كل ما تحتاج معرفته عن تخصص الذكاء الاصطناعي من البداية حتى الاحتراف

تخصص الذكاء الاصطناعي أو الذكاء الصناعي Artificial Intelligence أو اختصارًا AI هو أحد تخصصات علوم الحاسوب، ويُعتبر من أسرع التخصصات المتنامية في وقتنا الحالي؛ ففي تقرير ‎2025 أُشير إلى أن نحو 78% من المؤسسات تقول إنها تستخدم الذكاء الاصطناعي في وظيفة واحدة على الأقل.

وعدد الوظائف المطلوبة المتعلقة بالذكاء الاصطناعي أو التي تتطلب مهارات في الـAI شهد ارتفاعًا بشكل كبير؛ أكثر من 120K إعلانٍ وظيفي خلال آخر 30 يومًا في بعض البيانات، ما يُشير إلى زيادة بـ100٪ تقريبًا عن نفس الفترة في السنة السابقة تبعًا لإحصائية موقع edx.

وأيضًا في دراسة من PwC قُدّر أن العمال بمهارات ذكاءٍ اصطناعي AI يحصلون على حوالي 56٪ أجورًا أكثر مقارنةً بمن ليس لديهم هذه المهارات، أي أن امتلاكك مهارات AI يمنحك ميزةً تنافسية واضحة في الرواتب.

ما هو الذكاء الاصطناعي؟

الذكاء الاصطناعي (AI) هو فرع من علم الحاسوب يهدف إلى جعل الآلات (مثل الحواسيب أو الروبوتات) قادرةً على القيام بمهام تتطلب ذكاءً بشريًا، ومن هذه المهام اتخاذ القرار، التعلّم من التجارب، الفهم، التعرف على الصور أو الأصوات.

فحسب SAP، الذكاء الاصطناعي يساعد الآلات على استيعاب كمياتٍ ضخمة من البيانات والتنبؤ بالأنماط، وهذا يساعدها في التصرّف بذكاء واتخاذ قراراتٍ ذكية.

حتى NASA ترى أن الذكاء الاصطناعي يشير إلى أنظمةٍ صناعية «تؤدي مهامًا في ظروفٍ متغيّرةٍ وغير متوقّعة، دون إشرافٍ بشريٍ كبير، أو تتعلّم من البيانات لتحسّن الأداء».

أي بشكلٍ عملي، هذا النظام الصناعي يمكنه «رؤية» أو «سماع» بياناتٍ (مثل صورة أو صوت)، ثم «يفهم» أو «يحلل» هذه البيانات، ثم «يتعلّم» من نتائج تحليلها، ثم «يتصرف» أو «يقدّم توصية» أو «يتخذ قرارًا».

وهذه الأنظمة ليست مبرمجةً خطوةً بخطوةٍ لكل حالةٍ صغيرة، بل تستخدم بياناتٍ وخوارزمياتٍ لاكتشاف الأنماط والتعلّم منها.

فعن طريق الذكاء الاصطناعي تصبح الآلة قادرةً على التعلّم بطريقةٍ تمكّنها من محاكاة البشر في اتخاذ القرارات وإصدار الأحكام، من خلال اتباع طريقةٍ معينةٍ في البرمجة تُسمّى تعلّم الآلة Machine Learning، وهي مجالٌ فرعيٌّ عن الذكاء الاصطناعي، يدور حول تعليم الآلة من البيانات.

ما أهمية تعلّم الذكاء الاصطناعي؟

تخصص الذكاء الاصطناعي غيّر مفهوم قدرات الآلة؛ فلم تعد مجرد أداةٍ تؤدي الأوامر، بل أصبحت قادرةً على الرؤية والفهم والتفاعل. فبفضل الرؤية الحاسوبية والتعلّم العميق، صارت الآلات تميّز الوجوه والأشياء وتترجم النصوص بدقةٍ تقارب الإنسان.

كما استطاعت أن تحاكي الصوت البشري والمشاعر عبر تقنياتٍ مثل WaveNet التي جعلت الآلة تتحدث بتنفسٍ ولهجةٍ وعاطفةٍ أقرب إلى الطبيعة البشرية، وأصبحت برامج تحليل الصوت والصورة قادرةً على رصد الانفعالات في الوقت الحقيقي.

