كيف تتعلم الذكاء الاصطناعي من الصفر؟ خريطة طريق كاملة للمبتدئين

يسمع المبتدئ عن ChatGPT وتعلم الآلة والوكلاء الأذكياء وتوليد الصور، ثم يواجه السؤال الأصعب: ما الذي يجب أن أتعلمه أولًا؟ هل أبدأ ببرمجة Python؟ أم أتعلم هندسة الأوامر؟ وهل أحتاج إلى الرياضيات قبل استخدام أدوات الذكاء الاصطناعي في عملي؟

الإجابة هي أن تعلم الذكاء الاصطناعي من الصفر لا يبدأ من دورة واحدة تناسب الجميع، بل من تحديد الهدف الذي تريد تحقيقه. فصانع المحتوى الذي يريد تحسين البحث والكتابة لا يحتاج إلى البداية نفسها التي يحتاج إليها طالب يريد أن يصبح مهندس تعلم آلة، كما أن صاحب العمل الذي يريد أتمتة المهام لا يحتاج بالضرورة إلى دراسة الشبكات العصبية.

في هذا الدليل ستتعرف إلى الفرق بين استخدام أدوات الذكاء الاصطناعي وتطوير أنظمته، والمسارات المتاحة للمبتدئين، والمهارات التي يحتاج إليها كل مسار، ثم تحصل على خطة مرنة لمدة ثلاثة أو ستة أشهر، ومشروع عملي يمكنك إضافته لاحقًا إلى ملف أعمالك.

الإجابة المختصرة

لتتعلم الذكاء الاصطناعي من الصفر، ابدأ بفهم المفاهيم الأساسية وطريقة استخدام النماذج بمسؤولية، ثم اختر مسارًا واحدًا يرتبط بهدفك: استخدام الأدوات، صناعة المحتوى، تحليل البيانات، أتمتة الأعمال، تطوير تطبيقات الذكاء الاصطناعي أو تعلم الآلة.

لا تبدأ بجمع عشرات الدورات. اختر مصدرًا تأسيسيًا واحدًا، وطبّق ما تتعلمه في مشروع صغير كل أسبوعين أو أربعة أسابيع. تحتاج إلى Python والرياضيات إذا كان هدفك بناء النماذج أو العمل في تعلم الآلة وتحليل البيانات المتقدم، لكنك تستطيع استخدام الذكاء الاصطناعي في الدراسة والتسويق والتصميم وإدارة الأعمال من دون خلفية برمجية عميقة.

ماذا يعني تعلم الذكاء الاصطناعي؟

الذكاء الاصطناعي (Artificial Intelligence) مفهوم واسع يشمل الأنظمة التي تستقبل مدخلات وتستنتج منها كيفية إنتاج مخرجات مثل التوقعات أو المحتوى أو التوصيات أو القرارات. ويتفق هذا المعنى مع التعريف المحدث لمنظمة التعاون الاقتصادي والتنمية، الذي يركز على قدرة النظام القائم على الآلة على الاستدلال من المدخلات لإنتاج مخرجات تؤثر في بيئات مادية أو افتراضية.

لكن عبارة «تعلم الذكاء الاصطناعي» يمكن أن تعني مستويين مختلفين:

استخدام أدوات الذكاء الاصطناعي

يشمل ذلك استخدام المساعدات النصية وأدوات توليد الصور والفيديو وتحليل الملفات وأتمتة المهام. يتعلم المستخدم هنا كيفية:

• تحديد المشكلة بوضوح.
• كتابة تعليمات فعالة.
• اختيار الأداة المناسبة.
• مراجعة المخرجات والتحقق منها.
• دمج الأداة في سير العمل.

هذا المستوى مناسب للطلاب والموظفين وصناع المحتوى والمستقلين وأصحاب الأعمال، ويمكن البدء به من دون برمجة.

تطوير أنظمة وتطبيقات الذكاء الاصطناعي

يتضمن التعامل مع البيانات وكتابة الأكواد واستخدام واجهات البرمجة والمكتبات والنماذج، وقد يصل إلى تدريب نماذج تعلم الآلة أو ضبط نماذج موجودة أو نشرها داخل تطبيقات.

هذا المستوى يحتاج عادةً إلى Python، ومبادئ البيانات والإحصاء، وفهم كيفية تدريب النماذج وتقييمها، إضافة إلى مهارات هندسة البرمجيات عند بناء منتجات حقيقية.

