Learn AI with Python · درس

هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية

تنظيم data/ وnotebooks/ وsrc/ وmodels/ وtests/ ونمط cookiecutter-data-science.

هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية درس مجاني في Learn AI with Python على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Learn AI with Python، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Learn AI with Python 4 دروس في المجموع.

لماذا يهم التنظيم؟

إن تكديس دفاتر بأسماء مثل final.ipynb وfinal2.ipynb وreally_final.ipynb هو الطريقة التي تموت بها مشاريع الذكاء الاصطناعي. يجعل هيكل المجلدات المتسق المشاريع سهلة القراءة وقابلة لإعادة الإنتاج وملائمة للتعاون.

يغطي هذا الدرس تخطيط Cookiecutter Data Science واسع الاستخدام.

مجلد data

افصل البيانات حسب مرحلة المعالجة حتى لا تُستبدل المدخلات الأولية مطلقًا:

data/raw/ — البيانات المصدرية الأصلية غير القابلة للتغيير
data/processed/ — البيانات المنظّفة والجاهزة للنموذج
data/interim/ — التحويلات الوسيطة

تعامل مع data/raw باعتباره للقراءة فقط؛ إذ ينبغي أن تتمكن دائمًا من إعادة إنشاء كل ما عداه انطلاقًا منه.

لماذا تكون البيانات الأولية غير قابلة للتغيير؟

إذا أفسد خطأ في التنظيف نسختك الوحيدة من البيانات، فسينهار المشروع. إن إبقاء data/raw دون تغيير يعني أن كل ملف مُعالج قابل لإعادة الإنتاج عبر إعادة تشغيل خط أنابيب المعالجة.

المخرجات المُعالجة قابلة للاستبدال؛ أما البيانات الأولية فمقدّسة.

مجلد notebooks

يحتوي notebooks/ على دفاتر الاستكشاف وإعداد التقارير. ومن الأعراف الشائعة ترقيمها حسب المرحلة وإضافة الأحرف الأولى، مثل 1.0-mk-eda.ipynb.

تُستخدم دفاتر الملاحظات للاستكشاف؛ أما المنطق القابل لإعادة الاستخدام فينبغي نقله إلى src/.

حزمة src

يحتوي src/ على شفرة Python القابلة للاستيراد، مقسّمة حسب المسؤولية:

src/data/ — نصوص تحميل البيانات ومعالجتها
src/features/ — هندسة الميزات
src/models/ — شفرة التدريب والتنبؤ
src/visualization/ — المخططات والتقارير

src/features وsrc/models

يؤدي إبقاء هندسة الميزات والنمذجة في وحدات منفصلة إلى فوائد عديدة: إذ يمكنك اختبار شفرة الميزات اختبارًا وحديًا، وإعادة استخدامها عبر دفاتر الملاحظات، وتبديل النماذج من دون إعادة كتابة إعداد البيانات.

from src.features.build_features import make_features
from src.models.train import train_model

X = make_features(df)
model = train_model(X, y)

مجلد models

يخزّن models/ نواتج النماذج المدرّبة المتسلسلة (مثل model.pkl وmodel.joblib). وهذه مخرجات وليست شفرة مصدرية.

ينبغي عادةً ألا تضع ملفات النماذج الكبيرة في Git؛ بل تتبّعها باستخدام DVC أو التخزين الكائني بدلًا من ذلك (وسنتناول ذلك في الدرس التالي).

مجلد reports

يحتوي reports/ على المخرجات المُنشأة للبشر: إذ يضم reports/figures/ المخططات، ويضم جذر المجلد مستند التقرير. وينتج الكود هذه الملفات، لذا يمكن إعادة إنشائها.

ملفات الإعداد والبيئة

أكمل المشروع بملفات على مستوى المشروع:

requirements.txt أو environment.yml — التبعيات
config.yaml — المعلمات الفائقة والمسارات
README.md — ماهية المشروع وكيفية تشغيله
.gitignore — ما ينبغي أن يتجاهله Git

التخطيط الكامل

بعد جمع العناصر، يبدو مشروع الذكاء الاصطناعي المنظم كما يلي:

project/
  data/
    raw/
    interim/
    processed/
  notebooks/
  src/
    data/
    features/
    models/
    visualization/
  models/
  reports/
    figures/
  config.yaml
  requirements.txt
  README.md

إنشاؤه باستخدام Cookiecutter

لا تحتاج إلى بناء هذا الهيكل يدويًا في كل مرة. ينشئ قالب cookiecutter-data-science الهيكل الكامل بأمر واحد.

# pip install cookiecutter
# cookiecutter -c v1 https://github.com/drivendata/cookiecutter-data-science
# Answer a few prompts -> full project tree created

اختبار سريع: أين توضع البيانات الأولية؟

لقد نزّلت ملف CSV أصليًا من موفّر بيانات.

مراجعة: هيكل المشروع

لقد تعلّمت التخطيط الاحترافي لمشروع الذكاء الاصطناعي:

data/raw (غير قابل للتغيير)، وdata/processed لمراحل المعالجة
notebooks/ للاستكشاف، وsrc/features وsrc/models للكود القابل لإعادة الاستخدام
models/ للنواتج، وreports/ للمخرجات
ملفات الإعداد والتبعيات وREADME و.gitignore في الجذر
استخدام cookiecutter-data-science لإنشاء الهيكل الأساسي فورًا

التالي: استخدام Git بفعالية في مشاريع الذكاء الاصطناعي.

الأسئلة الشائعة

هل درس «هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية» مجاني؟

نعم — نص درس «هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Learn AI with Python، انتقل إلى CoddyKit PRO. تتضمن دورة Learn AI with Python 4 دروس في المجموع.

ماذا ستتعلم في «هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية»؟

تنظيم data/ وnotebooks/ وsrc/ وmodels/ وtests/ ونمط cookiecutter-data-science. تتمرن على Learn AI with Python مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Learn AI with Python؟

لا تُشترط خبرة سابقة. Learn AI with Python على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.

كم من الوقت يستغرق درس «هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Learn AI with Python هذا؟

نعم. كل درس في Learn AI with Python يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

هيكل أدلة مشاريع الذكاء الاصطناعي الاحترافية
Git لمشاريع الذكاء الاصطناعي
قابلية إعادة الإنتاج: البذور والإعدادات والبيئات
أفضل ممارسات دفاتر Jupyter

← العودة إلى Learn AI with Python