رؤية شخصية لباحثة، متعلمة ومعلمة في المجال
خلال السنوات التي مضت تضخم مجال الذكاء الاصطناعي وتعلم الآلة بشكل هائل بالتزامن مع تطور البرمجيات المساندة التي دعمت تطوير المجال من نواحٍ ثلاث: بحثية، تطبيقية و تجارية. وبالتالي، وكنتيجة طبيعية جداً أصبح الدخول في هذا المجال والتعمق يشكل تحدٍ كبير على المتعلم والخبير على حد سواء.
من غير المستبعد أن ينغمس شخص ما في مجال محدد في علم الآلة وتطبيقاته لسنة، وحين يبتعد عن المشهد لوهلة سيجد نفسه أمام العشرات بل المئات من الأبحاث والبرمجيات التي تطورت في مجالات أخرى تحت نفس المظلة. رغم ذلك أنا لست بصدد الحديث عن جودة هذه الأبحاث وما إذا كانت تشكل ثورات حقيقية أم لا، خاصة مع ظهور بعض التقارير والأبحاث (١، ٢) التي تثير بعض التساؤلات بخصوص مدى واقعية الإسهامات البحثية في المجال مؤخراً.
على أي حال، ما أرغب في الكتابة عنه اليوم هو بعض الإرشادات لمن يرغب بدراسة تعلم الآلة، اعتدت أن أقدمها لطالباتي في مادة مبادئ علم البيانات على مدى ثلاثة فصول مضت، والتي هي خلاصة تجاربي في تدريس ودراسة المجال لمدة تزيد عن ١٠ سنوات (لا أزال أتعلم بالمناسبة!).
تعلم الآلة بحر غزير، "فأوغلوا فيه برفق"
عند تقديمي لجزء تعلم الآلة في مقرر علم البيانات، فإنني لا أبالغ عندما أقول أنني ربما أقضي ما يقارب الساعة في التمهيد لتدريس هذا الجزء، وما يعينه للمتعلم وأين سيذهب به. ونظراً لطبيعة المادة وقصر وقت المحاضرة، عادة ما أجد نفسي مضطرة للإيجاز بقدر ما استطيع. الطريقة التي أنصح طالباتي بها هي مراحل التعلم لهذا المجال وهي ٤ مراحل كما توضح الخارطة أدناه.لكل مرحلة ذكرت الهدف، والمدة المقترحة للانتهاء منها بحيث تقضي سنة تقريباً في دراسة المراحل الثلاث الأساسية لتنطلق بعد ذلك في التعمق بدراسة المجال. سيتضح لك سبب تقسيمها بهذا الشكل عند قراءتك لشرح كل مرحلة.
سنبدأ الآن في التفصيل، مع ملاحظة أني افترض التالي:
١- وجود خبرة برمجية جيدة جداً في بايثون!
٢- أن يكون المتعلم على دراية بمراحل وخطوات علم البيانات المعتادة مثل جمع البيانات، ومعالجتها وتحليلها ونحو ذلك.
هذه المقالة موجهة لمن تمكن من مهارات علم البيانات وهي مناسبة لمن يرغب بدراسة علم الآلة بشكل تدريجي من الصفر.
اتفقنا؟ لنبدأ ..
المرحلة الأولى: فهم الغاية من الخوارزميات
باللغة الانجليزية، عادة ما تسمى مرحلة فهم الـ intuition، بمعنى فهم المعنى البديهي للخوارزمية أو فهم الغاية من الخوارزمية كطريقة مبسطة لفهمها وتصور دورها وأثرها. في هذه المرحلة يمكن لمن يرغب في التعلم أن يبدأ بفهم الغاية من كل خوارزمية من الخوارزميات البسيطة مثل regression و classification و clustering. المهم هنا أن تفهم المدخل input للخوارزمية وشكل المخرجات output والعمليات الأساسية basic processes التي تقوم بها الخوارزمية. من الجدير بالذكر أن تعلم الآلة يختلف بشكل جذري عن البرمجة التقليدية، كما يوضح الرسم في الأسفل. في البرمجة التقليدية لدينا المدخلات التي يتم معالجتها بعمليات خاصة حسب الأوامر في الخورازمية بحيث تكون محصلتها هي المخرجات من البرنامج.
