6.2 الحالة والديناميكيات في RNN — بنية تكرارية تنقل معلومات الماضي إلى الحالة الحالية

في هذا المقال نفهم RNN من منظور Dynamical System، ونرى كيف تُضغط المعلومات السابقة في البيانات التسلسلية داخل System State ثم تُستخدم في الحساب الحالي. لا يركز الشرح هنا على تفاصيل تدريب Vanilla RNN، بل على معنى State Representation وRecurrence وParameter Sharing Across Time وUnfolding.

05/17/2026

Backpropagation Through Time (BPTT) — تدريب الشبكات العصبية المتكررة عبر الزمن باستخدام الانتشار العكسي

Backpropagation Through Time (BPTT) هو أسلوب للانتشار العكسي يتم فيه نشر Recurrent Neural Network عبر محور الزمن، ثم نقل الخطأ النهائي إلى الخطوات السابقة لتعلم نفس المعاملات المشتركة. يعد هذا الإجراء من أهم طرق تدريب RNN لأنه يسمح للنموذج بتعلم السياق والاعتماديات الزمنية الموجودة في البيانات التسلسلية.

07/28/2026

Bidirectional GRU — مبدأ دمج السياق السابق واللاحق في تمثيل التسلسل

Bidirectional GRU (BiGRU) هو نموذج يعتمد على تطبيق GRU (Gated Recurrent Unit) في اتجاهين مختلفين، بحيث يتم بناء تمثيل كل عنصر داخل التسلسل باستخدام معلومات السياق السابق واللاحق معًا. بينما يعتمد GRU أحادي الاتجاه على المعلومات التي ظهرت قبل اللحظة الحالية فقط، يقوم BiGRU بمعالجة التسلسل من البداية إلى النهاية ومن النهاية إلى البداية، مما يسمح للنموذج بفهم الإدخال الحالي ضمن السياق الكامل المحيط به.

07/18/2026

Bidirectional LSTM — كيفية دمج السياق السابق واللاحق لفهم التسلسل

Bidirectional LSTM (BiLSTM) هو نموذج من Recurrent Neural Network يعتمد على معالجة التسلسل من اتجاهين مختلفين في الوقت نفسه: من البداية إلى النهاية، ومن النهاية إلى البداية. يتيح ذلك للنموذج الاستفادة من المعلومات السابقة واللاحقة عند بناء تمثيل كل عنصر داخل التسلسل. على عكس LSTM التقليدي الذي يعتمد فقط على ما حدث قبل اللحظة الحالية داخل hidden state، يقوم BiLSTM بدمج مخرجات Forward LSTM وBackward LSTM للحصول على رؤية أكثر شمولًا للسياق. ونتيجة لذلك يستطيع النموذج تفسير الكلمات أو الرموز اعتمادًا على موقعها داخل الجملة كاملة بدلًا من الاعتماد على جزء واحد من السياق.

07/18/2026

Bidirectional RNN — بنية الشبكات العصبية المتكررة التي تجمع السياقين السابق واللاحق

Bidirectional RNN (الشبكة العصبية المتكررة ثنائية الاتجاه) هي بنية تعتمد على معالجة تسلسل الإدخال في اتجاهين، بحيث يعكس تمثيل كل نقطة زمنية معلومات الماضي والمستقبل معاً. تُستخدم هذه البنية للتغلب على محدودية RNN أحادية الاتجاه التي تعتمد فقط على المعلومات المتاحة حتى اللحظة الحالية.

07/28/2026

Challenge of Inference — كيف يتخذ الذكاء الاصطناعي قراراته من معلومات غير مكتملة

Challenge of Inference في أنظمة الذكاء الاصطناعي هو المشكلة التي تواجه النماذج عندما تحتاج إلى تقدير حالة أو نتيجة غير مرئية اعتمادًا على البيانات المتاحة والأنماط التي تعلمتها مسبقًا. بينما تهدف مرحلة Training إلى تعلم معلمات النموذج من البيانات، فإن Inference هي مرحلة استخدام النموذج المتعلم على مدخلات جديدة لإنتاج توقعات أو قرارات. لكن في التطبيقات الواقعية، لا تكون جميع المعلومات المطلوبة متاحة بشكل كامل، لذلك يجب على النموذج التعامل مع حالات مثل Partial Observability وNoise وAmbiguity.

08/29/2026

Deep RNN (الشبكة العصبية المتكررة العميقة) — توسيع التمثيلات التسلسلية عبر بنية متعددة الطبقات

Deep RNN (الشبكة العصبية المتكررة العميقة) هو نموذج تسلسلي يعتمد على بناء عدة طبقات من RNN فوق بعضها لتعلم الأنماط الزمنية والتمثيلات الهرمية بشكل تدريجي. يهدف هذا التصميم إلى تجاوز مشكلة RNN التقليدي الذي يعتمد على hidden state واحدة لتمثيل جميع المعلومات السابقة، مما يحد من قدرته على التعامل مع الأنماط المعقدة والبنى الدلالية المتنوعة.

07/28/2026

Emission Probability — كيف تكشف الملاحظات عن الحالة المخفية

Emission Probability هي احتمالية أن تقوم حالة مخفية (hidden state) بإنتاج ملاحظة معينة (observation). في Hidden Markov Model (HMM) لا يمكن رؤية الحالة الداخلية مباشرة، بل نرى فقط البيانات الناتجة عنها. لذلك يتم استخدام Emission Probability لتقدير مدى توافق الملاحظة الظاهرة مع حالة مخفية محتملة. بمعنى آخر، تمثل Emission Probability حلقة الوصل الاحتمالية بين الحالة غير المرئية والبيانات التي يمكن ملاحظتها.

08/08/2026

Forward Propagation in RNNs — الانتشار الأمامي في الشبكات العصبية المتكررة

Forward Propagation in RNNs هي الخطوة التي تقوم فيها الشبكة العصبية المتكررة بمعالجة البيانات المتسلسلة عبر دمج hidden state السابقة مع الإدخال الحالي لإنشاء حالة جديدة وإنتاج المخرجات حسب الترتيب الزمني. وعلى عكس Feedforward Neural Network التي تتعامل مع كل إدخال بشكل منفصل، تحتفظ RNN بجزء من المعلومات السابقة وتستخدمه لفهم السياق الحالي أثناء الحساب.

07/28/2026

Hidden Markov Model (HMM) — نموذج احتمالي لتقدير الحالات الخفية من تسلسل الملاحظات

Hidden Markov Model (HMM) هو نموذج احتمالي تسلسلي يهدف إلى استنتاج الحالات الداخلية غير المرئية التي تتغير مع الزمن من خلال تحليل البيانات التي يمكن ملاحظتها. يفترض النموذج أن هناك حالة مخفية (hidden state) وراء كل ملاحظة (observation)، وأن هذه الحالة تنتقل بين حالات مختلفة وفق نمط احتمالي، بينما تنتج البيانات الظاهرة كنتيجة لهذه الحالات.

07/28/2026