كيفية استخدام Google Colab للتعلم الآلي والتعلم العميق: دليل خطوة بخطوة للمبتدئين

يُعد Google Colab من أسهل الطرق للبدء في تجربة Python والتعلم الآلي والتعلم العميق.

وهو بيئة Jupyter Notebook تعمل عبر المتصفح، ولذلك يمكن كتابة كود Python وتشغيله دون الحاجة إلى إعداد بيئة تطوير كاملة على الجهاز. كما يمكن أن يوفر Colab موارد حوسبة متسارعة مثل GPU وTPU، مع اختلاف التوفر وحدود الاستخدام بمرور الوقت.

ماذا سنفعل؟

سنتبع هذا المسار:

فتح Colab  ←  إنشاء Notebook  ←  تشغيل Python  ←  التعلم الآلي  ←  التعلم العميق  ←  حفظ المشروع

الخطوة 1: فتح Google Colab

افتح Google Colab باستخدام حساب Google.

أنشئ Notebook جديدًا.

يتكون Notebook من خلايا، ويمكن استخدام خلايا الكود لتشغيل Python وخلايا النص لكتابة الشروحات والعناوين.

الخطوة 2: تسمية Notebook

استخدم اسمًا واضحًا مثل:

AI_ML_DL_Guide.ipynb

يستخدم Colab تنسيق Jupyter Notebook القياسي .ipynb، ويمكن تخزين هذه الملفات في Google Drive.

الخطوة 3: اختبار Python

قم بتشغيل:

import sys

print(sys.version)

ثم جرب:

print("Google Colab is ready!")

إذا ظهرت النتيجة، فبيئة التشغيل تعمل.

الخطوة 4: التحقق من المكتبات

يتضمن Colab العديد من مكتبات Python الشائعة مسبقًا.

للتحقق من scikit-learn:

import sklearn

print(sklearn.__version__)

وللتحقق من TensorFlow:

import tensorflow as tf

print(tf.__version__)

إذا احتجت إلى مكتبة غير موجودة، يمكن تثبيتها باستخدام:

!pip install package_name

الخطوة 5: تشغيل مثال للتعلم الآلي

سنستخدم بيانات Iris ونموذج k-NN:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

X, y = load_iris(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=42,
    stratify=y
)

model = KNeighborsClassifier(n_neighbors=3)

model.fit(X_train, y_train)

accuracy = model.score(X_test, y_test)

print("Accuracy:", accuracy)

يتعلم النموذج من بيانات التدريب، ثم يتم تقييمه باستخدام بيانات لم يستخدمها أثناء التدريب.

الخطوة 6: فهم سير العمل

يتبع المثال المسار التالي:

البيانات  ←  تقسيم التدريب والاختبار  ←  النموذج  ←  التدريب  ←  التقييم

يساعد فصل بيانات الاختبار عن التدريب على قياس أداء النموذج على أمثلة غير مستخدمة في عملية التدريب.

الخطوة 7: تشغيل مثال للتعلم العميق

سنستخدم TensorFlow مع بيانات MNIST:

import tensorflow as tf

(x_train, y_train), (x_test, y_test) = (
    tf.keras.datasets.mnist.load_data()
)

x_train = x_train / 255.0
x_test = x_test / 255.0

model = tf.keras.Sequential([
    tf.keras.Input(shape=(28, 28)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation="relu"),
    tf.keras.layers.Dense(10, activation="softmax")
])

model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"]
)

model.fit(x_train, y_train, epochs=3)

model.evaluate(x_test, y_test)

يمثل ذلك سير عمل أساسيًا للتعلم العميق:

تحميل البيانات  ←  تجهيزها  ←  بناء الشبكة  ←  التدريب  ←  التقييم

الخطوة 8: هل نحتاج إلى GPU؟

لا تحتاج الأمثلة الصغيرة في هذا الدليل إلى GPU.

ولكن بعض مشاريع التعلم العميق الأكبر يمكن أن تستفيد من الحوسبة المتسارعة.

يمكن مراجعة الخيارات من:

Runtime → Change runtime type

ويُنصح بعدم استخدام GPU إذا لم يكن المشروع يحتاج إليه فعليًا.

الخطوة 9: حفظ العمل

يمكن حفظ ملفات Colab في Google Drive ومشاركتها.

كما يمكن تنزيل Notebook بصيغة:

.ipynb

يجب الانتباه إلى أن بيئة Runtime نفسها مؤقتة. قد تختفي الملفات أو المكتبات التي تم إنشاؤها داخل البيئة المؤقتة بعد انتهاء الجلسة، لذلك من الأفضل الاحتفاظ بأوامر التثبيت والإعداد داخل Notebook عندما تكون إعادة تشغيل المشروع مهمة.

الخطوة 10: تنظيم Notebook

يمكن تنظيم Notebook عملي بالشكل التالي:

1. هدف المشروع
2. استيراد المكتبات
3. تحميل البيانات
4. تجهيز البيانات
5. إنشاء النموذج
6. التدريب
7. التقييم
8. النتائج
9. الخلاصة

استخدم خلايا Markdown لشرح كل مرحلة.

يساعد ذلك على جعل المشروع أوضح وأسهل في المراجعة وإعادة التشغيل والمشاركة.

Google Colab أم Visual Studio Code؟

يكون Google Colab مناسبًا عندما تريد:

• البدء دون تثبيت بيئة محلية
• إجراء تجارب سريعة
• العمل داخل المتصفح
• مشاركة Notebook بسهولة
• إمكانية استخدام موارد حوسبة متسارعة عند توفرها

أما Visual Studio Code فيوفر تحكمًا أكبر في الملفات وبيئات Python وتصحيح الأخطاء وGit والمشاريع البرمجية الأكبر.

ولهذا يمكن استخدام الأداتين حسب طبيعة المشروع.

الخلاصة

يقلل Google Colab الكثير من خطوات الإعداد المطلوبة قبل البدء في التعلم الآلي والتعلم العميق.

ويمكن تلخيص سير العمل في:

إنشاء Notebook  ←  تحميل البيانات  ←  بناء النموذج  ←  التدريب  ←  التقييم  ←  حفظ المشروع

وهذا يجعله بيئة مناسبة للتعلم وتجربة الأفكار وإنشاء مشاريع AI قابلة للمشاركة وإعادة التشغيل.

تعرّف على الذكاء الاصطناعي. تعلّمه. استخدمه. وتطوّر معه.

المراجع وقراءات إضافية

Google (n.d.) Google Colab Frequently Asked Questions. Google Colaboratory. متاح عبر: Google Colab – Frequently Asked Questions (تاريخ الاطلاع: 16 سبتمبر 2026).

Google (n.d.) Frequently Asked Questions – Past Runtime Versions. Google Colaboratory. متاح عبر: Google Colab – Runtime Versions documentation (تاريخ الاطلاع: 16 سبتمبر 2026).

TensorFlow (2024) TensorFlow 2 Quickstart for Beginners. TensorFlow Core. متاح عبر: TensorFlow – TensorFlow 2 Quickstart for Beginners (تاريخ الاطلاع: 16 سبتمبر 2026).

Scikit-learn Developers (n.d.) train_test_split. Scikit-learn Documentation. متاح عبر: Scikit-learn – train_test_split documentation (تاريخ الاطلاع: 16 سبتمبر 2026).

Scikit-learn Developers (n.d.) KNeighborsClassifier. Scikit-learn Documentation. متاح عبر: Scikit-learn – KNeighborsClassifier documentation (تاريخ الاطلاع: 16 سبتمبر 2026).