وامتدت تطبيقات الذكاء الاصطناعي إلى اللغة والمعرفة؛ فمحركات البحث لم تعد تكتفي بعرض النتائج، بل أصبحت تقدم الإجابة المباشرة مستندةً إلى الشبكات العصبية التي تتعلم من سلوك البشر.

كما طُوّرت أنظمةٌ تتنقل داخل الخرائط وتفهم العلاقات المكانية، ممهّدةً الطريق أمام ثورةٍ في أنظمة الملاحة والمساعدين الذكيين.

وفي الميدان التطبيقي، أحدث الذكاء الاصطناعي نقلةً في النقل والهندسة؛ فالسيارات ذاتية القيادة والطائرات بدون طيار أصبحت تتخذ قراراتٍ فورية تقلل الأخطاء والحوادث، وتنفذ مهام البناء والمراقبة والاستكشاف بدقةٍ وكفاءة.

وهكذا يقترب الذكاء الاصطناعي يومًا بعد يومٍ من محاكاة قدرات الإنسان، لكنه يبقى أداةً في يده، يوجهها حسب ما يزرع فيها من نيةٍ وعلمٍ وأخلاق.

• الذكاء الاصطناعي أصبح أكثر المهارات التقنية المطلوبة حول العالم؛ حيث أشار تقرير منتدى الاقتصاد العالمي (WEF 2024) إلى أن 97 مليون وظيفةٍ جديدةٍ ستُنشأ بسبب الذكاء الاصطناعي خلال السنوات القادمة، وفي المقابل 83 مليون وظيفةٍ تقليديةٍ ستختفي أو تُستبدل بالأنظمة الذكية.
• تخصص الذكاء الاصطناعي لا يقتصر على البرمجة فقط، بل دخل في مجالاتٍ مثل الطب والأمن السيبراني والتسويق وريادة الأعمال؛ فهو يساعد على اكتشاف التهديدات والهجمات مبكرًا، تحليل سلوك العملاء والتنبؤ بخطوتهم القادمة، تحليل صور الأشعة، والتنبؤ بالأمراض المتوقعة.

تعلّم تخصص الذكاء الاصطناعي لم يعد رفاهية، بل ضرورة لكل من يريد أن يكون جزءًا من المستقبل، وأن يضمن مكانه في سوق العمل الجديد بدل أن يتأثر به للأسوأ، فهو لغة الثورة والثروة التقنية الجديدة، والمهارة التي تفتح أبوابًا في كل مجالات الحياة والعمل تقريبًا.

مجالات الذكاء الاصطناعي

1. تعلّم الآلة (Machine Learning)

تعلّم الآلة هو فرع من الذكاء الاصطناعي يركّز على تطوير خوارزميات تستطيع التعلّم من البيانات واكتشاف الأنماط الموجودة فيها، مما يمكّنها من التنبؤ بالمخرجات أو اتخاذ قرارات دون الحاجة إلى برمجة صريحة لكل حالة.

والهدف الأساسي من تعلّم الآلة هو التعميم، أي القدرة على تقديم نتائج دقيقة على بيانات جديدة لم يرها النموذج أثناء التدريب.

أنواع تعلّم الآلة

ينقسم تعلّم الآلة إلى عدة أنواع رئيسية بحسب طبيعة البيانات وأهداف التدريب:

• التعلّم الخاضع للإشراف (Supervised Learning): يعتمد على بياناتٍ مُعلَّمة للتنبؤ بالمخرجات الصحيحة، مثل التصنيف أو الانحدار.

• التعلّم غير الخاضع للإشراف (Unsupervised Learning): يكتشف أنماطًا وعلاقاتٍ في البيانات بدون مخرجاتٍ محددةٍ مسبقًا.

• التعلّم المعزَّز (Reinforcement Learning): يتعلّم من التجربة والخطأ لتحقيق أقصى مكافأة ممكنة.

• التعلّم الذاتي (Self-supervised Learning) وشبه الخاضع للإشراف (Semi-supervised Learning): أنواعٌ حديثة تستفيد من البيانات غير المعلَّمة لتقوية أداء النماذج.

