لوحة المتصدرين

السلام عليكم هل Google Scholar خاصه فقط بابحث مجال الذكاء الاصطناعي كيف استفد منو كامبرمج Ai ؟

السلام عليكم هل لو البيانات كثير ممكن انها تثار سالب علي نماذج تعلم الاله ؟

ما هي نصيحتك لي لإتقان الأساسيات وأين أجد تمارين لذلك

أريد أن أنشئ نموذج MCD لهذا الوصف: "تطبيق ويب لعرض الخدمات, مستخدمو هذا التطبيق منقسمون لنوعين, عارضي الخدمات والزبناء, عارضي الخدمات يقومون بإنشاء الخدمات والزبناء يقومون بطلبها" بواسطة هذا الوصف قمت بإنشاء وحدة Services, ووحدة Users, ووحدة User_Role قمت بإنشاء علاقة بين Users و User_Role كالتالي: لكن لا أدري كيف أمثل العلاقة بين Services و Users سؤالي هو كيف أستطيع تمثيل العلاقة بين هاتين الوحدتين, لأنني لا أظن أنه يمكنني الربط بطريقة مباشرة فليس كل المستخدمين يقومون بإنشاء الخدمات, فقط المستخدمين ذو النوع "عارضي الخدمات"

فعلان احنا بنقسم البيانات بيانات لتدريب وبيانات لاختبار حتي بنكون مقسم جدا علي kaggle بس تعلم العميق عكس كده صح يعني مع نزيدا اليبانات بيكون كويس جدا والعكس صحيح شكراا لحضرتكم جدا

السلام عليكم ورحمة الله وبركاته لدي سؤال كيف يتم عمل طريقه الدفع مثل الفيزا والى اخره وعمل محفضه لكل عميل في حال ارجاع منتج الى محفضته في البرنامج نفسه مثل تطبيقات الطعام والمتاجر؟

السلام عليكوم ورحمة الله و بركاته لوسمحتم عندى سؤال انا ابارح حملت سكربت php من النت ووجدت نظام القوالب الخاص بة عبارة عن متغيرات اي بمعنا هكذا $tem_footer = $row['footer'];; اي ان footer = محتوى الفوتر و في القالب هكذا <footer>$tem_footer</footer> فما هذا النظام

كل قالب يختلف عن الآخر في طريقة إنشاء هذه الخاصية . ولكن لنفترض أننا نريد إنشاء محتوى ال footer . لذلك سنقوم بإنشاء أولا جدول في قاعدة البيانات يحتوي على البيانات التي نريد تخزينها ل footer. مثلا جدول يسمى footer_items ويحتوي على الأعمدة التالية: id و footer. الآن في لوحة التحكم نضع textarea التي سيكتب المستخدم بيانات ال footer فيها هكذا مثلا : <form action="/footer/create" method="post"> <textarea name="footer" placeholder="footer items"></textarea> </form> والأن نقوم بإنشاء ملف الذى يقوم بإستقبال البيانات من ال form وحفظها في قاعدة البيانات كالتالي : $footer = $_POST['footer']; // إدخال البيانات في جدول footer_items $sql = "INSERT INTO footer_items (footer) VALUES ('$footer')"; والآن فى الواجهة الأمامية نقوم بإحضار البيانات من قاعدة البيانات وإظهارها فى الصفحة : <footer> <ul> <?php $sql = "SELECT * FROM footer_items"; $result = mysqli_query($conn, $sql); // تنفيذ الاستعلام // عرض النتائج while($row = mysqli_fetch_assoc($result)) { echo "<li>" . $row['footer'] . "</li>"; } ?> </ul> </footer>

حسنا ارجو هل يمكنك عمل مثال بسيط جدا للتوضيح

وعليكم السلام ورحمة الله وبركاته . توجد بعض القوالب التى تجعل معظم الموقع دايناميكيا وليس ثابتا . حيث ستجد أن بعض القوالب تجعل راس الصفحة header و ذيل الصفحة footer دايناميكيا بحيث يمكنك إضافة وتعديل وحذف محتواهما عن طريق لوحة التحكم . ومن لوحة التحكم يتم حفظ هذه العناصر في قاعدة البيانات و من ثم إسترجاع تلك العناصر من قاعدة البيانات وعرضها في الصفحة الأمامية للموقع. وبهذا ستجعلك تملك تحكم أكبر فى الموقع من حيث حذف و إضافة ما تريد . وأعتقد أن القالب الذى قمت بتحمليه يستخدم تلك الطريقة حيث أن row$ هو المتغير الذى يحوى القيمة من قاعدة البيانات و إذا ذهبت إلى لوحة التحكم من المؤكد أنك ستجد قيم لتعديل ال footer هناك والذى سيقوم بإظهار تلك العناصر فى الصفحة الأمامية لديك .

