ML for High Schoolers
1.0.0
مرحبًا، أنا كاران، طالب في المدرسة الثانوية مقيم في سنغافورة. بعد أن أمضيت العام الماضي في استكشاف مجال الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، أعتقد أنه لا يوجد مسار تعليمي في هذا المجال مصمم خصيصًا لطلاب المدارس الثانوية . هذه هي محاولتي لإنشاء واحدة.
منذ أن بدأت رحلتي في هذا المجال، حاولت قضاء بضع ساعات كل يوم في فهم أكبر قدر ممكن من المعلومات، سواء كان ذلك من خلال مشاهدة مقاطع فيديو على اليوتيوب، أو القيام بمشاريع شخصية أو مجرد قراءة الكتب. لقد تم إرشادي من قبل زملائي الأكبر سنًا الذين لديهم خبرة أكبر مني بكثير، ولكن أعلم أن مثل هذا التوجيه غير متاح للجميع - لذا فإن هذه هي محاولتي لنقل جميع الدروس المستفادة في وثيقة واحدة ملموسة.
جميع المعلومات التي قمت بتجميعها في هذا الدليل مخصصة لطلاب المدارس الثانوية الراغبين في التفوق في هذا المجال الصاعد. من المفترض أن يتم اتباعه بتسلسل زمني، وعلى عكس معظم الأدلة/مسارات التعلم التي صادفتها، لا يتطلب فهم الجبر الخطي والمشتقات الجزئية وغيرها من المفاهيم الرياضية المعقدة التي لا يمكن للمرء العثور عليها في مناهج المدرسة الثانوية. ومع ذلك، فهو يتضمن دورة تدريبية تغطي أساسيات الرياضيات الأساسية للتعلم الآلي - وهو المستوى الذي أعتبره مشابهًا للرياضيات في المدرسة الثانوية. إذا كنت تعمل من خلال هذا المسار بشكل منتظم، فأعتقد أنه يمكنك الوصول إلى مستوى كفاءة معقول في حوالي ثلاثة أشهر. ومع ذلك، فإن مسار التعلم هذا يوفر محتوى يمكن أن يساعدك على التعلم لبقية وقتك في المدرسة الثانوية.
لذلك، دعونا نصل الى ذلك.
أقترح بقوة لغة بايثون كنقطة انطلاق، لأنها لغة تحدد معظم المربعات عندما يتعلق الأمر باستخدامها في مجال الذكاء الاصطناعي/تعلم الآلة - ليس من السهل جدًا تعلمها فحسب، بل إنها توفر مكتبات وأطر عمل لكل الخوارزميات الأساسية تقريبًا معروف في الميدان. على الرغم من أن لغة R مفيدة، إلا أنني أجد أن لغة Python أكثر ملاءمة لطلاب المدارس الثانوية نظرًا لسهولة قراءتها وقابليتها للتعلم. إلى جانب البرمجة الأساسية، خاصة للتعلم الآلي، فإن المكتبات الأكثر فائدة هي Numpy وPandas وMatplotlib.
بالنسبة لأولئك منكم الذين لم يسبق لهم البرمجة من قبل، أقترح الذهاب إلى دورة تقدمها جامعة تورنتو (واحدة من أفضل الجامعات في مجال الذكاء الاصطناعي/تعلم الآلة في الوقت الحالي). سوف يستغرق الأمر بضعة أسابيع، ولكنه يستحق وقتك - فمعظم المعرفة التي تكتسبها من خلال هذه الدورة يمكن تطبيقها على أي لغة برمجة أخرى، والفرق الوحيد هو بناء الجملة. الدورة مجانية، ويمكن العثور عليها هنا.
بالنسبة لأولئك منكم الذين لديهم خبرة في البرمجة بلغة أخرى إلى جانب Python، ما عليك سوى تصفح هذا البرنامج التعليمي للحصول على فهم أساسي لبناء جملة Python - لن يستغرق الأمر أكثر من يوم واحد.
يعتمد تعلم الآلة والذكاء الاصطناعي على مبادئ رياضية مثل حساب التفاضل والتكامل والجبر الخطي والاحتمالات والإحصاء والتحسين - يجد العديد من ممارسي الذكاء الاصطناعي المتفائلين (مثلي) هذا أمرًا شاقًا. هذه الدورة التدريبية حول edX Essential Math for Machine Learning: Python Edition من Microsoft ليست مصممة لتجعلك عالم رياضيات. بل يهدف إلى مساعدتك على تعلم بعض المفاهيم الأساسية الأساسية والرموز المستخدمة للتعبير عنها. توفر الدورة منهجًا عمليًا للعمل مع البيانات وتطبيق التقنيات التي تعلمتها في إعدادات المشكلات الواقعية. المساعدات المالية متاحة لأولئك الذين يحتاجون إليها.
