لوحة المتصدرين

السلام عليكم هو انا اقدر اشغل الكود بلكامل علي Kaggle Notebook مش بس قطع قطع من الكود ؟

السلام عليكم هو عشان استخدم نموذج الDeepHit الازم احول عمود الefs_time الي فئات ؟ او الازم ان تكون المكشله مشكله تصنيف مش هينفع يكون تنبوء ؟

دلوقتي انا عندي مشكله في موقعي وورد بريس هوا ثيم كان اكتر من صفحه وانا خليته صفحه واحده دلوقتي واجهتني مشكله في الهيدر اني لما بضغط علي اي زرار في الهيدر القائمه مبتقفلش لوحده لازم ادوس x وانا عاوزها تقفل لوحده اعمل اي؟

السلام عليكم هو اي الفرق مابين GPU T4 * 2 - GPU P100 - TPU vm v3-8 ؟

السلام عليكم هي وظيفة train_test_split تأخذ فقط أربعة متغيرات (المميزات والهدف) ؟

Hello Is the sprite2d node is responsable only in importing images??

السلام عليكم ورحمة الله وبركاته احاول اضيف ملفات ال static ولاكن لا يظهر اي تغير او تفعيل لها على الموقع ايش السبب ؟ وشكراً لكم المشروع مرفق في الاسفل lms.rar

وعليكم السلام ورحمة الله وبركاته. GPU T4 * 2 : هو وحدة معالجة رسومية (GPU) تأتي من شركة NVIDIA و مصممة لتسريع مهام الذكاء الاصطناعي والتعلم العميق وخصوصا في ال cloud . يستخدم في تدريب النماذج متوسطة الحجم ومعاجلة الصور والفيديوهات . يعتمد على معمارية Turing ويتميز بتقنيات تسريع التعلم العميق مثل Tensor Cores. Tensor Cores في T4 مصممة مخصوص للتعلم العميق مما يساعدك في تسريع العمليات الخاصة بـ التعلم العميق . GPU P100 : هو وحدة معالجة رسومية (GPU) تأتي من شركة NVIDIA. وهو أقوى من المعالج السابق T4 في مهام التدريب الكثيفة خاصة في التعلم العميق ولهذا هو مناسب لتدريب النماذج الكبيرة والمعقدة و الحوسبة العلمية عالية الأداء و تحليل البيانات الضخمة. يعتمد على معمارية Pascal TPU VM v3-8 : هو معالج مخصص يأتي من شركة Google لتسريع تطبيقات التعلم العميق وهو أسرع بكثير في تدريب النماذج الكبيرة جدا مثل الشبكات العصبية العميقة، مقارنة بال GPU و يوفر أداء محسن بشكل كبير في التدريب على النماذج الضخمة والمعقدة يعتمد على معمارية خاصة (TPU) مع وحدة Tensor لتمكين تسريع العمليات الحسابية مثل ضرب المصفوفات. يتميز بدعم كبير للبحث العميق وتحسين النماذج الكبيرة

تستطيع ذلك، لكن الأفضل استخدامه في تحليل البقاء بدلاً من التنبؤ الانحداري المباشر، حيث DeepHit مُصمم بشكل أساسي لتحليل البقاء والتعامل مع البيانات المحتسبة والتحديات المرتبطة بها، الأمر الذي يجعله مناسبًا لتقدير دوال البقاء وتوزيعات الحدث عبر الزمن. ولو هدفك الأساسي هو التنبؤ المباشر بقيمة زمنية مستمرة مثل efs_time، فاستخدام نماذج الانحدار التقليدية أو المتقدمة أكثر ملاءمة، خاصة إن لم تتضمن بياناتك حالات محتسبة.

