شرح مادة عال 370 الذكاء الاصطناعي - جامعة الاميرة نورة

مادة عال 370 (المعروفة ايضا بـ CS 370)، الذكاء الاصطناعي (Artificial Intelligence) بجامعة الاميرة نورة بنت عبدالرحمن، هي اكثر مادة اتغيرت قيمتها في سوق العمل خلال السنتين الاخيرتين. قبل ChatGPT، الذكاء الاصطناعي كان يعتبر مادة اختيارية او نظرية تاخذينها لو تبين تتعمقين. بعد 2023، صار كل طالبة في تخصص الحاسب تحتاج تفهم AI، ليس لانه موضة، بل لان كل شركة في السعودية (من ارامكو الى سدايا الى STC) تبحث عن موظفات يعرفون الاساس.

السعودية تستثمر مليارات في الذكاء الاصطناعي ضمن رؤية 2030. سدايا وحدها (الهيئة السعودية للبيانات والذكاء الاصطناعي) وظفت مئات المطورين في السنتين الاخيرتين. عال 370 ما تجهزك للسوق كمتخصصة ذكاء اصطناعي، لكنها تضمن انك لما تقدمين على اي وظيفة تقنية، ما تكونين ضايعة في المفاهيم الاساسية.

ليش عال 370 من اهم المواد اللي بتاخذينها

لما تتكلمين مع خريجة علوم حاسب من قبل 2020، راح تقول لك ان AI كانت مادة ثانوية. اليوم المشهد انقلب. ثلاث اسباب توضح الفرق:

• لو تتابعين الوظائف على LinkedIn في السعودية، اكثر من 40% من وظائف الحاسب الجديدة تذكر AI او Machine Learning في المتطلبات، حتى لو الوظيفة مو مخصصة AI
• سدايا تطرح وظائف شهريا، وتبحث عن خريجات الجامعات السعودية بالتحديد. عال 370 هي الحد الادنى اللي يفرقك عن المتقدمات الاخريات
• لو تفكرين في الماجستير داخل السعودية او خارجها، قبول برامج Data Science و AI يقرا درجة عال 370 بدقة
• مشاريع التخرج القوية هذي الايام كلها فيها عنصر AI: نظام توصيات، تصنيف صور، chatbot، او تحليل نصوص. بدون عال 370، تصميم هذي المشاريع صعب
• فهم حدود AI نفسه. كثير من المشاريع تفشل لان الناس يظنون ان AI “يحل كل شي”. عال 370 تعلمك متى AI هو الحل الصح ومتى هو اعقد من اللازم

نظرة عامة على خطة عال 370

المادة تتوزع عادة على 15 اسبوع:

الاسابيع	الموضوع	صعوبة
1-2	مقدمة في AI والوكلاء الاذكياء	سهلة
3-4	خوارزميات البحث غير المطلع	متوسطة
5-6	البحث المطلع (A* والهيوريستك)	صعبة
7-8	البحث التنافسي (Minimax)	متوسطة
9	مسائل اشباع القيود (CSP)	متوسطة
10-11	المنطق وتمثيل المعرفة	صعبة
12-13	مقدمة في تعلم الالة	متوسطة
14	الشبكات العصبية (نظرة عامة)	متوسطة
15	مراجعة ومشروع

1. الوكلاء الاذكياء (Intelligent Agents)

اول ما تبدا المادة، تتعلمين تفكرين في AI بطريقة مختلفة. بدل ما تكتبين كود يحل مشكلة مباشرة، تصممين وكيل (Agent) يتفاعل مع بيئة ويتخذ قرارات.

مكونات الوكيل

• المستشعرات (Sensors): كيف الوكيل يشوف بيئته (الكاميرا، الميكروفون، المستخدم)
• المحركات (Actuators): كيف الوكيل يتصرف (يحرك ذراع، يطبع نص، يرسل رسالة)
• البرنامج (Program): المنطق اللي يربط المدخلات بالمخرجات

تصنيف البيئات

• يمكن ملاحظتها كليا / جزئيا: هل الوكيل يشوف كل شيء؟ (شطرنج = كلي، بوكر = جزئي)
• حتمية / عشوائية: هل نفس الفعل يعطي نفس النتيجة دائما؟
• منفصلة / متصلة: هل الخيارات محدودة؟
• احادية / متعددة الوكلاء: هل فيه وكلاء اخرون؟

2. البحث غير المطلع (Uninformed Search)

هنا تبدا المادة العملية. كل مسالة AI ممكن تتحول الى مسالة بحث: عندك حالة بداية، حالة هدف، وعمليات تنقلك بينهم.

