Machine Learning Mastery
مصدر أخبار الذكاء الاصطناعي. تُختار المقالات وتُعدَّل من قِبَل تحرير Hamidun News.
أحدث المنشورات
كيف يدير وكلاء الذكاء الاصطناعي نوافذ السياق في المهام الطويلة: خمس استراتيجيات
يفصل موقع Machine Learning Mastery خمس استراتيجيات عملية لإدارة نوافذ السياق لوكلاء الذكاء الاصطناعي التي تعمل لساعات وتصطدم بحدود رموز النموذج.
LangChain vs LlamaIndex: كيف يختار المطورون إطار العمل لتطبيقات LLM
يبدأ مطورو تطبيقات LLM عادةً بطلبات مباشرة إلى واجهة API، لكن مع ازدياد تعقيد الشيفرة ينتقلون إلى أطر عمل متخصصة مثل LangChain أو LlamaIndex.
كيفية اختيار الأدوات لوكلاء الذكاء الاصطناعي: دليل شامل من Machine Learning Mastery
نشرت Machine Learning Mastery دليلاً حول اختيار الأدوات لوكلاء الذكاء الاصطناعي: لماذا يكون الأقل أفضل في الغالب وكيف تؤثر جودة الأوصاف على موثوقية الوكيل.
Scikit-LLM: تصنيف نصي متعدد الوسوم من دون مجموعة تدريب باستخدام LLM
تتيح مكتبة Scikit-LLM إسناد عدة وسوم لكل نص من دون مجموعة تدريب، باستخدام GPT-4 والنماذج المتوافقة عبر واجهة scikit-learn المألوفة.
Scikit-LLM: خط أنابيب متكامل لتحليل مشاعر النصوص باستخدام النماذج اللغوية
يدمج Scikit-LLM نماذج GPT وغيرها من LLM في pipelines الخاصة بـ sklearn — تحليل مشاعر من دون وسم البيانات أو fine-tuning، ضمن واجهة sklearn مألوفة.
خارطة طريق لتقييم وكلاء الذكاء الاصطناعي: المقاييس، معايير القياس، والأساليب العملية
تقييم وكلاء الذكاء الاصطناعي أصعب من تقييم نماذج اللغة: فهو يتطلب مقاييس منفصلة للمهام متعددة الخطوات، واستخدام الأدوات، والتعافي من الأخطاء.
نافذة السياق ليست ذاكرة: ما الذي يجب أن يفهمه مطورو وكلاء AI
غالبًا ما يخلط مطورو وكلاء AI بين نافذة سياق كبيرة والذاكرة طويلة الأمد — وهذا خطأ معماري يظهر في بيئة الإنتاج عند التعامل مع المستخدمين العائدين.
المكدس التقني لوكلاء AI: LLM، الأوركسترة، الذاكرة المتجهية والأدوات
يشرح Machine Learning Mastery المكونات التي يتكوّن منها وكيل AI حديث: إطار عمل للأوركسترة، وطبقات ذاكرة، وأدوات لتنفيذ الإجراءات، ومراقبة.
تجميع النصوص دون وسم: تضمينات LLM وHDBSCAN من Machine Learning Mastery
يوضح Machine Learning Mastery كيفية تجميع النصوص غير المهيكلة حسب الموضوعات باستخدام تضمينات LLM وHDBSCAN، من دون وسم يدوي أو عدد معروف مسبقًا من الفئات.
كيفية تصميم الأدوات لوكلاء الذكاء الاصطناعي: الممارسات العملية والأخطاء الشائعة
قام Machine Learning Mastery بتحليل السبب في أن أداء وكيل الذكاء الاصطناعي يعتمد على جودة تصميم أدواته — والأخطاء التي تجعلها غير مفيدة.
Machine Learning Mastery: مفاهيم Python التي يجب على مهندس الذكاء الاصطناعي إتقانها للإنتاج
شرح Machine Learning Mastery أي أنماط Python تميز النصوص البرمجية التجريبية عن أنظمة الذكاء الاصطناعي القابلة للتوسع التي تتحمل الحمل الحقيقي.
كيف يعمل اختيار الرموز في الشبكات العصبية: logits والحرارة و top-p
نستكشف رياضيات توليد النصوص في نماذج اللغة الكبيرة: كيف تؤثر logits والحرارة و top-p على التوازن بين دقة الإجابات وإبداعيتها.
Context-pruning للوكلاء LLM طويلي الأجل: تقنية إدارة الذاكرة
تتطلب الوكلاء القائمون على نماذج اللغة الكبيرة نهجاً جديداً لإدارة الذاكرة أثناء الجلسات الطويلة. Context-pruning يسمح بإزالة المعلومات غير الضرورية وتوفير الرموز.
البحث الهجين في RAG: عندما تلتقي الدلالات بالكلمات الرئيسية
يجمع البحث الهجين بين خوارزميات دلالية وخوارزميات معجمية — وهذا حرج للغاية لأنظمة RAG الجاهزة للإنتاج.
مساعد بحث متعدد الوكلاء في Python مع OpenAI SDK
قدمت OpenAI مجموعة أدوات Agents SDK - إطار عمل لإنشاء أنظمة من عدة وكلاء يعملون معاً للبحث وتحليل المعلومات، مما يفتح إمكانيات جديدة لأتمتة البحث العلمي.
