الرياضيات للذكاء الاصطناعي | دليلك الكامل لتعلم الجبر الخطي والتفاضل
أتذكر جيداً تلك اللحظة التي قررت فيها أن أخطو أولى خطواتي في عالم الذكاء الاصطناعي. كانت لديّ حماسة كبيرة، وفتحت أول كورس على الإنترنت، وبعد الدرس الثالث مباشرةً واجهت معادلات وجداول أرقام ومصطلحات مثل "Gradient Descent" و"Eigenvalues"، فشعرت أن الأرض اهتزت من تحتي. الحقيقة التي لم يخبرني بها أحد وقتها هي أن الرياضيات للذكاء الاصطناعي ليست عائقاً، بل هي المفتاح الحقيقي الذي يفتح لك الباب كله. وفي هذا المقال سأحكي لك كل شيء تحتاج أن تعرفه.
.png "تعلم الرياضيات اللازمة للذكاء الاصطناعي (جبر خطي وتفاضل)") |
| تعلم الرياضيات اللازمة للذكاء الاصطناعي (جبر خطي وتفاضل). |
الذكاء الاصطناعي في جوهره ليس سحراً ولا شيفرة غامضة، بل هو رياضيات تطبيقية تُترجَم إلى كود. والخبر الجيد أنك لا تحتاج إلى أن تكون عالم رياضيات لتفهمها، بل تحتاج فقط إلى تعلم الأجزاء الصحيحة بالترتيب الصحيح.
لماذا الرياضيات ضرورية في الذكاء الاصطناعي؟
قبل أن تسألني "هل أحتاج فعلاً للرياضيات؟"، دعني أُريك الصورة الكاملة. كل نموذج ذكاء اصطناعي تراه اليوم، سواء كان ChatGPT أو نموذج يتعرف على وجهك في الهاتف، بداخله طبقات من العمليات الرياضية تعمل في جزء من الثانية. لما لم تفهم هذه الأساسيات، ستبقى مستخدماً للأدوات فقط، لن تتمكن من بناء نماذجك الخاصة أو تحسينها أو فهم سبب فشلها.
المحاور الرياضية الأساسية التي يقوم عليها الذكاء الاصطناعي هي ثلاثة:
- الجبر الخطي (Linear Algebra) 📌 وهو العمود الفقري لكل عمليات البيانات والنماذج، وتستحيل قراءة أي كود لـ Deep Learning بدون فهمه.
- التفاضل والتكامل (Calculus) 📌 وهو القلب النابض لعملية تعلم النموذج، إذ يستخدم في خوارزميات التحسين مثل Gradient Descent.
- الإحصاء والاحتمالات (Statistics & Probability) 📌 وهو اللغة التي يتحدث بها النموذج حين يُقيّم نفسه ويقيس دقته، وسنتناوله في مقال منفصل.
لمزيد من المعلومات، تصفح مقالنا عن | هل سيأخذ الذكاء الاصطناعي وظيفتك؟ حقائق وخرافات
🏆 قصة نجاح واقعية:
أحمد، طالب هندسة حاسوب، قضى ثلاثة أشهر يحاول تعلم الـ Machine Learning مباشرةً دون أي خلفية رياضية. كان يتابع الكورسات ويكتب الكود لكنه لم يفهم لماذا النماذج تتصرف بهذه الطريقة. حين قرر أن يتوقف أسبوعين فقط ويراجع أساسيات الجبر الخطي والتفاضل، قال لي بعدها: النور اشتعل فجأة وكل ما كان غامضاً أصبح واضحاً كالشمس. هذا التحول بأسبوعين فقط هو ما تصنعه الأساسيات الرياضية الصحيحة.
أحمد، طالب هندسة حاسوب، قضى ثلاثة أشهر يحاول تعلم الـ Machine Learning مباشرةً دون أي خلفية رياضية. كان يتابع الكورسات ويكتب الكود لكنه لم يفهم لماذا النماذج تتصرف بهذه الطريقة. حين قرر أن يتوقف أسبوعين فقط ويراجع أساسيات الجبر الخطي والتفاضل، قال لي بعدها: النور اشتعل فجأة وكل ما كان غامضاً أصبح واضحاً كالشمس. هذا التحول بأسبوعين فقط هو ما تصنعه الأساسيات الرياضية الصحيحة.