شكراا جدا لحضرتكم جميعان والله

ليس خاصًا بمجال معين؛ بل محرك بحث شامل للأدبيات الأكاديمية في مجموعة واسعة من التخصصات والمجالات. أي باستطاعتك العثور على مقالات بحثية، أطروحات، كتب، أوراق المؤتمرات، وغيرها من المصادر العلمية في مختلف المجالات، بما في ذلك الذكاء الاصطناعي، علوم الكمبيوتر، الطب، الفيزياء، العلوم الاجتماعية، وغير ذلك. مثلاً العثور على أحدث الأبحاث والتطورات في مجال الذكاء الاصطناعي، مما يساعدك في البقاء على اطلاع على الاتجاهات الجديدة والتقنيات المتقدمة. أو لو كنت تعمل على مشروع بحثي أو تحضر لكتابة ورقة علمية، فتستطيع استخدام Google Scholar لمراجعة الأدبيات الموجودة وفهم السياق الأكاديمي الذي تعمل فيه. وإذا أردت مصادر جيدة للمتابعة بأحدث التطورات، فإليك التالي: ArXiv: منصة مفتوحة للأبحاث الأكاديمية في مختلف المجالات، بما في ذلك الذكاء الاصطناعي، حيث يمكن للباحثين نشر أوراقهم قبل مراجعتها من قبل الأقران. NeurIPS: مؤتمر سنوي بارز في مجال التعلم الآلي والذكاء الاصطناعي، يجمع الباحثين لتقديم أحدث الأبحاث والتطورات في هذه المجالات. alignmentforum.org: منتدى متخصص لمناقشة قضايا مواءمة الذكاء الاصطناعي مع القيم البشرية، ويركز على الأبحاث حول كيفية جعل الذكاء الاصطناعي آمنًا وموثوقًا. ijcai.org: الموقع الرسمي للمؤتمر الدولي للمشاريع المشتركة في الذكاء الاصطناعي (IJCAI)، وهو مؤتمر سنوي يعرض أحدث الأبحاث في مجالات متعددة من الذكاء الاصطناعي. icml.cc: الموقع الرسمي للمؤتمر الدولي للتعلم الآلي (ICML)، وهو أحد أهم المؤتمرات السنوية في مجال التعلم الآلي حيث يتم تقديم أبحاث جديدة ومبتكرة. nips.cc: الموقع الرسمي لمؤتمر NeurIPS (المعروف سابقًا بـ NIPS)، وهو مؤتمر رئيسي في مجالات التعلم الآلي والشبكات العصبية، يجمع الأبحاث والتطورات الحديثة في هذه المجالات.

منصة Google Scholar ليس مخصصا فقط لأبحاث مجال الذكاء الاصطناعي، بل هو محرك بحث أكاديمي شامل يمكن من خلاله العثور على أبحاث ودراسات في جميع المجالات العلمية، حيث يمكنك البحث عن أحدث الأبحاث والدراسات في مجال الذكاء الاصطناعي، وهذا سيساعدك على الاطلاع على التطورات الجديدة في هذا المجال وفهم النظريات والخوارزميات الجديدة، كما أن في كثير من الأحيان، يقوم الباحثون بنشر الأكواد المصدرية لمشاريعهم البحثية. يمكنك العثور على هذه الأكواد واستخدامها كأمثلة أو نقطة انطلاق لمشاريعك الخاصة. و إذا كنت تعمل على بحث أكاديمي أو مشروع يحتاج إلى توثيق، يمكنك استخدام Google Scholar للعثور على المراجع المناسبة والاستشهادات الأكاديمية، يعني هو عبارة عن أداة قوية تساعدك على البقاء على اطلاع دائم بآخر المستجدات في جميع المجالات التقنية وتطبيقها في عملك البرمجي.

