لوحة المتصدرين

يبدو أنه لا توجد دالة تقوم ببساطة بحساب المتوسط المتحرك moving average فيnumpy / scipy ، هل هذا الأمر صحيح؟ وكيف أقوم بحسابه عبر Numpy؟

يوجد العديد من المواقع التي قد تساعدك في هذا الأمر، منها: LeetCode edabit HackerRank geeks for geeks w3resource codeforces و غيرها الكثير، تحتوي هذه المواقع على العديد من الأسئلة و المشاكل البرمجية و تتيح لك محاولة حلها في ide مدمج في الموقع الخاص بها و تقدم حلول و شروحات لها كذلك في حال علقت في مشكلة ما. و لكن أنصحك بأن تحاول بمفردك أولًا قبل أن تطلع على الحلول، فبهذه الطريقة ستتعلم بشكل أفضل و ستكتسب مهارة حل المشكلات.

النموذج الذي قمت بتصديره هو من tensorflow.keras وليس من keras API مباشرة. وهما مختلفان رغم أنهما بنفس الاسم (الكثيرين يخلطون بينهم وهذا خاطئ). لذلك أثناء تحميله ، قد يتم استخدام tf.ragged tensors التي قد لا تكون متوافقة مع keras API. لذا فالحل يكون بأن لا تستورد keras مباشرة من keras api وإنما من tensorflow.keras أي قم بتبديل: from keras.preprocessing.image import img_to_array from keras.models import load_model إلى from tensorflow.keras.preprocessing.image import img_to_array from tensorflow.keras.models import load_model

السلام عليكم ورحمة الله وبركاته ، أواجه مشكلة في تنصيب sass-loader ، مع العلم انني استخدمت css-loader بشكل طبيعي وعندما نقلت test:/\.css$/, إلى test: /\.(sa|sc|c)ss$/, يظهر الخطأ ، وإذا قمت بإعادة test:/\.css$/, يزول الخطأ ، كيف يمكنني معالجة المشكلة ؟

اعتقد الخطا من عدم وجود loader للعناوين في ملفات css و sass مثال background-image: url("./image.png"); حتى يعمل bundle للصورة يمكنك تثبيت url-loader npm install url-loader --save-dev وفي ملف الكونفق { test: /\.(svg|gif|jpg|png|eot|woff|woff2|ttf)$/, use: [ 'url-loader', ], }

أحاول استخدام ملفات تعريف الارتباط من خلال express في node.js ولكن لا يتم إضافتها بشكل صحيح، وهذا هو الكود: var express = require('express'), http = require('http'); var app = express(); app.configure(function(){ app.use(express.cookieParser()); app.use(express.static(__dirname + '/public')); app.use(function (req, res) { var value_random=Math.random().toString(); value_random=value_random.substring(2,value_random.length); res.cookie('cokkieName',value_random, { maxAge: 900000, httpOnly: true }) console.log('test cookie created'); }); }); var server = http.createServer(app); server.listen(5555); كيف يمكنني حل المشكلة؟

لدي مشروع قديم مبني سابقاً باستخدام express في node.js ووجدت السطر التالي الذي يقوم بوضع الأيقونة في المتصفح: app.use(express.favicon()); كيف يمكنني تعديل هذه الأيقونة الافتراضية في النسخة الحديثة من express ؟

هل من الممكن ان احصل على فرصه عمل في شركه ونا بعمر 18 ولست طالب جامعي؟+ وهل من الضرورة ان اكون متخرج من الجامعة؟