الخوارزميات الاساسية

• BFS (Breadth-First Search): يستكشف بالعرض. يستخدم Queue. يضمن اقصر مسار بعدد الخطوات لكن ياكل ذاكرة
• DFS (Depth-First Search): يستكشف بالعمق. يستخدم Stack. اقل ذاكرة لكن ما يضمن اقصر مسار
• UCS (Uniform Cost Search): يفضل المسار الاقل تكلفة. يستخدم Priority Queue

مثال: لعبة 8-Puzzle

from collections import deque

def bfs(start, goal):
    queue = deque([(start, [])])
    visited = {tuple(map(tuple, start))}
    while queue:
        state, path = queue.popleft()
        if state == goal:
            return path
        for move, new_state in get_neighbors(state):
            key = tuple(map(tuple, new_state))
            if key not in visited:
                visited.add(key)
                queue.append((new_state, path + [move]))
    return None

مقارنة التعقيد

الخوارزمية	التعقيد الزمني	التعقيد المكاني	كامل؟	الامثلية؟
BFS	O(b^d)	O(b^d)	نعم	نعم (لو التكاليف متساوية)
DFS	O(b^m)	O(b·m)	لا	لا
UCS	O(b^(1+C*/ε))	مثل BFS	نعم	نعم

حيث b = عامل التفرع، d = عمق الحل، m = اقصى عمق.

3. البحث المطلع (Informed Search) و A* والهيوريستك

هنا تبدا المادة تصير صعبة. الفكرة: بدل ما نستكشف عشوائيا، نستخدم دالة هيوريستية h(n) تقدر الوصول للهدف، ونوجه البحث بناء عليها.

خوارزمية A*

f(n) = g(n) + h(n)

• g(n): التكلفة الفعلية من البداية الى n
• h(n): التقدير الهيوريستي من n الى الهدف
• f(n): الكلفة الاجمالية المقدرة للمسار عبر n

قصة من فصل ماضي

جتنا طالبة من نورة قبل اسبوعين من الاختبار النصفي، كانت تعاني من A*. قالت فاهمة BFS و DFS لكن A* مو داخل دماغها. سالناها: كيف تشوفين الفرق بين g و h؟ قالت حفظت التعاريف. قلنا لها احذفي التعاريف، وتخيلي انك في الرياض وتبين توصلين لجدة. g هو الكيلومترات اللي قطعتيها فعلا، و h هو المسافة المستقيمة بين موقعك الحالي وجدة (تقدير، مو الحقيقة لان فيه جبال وطرق). A* يختار دائما الطريق اللي مجموع المقطوع + المتبقي المتوقع اقل. خلال 10 دقايق فهمت. في الاختبار جاء سؤال يطلب تتبع A* على خريطة من 6 مدن، حلته كامل.

شروط الهيوريستيك الجيدة

• Admissible: ما يبالغ في التقدير. h(n) ≤ تكلفة الحل الحقيقي من n
• Consistent (Monotonic): h(n) ≤ c(n, n') + h(n') لكل جار n'

لو الهيوريستيك Admissible، A* يضمن اقصر مسار. هذي نقطة تتكرر في كل اختبار تقريبا.

4. البحث التنافسي (Adversarial Search)

في المسائل اللي فيها خصم (العاب الاستراتيجية مثل الشطرنج او Tic-Tac-Toe)، نستخدم خوارزمية Minimax.

Minimax الاساسية

الفكرة: نفترض ان خصمك يلعب بمثالية (يختار الحركة اللي تقلل مكسبك). نحن نعظم، هو يقلل. نبني شجرة حركات ونمرر القيم من الاوراق للجذر.

def minimax(state, depth, maximizing):
    if depth == 0 or game_over(state):
        return evaluate(state)
    if maximizing:
        value = -infinity
        for move in possible_moves(state):
            value = max(value, minimax(apply(state, move), depth-1, False))
        return value
    else:
        value = +infinity
        for move in possible_moves(state):
            value = min(value, minimax(apply(state, move), depth-1, True))
        return value

Alpha-Beta Pruning

Minimax بطيء جدا لما عدد الحركات يكبر (شطرنج فيه 35 حركة متوسط لكل دور). Alpha-Beta يقص الفروع اللي ما راح تأثر على النتيجة النهائية.

• alpha: افضل قيمة وصلت لها كلاعبة تعظم
• beta: افضل قيمة وصلت لها الخصم كلاعب يقلل
• لو alpha >= beta، نوقف البحث في هذا الفرع

Alpha-Beta في افضل حالة يقلل التعقيد من O(b^d) الى O(b^(d/2))، يعني ممكن تبحثين ضعف العمق بنفس الوقت. هذي تحسين ضخم.

5. مسائل اشباع القيود (CSP)

مسالة CSP عبارة عن ثلاثة اجزاء: متغيرات، نطاقات، قيود. المثال الكلاسيكي: Sudoku، تلوين الخرائط، جدولة الامتحانات.

تقنيات الحل

• Backtracking: جرب قيمة، لو فشلت ارجع. بدائي لكن يعمل
• Forward Checking: لما تسندين قيمة، احذفيها من نطاقات المتغيرات المجاورة
• AC-3 (Arc Consistency): تنقية استباقية للنطاقات باستخدام القيود الثنائية

مثال: تلوين خريطة استراليا

5 ولايات، 3 الوان، لا ولايتين متجاورتين بنفس اللون. Backtracking يحلها في ثواني. Sudoku الاساسية بنفس الفكرة.

6. المنطق وتمثيل المعرفة

اصعب جزء نظري في المادة. الفكرة: نمثل المعرفة بشكل رسمي نقدر نستنتج منه.

