Author name: احمد الجعيد

Data Science

شبكات CNN القائمة على المنطقة R-CNN

الشبكات العصبية الإلتفافية CNN المبنية على المنطقة Region, والمعروفة بإسم R-CNN, قام Girshick وفريقة بتطوير ونشر ورقة علمية عن R-CNN عام 2014 من جامعة Berkeley. الورقة العلمية قدمت مفهوم جديد للـObject Detection مع اداء ودقة عالية وايضا قامت بحل مشكلات اكتشاف الكائنات Object Detection في الصورة من خلال انشاء المربعات المحيطة بالكائنات bounding boxes. كان […]

Data Science LLM

اعد ضبط Mistral 7B وانشئ نموذجك اللغوي الخاص – الجزء 2

عملية ضبط نماذج اللغات الضخمة LLM عملية مباشرة الى حد ما, نحتاج فقط في بعض النماذج الى اتباع طريقة التعليمات التي سنقوم بتغذية النموذج بها عند اعادة الضبط, هناك طريقتين لإعادة ضبط نماذج اللغات الضخمة LLM يوجد ايضًا تقنيات أخرى لعمليات ضبط النموذج. لكن هنا سيكون تركيزنا على الطريقة الأولى وسيكون التنفيذ سهل وواضح ولكن

Data Science LLM

اعد ضبط Mistral 7B وانشئ نموذجك اللغوي الخاص – الجزء 1

النماذج اللغوية الكبيرة (LLMs) تنتشر بسرعة داخل صناعة الذكاء الاصطناعي الإبداعي، آخذه كثيرًا من الإهتمام. لا تظهر الشركات اهتماماً فقط بل تنخرط لاستكشاف طرق دمج تكنولوجيا النماذج اللغوية الكبيرة LLMs في عملياتها. تم إجراء استثمارات مالية كبيرة في الآونة الأخيرة في أبحاث وتطوير النماذج اللغوية LLMs. هناك شغف بين قادة الصناعة وعشاق التكنولوجيا لتعزيز فهمهم

Data Science LLM

إعادة ضبط LLM باستخدام LoRA (Low-Rank Adaptation)

اليوم بإذن الله سنراجع أهم الأوراق العلمية التي ظهرت غيرت في مفهوم Fine-Tuning نماذج اللغات الضخمة, سأكتب أولاً عن LoRA وبعد ذلك سأقوم بكتابة عن ماذا حدث بعد LoRA. ليش LoRA؟ عندما نتطلع إلى إعادة ضبط نموذج في مجال الذكاء الاصطناعي، نجد أمامنا تحدٍ كبير ومعروف يتمثل في كمية الموارد المطلوبة لتحديث هذا النموذج. على

Data Science

نماذج الآلة والإستدامة

كعالم بيانات، من واجبنا الدائم تحسين أداء نماذج الآلة التي طورناها. ربما قد لاحظت، أن النموذج الذي قمت بتدريبه ونشره والذي كان يظهر أداءً ممتازًا في البداية، ومع مرور الوقت بدأ اداء النموذج بالانخفاض. هذا التدهور في أداء النموذج ليس مجرد نتيجة لأخطاء في التحليل أو البرمجة، بل يرتبط بظاهرة معروفة بـ ‘Drift’ أو التحول.

close up photo of dart pins on dartboard
Data Data Science Machine Learning

الدقة (Accuracy) ليست كل شيء!

خلال عملك او تعلمك لبناء نماذج تعلم الاله مررت بمقاييس مختلفة لقياس أداء نماذج تعلم الالة, وربما كان التركيز على Accuracy, بحكم انه من المقاييس الرئيسية تقريبًا في جميع القياسات والاثباتات. لكن ماذا لو اردت تحسين هذا النموذج؟ او اردت اختبار سرعته وجاهزيته؟ ماذا لو كان غير قادر مستقبلا على التكيف مع تنوع واختلاف البيانات.

white framed glass window
Data Data Science

تأثير البيانات المفقودة على دقة الاستنتاج: أساليب تعويض البيانات المفقودة (2)

في عالم اصبح مليئ بالبيانات, لا تزال القيم المفقودة احد اكثر الاشياء قدرة على جعل اكثر التحليلات المحكمة تظهر في حالة من الفوضى. كعالم بيانات او باحث ستواجه الكثير من مجموعات البيانات التي تغيب فيها العديد من السجلات المهمة, تاركه فراغ في فهمنا للبيانات وايضًا ربما تعرض دقة استنتاجنا للخطر. حتى لاتطيل ونعيد ماتكلمنا عنه

white framed glass window
Data Data Science

تأثير البيانات المفقودة على دقة الاستنتاج : حل لغز البيانات المفقودة

في سياق تحليل واحصاء البيانات , البيانات المفقودة تشير الى غياب البيانات من متغير او اكثير في مجموعة البيانات. عند جمع وتسجيل البيانات, ليس من الغريب ان يكون هناك بعض الفقد في الحقول او السمات سواء كان ذلك الفقد حدث بالصدفة او بشكل متعمد. من الضروري كعالم بيانات او محلل لها ان تعرف ماهي القيم

Firebase Flutter Swift اخرى

إجعل IOS أسرع مع Precompiled Firestore iOS SDK

اذا كنت تقوم بتشغيل تطبيقات Flutter او أي تطبيق يحتوي على خدمات Firebase فمن “الطبيعي” أنك لاحظت ان عملية التشغيل تأخذ وقت كبير جدًا، ربما أنك تنسى أنك قمت بعمل تشغيل للتطبيق. ماسبب هذه المشكلة؟ كيف نقوم بحلها! ونوفر الوقت لما هو أهم من انتظار التطبيق حتى يقوم بالتغشيل. 🤔 السبب! في الحقيقة Firebase IOS

Flutter

قواعد بيانات Isar في تطبيقات Flutter

في الآونه الأخيرة تم نشر الكثير من الحُزم للتعامل مع البيانات في تطبيقات Flutter من حفظ البيانات وإسترجاعها، ولعل أشهر قواعد البيانات sqflite و Hive. مع اختلافهم في طريقة حفظ واسترجاع البيانات ولكن حققوا نجاح كبير جدًا من خلال الآداء في القراءة والكتابة او أدائها في فعالية وسرعة التطبيق. لكن مطوري Hive قدموا حُزمة أُخرى واعده ايضًا وهي Isar.

Scroll to Top