تمام جدا بس حتي لو المطلوب هو التنبوء بقيمه الefs ؟

يعني الكود ده مبتدي تمام # Construct # Separate features (X) and target variables (y) x = data_train.drop(['efs', 'efs_time'], axis=1, inplace=False) # Features (all columns except 'efs' and 'efs_time') y_event = data_train['efs'] # First target variable (event outcome) y_time = data_train['efs_time'] # Second target variable (event time) # Step 1: Split data into 70% training and 30% temporary set (which will be further split) x_train, x_temp, y_event_train, y_event_temp, y_time_train, y_time_temp = train_test_split(x, y_event, y_time, test_size=0.3, random_state=42) # Step 2: Split the temporary set into 15% validation (dev) and 15% test x_dev, x_test, y_event_dev, y_event_test, y_time_dev, y_time_test = train_test_split(x_temp, y_event_temp, y_time_temp, test_size=0.5, random_state=42) # Print dataset sizes for verification #print(f"X_train: {x_train.shape}, x_dev: {x_dev.shape}, X_test: {x_test.shape}") #print(f"y_event_train: {y_event_train.shape}, y_event_dev: {y_event_dev.shape}, y_event_test: {y_event_test.shape}") #print(f"y_time_train: {y_time_train.shape}, y_time_dev: {y_time_dev.shape}, y_time_test: {y_time_test.shape}") NUM_DURATIONS = 10 # Step 3: Apply standard scaling to the features to standardize the data scaler = StandardScaler() # Initialize the scaler x_train_scaled = scaler.fit_transform(x_train) # Fit the scaler on the training data and transform it x_test_scaled = scaler.transform(x_test) # Transform the test data based on the scaler fit on the training data # Define the input dimension based on the number of features in the training data input_dim = x_train_scaled.shape[1] # Define the input layer with the shape matching the feature dimension inputs = keras.layers.Input(shape=(input_dim,)) # Add the first dense layer with 128 neurons and ReLU activation # This layer processes the input data to extract complex features x = keras.layers.Dense(128, activation='relu')(inputs) x = keras.layers.BatchNormalization()(x) # Add the second dense layer with 64 neurons and ReLU activation # This further processes the output from the previous layer to capture more intricate patterns x = keras.layers.Dense(64, activation='relu')(x) x = keras.layers.BatchNormalization()(x) # Add the third dense layer with 32 neurons and ReLU activation # This layer continues refining the learned features from the previous layers x = keras.layers.Dense(32, activation='relu')(x) # The output layer for predicting the time-to-event intervals, using the 'softmax' activation function. # This allows the model to predict the probability distribution over multiple time bins (e.g., different durations). output_time = keras.layers.Dense(1, activation='relu', name='time-output')(x) # The output layer for predicting the event outcome (e.g., whether the event occurred or was censored), # using the 'sigmoid' activation function. This gives a probability value between 0 and 1. output_event = keras.layers.Dense(1, activation='sigmoid', name='event-output')(x) # Constructing the final model, which takes the 'inputs' and outputs both the time-to-event predictions # and the event predictions. This is a multi-output model designed for survival analysis tasks. deep_hit_model = keras.models.Model(inputs=inputs, outputs=[output_time, output_event]) # Compiling the Keras model with the specified optimizer, loss function, and metrics deep_hit_model.compile( optimizer = tf.keras.optimizers.AdamW( learning_rate=0.001, weight_decay=0.004, beta_1=0.9, beta_2=0.999, epsilon=1e-07, amsgrad=False, clipnorm=None, clipvalue=None, global_clipnorm=None, use_ema=False, ema_momentum=0.99, ema_overwrite_frequency=None, loss_scale_factor=None, gradient_accumulation_steps=None, name='adamw',), loss = {"time-output": "mean_squared_error", "event-output": "mean_squared_error"}, metrics = {"time-output": "mean_absolute_error", "event-output": "mean_absolute_error"} ) # Training the Keras model with the specified data, epochs, batch size, and callbacks deep_hit_model.fit( x_train_scaled, {"time-output": y_time_train, "event-output": y_event_train}, validation_data=(x_test_scaled, {"time-output": y_time_test, "event-output": y_event_test}), epochs=50, batch_size=128, callbacks=[keras.callbacks.EarlyStopping(monitor="val_loss", patience=10, restore_best_weights=True)] )