الجبر الخطي | لغة البيانات في الذكاء الاصطناعي
حين تُدخل صورة إلى نموذج ذكاء اصطناعي، ما يراه النموذج فعلياً هو مصفوفة أرقام. حين تُدخل جملة نصية، يحولها النموذج إلى متجهات (Vectors). كل شيء في عالم الـ AI يتحول في النهاية إلى أرقام منظمة في صفوف وأعمدة، وهذا بالضبط ما يدرسه الجبر الخطي.
دعني أشرح لك المفاهيم الأساسية التي تحتاجها بأمثلة من الواقع:
- المتجهات (Vectors) هي ببساطة قوائم مرتبة من الأرقام. مثلاً، يمكن تمثيل بيانات مستخدم (العمر، الدخل، عدد المشتريات) كمتجه: [25, 5000, 12]. هذا بالضبط كيف يرى نموذج التوصيات بيانات المستخدم.
- المصفوفات (Matrices) هي مجموعة متجهات مرتبة في جدول. تخيل مئة مستخدم، كل منهم له متجه بياناته، فتجمعهم في مصفوفة 100×3. هكذا تُمثَّل قاعدة البيانات الكاملة في خطوة واحدة.
- ضرب المصفوفات (Matrix Multiplication) هذه العملية هي جوهر عمل الشبكات العصبية (Neural Networks). كل طبقة في الشبكة العصبية تُجري ضرب مصفوفات في الخلفية.
- القيم الذاتية والمتجهات الذاتية (Eigenvalues & Eigenvectors) مفهوم يبدو مخيفاً لكنه عملي جداً، إذ يُستخدم في تقنية PCA لتقليل أبعاد البيانات والتخلص من المعلومات الزائدة.
| المفهوم | ما هو؟ | تطبيقه في AI |
|---|---|---|
| المتجه (Vector) | قائمة مرتبة من الأرقام | تمثيل الكلمات (Word Embeddings) |
| المصفوفة (Matrix) | جدول ثنائي الأبعاد من الأرقام | تمثيل الصور وأوزان الشبكة العصبية |
| الجداء الداخلي (Dot Product) | ضرب عنصر بعنصر ثم جمع النتائج | قياس التشابه بين متجهين |
| القيم الذاتية (Eigenvalues) | قيم خاصة بمصفوفة تعبر عن خصائصها | تقليل الأبعاد (PCA) |
| الشعاع الوحدوي (Unit Vector) | متجه طوله يساوي 1 | تطبيع البيانات والـ Cosine Similarity |
🎓 نصيحة الخبير — سر لا يعرفه أغلب المبتدئين:
حين تدرس المتجهات، لا تكتفِ بحفظ تعريفها الرياضي. بدلاً من ذلك، افتح أي نموذج Word2Vec مجاني على الإنترنت واستكشف كيف تتحول الكلمات إلى متجهات. ستجد أن متجه كلمة "ملك" ناقص متجه "رجل" زائد متجه "امرأة" يساوي تقريباً متجه "ملكة"! هذا ليس سحراً، بل جبر خطي تطبيقي بامتياز. حين ترى الرياضيات تتحول إلى معنى حقيقي، لن تنساها أبداً.
حين تدرس المتجهات، لا تكتفِ بحفظ تعريفها الرياضي. بدلاً من ذلك، افتح أي نموذج Word2Vec مجاني على الإنترنت واستكشف كيف تتحول الكلمات إلى متجهات. ستجد أن متجه كلمة "ملك" ناقص متجه "رجل" زائد متجه "امرأة" يساوي تقريباً متجه "ملكة"! هذا ليس سحراً، بل جبر خطي تطبيقي بامتياز. حين ترى الرياضيات تتحول إلى معنى حقيقي، لن تنساها أبداً.