الآن، بعد أن تعلمت أساسيات لغة بايثون، تحتاج إلى فهم المكتبتين الأساسيتين المستخدمتين في هذا المجال - Numpy وPandas، اللتين تستخدمان في المقام الأول لمعالجة البيانات وتمثيلها وتخزينها. يتم استخدام Matplotlib، المكتبة "الأساسية" الثالثة في المنطقة، لتصور هذه البيانات من خلال الرسوم البيانية والرسوم البيانية - لكننا سنصل إلى ذلك لاحقًا. لا ينبغي أن تستغرق هاتان الدورتان معًا أكثر من يومين: Numpy وPandas.
مع وجود هذا في جيبك الخلفي، يجب أن تكون الآن جاهزًا للبرمجة الأساسية اللازمة لتعلم التعلم الآلي والذكاء الاصطناعي.
إذا كانت هناك دورة عالمية واحدة للتعلم الآلي، فيجب أن تكون دورة Andrew Ng. قد يبدو الأمر صعبًا بعض الشيء بالنسبة لطلاب المدارس الثانوية، لأنه يشير إلى مفاهيم مثل المشتقات الجزئية
لكنني أعتقد اعتقادًا راسخًا أن فهم هذه الأمور ليس مطلوبًا لاكتساب معرفة ملموسة من الدورة. لقد وجدت أنه من المفيد بشكل خاص إعادة مشاهدة بعض المحاضرات في الأسابيع 3 إلى 5 - فهذه المواضيع متقدمة، لذلك قد تشعر بالسرعة قليلاً في المرة الأولى التي تشاهدها فيها. لا تقلق كثيرًا إذا لم تتمكن من متابعة الرياضيات الأساسية بشكل كامل، خاصة فيما يتعلق بحساب التفاضل والتكامل - فبعض هذا يتطلب بالتأكيد معرفة بالرياضيات على المستوى الجامعي. والأهم من ذلك أن تكون قادرًا على متابعة عملية التفكير التي يستخدمها البروفيسور إنج عند نقل معرفته، حيث يمكّنك ذلك من فهم ما يجري في إطار عمليات التعلم الآلي.
أود أن أشجعك على تدوين الملاحظات أثناء الدورة، حيث أن تدوين ما تتعلمه يساعد في ضمان أنك تفهم حقًا المعلومات المنقولة. إن إكمال دروس البرمجة وتمارينها ليس ضروريًا، حيث يتم ذلك في Matlab - والتي (في تجربتي) قد يكون من الصعب فهمها، لأنها لغة تعتمد على المصفوفة. لكن لا تقلق، فسنقوم بتنفيذ نفس الخوارزميات (والأكثر تقدمًا) في لغة بايثون خلال فترة زمنية قصيرة.
يمكن العثور على هذه الدورة المجانية هنا.
إن تنفيذ خوارزميات تعلم الآلة دون معرفة الرياضيات على مستوى الجامعة والتي تدعم أساسيات هذه الخوارزميات يبدو وكأنه مهمة متناقضة - ومع ذلك، شرع فريق من أستراليا في القيام بذلك.
إن كيريل إريمينكو وهاديلين دي بونتيفيس، وهما باحثان ضمن فريق "SuperDataScience"، رائعان للغاية في إيجاد طرق ذات صلة لتطبيق الخوارزميات البسيطة في الحياة الواقعية. علاوة على ذلك، فإنهم يتعمقون بقدر مناسب لفهم وظيفة الخوارزمية، ولكن بدون الرياضيات المعقدة التي لن يتمكن طالب المدرسة الثانوية من فهمها. تغطي الدورة التدريبية كلاً من Python وR، على الرغم من أنني لا أقلق بشأن R في هذه المرحلة - ما عليك سوى الاطلاع على دروس Python التعليمية. أيضًا، إذا وجدت أنهم يسيرون ببطء شديد، فقم بتشغيل هذه الدورة بسرعة 1.25x (لقد فعلت ذلك ووجدته أكثر ملاءمة لتعلمي).