ليس كذلك، ف Google Scholar هو محرك بحث أكاديمي مجاني من Google يتيح البحث عن المقالات العلمية والأبحاث الأكاديمية والكتب والتقارير الفنية من مجموعة واسعة من المجالات العلمية بالطبع يمكن لمبرمجي الذكاء الاصطناعي استخدامه للوصول إلى أحدث الأبحاث، استكشاف الحلول لمشاكل محددة، متابعة التطورات الجديدة، والاستشهاد بالأبحاث في مشاريعهم وتقاريرهم. فمثلا يمكنك كتابة كلمات مفتاحية دقيقة تتعلق بموضوع بحثك، مثل "deep learning"، "natural language processing"، أو "AI in healthcare" وستجد مصادر مفيدة وقيمة.

السلام عليكم في الReagression بيقيم الموذج بمعادل ال MSE فا كانت عاوز اعرف لها فيه معادله احسن من كده وازي اعرف ان فيها والا الا؟

في تحليل الأداء لنماذج الانحدار Regression Models، هناك عدة مقاييس بجانب متوسط مربع الخطأ Mean Squared Error - MSE لتقييم جودة النموذج. كل مقياس له مزاياه وعيوبه ويعتمد اختيار المقياس المناسب على السياق المحدد والتحليل المطلوب، مثلاً، MAPE غير مناسب في حال هناك قيم قريبة من الصفر في البيانات، حيث يؤدي ذلك إلى قيم غير معقولة. و RMSE و MAE يقدمان معلومات عن حجم الخطأ، لكن RMSE يعطي وزنًا أكبر للأخطاء الكبيرة بسبب التربيع، بالتالي مفيد في حال كانت الأخطاء الكبيرة غير مقبولة في مشروعك. ولو كانت الأخطاء تتبع توزيعًا طبيعيًا، فإن MSE و RMSE يكونا أكثر ملاءمة. أما إن كنت تهتم بالأخطاء النسبية أكثر من الأخطاء المطلقة، إذن MAPE أو MSLE أكثر ملاءمة. إليك كل مقياس: 1- Mean Absolute Error - MAE أو متوسط الخطأ المطلق: [ MAE = \frac{1}{n} \sum_{i=1}^n |y_i - \hat{y}_i| ] حيث ( y_i ) هو القيمة الحقيقية و ( \hat{y}_i ) هو التنبؤ من النموذج، ويقدم MAE فكرة عن حجم الخطأ المتوقع في التنبؤات. 2- جذر متوسط مربع الخطأ أو Root Mean Squared Error - RMSE: [ RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2} ] يعبر RMSE عن نفس المعلومات الموجودة في MSE ولكن في نفس وحدة القيم الأصلية مما يسهل فهمه في بعض الأحيان. 3- معامل التحديد (R-squared - (R^2)): [ R^2 = 1 - \frac{\sum_{i=1}^n (y_i - \hat{y}i)^2}{\sum{i=1}^n (y_i - \bar{y})^2} ] حيث ( \bar{y} ) هو المتوسط الحسابي للقيم الحقيقية. يعبر ( R^2 ) عن نسبة التباين في البيانات التي يمكن تفسيرها بواسطة النموذج، وقيمته تتراوح بين 0 و 1. 4- Mean Absolute Percentage Error - MAPE أو متوسط النسبة المطلقة للخطأ: [ MAPE = \frac{1}{n} \sum_{i=1}^n \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100 ] يعطي MAPE فكرة عن حجم الخطأ الكلي كنسبة مئوية من القيم الحقيقية، وهو مفيد عند الرغبة في فهم الخطأ النسبي بدلاً من الخطأ المطلق. 5- متوسط اللوغاريتم المربع للخطأ Mean Squared Logarithmic Error - MSLE: [ MSLE = \frac{1}{n} \sum_{i=1}^n \left( \log(1 + y_i) - \log(1 + \hat{y}_i) \right)^2 ] يستخدم MSLE عندما تكون القيم الحقيقية والتنبؤات قد تأخذ قيمًا صغيرة جدًا أو كبيرة، ويعطي وزنًا أكبر للأخطاء النسبية الصغيرة. 6- إحصائية AIC (Akaike Information Criterion) و BIC (Bayesian Information Criterion): [ \text{AIC} = 2k - 2\ln(L) ] [ \text{BIC} = \ln(n)k - 2\ln(L) ] ( k ) هو عدد المعاملات في النموذج و ( L ) هو دالة الاحتمال الماكسيمالي للنموذج، وتلك الإحصائيات تأخذ في الاعتبار جودة النموذج وعدد المعاملات، ما يساعد في تجنب الإفراط في التكييف overfitting.