النموذج لا يتطلب تحويل عمود efs_time إلى فئات، بل يعمل النموذج مباشرة على البيانات الزمنية المستمرة، و تحويل الزمن إلى فئات قد يؤدي إلى فقدان المعلومات ويقلل من دقة النموذج، و مشكلة تحليل البقاء ليست مشكلة تصنيف تقليدية، بل هي مشكلة تنبؤ باحتمالية حدوث حدث معين في أوقات مختلفة، و النموذج يتنبأ باحتمالية البقاء أو احتمالية حدوث الحدث عبر الزمن.

تمام الحمد الله الان انا اصلان مطلوب مني تنبوء مش تصتيف جزاالله كل خير

وعليكم السلام ورحمة الله وبركاته. لا . لا تحتاج إلى تحويل efs_time إلى فئات. حيث يعتمد النموذج على البيانات الزمنية المستمرة للتنبؤ باحتمالية حدوث الحدث في أوقات مختلفة. مثل بيانات وقت وقوع الحدث ( وفاة مريض أو فشل جهاز معين). حيث يستخدم النوذج الوقت كمتغير مستمر ويعتمد على شبكة عصبية لتوقع الحدث بناء على تسلسل زمني. وهكذا يمكن للنموذج التعامل مع البيانات الزمنية بشكل مباشر. دون الحاجة لتحويلها إلى فئات. أما بخصوص السؤال الثاني فأيضا لا . حيث أن النموذج ليس نموذج تصنيف بل هو يتحل مشكلة البقاء (Survival Analysis)، وهي نوع من المشاكل التي تتضمن التنبؤ بوقت حدوث حدث معين (مثل الوفاة أو الفشل) وليس مجرد تصنيف بين حدث أو لم يحدث.

السلام عليكم هو اي الفرق مابين التنبوء والتصنيف والاحتمالات عند بناء نموذج ذكاء اصطناعي ؟

