لوحة المتصدرين

لدي سؤال عن ماهي افضل طريقة على المراجعة على لغات البرمجة لكي لا أنسى اذا حددت وقت للمراجعة على لغات هل أراجع عليها بي مراجعة عن طريق مشاهدة الدروس والتطبيق عمليا على مشروع أم البحث وقراءة المفاهيم ومراجعة الوسوم البرمجية و القواعد و المعلومات ؟ افيدونا بارك الله فيكم

السلام عليكم هي اي شريحة جوجل الجديد في مجال الكمبيوتر الكمي ؟

انا ف Computer science وهتخصص AI وكذا حد شكر ف حسوب وكنت هاخد دورة الAI لكن سعرها عليا بفرق العملة طلع غالي جدا محدش من الموقع يقدر يقدملي الدورة ؟ "محتاجها فعلا"

هل يوجد في دورة الـjavaScript مواضيع تتحدث عن Dom or Bom ؟

لا اسف اقصد لغات html , css , js الأساسيات واساسيات بوتستراب انا في دورة تطوير الويب واصل للمسار الرابع ولكن اردت ان افهم فقط طريقة المراجعة تعرف مثلا عندما تنتهي من الأساسيات وتدخل في المسار الثاني او الثالث قد ينسى الشخص معلومات من المسار الأول وهاكذا

السلام عليكم اولا شكرا لكم ثانيا لا اريد اجابه من الانترنت او من شات جي بي تي لانني بحثت كثيرا احتاج الي من يجيب يكون لديه المعلومة الصحيحه انا كان عندي حساب مطوري جوجل بلاي قديم وكان ملف الدفع بتاعي سعودي لاني كنت في السعوديه وكنت رافع عليه تطبيق وكان في عمليات مشتريات ولدي رصيد بقيمة 10 دولار المهم الان الحساب متوقف لاثبات صحه ملف الدفع وانا رجعت مصر ولن ارجع السعودية مره اخري وعند طلب تنشيط الحساب يقول لي اثبات صحة ملف الدفع قمت بعمل لمف دفع جديد لتغير الدولة وعملته مصر بس لما بدخل لاثبات صحة الدفع يظهر لي ملف الدفع القديم السعودي الذي يحتاج الي بنك في السعودية ولا اعرف اغير ملف الدفع القديم الي الجديد ولو فكرت اقفله بيقولي مربوط بمطوري جوجل بلاي ولازم اقفل حساب مطوري جوجل بلاي الاول وانا محتاج تنشيط حساب مطوري جوجل بلاي ضروري

وعليكم السلام ورحمة الله، هي شريحة ويلو الكمومية وقد أطلقتها شركة غوغل الأسبوع الفارط، وهي تحتوي على 105 كيوبت وكما نعلم فالكيوبت هو أساس الحواسيب الكمومية، والحوسبة الكمومية تعد اليوم مجالا ثوريا يستحق الاهتمام نظرا لقدرتها على حل مشكلات معقدة لا تستطيع الحواسيب التقليدية التعامل معها كما أنّ اعتمادها على الكيوبتات التي تمكنها من إجراء عمليات حسابية متوازية بسرعة هائلة زاد من دور الشركات الكبرى في البحث العلمي والتطوير ومن أبرز تطبيقاتها تسريع اكتشاف الأدوية من خلال محاكاة الجزيئات، وتحسين أداء الذكاء الاصطناعي، وتطوير بطاريات أكثر كفاءة عبر محاكاة المواد كما أنّها تساهم في تحسين التشفير والأمن السيبراني بطرق لم تكن ممكنة من قبل، مما يجعلها حجر الأساس للمستقبل التقني والعلمي.