أما بالنسبة لتعلم الآلة فهي تمر بمرحلتين، مرحلة التدريب ومرحلة الاختبار كما يوضح الرسم في الأسفل. في مرحلة التدريب لا نستخدم المدخلات فقط لتدريب نموذج تعلم الآلة بل نقوم باستخدام المخرجات المتوقعة لتتمكن الخوارزمية من التعلم عن طريق التعليم بالمثال. فمثلاً إذا كانت المدخلات مجموعة من التغريدات بالنص بالإضافة إلى تصنيفها إما كتغريدة مسيئة أم لا، يتم تدريب النموذج على مجموعة التغريدات هذه ليتعلم كيف تتم عملية التصنيف. نفس الشئ يحدث إذا رغبت بتدريب نموذج ليقوم بتصنيف مجموعة من صور الحيوانات إلى قطط أو كلاب مثلاً، أعطي الخوارزمية الصور كاملة بالأضافة إلى التصنيف الصحيح لها. كل من المدخلات والمخرجات المتوقعة تمر في مراحل معالجة محددة حسب الخوارزمية المختارة لتنتج لنا نموذج تعلم آلة تم تدريبه ليتم اختباره!
هذه الفكرة بحد ذاتها محورية في رحلة التعلم لأنها مختلفة عن الطرق التقليدية في البرمجة.
في هذه المرحلة يوجد العديد من المصادر المفيدة سأذكر أربع منها:
Data Science for the Layman: No Math Added by Annalyn Ng and Kenneth Soo
كتاب بسيط جداً ومليء بالصور والرسومات، متوفر بشكل نسخة الكترونية، ومناسب جداً للمبتدئ!
Machine Learning For Absolute Beginners: A Plain English Introduction by Oliver Theobald
وهو كسابقه بسيط وموجهه للمبتدئ في المجال، يمتاز عن الكتاب الأول أنه يحتوي على أمثلة أكثر.
Principles of Data Science by Sinan Ozdemir
كتاب عن علم البيانات ويحتوي على شرح وتطبيق لمجموعة من خوارزميات تعلم الآلة مناسبة جداً للمتعلم في هذه المرحلة (يوجد صفحة github خاصة بالأكواد). هذا الكتاب ممكن شراءه كنسخة الكترونية و الخيار الذي اقترحه هو الاشتراك في موقع الناشر Packt Pub الذي يوفر فترة تجربة مجانية يمكنك بعدها الاشتراك شهرياً أو سنوياً بمبلغ ٩.٩٩ دولار بالشهر أو ٩٩.٩٩ دولار لمدة سنة. اشتراكك يمكنك من الاطلاع على أكثر من ٧٥٠٠ كتاب الكتروني وفيديو تعليمي في كل المواضيع. عموماً، أنا أشجع على شراء الكتب الألكترونية أكثر من الورقية خاصة في مواضيع الحاسب لأن المجال متجدد ويتغير بشكل مستمر فلا جدوى فعلية من شراء الكتب الورقية!
المرحلة الثانية: التطبيق العملي باستخدام البرمجة
في هذه المرحلة، سوف تبدأ في برمجة بعض التطبيقات الأساسية باستخدام بعض البيانات المتواجدة بكثرة على الانترنت. الطريقة التي اقترحها عليك هي إما باتباع أمثلة في بعض الكتب (سأذكر بعضها بالأسفل) أو باتباع الطريقة المفضلة لدي وهي عن طريق اتباع الأمثلة في Kaggle و github و مدونة Towards Data Science.