أكيد هناك مقاييس أخرى يمكن استخدامها لتقييم النموذج بشكل أفضل حسب السياق والهدف من النموذج: متوسط الخطأ المطلق (Mean Absolute Error - MAE): يقيس هذا المقياس متوسط قيمة الفروق المطلقة بين القيم المتوقعة والقيم الفعلية. يعتبر MAE أقل تأثرا بالقيم الشاذة مقارنة بـ MSE. جذر متوسط مربع الأخطاء (Root Mean Squared Error - RMSE): هو الجذر التربيعي لمتوسط مربع الأخطاء، وهو يعطي نفس وحدة القياس للبيانات الأصلية. متوسط النسبة المئوية للخطأ المطلق (Mean Absolute Percentage Error - MAPE): يقيس هذا المقياس نسبة الخطأ المطلق إلى القيم الفعلية، ويعبر عنه كنسبة مئوية. معامل التحديد (Coefficient of Determination - R²): يقيس مدى تناسب النموذج مع البيانات. تتراوح قيمته بين 0 و 1، حيث تشير القيمة الأقرب إلى 1 إلى نموذج أفضل. لتحديد أي مقياس هو الأفضل للاستخدام، يعتمد ذلك على طبيعة البيانات والهدف من النموذج، حيث إذا كنت تحتاج إلى مقياس يتعامل بشكل جيد مع القيم الشاذة، يمكن أن يكون MAE أو MAPE أفضل من MSE، بينما إذا كان لديك اهتمام بالوحدات الأصلية للبيانات، فإن RMSE يمكن أن يكون أكثر ملائمة، أما إذا كنت تبحث عن فهم نسبة التباين المفسر بواسطة النموذج، فإن R² سيكون الخيار الأنسب. و يمكنك أن تطلع أكثر على الموضوع من خلال هذه الأسئلة:

السلام عليكوم ورحمة الله و بركاته من منا لا يعرف سكربت المنتديات الشهير vBulletin فانا بعد الانتهاء من برمجة سكربت متجر قلت ليه ماضيف نظام القوالب مثلة فانا اوريد ان اضيف صفحة في لوحة التحكم يوجد بها بعض القوالب و يمكن التعديل على الاكواد الخاصة بها بحيث ينقر المستخدم على تعديل source و ينتقل إلى صفحة يوجد بها حقول تحتوي على الاكواد مجزئة مثل الهيدر و الفوتر إلخ.. و يمكنة رفع قالب من جهازه و يتم تخزين محتويات القالب في قاعدة بيانات My SQL مثل اسم القالب و اكواد القالب إلخ..ا و بمعنا اصح اوريد برمجة نظام يشبة نظام قوالب بلوجر إلى حد قريب...

حجم البيانات بلا شك له أهمية كبيرة، ولا يمكن حصرها، لكن مع ذلك صحيح، يمكن أن يؤثر وجود كمية كبيرة من البيانات سلبا على نماذج تعلم الآلة بسبب زيادة التعقيد الحسابي، وطول وقت التدريب مع صعوبة إدارة جودة البيانات، وتعقيد النماذج التي تعمل عليها، يمكنك تصفح هذه المقالة:

نعم، يمكن أن يكون للبيانات الكبيرة تأثير سلبي على نماذج تعلم الآلة في بعض الأحيان. عند التعامل مع مجموعات بيانات ضخمة، يمكن أن تواجه عدة تحديات تتعلق بالقدرات الحاسوبية، وقت التدريب، وتعقيد النموذج. حقيقةـ صحيح يمكن أن تتجاوز البيانات الكبيرة قدرة الأجهزة الحاسوبية المتاحة فتدريب النماذج على بيانات ضخمة يتطلب ذاكرة كبيرة ومعالجات قوية وفي حال ما إذا كانت الموارد الحاسوبية محدودة، قد تواجه صعوبة في تحميل البيانات ومعالجتها بشكل فعال، مما يؤدي إلى بطء في الأداء أو حتى فشل عملية التدريب. لهذا قد تحتاج إلى تقنيات خاصة للتعامل مع هذه البيانات، مثل التجزئة أو التحليل الموزع، لتحسين الكفاءة. وقت التدريب هو الآخر يمكن أن يزداد بشكل كبير عند التعامل مع مجموعات بيانات كبيرة لأن تدريب نموذج تعلم الآلة على بيانات ضخمة يستغرق وقتا أطول بطبيعة الحال، مما يمكن أن يكون مشكلة إذا كنت بحاجة إلى نتائج سريعة أو تعمل في بيئة حيث الزمن عامل حاسم. للتغلب على ذلك، يمكن استخدام تقنيات مثل التعلم التدريجي أو النماذج الأولية للتدريب بشكل أسرع على أجزاء من البيانات قبل تدريب النموذج النهائي على المجموعة الكاملة. كما أنه يمكن أن يؤدي استخدام البيانات الكبيرة إلى تعقيد النموذج بشكل زائد فمع تزايد حجم البيانات، قد يتزايد أيضا عدد الميزات والأنماط التي يحتاج النموذج إلى تعلمهه وهذا ما قد يجعل النموذج أكثر تعقيدا وأقل قدرة على التعميم، مما يزيد من خطر التعلم الزائد حيث يتعلم النموذج تفاصيل غير ضرورية أو ضوضاء في البيانات لهذا فمن الضروري استخدام تقنيات مثل تنظيم النموذج أو التحقق المتقاطع لضمان أن النموذج يبقى قادرا على التعميم ويعمل بشكل جيد على البيانات الجديدة. وبينما يمكن للبيانات الكبيرة أن تكون مصدر قوة للنماذج، إلا أنها تتطلب إدارة دقيقة وموارد مناسبة للتأكد من أنها تساهم بشكل إيجابي في تحسين أداء النموذج بدلا من أن تكون عبئا.

وعليكم السلام، على العموم، كلما كان لدينا بيانات أكثر كلما كان ذلك أحسن. حتى إذا كنا لن نستخدم معظم البيانات الكثيرة في تدريب النموذج، فسوف نتركها كبيانات اختبار ونستخدمها للتحقق من جودة تعلمه. لكن يجب عدم إغفال نقطة مهمة وهي توازن البيانات (Data balance)، أي أن البيانات يجب أن تكون موزعة بشكل شبه متساوي على مجال الاحتمالات الممكنة، إذا لم يكن ذلك هو الحال، فقد نقع في خطأ في تقدير جودة النموذج. فمثلا، لو كانت لدينا بيانات حول العمليات البنكية، بحيث أن 97% من العمليات قانونية و 3% فقط غير قانونية، فإذا قمنا بتدريب نموذج لاكتشاف العمليات غير القانونية، وكان هذا النموذج يجيب في كل الأحوال بأن العملية قانونية، فهنا النموذج سوف يكون صحيحا في 97% من الحالات، لكن في الواقع، هذا النموذج لا يقوم بفعل شيء! في هذه الأحوال، لا ينفع تكثير البيانات مع الاستمرار على هذا الحال، فلو كانت عندنا الملايين من هذه البيانات، وكانت دائما النسبة 97%-3%، فسوف نحصل على نفس الخطأ. إحدى الحلول في مثل هذه الحالة هي تقليل البيانات الزائدة حتى تصبح النسب متكافئة. فيمكن التقليل من البيانات التي تمثل العمليات القانونية حتى تصبح نسبتها إلى المجموع 50% فقط. وعندها يمكننا أن ندرب النموذج بشكل متوازن، بحيث تكون نصف البيانات التي رآها قانونية ونصفها الآخر عكس ذلك، وعندئذ سوف يتعلم بشكل صحيح.