ما الفرق بين الذكاء الاصطناعي وتعلم الآلة والذكاء الاصطناعي التوليدي؟

تعرّف Google تعلم الآلة بصورة مبسطة بأنه تدريب برنامج يسمى «النموذج» على البيانات لإنتاج توقعات مفيدة أو محتوى، بينما توضح موادها الخاصة بالنماذج اللغوية أن هذه النماذج تعتمد على مفاهيم مثل الرموز والسياق والانتباه الذاتي.

المهم للمبتدئ هو عدم التعامل مع هذه المصطلحات بوصفها أسماء متبادلة. قد تستخدم أداة ذكاء اصطناعي توليدي يوميًا من دون أن تعرف كيفية تدريب نموذج تعلم آلة، وقد تدرس تعلم الآلة لبناء نظام توقع لا يولد أي نصوص أو صور.

هل تحتاج إلى البرمجة أو الرياضيات لتعلم الذكاء الاصطناعي؟

يعتمد ذلك على النتيجة التي تريد الوصول إليها.

لا تحتاج إلى البرمجة في البداية إذا كان هدفك:

• استخدام المساعدات الذكية في الدراسة والعمل.
• كتابة المحتوى والبحث والتلخيص.
• تصميم الصور والإعلانات.
• إنشاء الفيديوهات.
• تحليل ملفات بسيطة بمساعدة أداة جاهزة.
• تحسين العمليات الإدارية.
• اكتشاف فرص استخدام الذكاء الاصطناعي داخل شركة.

توجد بالفعل مسارات تعليمية رسمية موجهة إلى قادة الأعمال والمستخدمين غير التقنيين ولا تفترض كتابة الأكواد، في مقابل مسارات تطوير التطبيقات والوكلاء التي تشترط فهمًا أساسيًا للحوسبة وPython.

أما Python والرياضيات فتزداد أهميتهما إذا كنت تريد:

• العمل في تحليل البيانات أو علم البيانات.
• تدريب نماذج تعلم الآلة.
• تطوير تطبيقات تعتمد على النماذج وواجهات API.
• دراسة الرؤية الحاسوبية أو معالجة اللغة الطبيعية.
• تقييم النماذج وتحسينها.
• العمل مهندس تعلم آلة أو باحثًا.

في البداية التقنية، يكفي أن تتعلم المتغيرات والقوائم والدوال والشروط والحلقات وقراءة الملفات. يمكنك تأجيل التفاضل والجبر الخطي المتقدم إلى أن تبدأ دراسة كيفية تدريب النماذج، لكنك ستحتاج تدريجيًا إلى فهم المتوسط والتباين والاحتمالات والمصفوفات والمشتقات.

اختر مسار تعلم الذكاء الاصطناعي حسب هدفك

أكبر خطأ يمكن أن ترتكبه هو دراسة كل شيء في الوقت نفسه. اختر مسارًا رئيسيًا واحدًا لمدة ثلاثة أشهر على الأقل، واجعل المسارات الأخرى معرفة مساندة.

إذا كنت تعمل في التسويق، فقد يكون ترتيبك المناسب هو: استخدام الأدوات، ثم هندسة الأوامر، ثم المحتوى، ثم الأتمتة. أما إذا كنت تريد العمل في تعلم الآلة، فابدأ بـPython والبيانات والإحصاء، ثم الخوارزميات وتقييم النماذج، قبل الانتقال إلى التعلم العميق.

المهارات الأساسية المشتركة بين جميع المسارات

1. فهم قدرات النموذج وحدوده

تعلم ما الذي تستطيع الأداة فعله، وما الذي لا ينبغي الاعتماد عليها فيه. النموذج قد ينتج إجابة تبدو مقنعة لكنها غير دقيقة، لذلك لا تجعل جودة الصياغة بديلًا عن صحة المعلومة.

2. صياغة المشكلة قبل كتابة الأمر

قبل أن تسأل الأداة، حدد:

• ما النتيجة المطلوبة؟
• ما المعلومات المتاحة؟
• ما القيود التي يجب احترامها؟
• كيف ستقيّم جودة الناتج؟

مثال: بدل طلب «اكتب خطة تسويقية»، حدد نوع المنتج والجمهور والسوق والقنوات والميزانية والمدة والمعلومات التي يجب عدم افتراضها.

3. التحقق من المعلومات والمصادر

قارن المعلومات المهمة بالمصادر الرسمية. وعند استخدام الذكاء الاصطناعي في البحث، افتح المصدر نفسه ولا تعتمد على ملخص النموذج وحده.