إن ترتيب استخدام الوسطاء middlewares في node.js مهم ويحدث فرق في تنفيذ الكود البرمجي. والوسيط الذي يتم التصريح عنه أولاً سيتم استدعائه أولاً، وفي حال كان بإمكانه استقبال الطلب، لن يتم استدعاء أي وسيط آخر تم تعريفه بعده. وفي الكود لديك، قمت بوضع express.static أولاً، وبالتالي هو من سيقوم باستقبال الطلب. لذلك يجب عليك إعادة ترتيب الكود لديك ليصبح بالشكل التالي: app.use(express.cookieParser()); app.use(function (req, res, next) { var cookie = req.cookies.cookieName; if (cookie === undefined) { var value_random=Math.random().toString(); value_random=value_random.substring(2,value_random.length); res.cookie('cookieName',value_random, { maxAge: 900000, httpOnly: true }); console.log('test cookie created'); } else { console.log('لقد تم تعريفها مسبقاً', cookie); } next(); }); app.use(express.static(__dirname + '/public')); ومع النسخ الحديثة من express تم فصل التعامل مع ملفات تعريف الارتباط، فيمكنك بدلاً من: app.use(express.cookieParser()); يجب عليك تحميل المكتبة بشكل منفصل من خلال: npm i cookie-parser ثم استخدامها بالشكل التالي: const cookieParser = require('cookie-parser'); app.use(cookieParser());

أستخدم مكتبة جاهزة لتعدد اللغات ( وبالتالي عند اختيا راللغة العربية، يتم تغير الاتجاه إلى RTL بشكل تلقائي )، المشكلة أن هناك جزء لا يتغير اتجاهه ويبقى كأن اللغة انجليزية ( ماذا يمكن أن تكون المشكلة )؟

يمكنك إضافة أي widget داخل Widget Stack بحيث تقوم باستخدام خاصية Positioned.directional(), للتحكم في إتجاه النص بداخل هذا widget باستخدام خاصية textDirection:Directionality.of(context), بحيث إذا كانت اللغة تبدأ من اليمين إلى اليسار , يتغير إتجاه النص من اليمين إلى اليسار , و من ثم إذا كانت اللغة تبدأ من اليسار إلى اليمين يتم تغيير إتجاه النص بناءً على ذلك . Stack( children: [ Image.asset( kSettingsImage, fit: BoxFit.cover, height: MediaQuery.of(context).size.height / 3, ), Positioned.directional( textDirection:Directionality.of(context), child: Text( '${S.of(context).settings}', style: TextStyle( color: Colors.white, fontWeight: FontWeight.bold, fontSize: 30.0, ), ), bottom: 10.0, start: 20.0, ), ], ), أو يمكنك استخدام Widget Builder بحيث يمكنك ايضا من تغيير إتجاه الواجهة من خلال خاصية Directionality() builder: (context, child) { return Directionality( textDirection: TextDirection.rtl, child: child, ); },

مرحباً@HA_shafeai يوجد عدة طرق للقيام بذلك مثلاً القيام بعمل أكثر من webpack.config.js ملف بإسم myfiles.config.js يشمل ما تريد تضمينه أو لا , أو الطريقة الأخرى هي من خلال إضافة ال Conditions إلى ملف webpack.config.js هكذا مع ما يتناسب من ملفات تريد إستثنائها module: { // configuration modules regarding modules rules: [ // rules for modules (configure loaders files, etc.) { // Conditions here: test: /\.js?$/, include: [ path.resolve(__dirname, "app") ], exclude: [ path.resolve(__dirname, "app/myfiles")], ] }

كما قالت في الأعلى هناك مشكلة في اسم المجلد، قم بتغيير الاسم بحيث لايتضمن أحرف خاصة مثل /. أي اجعل اسم المجلد فقط أحرف إنجليزية.

أعتقد أن السبب في هذا الخطأ هو وجود مجلد اسمه مكتوب باللغة العربية في المسار الخاص بالمشروع: C:\Users\anan\OneDrive\?????????\NetBeansProjects\DisplayOutput\build\classes و هو المجلد الذي تم استبدال حروفه بعلامات استفهام هنا، لذلك أرجو منك إعادة تسمية المجلد ليصبح باللغة الإنجليزية بدلًا من العربية و التجربة مرة أخرى