الدورة التدريبية الخاصة بهم موجودة على Udemy، ويتم تقديمها فقط كنسخة مدفوعة، على الرغم من أن Udemy يقدم بانتظام خصومات بنسبة 90٪ أو أكثر على دوراتهم. يمكن العثور عليه هنا، وعادة ما يكون حوالي 10 دولارات. وهو يغطي كل شيء بدءًا من خوارزميات الانحدار الأساسية وحتى الشبكات العصبية العميقة، والتي تمثل الأخيرة البنية الأساسية المستخدمة في العديد من تطبيقات العصر الحديث مثل ChatGPT وAlphaFold. إذا كنت ترغب في استكشاف مجالات أكثر تقدمًا، فسيتم تقديم دورة التعلم العميق الخاصة بهم في نهاية التعلم الآلي مقابل خصم 90٪.
إذا كنت لا ترغب في الدفع مقابل هذه الدورة، فيمكنك الاطلاع على دورة التعلم العميق المجانية من Google هنا أو الدورة التدريبية المجانية من جامعة ميشيغان هنا. في رأيي، هذه بعيدة كل البعد عن أن تكون شاملة مثل الدورات التدريبية لفريق SuperDataScience.
بالنسبة لهذه الدورات التدريبية، لا يعد تدوين الملاحظات أمرًا ضروريًا - فهناك الكثير من "أوراق الغش في الخوارزميات" عبر الإنترنت، والتي تقدم لمحة سريعة عن كيفية عملها. هذا الموقع يسرد عدد قليل.
الآن بعد أن قمت بتغطية مجموعة واسعة من مفاهيم التعلم الآلي، فقد حان الوقت لاستخدام هذه المعرفة بشكل مستقل لإكمال بعض المشاريع. أقترح استكشاف Kaggle ومستودع UCI للتعلم الآلي - ابحث عن مجموعة بيانات تهمك، وقم بتصميم بعض الحلول للمشكلات المتعلقة بها. استخدم خوارزميات مختلفة واعمل على تحسين الأداء.
تأكد من أن مجموعات البيانات التي تستخدمها بسيطة ونظيفة بطبيعتها - أي أنها لا تتطلب الكثير من المعالجة المسبقة أو المعرفة الخاصة بالمجال للعمل معها. بعض مجموعات البيانات السهلة الموجودة في أعلى رأسي هي Iris، وWine، وBreast Cancer Wisconsin، وAutism Screening، وتصويت الكونغرس، والأرقام المكتوبة بخط اليد MNIST، وFashion MNIST.
إذا واجهت حاجزًا في أي وقت مضى، فإن Stack Overflow هو أفضل صديق لك - فهو لديه إجابة على أي سؤال تقريبًا قد يكون لديك. إذا لم يكن الأمر كذلك، فما عليك سوى نشر واحدة - ومن المفترض أن تحصل على ردود في غضون ساعتين! ليس هناك ما هو أكثر من ذلك في هذه الخطوة - عندما تجد أنك أصبحت مرتاحًا لعملية التصميم بأكملها من الخلف إلى الأمام، فلا تتردد في المضي قدمًا!
الآن، لا ينبغي أن يكون لديك فهم كبير وواسع النطاق لجميع الأساسيات فحسب، بل يجب أن يكون لديك أيضًا القدرة على تطبيقه على بعض مشكلات البيانات الواقعية. ومع ذلك، من المهم أن نفهم أن هذه الأساسيات لا تشمل عالم التعلم الآلي/الذكاء الاصطناعي بأكمله - بل إن الكثير منها معروف بطرق معالجة مثل هذه المشكلات المتعلقة بالبيانات منذ سنوات، ولكن لسوء الحظ فقط في الآونة الأخيرة فقط أصبحت أجهزة الكمبيوتر قوية بما يكفي للاستفادة منها حقًا لهم في قدر معقول من وقت التشغيل. تركز معظم الأعمال الحديثة في هذا المجال على تحسينها بطرق متنوعة جديدة، وبناء أنظمة مشابهة لتلك التي تستفيد من الخوارزميات الأساسية ولكنها تعمل على تحسينها وتوسيع نطاقها وتعزيزها بطرق متنوعة. وبالتالي، أقترح عليك العثور على مجال اهتمام في المجال الأوسع للتعلم الآلي، والتعمق فيه حتى تصبح أكثر خبرة في أحدث ما توصل إليه العلم في هذا المجال كما هو الحال اليوم. ربما لن يكون لديك الوقت لتصبح خبيرًا في جميع المجالات التي ذكرتها خلال فترة دراستك في المدرسة الثانوية، ولكن حاول التغلب على مجال أو اثنين.