4. الثقافة الأساسية للبيانات

حتى في المسارات غير البرمجية، يجب أن تعرف الفرق بين البيانات المنظمة وغير المنظمة، وكيف يمكن أن تؤثر البيانات الناقصة أو المنحازة في النتيجة.

5. الخصوصية وأمن المعلومات

تجنب رفع بيانات العملاء أو الموظفين أو العقود أو المعلومات المالية أو الصحية إلى أي خدمة قبل معرفة سياسة استخدامها والحصول على الصلاحيات اللازمة. توصي مواد OpenAI Academy الموجهة إلى الشركات الصغيرة، على سبيل المثال، بإزالة المعلومات الشخصية والحساسة المتعلقة بالعملاء والموظفين والشؤون المالية والقانونية من ملفات التدريب العملية. كما يضع إطار NIST الخصوصية والأمان والموثوقية ضمن الخصائص الأساسية لإدارة مخاطر أنظمة الذكاء الاصطناعي.

خريطة طريق لتعلم الذكاء الاصطناعي من الصفر

المرحلة الأولى: حدد هدفًا قابلًا للقياس

لا تجعل هدفك «أريد تعلم AI». اختر نتيجة أوضح، مثل:

• أريد استخدام الذكاء الاصطناعي لتقليل وقت إعداد التقارير.
• أريد بناء ثلاثة مشروعات تحليل بيانات.
• أريد تطوير تطبيق يجيب عن الأسئلة اعتمادًا على مستندات.
• أريد إنتاج محتوى أفضل مع التحقق من المصادر.
• أريد فهم أساسيات تعلم الآلة قبل اختيار تخصص جامعي.

معيار الانتقال: تستطيع وصف الوظيفة أو المشكلة التي تريد حلها، وتعرف لماذا تحتاج إلى الذكاء الاصطناعي فيها.

المرحلة الثانية: تعلم المفاهيم والاستخدام المسؤول

تعلم الفرق بين AI وMachine Learning وGenerative AI والنماذج اللغوية، ثم طبّق تمارين على كتابة التعليمات ومراجعة المخرجات والتحقق من المصادر.

تقدم OpenAI Academy مسار AI Foundations للمبتدئين، ويغطي أساسيات الذكاء الاصطناعي والنماذج اللغوية وChatGPT وإضافة السياق ومراجعة النتائج والاستخدام المسؤول. كما يقدم Microsoft Learn وحدات تأسيسية للمبتدئين حول أنواع حلول AI ومبادئ الاستخدام المسؤول.

المشروع: مقارنة نتائج ثلاثة أوامر مختلفة للمهمة نفسها، ثم كتابة تقرير يشرح أيها كان أفضل ولماذا.

معيار الانتقال: تستطيع تحسين أمر ضعيف، واكتشاف ادعاء يحتاج إلى تحقق، وتحديد البيانات التي لا يجوز مشاركتها.

المرحلة الثالثة: تعلم أدوات مسارك

للمسار غير التقني

ركز على البحث، والتلخيص، وتحليل الملفات، وهندسة الأوامر، وتصميم سير العمل، ومراجعة النتائج البشرية.

للمسار التقني

ابدأ بـPython، ثم تعلم التعامل مع الجداول والملفات وتنظيف البيانات وعرضها. يقدم دليل Python الرسمي مقدمة إلى مفاهيم اللغة وخصائصها، لكنه يشير إلى أن امتلاك فهم أولي للبرمجة يساعد على متابعة الشرح؛ لذلك قد يحتاج المبتدئ الكامل إلى دورة تطبيقية مبسطة بالتوازي مع التوثيق.

يمكنك استخدام بيئة مستضافة مثل Google Colab لتشغيل دفاتر Jupyter من دون إعداد محلي معقد. توضح صفحة Colab الرسمية أنه مناسب لتعلم الآلة وعلوم البيانات والتعليم، لكن موارد الحوسبة وحدود الاستخدام قد تتغير، لذلك يجب مراجعة الشروط الحالية عند تنفيذ مشروعات كبيرة.

المشروع: قراءة ملف CSV، وتنظيف القيم الناقصة، واستخراج ثلاثة استنتاجات مفيدة.

معيار الانتقال: تستطيع شرح كل خطوة نفذتها، وتعديل المشروع ببيانات جديدة من دون نسخ الحل كاملًا.