وعليكم السلام ورحمة الله وبركاته. إذا كنت تقصد شريحة willow التي أصدرتها جوجل مؤخرا هذا الشهر فإن هذه الشريحة تمثل تقدم كبير جدا في مجال الحوسبة الكمومية. حيث تحتوي الشريحة على 105 كيوبت ( qubits - بيتات كمومية) مما يسمح لها بحل مشكلات معقدة جدا في خلال خمس دقائق فقط وهذه المهام في الطبيعي قد تستغرق الأجهزة العادية أكثر من عشرة سبتلييون عام لإكمالها تخيل الرقم وهو 25^10 أى 10,000,000,000,000,000,000,000,000 سنة . والحوسبة الكمومية هي نوع متقدم من الحوسبة يستخدم مبادئ ميكانيكا الكم (quantum mechanics) لمعالجة المعلومات. حيث في الأجهزة العادية يتم إستخدام البتات (0 أو 1) بينما أجهزة الكمبيوتر الكمومية يتم إستخدام الكيوبتات (qubits) و التي يمكن أن تكون في حالة 0 و1 في نفس الوقت و هذا يمكنها من معالجة كميات هائلة من البيانات بشكل متزامن معا مما يجعلها أسرع بكثير في حل المشكلات المعقدة. ومن مميزات شريحة "Willow" : عدد الكيوبتات: تحتوي على 105 كيوبت عكس شريحة "Sycamore" السابقة من جوجل التي احتوت على 53 كيوبت فقط. تقليل معدلات الخطأ: أحد التحديات الرئيسية في الحوسبة الكمومية هو معدلات الخطأ العالية حيث تمكنت جوجل من تحسين وتقليل معدلات الخطأ بشكل ملحوظ في "Willow". القدرة الحسابية: إستطاعت شريحة "Willow" إكمال مهام حسابية معقدة في أقل من خمس دقائق وهو إنجاز كان ينظر إليه على أنه مستحيل بالنسبة لأجهزة الكمبيوتر العادية. يمكنك قراءة تفاصيل أكثر من خلال المقالة الرسمية لجوجل : Meet Willow, our state-of-the-art quantum chip

ذلك تم الإعلان عنه منذ أسبوع تقريبًا، وهي شريحة كمومية جديدة من جوجل تسمى Willow، والتي تحقق إنجازات كبيرة في مجال الحوسبة الكمومية، خاصة في مجال تصحيح الأخطاء الكمومية وتفوقها على الحواسيب الكلاسيكية في بعض الحسابات، حيث Willow تمثل خطوة كبيرة نحو بناء حواسيب كمومية عملية وذات جدوى تجارية. وتتميز بأداء متطور في عدة مقاييس، مما يمكنها من تحقيق إنجازين رئيسيين، وتم تصنيعها في منشأة تصنيع حديثة في سانتا باربرا، وتعتمد على هندسة النظام، حيث يتم دمج جميع مكونات الشريحة (مثل البوابات أحادية وثنائية الكيوبت، وإعادة ضبط الكيوبت، والقراءة) بشكل جيد. وتستطيع تقليل الأخطاء بشكل كبير مع زيادة عدد الكيوبتات، وتمكنت من تحقيق "أقل من الحد الأدنى للأخطاء المسموح بها Below threshold" في تصحيح الأخطاء، وهو إنجاز هام في ذلك المجال، ويعني أنه مع زيادة عدد الكيوبتات، يقل معدل الخطأ، مما يجعل النظام أكثر كمومية. تم تحقيق ذلك من خلال اختبار مصفوفات متزايدة من الكيوبتات المادية (3x3، 5x5، 7x7) وتقليل معدل الخطأ إلى النصف في كل مرة، وتعتبر Willow أول نظام ينجح في إظهار تصحيح الأخطاء في الوقت الفعلي على نظام كمومي فائق التوصيل. وتجاوزت نقطة التعادل، حيث أن مصفوفات الكيوبتات لديها عمر أطول من الكيوبتات المادية الفردية، مما يدل على أن تصحيح الأخطاء يحسن النظام بشكل عام. الهدف التالي هو إظهار أول عملية حسابية مفيدة، تتجاوز الحواسيب الكلاسيكية على الشرائح الكمومية الحالية، والتي تكون ذات صلة بتطبيق واقعي. وتهدف جوجل إلى الجمع بين اختبار RCS (الذي يقيس الأداء ضد الحواسيب الكلاسيكية) والمحاكاة العلمية للأنظمة الكمومية (التي تؤدي إلى اكتشافات علمية جديدة) في نفس الوقت، أيضًا تسعى إلى تطوير خوارزميات يمكنها حل المشكلات التجارية ذات الصلة والتي لا يمكن حلها باستخدام الحواسيب الكلاسيكية.

