بناء شبكة عصبية عميقة (Neural Network) من الصفر لتصنيف الصور (Fashion-MNIST)

يعكس هذا المشروع الفهم المعماري والرياضي العميق لخوارزميات التعلم العميق (Deep Learning). قمت بتطوير وبناء شبكة عصبية اصطناعية متكاملة من الصفر باستخدام لغة Python ومكتبة NumPy فقط للعمليات الحسابية الخطية، دون الاعتماد على أطر عمل الذكاء الاصطناعي الجاهزة مثل TensorFlow أو PyTorch.

تم تدريب النموذج واختباره على مجموعة بيانات (Fashion-MNIST) المعقدة لتصنيف صور الأزياء والملابس إلى 10 فئات مختلفة بدقة وكفاءة.

أبرز المهام والخصائص التقنية التي تم تنفيذها في المشروع:

هيكلة مرنة (Dynamic Architecture): بناء النظام باستخدام مبادئ البرمجة كائنية التوجه (OOP)، مما يتيح للمستخدم تحديد عدد الطبقات المخفية (Hidden Layers) وعدد الخلايا العصبية (Neurons) في كل طبقة بشكل ديناميكي.

الرياضيات والخوارزميات: برمجة عمليات الانتشار الأمامي (Forward Propagation) والانتشار الخلفي (Backpropagation) من الصفر لحساب التدرجات (Gradients) وتحديث الأوزان.

دوال التنشيط (Activation Functions): التضمين اليدوي لدوال التنشيط الرياضية ومشتقاتها مثل (ReLU) و (Sigmoid) للطبقات المخفية، ودالة (Softmax) لطبقة الخرج لحساب الاحتمالات.

تحسين الأداء (Optimization): تطبيق خوارزمية الانحدار التدريجي المصغر (Mini-batch Gradient Descent) مع تقنية تناقص معدل التعلم (Learning Rate Decay) لضمان استقرار وسرعة وصول النموذج لأفضل أداء.

حساب الخسارة والدقة: برمجة دالة حساب الخسارة (Cross-Entropy Loss) وتقييم دقة النموذج (Accuracy) على بيانات التدريب والاختبار.