المكوّنات الأساسية لتعلّم الآلة

تتضمّن عملية تعلّم الآلة عدة عناصر رئيسية:

• البيانات: تُحوّل إلى شكلٍ رقميٍّ لتُستخدم في تدريب النموذج.

• الخوارزميات: تستخدم الأساليب الرياضية لاكتشاف الأنماط داخل البيانات.

• معاملات النموذج (Parameters): تُعدَّل أثناء التدريب للوصول لأفضل أداء ممكن.

• دالة الخسارة (Loss Function): تقيس مدى دقة النموذج بمقارنة مخرجاته مع النتائج الصحيحة.

يمثّل تعلّم الآلة اليوم العمود الفقري لمعظم أنظمة الذكاء الاصطناعي الحديثة، مثل السيارات ذاتية القيادة، ونماذج اللغة الكبيرة، وأنظمة التوصية، والتنبؤات الاقتصادية والطبية.

وبفضل تطوّر الحوسبة ووفرة البيانات، أصبح هذا المجال أساس الثورة التقنية الحالية في عالم الذكاء الاصطناعي.

2. التعلّم العميق (Deep Learning)

التعلّم العميق هو فرع من تعلّم الآلة يعتمد على الشبكات العصبية الاصطناعية متعدّدة الطبقات، وتُسمّى “عميقة” بسبب وجود طبقاتٍ متعدّدة بينها.

تتميّز هذه الشبكات بقدرتها على معالجة البيانات المعقّدة واكتشاف الأنماط الدقيقة فيها بطريقةٍ أكثر مرونة من خوارزميات التعلّم التقليدية.

كيف تعمل الشبكات العصبية العميقة؟

تتكوّن الشبكات العصبية من وحداتٍ تُسمّى عصبونات (Nodes)، تقوم كلٌّ منها بعمليةٍ رياضيةٍ تُعرف بـ دالة التفعيل. تنتقل نتائج هذه العمليات إلى الطبقة التالية، وتتكرّر العملية حتى الوصول إلى الطبقة النهائية التي تُنتج النتيجة المطلوبة.
تتميّز الشبكات العصبية بكونها غير خطّية، مما يمكّنها من تعلّم العلاقات المعقّدة بين البيانات بدقّةٍ عالية.

المكوّنات الأساسية في التعلم العميق

لكلّ وصلةٍ بين عصبونٍ وآخر وزن يحدّد مدى تأثير الإشارة المنقولة، بالإضافة إلى قيمة انحياز (Bias) تُضاف إلى ناتج العملية.

يتمّ تعديل هذه القيم أثناء التدريب عبر خوارزمية الانتشار العكسي (Backpropagation) باستخدام أساليب مثل انحدار التدرّج (Gradient Descent) للوصول إلى أفضل أداء ممكن.

 

أنواع الشبكات العصبية العميقة

 

• الشبكات التلافيفية (CNNs): تُستخدم بشكلٍ رئيسي مع الصور لاستخراج الخصائص المهمة باستخدام فلاتر مرجّحة.
• الشبكات التكرارية (RNNs): مصمَّمة للتعامل مع البيانات المتسلسلة، وتتميّز بذاكرةٍ داخليةٍ تسمح بفهم السياق والترتيب.
• نماذج المحوّلات (Transformers): تعتمد على آلية الانتباه (Attention) لتحديد أهمّ أجزاء البيانات في كلّ لحظة، وهي الأساس في نماذج اللغة الكبيرة والتطبيقات التوليدية.
• نماذج Mamba: بنيةٌ حديثةٌ مشابهة للمحوّلات، تُستخدم لإعطاء أولويةٍ للبيانات الأكثر أهمية، خصوصًا في نماذج اللغة الكبيرة.

يُتيح التعلّم العميق معالجة البيانات الكبيرة والمعقّدة مثل الصور والفيديو والنصوص، ويوفّر قوةً ومرونةً عالية في اكتشاف الأنماط الدقيقة، ما جعله أساسًا لمعظم تطبيقات الذكاء الاصطناعي الحديثة، بما في ذلك الرؤية الحاسوبية، ومعالجة اللغة الطبيعية، وتوليد المحتوى.