السلام عليكم هو اي الفرق مابين العمودين دول ؟ عمود ال tce_div_match tce_div_match Bi-directional non-permissive 61 GvH non-permissive 353 HvG non-permissive 190 Permissive mismatched 1569 وعمود ال tce_match tce_match Fully matched 227 GvH non-permissive 348 HvG non-permissive 146 Permissive 1452 وهل اقدر استغني عن واحد وكمان العمود ال tce_match فيه 60% من البيانات مفقود ؟

df.dropna() تقوم بحذف أي صف يحتوي على أي قيمة مفقودة في أي عمود، بينما df.dropna(axis=0) نفس عمل df.dropna()، حيث axis=0 يشير إلى الصفوف والأمر بحاجة إلى توضيح هنا: في Pandas، نتعامل مع البيانات في شكل جداول DataFrames، ولها بعدين: المحور 0 (axis=0) يمثل الصفوف. تخيل أنك تتحرك عموديًا في الجدول، من الصف الأول إلى الصف الأخير. المحور 1 (axis=1) يمثل الأعمدة. تخيل أنك تتحرك أفقيًا في الجدول، من العمود الأول إلى العمود الأخير. import pandas as pd data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]} df = pd.DataFrame(data) print("DataFrame الأصلي:\n", df) سنقوم بالحذف: # حذف الصفين ذوي الفهرس 0 و 2 df_dropped_rows = df.drop([0, 2], axis=0) print("\nDataFrame بعد حذف الصفوف:\n", df_dropped_rows) سنحصل على التالي: DataFrame الأصلي: A B C 0 1 4 7 1 2 5 8 2 3 6 9 DataFrame بعد حذف الصفوف: A B C 1 2 5 8 ولو كتبت التالي: # حذف العمودين 'A' و 'C' df_dropped_columns = df.drop(['A', 'C'], axis=1) print("\nDataFrame بعد حذف الأعمدة:\n", df_dropped_columns) ستحصل على: DataFrame الأصلي: A B C 0 1 4 7 1 2 5 8 2 3 6 9 DataFrame بعد حذف الأعمدة: B 0 4 1 5 2 6 بينما df.dropna(thresh=n) تحذف الصفوف التي تحتوي على أقل من n من القيم غير المفقودة، أي قم باستبدال n بالرقم الذي تريد تحديده. و df.dropna(subset=['column1', 'column2']) تحذف الصفوف التي تحتوي على قيم مفقودة في الأعمدة المحددة فقط.

