تعد Python واحدة من أكثر لغات البرمجة استخدامًا في الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق.
وتجعل بساطة صياغتها ومكتباتها مثل scikit-learn وTensorFlow منها نقطة بداية جيدة للمبتدئين.
في هذا الدليل، سنستعرض مثالين قصيرين: أحدهما للتعلم الآلي والآخر للتعلم العميق.
لماذا Python للذكاء الاصطناعي؟
توفر Python مكتبات تتولى الكثير من العمليات الرياضية المعقدة المستخدمة خلف نماذج الذكاء الاصطناعي.
وبالنسبة للمبتدئين، فهذا يعني أنه يمكن التركيز على فهم العملية الأساسية:
البيانات → النموذج → التدريب → التنبؤ → التقييم
يمكن تشغيل هذه الأمثلة باستخدام Google Colab أو Jupyter Notebook أو بيئة Python محلية.
المثال الأول: التعلم الآلي باستخدام Python
يمكننا استخدام مجموعة بيانات Iris المعروفة لتدريب نموذج تصنيف بسيط باستخدام خوارزمية أقرب الجيران K-Nearest Neighbours (k-NN). تحتوي مجموعة البيانات على 150 عينة من الزهور تنتمي إلى ثلاث فئات.
# Import the Iris dataset
from sklearn.datasets import load_iris
# Import the function used to split data into training and testing sets
from sklearn.model_selection import train_test_split
# Import the k-NN classification model
from sklearn.neighbors import KNeighborsClassifier
# Load the Iris features (X) and target classes (y)
X, y = load_iris(return_X_y=True)
# Split the dataset into 80% training data and 20% testing data
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# Create a k-NN model using 3 nearest neighbours
model = KNeighborsClassifier(n_neighbors=3)
# Train the model using the training data
model.fit(X_train, y_train)
# Evaluate the model using the testing data
print("Accuracy:", model.score(X_test, y_test))ماذا يحدث هنا؟
يتم تحميل مجموعة البيانات وتقسيمها إلى بيانات تدريب وبيانات اختبار.
يتعلم نموذج k-NN من أمثلة التدريب، ثم يتنبأ بفئات الزهور التي لم يشاهدها من قبل.
وفي النهاية، تقيس model.score() عدد أمثلة الاختبار التي تم تصنيفها بشكل صحيح.
يوضح هذا سير عمل أساسي للتعلم الآلي:
تحميل البيانات → تقسيم البيانات → التدريب → الاختبار
المثال الثاني: التعلم العميق باستخدام Python
بالنسبة للتعلم العميق، يمكننا استخدام TensorFlow/Keras لإنشاء شبكة عصبية صغيرة تتعرف على الأرقام المكتوبة بخط اليد.
يتبع سير العمل للمبتدئين في TensorFlow العملية العامة نفسها: تحميل البيانات، وبناء شبكة عصبية، وتدريبها، ثم تقييم دقتها.
# Import TensorFlow
import tensorflow as tf
# Load the MNIST training and testing datasets
(x_train, y_train), (x_test, y_test) = \
tf.keras.datasets.mnist.load_data()
# Scale pixel values from 0–255 to 0–1
x_train = x_train / 255.0
x_test = x_test / 255.0
# Build a simple neural network
model = tf.keras.Sequential([
# Define the input image shape
tf.keras.Input(shape=(28, 28)),
# Convert each 28×28 image into a one-dimensional vector
tf.keras.layers.Flatten(),
# Add a hidden layer with 64 neurons
tf.keras.layers.Dense(64, activation="relu"),
# Add the output layer for the 10 digit classes
tf.keras.layers.Dense(10, activation="softmax")
])
# Configure how the neural network will learn
model.compile(
optimizer="adam",
loss="sparse_categorical_crossentropy",
metrics=["accuracy"]
)
# Train the neural network for 3 epochs
model.fit(x_train, y_train, epochs=3)
# Evaluate the trained model using the test dataset
model.evaluate(x_test, y_test)ماذا يحدث هنا؟
تحتوي مجموعة بيانات MNIST على صور لأرقام مكتوبة بخط اليد من 0 إلى 9.
تستقبل الشبكة العصبية الصور، وتتعلم الأنماط أثناء التدريب، ثم تحاول التعرف على الرقم الموجود في الصور الجديدة.
يوضح التقييم النهائي مدى دقة أداء النموذج على بيانات الاختبار.
التعلم الآلي مقابل التعلم العميق في Python
يستخدم المثال الأول خوارزمية k-NN، وهي خوارزمية تقليدية للتعلم الآلي.
أما المثال الثاني فيستخدم شبكة عصبية متعددة الطبقات، وهي نهج من أساليب التعلم العميق.
وتظل الفكرة الأساسية متشابهة:
البيانات → التدريب → النموذج → التنبؤ
والفرق الرئيسي هو أن نماذج التعلم العميق يمكنها تعلم أنماط أكثر تعقيدًا باستخدام طبقات متعددة من الشبكات العصبية.
ماذا يجب أن يتعلم المبتدئون بعد ذلك؟
بعد فهم هذه الأمثلة، يمكن للمبتدئين التدرج في تعلم:
- Pandas للعمل مع البيانات
- Matplotlib لتصور البيانات
- scikit-learn للتعلم الآلي
- TensorFlow أو PyTorch للتعلم العميق
لا توجد حاجة لتعلم كل شيء دفعة واحدة. ابدأ بمجموعات بيانات صغيرة ونماذج بسيطة، ثم انتقل تدريجيًا إلى مشاريع أكثر تعقيدًا.
أفكار ختامية
تجعل Python من الممكن بناء نماذج ذكاء اصطناعي بسيطة باستخدام كمية صغيرة من التعليمات البرمجية.
الهدف الأهم للمبتدئين ليس حفظ كل أمر برمجي، بل فهم العملية التي يعمل بها النموذج.
في AIWiseUp، سنواصل تحويل مفاهيم الذكاء الاصطناعي إلى أمثلة عملية ومبسطة للمبتدئين.
Wise up to AI. Learn it. Use it. Grow with it.
المراجع وقراءات إضافية
Scikit-learn Developers (2026) Iris dataset. scikit-learn documentation.
Scikit-learn Developers (2026) Nearest Neighbors Classification. scikit-learn documentation.
Nearest Neighbors Classification – scikit-learn
TensorFlow (2026) TensorFlow 2 Quickstart for Beginners. TensorFlow documentation.