لوحة المتصدرين

السلام عليكم هل الافضل ان اتخصص في مجال واحد يعني ام مجال التعلم العميق والتعلم الاله ؟

السلام عليكم هو اي الفرق مابين الDeep Learning و مكتبه الface-recognition و OpenCV في التعرف علي الوجه والتعرف علي الاشياء وتصنيف الصور ؟

بسم الله الرحمن الرحيم وبعد فقد شاريت دورة لكن لم أجد مواكبة منكم كما اعلنتم وبعد أرجوا منكم الاجابة على بعض الاسئلة التي عندي

هل يوجد مسار تطوير تطبيقات اندرويد كامل من الصفر حتى الإحتراف وهل يوجد مسار تطوير تطبيقات ios ايضاً؟

باستخدم الكود ده correlations = diabetes.corr()['Outcome'].sort_values(ascending=False) top_features = correlations[1:] plt.figure(figsize=(12,8)) top_features.plot(kind='bar' , color='skyblue' , edgecolor='black') plt.title("Top Features Correlated With Outcome" , fontsize=14) plt.xlabel('Features' , fontsize=14) plt.ylabel("Correlation with Outcome" , fontsize=14) plt.xticks(rotation=45 , fontsize=12) plt.grid(axis='y' , linestyle='--' , alpha=0.7) plt.tight_layout() plt.show() plt.savefig("Top-Features-Correlated-With-Outcome.png" , bbox_inches='tight') ظهر ان االرسم ده بس وانا بتدرب النموذج ظهارت حاجه غريب هو ان في ترتيب الميزات اختلف فا اي يعني الكلام ده ؟ وده الكود modle_diabetes_randomforestregressor = RandomForestRegressor(n_estimators=10000 , max_depth=4 , random_state=33) train = modle_diabetes_randomforestregressor.fit(x_train_scaled , y_train) y_predict = train.predict(x_test_scaled) importances = permutation_importance(modle_diabetes_randomforestregressor , x_test_scaled , y_test , n_repeats=10 , random_state=42) importance_scores = importances.importances_mean print(importance_scores) sorted_features = np.argsort(importance_scores)[::-1] print(sorted_features) ودي رسمت الكود ده plt.figure(figsize=(12,8)) plt.bar(range(len(sorted_features)) , sorted_features) plt.xticks(range(len(sorted_features)), diabetes.columns[sorted_features], rotation=45) plt.title("Feature Importance Using Permutation Importance" , fontsize=14) plt.xlabel('Features' , fontsize=14) plt.ylabel("Importance Scores" , fontsize=14) plt.grid(axis='y' , linestyle='--' , alpha=0.7) plt.tight_layout() #plt.show() plt.savefig("Importance-Scores.png" , bbox_inches='tight') ودي الرسم فا انا عاوز اعرف ازي اقبل ما اتدريب النموذج يكون الترتيب الGlucose وبعد كده الHOMA_IR وب هعد كده الInsulin واتناء تدريب النموذج يكون الترتيب الGlucose وبعد كده الBMI و بعد كده الAge وطبعان الOutcome مش هنحسبو فا ازي كده ؟

بسبب طريقة حساب الأهمية في كل منهما، ففي الرسم الأول، الذي يظهر الترتيب حسب قيمة الارتباط مع Outcome، تقوم بحساب الارتباط باستخدام معامل الارتباط بين كل ميزة و Outcome، أي أن الميزات التي لها قيمة ارتباط أعلى تكون أكثر ارتباطًا مع Outcome. في الرسم الثاني، يظهر الترتيب حسب الأهمية باستخدام Permutation Importance، وتقوم بحساب الأهمية من خلال تقييم تأثير كل ميزة على دقة النموذج من خلال تغيير قيمة كل ميزة بشكل عشوائي وتقييم التغيير في دقة النموذج، والميزات التي لها تأثير أكبر على دقة النموذج تكون أكثر أهمية. بالتالي الفرق بين الطريقتين هو أن الارتباط لا يعتبر تأثير الميزة على دقة النموذج، بينما الأهمية تعتبر تأثير الميزة على دقة النموذج. ولتعديل الترتيب، استخدم تقنية Feature Engineering لتحسين الأهمية للميزات التي تريدها، وأحد الطرق هي Feature Scaling والتي تقوم بتوسيم الميزات وتصبح جميعها بنفس النطاق، مما يمنع الميزات ذات القيم الأكبر من التأثير بشكل أكبر على النموذج. أي لو ميزة Glucose تتراوح بين 0 و 300، بينما ميزة Insulin تتراوح بين 0 و 10، فإن Glucose ستكون لها تأثير أكبر على النموذج، وتستطيع استخدام StandardScaler أو MinMaxScaler لتوسيم الميزات إلى نطاق موحد. كالتالي: from sklearn.preprocessing import StandardScaler scaler = StandardScaler() x_train_scaled = scaler.fit_transform(x_train) x_test_scaled = scaler.transform(x_test) modle_diabetes_randomforestregressor = RandomForestRegressor(n_estimators=10000 , max_depth=4 , random_state=33) train = modle_diabetes_randomforestregressor.fit(x_train_scaled , y_train) importances = permutation_importance(modle_diabetes_randomforestregressor , x_test_scaled , y_test , n_repeats=10 , random_state=42) importance_scores = importances.importances_mean