عمليات المصفوفات بالتفصيل | من الأساسي إلى التطبيقي
أريد أن أحكيلك قصة صغيرة توضح قيمة عمليات المصفوفات. في أحد مشاريعي، كنت أعمل على نموذج يصنف مراجعات المنتجات كإيجابية أو سلبية. كانت لديّ 10,000 مراجعة، وكل مراجعة تتحول إلى متجه يحتوي على 300 رقم. لو معالجة كل مراجعة على حدة بحلقة for loop كلاسيكية، كانت ستأخذ دقائق طويلة. لكن بعملية ضرب مصفوفات واحدة، تمت المعالجة في ثوانٍ. هذه هي القوة الحقيقية للـ Linear Algebra for AI.
أهم العمليات التي ستقابلها يومياً في مشاريع الـ Machine Learning:
- الجمع والطرح بين المصفوفات 📌 يتطلب أن تكون للمصفوفتين نفس الأبعاد، ويُستخدم في حساب فرق الأوزان أثناء التحديث.
- ضرب المصفوفات (Matrix Multiplication) 📌 قاعدته أن عدد أعمدة الأولى = عدد صفوف الثانية، وهي القاعدة الأهم في كل طبقات الـ Neural Network.
- المصفوفة المنقولة (Transpose) 📌 قلب صفوف المصفوفة لأعمدة وبالعكس، وهي عملية تظهر في صيغ رياضية كثيرة.
- المصفوفة العكسية (Inverse Matrix) 📌 مهمة في حل أنظمة المعادلات الخطية، وتُستخدم في بعض خوارزميات الانحدار.
- المحدد (Determinant) 📌 رقم واحد يلخص خصائص المصفوفة، يُستخدم للتحقق من إمكانية حل نظام معادلات أو لا.
🏆 قصة نجاح واقعية — درس من مشروع حقيقي:
في مسابقة Kaggle لتصنيف الصور، كان أحد الفرق يعاني من بطء شديد في تدريب النموذج. حين فحصوا الكود، اكتشفوا أن زميلاً كتب حلقة تكرارية تعالج كل صورة على حدة بدلاً من استخدام ضرب المصفوفات الجماعي (Batch Matrix Multiplication). بمجرد إصلاح هذه النقطة، انخفض وقت التدريب من 4 ساعات إلى 11 دقيقة. هذا هو الفرق الذي تصنعه معرفة عمليات المصفوفات الصحيحة.
في مسابقة Kaggle لتصنيف الصور، كان أحد الفرق يعاني من بطء شديد في تدريب النموذج. حين فحصوا الكود، اكتشفوا أن زميلاً كتب حلقة تكرارية تعالج كل صورة على حدة بدلاً من استخدام ضرب المصفوفات الجماعي (Batch Matrix Multiplication). بمجرد إصلاح هذه النقطة، انخفض وقت التدريب من 4 ساعات إلى 11 دقيقة. هذا هو الفرق الذي تصنعه معرفة عمليات المصفوفات الصحيحة.
🎓 نصيحة الخبير — الفرق بين الضرب العنصري وضرب المصفوفات:
خطأ كلاسيكي يقع فيه الجميع في البداية هو الخلط بين الضرب العنصري (Element-wise Multiplication) وبين ضرب المصفوفات (Matrix Multiplication). الأول يضرب كل عنصر بمقابله مباشرةً، والثاني يتبع قاعدة الصفوف في الأعمدة. في NumPy، استخدم النجمة * للضرب العنصري، ونقطة np.dot() أو الرمز @ لضرب المصفوفات. اعرف الفرق واحفظه جيداً، ستحتاجه كل يوم.
خطأ كلاسيكي يقع فيه الجميع في البداية هو الخلط بين الضرب العنصري (Element-wise Multiplication) وبين ضرب المصفوفات (Matrix Multiplication). الأول يضرب كل عنصر بمقابله مباشرةً، والثاني يتبع قاعدة الصفوف في الأعمدة. في NumPy، استخدم النجمة * للضرب العنصري، ونقطة np.dot() أو الرمز @ لضرب المصفوفات. اعرف الفرق واحفظه جيداً، ستحتاجه كل يوم.
