ملخص تقنية المعلومات
الصف العاشر · الفصل الدراسي الثاني · Python & Artificial Intelligence
PROGRAMMED BY
PROG_O.G
✦
٢
وحدة
٧
درس
١٣٥
صفحة
١
الوحدة الأولى — المعالجة الرقمية · Digital Processing
Python Programming · القوائم · الصفوف · القواميس · الدوال
📋
القوائم — Lists
هياكل البيانات غير الأولية
القائمة = مجموعة مرتبة وقابلة للتغيير تحتوي أي نوع من البيانات — تُكتب
بـ [ ]
خصائص القوائم:
| الخاصية | القيمة | الشرح |
|---|---|---|
| Mutable | ✅ نعم | يمكن التعديل بعد الإنشاء |
| Ordered | ✅ نعم | ترتيب العناصر محفوظ |
| Indexing | ✅ نعم | يمكن الوصول بالفهرس |
| Unique Elements | ❌ لا | تسمح بتكرار القيم |
| Delimiters | [ ] | أقواس مربعة |
Mutable✅ قابلة للتعديل
Ordered✅ مرتبة
Indexing✅ فهرسة
Delimiters[ ] أقواس مربعة
الصيغة العامة:
list_name = [ item1 , item2 , ... ]
إنشاء القوائم:
# قائمة فارغة
list_1 = []
# قائمة أعداد صحيحة
numbers = [1, 2, 3, 4, 5]
# قائمة سلاسل نصية
names = ['Ahmed', 'Sara', 'Ali']
# قائمة من أنواع مختلفة
multi = ['Hello', 16, 3.14, True]
list_1 = []
# قائمة أعداد صحيحة
numbers = [1, 2, 3, 4, 5]
# قائمة سلاسل نصية
names = ['Ahmed', 'Sara', 'Ali']
# قائمة من أنواع مختلفة
multi = ['Hello', 16, 3.14, True]
العمليات على القوائم:
| العملية | الدالة / الطريقة | مثال |
|---|---|---|
| الوصول | list[index] | list[0] → أول عنصر · list[-1] → آخر عنصر |
| التعديل | list[index] = value | list[1] = 'جديد' |
| إضافة في النهاية | .append(item) | sports.append('Basketball') |
| إضافة في مكان محدد | .insert(i, item) | sports.insert(2, 'Tennis') |
| حذف بالقيمة | .remove(value) | sports.remove('Volleyball') |
| حذف بالفهرس | .pop(index) | sports.pop(1) |
| حذف الأخير | .pop() | sports.pop() |
| حذف الكل | .clear() | sports.clear() |
| الطول | len(list) | len(GCC) → 6 |
الوصولlist[0] أول · list[-1]
آخر
التعديلlist[i] = value
appendإضافة في النهاية
insert(i)إضافة في مكان محدد
removeحذف بالقيمة
pop(i)حذف بالفهرس
clear()حذف الكل
len()الطول / عدد العناصر
💡الفرق بين remove و pop:
remove('value') — يحذف حسب القيمة | pop(index) — يحذف حسب رقم الموقع
remove('value') — يحذف حسب القيمة | pop(index) — يحذف حسب رقم الموقع
التطبيقات العملية:
# التحقق من وجود عنصر
if 'Apple' in fruits_list:
print('موجود!')
# طباعة كل العناصر بـ for
for animal in animals:
print(animal)
if 'Apple' in fruits_list:
print('موجود!')
# طباعة كل العناصر بـ for
for animal in animals:
print(animal)
🔒
الصفوف — Tuples
بيانات ثابتة غير قابلة للتغيير
الصف = مجموعة مرتبة وغير قابلة للتغيير (Immutable) — تُكتب بـ (
)
مقارنة Lists vs Tuples:
| الخاصية | List | Tuple |
|---|---|---|
| Mutable | ✅ نعم | ❌ لا |
| Ordered | ✅ نعم | ✅ نعم |
| Indexing | ✅ نعم | ✅ نعم |
| Unique | ❌ لا | ❌ لا |
| Delimiters | [ ] | ( ) |
| السرعة | أبطأ نسبياً | ⚡ أسرع — ذاكرة أقل |
MutableList ✅ · Tuple ❌
DelimitersList [ ] · Tuple ( )
السرعةTuple أسرع وذاكرة أقل
الصيغة والأمثلة:
# إنشاء Tuple
week_days = ('Sunday', 'Monday', 'Tuesday', ...)