لماذا أفضل هذه الطريقة؟
سبق لي المشاركة في تحديات برمجية فترة دراسة الدكتوراة (منها Soton Code Dojo)، وكنت دائماً احرص على الانضمام لفرق فيها عتاة المبرمجين في جامعتي، حيث أن البرمجة جنباً إلى جنب مع مبرمج خبير تجربة ممتازة وتقفز بك إلى مستويات جديدة في فترة قصيرة. وبالتالي، اعتقد أن اتباع أجود الحلول البرمجية يجعلك تعيش تجربة مشابهة جداً لتجربة التعلم من مبرمج خبير وتختصر عليك الكثير من الوقت والجهد. مع ملاحظة أنه سيكون عليك عبء اختيار أجود الحلول المتوفرة.
ولكي تنجح في هذه الطريقة ينبغي أن تتبع التقسيم الرئيسي لخوارزميات تعلم الآلة الأساسية مثلاً تبدأ كما هو معتاد بالتعلم الموجه supervised وبعد ذلك التعلم غير الموجه unsupervised ونحوه. ثم تبدأ بالقراءة حول الخوارزمية التي تود تعلمها، وبعد أن تفهم الغاية منها تقوم بالتطبيق عملياً باستخدام بيانات جاهزة وأمثلة حقيقية. في هذه المرحلة أنصحك بالتركيز على فهم الهدف والغاية من النموذج مع الإطلاع على بعض المفاهيم الرياضية الأساسية والأهم التطبيق العملي لكل خوارزمية.
خوارزميات تعلم الآلة الأساسية (مصدر)
مثلاً، لنفترض أنك قرأت عن الـ classification وفهمت الأسس الرئيسية وطريقة عمل الخوارزمية، سوف تبدأ في برمجة التصنيف الثنائي (مثلاً: هل الشخص مريض أم لا)، بعد ذلك ستدرب نموذج يقوم بالتصنيف لعدة تصنيفات multi-class وغيرها. كذلك، في هذه المرحلة ينبغي عليك أن تجرب استخدام مجموعة مختلفة من الخوارزميات لنفس الغرض، مثلاً SVM و KNNs و ensemble models بأنواعها وبعد ذلك تقارن النتائج التي تحصل عليها من كل من هذه الخوارزميات لتتمكن من معرفة مزايا وعيوب كل خوارزمية بشكل عملي.
في هذه المرحلة مهم جداً أن تتعلم أسس تقييم النماذج لتتمكن من تقييم أداء نماذجك حسب المشكلة التي تدرسها. فمثلاً بعض النماذج يكون أداؤها أفضل من غيرها في تطبيقات معينة ونحوه. كذلك، من المهم في هذه المرحلة أن تعرف أصول ضبط المعاملات parameter tuning في نماذج التعلم. إذا كنت ستستخدم بايثون (أنصح بها كتفضيل شخصي) فمكتبة scikit-learn ستكون صديقة مقربة لك، كذلك دليل استخدامها ثري جداً بالأمثلة والشروحات. كذلك في هذه المرحلة، من المهم استخدام أشكال بيانات متعددة بجودة مختلفة لتتمكن من التدرب عملياً على أثر جودة هذه البيانات على نماذجك وكذلك معرفة أثر طرق تنظيف وإعداد البيانات المختلفة على نتائجك.
بعض المصادر المعينة لك في هذه المرحلة بالاضافة إلى Kaggle و Towards Data Science و موقع Machine Learning Mastery:
قائمة الدروس في مادة علم البيانات المقدمة من جامعة هارڤارد
تحتوي على محاضرات مسجلة وواجبات، يميزها أنها متخصصة في بايثون، تركز على شرح الأساسيات مع المعادلات الرياضية ثم بعد أن تتطلع على المفاهيم تتوسع في التطبيق برمجياً.
قائمة الدروس في دورة Open Machine Learning
وهي سلسلة من ١٠ مواضيع متعلقة بأساسيات تعلم الآلة، تحتوي على محاضرات مسجلة وأكواد مكتوبة في بايثون.
