تعلم لغة بايثون للذكاء الاصطناعي: الحد الأدنى من لغة بايثون التي تحتاجها بالفعل

بايثون هي لغة الذكاء الاصطناعي. إذا قضيت أي وقت في القراءة عن التعلم الآلي، فقد رأيت كود Python في كل مكان - في البرامج التعليمية، ومستودعات GitHub، والأوراق البحثية، والدورات التدريبية. في نهاية المطاف، سوف ترغب في قراءته، وتشغيله، وربما تعديله.

الخبر السار: لست بحاجة إلى أن تصبح خبيرًا في لغة بايثون. أنت بحاجة إلى مجموعة فرعية مركزة من اللغة. يعلمك هذا الدليل ذلك بالضبط - الحد الأدنى المطلوب من لغة Python لفهم كود الذكاء الاصطناعي والعمل معه - مع أمثلة مستمدة من سير عمل تعلم الآلة الحقيقي.

---

إعداد بايثون

قبل أي شيء آخر، قم بتثبيت Python.

الطريقة الموصى بها: تثبيت Miniconda، مدير توزيع Python خفيف الوزن. فهو يجعل إدارة الحزم والبيئات واضحة.

بعد التثبيت، افتح الطرفية واكتب:

python --version

إذا رأيت Python 3.x.x، فأنت جاهز. يمكنك كتابة وتشغيل بايثون في:

• Jupyter Notebook — الأداة القياسية لتجارب الذكاء الاصطناعي (التفاعلية والمعتمدة على المتصفح)
• VS Code — محرر مجاني يدعم لغة Python بشكل ممتاز
• Google Colab — مجاني، يعتمد على المتصفح، ولا يحتاج إلى تثبيت

لتعلم الذكاء الاصطناعي، ابدأ بـ Google Colab. إنه مجاني، ويعمل في متصفحك، ويتمتع بإمكانية الوصول إلى وحدة معالجة الرسومات.

---

1. المتغيرات وأنواع البيانات

في بايثون، تقوم بتخزين القيم في المتغيرات. لا حاجة لإعلانات النوع.

name = "neural network"       # string (text)
layers = 4                    # integer (whole number)
accuracy = 0.94               # float (decimal)
is_trained = True             # boolean (True/False)

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: يتم تخزين المعلمات الفائقة للنموذج ودرجات الدقة وقيم التكوين كمتغيرات. سترى أشياء مثل learning_rate = 0.001 أو epochs = 50 باستمرار.

---

2. القوائم

القائمة عبارة عن مجموعة مرتبة من العناصر. يمكنك تخزين قيم متعددة في متغير واحد.

scores = [0.82, 0.87, 0.91, 0.95]
labels = ["cat", "dog", "bird"]

# Access by index (starts at 0)
print(labels[0])    # "cat"
print(labels[-1])   # "bird" (last item)

# Add an item
labels.append("fish")

# Number of items
print(len(scores))  # 4

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: سجلات التدريب، وقوائم التسميات، ومجموعات البيانات - كلها مخزنة في قوائم (أو مصفوفات NumPy، التي تعمل بشكل مشابه).

---

3. القواميس

تقوم القواميس بتخزين أزواج القيمة الرئيسية. فكر فيها مثل الصناديق المسمى.

model_config = {
    "learning_rate": 0.001,
    "batch_size": 32,
    "epochs": 10,
    "optimizer": "adam"
}

# Access a value
print(model_config["learning_rate"])    # 0.001

# Update a value
model_config["epochs"] = 20

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: يتم دائمًا تمثيل تكوين النموذج ووسائط التدريب والنتائج كقواميس. عندما ترى config = {...} في كود الذكاء الاصطناعي، فهذا ما يحدث.

---

4. الحلقات

تتيح لك الحلقات تكرار الإجراء لكل عنصر في المجموعة.

# for loop — iterate over a list
fruits = ["apple", "banana", "cherry"]
for fruit in fruits:
    print(fruit)

# range — loop a specific number of times
for i in range(5):
    print(i)    # prints 0, 1, 2, 3, 4

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: تتكرر حلقات التدريب على البيانات في فترات متعددة. تقوم حلقات المعالجة المسبقة للبيانات بتنظيف كل صف في مجموعة البيانات. سترى for epoch in range(epochs): في كل نص تدريبي تقريبًا.

---

5. الوظائف

الوظائف عبارة عن كتل من التعليمات البرمجية قابلة لإعادة الاستخدام. يمكنك تعريفهم مرة واحدة والاتصال بهم عدة مرات.

def calculate_accuracy(correct, total):
    return correct / total

result = calculate_accuracy(85, 100)
print(result)    # 0.85

يمكن أن تحتوي الوظائف على قيم افتراضية للمعلمات:

def train_model(data, epochs=10, learning_rate=0.001):
    print(f"Training for {epochs} epochs at lr={learning_rate}")

train_model(data)                          # uses defaults
train_model(data, epochs=20)               # override one
train_model(data, epochs=20, learning_rate=0.01)   # override both

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: تتكون كل مكتبة تعلم الآلة من وظائف. model.fit()، model.predict()، train_test_split() — هذه كلها استدعاءات دالة. إن فهم كيفية عمل الوظائف (بما في ذلك الوسائط الافتراضية) يفتح قدرتك على قراءة وثائق المكتبة.

