لوحة المتصدرين

السلام عليكم لو جد بيعتلي علي شغل علي Linkedin فا ده نصب ام اي ؟ مع العلم انا عمل الملف الشخصي يعني مش افضل حاجه لسه بحديث فيه لو حد مش جد انا اسف من منصه Outlier

من الممكن ذلك بالطبع، وKaggle منصة ممتازة لتعلم مهارات تحليل البيانات والتعلم الآلي لأنها تُقدم مسابقاتها ببيانات حقيقية. لكن لا تُحاول المشاركة في مسابقات متقدمة في البداية، ابدأ بمسابقات خاصة بالمبتدئين لتعلم الأساسيات. ويجب إبراز ما قمت به بشكل سهل القراءة وبالرسوم البيانية وليس مجرد نص فقط، مثلاً كالتالي لكن أضف بعض الصور: https://github.com/tiannaparris/Data-Analysis-Portfolio ستجد تفصيل هنا بخصوص المهارات اللازمة للعمل على تعلمها أيضًا:

كيف يمكنني فحص الميثودات التي وظيفتها جلب وتعديل الداتا من والى الفايربيس؟ جربت الـ Mockito لكن للاسف لم افهمه جيدا فلم استطع العمل به. اتمنى ممن عنده علم الاجابه، شاكره لكم مثلا: } public void fetchPhoneNumber(final PhoneFetchListener listener) ;()fAuth = FirebaseAuth.getInstance DatabaseReference databaseReference = FirebaseDatabase.getInstance().getReference() .child("customer") .child(fAuth.getCurrentUser().getUid()) .child("phone"); databaseReference.addListenerForSingleValueEvent(new ValueEventListener(){x } @Override }public void onDataChange(DataSnapshot dataSnapshot) ;String phone = dataSnapshot.getValue(String.class); setPhone(phone) ;listener.onPhoneFetched(phone) } @Override }public void onCancelled(DatabaseError databaseError) ;Log.e("fetchPhoneNumber", "Error fetching phone number: " + databaseError.getMessage()) { }); } public interface PhoneFetchListener { void onPhoneFetched(String phone); }

قمت بعمل مشروع واجهة امامية باستخدام weback... ارغب باضافة دومين ورفع المشروع في سيرفر ما هو افضل مواقع تقدم الاستضافة مجانا؟

أحيانًا يتم إرسال مثل تلك الرسائل بشكل تلقائي من خلال أداة معينة وليس على وجه الخصوص لملفك، أي يتم تحديد كلمات مفتاحية معينة وإختيار بلد محددة وإرسال الرسائل. منصة outlier.ai منصة معروفة وبها عدد كبير من الموظفين وذلك هو حسابها على لينكدإن: https://www.linkedin.com/company/try-outlier/ والهدف منها هو تدريب نماذج الذكاء الاصطناعي والدفع لك مقابل ذلك.

إذا يمكنك البحث عن أى أحد عمل مسبقا في الشركة التي أخبرك بها هذا الشخص والسؤال عن الرواتب ونوع الوظيفة وهل يتم الدفع بإنتظام أم لا . ويمكنك الإتفاق على كل شئ بخصوص الراتب قبل القبول بالوظيفة. Linkedin مهمة لربط الأشخاص المهتمين بنفس المجال ببعضهم البعض و أيضا يتم عرض الشركات الوظائف عليها وهي مهمة أكثر في بناء الملف الشخصي الخاص بك (portfolio) . ومن خلالها تسطيع متابعة الأشخاص المؤثرين في مجال معين ومتابعة الشركات التي تود العمل بها للحصول على إشعارات حين توفر وظيفة متاحة . و Linkedin منصة مهمة جدا تسهل عليك الحصول على العمل سريعا وتستطيع من خلالها بناء شبكة علاقات لك.

تمام , لكن ده العمل كا كاتب محتوي الذكاء الاصطناعي دواء جزاي بس السوال المهم اي اهميه Linkedin في حاجه زي كده يعني ؟

وعليكم السلام ورحمة الله وبركاته. أولا يجب عليك البحث عن الشخص الذي أرسل لك على Linkedin جيدا والنظر إلى حسابه الشخصي و المكان الذي يعمل به ويمكنك النظر إلى ال connection الخاصة به على حسابه لمعرفة على هذا حساب مزيف أم حساب حقيقي. ثانيا هذا يعتمد على نوع العمل الذي أخبرك به . إذا كانت وظيفة بدوام كامل وفي شركة فيمكنك السؤال عن تلك الشركة أولا ويمكنك التقدم لل interview بها إذا وجدت سمعتها جيدة . أما إذا كان الوظيفة هي عمل حر فهنا يجب عليك الحذر ومحاولة الإتفاق للعمل على منصة مضمونة مثل مستقل مثلا لضمان حقوقك . أو يمكنك الإتفاق على المرتب و الأ تقوم بتسليم العمل إلا حينما تأخذ أموالك أولا . وأخيرا يوجد طرق كثيرة للإحتيال ومنها وهي الأكثر شيوعا أن يدخل شخص ليخبرك عن وظيفة ومن ثم يخبرك أنه توجد مهمة يجب عليك تنفيذها لإختبارك ، وهنا هذه المهمة هي عمل يجب على هذا الشخص إنجازه ولكنه يفعل ذلك لجعل أشخاص أخرين ينفذونها عوضا عنه وهكذا لن يدفع أى أموال وبعد تسليمك لتلك المهمة يخبرك أنه سيراجعها و من ثم لن يرد عليك بعدها . لذلك حاول ألا تقوم بتنفيذ مهام لأحد وخاصة إذا كانت المهمة محددة مسبقا ومتقدمة وليست شائعة لأسئلة interview حتي لا يتم الإحتيال عليك بتلك الطريقة .

