لوحة المتصدرين

المكونات تنظف الكود وتسهل عملية ال debugging بشكل كبير, لكن ما ادري عن المضار المحتملة من تكثير المكونات؟ متى ادري انو لازم اكتفي ب html سادة للelement هذا؟ على سبيل المثال لو رح اسوي table, هل يعتبر من السيئ جعلها ديناميكية اكثر عن طريق استبدال الاعمدة المكتوبة يدويا بمكون واحد اغير قيمته على حسب الاستعمال فقط لتنظيف الكود؟ وهل تتغير الاجابة على حسب اطار العمل خاصتي؟ شكرا.

السلام عليكم ده الكود الاول x = data_train["hla_match_b_high" , "hla_match_a_low"] وده التاني x = data_train[["hla_match_b_high", "hla_match_a_low"]] هو ليه التاني شغل والاوال الا مع العلم ان الكود ده شغل عادي print(data_train['hla_match_b_high'].value_counts())

السلام عليكم هو انا لما انشر الكود الخاص بي علي كاغل في مسابقه فيه جوايز ماليه مش كده ممكن حد يشوف الكود او انا اشوف كود حد تاني مش كده ممكن حد ياخذ مجهود حد تاني ؟

السلام عليكم هو انا ممكن استخدم normal distribution علي بيانات فئوي ؟

السلام عليكم جمعه مباركه هو اي الفرق مابين ان استخدم الانحدر الخطي وبين ان استخدم مكتبه زي matplotlib لمعرفه العلاقه مابين متغيرين ؟

وصلتني هذه الرسالة للمرة الثانية من الوقع رغم تنفيذي للمطلوب ولا اعلم ما المقصود ( للأسف لم يتم الموافقة على طلب انضمامك للمستقلين للأسباب التالية الأعمال سيتم الإطلاع عليها من طرف أصحاب المشاريع قبل توظيفك ولضمان تأكدهم من تنفيذك لها، لذا نرجو رفع ملفات العمل المصدرية أو رفع لقطات شاشة من داخل البرنامج الذي قمت بالتنفيذ من خلاله تعديل الطلب)

تمام جدا الف شكراا لحضرتك يا أ.محمد جزاك الله كل خير

ازي كده بس مش ممكن كده ياثير عليا انا بالسلب ؟ هي منصة كاغل ؟ والا اسلم انا الكود بتاعي فيه الاخر خالص يعني اقبل انتهاء المسابقه بيوم والا ممكن يحصل مشكله ؟

كيف اقدر ارفع مشاريع سكراتش على github

الف شكراا لحضرتكم طيب التوزيع ده The binomial distribution او ده The Poisson distribution ؟

وعليكم السلام، لا يمكن استخدام التوزيع الطبيعي (Normal Distribution) مباشرة على البيانات الفئوية (Categorical Data)، لأنها بيانات لا تقاس بشكل مستمر ولا يمكن حساب المتوسط والانحراف المعياري لها كما أنّ التوزيع الطبيعي يستخدم مع البيانات الكمية المستمرة فقط وبدلا من ذلك يمكن استخدام اختبارات إحصائية مثل اختبار كاي سكوير (Chi-Square) لفحص العلاقة بين الفئات أو حساب التكرارات لفهم توزيع البيانات الفئوية. يمكنك الاطلاع أكثر من هنا:

الف شكراا لحضرتكم جدا

الانحدار الخطي يستخدم لاكتشاف العلاقة بين متغيرين من خلال معادلة رياضية وتقديم تنبؤات كمية، بينما Matplotlib فهي تستخدم فقط لعرض العلاقة بين المتغيرين بصريا دون تقديم معادلات أو تنبؤات فالانحدار الخطي يعطيك نموذجا رياضيا يحدد قوة واتجاه العلاقة، بينما Matplotlib تساعدك في فهم الأنماط من خلال الرسوم البيانية التوضيحية وباختصار فإنّ: الانحدار الخطي يستخدم لاكتشاف العلاقة بين متغيرين من خلال معادلة رياضية، ويساعد على التنبؤ بقيم جديدة بناءً على هذه العلاقة. Matplotlib تستخدم لعرض العلاقة بين المتغيرين من خلال رسوم بيانية فقط، دون استخراج معادلات أو تقديم تنبؤات.