قائمة الدروس في كورس Applied Machine Learning in Python
وهي جزء من تخصص علم البيانات المقدم من جامعة ميتشيغان في منصة كورسيرا، ملاحظة الدروس تغطي نماذج تعلم الآلة الموجهه supervised فقط. يمكنك الاطلاع على قائمة الدروس بالمجان audit مع ملاحظة أنك لن تحصل على شهادة اتمام الكورس في حال اخذت هذا القرار!
تخصص Machine Learning Specialization المقدم من جامعة واشنطن
وهو تخصص يحتوي على ٤ كورسات مناسبة جداً للمتعلم في هذه المرحلة، الكورس الأول يأخذ منحنى دراسة الحالة case-study لدراسة كيف يمكن الاستفادة من تعلم الآلة لأغراض مختلفة. يليه كورسات خاصة عن regression و classification و clustering & retrieval. ما يعجبني في هذا التخصص هو تطرقه لمواضيع مهمة مثل اختيار الخصائص feature selection، طرق التقييم المختلفة لكل نوع من النماذج وغيرها. كذلك يعجبني تطرقه لمواضيع مثل كيفية التعامل مع البيانات الضخمة. مثل سابقه يمكنك الاطلاع على المحتوى بالمجان لكن يلزمك التسجيل بكل كورس على حده كمطلع فقط audit.
كتاب من Packt pub و كتاب من O'Reilly عن علم الآلة
سبق أن ذكرت موقع Packt Pub والذي يحتوي على مجموعة من الكتب المفيدة في هذه المرحلة أرشح منها الكتابين التاليين:
Hands-On Machine Learning with scikit-learn and Scientific Python Toolkits By Tarek Amr
وهو كتاب جديد نشر هذا الشهر (يوليو ٢٠٢٠) وغير متوفر إلا كنسخة إلكترونية في موقع Packt اطلعت عليه وأعجبني تسلسل المواضيع جداً وهو مناسب للمتعلم في هذه المرحلة. يوجد فصل كامل في هذا الكتاب عن الشبكات العصبية Neural nets مع شرح كيف يتم تدريبها باستخدام مكتبة scikit-learn.
الكتاب الثاني هو:
Introduction to Machine Learning with Python: A Guide for Data Scientists by Andreas C. Müller and Sarah Guido
الكتاب رائع جداً من ناحيتين بساطة الطرح وكونه يتطرق لجميع المواضيع التي تشغل بال المتعلم في هذه المرحلة مثل أسس التقييم وضبط المتغيرات وكذلك كيف يمكن تنظيم مشاريع تعلم الآلة بطريقة منهجية ML pipeline. يختتم الكتاب في الفصل الثامن بتطبيق موسع على البيانات النصية.
ملاحظة أخيرة، في هذه المرحلة ركز على الفهم والتطبيق العملي، بيانات Kaggle ستساعدك كثيراً، لكن المهم عند استخدام بيانات Kaggle للتعلم، اختيار تلك التي جذبت اهتمام الكثيرين يمكن الاستدلال على ذلك بمعرفة عدد الـ kernels التي تم رفعها. بالإضافة إلى ذلك يمكنك التركيز على استخدام مجموعة مختلفة من البيانات بكل أشكالها، يوجد صفحة في ويكيبيديا فيها مجموعة من البيانات مصنفة حسب النوع: صور، نصوص وغيرها مع ذكر الغرض الذي يمكن أن تستخدم فيه مثل: التصنيف، وغيره.
في نهاية هذه المرحلة سيكون بيدك ثلاثة مفاتيح: فهم الخوارزميات بشكل عملي، القدرة على برمجة النماذج، بالاضافة إلى اتقان طرق ضبطها وتقييمها بغرض اختيار الأفضل منها.
