🤖 كورس الذكاء الاصطناعي – الحلقة 4: Neural Networks (الشبكات العصبية)

#برمجة #AI

---

🧠 مقدمة

في الحلقات السابقة تعلمنا:

• Linear Regression 📈 (التوقع)
• KNN 🧩 (التصنيف عبر الجيران)

اليوم ندخل أهم مفهوم في الذكاء الاصطناعي الحديث:

🧠 Neural Networks (الشبكات العصبية)

---

📌 ما هي الشبكة العصبية؟

هي نموذج يحاكي طريقة عمل الدماغ البشري:

مجموعة “خلايا صغيرة” تتعاون لاتخاذ قرار

---

🧠 الفكرة ببساطة

بدلاً من:

• معادلة واحدة
• أو مقارنة جيران

نستخدم:

شبكة من العمليات الصغيرة

---

🧩 الخلية العصبية (Neuron)

كل خلية تقوم بـ:

(مدخلات × أوزان) + bias

ثم تمر عبر دالة قرار.

---

📌 المعادلة الأساسية

output = (x1*w1 + x2*w2 + ... ) + b

---

🧠 مثال بسيط جداً

لدينا مدخلين:

• x1 = الدراسة
• x2 = النوم

ونريد توقع النجاح.

---

🔥 كود Neuron بسيط في C++

#include <iostream>
using namespace std;

int main()
{
    double x1 = 1; // study
    double x2 = 1; // sleep

    double w1 = 0.6;
    double w2 = 0.4;

    double bias = 0.2;

    double output = (x1 * w1) + (x2 * w2) + bias;

    cout << "Output: " << output << endl;

    if(output > 0.8)
        cout << "Prediction: Success";
    else
        cout << "Prediction: Fail";

    return 0;
}

---

🧠 ماذا فعلنا؟

✔ ضربنا المدخلات في أوزان
✔ جمعنا النتائج
✔ أضفنا bias
✔ أخذنا قرار

---

📊 مفهوم الأوزان (Weights)

ماذا تعني؟

مدى أهمية كل مدخل

مثلاً:

• الدراسة أهم من النوم → وزن أكبر

---

📌 ما هو Bias؟

هو:

تعديل إضافي لرفع أو خفض النتيجة

---

🧠 دالة التفعيل (Activation Function)

نحتاج تحويل الرقم إلى قرار.

---

مثال بسيط: Step Function

if output > 0 → 1
else → 0

---

🔥 مثال كامل مع Activation

#include <iostream>
using namespace std;

int main()
{
    double x1 = 0.9;
    double x2 = 0.8;

    double w1 = 0.7;
    double w2 = 0.5;

    double bias = 0.1;

    double sum = (x1*w1) + (x2*w2) + bias;

    double output;

    if(sum > 1)
        output = 1;
    else
        output = 0;

    cout << "Output: " << output << endl;

    return 0;
}

---

🧠 كيف “يتعلم” الشبكة؟

بدلاً من تحديد الأوزان يدويًا:

يتم تعديلها تلقائياً عبر التدريب

---

📌 فكرة التدريب (Training)

1. نعطي بيانات صحيحة
2. نحسب الخطأ
3. نعدل الأوزان
4. نكرر

---

🧠 مثال فكرة التدريب

Prediction = 0.6
True value = 1
Error = 0.4

---

⚠️ هذا يسمى:

Loss Function

---

🧠 لماذا الشبكات العصبية قوية؟

✔ تتعلم أنماط معقدة
✔ تحل مشاكل كبيرة
✔ تستخدم في الذكاء الحديث

---

📊 أين تستخدم؟

• التعرف على الصور 📷
• الصوت 🎤
• الترجمة 🌍
• السيارات الذاتية 🚗
• ChatGPT 🤖

---

🧠 مقارنة بسيطة

الطريقة	القوة
Linear Regression	بسيطة
KNN	تصنيف بسيط
Neural Networks	ذكاء متقدم

---

🧪 تمرين

1. غيّر الأوزان
2. لاحظ تأثيرها
3. جرّب أكثر من input
4. اجعل القرار أكثر دقة

---

🚀 ملخص الحلقة 4

تعلمنا:

• ما هي Neural Networks
• مفهوم neuron
• الأوزان bias
• activation function
• فكرة التعلم
• أساس الذكاء العميق

---

🔥 في الحلقة 5 سنتعلم:

🧠 Training Algorithm (التعلم الحقيقي)

وسندخل إلى:

• Gradient Descent
• تقليل الخطأ
• كيف تتعلم الشبكة فعلياً
• أول تدريب حقيقي لنموذج AI 🚀

---