# Tuple بأنواع مختلفة
location = ('Kuwait', 29.3759, 47.9774)
# الوصول بالفهرس
print(week_days[0]) # Sunday
print(week_days[-1]) # Saturday
week_days = ('Sunday', 'Monday', 'Tuesday', ...)
# Tuple بأنواع مختلفة
location = ('Kuwait', 29.3759, 47.9774)
# الوصول بالفهرس
print(week_days[0]) # Sunday
print(week_days[-1]) # Saturday
Sequence Unpacking:
# تخصيص عناصر Tuple لمتغيرات
city, lat, lon = ('Kuwait', 29.37, 47.97)
print(city) # Kuwait
city, lat, lon = ('Kuwait', 29.37, 47.97)
print(city) # Kuwait
💡متى نستخدم Tuple؟ لما نريد بيانات ثابتة مضمونة لا تتغير
— مثل إحداثيات جغرافية، أيام الأسبوع
📖
القواميس — Dictionaries
بيانات بأزواج مفتاح وقيمة
القاموس = مجموعة من أزواج Key : Value — تُكتب بـ { }
خصائص القواميس:
| الخاصية | القيمة |
|---|---|
| Delimiters | { } أقواس معقوفة |
| Mutable | ✅ قابلة للتعديل |
| Ordered | ✅ محفوظ (Python 3.7+) |
| Unique Keys | ✅ المفاتيح فريدة — لا تكرار |
| الوصول | بالمفتاح وليس بالفهرس |
Delimiters{ } أقواس معقوفة
الوصولبالمفتاح (Key)
Unique Keysالمفاتيح لا تتكرر
الصيغة والعمليات:
# إنشاء قاموس
student = {'name': 'Ahmed', 'age': 16, 'grade': 10}
# الوصول بالمفتاح
print(student['name']) # Ahmed
# إضافة / تعديل قيمة
student['school'] = 'Kuwait High'
# حذف مفتاح
del student['age']
# التكرار على القاموس
for key, value in student.items():
print(key, ':', value)
student = {'name': 'Ahmed', 'age': 16, 'grade': 10}
# الوصول بالمفتاح
print(student['name']) # Ahmed
# إضافة / تعديل قيمة
student['school'] = 'Kuwait High'
# حذف مفتاح
del student['age']
# التكرار على القاموس
for key, value in student.items():
print(key, ':', value)
دوال القواميس المهمة:
| الدالة | الوصف |
|---|---|
| .keys() | إرجاع جميع المفاتيح |
| .values() | إرجاع جميع القيم |
| .items() | إرجاع أزواج (key, value) |
| .get(key) | الحصول على قيمة بأمان |
| .pop(key) | حذف مفتاح وإرجاع قيمته |
| .clear() | حذف جميع العناصر |
.keys()جميع المفاتيح
.values()جميع القيم
.items()أزواج key:value
.get(key)الحصول بأمان
⚙️
الدوال — Functions
كتلة برمجية قابلة لإعادة الاستخدام
الدالة = مجموعة تعليمات برمجية لها اسم، تُنفَّذ عند استدعائها — تُعرَّف بـ
def
الصيغة العامة:
def function_name(parameter1, parameter2):
# كود الدالة
return result
# كود الدالة
return result
أمثلة على الدوال:
# دالة بسيطة بدون return
def greet(name):
print(f'مرحباً يا {name}')
greet('Ahmed')
# دالة ترجع قيمة
def add(a, b):
return a + b
result = add(5, 3) # result = 8
def greet(name):
print(f'مرحباً يا {name}')
greet('Ahmed')
# دالة ترجع قيمة
def add(a, b):
return a + b
result = add(5, 3) # result = 8
أنواع الدوال:
| النوع | الشرح |
|---|---|
| بدون بارامترات | def greet(): — لا تأخذ مدخلات |
| بارامتر واحد | def greet(name): — تأخذ مدخلاً واحداً |
| بارامترات متعددة | def add(a, b): — تأخذ أكثر من مدخل |
| مع return | ترجع قيمة يمكن استخدامها لاحقاً |
| بدون return | تنفذ عملية فقط ولا ترجع شيئاً |
defالكلمة المحجوزة لتعريف دالة