التفاضل والتكامل | كيف يتعلم الذكاء الاصطناعي من أخطائه؟
إذا كان الجبر الخطي هو الهيكل العظمي للـ AI، فالتفاضل والتكامل هو دماغه الذي يفكر ويتعلم. عندما تُخبر نموذجاً بأن توقعه كان خاطئاً، كيف يعرف كيف يُصحح نفسه؟ الجواب هو التفاضل. والآلية التي يُصحح بها نفسه تسمى Gradient Descent، وهي معتمدة بالكامل على المشتقات.
دعني أشرح الفكرة بمثال بسيط: تخيل أنك تقف على تل ضبابي وتريد النزول إلى القاع. لا ترى الطريق الكامل، لكنك تشعر بانحدار الأرض تحت قدميك، فتخطو دائماً في اتجاه الانحدار. هذا بالضبط ما تفعله خوارزمية الـ Gradient Descent، إذ تقيس "الانحدار" بالمشتق وتخطو في اتجاهه لتُقلل الخطأ.
المفاهيم التفاضلية الأساسية التي تحتاجها:
- الدوال والنهايات (Functions & Limits) الأساس الذي يقوم عليه كل شيء. دالة الخسارة (Loss Function) في الـ AI هي دالة رياضية نريد إيجاد أصغر قيمة لها.
- المشتق (Derivative) يقيس معدل تغير دالة ما عند نقطة معينة، ويُخبرك في أي اتجاه تتحرك لتُقلل الدالة.
- المشتقات الجزئية (Partial Derivatives) حين يكون لديك دالة بمتغيرات متعددة (مثل آلاف أوزان الشبكة العصبية)، تحسب مشتقاً جزئياً لكل متغير بشكل منفصل.
- قاعدة السلسلة (Chain Rule) القاعدة الأهم في تدريب الشبكات العصبية. هي الآلية التي تتيح حساب المشتقات عبر طبقات متعددة، وهي قلب خوارزمية الـ Backpropagation.
- التدرج (Gradient) متجه يجمع كل المشتقات الجزئية لدالة متعددة المتغيرات. يُشير دائماً نحو أسرع اتجاه للصعود، فنسير في عكسه للنزول.
لمزيد من المعلومات، تصفح مقالنا عن | مواقع ذكاء اصطناعي لتحسين مهارات البرمجة (Copilot وبدائله)
🎓 نصيحة الخبير — اجعل المشتق حياً في ذهنك:
أسهل طريقة لاستيعاب مفهوم المشتق دون الغرق في النظريات هي أن تفكر فيه كـ"سرعة التغيير". لو كانت دالتك تمثل موضع سيارة بالنسبة للزمن، فالمشتق هو سرعتها. لو كانت تمثل دالة خسارة نموذج بالنسبة لأوزانه، فالمشتق يخبرك كيف ستتغير الخسارة إذا عدّلت هذا الوزن قليلاً. هذه الحدسية هي كل ما تحتاجه في مرحلة البداية.
أسهل طريقة لاستيعاب مفهوم المشتق دون الغرق في النظريات هي أن تفكر فيه كـ"سرعة التغيير". لو كانت دالتك تمثل موضع سيارة بالنسبة للزمن، فالمشتق هو سرعتها. لو كانت تمثل دالة خسارة نموذج بالنسبة لأوزانه، فالمشتق يخبرك كيف ستتغير الخسارة إذا عدّلت هذا الوزن قليلاً. هذه الحدسية هي كل ما تحتاجه في مرحلة البداية.
نزول التدرج (Gradient Descent) | قلب عملية التعلم
هذه الخوارزمية تستحق وقفة خاصة لأنها تُستخدم في تدريب كل نموذج ذكاء اصطناعي تقريباً، من أبسط شبكة عصبية حتى GPT. الفكرة أبسط مما تتخيل:
- ابدأ بأوزان عشوائية 📌 النموذج في البداية لا يعرف شيئاً، وأوزانه مجرد أرقام عشوائية.