"جذِّر، ثم فَرِّع"
المرحلة الثالثة: فهم الأساس الرياضي/الإحصائي
بعد أن اسس المتعلم نفسه علمياً وبرمجياً واطلع على بعض التفاصيل الرياضية تأتي المرحلة الثالثة التي ينبغي أن يعود فيها للجذور لفهم الأسس الرياضية للخوارزميات واشتقاقاتها. وكذلك مراجعة كل ما يتعلق بأسس الإحصاء المهمة لهذه الخوارزميات.
لماذا تحتاج لها؟
من وجهة نظري هذا أضعف الإيمان لكل من يود أن تكون لديه خبرة حقيقية في المجال ليتمكن من التوسع مستقبلاً فيها.
لماذا الآن وليس منذ البداية؟
كتفضيل شخصي، أعتقد أن البدء بالفهم والتطبيق العملي ستمنح المتعلم فرصة معرفة الإمكانيات الهائلة لهذا المجال، كما تمنحه فرصة تحديد ما إذا كان لديه اهتمام فعلي بهذا المجال بحيث يمكن أن يستثمر سنواته القادمة في تعلمه والغوص فيه. كما أنها بداية قد تكون محفزة أكثر كون المتعلم يستطيع أن يبني نماذج تعلم الآلة دون الحاجة إلى معرفة جميع التفاصيل. في الحقيقة، لا يمكن أن اعبر عن امتناني لمطوري البرمجيات المفتوحة الذين جعلوا هذا الأمر ممكنا! لم يكن الأمر بهذه السهولة قبل سنوات، كان لابد أن تبرمج الخوارزمية بكل تفاصيلها من الصفر.
المصادر المناسبة لك في هذه المرحلة هي التي تجمع ما بين التأصيل الرياضي والتطبيق العملي، وأفضلها هو هذا الكورس من ستانفورد الذي قدمه عرّاب تعلم الآلة آندرو إن جي Andrew NG والذي سجل فيه قرابة ١٣ مليون متعلم، الكورس قديم لكن لا زال محتفظ بشهرته.
في الرياضيات، يمكنك تتبع الدروس في هذا التخصص من كورسيرا المقدم من كلية إمبيريال في لندن، التخصص يركز على رياضيات تعلم الآلة تحديداً ويحتوي على ٣ كورسات، الأول عن الجبر الخطي والثاني عن التفاضل والتكامل متعدد المتحولات (المتغيرات) Multivariate calculus، و الثالث عن PCA . بالإضافة إلى ذلك، هنا كتاب حديث عن رياضيات تعلم الآلة، لا يزال تحت التطوير، ولكنه رائع جداً ويحتوي على بعض التمارين التطبيقية في بايثون مع حلولها.
ولن انسى منصة خان أكاديمي العظيمة لكل مواضيع الرياضيات والإحصاء الأساسية وستكون مرجع مساند لك في رحلة التعلم بكل مراحلها.
كما أرشح الكتب التالية:
The Hundred-Page Machine Learning Book by Andriy Burkov
يحتوي على مئة صفحة متوفرة مجاناً (هنا) بشكل فصول متفرقة تحت مبدأ: اقرأ الآن وادفع لاحقاً، ميزته أنه يحتوي على المختصر المفيد و سيساعد المتعلم بشكل كبير في هذه المرحلة. بعض الفصول في الكتاب تحتوي على نسخ مطولة وفيها تفاصيل رياضية كثيرة.
Hands on Machine Learning with Scikit Learn Keras and TensorFlow by Aurelien Geron
أحب هذا الكتاب! اقتنيت الطبعة الأولى والآن في الطبعة الأخيرة، الثانية، يحتوي على تفصيل جميل وتطبيق عملي باستخدام بايثون لثلاث مكتبات مهمة في تعلم الآلة والتعلم العميق. في هذه المرحلة أنصح بدراسة الجزء الأول من الكتاب وهي الفصول من الأول الى التاسع وهي التي تشكل أساسيات تعلم الآلة. ويلي ذلك الجزء الثاني المتعلق بالشبكات العصبية والتعلم العميق يمكنك تأجيله حتى تتمكن من الأساسيات، هذه نصيحتي وهو أمر تقديره يعود إليك فأنت أعرف بنفسك وبمرحلتك في رحلة التعلم.