tce_div_match (TCE Divergence Match) يصف مدى التباين أو الاختلاف بين الخلايا التائية (T cells) والخلايا المستهدفة Target cells بخصوص زراعة نخاع العظم أو زرع الخلايا الجذعية. Bi-directional non-permissive يعني هناك عدم توافق في كلا الاتجاهين، أي أن الخلايا التائية من المتبرع لا تتوافق مع خلايا المتلقي، والعكس صحيح، وذلك النوع من عدم التوافق قد يؤدي إلى مضاعفات خطيرة. GvH non-permissive يعني أن الخلايا التائية من المتبرع Graft لا تتوافق مع خلايا المتلقي Host، وقد يؤدي إلى مرض الطعم حيال المضيف Graft-versus-Host Disease, GvHD. HvG non-permissive مفاده أن الخلايا التائية من Host لا تتوافق مع خلايا Graft، وربما يؤدي إلى رفض الطعم Host-versus-Graft Disease, HvGD. Permissive mismatched معناه وجود بعض الاختلافات بين الخلايا التائية والخلايا المستهدفة، ولكنها ليست كبيرة بما يكفي لإحداث رد فعل مناعي قوي، وذلك النوع من التوافق يكون مقبولًا في بعض الحالات. tce_match (TCE Match) يصف مدى التوافق بين الخلايا التائية والخلايا المستهدفة، و Fully matched يشير إلى أن الخلايا التائية والخلايا المستهدفة متطابقة تمامًا، مما يقلل من خطر حدوث مضاعفات مناعية. HvG non-permissive و GvH non-permissive نفس المعنى كما في tce_div_match. Permissive معناه وجود توافق مقبول بين الخلايا التائية والخلايا المستهدفة، مع وجود بعض الاختلافات الطفيفة. إذن tce_div_match يركز على الاختلافات بين الخلايا التائية والخلايا المستهدفة، ويصنفها حسب اتجاه عدم التوافق (ثنائي الاتجاه، GvH، HvG). بينما tce_match يركز على مدى التوافق بين الخلايا، ويصنفها حسب درجة التطابق (مطابقة كاملة، غير متوافقة، متوافقة بشكل مقبول). أي في حال مهتم بفهم أنواع عدم التوافق المحتملة (GvH، HvG، ثنائي الاتجاه) فستحتاج إلى الاحتفاظ بعمود tce_div_match، ولو مهتم بتقييم درجة التوافق بشكل عام (مطابقة كاملة، متوافقة بشكل مقبول، غير متوافقة) فستحتاج إلى الاحتفاظ بعمود tce_match، وكلاهما يقدمان معلومات مختلفة ومكملة لبعضها البعض، حيث tce_div_match يعطيك تفاصيل أكثر عن طبيعة عدم التوافق، بينما tce_match يعطيك تقييمًا عامًا لدرجة التوافق. بخصوص 60% من البيانات مفقودة في tce_match فربما البيانات الموجودة في tce_match تم جمعها باستخدام طريقة مختلفة عن تلك المستخدمة لجمع بيانات tce_div_match وبعض الحالات لم يتم فيها إجراء اختبار التوافق الذي ينتج عنه بيانات tce_match. أو البيانات في tce_match تم جمعها في مرحلة لاحقة من الدراسة، وبالتالي لم يتم الحصول عليها لجميع الحالات، أو أخطاء في عملية جمع البيانات أو تسجيلها، مما أدى إلى فقدان بعض القيم في tce_match.

بالنظر إلى القيم التي ذكرتها في العمودين tce_div_match و tce_match، يمكن ملاحظة التشابه في الفئات الموجودة بين العمودين مع بعض الاختلاف في عدد القيم لكل فئة، ولكن الأرقام في الفئات المتطابقة ليست متماثلة و هذا يشير إلى أن تعريف التصنيفات قد يكون مختلفا قليلا بين العمودين، أو أن هناك تباينا في طريقة جمع البيانات. و أيضا ذكرت أن 60% من البيانات مفقودة في tce_match، مما يعني أن هذا العمود ليس مكتملا بدرجة كافية لاستخدامه بمفرده أو الاعتماد عليه في التحليل، لذا إذا كانت البيانات في العمود tce_div_match مكتملة وتعطي التصنيفات المطلوبة لتحليلك، فمن الممكن الاعتماد عليه بدلا من tce_match، خاصة أن الأخير يحتوي على نسبة كبيرة من القيم المفقودة.

الشرط يضمن أنك تطبق LabelEncoder فقط على الأعمدة النصية (object) دون التأثير على الأعمدة الرقمية. بدون الشرط، قد يتم تعديل الأعمدة الرقمية بشكل غير مقصود، مما يفسد البيانات.

الفرق الرئيسي بين object و str يكمن في أن object هو نوع بيانات عام في Pandas يستخدم لتخزين النصوص أو بيانات مختلطة (مثل أرقام ونصوص معا)، بينما str هو نوع بيانات مخصص للنصوص في Python أي عند قراءة بيانات باستخدام Pandas، يتم تخزين الأعمدة النصية ك object افتراضيا لذلك نجد الشرط التالي if data_train[columns].dtypes == object يعمل لأنه يتحقق من نوع العمود في Pandas، بينما if data_train[columns].dtypes == str لا يعمل لأن النصوص ليست من نوع str في Pandas بشكل افتراضي.