Machine Learning Mastery: البحث الدلالي باستخدام Embeddings بدلاً من الكلمات الأساسية
البحث بالكلمات الأساسية ينهار عندما لا يحتوي المستند على الكلمة التي يبحث عنها المستخدم. يوضح Machine Learning Mastery كيفية حل هذا باستخدام embeddings من نماذج اللغة الكبيرة والبيانات الوصفية.
كيف تختار معمارية وكيل AI: شجرة قرارات من Machine Learning Mastery
نشرت Machine Learning Mastery دليلاً يتضمن شجرة قرارات لاختيار نمط التصميم الأمثل لوكيل AI. يعتمد الاختيار على نوع المهمة ومتطلبات قابلية التوسع وطبيعة التفاعل مع الأنظمة الخارجية.
شرح Machine Learning Mastery كيفية بناء أنظمة ML من دون خوادم ومجموعات بيانات كبيرة
أصدر Machine Learning Mastery دليلاً عملياً حول ML في ظروف العتاد المحدود، وضعف الإنترنت، والبيانات غير النظيفة، مع التركيز على النماذج البسيطة والحلول الواضحة.
Machine Learning Mastery شرحت كيف تعمل قواعد البيانات المتجهية من البسيط إلى المعقد
أصدرت Machine Learning Mastery دليلًا مفصلًا عن قواعد البيانات المتجهية: من embeddings وsimilarity search إلى HNSW وIVF وPQ والمفاضلات بين الدقة والذاكرة وزمن الاستجابة.
أضافت LlamaCloud أداة LlamaAgents Builder لبناء ونشر وكلاء AI خلال دقائق
أصبحت LlamaCloud تضم LlamaAgents Builder، وهي خدمة beta تنشئ وكيلاً لمعالجة المستندات انطلاقًا من وصف نصي، وتنشره عبر GitHub، وتتيح اختباره داخل الواجهة.
عرض Machine Learning Mastery 7 دوال من itertools لهندسة الميزات في Python
نشر Machine Learning Mastery شرحًا عمليًا لسبع دوال من itertools في Python تساعد على بناء ميزات interaction وlag وpolynomial وcumulative بشكل أسرع ومن دون حلقات ضخمة.
حددت Machine Learning Mastery 7 اتجاهات في ML ستشكل 2026
سلطت Machine Learning Mastery الضوء على سبعة اتجاهات في تعلم الآلة لعام 2026: الأنظمة الوكيلة، وAI التوليدي كبنية تحتية، والنماذج الصغيرة، والحوسبة الطرفية، وتنامي دور MLOps.
أوضح Machine Learning Mastery كيف تجعل مُزيّنات Python خدمات ML أكثر موثوقية
استعرض Machine Learning Mastery خمسة مُزيّنات Python لـ ML في بيئات الإنتاج: فهي تساعد على تجاوز أعطال API، والتحقق من صحة بيانات الإدخال، وتوفير الموارد الحاسوبية، وتحسين قابلية المراقبة للخدمة.
Machine Learning Mastery شرح كيفية تجنب حالات التسابق في الأنظمة متعددة الوكلاء
نشر Machine Learning Mastery تحليلاً لحالات التسابق في الأنظمة متعددة الوكلاء: لماذا يفسد الوكلاء الحالة المشتركة من دون أخطاء وما الأنماط التي تقلل الخطر.
Gemma 4 من Google: كيفية تشغيل tool calling محليًا عبر Python وOllama
أوضح Machine Learning Mastery كيفية تحويل Gemma 4 إلى وكيل محلي مزود بـ tool calling: باستخدام Ollama وPython، يستدعي النموذج الدوال، ويحصل على بيانات من واجهات API، ويرد من دون الاعتماد على السحابة.
شرح Machine Learning Mastery كيفية بناء long-context RAG من دون tokens إضافية
استعرض Machine Learning Mastery خمس تقنيات لـ long-context RAG: reranking وcaching والبحث الهجين والبيانات الوصفية وquery expansion لتقليل الضوضاء والتكلفة وزمن الاستجابة.
أوضح Machine Learning Mastery كيفية تشغيل تصنيف النصوص zero-shot بدون dataset
نشر Machine Learning Mastery شرحًا عمليًا لتصنيف النصوص zero-shot: كيفية تحديد الفئات، واستخدام BART، والحصول على labels بدون تدريب على dataset خاص بك.
لماذا أصبحت الذاكرة عنصرًا أساسيًا في وكلاء AI: تحليل على ثلاثة مستويات من التعقيد
يوضح تحليل جديد للذاكرة في وكلاء AI النقطة الأساسية: من دون حفظ السياق، يجيب النموذج بشكل معزول، بينما تُبنى الأنظمة الوكيلة المفيدة على ذاكرة الحوار والمهام والجلسات السابقة.
حددت Machine Learning Mastery خمسة حواجز رئيسية لتوسيع نطاق الذكاء الاصطناعي الوكيلي في 2026
جمعت Machine Learning Mastery خمس مشاكل تمنع الذكاء الاصطناعي الوكيلي من الانتقال من عروض توضيحية مثيرة إلى إنتاج مستقر: من التنسيق إلى الأمان والتحكم في التكاليف.
Machine Learning Mastery: لماذا متجر المتجهات الواحد غير كافٍ لتطبيقات الذكاء الاصطناعي
Machine Learning Mastery تشرح لماذا لا يمكن لتطبيقات الذكاء الاصطناعي في الإنتاج الاعتماد على متجر المتجهات وحده: هناك حاجة أيضاً إلى طبقة SQL للتحكم في الوصول والفواتير والبيانات الوصفية وحالة التطبيق.