تجربة عملية: منصّة تعلُّم الآلة
راقب precision وrecall يفترقان
ما ستفعله
- مصفوفة الالتباس، عند t = 0.50
- ارفع العتبة: recall يهبط
- F1: رقم واحد لكليهما
- فخّ معدّل الأساس
صفحات العروض بالإنجليزية في الوقت الحالي؛ أما الدرس المرتبط بكل عرض فهو بالعربية بالكامل.
كيف تقرأ هذه الصفحات. كل صفحة تبيّن أي أرقامها محسوبة، وأيها مأخوذ من شكل منشور، وأيها توضيحي. وقد أُنتج بعضها بمساعدة الذكاء الاصطناعي وتذكر ذلك على الصفحة نفسها. هي أدوات تعليمية، وليست قياسات لعتاد حقيقي.
التجارب العملية
تجربة عملية: مستكشِف النموذج الخطّي
راقب bias يهبط بينما يرتفع variance
ما ستفعله
- أرضية الضجيج التي لا يمكن تجاوزها
- مفرِط في البساطة: variance منخفض
- مفرِط في التعقيد: يسيطر variance
- التنظيم يشدّ variance إلى الوراء
تجربة عملية: مُصوِّر الأشجار
قِس عدم نقاء العقدة، ثم اقسِمها
ما ستفعله
- Gini لعقدة 3 إلى 1
- entropy للعقدة نفسها
- information gain لانقسام نظيف
- فخّ الجشع: XOR عند العمق 1
تجربة عملية: مُصوِّر SVM
جِد أوسع ممرّ، ثم اثنِه
ما ستفعله
- هامش مجموعة النقطتين
- خفِّف C: يتّسع الهامش
- نقطةٌ داخلية عميقة ليست متجهًا داعمًا
- حيلة النواة: RBF تلفّ حلقة
تجربة عملية: مستكشف التجميع
قيِّم تجميعًا، ثم دَع الكثافة تجد مجموعاتها بنفسها
ما ستفعله
- inertia لعنقودَين متباعدَين
- درجة silhouette لها
- الكوع: inertia لا تفعل إلا أن تهبط مع ارتفاع k
- DBSCAN: النقطة المعزولة ضوضاء
- حدّ minPts بالضبط
تجربة عملية: منصّة الشبكة العصبية
راقب gradient واحدًا يتدفّق إلى الوراء
ما ستفعله
- التمرير الأمامي: المُخرَج
- التمرير الأمامي: الخطأ
- التمرير الخلفي: gradient واحد
- التحديث: خطوة واحدة نحو الأسفل
تجربة عملية: مُصوِّر سمات الشبكة الالتفافية
مرِّر نواةً، ثم راقب خريطة سمات تتكوّن
ما ستفعله
- حجم خريطة conv
- الحجم بعد max-pool
- Sobel-x يُطلِق عند الحافة
- …ويصمُت حيث تكون مسطّحة
- ReLU يُصفِّر السوالب
- max-pool يأخذ الأقصى لا المتوسّط
تجربة عملية: التنبؤ بالتسلسل
عُدَّ الحروف، ثم تنبّأ بالحرف التالي
ما ستفعله
- أرضية add-k لحرفٍ غير مرئي
- …والشقيق المرئي
- سياقٌ غير مرئي يرتدُّ إلى 1/V
- perplexity لتسلسلٍ متوقَّعٍ تمامًا
- نموذجٌ أُحادي منتظم يسجّل V
- الرتبة الأعلى تخفض perplexity التدريب
تجربة عملية: مُصوِّر الانتباه
حوِّل الـlogits إلى توزيع
ما ستفعله
- الـsoftmax توزيع
- ارفع T: تُسطَّح الاحتمالات
- greedy يتجاهل درجة الحرارة
- top-k يُبقي ثم يُعيد التسوية
مشروع: مشروع تعلُّم آلة متكامل
مهمّةٌ واحدة، نماذج عدّة، ودرجةٌ صادقة واحدة
ما ستفعله
- النموذج أ: شجرة قرارٍ جشِعة
- النموذج ب: SVM خطّية على حلقة
- النموذج ب مُنَوّى: RBF يفوز بالحلقة
- قيِّم: الدقة لا تكفي
تجربة عملية: ورشة التعلّم بالنقل
أعِد استخدام سماتٍ مجمَّدة، أم تعلَّم من الصفر؟
ما ستفعله
- accuracy النقل مع تسمياتٍ قليلة
- …مقابل from-scratch عند n نفسها
- الخريطة المجمَّدة حتميّة
- gap تتقلّص كلّما زادت التسميات
- مع وفرة من التسميات، يكاد التقدّم يتلاشى
مشروع: نظام تعلُّم آلة متكامل
مشكلةٌ واحدة، ثلاث مراحل
ما ستفعله
- اختَر التعقيد: ضبط التباين
- درِّب: خطوة نزولٍ تدرّجي واحدة
- قيِّم: precision عند t = 0.50
العروض التفاعلية
Prevalence, cost and the threshold
من درس تقييم النماذج
Hold the model fixed and change only how rare the positives are. AUC does not move; precision, F1 and PR-AUC collapse. Also prices false positives against false negatives to find the threshold that minimises expected cost.
