، فيكتشف خاصية (حافّة، ملمس) أينما ظهرت. الطبقات المبكّرة تجد الحواف؛ والأعمق تجمعها في أشكال ثم كائنات. والتجميع يقلّل العيّنات بين الطبقات، فيصغّر البيانات ويُبقي أقوى الإشارات.

التعلّم بالنقل: لا تبدأ من الصفر

تدريب شبكة التفافية من الصفر يحتاج بيانات وحوسبة هائلة. بدل ذلك، خذ نموذجًا مدرَّبًا على ملايين الصور (VGG و ResNet و Inception) وضبط طبقاته الأخيرة على مهمّتك. تحصل على نتائج ممتازة ببضع مئات من الصور — وهي أكثر تقنية عملية في رؤية الحاسوب.

النص ← أرقام

أولًا، قطّع النص إلى كلمات أو أجزاء كلمات، ثم اربط كل رمز بتضمين — متّجه كثيف يلتقط المعنى. والخصائص الكلاسيكية مثل TF-IDF تعمل أيضًا للمهام الأبسط، لكن التضمينات تتيح للنماذج فهم أن «رائع» و«ممتاز» متقاربان.

الشبكات المتكرّرة و LSTM و GRU

تقرأ الشبكة العصبية المتكرّرة التسلسل خطوة بخطوة، حاملةً ذاكرة لما سبق. والشبكات المتكرّرة البسيطة تنسى السياق البعيد، فتضيف LSTM و GRU بوّابات تقرّر ما تتذكّره وتنساه — فتتعقّب المعنى عبر جمل طويلة.

ماذا يمكنك بناؤه

• تحليل المشاعر — تصنيف المراجعات أو التغريدات إيجابية/سلبية.
• توليد النص وتلخيصه — إنتاج نص أو تكثيفه.
• الترجمة والتعرّف على الكيانات المسمّاة — مهام تسلسل إلى تسلسل.

احفظ ثم اخدم

صدّر الشبكة المدرَّبة (Keras .h5/SavedModel، أو PyTorch state_dict). ثم غلّفها بواجهة برمجية (FastAPI/Flask) أو تطبيق Streamlit/Gradio يحمّل النموذج مرّة ويجيب الطلبات. وللصور، يجب أن تطابق المعالجة (تغيير الحجم، التطبيع) ما استُخدم في التدريب تمامًا.

اجعله صغيرًا وسريعًا

• التكميم يخزّن الأوزان بدقّة أقل (مثل 8 بت) — أصغر وأسرع بخسارة دقّة ضئيلة.
• التقليم يحذف الوصلات الزائدة؛ والتقطير يدرّب نموذجًا صغيرًا ليحاكي كبيرًا.
• ONNX / TensorFlow Lite يصدّران النماذج لتعمل على الخوادم أو الجوّال أو الحافّة.

اخدم على العتاد المناسب

يمكن أن يعمل الاستدلال على المعالج المركزي للنماذج الصغيرة، لكن نماذج الرؤية/اللغة الثقيلة تحتاج غالبًا معالجًا رسوميًا للإجابة بسرعة. اجمع الطلبات دفعةً للإنتاجية، وحوّلها إلى حاوية (Docker) لتُشحن البيئة بالضبط مع النموذج.