- احسب الخطأ (Loss) 📌 قدم للنموذج بيانات وقارن توقعاته بالإجابات الصحيحة لتحصل على رقم الخطأ.
- احسب التدرج (Gradient) 📌 استخدم قاعدة السلسلة والمشتقات الجزئية لمعرفة كيف يؤثر كل وزن في الخطأ.
- حدّث الأوزان (Update Weights) 📌 اطرح جزءاً من التدرج من كل وزن (هذا الجزء يُسمى معدل التعلم Learning Rate).
- كرر حتى التقاء 📌 أعد العملية آلاف المرات حتى يصبح الخطأ صغيراً جداً.
| نوع Gradient Descent | كيف يعمل؟ | متى تستخدمه؟ |
|---|---|---|
| Batch GD | يستخدم كل البيانات في كل تحديث | بيانات صغيرة الحجم |
| Stochastic GD (SGD) | يستخدم مثالاً واحداً في كل تحديث | بيانات ضخمة جداً |
| Mini-Batch GD | يستخدم مجموعة صغيرة (Batch) في كل تحديث | الأكثر استخداماً في الواقع |
| Adam Optimizer | نسخة متطورة تضبط معدل التعلم تلقائياً | الشبكات العصبية العميقة |
🏆 قصة واقعية — حين يكون معدل التعلم خاطئاً:
طالبة في أحد مشاريع التخرج كانت تدرّب نموذجاً لتصنيف أمراض النباتات. النموذج لم يتعلم شيئاً بعد عشرات الـ Epochs. حين فحصنا الكود معاً، اكتشفنا أن معدل التعلم (Learning Rate) كان 10.0 بدلاً من 0.001. كان الـ Gradient Descent يخطو بخطوات عملاقة تتجاوز القاع دائماً ولا تصل إليه. بمجرد تصحيح هذا الرقم الواحد، بدأ النموذج يتعلم بشكل ممتاز. هذه هي قيمة فهم الرياضيات وراء الكود.
طالبة في أحد مشاريع التخرج كانت تدرّب نموذجاً لتصنيف أمراض النباتات. النموذج لم يتعلم شيئاً بعد عشرات الـ Epochs. حين فحصنا الكود معاً، اكتشفنا أن معدل التعلم (Learning Rate) كان 10.0 بدلاً من 0.001. كان الـ Gradient Descent يخطو بخطوات عملاقة تتجاوز القاع دائماً ولا تصل إليه. بمجرد تصحيح هذا الرقم الواحد، بدأ النموذج يتعلم بشكل ممتاز. هذه هي قيمة فهم الرياضيات وراء الكود.
🎓 نصيحة الخبير — ابنِ Gradient Descent بيدك:
أفضل طريقة لفهم هذه الخوارزمية فهماً عميقاً هي بناؤها من الصفر في Python بدون أي مكتبة. ابدأ بدالة بسيطة مثل f(x) = x مربع، احسب مشتقها يدوياً وهو 2x، ثم اكتب كود يبدأ من نقطة عشوائية ويُحرك x في الاتجاه الصحيح خطوة بخطوة. حين ترى x يقترب من الصفر تدريجياً في كل تكرار، ستشعر بالفخر وستفهم الخوارزمية من جذورها.
أفضل طريقة لفهم هذه الخوارزمية فهماً عميقاً هي بناؤها من الصفر في Python بدون أي مكتبة. ابدأ بدالة بسيطة مثل f(x) = x مربع، احسب مشتقها يدوياً وهو 2x، ثم اكتب كود يبدأ من نقطة عشوائية ويُحرك x في الاتجاه الصحيح خطوة بخطوة. حين ترى x يقترب من الصفر تدريجياً في كل تكرار، ستشعر بالفخر وستفهم الخوارزمية من جذورها.