---

6. الشروط

accuracy = 0.92

if accuracy > 0.90:
    print("Model is performing well")
elif accuracy > 0.75:
    print("Model is acceptable")
else:
    print("Model needs improvement")

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: يظهر المنطق الشرطي في التحقق من صحة البيانات، ومعايير الإيقاف المبكر، واتخاذ القرار أثناء الاستدلال.

---

7. استيراد المكتبات

قوة بايثون الحقيقية تأتي من مكتباتها. يمكنك استيرادها في الجزء العلوي من الملف الخاص بك.

import numpy as np           # numerical computing
import pandas as pd          # data manipulation
import matplotlib.pyplot as plt   # plotting

يقوم الجزء as np بإنشاء اسم مستعار - اكتب np.array() بدلاً من numpy.array(). هذه هي الاتفاقية القياسية.

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: يبدأ كل سير عمل للذكاء الاصطناعي بالواردات. تظهر الثلاثة المذكورة أعلاه - NumPy وPandas وMatplotlib - في كل دفتر ملاحظات لعلم البيانات تقريبًا.

---

8. أساسيات NumPy

NumPy هو أساس الحوسبة العددية في بايثون. كائنها الأساسي هو المصفوفة.

import numpy as np

# Create arrays
a = np.array([1, 2, 3, 4, 5])
b = np.array([10, 20, 30, 40, 50])

# Operations apply element-wise
print(a + b)         # [11, 22, 33, 44, 55]
print(a * 2)         # [2, 4, 6, 8, 10]
print(np.mean(a))    # 3.0

# 2D arrays (matrices)
matrix = np.array([[1, 2], [3, 4], [5, 6]])
print(matrix.shape)  # (3, 2) — 3 rows, 2 columns

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: أوزان الشبكة العصبية، وبيانات بكسل الصورة، وتضمينات الكلمات — كلها مخزنة كمصفوفات NumPy. عندما ترى X_train.shape == (1000, 28, 28)، فهذه مجموعة NumPy مكونة من 1000 صورة، كل منها 28 × 28 بكسل.

---

9. أساسيات الباندا

Pandas مخصص للعمل مع البيانات الجدولية — جداول البيانات في Python.

import pandas as pd

# Load a CSV file
df = pd.read_csv("data.csv")

# Explore the data
print(df.head())         # first 5 rows
print(df.shape)          # (rows, columns)
print(df.columns)        # column names
print(df.describe())     # statistics

# Select a column
ages = df["age"]

# Filter rows
adults = df[df["age"] >= 18]

# Check for missing values
print(df.isnull().sum())

سبب أهمية ذلك بالنسبة للذكاء الاصطناعي: تأتي مجموعات البيانات الواقعية كملفات CSV. Pandas هي كيفية تحميل البيانات واستكشافها وتنظيفها وإعدادها قبل تدريب النموذج.

---

10. مثال صغير كامل

فيما يلي نص برمجي كامل لـ Python يقوم بتحميل البيانات وتقسيمها وتدريب نموذج بسيط وتقييمه:

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 1. Load data
df = pd.read_csv("customers.csv")

# 2. Separate features and target
X = df[["age", "income", "years_customer"]]
y = df["will_churn"]

# 3. Split into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 4. Train a model
model = LogisticRegression()
model.fit(X_train, y_train)

# 5. Evaluate
predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy:.2%}")

اقرأ هذا سطرًا سطرًا. باستخدام المفاهيم المذكورة أعلاه، يمكنك فهم كل سطر منه. هذا هو الهدف — ليس كتابة تعليمات تعلم الآلة من الصفر، ولكن القدرة على قراءتها وفهمها وتعديلها.

---

ما لا تحتاجه (حتى الآن)

لكي تكون عمليًا مع كود الذكاء الاصطناعي، لا تحتاج إلى أن تتعلم على الفور:

• البرمجة الشيئية (الفئات، الميراث)
• أدوات الديكور وميزات بايثون المتقدمة
• رمز التزامن وغير المتزامن
• كتابة حزم ووحدات بايثون

تصبح هذه الأشياء ذات قيمة كلما تعمقت أكثر، ولكنها ليست متطلبات أساسية للعمل باستخدام أدوات الذكاء الاصطناعي والبرامج التعليمية.

---

مكان الممارسة

• Google Colab — دفاتر ملاحظات مجانية مع إمكانية الوصول إلى وحدة معالجة الرسومات
• Kaggle Learn — دورات تدريبية صغيرة مجانية للغة Python وML
• مسار تمرين بايثون — تمارين عملية مع التوجيه

أفضل طريقة للتعلم هي تشغيل التعليمات البرمجية وكسرها وإصلاحها والتجربة. اختر مجموعة بيانات Kaggle حول موضوع تجده مثيرًا للاهتمام وابدأ في استكشافه باستخدام Pandas.

---

لا تتعلق طلاقة بايثون في الذكاء الاصطناعي بحفظ بناء الجملة. يتعلق الأمر بالتعرف على الأنماط - معرفة شكل الحلقة، وما يفعله استدعاء الوظيفة، وما يجلبه الاستيراد. باستخدام المفاهيم الواردة في هذا الدليل، لديك الأساس لقراءة دروس الذكاء الاصطناعي، ومتابعة أمثلة التعليمات البرمجية، والبدء في تجربة نفسك.

هل تريد مسارًا منظمًا عبر أساسيات الذكاء الاصطناعي؟ AI Educademy يقدم دورات مجانية تأخذك من أساسيات الذكاء الاصطناعي إلى بناء النماذج الخاصة بك وتدريبها - دون الحاجة إلى خبرة سابقة.