الانحدار الخطي يستخدم لتحليل العلاقة بين متغيرين أو أكثر، و يتمثل في إيجاد معادلة خطية تعبر عن العلاقة بين المتغير المستقل والمتغير التابع، أما مكتبة Matplotlib نستخدمها بشكل أساسي للتصور، حيث يمكنك رسم البيانات لفهم الأنماط والاتجاهات بطريقة بصرية ثم يمكنك تحليل العلاقة بصريا، و الفرق هنا هو أن الانحدار الخطي يعطيك تحليلا رياضيا دقيقا للعلاقة، بينما Matplotlib هي أداة تصوير بصري، تظهر الاتجاهات والأنماط في البيانات ولكنها لا تقدم تحليلا رياضيا أو تنبؤات.

الفرق بين الكودين يكمن في طريقة استدعاء الأعمدة داخل الـ DataFrame في مكتبة Pandas ففي الكود الأول: x = data_train["hla_match_b_high", "hla_match_a_low"] يتم تمرير عمودين مفصولين بفاصلة مباشرة داخل الأقواس المربعة، وهذا يؤدي إلى حدوث خطأ لأن Pandas يتوقع مفتاحا واحدا فقط عند استخدام الأقواس المفردة [] والصيغة الصحيحة لاستدعاء أعمدة متعددة تتطلب استخدام قائمة تحتوي على أسماء الأعمدة لذلك نرى أنه في الكود الثاني: x = data_train[["hla_match_b_high", "hla_match_a_low"]] يتم تمرير قائمة تحتوي على أسماء الأعمدة، وهي الصيغة الصحيحة للوصول إلى أعمدة متعددة في نفس الوقت وهذا الاختلاف هو السبب وراء نجاح الكود الثاني وفشل الأول فبالنسبة للكود الذي يستخدم دالة print(data_train['hla_match_b_high'].value_counts())، فإنه يعمل بشكل صحيح لأنه يستدعي عمودا واحدا فقط باستخدام صيغة الأقواس المفردة []، وهي الطريقة الصحيحة للوصول إلى عمود واحد فقط في ال DataFrame.

بالنسبة للكود الأول فأنت تمرر قيمة مزدوجة بين الأقواس، و يعتبر tuple لأنك فصلت بين العنصرين بفاصلة، و مكتبة pandas لا تدعم تحديد الأعمدة باستخدام tuple عند الوصول إلى أعمدة متعددة، وبالتالي ينتج عنه خطأ. أما في الكود الثاني، فأنت تمرر قائمة باستخدام الأقواس المربعة [ ]، و مكتبة pandas تدعم تحديد الأعمدة باستخدام قائمة تحتوي على أسماء الأعمدة، وهذا هو الشكل الصحيح للوصول إلى أعمدة متعددة في DataFrame. بالنسبة للكود الثالث فهنا يتم الوصول إلى عمود واحد فقط باستخدام سلسلة مباشرة، و هذا الشكل مدعوم من pandas، لذا الكود يعمل بشكل صحيح، لكن عند التعامل مع أعمدة متعددة، تحتاج إلى وضعها داخل قائمة [ ]، كما في الكود الثاني.

وعليكم السلام, الكود الثاني يحتوي على قوسين ][ بينما الأول يحتوي على قوس واحد فعندما نحاول الوصول إلى المعلومات قد يكون وصولنا إلى المعلومات بطريقة مختلفة فبالكود الأول أنت حددت عمود واحد بينما الكود الثاني عدة أعمدة.

السلام عليكم اهو ممكن عندي بناء نموذج تعلم الاله او التعلم العميق استخدم عمودين في عمليه التنبوء يعني في الY يكون كده X = train[features] y = train[['efs', 'efs_time']]

السلام عليكم هو الهدف من المسابقه هو ده ستقوم بتطوير نماذج لتحسين التنبؤ بمعدلات البقاء على قيد الحياة بعد عملية زرع الأعضاء efs (Event-Free Survival): يشير إلى البقاء على قيد الحياة بدون أحداث. efs_time (Event-Free Survival Time): هذا يشير إلى المدة الزمنية التي عاشها المريض دون حدوث أي أحداث سلبية. فا انا استخدم عمود اي ؟

إذا كنت تريد التنبؤ بمعدلات البقاء على قيد الحياة فقط استخدم العمود efs ، حيث أن هذا العمود يمثل ما إذا كان المريض قد نجا بدون أحداث و في هذه الحالة سيكون النموذج تصنيف، أما إذا كنت تريد التنبؤ بمدة البقاء على قيد الحياة بدون أحداث، استخدم العمود efs_time، حيث أن هذا العمود يمثل عدد الأيام أو الشهور التي عاشها المريض بدون أحداث سلبيةو في هذه الحالة تستخدم الانحدار. أما إذا كنت تريد الجمع بين الاثنين أي التنبؤ بكل من البقاء والمدة يمكنك في هذه الحالة بناء نموذج متعدد الأهداف للتنبؤ بـ efs و efs_time معا، حيث يعمل النموذج على المهمتين في وقت واحد، و هذه الطريقة أكثر تعقيدا ولكنها مفيدة إذا كنت تعتقد أن التنبؤ بقيمة واحدة يمكن أن يساعد في تحسين دقة التنبؤ بالقيمة الأخرى.