Mastering Machine Learning Algorithms By Giuseppe Bonaccorso
كتاب جديد من Packt نزل بداية هذا العام ٢٠٢٠، ميزته أنه يجمع ما بين التفاصيل الرياضية والتطبيق العملي في بايثون. الكتاب ممتاز يغطي المواضيع الأساسية من الفصل الأول إلى الـ ١٦ ومن ثم يدخل في تفاصيل الشبكات العصبية والتعلم العميق و النماذج التوليدية بعد ذلك، نصيحتي مرة أخرى لا تستعجل تمكن من الأساسيات قبل التعمق في المواضيع المتقدمة.
Python Machine Learning By Sebastian Raschka, Vahid Mirjalili
هذا الكتاب غني عن التعريف وحاز شهرة كبيرة من أول طبعة نشرت، في الطبعة الثالثة يغطي غالبية الخوارزميات من الـ supervised إلى Reinforcement learning مروراً بـ GANs. الأمثلة التي يطرحها تبدأ بـ scikit-learn وتنتهي بـ TensorFlow 2، بالنسبة لي الذي يميزه بالمقارنة مع غيره أنه عملي ولا يهمل التأسيس النظري (الرياضي) للمواضيع التي يتطرق لها.
كذلك، قد تعينك كلاسيكيات علم الآلة مثل كتاب بيشوب وميرفي وكتاب The elements of Statistical Inference هذه الكتب يمكن اعتبارها مراجع على الرف القريب منك، حيث ستجد نفسك تقرأ منها من وقت لآخر و ستثريك فهما وتعمقا في المجال. في وقت سابق، كانت هذه الكتب المصدر الوحيد في هذا المجال، تغير الأمر نوعاً ما مؤخراً مع ثورة التعليم الإلكتروني ولكن لا تزال مثرية ومهمة. (بالمناسبة: الإنترنت مليء بالمراجعات لهذه الكتب مع ذكر أسباب تفضيل البعض أحدهما على الآخر- موضوع آخر ليوم آخر!).
ستجد نفسك تحتاج لأن ترجع لأكثر من مرجع أثناء رحلة التعلم، فبعض المراجع أفضل من غيرها في بعض المواضيع دون الأخرى، كذلك، من الأمور التي اعتدت أن أقوم بها أن أبحث عن شروحات رياضية خالصة في يوتيوب لأي موضوع يشكل علي. المهم في هذه المرحلة أن تخرج بأمر واحد: فهم عميق للخوارزميات من ناحية رياضية/إحصائية.
المرحلة الرابعة: فهم خوارزميات علم الآلة المتقدمة
في هذه المرحلة، انت جاهز للتخصص في مجال محدد في تعلم الآلة مثل معالجة اللغة، الرؤية الحاسوبية، أو غيرها في تعلم الآلة لأنها ستعطيك قوة وعمق وتفرد. أو قد تجد في نفسك الرغبة في أن تصبح جوكر علم الآلة، فيكون لديك فهم عميق في مبادئها بحيث يمكنك تعلم (وبرمجة!) الخوارزمية التي تحتاجها في أي مجال تعمل عليه.
في الحقيقة في هذه المرحلة اتوقع أنك قد قطعت شوط كبير في المجال يمكنك من معرفة قدراتك وكيف تختار المصادر التي تناسبك وتناسب أهدافك. على أي حال سأسرد بعض التفاصيل هنا علها تفيد القارئ الكريم!