لدي مشكلة في عدم فهرسة النشرات الجوية في موقعي بعد التعديلات ليصبح شكل رابط النشرة متوافق ما محرك البحث مثل https://ajwa4alearab.freewebhostmost.com/Blog/article_Weather/كابوس-الفيضانات-يعود-في-تونس-أجواء-العرب-ترصد-المشاهد-الصادمة-للفيضانات-التاريخية-245 لكن جوجل لا يزحف لموقع للعلم اني اضفت خريطة موقع https://ajwa4alearab.freewebhostmost.com/Blog/sitemap.xml الحل لو تكرمتم استخدم RewriteEngine On RewriteRule ^article_Weather/(.*)-(\d+)$ article_Weather.php?id=$2 [L,QSA] RewriteCond %{THE_REQUEST} /article_Weather\.php\?id=([0-9]+) [NC] RewriteRule ^ /Blog/article_Weather/%1? [R=301,L] هذا كود الصفحة <?php require 'db.php'; // دالة إنشاء slug من النص function createSlug($text) { // إزالة جميع الأحرف غير الآمنة $text = preg_replace('/[^\p{Arabic}\p{L}\p{N}\s]/u', '', $text); // استبدال المسافات بشرطات $text = preg_replace('/\s+/', '-', $text); // إزالة الشرطات من البداية والنهاية $text = trim($text, '-'); // تحويل إلى حروف صغيرة return mb_strtolower($text); } // جلب معرف المقال من الرابط if (preg_match('/-(\d+)$/', $_SERVER['REQUEST_URI'], $matches)) { $id = $matches[1]; } else { header('Location: 404.php'); exit; } $stmt = $conn->prepare("SELECT a.title, a.content, a.category, a.created_at, a.image_url, u.username, u.profile_image, u.bio FROM articles a JOIN users u ON a.user_id = u.id WHERE a.id = ?"); $stmt->execute([$id]); $article = $stmt->fetch(); if (!$article) { header('Location: 404.php'); exit; } $title = base64_decode($article['title']); $category = base64_decode($article['category']); $content = base64_decode($article['content']); $image_url = $article['image_url']; $username = base64_decode($article['username']); $profile_image = $article['profile_image']; $bio = base64_decode($article['bio']); $slug = createSlug($title); // جلب المقالات ذات الصلة $related_articles = getRelatedArticles($conn, $article['category'], $id); // جلب المقالات المقترحة $suggested_articles = getSuggestedArticles($conn, $content, $id); // جلب المقالات الأحدث $latest_articles = getLatestArticles($conn, $id); function getRelatedArticles($conn, $category, $currentArticleId) { $stmt = $conn->prepare("SELECT id, title, image_url FROM articles WHERE category = ? AND id != ? ORDER BY created_at DESC LIMIT 3"); $stmt->execute([$category, $currentArticleId]); $articles = $stmt->fetchAll(); foreach ($articles as &$article) { $article['title_decoded'] = base64_decode($article['title']); $article['slug'] = createSlug($article['title_decoded']); } return $articles; } function getSuggestedArticles($conn, $content, $currentArticleId) { $keywords = extractKeywords($content); $stmt = $conn->prepare("SELECT id, title, content, image_url FROM articles WHERE id != ?"); $stmt->execute([$currentArticleId]); $all_articles = $stmt->fetchAll(); $suggested_articles = []; foreach ($all_articles as $article) { $article['title_decoded'] = base64_decode($article['title']); $article['slug'] = createSlug($article['title_decoded']); $articleKeywords = extractKeywords(base64_decode($article['content'])); $similarity = calculateCosineSimilarity($keywords, $articleKeywords); if ($similarity > 0.2) { $suggested_articles[] = $article; } } usort($suggested_articles, function($a, $b) use ($keywords) { $aKeywords = extractKeywords(base64_decode($a['content'])); $bKeywords = extractKeywords(base64_decode($b['content'])); return calculateCosineSimilarity($keywords, $bKeywords) <=> calculateCosineSimilarity($keywords, $aKeywords); }); return array_slice($suggested_articles, 0, 3); } function getLatestArticles($conn, $currentArticleId) { $stmt = $conn->prepare("SELECT id, title, image_url FROM articles WHERE id != ? ORDER BY created_at DESC LIMIT 3"); $stmt->execute([$currentArticleId]); $articles = $stmt->fetchAll(); foreach ($articles as &$article) { $article['title_decoded'] = base64_decode($article['title']); $article['slug'] = createSlug($article['title_decoded']); } return $articles; } function extractKeywords($text) { $text = preg_replace('/[^\p{L}\p{N}\s]/u', '', $text); $text = mb_strtolower($text); $words = preg_split('/\s+/', $text, -1, PREG_SPLIT_NO_EMPTY); $stopWords = ['و', 'في', 'من', 'على', 'إلى', 'عن', 'أن', 'هذا', 'هذه', 'ذلك', 'هؤلاء']; $words = array_diff($words, $stopWords); return array_count_values($words); } function calculateCosineSimilarity($vec1, $vec2) { $intersection = array_intersect_key($vec1, $vec2); $dotProduct = 0; $magnitude1 = 0; $magnitude2 = 0; foreach ($intersection as $key => $value) { $dotProduct += $vec1[$key] * $vec2[$key]; } foreach ($vec1 as $key => $value) { $magnitude1 += $value * $value; } foreach ($vec2 as $key => $value) { $magnitude2 += $value * $value; } $magnitude1 = sqrt($magnitude1); $magnitude2 = sqrt($magnitude2); return ($magnitude1 == 0 || $magnitude2 == 0) ? 0 : $dotProduct / ($magnitude1 * $magnitude2); } ?> <!DOCTYPE html> <html lang="ar"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <!-- Title & SEO Meta Tags --> <title><?= htmlspecialchars($title) ?></title> <meta name="description" content="<?= htmlspecialchars($title) ?> - <?= htmlspecialchars($category) ?> - <?= htmlspecialchars(substr(strip_tags($content), 0, 150)) ?>"> <meta name="keywords" content="<?= htmlspecialchars($category) ?>, <?= htmlspecialchars($title) ?>, مقالات, أخبار, مدونة"> <!-- Open Graph / Facebook --> <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/bootstrap/5.3.3/css/bootstrap.min.css"> <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.15.3/css/all.min.css"> </head> <body> <?php include 'article_navbar.php'; ?> <div class="container"> <div class="article-header"> <h1 class="article-title"><?= htmlspecialchars($category) ?> | <?= htmlspecialchars($title) ?></h1> <p class="article-date"><em><?= $article['created_at'] ?></em></p> </div> <?php if (!empty($image_url)): ?> <div class="article-images"> <img src="<?= htmlspecialchars($image_url) ?>" alt="<?= htmlspecialchars($title) ?>"> </div> <?php endif; ?> <div class="article-content"> <?= $content ?> </div> <?php include 'ad.php'; ?> <div class="article-categories"> التصنيفات: <?= htmlspecialchars($category) ?> </div> <div class="profile" onclick="toggleProfilePopup()"> <?php if (!empty($profile_image)): ?> <img src="<?= htmlspecialchars($profile_image) ?>" alt="<?= htmlspecialchars($username) ?>"> <?php endif; ?> <p class="username"><?= htmlspecialchars($username) ?></p> </div> <div id="profile-popup" class="profile-popup"> <h5><?= htmlspecialchars($username) ?></h5> <p><?= htmlspecialchars($bio) ?></p> </div> <!-- صور المقال مع وصف محسن --> <!-- المقالات ذات الصلة --> <?php if (count($related_articles) > 0): ?> <div class="related-articles"> <h2>مقالات مرتبطة</h2> <?php foreach ($related_articles as $related): ?> <a href="https://ajwa4alearab.freewebhostmost.com/Blog/article_Weather/<?= $related['slug'] ?>-<?= $related['id'] ?>" class="related-article" itemprop="relatedLink"> <img src="<?= htmlspecialchars($related['image_url']) ?>" alt="<?= htmlspecialchars($related['title_decoded']) ?>" title="<?= htmlspecialchars($related['title_decoded']) ?>"> <div class="related-article-title"><?= htmlspecialchars($related['title_decoded']) ?></div> </a> <?php endforeach; ?> </div> <?php endif; ?> <!-- المقالات المقترحة --> <?php if (count($suggested_articles) > 0): ?> <div class="suggested-articles"> <h2>اقتراحات مبنية على قراءتك</h2> <?php foreach ($suggested_articles as $suggested): ?> <a href="https://ajwa4alearab.freewebhostmost.com/Blog/article_Weather/<?= $suggested['slug'] ?>-<?= $suggested['id'] ?>" class="suggested-article" itemprop="suggestedLink"> <img src="<?= htmlspecialchars($suggested['image_url']) ?>" alt="<?= htmlspecialchars($suggested['title_decoded']) ?>" title="<?= htmlspecialchars($suggested['title_decoded']) ?>"> <div class="suggested-article-title"><?= htmlspecialchars($suggested['title_decoded']) ?></div> </a> <?php endforeach; ?> </div> <?php endif; ?> <!-- أحدث المقالات --> <?php if (count($latest_articles) > 0): ?> <div class="suggested-articles"> <h2>جديدنا</h2> <?php foreach ($latest_articles as $latest): ?> <a href="https://ajwa4alearab.freewebhostmost.com/Blog/article_Weather/<?= $latest['slug'] ?>-<?= $latest['id'] ?>" class="suggested-article" itemprop="latestLink"> <img src="<?= htmlspecialchars($latest['image_url']) ?>" alt="<?= htmlspecialchars($latest['title_decoded']) ?>" title="<?= htmlspecialchars($latest['title_decoded']) ?>"> <div class="latest-article-title"><?= htmlspecialchars($latest['title_decoded']) ?></div> </a> <?php endforeach; ?> </div> <?php endif; ?> </div> <?php include 'footer.php'; ?> <script> function toggleProfilePopup() { var popup = document.getElementById('profile-popup'); popup.style.display = popup.style.display === 'block' ? 'none' : 'block'; } </script> </body> </html>