قبل الدخول في هذه المجالات، أوصي بفهم ما يتعلق بها حقًا - فبحث بسيط على اليوتيوب عن شرح عالي المستوى سيوفر لك كل ما تحتاجه. لذلك دعونا نصل الى ذلك.
الرؤية الحاسوبية: يتعلق هذا المجال بجعل أجهزة الكمبيوتر ترى وتفهم الأشياء باستخدام نوع خاص من الشبكات العصبية. تنشر جامعة ستانفورد الدورة التدريبية الخاصة بها عبر الإنترنت هنا، مع المحاضرات وملاحظات الدورة التدريبية والواجبات المتاحة عبر الإنترنت. قم بهذا، ولكن لا تقلق بشأن كون الرياضيات معقدة للغاية في بعض الأحيان - تهدف الدورة في المقام الأول إلى تعميق معرفتك، وهو ما ستفعله حتماً. يمكنك أيضًا الاطلاع على OpenCV، وهي مكتبة رؤية حاسوبية تقوم بالكثير من الأشياء المعقدة نيابةً عنك. يمكن العثور على برنامج تعليمي رائع هنا. بمجرد الانتهاء من ذلك، انظر إلى مجموعات بيانات الصور الأكثر تقدمًا على Kaggle وUCI، أو حتى شارك في بعض مسابقات Kaggle.
معالجة اللغات الطبيعية: يعد فهم كيفية تعلم أجهزة الكمبيوتر التحدث موضوعًا بارزًا اليوم أيضًا. مرة أخرى، تقدم جامعة ستانفورد دورة تدريبية رائعة عبر الإنترنت ويمكن العثور عليها هنا. إذا كنت لا تفهم بعض المفاهيم الرياضية، فلا تقلق، فقط اكتسب فهمًا لكيفية عمل هذا المجال. بالنسبة لعمليات التنفيذ، يمكنك الالتحاق بدورة Udemy هذه. ومع ذلك، يمكنك بدلاً من ذلك الاطلاع على بعض مقاطع الفيديو الخاصة بمتعلم الآلة الشهير سراج رافال. إذا قمت بذلك، حاول تنفيذ مشاريع بسيطة ومعروفة مثل إنشاء برنامج دردشة آلي أو تحليل المشاعر أو إنشاء كلمات أغنية - من المفترض أن تساعدك عمليات البحث البسيطة على YouTube. تم بناء المزيد من التطبيقات الحديثة مثل ChatGPT وClaude على نظام قائم على الشبكة العصبية يسمى نماذج اللغة الكبيرة، والتي تعتمد بشكل أساسي على بنية المحولات - تعد هذه الدورة التدريبية التي يقدمها Andrew Ng نقطة انطلاق جيدة.
التعلم المعزز: يركز هذا المجال على كيفية تعلم الآلات للعمل في بيئة معينة، وتطبيقه الأكثر شعبية هو في مجال ألعاب الفيديو. لدى سراج رافال قائمة تشغيل جيدة جدًا حول هذا الموضوع، والتي يمكن العثور عليها هنا. إذا كنت تبحث عن برامج تعليمية قائمة على التنفيذ على وجه التحديد باستخدام حزمة عالية المستوى مثل Tensorflow، فإن Denny Britz لديه مجموعة قوية من البرامج التعليمية التي يمكن العثور عليها هنا. تعد دورة UCL التي يقدمها ديفيد سيلفر رائعة أيضًا، على الرغم من أن المبتدئين قد يجدونها صعبة بعض الشيء - ويمكن العثور عليها هنا. بمجرد الانتهاء من ذلك، فمن المنطقي جدًا أن تبدأ في تنزيل المشاريع أو الألعاب الأساسية من الإنترنت، وإضافة عنصر من الذكاء الاصطناعي للتحكم في كيفية عمل الوكلاء. يمكن مرة أخرى العثور على إرشادات بسيطة عبر بحث بسيط على Youtube.