هي طريقة أسرع وأكثر كفاءة ولاسيما في توفير الذاكرة للتعامل مع المصفوفات. ولاستخدام numpy.einsum، كل ما عليك فعله هو تمرير "subscript string" أو ما يسمى بالسلسلة المنخفضة كوسيطة أولى، حيث أن ال subscripts تشير إلى أبعاد المصفوفة بحيث كل بعد سيقابل label (مثلاً i أو j)، ثم مصفوفات الإدخال الخاصة بك كوسيط ثاني. لنفترض أن لديك مصفوفتان ثنائيتا الأبعاد ، A و B ، وتريد القيام بضرب المصفوفة. وبالتالي يكون الحل: np.einsum("ij, jk -> ik", A, B) ال subscripts (السلسلة المنخفضة) ij تتوافق مع المصفوفة A بينما تتوافق jk مع المصفوفة B. أيضاً، أهم شيء يجب ملاحظته هنا هو أن عدد الأحرف في كل subscript يجب أن يتطابق مع أبعاد المصفوفة. (على سبيل المثال ، حرفان للمصفوفات ثنائية الأبعاد ، وثلاثة أحرف للمصفوفات ثلاثية الأبعاد ، وهكذا..) وإذا كررت الأحرف بين السلاسل المنخفضة (j في حالتنا) ، فهذا يعني أنك تريد أن يحدث einsum على طول تلك الأبعاد. وبالتالي ، سيتم تخفيضها. (أي أن هذا البعد سوف يختفي). ستكون السلسلة الموجودة بعد -> هي المصفوفة الناتجة. إذا تركتها فارغة، فسيتم جمع كل شيء وإرجاع قيمة عددية كنتيجة لذلك. عدا ذلك ، سيكون للمصفوفة الناتجة أبعاداً وفقاً للسلسلة المنخفضة. في مثالنا ، سيكون ik. هذا أمر بديهي لأننا نعلم أنه بالنسبة لضرب المصفوفة، يجب أن يتطابق عدد الأعمدة في المصفوفة A مع عدد الصفوف في المصفوفة B وهو ما يحدث هنا (على سبيل المثال ، نقوم بترميز هذه المعرفة عن طريق تكرار الحرف j في السلسلة المنخفضة). فيما يلي بعض الأمثلة الأخرى التي توضح استخدام np.einsum وقوتها في تنفيذ بعض عمليات الموتر "tensor array" أو المصفوفات متعددة الأبعاد: # شعاع vec #array([0, 1, 2, 3]) # مصفوفة A """ array([[11, 12, 13, 14], [21, 22, 23, 24], [31, 32, 33, 34], [41, 42, 43, 44]]) """ # مصفوفة أخرى B """ array([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]]) """ 1. ضرب المصفوفات: np.einsum("ij, jk -> ik", A, B) """ array([[130, 130, 130, 130], [230, 230, 230, 230], [330, 330, 330, 330], [430, 430, 430, 430]]) """ 2. استخراج العناصر على طول القطر الرئيسي: np.einsum("ii -> i", A) #array([11, 22, 33, 44]) 3. ضرب العناصر المتقابلة في مصفوفين: np.einsum("ij, ij -> ij", A, B) """ array([[ 11, 12, 13, 14], [ 42, 44, 46, 48], [ 93, 96, 99, 102], [164, 168, 172, 176]]) """ 4.التربيع: np.einsum("ij, ij -> ij", B, B) """ array([[ 1, 1, 1, 1], [ 4, 4, 4, 4], [ 9, 9, 9, 9], [16, 16, 16, 16]]) """ 5.مجموع العناصر القطرية الرئيسية: np.einsum("ii -> ", A) # 110 6. منقول مصفوفة: np.einsum("ij -> ji", A) """ array([[11, 21, 31, 41], [12, 22, 32, 42], [13, 23, 33, 43], [14, 24, 34, 44]]) """ 7. الضرب الخارجي للأشعة Outer Product : np.einsum("i, j -> ij", vec, vec) """ array([[0, 0, 0, 0], [0, 1, 2, 3], [0, 2, 4, 6], [0, 3, 6, 9]]) """ 8. الضرب الداخلي inner: np.einsum("i, i -> ", vec, vec) #14 9. الجمع على طول المحور 0 أو 1 أي الأسطر أو الأعمدة: # المحور 0 np.einsum("ij -> j", B) #array([10, 10, 10, 10]) # المحور 1 np.einsum("ij -> j", B) #array([10, 10, 10, 10]) 10. مجموع كل العناصر في مصفوفة: np.einsum("ijk -> ", BM) # 480

