مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
لو بتفتح 3 شاشات terminal كل صبح علشان تشغّل التطبيق وقاعدة البيانات والـ Redis، Docker Compose بيلخّص ده كله في ملف واحد وأمر اسمه docker compose up. شرح للمبتدئ بمثال الأوركسترا، تعريف علمي دقيق، ملف yml كامل في 12 سطر شغّال على Docker 25، أرقام مقاسة (4:12 د → 28 ث)، الفخ الكلاسيكي depends_on، healthcheck الصحيح، trade-offs الإنتاج، ومتى لا تستخدمه.
مقال للمبتدئ يشرح فكرة الـ Embeddings بمثال المكتبة، تعريف علمي للـ Cosine Similarity من ورقة Word2Vec، كود Python شغّال على sentence-transformers، أرقام مقاسة من BEIR Benchmark (62% → 84%)، 4 trade-offs حقيقية، وحالات لا تستخدم فيها الـ Embeddings.
لو كتبت "حاسوب" والمقال فيه "كمبيوتر"، البحث الكلاسيكي بيرجّع صفر. Embeddings بتحوّل الكلام لمتجهات أرقام بتعكس المعنى مش الحروف. مقال للمبتدئ بمثال خريطة المدينة، تعريف علمي للـ cosine similarity، كود Python شغّال على sentence-transformers + multilingual-e5، أرقام مقاسة (71% vs 38% على BM25)، 4 trade-offs حقيقية، ومتى البحث الكلاسيكي يكفيك.
لو بتدفع $0.20 لكل صورة على remove.bg و موقعك بيرفع 500 صورة شهريًا، أنت بتحرق $100 في الشهر بدون داعي. مكتبة rembg المفتوحة بتشيل الخلفية محليًا في 1.4 ثانية على CPU عادي بدون API key وبدون إنترنت. مقال للمبتدئ بمثال المخ البشري لفهم الـ segmentation، تعريف علمي لـ U²-Net، كود Python شغّال في 50 سطر يعالج فولدر كامل، أرقام مقاسة على Mac M2 و i7، trade-offs الجودة، ومتى لا تستخدم الحل المحلي أصلاً.
لو سألت Claude أو ChatGPT عن "أفضل أكل للقطط" والموديل رجّعلك نتيجة فيها "هريرة" أو "قطة صغيرة" رغم إن السؤال ما فيهوش الكلمتين، ده شغل تقنية اسمها Embeddings. مقال للمبتدئ بمثال خريطة المدينة، تعريف علمي للـ vector space و cosine similarity، كود Python شغّال على sentence-transformers، أرقام مقاسة من إنتاج (recall@10 من 78% لـ 96%)، 4 trade-offs حقيقية، وحالات لا تستخدم فيها embeddings أصلاً.
لو فتحت Stable Diffusion وكتبت "قطة فضائية"، النتيجة بتطلع في 4 ثواني. ده مش سحر، ده Diffusion Models. شرح للمبتدئ بمثال فصل الصوت في غرفة مزعجة، تعريف علمي للـ noise prediction، كود Python شغّال على diffusers 0.27+، أرقام مقاسة من LAION-5B، 3 trade-offs، وحالات لا تستخدم فيها التقنية أصلًا.
لو كتبت console.log(x) قبل ما تعرّف x وفوجئت إن المتصفح طبع undefined بدل ما يكسر، ده مش غلط في Node ولا الـ browser. ده سلوك اسمه Hoisting. شرح للمبتدئ بمثال دفتر الفهرس، تعريف علمي دقيق لـ Execution Context و Variable Environment، الفرق العملي بين var و let و const، فخ function expression، سيناريو bug حقيقي وفّر 3 ساعات debugging، trade-offs، ومتى ما يهمكش الموضوع.
لو سألت ChatGPT عن "هرّة" وفهم إنك بتسأل عن قطة، السبب مش سحر. السبب مفهوم اسمه Embeddings بيحوّل الكلام لأرقام في فضاء متعدد الأبعاد. مقال للمبتدئ بمثال خرايط جوجل، تعريف علمي للـ vector space، كود Python شغّال على sentence-transformers، أرقام مقاسة، trade-offs، ومتى لا تستخدمه.
لو بتكتب prog في صندوق البحث وفي 0.4 ms بتظهرلك 10 اقتراحات بدأ كلهم بـ prog، ده مش لأن السيرفر بيمر على كل الكلمات. ده هيكل بيانات اسمه Trie. مقال للمبتدئ بمثال القاموس، تعريف علمي دقيق لـ Prefix Tree، كود Python 3.12 شغّال على 100 ألف كلمة من NLTK، أرقام مقاسة بـ timeit (78.40 ms مقابل 0.41 ms)، 3 استخدامات حقيقية (autocomplete, spell checker, IP routing)، الفخ الكلاسيكي، trade-offs الذاكرة، ومتى لا تستخدمه فيها.
لو حاولت تقرا ملف log حجمه 10 جيجا بـ readlines() السيرفر بياكل 10 جيجا رام في 4 ثواني وبيقع بـ MemoryError. Generators بكلمة واحدة yield بتخلّيك تقرا نفس الملف بـ 8 ميجا رام بس. مقال للمبتدئ بمثال المخبز، تعريف علمي من PEP 255، كود Python 3.12 شغّال يقرا ملف 10GB، أرقام مقاسة بـ tracemalloc، 3 استخدامات إنتاج (logs، API streaming، pipelines)، الفخ الكلاسيكي للاستهلاك مرتين، trade-offs، وحالات لا تستخدم generators فيها.