السلام عليكم جمعه مباركه كيف تخزن NumPy البيانات في الذاكرة ؟

السلام عليكم هو اي الفرق مابين الpd.merage و ال pd.concat ؟

pd.merge تستخدم للدمج العمودي كما أنها تعتمد على المفاتيح Keys أي تعتمد على الدمج حسب المشترك لكن pd.concat يمكنها الدمج إما عموديا أو رأسيا عندما يكون ال axis=0 يدمج عموديا لكن عندما يكون axis=1 فيدمج أفقيا وستخدم لدمج الجداول بأكملها. مثال على merge حيث اعتمد على المفتاح: import pandas as pd data1 = {'key': ['K0', 'K1', 'K2', 'K3'], 'Name':['Jai', 'Princi', 'Gaurav', 'Anuj'], 'Age':[27, 24, 22, 32],} data2 = {'key': ['K0', 'K1', 'K2', 'K3'], 'Address':['Nagpur', 'Kanpur', 'Allahabad', 'Kannuaj'], 'Qualification':['Btech', 'B.A', 'Bcom', 'B.hons']} # Convert the dictionary into DataFrame df = pd.DataFrame(data1) # Convert the dictionary into DataFrame df1 = pd.DataFrame(data2) print(df, "\n\n", df1) res = pd.merge(df, df1, on='key') res مثال على concat حيث تم الدمج افقيا: import pandas as pd df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3']}) display('df1:', df1) df2 = pd.DataFrame({'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}) display('df2:', df2) display('After concatenating:') display(pd.concat([df1, df2], axis = 1)) فنستخدم حسب المعطيات التي لدينا وعلى حسب المراد فعله.

السلام عليكم ورحمة الله وبركاته لقد انهيت الدورة وتواصلت مع مركز المساعدة ولكن مر يومين وقال لي انه سيحولني لفريق الامتحانات ولم يحصل اي شيء ولم يتواصل معي احد

لأنها أكثر الخوارزميات كفاءة في البحث في مصفوفات مرتبة، وتعمل بزمن تشغيل O(log n) ، حيث n هو عدد العناصر في المصفوفة، أي أن زمن البحث يقل بشكل كبير مع زيادة عدد العناصر. وتستخدم في العديد من التطبيقات المختلفة، مثل قواعد البيانات، والبحث في الملفات، وإدارة الذاكرة، وغيرها. وتتمثل الفكرة الأساسية في تقسيم المصفوفة إلى نصفين، ثم تحديد النصف الذي يحتوي على العنصر المطلوب. مثلاً لو لدينا مصفوفة مرتبة تحتوي على الأرقام 1، 2، 3، 4، 5، 6، 7، 8، 9، وتبحث عن الرقم 5، فستقوم خوارزمية البحث الثنائي بتقسيم المصفوفة إلى نصفين: النصف الأول: 1، 2، 3، 4 النصف الثاني: 5، 6، 7، 8، 9 ثم ستقوم بتحديد النصف الذي يحتوي على الرقم 5، وهو النصف الثاني، ثم تقسيم النصف الثاني إلى نصفين مرة أخرى: النصف الأول: 5، 6 النصف الثاني: 7، 8، 9 ثم ستقوم بتحديد النصف الذي يحتوي على الرقم 5، وهو النصف الأول، ثم ستقوم بتحديد الرقم 5 في النصف الأول. أي تخيل أنك تبحث عن رقم معين في قائمة مرتبة من الأرقام، تبدأ بالبحث في النقطة الوسطى للقائمة، وفي حال كان الرقم الذي تبحث عنه أكبر من الرقم في النقطة الوسطى، فإنك تركز على النصف العلوي من القائمة، وفي حال الرقم الذي تبحث عنه أصغر من الرقم في النقطة الوسطى، فإنك تركز على النصف السفلي من القائمة، وتكرر تلك العملية حتى تجد الرقم الذي تبحث عنه. ولا يمكن استخدام خوارزمية البحث الثنائي مع البيانات غير مرتبة، وأحيانًا لا تُعطي تلك الخوارزمية النتيجة الصحيحة عند وجود بيانات متكررة. بالتالي هي ليست دائمًا الأفضل في كل الحالات، فهناك خوارزميات أخرى أفضل في بعض الحالات، ومنها: خوارزمية البحث الخطي: أفضل في حالات البحث في مصفوفات صغيرة أو غير مرتبة. خوارزمية البحث الثنائي المتكرر: أفضل في حالات البحث في مصفوفات مرتبة بشكل خاص. خوارزمية البحث الحشوي: أفضل في حالات البحث في مصفوفات كبيرة ومرتبة بشكل خاص.