بعد التمكن من الأساسيات الرياضية والإحصائية، يمكنك أخذ أي كورس تخصصي حسب رغبتك من كورسيرا أو يوداسيتي وهي كثيرة ومتعددة. أنصح بكورسات deeplearning.ai على منصة كورسيرا والتي تحظى بإقبال غير عادي من الجميع. كذلك، في هذه المرحلة يشكل التعلم العميق أحد أهم التطبيقات ذات الانتشار الواسع في الكورسات والتطبيقات بدعم كل من شركتي جوجل وفيسبوك لمكتبات التعلم العميق وهما TensorFlow و pyTorch (الإنترنت مليء بمقالات المقارنة بينها). المهم بالنسبة لي أن لا تبدأ في دراسة التعلم العميق قبل أن يكون عندك أساس قوي. يقع الكثيرون في خطأ البدء في تعلم تطبيقات التعلم العميق دون وجود أساسات قوية. نعم، التطبيقات كثيرة ومتوفرة، لكن ستتمكن من فهمها بشكل أفضل بكثير إذا أجلت ذلك حتى تتمكن من الأساسيات من ناحيتين: الرياضيات والإحصاء ومبادئ تعلم الآلة الأساسية.
في هذه المرحلة، يمكنك التوسع في تعلم طرق بناء تطبيقات علم الآلة الجاهزة للاستخدام على نطاق واسع ML deployment أي كيف يمكن أن تحول النموذج الذي تم تدريبه إلى منتج قابل للاستخدام في تطبيقات مختلفة في الأنظمة أو على الويب مثلاً (TensorFlow.js). كما يمكنك أيضاً الدخول في مجالات أخرى مثل Reinforcement Learning و Probabilistic Graphical Models- GPMs وغيرها من تطبيقات الذكاء الاصطناعي مثل السيارات ذاتية القيادة والروبوتات وغيرها (يوجد بعض الكورسات في كورسيرا و يوداسيتي تغطي هذه المواضيع).
هناك ملاحظة مهمة لمن لديه اهتمام بالمجال الأكاديمي والنشر تحت مظلة تعلم الآلة وتطبيقاتها. ينبغي أن تراعي الاختلاف الهائل في ما يتم قبوله على خط الانتاج production line و ما يتم قبوله للنشر العلمي. لذلك، انصح المهتمين دائماً بالاطلاع على الأوراق العلمية لمعرفة كيف يستعرض الباحثون نتائج أبحاثهم في تعلم الآلة وكيف يتم المقارنة بين نتائجهم وما يسمى بالـ SOTA - state of the art أو النموذج المثالي الذي ينبغي للباحث أن يتغلب عليه أو يقاربه! الحقيقة، أن المهمة فيها تحدي كبير، تقع على كاهل الباحث مسؤولية بناء الجسور ما بين علم الآلة التطبيقي الذي يجده في الكتب والدروس الإلكترونية وبين علم الآلة كما يروى في الأوراق العلمية. موقع papers with code تعتبر مرجع مهم للجميع سواء كانوا باحثين أو غيرهم لأحتوائها على الحسنيين: التطبيق العملي والشرح النظري!
آخر نقطة أود ذكرها، مهم جداً في هذه المرحلة أن تبقى على اطلاع على آخر المستجدات في هذا المجال، عن طريق متابعة مواقع وحسابات أهم الشركات والمنظمات التي تعمل في هذا المجال أذكر منها: facebook AI، NVIDIA، OpenAI، DeepMind، DeepAI، Google AI و غيرها. كما يمكنك متابعة حساب منصة منظور على تويتر أو موقع المنصة التي تهدف إلى نشر أخر ما يستجد من الأبحاث العلمية في مجال الحاسب الآلي باللغة العربية.
في الأخير، اتمنى أن أكون قد ساعدتك في تشكيل خارطة الطريق لتعلم الآلة، لا يوجد صواب كلي أو خطأ كلي، ويمكنك أن تأخذ من تدوينتي هذه ما تراه مناسباً لك و لأهدافك.
اتمنى لك رحلة تعليمية موفقة وممتعة!