انا ابي اعرف ليش يطلع لي كدا هذي الاكواد حقت المشروع

وعليكم السلام, Deep learning: هو فرع من تعلم الالة Machine learning مما يعتبر جزء من مجال الذكاء الصناعي يستخدم deep neural networks شبكات عصبية عميقة مما ينتج قدرة مشابهة لعقل الانسان في اتخاذ القرارات, يمكننا رؤية تطبيقاته في الحياة الواقعية كالسيارات ذاتية القيادة وغيرها من التطبيقات. face-recognition: هي مكتبة وتعني أنها كود وخوارزميات صممت مسبقا لتسهيل عملية التعرف على الوجه بدون الحاجة لجعل المطور تطوير كل شيئ من البداية وهي تسهل عملية التطوير وتختصر الوقت, كما أنها صممت باستخدام التعلم العميق. OpenCV: هي أيضا مكتبة تستخدم لمعالجة الصور في شتى المجالات كالوجوه والتعرف على الأشياء التعرف على خط اليد, وغيرها من الاستخدامات أي أنها تستخدم في عدة مجالات وليس التعرف على الوجه فقط.

face-recognition مخصصة للتعرف على الوجوه بسهولة، بينما OpenCV يمكن استخدامها لأشياء عديدة وبطرق مختلفة، أما Deep Learning فهو الأسلوب الأساسي والمتقدم الذي يستخدمه الجميع لتدريب الآلات على "التفكير" بطريقة شبيهة بالبشر ولكن دعنا نتكلم عن كل نوع بالتفصيل. Deep Learning (التعلم العميق) هو أسلوب متقدم من الذكاء الاصطناعي، يعتمد على بناء شبكات عصبية كبيرة لتعلم واستخراج الأنماط من البيانات عندما نتحدث عن التعرف على الوجه أو التعرف على الأشياء باستخدام التعلم العميق، نعني استخدام شبكات عصبية مثل Convolutional Neural Networks (CNNs) لتعلم كيف تبدو الأشياء المختلفة والتمييز بينها هذا الأسلوب يتطلب كمية كبيرة من البيانات وقوة حسابية كبيرة، لكنه يعطي دقة عالية جدا. اما مكتبة face-recognition هي مكتبة سهلة الاستخدام تعتمد في عملها على التعلم العميق، وتستخدم شبكات عصبية دربت مسبقا (يعني أنه تم تعليمها من قبل) الهدف منها هو جعل التعرف على الوجوه أمرًا بسيطًا للمطورين بدون الحاجة إلى كتابة خوارزميات معقدة يمكن استخدامها بسهولة لتتعرف على وجوه الأشخاص في الصور والفيديوهات، لكنها متخصصة فقط في الوجوه وليس كل أنواع الصور مكتبة OpenCV هي مكتبة قوية للمعالجة الصورية والرؤية الحاسوبية. يمكن استخدامها للعديد من المهام مثل التعرف على الوجوه، وتتبع الأشياء، ومعالجة الصور بشكل عام وتوفر أدوات متنوعة، ويمكن استخدامها مع Deep Learning أو بدونها. على سبيل المثال، يمكنك استخدام تقنيات بسيطة مثل Haar Cascades أو LBP لاكتشاف الوجوه، وهي تقنيات أسهل لكنها ليست بدقة تقنيات التعلم العميق. أيضا، يمكن لـ OpenCV استخدام النماذج المدربة مسبقا من التعلم العميق للتعرف على الأشياء، مما يجعلها أداة مرنة تناسب العديد من الاستخدامات.

و عليكم السلام، لا يمكن المقارنة بين مجال و مكتبة، فهما شيئان مختلفان تمامًا. التعلم العميق هو عبارة عن مجال ضمن مجال أكبر هو الذكاء الصنعي. بينما المكاتب مثل OpenCv و غيرها هي مكاتب تقوم باستعمال توابع مختلفة للقيام بالأمور المطلوبة، مثلًا في حال التعرف على الوجه قد تقوم باستعمال تقنيات تقليدية أو تقنيات ذكاء صنعي. مثلًا مكتبة face-recognition تقوم باستعمال نموذج تعلم عميق للقيام بالتعرف على الوجه. تحياتي.

عند إنشاء قاعدة بيانات على Render ستحصل على روابط مختلفة للإتصال بها وهما internal للإتصال بقاعدة البيانات من داخل الاستضافة نفسها أي عند نشر المشروع عليها نستخدمه. بينما لو أردنا الإتصال من الخارج والقيام بعمليات التهجير من خلال منفذ الأوامر على نظامك كما تفعل بشكل عادي فنستخدم رابط تحت اسم External. وضعه في ملف .env في متغير باسم: DATABASE_URL = 'الرابط هنا'