3. معالجة اللغات الطبيعية (Natural Language Processing)

معالجة اللغة الطبيعية أو اختصارًا NLP هي فرعٌ من الذكاء الاصطناعي يركّز على تمكين الحواسيب من فهم وتوليد اللغة البشرية المكتوبة أو المنطوقة. تشمل مهامّها تحليل النصوص، تصنيف المشاعر، التعرّف على الكيانات، الترجمة الآلية، توليد النصوص، وأنظمة المحادثة مثل الشّات بوت.

تُستخدم تقنيات NLP في تطبيقاتٍ يومية مثل مساعدي الصوت (Siri وAlexa)، ومحركات البحث، ومواقع التواصل الاجتماعي، وتلخيص السجلات الطبية.

وتعتمد نماذج NLP على فهم العلاقات بين الكلمات والجمل داخل النصوص. تبدأ العملية بـ معالجة البيانات، مثل تصحيح الأخطاء الإملائية، تقسيم الجمل، إزالة الكلمات الشائعة، وتقسيم النصوص إلى رموز (Tokenization).

ثم تأتي مرحلة استخراج الخصائص باستخدام أساليبٍ تقليدية مثل Bag-of-Words وTF-IDF، أو أساليب حديثة مثل Word2Vec وGLoVE لتعلّم تمثيلات الكلمات (Embeddings).

أخيرًا، يتمّ نمذجة البيانات باستخدام تقنيات التعلّم الآلي التقليدية مثل الانحدار اللوجستي وNaive Bayes، أو باستخدام تقنيات التعلّم العميق مثل الشبكات العصبية المتكرّرة (RNN)، والمحوّلات (Transformers)، والشبكات التلافيفية (CNN).

أشهر نماذج معالجة اللغة الطبيعية:

• Eliza وTay: شات بوتات تاريخية تبرز تحدّيات مطابقة الأنماط والتحيّز في البيانات.
• BERT وGPT-3: نماذج عميقة توفّر تمثيلاتٍ سياقية للكلمات وتولّد نصوصًا شبيهة بالبشر.
• LaMDA وMixture of Experts: شات بوتات حديثة تعتمد على المحوّلات وتقدّم أداءً عاليًا في المحادثات.

أشهر المكتبات المستخدمة:

• Python مع مكتبات مثل NLTK وspaCy.
• مكتبات التعلّم العميق مثل TensorFlow وPyTorch.
• مكتبة Hugging Face لتوفير نماذج جاهزة يمكن تخصيصها بسهولة.

أما المكتبات الشائعة فهي Python مع NLTK وspaCy، ومكتبات التعلم العميق مثل TensorFlow وPyTorch، بالإضافة إلى Hugging Face لتوفير نماذج جاهزة للتخصيص.

4. الأنظمة الخبيرة (Expert Systems)

النظام الخبير هو برنامج حاسوبي يستخدم تقنيات الذكاء الاصطناعي لمحاكاة حكم وخبرة الإنسان المتخصص في مجالٍ معين. الهدف من هذه الأنظمة عادةً مساندة الخبراء البشر وليس استبدالهم.

تم تطوير مفهوم الأنظمة الخبيرة في السبعينيات على يد عالم الحاسوب إدوارد فايجنباوم في جامعة ستانفورد، حيث انتقل التركيز من “معالجة البيانات” إلى “معالجة المعرفة”، ما مكّن الحواسيب من حلّ المشكلات المعقّدة باستخدام القواعد والمنطق الاستنتاجي.

تعتمد الأنظمة الخبيرة الحديثة على الذكاء الاصطناعي وتعلّم الآلة لمحاكاة سلوك الخبراء، كما يمكنها تحسين أدائها بمرور الوقت مع تراكم الخبرة.

مكوّنات النظام الخبير:

• قاعدة المعرفة: تحتوي على الحقائق والمعلومات التي يجمعها النظام من خبراء المجال، وقد تشمل وحدة لاكتساب المعرفة من مصادر خارجية.

• محرك الاستدلال: يستخدم القواعد لتطبيق المعلومات من قاعدة المعرفة على المشكلات المطروحة، ويعمل بطريقتين رئيسيتين:

• الاستنتاج الأمامي (Forward Chaining): يبدأ من الحقائق المتوفّرة ويتقدّم نحو النتائج المتوقّعة، مثل توقّع حركة الأسواق.
• الاستنتاج العكسي (Backward Chaining): يبدأ من النتيجة أو الهدف ويعود إلى السبب، مثل تشخيص الأمراض.