بداية لنشرح ماذا يفعل einsum؟ تخيل أن لدينا مصفوفتين متعددتي الأبعاد ،A و B,من الممكن ضرب A مع B بطريقة معينة لإنشاء مجموعة جديدة من العناصر, ومن ثم ربما تلخيص هذه المجموعة الجديدة على طول محاور معينة , ثم ربما بدل محاور المصفوفة الجديدة بترتيب معين. يمكننا في هذه الحالات استخدام einsum فهو يساعدنا على القيام بذلك بشكل أسرع وأكثر كفاءة في الذاكرة وأفضل مما تسمح به مجموعات وظائف NumPy مثل الضرب والجمع والتبديل , الىنكيف يعمل einsum؟ تخيل لدينا هذه المصفوفتين A = np.array([0, 1, 2]) B = np.array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) سنضرب A و B من ناحية العناصر ثم نجمعها على طول صفوف المصفوفة الجديدة. في NumPy وبدون استخدام einsum نستخدم الطريقة التالية (A[:, np.newaxis] * B).sum(axis=1) //output array([ 0, 22, 76]) هنا ، تبدأ عملية الفهرسة على المحاور الأولى من المصفوفتين بحيث يمكن بدأ عملية الضرب. يتم بعد ذلك تبدأ عملية جمع الصفوف , الآن إذا أردنا استخدام einsum بدلا من ذلك ، فيمكننا كتابة np.einsum('i,ij->i', A, B) //output array([ 0, 22, 76]) سلسلة الحروف 'i، ij-> i' هي المفتاح هنا وتحتاج إلى القليل من الشرح. يمكنك التفكير في الأمر على انه نصفين. على الجانب الأيسر (يسار <-) قمنا بتسمية مصفوفتي الإدخال. إلى يمين -> ، قمنا بتسمية المصفوفة الناتجة, يحتوي A على محور واحد , لقد أطلقنا عليه اسم i , و B لها محورين , قمنا بتسمية المحور 0 على أنه i والمحور 1 على أنه j , بتكرار تسمية i في كلا مصفوفتي الإدخال ، فإننا نخبر einsum أنه يجب ضرب هذين المحورين معا. بعبارة أخرى ، نقوم بضرب المصفوفة A في كل عمود من المصفوفة B ، تماما مثل A [:، np.newaxis] * B لاحظ أن j لا تظهر في اسم المصفوفة الناتجة , لقد استخدمنا i أي أننا نريد أن ينتهي بنا الأمر بمصفوفة 1D. بحذف التسمية ، فإننا نخبر einsum بالجمع على طول هذا المحور. بعبارة أخرى ، نحن نجمع صفوف المصفوفات، تماما كما يفعل .sum(axis=1) إذا تركنا كلتا التسميتين في الإخراج ، "i، ij-> ij" ، فإننا نستعيد مصفوفة ثنائية الأبعاد من العناصر مثل A [:، np.newaxis] * B إذا قلنا لا توجد تسميات إخراج ، 'i، ij-> ، فسنسترجع رقمًا واحدا مثل (A [:، np.newaxis] * B) .sum ()) لكن الشيء الجيد في einsum هو أنه لا يقوم ببناء مصفوفة مؤقتة من العناصر , إنها تجمع العناصر كما هي. هذا يمكن أن يؤدي إلى توفير كبير في استخدام الذاكرة, لشرح حاصل الضرب النقطي ،تخيل المصفوفتنا التاليتان A = array([[1, 1, 1], [2, 2, 2], [5, 5, 5]]) B = array([[0, 1, 0], [1, 1, 0], [1, 1, 1]]) سنحسب الضرب النقطي باستخدام np.einsum ('ij، jk-> ik'، A، B). إليك صورة توضح وضع العلامات على A و B ومصفوفة الإخراج التي نحصل عليها يمكنك أن ترى أن التسمية j مكررة وهذا يعني أننا نضرب صفوف A في أعمدة B. وأيضا التسمية j غير مضمنة في الإخراج , نحن نجمع هذه العناصر. يتم الاحتفاظ بالتسميات i و k للإخراج ، لذلك نعود إلى مصفوفة ثنائية الأبعاد, لو استخدمنا j في التسمية كالتالي np.einsum('ij,jk->ijk', A, B) سوف تكون النتيجة كالتالي

