مرحباً بكم أيها المبرمجون والتقنيون! اليوم سنتعلم كيفية إعداد بيئة عمل ذكية ومستقرة للتعامل مع مشاريع الذكاء الاصطناعي وتعلم الآلة باستخدام Python. سنقوم بتثبيت المكتبات الأساسية والضرورية التي تشكل العمود الفقري لأي مشروع AI.
في هذا الدرس، سنقوم ببناء بيئة Python معزولة، ثم سنثبت المكتبات الأساسية مثل NumPy، Pandas، Scikit-learn، و TensorFlow (أو PyTorch) التي لا غنى عنها في عالم الذكاء الاصطناعي.
الخطوة 1: إعداد بيئة افتراضية (Virtual Environment)
تعد البيئات الافتراضية ضرورية للحفاظ على مشاريعك معزولة ومنع تضارب التبعيات. هذا يضمن أن كل مشروع له مجموعة مكتباته الخاصة.
ملاحظة تقنية: استخدام البيئات الافتراضية يمنع "تلوث" بيئة Python الرئيسية الخاصة بك ويجعل إدارة التبعيات لكل مشروع أسهل وأكثر أمانًا.
أولاً، افتح الطرفية (Terminal أو Command Prompt) وانتقل إلى المجلد الذي تريد إنشاء مشروعك فيه.
# إنشاء بيئة افتراضية باسم 'ai_env'
python -m venv ai_envبعد إنشاء البيئة، يجب تفعيلها. تختلف الأوامر قليلاً بين أنظمة التشغيل:
لنظامي Linux و macOS:
# تفعيل البيئة الافتراضية على Linux/macOS
source ai_env/bin/activateلنظام التشغيل Windows:
# تفعيل البيئة الافتراضية على Windows
.\ai_env\Scripts\activateستلاحظ أن اسم البيئة (ai_env) يظهر في بداية سطر الأوامر الخاص بك، مما يشير إلى أنها مفعلة.
الخطوة 2: تثبيت مكتبات الذكاء الاصطناعي الأساسية
الآن بعد أن أصبحت بيئتنا الافتراضية نشطة، يمكننا البدء في تثبيت المكتبات الأساسية للذكاء الاصطناعي وتعلم الآلة.
ملاحظة تقنية: pip هو مدير الحزم القياسي لـ Python. لضمان أفضل أداء، تأكد من تحديثه بانتظام قبل تثبيت الحزم الجديدة.
سنقوم بتثبيت NumPy للعمليات العددية، Pandas لمعالجة البيانات، Scikit-learn لأدوات تعلم الآلة، TensorFlow كإطار عمل للتعلم العميق، و Matplotlib للرسوم البيانية.
# تحديث pip (مستحسن دائماً)
python -m pip install --upgrade pip
# تثبيت مكتبات الذكاء الاصطناعي الأساسية
# NumPy: مكتبة للعمليات العددية والمصفوفات عالية الأداء
# Pandas: مكتبة لتحليل ومعالجة البيانات (DataFrames)
# Scikit-learn: مكتبة لأدوات تعلم الآلة الكلاسيكية
# TensorFlow: إطار عمل قوي للتعلم العميق (يمكن استبداله بـ PyTorch إذا كنت تفضل)
# Matplotlib: مكتبة لإنشاء الرسوم البيانية وتصور البيانات
pip install numpy pandas scikit-learn tensorflow matplotlibقد يستغرق هذا بعض الوقت اعتمادًا على سرعة اتصالك بالإنترنت ومواصفات جهازك.
الخطوة 3: التحقق من التثبيت
من المهم التحقق من أن جميع المكتبات تم تثبيتها بشكل صحيح وأنها جاهزة للاستخدام. سنقوم بإنشاء سكربت Python صغير لاستيراد هذه المكتبات وعرض إصداراتها.
