🔥 أحدث الأخبار

موقع يهتم بكل ماهو جديد في عالم التكنولوجيا والرياضة

كورس آلية عمل الذكاء الاصطناعي – الحلقة 4

عبودي لتقنية والمعلومات
(0)


 

🤖 كورس آلية عمل الذكاء الاصطناعي – الحلقة 4

🧠 Backpropagation (سر تعلّم الشبكات العصبية الحقيقي)

#برمجة #AI

🧠 مقدمة مهمة جداً

في الحلقات السابقة فهمنا:

  • كيف تعمل الشبكات العصبية 🧠
  • كيف تنتقل البيانات داخل الطبقات 🔥
  • ما هي الأوزان والـ bias
  • كيف يتم التوقع

اليوم سنصل إلى أهم فكرة في الذكاء الاصطناعي كله:

🔥 Backpropagation (الانتشار العكسي)

🧠 ما هو Backpropagation؟

هو:

الطريقة التي يتعلم بها الذكاء الاصطناعي من أخطائه

بمعنى:

✔ النموذج يتوقع
✔ نكتشف الخطأ
✔ ثم نرجع للخلف لتعديل كل شيء

🧠 تشبيه بسيط جداً

تخيل أنك طالب:

  • تحل سؤال
  • المعلم يقول لك: خطأ ❌
  • ترجع تشوف أين الخطأ
  • تصحح طريقة الحل

هذا هو Backpropagation بالضبط.

📌 الفكرة الأساسية

Forward Pass → Prediction
Loss → Error
Backward Pass → Update Weights

🧠 ما هو Forward Pass؟

هو:

تمرير البيانات للأمام داخل الشبكة

مثال:

Input → Hidden → Output

🧠 ما هو Loss (الخطأ)؟

هو:

الفرق بين الإجابة الصحيحة والتوقع

مثال:

True = 1  
Prediction = 0.6  
Error = 0.4

🧠 الآن نصل للمهم 🔥

Backward Pass

هو:

الرجوع للخلف لتعديل الأوزان

🧮 كيف يتم التعديل؟

نستخدم فكرة بسيطة:

weight = weight - learning_rate × error × input

🧠 لماذا نرجع للخلف؟

لأن:

كل وزن داخل الشبكة ساهم في الخطأ

فنقوم بتصحيحه واحداً واحداً

📊 مثال بسيط جداً

لدينا:

x = 2  
weight = 0.5  
prediction = 1  
true = 0

الخطأ:

error = 0 - 1 = -1

التحديث:

weight = 0.5 - (0.1 × -1 × 2)
weight = 0.7

🧠 ماذا حدث؟

✔ الوزن تغير
✔ النموذج أصبح أقرب للإجابة الصحيحة
✔ الخطأ يقل تدريجياً

🔥 أهم فكرة في Backpropagation

كل خطأ يرجع للخلف ليصحح نفسه

🧠 كيف تعمل الشبكة الكاملة؟

المرحلة 1: Forward

Input → Layers → Output

المرحلة 2: Loss

Prediction - True Value

المرحلة 3: Backward

Error → Weights → Update

🧠 لماذا هذا مهم جداً؟

لأنه:

✔ أساس كل الذكاء الاصطناعي الحديث
✔ أساس ChatGPT 🤖
✔ أساس التعرف على الصور 📷

🧠 ما الذي يتم تعديله فعلياً؟

داخل الشبكة يتم تعديل:

  • Weights (الأوزان)
  • Bias (الانحياز)

📌 ماذا يحدث للأوزان مع الوقت؟

Epoch 1 → خطأ كبير  
Epoch 50 → خطأ أقل  
Epoch 1000 → دقة عالية

🧠 مفهوم Epoch

هو:

مرة كاملة تمر فيها البيانات على الشبكة

🔥 مثال تدريبي

Epoch 1: Error = 10  
Epoch 2: Error = 6  
Epoch 3: Error = 3  
Epoch 4: Error = 1

🧠 لماذا يقل الخطأ؟

لأن:

الشبكة تتعلم من كل محاولة

⚠️ مشكلة مهمة

إذا كان التعلم سريع جداً:

❌ النموذج يصبح غير مستقر

📌 هذا يسمى:

Learning Rate Problem

🧠 ماذا يحدث داخل الطبقات؟

في Backpropagation:

  • الخطأ لا يبقى في النهاية
  • بل يتم توزيعه على كل طبقة

الشكل:

Output Layer → Hidden Layer → Input Layer

🧠 تشبيه قوي جداً

Backpropagation مثل:

شخص يراجع اختبار ويعرف أين أخطأ بالضبط

🧠 لماذا يعتبر أهم جزء في AI؟

لأنه:

✔ يجعل النموذج يتعلم
✔ يحسن الدقة
✔ يقلل الخطأ
✔ يبني الذكاء الحقيقي

📊 الفرق قبل وبعد Backpropagation

قبل بعد
عشوائي دقيق
لا يتعلم يتعلم من الخطأ
ثابت يتحسن

🧠 أين يستخدم هذا في الواقع؟

  • ChatGPT 🤖
  • Google Translate 🌍
  • Face Recognition 📷
  • Self Driving Cars 🚗

⚠️ حقيقة مهمة جداً

Backpropagation:

❌ ليس ذكاء
✔ هو تحسين رياضي مستمر

🧠 ملخص الحلقة 4

تعلمنا:

  • ما هو Backpropagation
  • كيف يتم الرجوع للخلف
  • معنى Loss Function
  • تحديث الأوزان
  • أهمية Learning Rate
  • كيف تتعلم الشبكات العصبية فعلياً

🚀 في الحلقة 5 سنبدأ مرحلة قوية جداً:

🧠 كيف يفكر ChatGPT فعلياً؟ (Large Language Models)

وسنشرح:

  • كيف تفهم اللغة
  • كيف تتوقع الكلمات
  • ما هي الـ Tokens
  • كيف يتم توليد النص
  • سر الذكاء اللغوي 🤖


تعليقات

إرسال تعليق

💬 🙋🏻‍♂️