كيفية إعداد Visual Studio Code للتعلم الآلي والتعلم العميق: دليل خطوة بخطوة للمبتدئين

يُعد Visual Studio Code بيئة تطوير مرنة للعمل باستخدام بايثون ومشاريع التعلم الآلي والتعلم العميق.

وعلى عكس بيئات العمل التي تعمل بالكامل داخل المتصفح، يعمل Visual Studio Code على جهازك ويمنحك تحكمًا أكبر في ملفات المشروع وبيئات بايثون والمكتبات ودفاتر Jupyter والكود البرمجي.

في هذا الدليل، سنقوم بإعداد Visual Studio Code لتطوير مشاريع الذكاء الاصطناعي وتشغيل مثال بسيط للتعلم الآلي وآخر للتعلم العميق.

ماذا سنجهز؟

بنهاية هذا الدليل سيكون لدينا:

Visual Studio Code  ←  Python  ←  Jupyter  ←  المكتبات  ←  التعلم الآلي  ←  التعلم العميق

وسنفهم أيضًا دور كل جزء في بيئة التطوير.

الخطوة 1: تثبيت Visual Studio Code

قم بتنزيل Visual Studio Code وتثبيته على جهازك.

Visual Studio Code هو محرر وبيئة تطوير، لكنه لا يتضمن Python نفسه، لذلك يجب تثبيت مفسر Python بشكل منفصل.

الخطوة 2: تثبيت Python

قم بتثبيت إصدار مدعوم حاليًا من Python.

بعد التثبيت، افتح Terminal واكتب:

python --version

وقد تحتاج في بعض الأنظمة إلى:

python3 --version

إذا ظهر رقم إصدار Python، فهذا يعني أن المفسر متاح.

الخطوة 3: تثبيت إضافة Python

افتح Visual Studio Code.

من القائمة الجانبية اختر Extensions ثم ابحث عن:

Python

قم بتثبيت الإضافة الرسمية من Microsoft.

تضيف هذه الإضافة دعمًا لكتابة كود Python وتشغيله وتصحيح الأخطاء واختيار بيئات Python المختلفة.

الخطوة 4: تثبيت إضافة Jupyter

من Extensions ابحث عن:

Jupyter

ثم قم بتثبيت إضافة Microsoft Jupyter.

تسمح هذه الإضافة باستخدام ملفات .ipynb وتشغيل خلايا Python وMarkdown مباشرة داخل Visual Studio Code.

الخطوة 5: إنشاء مجلد للمشروع

أنشئ مجلدًا باسم مثل:

AI_Project

ثم افتحه باستخدام:

File → Open Folder

يساعد تخصيص مجلد لكل مشروع على تنظيم الملفات والمكتبات بشكل أفضل.

الخطوة 6: إنشاء بيئة Python منفصلة

من Terminal داخل Visual Studio Code قم بتشغيل:

python -m venv .venv

في Windows:

.venv\Scripts\activate

وفي macOS أو Linux:

source .venv/bin/activate

تساعد البيئة الافتراضية على فصل مكتبات المشروع عن المشاريع الأخرى.

الخطوة 7: تثبيت المكتبات المطلوبة

قم بتثبيت المكتبات المستخدمة في الأمثلة:

pip install numpy scikit-learn matplotlib tensorflow jupyter

قد تختلف المكتبات المطلوبة حسب المشروع الذي تعمل عليه.

الخطوة 8: اختيار Python Interpreter

افتح Command Palette باستخدام:

Ctrl + Shift + P

ثم ابحث عن:

Python: Select Interpreter

واختر Python الموجود داخل .venv.

وفي Jupyter Notebook تأكد أيضًا من اختيار Kernel الصحيح.

الخطوة 9: إنشاء Jupyter Notebook

أنشئ ملفًا جديدًا باسم:

AI_Guide.ipynb

ثم أضف خلية كود:

print("AI environment is ready!")

إذا ظهرت الرسالة بعد تشغيل الخلية، فالبيئة تعمل بصورة صحيحة.

الخطوة 10: تجربة مثال بسيط للتعلم الآلي

سنستخدم بيانات Iris ونموذج k-Nearest Neighbours:

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)

يمثل المثال سير عمل بسيطًا:

البيانات ← التقسيم ← النموذج ← التدريب ← التقييم

الخطوة 11: تجربة مثال للتعلم العميق

سنستخدم TensorFlow/Keras وبيانات 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)

يتبع المثال المراحل الأساسية نفسها:

تحميل البيانات ← بناء الشبكة العصبية ← التدريب ← التقييم

مشكلات شائعة

إذا لم يتم العثور على مكتبة، تأكد من تثبيتها داخل بيئة Python نفسها التي يستخدمها Visual Studio Code.

إذا لم يعمل Jupyter Notebook، تحقق من اختيار Kernel الصحيح.

وعند وجود مشكلة في تثبيت TensorFlow، تحقق من توافق إصدار Python وTensorFlow قبل تغيير إعدادات المشروع.

Visual Studio Code أم Google Colab؟

يُعد Visual Studio Code مناسبًا عندما تحتاج إلى:

• العمل على ملفات محلية
• التحكم في بيئات Python
• استخدام Git
• تصحيح الأخطاء
• تطوير مشاريع برمجية أكبر
• تخصيص بيئة التطوير

أما Google Colab فقد يكون أسهل عندما تريد البدء بسرعة دون إعداد بيئة محلية.

الخلاصة

يوفر Visual Studio Code بيئة عملية يمكن استخدامها بدءًا من أمثلة Python البسيطة وحتى مشاريع التعلم الآلي والتعلم العميق الأكبر.

ويمكن تلخيص الإعداد الأساسي في:

تثبيت VS Code  ←  تثبيت Python  ←  إضافة Python وJupyter  ←  اختيار البيئة  ←  تثبيت المكتبات  ←  تشغيل النموذج

بعد إعداد البيئة مرة واحدة، يمكن استخدام نفس الخطوات في مشاريع ذكاء اصطناعي أكثر تقدمًا.

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

المراجع وقراءات إضافية

Microsoft (n.d.) Python in Visual Studio Code. Visual Studio Code Documentation. متاح عبر: Microsoft – توثيق Python في Visual Studio Code (تاريخ الاطلاع: 16 سبتمبر 2026).

Microsoft (n.d.) Jupyter Notebooks in VS Code. Visual Studio Code Documentation. متاح عبر: Microsoft – توثيق Jupyter Notebooks في Visual Studio Code (تاريخ الاطلاع: 16 سبتمبر 2026).

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

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

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