أساسيات AI الرياضية | خارطة تعلم عملية خطوة بخطوة
أكثر سؤال يصلني من القراء هو: "من أين أبدأ وما هو الترتيب الصحيح؟". من تجربتي الشخصية، هذا هو الترتيب الذي أنصح به وقد جربه معي كثيرون بنتائج رائعة:
- المرحلة الأولى - الجبر الخطي الأساسي (أسبوعان) ابدأ بتعلم المتجهات والمصفوفات وعمليات الضرب والجمع. المصدر المثالي: قناة 3Blue1Brown على يوتيوب وسلسلة "Essence of Linear Algebra"، لن تجد شرحاً بصرياً أجمل منها في العالم.
- المرحلة الثانية - التفاضل الأساسي (أسبوعان) تعلم المشتقات وقواعدها الأساسية (قاعدة السلسلة، قاعدة الحاصل، قاعدة الضرب). المصدر: كورس Khan Academy في Calculus مجاني ومتاح بالعربية.
- المرحلة الثالثة - التطبيق بـ NumPy (أسبوع) طبق ما تعلمته في Python. أنشئ متجهات ومصفوفات، اضربها، واحسب المشتقات رقمياً. هذه المرحلة تُرسّخ كل شيء.
- المرحلة الرابعة - الجبر الخطي المتقدم (ثلاثة أسابيع) انتقل إلى القيم الذاتية والمتجهات الذاتية، وتحليل SVD، وهي أدوات أساسية في تقنيات تقليل الأبعاد.
- المرحلة الخامسة - التفاضل متعدد المتغيرات (أسبوعان) تعلم المشتقات الجزئية والتدرج، ثم ابنِ Gradient Descent بسيطاً من الصفر بدون مكتبات جاهزة.
🏆 حالة دراسية — من الصفر إلى أول نموذج في 8 أسابيع:
متابع من المغرب أخبرني عن تجربته: بدأ بدون أي خلفية رياضية تذكر. اتبع هذه الخارطة بالضبط، أسبوعان جبر خطي ثم أسبوعان تفاضل ثم أسبوع NumPy، ثم انتقل مباشرة لبناء أول نموذج Logistic Regression من الصفر. قال إن اللحظة التي فهم فيها كيف المشتق الجزئي يُحدّث وزناً بعينه في النموذج، شعر أن كل قطع الأحجية التصقت معاً. اليوم يعمل في شركة ناشئة للذكاء الاصطناعي.
متابع من المغرب أخبرني عن تجربته: بدأ بدون أي خلفية رياضية تذكر. اتبع هذه الخارطة بالضبط، أسبوعان جبر خطي ثم أسبوعان تفاضل ثم أسبوع NumPy، ثم انتقل مباشرة لبناء أول نموذج Logistic Regression من الصفر. قال إن اللحظة التي فهم فيها كيف المشتق الجزئي يُحدّث وزناً بعينه في النموذج، شعر أن كل قطع الأحجية التصقت معاً. اليوم يعمل في شركة ناشئة للذكاء الاصطناعي.
الجبر الخطي في الشبكات العصبية | مثال عملي حقيقي
لنأخذ شبكة عصبية بسيطة تتعرف على أرقام مكتوبة بخط اليد. الصورة المدخلة حجمها 28×28 بكسل، أي 784 رقماً. هذه الأرقام تتحول إلى متجه طوله 784. الطبقة الأولى من الشبكة لها 128 خلية عصبية، تعني أن مصفوفة الأوزان حجمها 784×128. عملية "مرور البيانات للأمام" (Forward Pass) هي ببساطة ضرب المتجه الطول 784 في المصفوفة 784×128 للحصول على متجه جديد طوله 128. هكذا تنتقل المعلومة عبر طبقات الشبكة، وفي كل طبقة عملية ضرب مصفوفات.
وحين تريد الشبكة أن تتعلم وتُحسّن أوزانها، تحسب المشتق الجزئي لدالة الخسارة بالنسبة لكل وزن في كل مصفوفة، ثم تطبق Gradient Descent لتحديث هذه الأوزان. هذه هي الـ Backpropagation، وهي لا تعدو كونها تطبيقاً متسلسلاً لقاعدة السلسلة على طبقات متعددة.