Bias-variance sandbox
Raise the model complexity and watch training error keep falling while test error turns upward. Bias and variance are COMPUTED over many training sets, not described: the fan of fitted curves is what variance actually looks like.
Decision-tree sandbox
من درس أشجار القرار
Build a decision tree on a small 2D dataset: Gini impurity, entropy and the information gain of every candidate split are computed, and the axis-aligned decision boundary is drawn by running the tree's own predict() over a grid. Set the depth, min-samples and criterion, and watch it overfit noise.
SVM visualizer
من درس مصنّف الهامش الأقصى
Train a soft-margin SVM with a real dual solver (simplified SMO): the weight vector, bias, margin width 2/||w|| and support vectors are all solved for, and the boundary and margins are drawn from the decision function. Turn C, switch to the RBF kernel and tune gamma, and watch the margin, the support vectors and the C-sweep respond.
Clustering explorer
من درس التجميع
Run a real K-means (Lloyd with a k-means++ start) or DBSCAN on a seeded 2D dataset: the assignment, centroids, core/border/noise labels, inertia and silhouette are all computed. Switch to the moons or rings to watch K-means cut across a shape DBSCAN wraps, and read the elbow and the k-distance graph.
CNN feature visualizer
من درس الالتواء للصور
Apply a fixed, named convolution kernel (Sobel, Laplacian, blur, sharpen, identity) to a small grayscale image, then ReLU, then 2x2 max-pool: every feature map is real 2D-convolution arithmetic, never sketched. Set padding, stride and a second conv layer, and watch the spatial dimensions shrink stage by stage while each kernel detects edges, smooths or sharpens.
Gradient descent on a live loss surface
من درس الانحدار الخطي
Watch descent diverge, oscillate or crawl on a live loss surface. The learning-rate stability law is derived from the Hessian and stated on screen.
Backpropagation step-through
من درس الانتشار الخلفي
One backpropagation step at a time on a tiny network, with every partial derivative shown as it is computed.
Genetic algorithm, one generation at a time
من درس حلقة الخوارزمية الجينية
One generation at a time: selection, crossover and mutation applied to a real population, with the fitness distribution redrawn each step.
Q-learning, one update at a time
من درس تعلّم القيمة Q
One Q-update at a time on a grid world, with the Bellman arithmetic shown for the state the agent is actually in.
Sequence-prediction sandbox
من درس نمذجة التسلسل
Build a character-level n-gram language model on a built-in text corpus: the add-k smoothed next-character distribution, the training and held-out perplexity (in bits), and seeded sample text are all computed from real counts -- no neural network. Set the order, smoothing k and temperature, drop k to 0 and watch held-out perplexity blow up, and read the generated text as texture.
Transfer Learning Workshop
من درس التعلم بالنقل والضبط الدقيق
Demonstrates the transfer-learning MECHANISM on a small 2D task: a fixed seeded feature map (a synthetic STAND-IN for features a big model would have learned on a large related dataset, NOT real pretrained weights) is frozen and only a linear head is trained, versus a network trained from scratch and one fine-tuned from the frozen start. The head, both networks, every accuracy and the accuracy-vs-labels curve are computed; with few labels the frozen features win and the gap shrinks as labels grow.