وعليكم السلام ورحمة الله وبركاته. في بايثون لا يوجد نوع بيانات يسمى object بل هو نوع خاص فقط بمكتبة pandas . أما في بايثون يسمى قاموس dict : القواميس في بايثون السلاسل النصية في بايثون أما في مكتبة pandas فإن نوع البيانات object هو النوع الافتراضي للأعمدة و الذي يستخدم لتخزين القيم النصية (strings) أو أي بيانات أخرى غير رقمية مثل التواريخ والقوائم وغيرها . أى الأعمدة التي تحتوي قيما غير عددية سيكون نوعها object مهما كانت القيم و لاجظ القيم التالية جميعها يتم إعتبارها ك object في pandas : # سلاسل نصية عادية data = {'col': ['ahmed', 'mohamed', 'amr']} # قوائم lists data = {'col': [[1, 2], [3, 4], [5, 6]]} # قيم مختلطة تعتبر object data = {'col': ['ahmed', 123, [1, 2, 3]]} ولذلك فإن الكود الثاني الخاص ب data_train[columns].dtypes == str لن يعمل لأن النوع الإفتراضي كما وضحت لك هو object مهما كانت القيم التي بداخله. أما الكود الأول الخاص ب data_train[columns].dtypes == object فسيتم تنفيذه دائما حتي لو لم تكن البيانات بداخل العمود من نوع str في بايثون ولكن لو أردت فقط تنفيذ كود معين على عمود يحتوي قيم نصية فقط يمكنك إستخدام التالي : encoder = LabelEncoder() for columns in data_train.columns: is_string = data_train[columns].apply(lambda x: isinstance(x, str)).all() if is_string: data_train[columns] = encoder.fit_transform(data_train[columns]) هنا إستخدمنا apply للتطبيق على العمود وإستخدمنا isinstance للتحقق من القيمة على أنها str وليست اى نوع بيانات أخر في بايثون وبهذا فإن is_string ستحوي قيمة True إذا كانت جميع البيانات في العمود من نوع str في بايثون

هناك فرق كبير بين object و str في بايثون، خاصةً عند التعامل مع مكتبة Pandas وذلك الفرق هو السبب في أن الكود الأول يعمل بشكل صحيح بينما الكود الثاني لا يعمل كما تتوقع. بمعنى عند قراءة بيانات من ملف (مثل CSV أو Excel) باستخدام Pandas، فإن الأعمدة التي تحتوي على strings أو بيانات مختلطة مثل أرقام ونصوص يتم تخزينها بنوع بيانات object بشكل إفتراضي. ولكن نوع البيانات Object له نطاق أوسع بكثير. فهو لا يشمل فقط النصوص، بل يمكن أن يشمل أيضًا أي بيانات أخرى لا تفهمها Pandas. وobject هو نوع بيانات عام في Pandas يمكن أن يحمل أي نوع من البيانات في بايثون، ولكنه يستخدم بشكل أساسي لتمثيل النصوص، والأهم ليس كل عمود من نوع object هو بالضرورة عمود نصي string، فقد يحتوي على أنواع بيانات أخرى مختلطة. بعد Pandas 1.0، أصبح هناك نوع بيانات مخصص للتعامل مع بيانات النصوص والعمل بها، وهو StringDtype، بالتالي في حال نوع العمود Object، فلا يعني بالضرورة أن جميع القيم ستكون نصية، في الواقع، يمكن أن تكون جميعها أرقامًا، أو مزيجًا من النصوص والأعداد الصحيحة والأعداد العشرية. إذن مع وجود ذلك التباين، فلا تستطيع إجراء أي عملية نصية على العمود مباشرة. عامًة str هو نوع بيانات أساسي في بايثون يمثل سلسلة من الحروف (نص)، بالتالي في حال data_train[columns].dtypes == str، فإنك تسأل Pandas هل نوع البيانات في العمود هو تحديدًا str، وهو ليس ما يحدث عند قراءة البيانات من ملف. بينما الشرط if data_train[columns].dtypes == object سيتم تنفيذه في حال نوع العمو هو object، بغض النظر عن نوع البيانات التي يحتويها. لذا، بإمكانك استخراج ومعالجة النصوص فقط داخل الأعمدة عن طريق إخبار Pandas بشكل صريح أن نوع البيانات هو 'String' وليس 'Object'. ستجد تفصيل هنا: https://pandas.pydata.org/docs/user_guide/text.html

ذكاء اصطناعي وليس صناعي