لو قمت بإنشاء مصفوفة من 3x3 من الأعداد الصحيحة، فإن NumPy ستقوم بتخصيص 9 عناصر في الذاكرة، وستحدد الشكل على أنه (3, 3)، والنوع على أنه int64، والخطوات على أنها (1, 3) و (3, 1). أي أن كل عنصر في المصفوفة يتم تخزينه في الذاكرة بشكل متوالي، مع استخدام الخطوات لتحديد مواقع العناصر المجاورة في المصفوفة. وتلك بنية بيانات تسمى مصفوفة متجانسةhomogeneous array، وهي تُخزن جميع العناصر من نفس نوع البيانات في منطقة متجاورة في الذاكرة. بالتالي تسمح للمكتبة بالتعامل مع البيانات بشكل فعال ومتوافق مع الذاكرة، مما يجعلها مناسبة للعمليات الحسابية الكبيرة. للتوضيح أكثر لو قمت بإنشاء مصفوفة NumPy من نوع int تحتوي على 5 عناصر: import numpy as np arr = np.array([1, 2, 3, 4, 5]) فسيتم تخصيص مساحة في الذاكرة لـ 5 عناصر من نوع int كالتالي: عنوان قيمة 0x1000 1 0x1008 2 0x1010 3 0x1018 4 0x1020 5 وتستخدم مؤشرات pointers الذاكرة للوصول إلى العناصر بشكل مباشر.

وعليكم السلام ورحمة الله وبركاته. يكمن الفرق بينهما في كيفية دمج البيانات . أولا pd.merge حيث تستخدم لدمج DataFrames بناء على أعمدة مشتركة وهي تشبه كثيرا جملة join في قواعد البيانات. وتأخذ العديد من المعاملات : on وهي لتحديد الأعمدة المشتركة بين DataFrames والتي سيتم الدمج بناء عليها مثل join في قاعدة البيانات. how وهي لتحديد نوع الدمج مثل قواعد البيانات تماما ولها عدة قيم : inner وهي دمج فقط القيم المتشابهة في DataFrame وعدم إستخدام القيم الغير متشابهة. outer وهي دمج جميع القيم مع إضافة قيم فارغة (NaN) إذا لم يوج أى تطابقات. left وهي دمج جميع القيم من DataFrame الذي في اليسار مع القيم المتطابقة من DataFrame الذي في اليمين. right وهي دمج جميع القيم من DataFrame الذي في اليمين مع القيم المتطابقة من DataFrame الذي في اليسار. مثال على الإستخدام : import pandas as pd # إنشاء DataFrames df1 = pd.DataFrame({'ID': [1, 2, 3], 'Name': ['Alice', 'Bob', 'Charlie']}) df2 = pd.DataFrame({'ID': [1, 2, 4], 'Age': [25, 30, 22]}) # دمج DataFrames باستخدام العمود المشترك 'ID' merged_df = pd.merge(df1, df2, on='ID', how='inner') print(merged_df) ولتفاصيل أكثر هذا هو التوثيق الرسمي الخاص بها : https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.merge.html ثانيا pd.concat حيث تستخدم لدمج DataFrames بشكل رأسي أو أفقي. ولا تعتمد على الأعمدة المشتركة كما في merge ويمكنك تحديد المحور الذي يتم الدمج بناء عليه . حيث يتم الدمج إما عبر المحور العمودي (الصفوف) باستخدام axis=0 أو عبر المحور الأفقي (الأعمدة) باستخدام axis=1. مثل import pandas as pd # إنشاء DataFrames df1 = pd.DataFrame({'A': [1, 2, 3]}) df2 = pd.DataFrame({'A': [4, 5, 6]}) # دمج DataFrames بشكل عمودي باستخدام pd.concat concatenated_df = pd.concat([df1, df2], axis=0) # عرض النتيجة print(concatenated_df) # A #0 1 #1 2 #2 3 #0 4 #1 5 #2 6 وهذا هو التوثيق الرسمي لها : https://pandas.pydata.org/docs/reference/api/pandas.concat.html

اه يعني مش متفرقه مش كل قيمه في ماكن بعيد عن الثاني شكراا جدا لحضرتك

و عليكم السلام، هي تقوم بالتخزين بشكل مماثل لآلية التخزين في كافة لغات البرمجة، أي عبارة عن أماكن متجاورة في الذاكرة. في حال كان هناك أكثر من بعد فيتم التخزين أيضًا بنفس الطريقة، مثلًا في حال 2d يتم تخزين السطر الأول إلى جانبه السطر الثاني و هكذا. تحياتي.