نعم يمكنك استخدام عمودين كهدف في عملية التنبؤ، لكن الأمر يعتمد على نوع المشكلة التي تعمل عليها وطبيعة النموذج الذي تستخدمه، إذا كنت تعمل على مشكلة تنبؤ متعددة الأهداف أي أنك ترغب في التنبؤ بقيمتين أو أكثر في آن واحد، يمكنك استخدام أعمدة متعددة في y، و يجب أن يكون النموذج قادر على معالجة المهام المتعددة، يمكن أن تستخدم مكتبات مثل Scikit-Learn باستخدام نماذج مثل MultiOutputRegressor أو MultiOutputClassifier، أو كحالة متقدمة و أكثر تعقيد يمكنك إستخادم مكتبة Keras/TensorFlow حيث تقوم ببناء شبكة عصبية ذات طبقات إخراج متعددة. و أيضا في بعض الحالات قد يكون أحد الأعمدة مثل efs_time مجرد دعم أو مدخل إضافي بدلا من أن يكون هدفا مستقلا، في هذه الحالة يمكنك دمج المعلومات الإضافية كميزات إضافية في X.

أودّ إخبارك بأنّ هذا الإجراء طبيعي للغاية وهو من باب حرص المنصة على زيادة الموثوقية بينك المستقلّين والعملاء، وفي هاته الحالة لقد أرشدوك إلى خيارين إمّا من خلال رفع الملفات المصدرية لأعمالك وهي تلك الملفات التي قمت بالعمل عليها حين إنجازك للمشاريع فمثلا لو كنت مصمما غرافيكيا فيجب إرفاق الملفات كالتالي: ملفات Adobe Illustrator (.ai): إذا كنت تستخدم Illustrator . ملفات Adobe Photoshop (.psd): إذا كنت تستخدم Photoshop. والخيار الثاني من خلال قيامك بأخذ لقطات شاشة تبين فيها المشروع وأنت تعمل على تطويره على جهازك ببساطة يمكنك فتح كل مشروع منفردا على جهازك ثم أخذ لقطة شاشة له ثم رفعها على معرض أعمالك أرجو الاطلاع على شروط الانضمام لمستقل من هنا: الانضمام كمستقل ويمكنك إيجاد أجوبة مختلفة للأسئلة الشائعة بخصوص مستقل من هنا: الأسئلة الشائعة

وعليكم السلام ورحمة الله وبركاته. هذا يعتمد على ما هي نوعية البيانات في ذلك العمود . فلو كان هذا العمود هو عمود حاله تشير إلى شئ منطقي مثل في البرمجة True أو False . أي إذا كانت القيمة 0 إذا تكون الحالة False وهكذا بالنسبة للقيمة 1 . فهنا لا يمكن إعتبار وجود قيم متطرفة بل هي قيم خاطئة أو شاذة . حيث القيم المتطرفة هي القيم التي تبتعد بشكل كبير جدا عن باقي قيم العمود وبما أن هنا القيم ثابته سواء 0 أو 1 فيمكن حينها تجاهل تلك القيم الشاذة أو محاولة تقريبها سواء إلى 0 أو 1 بناء على الحالة التي تريدها. أما إذا كان العمود من الممكن أن يحوي أرقام أخرى ولكن المتوسط الخاص بالأرقام هو 0 أو 1 فهنا بالطبع من الممكن وجود قيم متطرفة حيث من الممكن أن تبتعد القيم الأخرى عن النطاق 0 و 1 .

عندما تكون القيم في عمود معين عبارة عن 0 أو 1 عادة ما يكون هذا عمودا ثنائيا يمثل حالة معينة، مثل نعم و لا، في هذه الحالة القيم المتطرفة يمكن أن تكون أي قيمة أخرى من دون هذه القيم مثل 2 أو -1، فهذه قيم شاذة يجب التحقق منها وتنظيفها، و بالتالي يجب عليك معرفة القيم التي يحتويها هذا العمود كاملة حتى تستطيع تنظيفه.