ليس على أي شخص متابعة جميع هذه الدورات فإن كل منها في مجال مختلف وتعتمد على تقنيات مختلفة، ولأنه ولكي يتميز المبرمج يجب أن يتخصص في مجال معين ويقوم بعمل مشاريع جيدة ضمنه. أعتقد أن من المفيد البدء بدورة علوم الحاسب، والتعرف على المجال من أوسع أبوابة من الخوارزميات للبرمجة و قواعد البيانات وغيرها من الأساسيات الفيدة، ثم بعدها يمكنك التفكير بالتخصص بتسجيل دورة أخرى والآن بعد أن أصبح لك أساس قوي. مثلا: دورة واجهات المستخدم تكفي ليصبح الشخص ماهرا في تصميم المواقع وجعلها جميلة و متناسقة مع تطبيقات الجوال. دورة برمجة الواجهات الخلفية PHP / Laravel تكفي لفهم شامل للارافيل و عمل مشاريع بها و التعرف على التفاصيل. دورة جافاسكربت تمكن من عمل تصميم للمواقع React و الواجهات الخلفية Node و تطبيقات الهواتف React Native بسبب وجود إطارات عمل تعمل كلها بنفس اللغة (جافاسكربت) و تسمح بتشغيل المشاريع على أكثر من منصة وهذه الدورة عي الأكثر تكاملاً..

إن كان معالج من شركة intel يفضل i7 من الجيل الحديث 8th gen وأعلى .. والذاكرة RAM 16 غيغا بايت. التخزين من نوع SSD بمساحة على الأقل لنظام التشغيل والبرامج الثقيلة 512 غيغابايت بالإضافة لهارد HDD بسعة1 تيرا بايت كرت الاشاشة ليس مؤثرا بالبرمجة، لكن إن أردت تشغيل برامج التصميم يمكن شراء كرت قوي بسعة 4 أو 6 غيغابايت

طالما أنه يقوم بتحديد الجسم (وضع إطار حوله) فهذا الأمر يتم باستخدام مفهوم ال Object detection (حقل من حقول الذكاء الصنعي ) ماتبقى أيضا يعتمد على مفاهيم الرؤية الحاسوبية والذكاء الصنعي. أما موضوع تحويل الصورة لشكل 3D فهذا أيضا يندرج تحت مفاهيم الرؤية الحاسوبية ويتم عن طريق التقاط عدة صور للجسم ثم دمجها باستخدام توابع مخصصة والناتج يكون صورة 3D (غالبا يعتمد على وجود عدة عدسات في الكاميرة بحيث كل عدسة تلتقط صورة بزاوية مختلفة ثم يتم دمج هذه الصور لتعطي صورة 3D) هذا بشكل عام الأمر الذي تعتمد عليه هكذا تطبيقات.

يمكنك الاستفسار عن أي شيء من خلال الرابط: https://help.hsoub.com/

كما أشار @محمد أبو عواد و @Wael Aljamal. أولاً أنت تعرف القائمة bar على أنها class attributes أي وكأنها static أي تتشارك القيمة مع كل الكائنات المأخوذة من الصف. ثانياً في حالة استخادم += فهذا يقابل استدعاء الدالة __iadd__ التي تقوم بتعديل القيمة الأصلية لل bar. أي أنها تغير قيمة الكائن الذي تعمل عليه. أما + فهذا يقابل استدعاء الدالة __add__ التي تقوم بإنشاء كائن جديد، أي في حالتنا سوف تنشئ نسخة من bar أي أن التعديل لن يتأثر به المتغير bar الأصلي. ويمكنك التأكد بذلك عن طريق تجربة التالي: >>> f.bar = f.bar + [4] >>> print(f.bar) # [1, 2, 3, 4] >>> print(g.bar) # [1, 2, 3] >>> foo.bar # [1, 2, 3] مع ملاحظة أن التابع الخاص __iadd__ يحاول في البداية أن يعدل القيمة الأصلية للمتغير، وإذا لم ينجح (مثلاً قد يكون متحولاً ثابتاً أي لايمكن تعديل قيمته) فإنه يقوم بإنشاء نسخة جديدة منه، أي يسلك سلوك __add__.