المرحلة الرابعة: التخصص وبناء المشروعات

إذا اخترت تعلم الآلة، ابدأ بالانحدار والتصنيف وتقسيم البيانات إلى تدريب واختبار، ثم تعلم مقاييس مثل الدقة والاستدعاء والإحكام. توفر Google دورة Machine Learning Crash Course بتمارين وعروض تفاعلية وتطبيقات عملية، بينما تقدم scikit-learn أدوات للنمذجة والتنبؤ والتحقق المتقاطع.

بعد إتقان الأساسيات، يمكنك الانتقال إلى PyTorch. يبدأ المسار الرسمي للمبتدئين بسير عمل كامل يتضمن تحميل البيانات وبناء النموذج وتحسين معاييره وحفظه. أما دورة Hugging Face الخاصة بالنماذج اللغوية فتغطي معالجة اللغة الطبيعية ومكتبات Transformers وDatasets وTokenizers، ولذلك يفضل دراستها بعد فهم Python وأساسيات تعلم الآلة.

معيار الانتقال: تستطيع بناء مشروع من بيانات إلى نتيجة، وتفسير طريقة التقييم، وشرح الأخطاء بدل الاكتفاء بعرض رقم الدقة.

خطة تعلم لمدة 3 أشهر أو 6 أشهر

المدد التالية تقديرية وليست قاعدة ثابتة. قد تتقدم أسرع إذا كانت لديك خبرة في البرمجة أو التسويق أو البيانات، وقد تحتاج إلى وقت أطول إذا كنت تبدأ من الصفر تمامًا.

يمكن تطبيق الخطة في خمس إلى سبع ساعات أسبوعيًا، لكن الاستمرارية أهم من عدد الساعات. اجعل نحو نصف وقتك للتطبيق، ولا تستخدم مشاهدة الدروس بوصفها المقياس الوحيد للتقدم.

كيف تختار المصادر التعليمية؟

يوتيوب

مفيد لتكوين تصور سريع ومشاهدة التطبيق، لكنه قد يدفعك إلى التنقل بين عشرات القنوات. اختر سلسلة واحدة مكتملة، وتأكد من تاريخ النشر ومن أن الأدوات المستخدمة ما تزال مدعومة.

أهم القنوات العربية والأجنبية لتعلم الذكاء الاصطناعي في 2027

الدورات المنظمة

مناسبة لبناء تسلسل واضح، خصوصًا عند تعلم Python والبيانات وتعلم الآلة. لا تجعل الشهادة هدفك الوحيد؛ المشروع الذي تستطيع شرحه أهم من إكمال دورة من دون تطبيق.

التوثيق الرسمي

استخدمه للتحقق من أسماء الخصائص وطريقة الاستعمال الحالية. ابدأ بالشرح المخصص للمبتدئين، ولا تحاول قراءة المرجع التقني كاملًا من الصفحة الأولى.

المشروعات العملية

المشروع هو المكان الذي تظهر فيه الفجوات الحقيقية. عندما تتوقف أمام مشكلة في البيانات أو التقييم أو تصميم الأمر، ستعرف بالضبط ما الذي يجب أن تتعلمه لاحقًا.

مشروع عملي للمبتدئين: محلل ملاحظات العملاء

الهدف

إنشاء نظام بسيط يصنف مجموعة من ملاحظات العملاء إلى موضوعات مثل السعر والجودة والتوصيل وخدمة العملاء، ثم يستخرج المشكلات المتكررة والإجراءات المقترحة.

الأدوات المطلوبة

• جدول بيانات.
• أداة ذكاء اصطناعي نصية.
• من 40 إلى 100 تعليق عام أو مصطنع.
• Google Colab وPython وscikit-learn للنسخة التقنية الاختيارية.

خطوات التنفيذ

1. أنشئ مجموعة بيانات خالية من الأسماء وأرقام الهواتف والمعلومات الحساسة.
2. حدد أربع أو خمس فئات واضحة، واكتب تعريفًا لكل فئة.
3. صنف عشرة تعليقات يدويًا لاستخدامها أمثلة مرجعية.
4. اطلب من الأداة تصنيف بقية التعليقات وذكر سبب مختصر لكل تصنيف.
5. راجع النتائج يدويًا، وسجل الحالات التي اختلفت فيها مع الأداة.
6. احسب نسبة الاتفاق بين تصنيفك وتصنيف الأداة.
7. أنشئ جدولًا يوضح أكثر الموضوعات تكرارًا وثلاثة إجراءات عملية.
8. في النسخة التقنية، استخدم البيانات المصنفة لتجربة نموذج نصي بسيط، ثم قارن نتائجه بنتائج الأداة التوليدية.