علم البيانات والتحليلات: يعد هذا المجال مجالًا ناشئًا يحتوي على الكثير من فرص العمل المثيرة، ويستخدم على نطاق واسع في معظم الشركات الحديثة لاستخلاص رؤى من كنوز البيانات التي يتم جمعها من أجل اتخاذ قرارات تجارية مستنيرة. أقترح إجراء إما دورة تدريبية مدفوعة الأجر من SuperDataScience أو دورة تدريبية مجانية تعتمد على Python من جامعة كاليفورنيا في سان دييغو، على الرغم من أنه يمكنك العثور على مسارات تعليمية محددة لعلم البيانات من خلال بحث بسيط على Google. يمكنك أيضًا استخدام الروابط التالية لتعلم SQL وMatplotlib، وهي لغات عرضية تستخدم في الكثير من تحليلات البيانات الحديثة. الميزة في تعلم هذا على مستوى الطالب هي قابلية التوظيف - لدي العديد من الأصدقاء في المدرسة الثانوية الذين حصلوا على تدريب داخلي في علوم البيانات، حيث يمكن للشركات تحقيق الدخل من الرؤى المكتسبة من العمل في هذا التخصص. إن اتخاذ القرار المبني على البيانات هو في الواقع الشكل الوحيد لاتخاذ القرار في عالم الشركات اليوم.
هناك أيضًا مجالات مثل آلات بولتزمان (المستخدمة في أنظمة التوصية)، والشبكات العدائية (تحسين الذكاء الاصطناعي) والخوارزميات الجينية (تحسين حل مشكلة بطريقة مشابهة للتطور الطبيعي)، ولكن في رأيي، فإن الجمع بين تخصصاتها إن قابلية التطبيق والحاجة إلى مستويات أكثر تقدمًا في الرياضيات تجعلها أقل استحسانًا كنقطة بداية. لا تتردد في استكشاف هذه المجالات إذا كان لديك شغف خاص بأحدها، على الرغم من أنها ليست موثقة جيدًا مثل المجالات الأخرى، مما قد يجعل إتقانها أكثر صعوبة قليلاً.
إذا كنت ترغب في العمل في هذا المجال على المدى الطويل، فمن المهم أن تفهم من منظور أكثر شمولية - وأعني بهذا التعرف على الاكتشافات الرائدة، والحديث حول كيفية تطبيقها وآثارها العامة على المجتمع. يجب أن تبدأ في تنفيذ الأشياء المدرجة في هذا القسم بمجرد أن يكون لديك الفهم اللازم لكيفية عمل التكنولوجيا - أعتقد أن نقطة البداية الجيدة هي أن تبدأ القسم 4 من مسار التعلم هذا. قد لا يساعد هذا النوع من المعلومات على وجه التحديد في تنفيذ الخوارزميات لمشاكل البيانات، ولكن بالنسبة للتكنولوجيا التي تعد جزءًا لا يتجزأ من عالم اليوم، فإنها تساعد حقًا في تشكيل فهم أكثر قوة لدورها وإمكاناتها الحقيقية وحدودها.
هناك بعض الأشياء التي يمكن لطلاب المدارس الثانوية القيام بها لتعميق فهمهم العام للمجال وجعلهم أكثر معرفة:
ابدأ بقراءة الأوراق البحثية: أود التأكيد على أنها ليست صعبة كما تبدو. في حين أن الرياضيات التي تحكم التقنيات الحديثة قد تكون متقدمة جدًا، فإن مجرد التعرف على ما يحدث في الخطوط الأمامية للصناعة ليس بالأمر السيئ أبدًا. إذا صادفت شيئًا لا تفهمه، فما عليك سوى تركه جانبًا - فهناك ما يكفي من البدائل لإبقائك مشغولاً. يقدم هذا الموقع مجموعة من الأوراق البحثية الرائعة للبدء بها، ولكن بعد الانتهاء منها، يقدم قائمة أطول - ما عليك سوى قراءة الأوراق التي تهتم بها أو المتعلقة بمجال "خبرتك" من القسم 5. ومن المفيد الاحتفاظ بها يوميات صغيرة من الدروس المستفادة من كل ورقة. إذا لم تكن قادرًا على فهم العديد من هذه الأوراق البحثية حقًا، فحاول الاطلاع على هذا الدليل الذي كتبته والذي يقدم تفاصيل أكثر سهولة في استيعاب بعض الابتكارات الحديثة. تحتوي قناة اليوتيوب هذه أيضًا على مجموعة من الشروحات التمهيدية للأوراق البحثية، كل منها مغطى في دقيقتين فقط.