مرحبًا، السلام عليكم أواجه مشكلة في ربط Webhook مع Facebook باستخدام Ngrok. عند إدخال رابط النفق (Ngrok URL) في إعدادات Webhook داخل تطبيق Facebook، يتم رفضه أو لا يستجيب التطبيق بشكل صحيح. تفاصيل المشكلة: قمت بإنشاء Webhook بلغة PHP لاستقبال الأحداث من Facebook (مثل التعليقات على المنشورات). استخدمت Ngrok لتوفير عنوان URL عام يصل إلى السيرفر المحلي. عند وضع رابط Ngrok في إعدادات Webhook على Facebook، يتم رفضه أو لا يتم إرسال الطلبات إليه. جربت أيضًا استخدام LocalTunnel لكن واجهت مشكلة ظهور صفحة تحذيرية تطلب إدخال كلمة مرور، مما أدى إلى فشل الاتصال. هدف الكود: استقبال إشعارات Facebook Webhook عند حدوث أحداث مثل التعليقات أو الرسائل. الرد تلقائيًا على التعليقات أو إرسال رسالة عبر Facebook Messenger API. محاولات الحل: ✔️ تأكدت من إعدادات Ngrok بالشكل الصحيح: ✔️ جربت خدمات بديلة مثل LocalTunnel، لكنها تطلب كلمة مرور وتسبب مشاكل مع Webhooks. ✔️ استخدمت استضافة مجانية، ولكن لم يعمل Webhook بسبب قيود الأمان. ✔️ تحققت من أن Webhook يعمل محليًا بدون مشاكل عند إرسال بيانات اختبارية باستخدام cURL. وهذا هو الكود وهل يوجد مشاريع جاهزة لمثل هذه الافكار index.php webhook.php

