دليل تعليمي للتعلّم المعزَّز بلا رياضيات: كود برمجي فقط للمبرمجين

نُشر على Habr بتاريخ 6 يوليو 2026 دليل تعليمي حول التعلّم المعزَّز (Reinforcement Learning)، وقد تصدّى مؤلفه، وهو من Cinimex، لسدّ فجوة قائمة منذ زمن طويل: شرح RL للمبرمجين عبر كود نظيف، مع الاستغناء التام عن الاشتقاقات الرياضية.

لماذا يصعب قراءة معظم الأدلة التعليمية في تعلّم الآلة

كُتب معظم المواد التعليمية في تعلّم الآلة (ML) على أيدي متخصصين من خلفية رياضية، وهذا أمر مفهوم. فمتخصصو علم البيانات ومهندسو ML يدخلون المهنة عادةً من بوابة الرياضيات والإحصاء، لا من بوابة البرمجة. وينعكس هذا التفكير على الكود الذي يكتبونه: فبنيته أشبه ببرهان رياضي، ومشبع بالمصطلحات والتجريدات التي لا يفهمها إلا من يعرف النظرية مسبقًا.

بالنسبة إلى مبرمج متمرّس لا يملك خلفية رياضية عميقة، يبدو هذا الكود غير مقروء، والمشكلة ليست في بنية اللغة. فكل سطر مفهوم بمفرده، لكن سبب تنفيذ الأسطر بهذا الترتيب وبهذه المعاملات يبقى غامضًا. وتتراكم تعقيدات بنى اللغة فوق أساس نظري صعب، فيتحول حتى الدليل المتقن إلى مجموعة معادلات يتعذّر استخلاص معناها دون معرفة سابقة.

«إذا لم تكن على دراية بالنظرية، فقد يكون من المستحيل تمامًا أحيانًا أن

تخمّن من الكود الغاية من الإجراءات المنفَّذة»، يوضح المؤلف.

والمفارقة أن المبرمجين هم أكبر شريحة جمهور مهتمة بتطبيق ML في المنتجات الفعلية. ومع ذلك، لا يزال المحتوى التعليمي المكتوب من منظور المطوّر، لا من منظور الباحث، قليلًا للغاية.

ما الذي تغيّر منذ عام 2019 وما الذي لم يتغيّر

بدأ المؤلف الاهتمام بـ ML وAI في عام 2019، حين لم يعد الموضوع حكرًا على العلم الأكاديمي ودخل التيار التقني السائد. ومنذ ذلك الحين ازداد عدد المقالات وأمثلة الكود المتاحة للجميع أضعافًا: ظهرت دورات بالروسية، وقنوات متخصصة، ومجتمعات تضم آلاف المشاركين.

لكن أمرًا واحدًا بقي على حاله: أسلوب كتابة الأمثلة البرمجية وغلبة الطابع الرياضي عليها. فقد زاد المحتوى، لكن عتبة الدخول أمام المبرمج الذي يفتقر إلى إعداد رياضي جاد بقيت كما كانت.

يقدّم الدليل نهجًا مختلفًا:

• لا معادلات رياضية، بل كود فقط
• كل خطوة تُشرح من جهة معناها، لا من جهة استنتاجها من نظرية
• أسلوب الكتابة أقرب إلى المشاريع الواقعية منه إلى الأوراق الأكاديمية
• المادة موجّهة لمن لديه رياضيات المدرسة والجامعة

وهذا النهج، أي الشرح عبر كود الإنتاج، صار منذ زمن معيارًا في تطوير الويب، أما في ML فلا يزال استثناءً لا قاعدة.

لماذا التعلّم المعزَّز تحديدًا

التعلّم المعزَّز من أصعب فروع ML. فالوكيل (agent) لا يتعلّم من بيانات موسومة، بل عبر التفاعل مع بيئة: يجرّب إجراءات، ويتلقى إشارة مكافأة أو عقوبة، ويتعلّم تعظيم المكافأة طويلة الأمد. وعلى RL تحديدًا يقوم RLHF (التعلّم المعزَّز من التغذية الراجعة البشرية)، وهو الأسلوب الرئيسي الذي تُضبط به النماذج اللغوية الكبيرة الحديثة، ومنها GPT وClaude.

ولهذا فإن فهم المبادئ الأساسية لـ RL مفيد لا للباحثين وحدهم. فالمطوّرون الذين يعملون مع أنظمة AI ويدمجون النماذج اللغوية في المنتجات يكتسبون فهمًا أعمق لما يتعاملون معه يوميًا.

ومع ذلك، لا تكاد توجد شروح عالية الجودة لـ RL بأسلوب «للمبرمج»، لا بالروسية ولا بالإنجليزية. فمعظم المواد التمهيدية إما شديدة الأكاديمية وإما سطحية أكثر من اللازم. ويقدّم الدليل على Habr شيئًا وسطًا: عمقًا دون حاجز رياضي.

ماذا يعني ذلك

يتجه المحتوى التعليمي في ML تدريجيًا نحو الجمهور الهندسي. أما المؤلفون القادرون على شرح مفاهيم معقدة رياضيًا عبر الكود دون فقدان المعنى فعددهم قليل جدًا. وإذا حافظ الدليل على الأسلوب المعلن طوال المقال، فقد يصبح من أنفع المصادر للمطوّرين الناطقين بالروسية الذين يخطون خطواتهم الأولى في ML.