parameterمدخل الدالة عند
التعريف
argumentالقيمة عند استدعاء
الدالة
returnإرجاع قيمة من الدالة
💡فائدة الدوال: تجنب تكرار الكود · سهولة الصيانة · إعادة
الاستخدام في أكثر من مكان
✦ نهاية الوحدة الأولى ✦
٢
الوحدة الثانية — المنتجات الرقمية · Digital Products
Modules & Packages · مدخل إلى AI · مشروعات الذكاء الاصطناعي
📦
الوحدات والحزم — Modules & Packages
تنظيم الكود وإعادة استخدامه
Module = ملف يحتوي تعليمات برمجية جاهزة للاستخدام ·
Package = مجموعة من الـ Modules
أقسام الوحدات والحزم:
📦
Third-Party
خارجية — تُثبَّت عند الحاجة
🔧
Standard
مدمجة — تُثبَّت تلقائياً مع Python
👨💻
Custom
خاصة — تُنشأ من قبل المبرمج
⚡
أهمية الحزم
توفر الوقت · إعادة الاستخدام · سهولة
الصيانة
أشهر الوحدات والحزم:
| الاسم | النوع | الاستخدام |
|---|---|---|
| datetime | Standard | التاريخ والوقت |
| random | Standard | توليد قيمة عشوائية |
| sqlite3 | Standard | قواعد البيانات |
| OpenCV (cv2) | Third-Party | الرؤية الحاسوبية · الصور والفيديو |
| NumPy | Third-Party | العمليات الحسابية · المصفوفات |
datetimeالتاريخ والوقت —
مدمجة
randomأعداد عشوائية — مدمجة
OpenCVصور وفيديو — خارجية
NumPyمصفوفات وحسابات —
خارجية
طرق الاستيراد:
# استيراد وحدة كاملة
import random
num = random.randint(1, 10)
# استيراد دالة محددة فقط
from random import randint
num = randint(1, 10)
import random
num = random.randint(1, 10)
# استيراد دالة محددة فقط
from random import randint
num = randint(1, 10)
تثبيت وحذف الحزم الخارجية:
# تثبيت حزمة
pip install opencv-python
# حذف حزمة
pip uninstall opencv-python
pip install opencv-python
# حذف حزمة
pip uninstall opencv-python
مثال: عرض صورة بـ OpenCV:
import cv2
image = cv2.imread('photo.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Image', gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
image = cv2.imread('photo.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Image', gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
🧠
مدخل إلى الذكاء الاصطناعي
Introduction to Artificial Intelligence
الذكاء الاصطناعي (AI) = علم تصميم أنظمة تحاكي القدرات العقلية للإنسان
— الفهم والتعلم وحل المشكلات واتخاذ القرار
المفاهيم الأساسية:
| المفهوم | التعريف |
|---|---|
| AI | أنظمة تحاكي التفكير البشري وتتخذ قرارات ذاتية |
| Machine Learning (ML) | فرع من AI — يتعلم من البيانات السابقة دون برمجة صريحة |
| Deep Learning (DL) | فرع من ML — يعتمد على الشبكات العصبية الاصطناعية (ANNs) |
| Generative AI | ذكاء اصطناعي يُنشئ محتوى جديد (نص، صور، فيديو، صوت) |
AIمحاكاة التفكير البشري
MLتعلم من البيانات ذاتياً
Deep Learningشبكات عصبية
اصطناعية
Generative AIينشئ محتوى
جديداً
وظائف تعلم الآلة (Machine Learning):
| الوظيفة | الهدف | مثال تطبيقي |
|---|---|---|
| التصنيف — Classification | تحديد الفئة التي تنتمي إليها البيانات | بريد عادي أو مزعج · صورة قطة أم كلب |
| التنبؤ — Prediction | تقدير حدث مستقبلي | هل سينجح الطالب في الاختبار؟ |
| الانحدار — Regression | تقدير قيم رقمية مستمرة | التنبؤ بسعر منتج أو درجة حرارة |
