دليل اختيار fast.ai: بعد المثال الكامل، هل تفسر لماذا يغير مدخل واحد النتيجة؟
استخدم بطاقتي تدريب ورقيتين لتحدد هل تحتاج إلى ممارسة مثال كامل أم إلى فهم سبب تغير التنبؤ، ثم اختر دورة fast.ai العملية أو راجع الأساسيات أولًا.
إذا كنت تقرأ قليلًا من Python وتريد استيعاب مشروع تعلم عميق كامل بسرعة، فانظر في دورة Practical Deep Learning for Coders من fast.ai. يبدأ الدرس الأول بمثال كامل ودفتر تفاعلي. ويفكك الدرس الخامس الانحدار البسيط وشبكة عصبية وحلقة تدريبها، ويتناول مقاييس التقييم. الأول يعرّفك بالطريق من المدخل إلى نتيجة قابلة للاستخدام، والثاني يعود إلى كيفية حسابها.
بطاقة أخرى بعد «أكملت المثال»
يفترض تمرين صفي خيالي قاعدة حساب صريحة على الورق: الدائرة المملوءة بنقطتين، والفارغة بصفر، والتصنيف «إدراج» عند 4 نقاط فأكثر. في البطاقة الأولى دائرتان مملوءتان وواحدة فارغة، أي 4 نقاط. وفي الثانية تستبدل إحدى المملوءتين بفارغة. اطلب الدرجة والتصنيف الجديدين ثم جملة تشرح السبب. الشرح الصحيح «هناك دائرة مملوءة أقل، فانتقل المجموع من 4 إلى 2 ولم يبلغ الحد»، لا «لأن الشكل تغير». هذا ليس اختبارًا لشبكة عصبية ولا مثالًا من دورة fast.ai؛ إنه تمرين للتحقق من القدرة على تفسير نتيجة بالاستناد إلى المدخل والقاعدة.
إذا كنت لا تميز حتى على الورق بين المدخلات والمخرجات وشرط القرار، ابدأ بمثال صغير ومتكامل لفهم ترتيبها، ثم اقرأ الصيغ. هنا تفيد بنية الدورة التي تبدأ بالصورة الكاملة. وإذا فهمت المثال كاملًا لكن لا تعرف أين أثر التغيير في النتيجة، خصص وقتًا للمادة التي تشرح الآلية من البداية بدل جمع دفاتر قابلة للتشغيل. تتطلب هذه الدورة ممارسة التمارين بنفسك؛ مشاهدة العرض وحدها لا تكفي عادة لاكتساب المهارة الأولى. وإذا كنت تحتاج الآن إلى مفهوم واحد في الاحتمالات أو الجبر الخطي، فابدأ بمرجع يركز عليه بدل اتباع الدورة العملية كلها بالترتيب.
ملاحظة حول المحتوى:يستند هذا المقال إلى معلومات متاحة للعموم ويُعد مرجعًا للمساعدة في اختيار الأدوات. قد تتغير الميزات والأسعار والسياسات ذات الصلة في أي وقت، لذا يُرجى الرجوع إلى أحدث المعلومات الرسمية.
المصدر الأصلي:course.fast.ai