لا تعتمد على الدقة وحدها إذا كانت بعض الفئات قليلة التكرار؛ تشرح مواد Google الرسمية أن مقاييس مثل الإحكام والاستدعاء وF1 قد تكون أكثر فائدة من الدقة في مجموعات البيانات غير المتوازنة.

النتيجة المتوقعة

ستحصل على تقرير يوضح الموضوعات المتكررة، وأمثلة على الأخطاء، وطريقة تحسين التصنيف، بدل الاكتفاء بعرض مخرجات الأداة.

المهارات التي ستتعلمها

• إعداد البيانات.
• تعريف الفئات.
• كتابة التعليمات.
• مراجعة المخرجات.
• التقييم والمقارنة.
• حماية المعلومات.
• توثيق المشروع.

تطوير المشروع لاحقًا

يمكنك إضافة واجهة بسيطة، أو دعم اللغة العربية والإنجليزية، أو تحليل المشاعر، أو إنشاء لوحة بيانات، أو ربط النظام بنموذج يستقبل التعليقات الجديدة بعد مراجعة شروط الخصوصية.

ما الذي تضيفه إلى ملف الأعمال؟

أضف وصف المشكلة، ومصدر البيانات، وخطوات المعالجة، ومعايير التقييم، وأمثلة على الأخطاء، والنتائج التي توصلت إليها. لا تعرض بيانات خاصة أو تدّع أن المشروع استُخدم لدى شركة حقيقية إن كان مجرد نموذج تجريبي.

أخطاء شائعة تعطل تقدم المبتدئ

التنقل بين الأدوات باستمرار

الأدوات تتغير، لكن مهارات تحديد المشكلة وكتابة التعليمات والتقييم والعمل مع البيانات تبقى أكثر استقرارًا. تعلم أداة واحدة جيدًا قبل الانتقال إلى خمس أدوات أخرى.

مشاهدة الدروس من دون تطبيق

قد تفهم الشرح أثناء المشاهدة ثم تعجز عن تكراره. بعد كل وحدة، أغلق الفيديو ونفذ تمرينًا جديدًا ببيانات أو موضوع مختلف.

البدء بالتعلم العميق قبل الأساسيات

لا تحتاج إلى بناء شبكة عصبية في الأسبوع الأول. تعلم أولًا كيف تُجمع البيانات وتُنظف، وما الفرق بين التدريب والاختبار، وكيف تقيس الخطأ.

نسخ الأكواد من دون فهم

استخدم الذكاء الاصطناعي لشرح الكود واقتراح إصلاحات، لكن اطلب تفسير كل خطوة، وعدّل المشروع بنفسك. قدرتك على اكتشاف الخطأ أهم من تشغيل دفتر جاهز مرة واحدة.

الثقة بالمخرجات من دون تحقق

النموذج ليس قاعدة بيانات مضمونة. تحقق من الأسماء والتواريخ والمراجع والأرقام، خصوصًا في المجالات الطبية والقانونية والمالية.

مشاركة بيانات حساسة

استخدم بيانات عامة أو مصطنعة في التدريب. وعند العمل داخل مؤسسة، التزم بسياسات الشركة والعقود وقواعد حماية البيانات المعمول بها.

حدود الذكاء الاصطناعي والمخاطر التي يجب فهمها

قد تنتج الأنظمة التوليدية معلومات غير صحيحة، أو تعكس تحيزات موجودة في البيانات، أو تفشل أمام حالات لم تُختبر عليها. كما قد تظهر مخاطر تتعلق بالخصوصية والملكية الفكرية والأمان والاعتماد المفرط على المخرجات. يعالج ملف NIST الخاص بالذكاء الاصطناعي التوليدي هذه المخاطر ضمن دورة حياة النظام، ويؤكد أن طريقة إدارتها تختلف باختلاف الاستخدام والجهة والبيانات ومستوى الضرر المحتمل.

لذلك تعلّم أن تسأل دائمًا:

• ما مصدر هذه النتيجة؟
• كيف يمكن اختبارها؟
• ماذا يحدث إذا كانت خاطئة؟
• هل تتضمن البيانات معلومات لا أملك حق استخدامها؟
• هل يحتاج القرار إلى مراجعة بشرية متخصصة؟

أسئلة شائعة عن تعلم الذكاء الاصطناعي

كم يستغرق تعلم الذكاء الاصطناعي من الصفر؟

يمكن اكتساب أساس عملي في استخدام الأدوات خلال بضعة أشهر من التطبيق المنتظم. أما الوصول إلى مستوى تقني يسمح ببناء نماذج وتطبيقات جيدة فيحتاج عادةً إلى مدة أطول ومشروعات متعددة. لا يوجد وقت ثابت، لأن النتيجة تعتمد على هدفك وخبرتك وعدد ساعات التطبيق.