# إنشاء ملف Python جديد (مثال: verify_env.py)
# واستيراد المكتبات للتحقق من التثبيت
import numpy as np # استيراد مكتبة NumPy
import pandas as pd # استيراد مكتبة Pandas
import sklearn # استيراد مكتبة Scikit-learn
import tensorflow as tf # استيراد مكتبة TensorFlow
import matplotlib # استيراد مكتبة Matplotlib
print("تم تثبيت NumPy بنجاح، الإصدار:", np.__version__) # طباعة إصدار NumPy
print("تم تثبيت Pandas بنجاح، الإصدار:", pd.__version__) # طباعة إصدار Pandas
print("تم تثبيت Scikit-learn بنجاح، الإصدار:", sklearn.__version__) # طباعة إصدار Scikit-learn
print("تم تثبيت TensorFlow بنجاح، الإصدار:", tf.__version__) # طباعة إصدار TensorFlow
print("تم تثبيت Matplotlib بنجاح، الإصدار:", matplotlib.__version__) # طباعة إصدار Matplotlib
# مثال بسيط للتأكد من أن TensorFlow يعمل (اختياري)
try:
hello = tf.constant("مرحباً من TensorFlow!") # إنشاء ثابت TensorFlow
tf.print(hello) # طباعة الثابت
except Exception as e:
print(f"حدث خطأ أثناء اختبار TensorFlow: {e}") # التعامل مع أي خطأ قد يحدثاحفظ الكود أعلاه في ملف باسم verify_env.py ثم قم بتشغيله من الطرفية (تأكد من أن بيئتك الافتراضية لا تزال نشطة):
python verify_env.pyالكود النهائي الكامل (Python)
هذا هو السكربت الذي قمنا بإنشائه في الخطوة 3، والذي يمكنك استخدامه للتحقق من بيئتك بعد تثبيت جميع المكتبات.
# سكربت للتحقق من تثبيت مكتبات الذكاء الاصطناعي الأساسية وإصداراتها
import numpy as np # استيراد مكتبة NumPy للعمليات العددية
import pandas as pd # استيراد مكتبة Pandas لتحليل البيانات
import sklearn # استيراد مكتبة Scikit-learn لأدوات تعلم الآلة
import tensorflow as tf # استيراد مكتبة TensorFlow للتعلم العميق
import matplotlib # استيراد مكتبة Matplotlib للرسوم البيانية
# طباعة إصدارات المكتبات المثبتة للتحقق
print("إصدارات مكتبات الذكاء الاصطناعي المثبتة:")
print(f"NumPy: {np.__version__}")
print(f"Pandas: {pd.__version__}")
print(f"Scikit-learn: {sklearn.__version__}")
print(f"TensorFlow: {tf.__version__}")
print(f"Matplotlib: {matplotlib.__version__}")
# مثال بسيط لاختبار وظائف TensorFlow
print("\nاختبار بسيط لـ TensorFlow:")
try:
# إنشاء مصفوفة TensorFlow ثابتة
tensor_a = tf.constant([[1, 2], [3, 4]])
tensor_b = tf.constant([[5, 6], [7, 8]])
# إجراء عملية جمع بسيطة
result = tf.add(tensor_a, tensor_b)
print("الجمع باستخدام TensorFlow (tf.add):")
tf.print(result) # استخدام tf.print لطباعة Tensors
except Exception as e:
print(f"حدث خطأ أثناء اختبار TensorFlow: {e}")
# مثال بسيط لاختبار وظائف NumPy
print("\nاختبار بسيط لـ NumPy:")
numpy_array_a = np.array([[1, 2], [3, 4]])
numpy_array_b = np.array([[5, 6], [7, 8]])
numpy_result = numpy_array_a + numpy_array_b
print("الجمع باستخدام NumPy:")
print(numpy_result)النتيجة المتوقعة
بعد تشغيل السكربت verify_env.py، ستظهر لك رسائل في الطرفية توضح أن المكتبات قد تم استيرادها بنجاح، بالإضافة إلى أرقام إصداراتها. هذا يؤكد أن بيئتك جاهزة للبدء في مشاريع الذكاء الاصطناعي.
مثال على الإخراج المتوقع (قد تختلف أرقام الإصدارات):
إصدارات مكتبات الذكاء الاصطناعي المثبتة:
NumPy: 1.26.4
Pandas: 2.2.2
Scikit-learn: 1.4.2
TensorFlow: 2.16.1
Matplotlib: 3.8.4
اختبار بسيط لـ TensorFlow:
الجمع باستخدام TensorFlow (tf.add):
[[ 6 8]
[10 12]]
اختبار بسيط لـ NumPy:
الجمع باستخدام NumPy:
[[ 6 8]
[10 12]]