• واجهة المستخدم: تمكّن المستخدمين من التفاعل مع النظام والحصول على حلول أو تفسيرات بطريقةٍ مفهومة.

تطبيقات الأنظمة الخبيرة:

• الخدمات المالية: إدارة الأصول، والمستشارين الآليين، وتوقّع سلوك الأسواق.

• الهندسة الميكانيكية: تشخيص الأعطال في الآلات المعقّدة.

• الاتصالات: اتخاذ قرارات حول تصميم وصيانة الشبكات.

• الرعاية الصحية: دعم الأطباء في التشخيص الطبي.

• الزراعة: التنبؤ بأضرار المحاصيل ومتابعة جودة الإنتاج.

5. علم الروبوتات (Robotics)

الروبوتات هي فرع هندسي متعدّد التخصّصات يركّز على تصميم وبناء وتشغيل واستخدام الروبوتات. يجمع هذا المجال بين الهندسة الميكانيكية والكهربائية والإلكترونية وهندسة التحكم وعلوم الحاسوب، إلى جانب مواد وتقنيات الاتصالات.

• تساهم الهندسة الميكانيكية في تصميم الهيكل المادي للروبوت.

• تقدّم الهندسة الكهربائية والإلكترونية الربط بين الأجزاء والتحكّم في الإشارات.

• وتوفّر علوم الحاسوب الخوارزميات والبرمجيات التي تمكّن الروبوت من العمل بشكلٍ ذكي ومستقل.

تستخدم الروبوتات تقنيات الذكاء الاصطناعي لتُصبح قادرة على الإدراك والفهم واتخاذ القرار وأداء المهام بشكلٍ مستقل، ومن أبرز تقنيات الذكاء الاصطناعي في الروبوتات:

• الرؤية الحاسوبية (Computer Vision): تمكّن الروبوت من رؤية البيئة المحيطة وفهمها باستخدام الكاميرات وخوارزميات معالجة الصور.

• معالجة اللغة الطبيعية (NLP): تُتيح للروبوت فهم اللغة البشرية والتفاعل معها، مثل روبوتات خدمة العملاء والمساعدين الشخصيين.

• التعلّم الآلي (Machine Learning): يمكّن الروبوت من التعلّم من التجارب السابقة، والتكيّف مع مواقف جديدة، وتحسين أدائه بمرور الوقت.

• تخطيط الحركة (Motion Planning): يتيح للروبوت التنقّل والتحرّك بأمان وكفاءة داخل بيئته.

كما تُستخدم الروبوتات البرمجية في مجال أتمتة العمليات الروبوتية (RPA) لأداء المهام المكتبية المتكرّرة مثل إدخال البيانات أو الرد على الرسائل.

بفضل دمج الذكاء الاصطناعي، أصبحت الروبوتات أكثر استقلالية وذكاءً، مما أحدث ثورة في مجالات مثل التصنيع، والنقل، والرعاية الصحية، والخدمات اللوجستية.

6. المنطق الضبابي Fuzzy Logic

في المنطق العادي، كلُّ شيء له حالَتان فقط:
صح = 1
خطأ = 0

لكن في الحقيقة، الجو أحيانًا يكون دافئًا بعض الشيء أو حارًّا قليلًا، ليس فقط حارًّا أو باردًا.

أما المنطق الضبابي فيسمح بقيمة بين 0 و1 للتعبير عن درجة الحقيقة. يعني المنطق الضبابي يمكن أن يعطينا تقديرًا نسبيًا بدل الإجابة: نعم أو لا فقط.

المنطق الضبابي يُقلِّد التفكير البشري ويوازن بشكل فعّال بين الدقة والأهمية. فعلى سبيل المثال، عند التحذير من سقوط جسم، ليس من الضروري تحديد الكتلة والسرعة بدقة؛ يكفي تقديم تحذير فعّال يستند إلى تقدير تقريبي، وهذا ما يُميّز المنطق الضبابي في تطبيقاته العملية.