هل يمكن تعلم الذكاء الاصطناعي من الهاتف؟

يمكنك مشاهدة الدروس وتجربة المساعدات النصية من الهاتف، لكن الحاسوب أكثر ملاءمة للبرمجة والعمل على البيانات ودفاتر Jupyter وتنظيم المشروعات.

ما أفضل لغة برمجة للذكاء الاصطناعي؟

Python هي البداية الأكثر عملية لمعظم المبتدئين في تحليل البيانات وتعلم الآلة، بسبب توفر التوثيق والمكتبات والمواد التعليمية. لكن تعلم اللغة ليس هدفًا منفصلًا؛ استخدمها مبكرًا في مشروع بيانات صغير.

هل أحتاج إلى حاسوب قوي؟

لا تحتاج إليه في البداية. يمكن تنفيذ مشروعات Python وscikit-learn الأساسية على حاسوب عادي، كما تسمح البيئات المستضافة بتشغيل دفاتر العمل من المتصفح. قد تحتاج إلى موارد أكبر عند تدريب شبكات عميقة أو التعامل مع بيانات ضخمة.

هل تكفي ثلاثة أشهر للحصول على وظيفة؟

لا توجد مدة تضمن وظيفة. خلال ثلاثة أشهر يمكنك بناء أساس ومشروع أو مشروعين، لكن فرص العمل تعتمد على جودة ملف الأعمال، وخبرتك في مجال محدد، وقدرتك على حل المشكلات وشرح قراراتك التقنية.

ملخص خريطة التعلم

• حدد هدفًا مهنيًا أو مشكلة واضحة.
• افهم الفرق بين AI وMachine Learning وGenerative AI.
• تعلم الاستخدام المسؤول والتحقق من النتائج.
• اختر مسارًا واحدًا يناسب هدفك.
• تعلم Python والرياضيات فقط بالمستوى الذي يحتاج إليه مسارك.
• نفذ مشروعًا صغيرًا في كل مرحلة.
• قيّم النتائج ولا تكتفِ بتشغيل الأداة.
• وثق مشروعاتك وأخطاءك وما تعلمته.
• راجع التوثيق الرسمي لأن الأدوات والخصائص تتغير.

لا توجد دورة واحدة تمثل الطريق الصحيح لكل من يريد تعلم الذكاء الاصطناعي من الصفر. البداية المناسبة هي أن تحدد ما تريد فعله بهذه التقنية، ثم تختار المهارات التي تخدم هذا الهدف مباشرة.

يمكن لصانع المحتوى أن يبدأ بهندسة الأوامر والتحقق من المصادر، بينما يبدأ محلل البيانات بـPython وتنظيف البيانات، ويحتاج مطور تطبيقات AI إلى البرمجة وواجهات API والتقييم. المهم ألا تتنقل بين المسارات قبل تنفيذ مشروع حقيقي.

خطوتك العملية اليوم هي كتابة هدف واحد تريد تحقيقه خلال الأشهر الثلاثة المقبلة، ثم اختيار مصدر تأسيسي واحد ومشروع صغير يقيس تقدمك. عندما تستطيع تنفيذ المشروع وشرح قراراتك وأخطائك، انتقل إلى المرحلة التالية بدل البحث عن دورة جديدة.

المصادر والمراجع:

• منظمة التعاون الاقتصادي والتنمية OECD: OECD AI Principles وExplanatory Memorandum on the Updated OECD Definition of an AI System.
• Google for Developers: Introduction to Machine Learning، Machine Learning Crash Course، Introduction to Large Language Models، وClassification Metrics.
• Python Software Foundation: The Python Tutorial.
• Google Colaboratory: Google Colab FAQ.
• scikit-learn: Getting Started.
• PyTorch: Learn the Basics.
• Hugging Face: LLM Course.
• Microsoft Learn: Introduction to AI Concepts وAI Learning Hub.
• OpenAI Academy: AI Foundations وSmall Business Resource Hub.
• المعهد الوطني للمعايير والتقنية NIST: AI Risk Management Framework وGenerative Artificial Intelligence Profile.