لمزيد من المعلومات، تصفح مقالنا عن | أفضل أدوات مجانية لتحسين محركات البحث (SEO) بالذكاء الاصطناعي
🎓 نصيحة الخبير — افهم أبعاد المصفوفات قبل أي شيء:
أغلب الأخطاء في كتابة الشبكات العصبية تأتي من عدم تتبع أبعاد المصفوفات في كل طبقة. عادتي الشخصية التي أنصحك بها هي أن ترسم على ورقة شكل المصفوفة في كل طبقة قبل أن تكتب أي كود. مثلاً: Input (784) تدخل في W1 (784×128) لتعطي Hidden (128) تدخل في W2 (128×10) لتعطي Output (10). حين تفعل هذا، لن تقع في أخطاء الأبعاد أبداً، وستوفر على نفسك ساعات من التنقيح.
أغلب الأخطاء في كتابة الشبكات العصبية تأتي من عدم تتبع أبعاد المصفوفات في كل طبقة. عادتي الشخصية التي أنصحك بها هي أن ترسم على ورقة شكل المصفوفة في كل طبقة قبل أن تكتب أي كود. مثلاً: Input (784) تدخل في W1 (784×128) لتعطي Hidden (128) تدخل في W2 (128×10) لتعطي Output (10). حين تفعل هذا، لن تقع في أخطاء الأبعاد أبداً، وستوفر على نفسك ساعات من التنقيح.
أفضل المصادر لتعلم الرياضيات للذكاء الاصطناعي
لقد جربت عشرات المصادر وسأوفّر عليك الوقت وأعطيك الأفضل فقط:
| المصدر | الموضوع | السعر | التقييم |
|---|---|---|---|
| 3Blue1Brown - YouTube | جبر خطي وتفاضل بصرياً | مجاني | ⭐⭐⭐⭐⭐ |
| Khan Academy | الرياضيات من الأساس | مجاني | ⭐⭐⭐⭐⭐ |
| Mathematics for Machine Learning (Coursera) | جبر خطي وتفاضل وإحصاء للـ ML | مدفوع / مجاني للتدقيق | ⭐⭐⭐⭐ |
| Fast.ai | رياضيات عملية مع Deep Learning | مجاني | ⭐⭐⭐⭐ |
| كتاب "Deep Learning" (Goodfellow) | مرجع شامل يغطي كل الرياضيات | مجاني إلكترونياً | ⭐⭐⭐⭐⭐ |
![Author](data:image/svg+xml,%3Csvg xmlns="http://www.w3.org/2000/svg" width="240" height="240" viewBox="0 0 240 240" role="img" aria-label="Default profile avatar"%3E%3Cdefs%3E%3ClinearGradient id="g" x1="0" x2="1" y1="0" y2="1"%3E%3Cstop offset="0" stop-color="%236db3f2"/%3E%3Cstop offset="1" stop-color="%234a90e2"/%3E%3C/linearGradient%3E%3Cfilter id="soft" x="-50%25" y="-50%25" width="200%25" height="200%25"%3E%3CfeDropShadow dx="0" dy="6" stdDeviation="12" flood-opacity="0.12"/%3E%3C/filter%3E%3C/defs%3E%3Cg transform="translate(120,120)"%3E%3Ccircle r="108" fill="url(%23g)" filter="url(%23soft)"/%3E%3Ccircle r="88" fill="rgba(255,255,255,0.06)"/%3E%3C/g%3E%3Cg transform="translate(120,120)"%3E%3Ccircle cx="0" cy="-24" r="28" fill="%23ffffff" fill-opacity="0.95"/%3E%3Cpath d="M-56,64 C-56,36 -36,16 0,16 C36,16 56,36 56,64 L56,76 C56,88 44,100 0,100 C-44,100 -56,88 -56,76 Z" fill="%23ffffff" fill-opacity="0.95"/%3E%3Cellipse cx="0" cy="72" rx="52" ry="12" fill="%23000" opacity="0.04"/%3E%3C/g%3E%3C/svg%3E){kind=avatar}
تعليقات
إرسال تعليق