السلام عليكم. عند إرسال البيانات للخادم const submitHandler = async (e) => { e.preventDefault(); mutate( { unique_identifier, password }, { onSuccess: () => navigate("/dashboard") } ); }; لاتظهر علامة التحميل spinner في الكود التالي <button type="submit" className="w-full bg-blue-600 hover:bg-blue-700 text-white font-medium py-2 rounded-lg transition duration-300 ease-in-out" disabled={isLoading} > {isLoading ? ( <ScaleLoader color="#ffffff" height={12} width={3} /> ) : ( "Login" )} </button> loginApi import axios from "axios"; export const loginApi = async(data) => { try { const res = await axios.post( `${process.env.REACT_APP_USER_URL}/login`, data ); return res.data; } catch (error) { throw error.response.data.message } } useLoginMutation import { useMutation } from "@tanstack/react-query"; import { loginApi } from "../api/userApi"; export const useLoginMutation = () => { return useMutation({ mutationFn: async (data) => await loginApi(data), onSuccess: (data) => localStorage.setItem("token", data.token), }); }; شكرا.

إذن أنت تستخدم إصدار حديث، بدءًا من الإصدارات الحديثة من React Query (TanStack Query v5)، تم تغيير isLoading إلى isPending، ستجد تفصيل هنا: status: loading has been changed to status: pending and isLoading has been changed to isPending and isInitialLoading has now been renamed to isLoading