| التجميع — Clustering | تجميع البيانات المتشابهة | تقسيم العملاء حسب سلوك الشراء |
| كشف الشذوذ — Anomaly Detection | اكتشاف السلوكيات غير الطبيعية | كشف الاحتيال البنكي |
Classificationتصنيف البيانات
لفئات
Predictionالتنبؤ بحدث
مستقبلي
Regressionتقدير قيم رقمية
Clusteringتجميع متشابهات
Anomaly Detectionكشف السلوكيات
الغريبة
أنواع تعلم الآلة:
| النوع | الشرح | مثال |
|---|---|---|
| Supervised Learning (الموجَّه) | يتعلم من بيانات مصنَّفة مسبقاً | تصنيف البريد الإلكتروني |
| Unsupervised Learning (غير الموجَّه) | يكتشف الأنماط في بيانات غير مصنَّفة | تجميع الصور المتشابهة |
| Reinforcement Learning (المعزَّز) | يتعلم بالتجربة والخطأ عبر مكافآت وعقوبات | تدريب روبوت على المشي |
Supervisedبيانات مصنَّفة
مسبقاً
Unsupervisedيكتشف الأنماط
ذاتياً
Reinforcementتعلم بمكافأة
وعقوبة
أنواع الشبكات العصبية في Deep Learning:
| الشبكة | الاختصار | الاستخدام |
|---|---|---|
| Convolutional Neural Networks | CNNs | معالجة الصور والفيديو · التعرف على الوجوه · كشف الأورام |
| Recurrent Neural Networks | RNNs | البيانات المتسلسلة زمنياً · الترجمة · التعرف على الكلام |
| Transformers | — | معالجة النصوص الطويلة · الذكاء التوليدي · تلخيص النصوص |
CNNsصور وفيديو — وجوه وأورام
RNNsبيانات زمنية — ترجمة
وكلام
Transformersنصوص طويلة — ذكاء
توليدي
الذكاء التوليدي — Generative AI:
يُنشئ محتوى جديداً يشبه ما ينتجه الإنسان — نصوص · صور · فيديو · صوت
| التطبيق | الشرح | مثال |
|---|---|---|
| Text Generation | توليد نصوص ومحادثات | ChatGPT |
| Image Generation | توليد صور خيالية | GANs · Diffusion Models |
| Video Generation | توليد فيديو من وصف نصي | Google Veo |
| Voice Generation | تحويل النص إلى كلام | TTS Models |
ChatGPTتوليد نصوص ومحادثات
GANsتوليد صور خيالية
Google Veoتوليد فيديو من نص
أشهر أدوات الذكاء الاصطناعي:
ChatGPT
نموذج لغوي كبير من OpenAI
Google Gemini
نموذج متعدد الوسائط من Google
MS Copilot
مساعد ذكي على Microsoft Teams
IoT
إنترنت الأشياء — تحكم عن بُعد
مستويات الذكاء الاصطناعي:
| المستوى | الاختصار | الوصف | الحالة |
|---|---|---|---|
| الذكاء الضيق | ANI | يتميز في مهمة محددة واحدة — Siri, Alexa, شطرنج | ✅ موجود الآن |
| الذكاء العام | AGI | قدرات شبيهة بالإنسان في أي مهمة | ⏳ الجيل القادم |
| الذكاء الفائق | ASI | يتجاوز قدرات البشر في كل المجالات | 🔮 افتراضي |
ANIمهمة واحدة — موجود الآن
AGIمثل الإنسان — قيد التطوير
ASIيتجاوز الإنسان — افتراضي
مراحل عمل نظام الذكاء الاصطناعي:
- جمع البيانات — Data Collection: الحصول على بيانات من مصادر متنوعة (قواعد بيانات، صور، استبيانات)
- معالجة البيانات — Data Processing: تنظيف البيانات وإزالة التكرارات وتصحيح الأخطاء
- التدريب — Training: تعليم النموذج باستخدام البيانات وتحسين دقته
- التنبؤ — Prediction: استخدام النموذج لاتخاذ قرارات أو تقديم نتائج
- التقييم والتحسين — Evaluation: مقارنة النتائج بالأهداف وتحسين الأداء
- نشر النموذج — Deployment: نشر النموذج للاستخدام في التطبيقات الحقيقية
تصميم الأوامر — Prompt Design:
