دليل منظومة الذكاء الاصطناعي وتعلّم الآلة

يتناول هذا الدليل الجوانب الرئيسية لمنظومة الذكاء الاصطناعي وتعلّم الآلة (AI/ML)، من الأطر إلى الأدوات مرورًا بأفضل الممارسات.

المحتوى

• أطر التعلّم العميق (Deep Learning)
• أدوات MLOps
• أفضل الممارسات
• النشر
• المراقبة

البنية

يتم تنظيم المجلد على النحو التالي:

ai-ecosystem/
├── frameworks/         # أطر التعلّم العميق
├── mlops/             # أدوات وممارسات MLOps
├── deployment/        # أدلة النشر
└── monitoring/        # أدوات المراقبة

الموارد

• التوثيق الرسمي للأطر
• أدلة أفضل الممارسات
• أمثلة برمجية
• دروس تعليمية

المشروع الختامي: التنبؤ بأسعار العقارات

تطبيق متكامل (full-stack) لتعلّم الآلة للتنبؤ بأسعار العقارات باستخدام Streamlit وFastAPI وH2O وMLOps.

🚀 الميزات

• واجهة مستخدم تفاعلية باستخدام Streamlit
• واجهة API من نوع RESTful باستخدام FastAPI
• نموذج تعلّم آلة تلقائي باستخدام H2O AutoML
• خط MLOps متكامل باستخدام DVC وMLflow
• المراقبة باستخدام Prometheus
• نشر آلي باستخدام GitHub Actions
• اختبارات الوحدة باستخدام pytest

🛠️ التقنيات المستخدمة

• الواجهة الأمامية: Streamlit
• الواجهة الخلفية: FastAPI
• تعلّم الآلة: H2O AutoML
• MLOps: DVC، MLflow
• الحاويات: Docker، Docker Compose
• CI/CD: GitHub Actions
• المراقبة: Prometheus
• الاختبارات: pytest

📋 المتطلبات المسبقة

• Python 3.9+
• Docker وDocker Compose
• Git
• حساب GitHub (لـ CI/CD)

🚀 التثبيت

1. استنساخ المشروع:

git clone https://github.com/votre-username/real-estate-ml.git
cd real-estate-ml

2. إنشاء البيئة الافتراضية:

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. تثبيت الاعتماديات:

pip install -r requirements.txt

4. تحضير البيانات:

dvc pull
dvc repro prepare

5. تدريب النموذج:

dvc repro train

6. تشغيل التطبيق:

docker-compose up

🌐 الوصول إلى الخدمات

• واجهة Streamlit الأمامية: http://localhost:8501
• واجهة FastAPI البرمجية: http://localhost:8000
• توثيق واجهة API: http://localhost:8000/docs
• MLflow: http://localhost:5000
• Prometheus: http://localhost:9090

📊 بنية المشروع

real-estate-ml/
├── data/
│   ├── raw/
│   │   └── housing_data.csv
│   └── processed/
├── models/
│   ├── trained/
│   └── deployed/
├── src/
│   ├── data/
│   ├── models/
│   ├── api/
│   └── frontend/
├── tests/
├── notebooks/
├── configs/
└── .github/
    └── workflows/

🔧 الإعداد

يحتوي الملف config.yaml على جميع إعدادات المشروع:

• معلمات البيانات
• إعدادات النموذج
• معلمات واجهة API
• إعدادات الواجهة الأمامية
• معلمات MLflow
• عتبات المراقبة

🧪 الاختبارات

تشغيل الاختبارات:

pytest tests/

📈 المراقبة

تتم مراقبة المقاييس التالية:

• العدد الإجمالي للتنبؤات
• زمن استجابة التنبؤات
• معدل الأخطاء
• أداء النموذج

🤝 المساهمة

1. إنشاء Fork للمشروع
2. إنشاء فرع (git checkout -b feature/AmazingFeature)
3. تنفيذ Commit للتغييرات (git commit -m 'Add some AmazingFeature')
4. تنفيذ Push إلى الفرع (git push origin feature/AmazingFeature)
5. فتح Pull Request

📝 الرخصة

هذا المشروع مرخّص بموجب رخصة MIT. راجع الملف LICENSE لمزيد من التفاصيل.

👥 المؤلفون

• اسمك - @votre_twitter

🙏 شكر وتقدير

• Streamlit
• FastAPI
• H2O.ai
• DVC
• MLflow