المنطق القضوي (Propositional Logic)

• عبارات: P، Q، R (قيم صح/خطا)
• عمليات: ¬ (نفي)، ∧ (و)، ∨ (او)، → (يترتب)، ↔ (تكافؤ)
• قواعد الاستنتاج: Modus Ponens، Modus Tollens، Resolution

مثال

P = "يومها ممطر"
Q = "تاخذين المظلة"
P → Q (لو ممطر، تاخذين المظلة)
P (ممطر)
∴ Q (تاخذين المظلة)   ← Modus Ponens

المنطق من الدرجة الاولى (First-Order Logic)

توسيع يضيف كميات: ∀ (لكل)، ∃ (يوجد)، ومتغيرات.

∀x (طالبة(x) → تدرس(x))
طالبة(نورة)
∴ تدرس(نورة)

7. مقدمة في تعلم الالة (Machine Learning)

في نهاية المادة غالبا، تدخلين عالم ML. عال 370 ما تتعمق، لكن تعطيك اساس لمواد ML المتقدمة.

الانواع الثلاثة

• التعلم المراقب (Supervised): عندك بيانات مصنفة، النموذج يتعلم التصنيف. امثلة: تصنيف بريد (spam او لا)، تنبؤ سعر بيت
• التعلم غير المراقب (Unsupervised): ما فيه تصنيف، النموذج يكتشف الانماط. امثلة: تجميع العملاء (clustering)
• التعلم المعزز (Reinforcement): النموذج يتعلم بالمحاولة والخطا مع مكافات. امثلة: AlphaGo

شجرة القرار (Decision Tree)

من ابسط واهم نماذج ML. تقسم البيانات بناء على خصائص لحد ما توصل لتصنيف.

هل المطر؟
 ├── نعم → خذ المظلة
 └── لا → هل درجة الحرارة > 30؟
           ├── نعم → اشرب ماء
           └── لا → اخرج عادي

تبني الشجرة باستخدام مفهوم Information Gain لاختيار الخاصية الافضل في كل خطوة.

اخطاء شائعة في عال 370

خطة مذاكرة عال 370

ربط المادة بمسارك الاكاديمي

عال 370 مقدمة، لكن هي البوابة لعالم كامل. بعدها:

• تعلم الالة المتقدم: يتوسع في النماذج (SVM، Random Forest، Neural Networks). لو اخذتي عال 370 بتركيز، هذي المواد تصير سهلة
• الشبكات العصبية العميقة: اساس ChatGPT و DALL-E. تبني على مفهوم Decision Trees لكن بعمق اكثر بكثير
• معالجة اللغات الطبيعية: كيف الالة تفهم النصوص. LLMs الحديثة هي ذروة هذا المجال
• الرؤية الحاسوبية: تصنيف الصور، اكتشاف الوجوه، السيارات ذاتية القيادة
• مشروع التخرج: 70% من مشاريع التخرج في تقنية المعلومات اليوم فيها عنصر AI. عال 370 هي الاساس اللي تبنين عليه

لو تبين تتعمقين في خوارزميات البحث نفسها (BFS، DFS، A*)، شرح عال 220 تحليل وتصميم الخوارزميات يغطي الاسس النظرية بعمق اكبر. ولو تبين نظرة عامة على AI ككل قبل المادة، دليلنا الشامل لمقدمة الذكاء الاصطناعي يعطيك الصورة الكبرى بدون تعقيدات الاختبار.

خلاصة

عال 370 هي المادة اللي تحسمين فيها هل AI مجالك الحقيقي او لا. بعض الطالبات يكتشفون حبهم لـ AI فيها ويحولون لتخصص AI المستقل. وبعضهن يكتشفن ان AI مو لهم ويفضلون تطوير التطبيقات او الشبكات. كلا الاستنتاجين مفيد، المهم تاخذين المادة بجدية عشان تعرفين نفسك.

ثلاث نصائح تفرقك عن الطالبات الاخريات:

• برمجي، ما تتفرجين. كل خوارزمية في المادة (BFS، DFS، A*، Minimax، Decision Tree) اكتبيها بنفسك على Python. الفرق بين ما ترين الكود وبين تكتبينه هو الفرق بين تفهمين المفهوم وتحفظينه
• اربطي المفاهيم بالواقع. A* هو خرائط قوقل. Minimax هو اللي يخلي محركات الشطرنج تلعب. Decision Tree هو كيف البنك يقرر القرض. الربط بالتطبيق يثبت المعلومة
• لا تتحمسين زيادة. AI مجال يحتاج اساس رياضي قوي (احصاء، جبر خطي). عال 370 بداية، والرحلة الحقيقية تبدا بعدها. المادة تفتح الباب، مو تعطيك مفاتيح القلعة

لو اخذتي عال 370 بتركيز وبنيتي مشروع عملي فيها (لعبة تستخدم Minimax، محلل نصوص بسيط، او نموذج توصيات)، راح يكون عندك مشروع تضعينه في CV قبل التخرج. وهذا اكثر قيمة من معدل 5.