يمكن كتابة أكثر من كود يحقق المطلوب والفرق بينها يكون من ناحية درجة التعقيد (التعقيد الزماني تحديداً). سوف اكتب لك حل جيد لذلك بدرجة تعقيد أعتقد أنها الأفضل (n)sqrt، لكن يفترض ان يكون لديك معرفة أساسيات "نظرية الأعداد": في البداية نتأكد أن العدد ليس 0 أو 1 ويرجع بذلك false أي أنهما ليسا أوليان. بعد ذلك نأخذ حلقة من 2 إلى جذر العدد ونبدأ بالتحقق من الأرقام إذا كان أحدها هو قاسم للعدد فإذا كان أحدها يقسم العدد بالتالي العدد غير أولي وبتالي يكون false وغير ذلك عند عدم وجود أي قاسم يرجع true فيكون هذا العدد أولي. #include<iostream> using namespace std; bool prime(int g) { if(g<2) return 0; for(int i=2; i*i<=g; ++i) if(g%i==0)return 0; return 1; } int main(){ int a; cin>>a; if(prime(a)) cout<<"prime"; else cout<<"not prime"; return 0; }

لقد قمت بحذف اسم الباكج الذي تعمل بداخله وبالتالي ظهر لك هذا الخطأ. لحل المشكلة يجب أن تضع في بداية الكود اسم البكج الذي تعمل بداخله لكي يتم التعرف على الكلاس. ويجب أن تكون أول تعليمة في برنامجك : package package_name

set-current-module تستخدم للانتقال إلى فرع آخر من البرنامج. تعليمة focus تقوم بنقل التنفيذ إلى فرع آخر أيضاً من البرنامج ويمكن أن تكتب ضمن action لقاعدة أو ضمن ال main. الفرق بين تعليمة focus و set current module أن focus تبدأ بتنفيذ القواعد الموجودة في WM أما set current module تقوم فقط بإضافة القواعد ولا تبدأ بالتنفيذ، وهذا هو الفرق الأساسي. افتراضياً focus و set-current-module يكونان على MAIN.

الخطأ في برنامج يا @Alaa Jamal هو انه يقوم بإستخراج أي قيمة بعد علامة الدولار، و الصحيح أن يقوم بإستخراج القيم الرقمية فقط بعد العلامة. الأن بعد أن عرفنا الخطأ يمكننا بتعديل برنامج Ali بشكل بسيط ليخرج كافة الإحتمالات الممكنة من أعداد صحيحة و أرقام كسرية أيضاً: re.findall(r"\$[+-]? *(?:\d+(?:\.\d*)?|\.\d+)(?:[eE][+-]?\d+)?", "I bought milk for $1.50 only") حيث أن المدخل هو مثالنا المحتوي على قيمة كسرية و بإستخدام دالة findall و وضع كل الشروط لوجود أرقام صحيحة مثل $59 او ارقام كسرية مثل $0.587 أو $4.4 يمكننا الحصول على الإجابة الصحيحة.

يمكنك استخدام التابع sort الذي له الشكل التالي: list.sort(key = len,reverse=False) key و reverse وسيطان اختياريان. key يمثل تابع لتنفيذ الفرز على أساسه وفي حالتنا سنمرر له التابع len وبالتالي سيتم الفرز على أساس طول كل كلمة. في حال ضبط reverse على True سيكون الترتيب تنازلي. Hsoub = ['ali', 'ml', 'python'] Hsoub.sort(key = len,reverse=True) print(Hsoub) # output: ['python', 'ali', 'ml'] كما يمكنك استخدام هذا التابع لفرز العناصر داخل ال list مهما كان نوعها.