لوحة المتصدرين

لدية شاشة مقاس ٥٥ بوصة واريد تصميم مقطع فيديو لكي اعرضه عليها ولا أعلم كم المقاسات المناسبة ماهو المقاس المناسب لها بالبكسل

شكراا لحضرتكم

مثل RetroBat V6.2.1 نسخه تخص العب BATOCERA تكون ايزو

ما حل هذه المشكله ؟ تواجهني بكثره

أنا تاجر دواجن العمل مقسم الي قسمين : الاول : المكان والتجهيزات من معدات وغيرها . الثاني : شراء الدواجن والاعلاف. وبيع الدواجن بعد ٤٠ يوم شخص يريد تشغيل ماله معي في حين تكاليف التجهيزات وهي اصول ثابتة عليا انا و هو راس ماله في الدواجن فقط و وقت ما يكون محتاج الفلوس هاخدها كامله نسبته كام في المكسب والخسارة بفرض أن المشروع تكلفته الإجمالية ٢٣٠ ألف جنيه تجهيزات وهي المعدات ١٢٠ ألف جنيه هدفعها انا الدواجن ١١٠ ألف جنيه راس مال الشريك بفرض مكسب بعد أنها دورة الدواجن ٤٠ ألف جنيه

بعد تصميم واجهة المستخدم ( تطبيق و موقع ) هل أبدأ في تصميم وبرمجة لوحة التحكم قبل برمجة التطبيق والموقع ؟

كإجابة عامة فإني اقول لك نعم ابدأ ببرمجة لوحة التحكم في البداية، وذلك لأنك لن تستطيع تجريب وربط التطبيق و الموقع قبل ان يكون لديك لوحة تحكم. ولكن قد تختلف هذه القاعدة بحسب كل موقع و نوع الفريق الذي يعمل على المشروع وكون المشروع موثق بشكل جيد او لا.

I want ask how to learn science for programming no language too

اغلب الدورات متوفره ما عدا الامن السيبراني شو السبب؟؟؟

ابيه صيغه ايزو على تسعدني في تخصيص RetroArch وتنزيل محكي بيلستشان 3 وشكران لكى

كل منهما له نقاط قوة وضعف، فالتعلم العميق يتفوق في التعامل مع البيانات المعقدة والغير منظمة مثل الصور، الفيديو، والنصوص، والشبكات العصبية العميقة مثل الشبكات العصبية التلافيفية (CNN) والشبكات العصبية المتكررة (RNN) تكون فعالة جدًا في تلك الحالات. بينما تعلم الآلة التقليدي أفضل في الحالات التي تكون فيها البيانات بسيطة ومنظمة، مثل الجداول والمصفوفات، ومن الأمثلة على خوارزميات تعلم الآلة التقليدية فلديك الانحدار الخطي، أشجار القرار، والـ SVM. أيضًا التعلم العميق يحتاج إلى كميات ضخمة من البيانات للتدريب بشكل فعال، فكلما زادت البيانات، كلما كانت النتائج أفضل، وهو يعتبر "صندوق أسود" إلى حد كبير، مما يجعل من الصعب تفسير كيفية اتخاذ القرارات. ويتطلب موارد حسابية كبيرة، بما في ذلك وحدات معالجة الرسوميات GPU وأحيانًا وحدات معالجة متخصصة أخرى، ويحتاج وقتًا طويلاً للتدريب وتكلفة مالية عالية بسبب متطلبات الأجهزة والبيانات. بجانب أنه أكثر دقة في بعض التطبيقات، خاصة تلك التي تتطلب التعرف على الأنماط المعقدة. على العكس في تعلم الآلة التقليدي فيعمل بشكل جيد مع كميات أصغر من البيانات، وغالبًا ما تكون النماذج أكثر شفافية وأسهل في التفسير. وأقل تطلبًا من حيث الموارد المطلوبة لمعالجة البيانات، وأسرع وأقل تكلفة، خاصة في المراحل الأولية من المشروع، وفي بعض التطبيقات، يكون الأداء مشابهًا أو حتى أفضل من التعلم العميق، خصوصًا عندما تكون البيانات محدودة.