متابعة الرواد: تتم إجراء مقابلات منتظمة مع أشخاص مثل Andrew Ng وIan Goodfellow وYann LeCunn، مما يوفر وجهة نظر "مؤسسي" ما نعرفه باسم الذكاء الاصطناعي وتعلم الآلة اليوم. تجمع قناة Youtube هذه أفضل هذه المحادثات، وتجميعها في مصدر مركزي - شاهد واحدة كل ليلة، وأنا أضمن أنك ستشعر وكأنك خبير في غضون أسابيع.
ابق على اطلاع دائم بالمجال: تعد Wired واحدة من أفضل المنصات لأي شخص مهتم بالتكنولوجيا. ينشر العديد من القصص المتعلقة بالذكاء الاصطناعي كل يوم (على الرغم من أنه لا يفعل ذلك الجميع هذه الأيام؟)، والتي يمكن العثور عليها هنا. إنها طريقة سريعة وجذابة لفهم اتجاهات العصر. وبدلاً من ذلك، اشترك في روبوت Facebook Messenger الخاص بـ TechCrunch - فهو غالبًا ما يحتوي على مقالات مهتمة متعلقة بالذكاء الاصطناعي، ويطالبك بالمعلومات كل يوم.
فهم الآثار المترتبة على ذلك: لا توجد طريقة أفضل للقيام بذلك من الاستماع إلى محادثات TED. المتحدثون لديهم على دراية كبيرة بالمجال، وهناك تركيز متزايد على الذكاء الاصطناعي في خطاباتهم. يمكن العثور على مجموعة من مقاطع الفيديو هنا.
الفلسفة: الذكاء الاصطناعي له مؤيديه ومعارضيه. لكن الفلسفة الكامنة وراء ذلك مثيرة للاهتمام. كتبي المفضلة التي تستكشف هذا المجال، وهي مناسبة لطلاب المدارس الثانوية، تشمل "كيفية إنشاء العقل" بقلم راي كورزويل و"الحياة 3.0" بقلم ماكس تيجمارك - جربهم. إنهم ينظرون إلى المسار طويل المدى للذكاء الاصطناعي، والذي قد لا يبدو مناسبًا على أساس يومي، ولكنه يساعد على فهم السياق الأوسع للتكنولوجيا ككل.
المساهمة: إذا كنت من النوع الذي يحب التعلم من تجارب الآخرين، فاطلع على طرق الخطاب مثل مجموعة الفيسبوك هذه، حيث ينشر الأشخاص بانتظام مقالات وأوراق بحثية ثاقبة تتعلق بالتقدم في المجال. وبدلاً من ذلك، لمزيد من المحادثات غير الرسمية، قم بمراجعة subreddits على الذكاء الاصطناعي مثل هذا.
التعمق في الرياضيات: نعم، أنت بحاجة إلى أساسيات الرياضيات على المستوى الجامعي لهذه الأمور، ولكن إذا كنت طالبًا قويًا في الرياضيات، فلا يوجد ما يمنعك من حضور بعض الدورات التدريبية عبر الإنترنت. لدى Microsoft دورة تدريبية مجانية سمعت عنها أشياء جيدة، وتتطلب فقط الرياضيات على مستوى المدرسة الثانوية. يحتوي موضوع Quora هذا أيضًا على بعض الموارد الرائعة التي يجب عليك التحقق منها. 3Blue1Brown هو اسم مشهور في المجتمع أيضًا، حيث أن مقاطع الفيديو الخاصة به على Youtube رائعة لتعلم الرياضيات (الجبر الخطي وحساب التفاضل والتكامل في المقام الأول) وراء بعض المفاهيم الأكثر تعقيدًا.
لقد سمعت الكثير من الناس يخبرونني أن تعلم التعلم الآلي والذكاء الاصطناعي يعد أمرًا صعبًا للغاية بالنسبة لطالب في المدرسة الثانوية بحيث لا يكتب هذا - مع مسار تعليمي ممهد جيدًا، يمكن لأي شخص دراسته. وبهذا أتمنى للجميع التوفيق في متابعة هذا المسار التعليمي.
إذا كانت لديك إضافات أو تحسينات محتملة على هذا الدليل، فلا تتردد في إجراء علاقات عامة على هذا المستودع. وللحصول على تعليقات أو تعاون أو مجرد استفسارات عامة، لا تتردد في الكتابة لي على @ [email protected].
