🤖 كورس الذكاء الاصطناعي – الحلقة 8: Deep Learning Basics (المدخل للشبكات العميقة)

#برمجة #AI

---

🧠 مقدمة

في الحلقات السابقة تعلمنا:

• Linear Regression 📈
• KNN 🧩
• Neural Network بسيطة 🧠
• Gradient Descent 🔥
• مشروع AI مصغر 🚀

اليوم ندخل مستوى أعمق:

🧠 Deep Learning (التعلّم العميق)

---

📌 ما هو Deep Learning؟

هو:

Neural Networks متعددة الطبقات (Layers)

بدلاً من طبقة واحدة فقط، نستخدم عدة طبقات.

---

🧩 الفكرة الأساسية

Input → Hidden Layer → Hidden Layer → Output

---

🧠 لماذا نحتاج أكثر من طبقة؟

لأن الطبقة الواحدة:

❌ تفهم العلاقات البسيطة فقط
❌ لا تستطيع فهم التعقيد

لكن الطبقات المتعددة:

✔ تفهم أنماط معقدة
✔ تتعلم تدريجياً
✔ تعطي نتائج أدق

---

📊 مثال بسيط

تخيل أنك تريد التعرف على صورة:

• الطبقة الأولى: خطوط
• الطبقة الثانية: أشكال
• الطبقة الثالثة: وجه

---

🧠 ما هي Hidden Layer؟

هي:

طبقة مخفية بين الإدخال والإخراج تقوم بالمعالجة

---

🔥 نموذج Deep Learning بسيط في C++

سنبني نموذج مكون من:

• Input
• Hidden Layer
• Output

---

🧮 المعادلات

hidden = x * w1 + b1
output = hidden * w2 + b2

---

🔥 كود C++ لشبكة عميقة بسيطة

#include <iostream>
using namespace std;

int main()
{
    double x = 1;

    // weights
    double w1 = 0.5;
    double w2 = 0.8;

    // biases
    double b1 = 0.1;
    double b2 = 0.2;

    // Forward propagation
    double hidden = x * w1 + b1;
    double output = hidden * w2 + b2;

    cout << "Hidden Layer: " << hidden << endl;
    cout << "Output: " << output << endl;

    if(output > 0.5)
        cout << "Prediction: 1";
    else
        cout << "Prediction: 0";

    return 0;
}

---

🧠 ماذا يحدث هنا؟

✔ دخلنا قيمة واحدة
✔ مرت على طبقة مخفية
✔ خرجت نتيجة نهائية

---

📌 هذا يسمى:

👉 Forward Propagation

---

🧠 ماذا يحدث داخل الشبكة؟

Input → حساب → Hidden → حساب → Output

---

🔥 إضافة تدريب بسيط

#include <iostream>
using namespace std;

int main()
{
    double x = 1;
    double y_true = 1;

    double w1 = 0.2;
    double w2 = 0.3;

    double b1 = 0.1;
    double b2 = 0.1;

    double lr = 0.1;

    for(int i = 0; i < 10; i++)
    {
        double hidden = x * w1 + b1;
        double output = hidden * w2 + b2;

        double error = y_true - output;

        // تعديل بسيط جداً
        w2 += lr * error * hidden;
        w1 += lr * error * x;

        cout << "Epoch " << i << " Error: " << error << endl;
    }

    return 0;
}

---

🧠 ما الذي تعلمه النموذج؟

✔ تعديل الأوزان
✔ تقليل الخطأ
✔ تحسين التوقع

---

📊 الفرق بين Neural Network و Deep Learning

Neural Network	Deep Learning
طبقة واحدة	عدة طبقات
بسيط	معقد
دقة أقل	دقة أعلى

---

🧠 أين يستخدم Deep Learning؟

🔥 التعرف على الصور
🔥 ChatGPT 🤖
🔥 السيارات الذاتية 🚗
🔥 الترجمة الفورية 🌍
🔥 تحليل الصوت 🎤

---

⚠️ ملاحظة مهمة

هذا النموذج:

❌ ليس كامل
✔ لكنه نفس الفكرة الأساسية لأي AI متقدم

---

🧠 أهم مفهوم اليوم

Backpropagation (فكرة فقط)

هو:

تعديل الأوزان من الخلف إلى الأمام لتقليل الخطأ

---

🧪 تمرين

جرّب:

1. زيادة عدد الطبقات (افتراضياً)
2. تغيير الأوزان
3. تعديل learning rate
4. مراقبة التغيير في output

---

🧠 ملخص الحلقة 8

تعلمنا:

• ما هو Deep Learning
• Hidden Layers
• Forward Propagation
• نموذج شبكة متعددة الطبقات
• فكرة التدريب المتقدم
• بداية Backpropagation

---

🚀 في الحلقة 9 سنبدأ مرحلة قوية جداً:

🧠 Project AI Mini Framework

وسنقوم بـ:

• بناء نظام AI شبه مكتبة
• دعم أكثر من نموذج
• اختيار بين KNN و Neural Network
• تنظيم الذكاء الاصطناعي مثل مشروع حقيقي
• خطوة نحو البرمجة الاحترافية 🚀

---