وعليكم السلام، التعلم العميق أو التعلم الآلي كلاهما لا يعملان في الحقيقة إلا على الأعداد. فما يقوم به النموذج في الداخل هو ضرب أعداد في أعداد، وتعديل أعداد بالنسبة لقيمة أعداد أخرى، وهكذا. لذلك، فأي نوع بيانات مختلف عن الأعداد يجب أن يتم تحويله إلى أعداد. لذلك، أوّل خطوة هي دائما ما يسمى بالمعالجة القبلية (Preprocessing) التي فيها يتم تحويل البيانات الطبيعية إلى بيانات عددية. المعالجة القبلية ليست شيئا خاصا بالصورة والصوت، بل تشمل حتى النصوص أيضا لأن نماذج تعلم الآلة لا تستطيع قراءة النصوص أيضا. بل في بعض الأحيان نحتاج للقيام بالمعالجة القبلية حتى عندما تكون البيانات أعدادا. فمثلا، إن كان عندنا في بياناتنا عمود يمثل سنة الميلاد، وبجانبه عمود يمثل طول الشخص، فهذان العمودان يحتاجان أولا للتحويل إلى قيم متشابهة، وإلا فقد لن يتم التعلم بشكل صحيح. لذلك نحاول دائما أن نجعل القيم بين 0 و 1 لكل الأعمدة، وهذا ما يعرف باسم التطبيع (Normalization). توجد تقنيات مختلفة للمعالجة القبلية، وهذا يعتمد على نوع البيانات وعلى قدرات النموذج. فمثلا، إن أردنا إدخال صورة إلى نموذج تعلم آلة يستقبل بيانات عددية على شكل مصفوفة، فما يمكننا فعله هو تفكيك الصورة إلى مصفوفات حسب عرضها width (أو ارتفاعها height) ثم ربط هذه المصفوفات خلف بعضها (Concatenation) حتى تصبح مصفوفة طويلة واحدة. يعني الصورة التي أبعادها 32 * 32، تتحول إلى مصفوفة طولها 1024، حيث كل خانة من هذه المصفوفة تحوي قيمة البكسل الموافق. بالإضافة إلى ذلك، قيم البكسلات تكون من 0 إلى 255، وبما أننا نفضل دائما أن تكون القيم بين 0 و 1، فقد نقوم أيضا بعملية التطبيع لتحويلها إلى القيم المناسبة. للمزيد من المعلومات حول كيفية التعامل مع الصور في نماذج تعلم الآلة، يمكنك الإطلاع على الدليل التالي من موقع Scikit-learn، والتي هي مكتبة تعلم آلي وليست مكتبة تعلم عميق: https://scikit-learn.org/stable/auto_examples/classification/plot_digits_classification.html

أولاً يجب تفهم أنك ستحتاج إلى 4 أو 5 أضعاف وقت الدورة من أجل دراستها بشكل سليم، وذلك ما بين مشاهدة ثم استيعاب ثم حفظ ثم تطبيق ثم مراجعة وتكرار وبحث. عليك بالتالي: مشاهدة 4 دروس قصيرة ثم التوقف والتطبيق على ما جاء بها من خلال إعادة ما قام به المدرب. أو درس واحد طويل وتقسيمه إلى أجزاء والتوقف ثم التطبيق بمفردك. ولا مشكلة في التطبيق مع المدرب، لكن بعد الإنتهاء عليك إعادة ما قمت به بمفردك لكي تختبر استيعابك وتركيزك يُصبح أكبر. (خصص نسخة للتطبيق مع الشرح مثلاً ونسخة أخرى للتطبيق عليها بمفردك). والمهم هو ألا تقوم بخطوة دون معرفة لماذا قمت بها، فالبرمجة ليست نسخ أكواد بل وظيفتك هي حل مشاكل برمجية لذا استيعابك للأدوات واللغة نقطة فارقة للمبرمج المتميز. وهناك مثال جيد هو "يمكنك مشاهدة فيلم لكن لن تصبح مخرج أفلام" لذا عليك بالممارسة العملية وأن تكون طالب فاعل وليس مشاهد سلبي فقط، يجب التدرب على نماذج صغيرة في البداية ثم التدرج في الصعوبة وإنشاء مشاريع كاملة، وعدم الإكتفاء بمشاريع الدورة ونماذجها فقط. وفي الدورة لا تكتفي ببناء المشروع مرة واحدة فقط، حاول إعادة بنائه بمفردك، ولا مشكلة أبدًا إذا نسيت بعض الأشياء لا تنزعج من ذلك إطلاقًا. فمرة واحدة لا تكفي أبدًا، حيث أنك في المرة الأولى تستوعب بنسبة 70% وأنت بحاجة إلى الـ 30% الأخرى والتي تحصل عليها من خلال إعادة بناء المشروع بمفردك بدون مشاهدة شرح المدرب. وبالطبع ليس عليك تذكر كل شيء قمت بدراسته ولكن يجب استيعاب كل شيء تقريبًا بنسبة 80% وبعض الأمور ستتضح لك من الواقع العملي بعد فترة وتنفيذ المشاريع. فلا أحد يتذكر كل شيء ويتم البحث عن ما نريده ويتم تذكر الأمر لأنك تعرف ما تريد البحث عنه، لكن الحفظ والاستيعاب مهمان في البداية.