🤖 كورس الذكاء الاصطناعي – الحلقة 6: Mini Neural Network (شبكة عصبية صغيرة كاملة)

#برمجة #AI

---

🧠 مقدمة

في الحلقات السابقة تعلمنا:

• Linear Regression 📈
• KNN 🧩
• Neural Network (Neuron واحد) 🧠
• Gradient Descent 🔥

اليوم سنجمع كل شيء ونبني:

🧠 Mini Neural Network (شبكة عصبية بسيطة كاملة)

---

📌 فكرة الشبكة العصبية

بدلاً من neuron واحد:

نستخدم أكثر من neuron معاً

---

🧩 الشكل البسيط

Input → Neurons → Output

---

🧠 هدفنا اليوم

نبني نموذج:

يتعلم تصنيف بسيط (0 أو 1)

---

📊 مثال البيانات

x	y
0	0
1	1

يعني:

• إذا دخل 0 → يخرج 0
• إذا دخل 1 → يخرج 1

---

🔥 الشبكة العصبية البسيطة

سنستخدم:

• وزن واحد
• bias
• تدريب بسيط

---

🧮 المعادلة

prediction = x * w + b

---

🔥 كود شبكة عصبية صغيرة

#include <iostream>
using namespace std;

int main()
{
    double w = 0.0;
    double b = 0.0;

    double learning_rate = 0.1;

    for(int epoch = 0; epoch < 20; epoch++)
    {
        double total_error = 0;

        for(int x = 0; x <= 1; x++)
        {
            double y_true = x;

            double y_pred = x * w + b;

            double error = y_true - y_pred;

            // تحديث الأوزان (Gradient Descent بسيط)
            w += learning_rate * error * x;
            b += learning_rate * error;

            total_error += error * error;
        }

        cout << "Epoch " << epoch
             << " Error: " << total_error << endl;
    }

    cout << "\nFinal Weight: " << w << endl;
    cout << "Final Bias: " << b << endl;

    return 0;
}

---

🧠 ماذا يحدث هنا؟

✔ ندرب النموذج عدة مرات (Epochs)
✔ نحسب الخطأ
✔ نعدل الوزن والـ bias
✔ الخطأ يقل تدريجياً

---

📉 مفهوم Epoch

هو:

دورة تدريب كاملة على كل البيانات

---

🧠 كيف يتعلم النموذج؟

في البداية:

w = 0
b = 0

يعني لا يفهم شيء ❌

بعد التدريب:

w ≈ 1
b ≈ 0

✔ أصبح يفهم العلاقة

---

📊 اختبار النموذج

بعد التدريب:

cout << "Test 0: " << (0 * w + b) << endl;
cout << "Test 1: " << (1 * w + b) << endl;

---

النتائج المتوقعة:

0 ≈ 0
1 ≈ 1

---

🧠 ماذا يمثل هذا النموذج؟

هذا أبسط شكل من:

Neural Network + Training + Gradient Descent

---

📌 أين نستخدم هذه الفكرة؟

حتى لو كانت بسيطة جداً، نفس الفكرة تستخدم في:

✔ ChatGPT 🤖
✔ التعرف على الصور 📷
✔ الترجمة 🌍
✔ السيارات الذكية 🚗
✔ أنظمة التوصية 🛒

---

🧠 لماذا هذا مهم؟

لأنك الآن تفهم:

كيف “يتعلم” الذكاء الاصطناعي فعلياً من الداخل

---

⚠️ ملاحظات مهمة

❌ هذا نموذج تعليمي بسيط
❌ لا يستخدم في الواقع مباشرة
✔ لكنه أساس كل الشبكات العصبية الحديثة

---

🧪 تمرين

جرّب:

1. زيادة عدد epochs
2. تغيير learning rate
3. إضافة قيم جديدة (x=2 مثلاً)
4. ملاحظة تغير الدقة

---

🧠 مقارنة قبل وبعد التدريب

قبل	بعد
عشوائي	دقيق
لا يفهم العلاقة	يتعلم العلاقة
خطأ كبير	خطأ صغير

---

🚀 ملخص الحلقة 6

تعلمنا:

• بناء شبكة عصبية بسيطة
• مفهوم epoch
• تدريب النموذج
• تعديل weight و bias
• تقليل الخطأ تدريجياً
• أساس التعلم العميق

---

🔥 في الحلقة 7 سنتعلم:

🧠 AI Project صغير (تطبيق ذكاء اصطناعي كامل)

وسنقوم بـ:

• دمج Linear + Neural + KNN
• بناء مشروع تصنيف حقيقي
• إدخال بيانات أكثر
• تحسين الدقة
• أول مشروع AI شبه حقيقي 🚀

---