ومن تطبيقاته في تخصص الذكاء الاصطناعي: مساعدة الروبوتات أو البرامج على اتخاذ قرارات أقرب للطريقة التي يفكّر بها البشر، بحيث تكون القرارات أكثر مرونة وذكاء بدل أن تكون جامدة وصحيحة أو خاطئة فقط، وهذا ما يجعل الذكاء الاصطناعي يعمل بطريقة أقرب لطريقة تفكير البشر.

• لغة PHP تفتقر إلى مكتبات قوية تدعم الذكاء الاصطناعي.
• لغة Ruby تمتاز بسهولة الاستخدام لكنها بطيئة نسبيًا وتفتقر إلى مكتبات متقدمة في هذا المجال.
• أما لغة C فهي قوية من حيث الأداء لكنها منخفضة المستوى ولا توفر أدوات جاهزة لتطبيقات الذكاء الاصطناعي.
• وبالنسبة إلى لغة Assembly فهي معقدة للغاية وتتطلب معرفة تفصيلية بالهاردوير، مما يجعلها غير عملية لتطوير أنظمة الذكاء الاصطناعي الحديثة.
• وتُعتبر لغة COBOL قديمة ومخصصة للأنظمة المصرفية والإدارية التقليدية، لذلك لا تتناسب مع متطلبات الذكاء الاصطناعي المعاصر.

كيفية تعلم تخصص الذكاء الاصطناعي

1. المرحلة الأولى: الأساسيات

هذه المرحلة ستبدأها بفهم المفاهيم الأساسية لتخصص الذكاء الاصطناعي:

ما هو الذكاء الاصطناعي؟
وما الفرق بينه وبين التعلم الآلي (Machine Learning) والتعلم العميق (Deep Learning)؟
التعرف على أنواع الذكاء الاصطناعي: الرمزي، والتعلّم الآلي، والذكاء الاصطناعي العام.

تُعد بعض لغات البرمجة أقل ملاءمة لتطبيقات تخصص الذكاء الاصطناعي، ويُفضَّل تجنبها لعدة أسباب؛ فمثلًا:

مصادر مقترحة للتعلم:

• علوم الحاسوب من الألف إلى الياء: هذا الكتاب هو ترجمة لكتاب Computer Science from the Bottom Up لكاتبه إيان ويناند (Ian Wienand)، ويوضح كافة المفاهيم التي يحتاج القارئ لمعرفتها حول عتاد وبرمجيات الحاسوب ونظام تشغيله وطريقة عمله بالتفصيل من المستوى المبتدئ إلى المتقدم.

• AI For Everyone لـ Andrew Ng على Coursera.

• Introduction to Artificial Intelligence على edX.

• المرجع الشامل إلى تعلم الخوارزميات للمبتدئين.

• كتاب البرمجة بلغة باثيون: وهو كتاب مميز جدًا، مترجم عن كتاب How to Code in Python لصاحبته ليزا تاغليفيري (Lisa Tagliaferri)، ويشرح المفاهيم البرمجية الأساسية بلغة بايثون من الصفر حتى مراحل متقدمة.

• كتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة: الغرض منه تأسيس المفاهيم والمصطلحات التي يقوم عليها مجال الذكاء الاصطناعي وتعلم الآلة.

• كتاب عشرة مشاريع عملية عن الذكاء الاصطناعي: من خلاله ستتعلم تطبيق مشاريع عملية مبنية على بيانات واقعية وتناقش أفكارًا قابلة للتطبيق في الحياة العملية.

2. المرحلة الثانية: تعلم الرياضيات الضرورية

الذكاء الاصطناعي يعتمد على الرياضيات بشكل كبير، خصوصًا:

• الجبر الخطي (Linear Algebra): لفهم الشبكات العصبية.

• الإحصاء والاحتمالات: لفهم خوارزميات التعلّم الآلي.

• التفاضل والتكامل: لتحسين النماذج (Optimization).

لا يشترط التعمق الأكاديمي الكبير في البداية، لكن افهم المفهوم وكيف يُستخدم في الخوارزميات.

3. المرحلة الثالثة: تعلم لغة برمجة مناسبة

أفضل لغة لتبدأ بها هي Python لأنها الأسهل ولها مكتبات كثيرة في الذكاء الاصطناعي، مثل:

• NumPy وPandas لتحليل البيانات.