مهارة كتابة الطلبات بشكل دقيق وواضح للحصول على أفضل النتائج من أدوات الذكاء الاصطناعي
💡كلما كان الأمر محدداً وواضحاً وموجَّهاً لهدف محدد،
كانت إجابة الذكاء الاصطناعي أكثر دقة ومناسبة
مبادئ أخلاقيات الذكاء الاصطناعي:
- الاستخدام الآمن والمسؤول للتقنيات الحديثة
- حماية خصوصية البيانات وعدم إساءة استخدامها
- الشفافية في آلية عمل الأنظمة الذكية
- تجنب التحيز في النماذج وضمان العدالة
- اليونسكو وضعت وثيقة تاريخية لأخلاقيات AI
🚀
مشروعات الذكاء الاصطناعي
Artificial Intelligence Projects — OpenCV
مشروع تعليمي في تقنية التعرف على الوجوه باستخدام مكتبة
OpenCV المفتوحة المصدر
التجربة الأولى — اكتشاف الوجوه:
import cv2
# تحميل مصنّف الوجوه الجاهز
face_cascade = cv2.CascadeClassifier(
cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)
# طلب مسار الصورة من المستخدم
image_path = input('Enter the image path: ')
colored_image = cv2.imread(image_path)
gray = cv2.cvtColor(colored_image, cv2.COLOR_BGR2GRAY)
# عرض الصورة الملونة أولاً ثم الرمادية
cv2.imshow('Colored Image', colored_image)
cv2.waitKey(2000)
cv2.destroyAllWindows()
cv2.imshow('Grayed Image', gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
# تحميل مصنّف الوجوه الجاهز
face_cascade = cv2.CascadeClassifier(
cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)
# طلب مسار الصورة من المستخدم
image_path = input('Enter the image path: ')
colored_image = cv2.imread(image_path)
gray = cv2.cvtColor(colored_image, cv2.COLOR_BGR2GRAY)
# عرض الصورة الملونة أولاً ثم الرمادية
cv2.imshow('Colored Image', colored_image)
cv2.waitKey(2000)
cv2.destroyAllWindows()
cv2.imshow('Grayed Image', gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
التجربة الثانية — اكتشاف حركة الأشخاص:
import cv2
# تشغيل الكاميرا
video = cv2.VideoCapture(0)
bg_subtractor = cv2.createBackgroundSubtractorMOG2()
while True:
ret, frame = video.read()
if not ret: break
fg_mask = bg_subtractor.apply(frame)
cv2.imshow('Motion', fg_mask)
if cv2.waitKey(1) == ord('q'): break
cv2.destroyAllWindows()
# تشغيل الكاميرا
video = cv2.VideoCapture(0)
bg_subtractor = cv2.createBackgroundSubtractorMOG2()
while True:
ret, frame = video.read()
if not ret: break
fg_mask = bg_subtractor.apply(frame)
cv2.imshow('Motion', fg_mask)
if cv2.waitKey(1) == ord('q'): break
cv2.destroyAllWindows()
مكتبة OpenCV — أهم الدوال:
| الدالة | الاستخدام |
|---|---|
| cv2.imread(path) | تحميل صورة من المسار |
| cv2.imshow(name, img) | عرض صورة في نافذة |
| cv2.cvtColor(img, code) | تحويل نظام الألوان (BGR←→Gray) |
| cv2.VideoCapture(0) | الاتصال بالكاميرا |
| cv2.rectangle() | رسم مربع على الصورة |
| cv2.waitKey(ms) | الانتظار بالميلي ثانية |
| cv2.destroyAllWindows() | إغلاق جميع النوافذ |
imreadتحميل صورة
imshowعرض صورة
cvtColorتحويل الألوان
VideoCaptureتشغيل الكاميرا
waitKeyالانتظار بالميلي
ثانية
🔬Haar Cascade Classifier: خوارزمية جاهزة لاكتشاف
الوجوه في الصور — مدمجة في مكتبة OpenCV ومجانية الاستخدام
✦ نهاية الكتاب — الصف العاشر · الفصل الثاني ✦