🤖 كورس الذكاء الاصطناعي – الحلقة 7: مشروع AI عملي (Hybrid Mini AI System)

#برمجة #AI

---

🧠 مقدمة

في الحلقات السابقة تعلمنا:

• Linear Regression 📈
• KNN 🧩
• Neural Network بسيطة 🧠
• Gradient Descent 🔥
• Mini Training Model

اليوم سننتقل لمرحلة مهمة جداً:

🚀 مشروع ذكاء اصطناعي مصغر حقيقي

سنقوم بدمج أكثر من فكرة AI في نظام واحد.

---

🧠 فكرة المشروع

سنصنع نظام يقوم بـ:

تصنيف الطالب: ناجح أو راسب

باستخدام:

• Linear Score Model 📊
• Neural Weighting 🧠
• Threshold Decision 🎯

---

📊 البيانات

الدراسة	النوم	النتيجة
1	1	0
2	1	0
3	2	1
4	3	1

---

🧠 فكرة النظام

سنحسب:

score = (study * w1) + (sleep * w2) + bias

ثم:

if score > threshold → Success
else → Fail

---

🔥 كود المشروع الكامل

#include <iostream>
using namespace std;

int main()
{
    // الأوزان الأولية
    double w1 = 0.2;
    double w2 = 0.2;
    double bias = 0.1;

    double learning_rate = 0.05;

    int study[4] = {1, 2, 3, 4};
    int sleep[4] = {1, 1, 2, 3};
    int result[4] = {0, 0, 1, 1};

    for(int epoch = 0; epoch < 50; epoch++)
    {
        double total_error = 0;

        for(int i = 0; i < 4; i++)
        {
            double score =
                (study[i] * w1) +
                (sleep[i] * w2) +
                bias;

            double prediction;

            if(score > 0.5)
                prediction = 1;
            else
                prediction = 0;

            double error = result[i] - prediction;

            // تحديث الأوزان (Gradient Descent بسيط)
            w1 += learning_rate * error * study[i];
            w2 += learning_rate * error * sleep[i];
            bias += learning_rate * error;

            total_error += error * error;
        }

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

    cout << "\nFinal Model:" << endl;
    cout << "w1 = " << w1 << endl;
    cout << "w2 = " << w2 << endl;
    cout << "bias = " << bias << endl;

    // اختبار النموذج
    int s, sl;

    cout << "\nEnter study hours: ";
    cin >> s;

    cout << "Enter sleep hours: ";
    cin >> sl;

    double score = (s * w1) + (sl * w2) + bias;

    if(score > 0.5)
        cout << "Prediction: Success";
    else
        cout << "Prediction: Fail";

    return 0;
}

---

🧠 ماذا فعلنا؟

✔ استخدمنا بيانات تدريب
✔ طبقنا Gradient Descent
✔ حدّثنا الأوزان
✔ بنينا نموذج توقع
✔ اختبرنا النموذج

---

📉 كيف يتعلم النظام؟

في البداية:

w1 = 0.2
w2 = 0.2

بعد التدريب:

w1 و w2 تصبح أقوى

---

🧠 هذا يسمى:

👉 Supervised Learning

أي:

تعلم تحت إشراف بيانات صحيحة

---

📊 ماذا يمثل هذا المشروع؟

هذا هو أساس:

✔ أنظمة الذكاء في الشركات
✔ التنبؤ في التطبيقات
✔ تحليل البيانات
✔ AI بسيط في الألعاب

---

🧠 أين نطور هذا المشروع؟

يمكن تطويره إلى:

🔥 نظام قبول جامعي
🔥 نظام تقييم موظفين
🔥 نظام توصية بسيط
🔥 ذكاء في الألعاب

---

⚠️ ملاحظات مهمة

❌ النموذج بسيط
✔ لكنه يحتوي نفس فكرة AI الحقيقي
✔ الفرق فقط في التعقيد والبيانات

---

🧪 تمرين

جرّب:

1. زيادة عدد البيانات
2. تغيير threshold
3. إضافة feature ثالث (مثلاً التركيز)
4. مراقبة التحسن

---

🧠 مقارنة المشروع

قبل AI	بعد AI
if/else فقط	تعلم من البيانات
ثابت	يتطور
محدود	ذكي نسبياً

---

🚀 ملخص الحلقة 7

تعلمنا:

• بناء نظام AI كامل صغير
• دمج أكثر من فكرة
• التدريب باستخدام بيانات
• Supervised Learning
• صنع نموذج توقع حقيقي

---

🔥 في الحلقة 8 سنبدأ مرحلة جديدة:

🧠 Deep Learning Basics (الذكاء العميق)

وسنغطي:

• Multi-layer Neural Networks
• Hidden Layers
• Backpropagation فكرة مبسطة
• كيف يصبح AI “ذكي فعلاً”
• بداية طريق الشبكات العميقة 🚀

---