• Matplotlib وSeaborn لتصوير البيانات.

• Scikit-learn للتعلّم الآلي.

• TensorFlow أو PyTorch للتعلّم العميق.

4. المرحلة الرابعة: تعلم التعلم الآلي (Machine Learning)

تعلم التعلم الآلي هو جوهر الذكاء الاصطناعي، وتشمل موضوعاته:

• الانحدار (Regression).

• التصنيف (Classification).

• التجميع (Clustering).

• خوارزميات مثل Decision Trees وRandom Forests وSVM.

يمكنك أن تبدأ بدورة Machine Learning by Andrew Ng على Coursera، فهي الأشهر والأوضح في مجال تعلم الآلة.

5. المرحلة الخامسة: التعلم العميق (Deep Learning)

وهو تطوير للتعلم الآلي باستخدام الشبكات العصبية:
تعلّم الأساسيات: الخلايا العصبية الاصطناعية، الـ Backpropagation، الـ CNNs، والـ RNNs.
استخدم مكتبات مثل TensorFlow وKeras وPyTorch للتطبيق العملي.

6. المرحلة السادسة: التخصص في أحد فروع الذكاء الاصطناعي

بعد فهم الأساس، اختر تخصصًا من التخصصات الآتية:

• معالجة اللغات الطبيعية (NLP): تحليل النصوص واللغات.

• رؤية الحاسوب (Computer Vision): تحليل الصور والفيديو.

• الروبوتات: تطبيق الذكاء الاصطناعي على الأجهزة الذكية.

• أنظمة التوصية، تحليل البيانات، الذكاء الاصطناعي في الطب، وغيرها.

7. المرحلة السابعة: بناء المشاريع

التطبيق هو المفتاح؛ فابدأ بتنفيذ مشاريع بسيطة مثل:
تصنيف الصور، أو تحليل المشاعر في النصوص، أو شارك في مسابقات مثل Kaggle لتتعلم من خبرات الآخرين وتطبّق ما تتعلمه.

وحقيقةً، بعد بحثٍ متعمق، وُجد أن المصادر القيّمة التي ستساعدك حقًا لتعلم تخصص الذكاء الاصطناعي وفروعه كلها باللغة الإنجليزية، سواء كانت كتبًا أو دورات على منصات أجنبية مثل Coursera أو حتى قنوات يوتيوب غير عربية.
إلا أن مسار تعلم الذكاء الاصطناعي من منصة علّمني العربية قد يكون مناسبًا، مع ضرورة تعلم المصادر الأساسية التي ذُكرت سابقًا.

لذلك، إن لم تساعدك لغتك الإنجليزية على التعلم من هذه المصادر، فأنصحك بتطويرها في 3 أشهر بشكل مكثف، ويمكنك قراءة مقال تطوير اللغة الإنجليزية، وأعتقد أنه سيساعدك في ذلك.

ثانيًا، يجب أن يكون في بالك دائمًا أن مجال الذكاء الاصطناعي هو ثروة المستقبل وثورته؛ فهو ليس مجالًا سهلًا، لكنه أيضًا ليس مستحيلًا. فأي مجال تبذل فيه وقتًا وجهدًا واستمرارية في التعلم وصبرًا حتى تصل لنتيجة مرضية = ستحقق فيه النجاح لا محالة بإذن الله.

لذلك، إذا كنت جادًا في تعلم تخصص الذكاء الاصطناعي، فلا تعتقد أنه مجرد دورة أو كتاب ستقرأه، ومن ثم ستخوض غمار سوق العمل؛ بل هو تخصص ضخم يحتاج إلى تعلم جاد وحقيقي بشكل مستمر حتى تستطيع الدخول إلى سوق العمل والمنافسة فيه.

وكان غرضي من هذا المقال تعريفك بالخريطة العامة للذكاء الاصطناعي (AI) الذي يُعتبر جوهر علوم الحاسوب، وإعطاؤك مصادر لتعلم الأساسيات وفهم المبادئ العامة له، ومن ثم ستستطيع تحديد وجهتك القادمة واختيار الفرع الذي تتعلمه وتتخصص فيه.

ويوجد قناة Ai learning guide على تيليجرام ستساعدك في مواكبة تحديثات تخصص الذكاء الاصطناعي.