تفقد أولاً هل يوجد خطأ أم لا، من خلال تعديل useLoginMutation، هل يتم طباعة رسالة خطأ؟ export const useLoginMutation = () => { return useMutation({ mutationFn: async (data) => await loginApi(data), onSuccess: (data) => { localStorage.setItem("token", data.token); }, onError: (error) => { console.error(error); } }); }; إن لم تجد خطأ، تأكد من استدعاء useLoginMutation في المكون الرئيسي، واستخرج isLoading و mutate: const { mutate, isLoading } = useLoginMutation(); ثم استيراد ScaleLoader بشكل صحيح: import { ScaleLoader } from "react-spinners"; والتأكد من أن مكتبة React Query تم إعدادها بشكل صحيح من خلال تغليف التطبيق بـ QueryClientProvider: import { QueryClient, QueryClientProvider } from '@tanstack/react-query'; const queryClient = new QueryClient(); function App() { return ( <QueryClientProvider client={queryClient}> {/* باقي مكونات التطبيق */} </QueryClientProvider> ); } إن استمرت المشكلة حاول إضافة تأخير في دالة loginApi: export const loginApi = async(data) => { try { // هنا await new Promise(resolve => setTimeout(resolve, 1000)); const res = await axios.post( `${process.env.REACT_APP_USER_URL}/login`, data ); return res.data; } catch (error) { throw error.response?.data?.message || 'An error occurred'; } } إن استمرت قم بإضافة console.log للتحقق من قيمة isLoading: console.log('Loading state:', isLoading);

أسهل طريقة من خلال PyCox وهي مكتبة بايثون مبنية على أساس PyTorch ومخصصة لتحليل البقاء، حيث تحتوي على تنفيذ لنموذج DeepHit، لتسهيل عملية تدريبه واستخدامه. تثبيت المكتبة أولاً: pip install pycox ثم استيراد نموذج DeepHit واستخدامه كما يلي: import torch from pycox.models import DeepHit from pycox.models.loss import DeepHitLoss model = DeepHit(...) # حدد المعلمات المناسبة للنموذج loss = DeepHitLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) model.fit(dataloaders, loss, optimizer, epochs=100, ...) ستجد تفصيل في المستند الرسمي: https://github.com/havakv/pycox أيضًا يوجد على GitHub أمثلة لاستخدام النموذج، تفقد المستودعات التالية: https://github.com/search?q=deep-hit&type=repositories وللعلم يوجد lifelines وهي مكتبة بايثون شهيرة لتحليل البقاء، رغم أنها تركز بشكل أكبر على النماذج التقليدية مثل Cox Proportional Hazards، إلا أنها مفيدة كخلفية لدراسة وتحليل البيانات قبل تطبيق نماذج عميقة.

للتوضيح ميثود train_test_split في مكتبة scikit-learn ليست مقتصرة على استقبال أربعة متغيرات فقط، فتلك الميثود مرنة جداً وتسمح لك بتقسيم البيانات بعدة طرق. ونستخدمها لتقسيم مجموعة البيانات إلى مجموعتين رئيسيتين، مجموعة التدريب Training set لتدريب نموذج الذكاء الاصطناعي، ومجموعة الاختبار Testing set لتقييم أداء النموذج بعد التدريب. المعاملات الأساسية هي تمرير عدد من المصفوفات مثل المميزات Features والأهداف Targets، حيث الصيغة الأساسية هي كالتالي: from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, ...) X مصفوفة المميزات وy مصفوفة الهدف. المعاملات الإضافية أولها test_size لتحديد نسبة بيانات الاختبار، وتقبل أن تكون قيمة عشرية (مثل 0.2 للنسبة 20%) أو عدد صحيح يمثل عدد العينات. train_test_split(X, y, test_size=0.25) و train_size لتحديد نسبة بيانات التدريب بنفس طريقة test_size. ويوجد random_state لتحديد رقم ثابت لضمان إمكانية إعادة التقسيم بنفس الطريقة في كل مرة تُشغّل فيها الكود. train_test_split(X, y, random_state=42) shuffle لتحديد هل البيانات سيتم خلطها قبل التقسيم، والقيمة الافتراضية هي True. train_test_split(X, y, shuffle=False) أيضًا stratify للحفاظ على توزيع الفئات في كل من مجموعتي التدريب والاختبار، وذلك مفيد خاصة في مشاكل التصنيف حيث تكون الفئات غير متوازنة. train_test_split(X, y, stratify=y) وتستطيع تمرير أكثر من مصفوفة واحدة للتقسيم في نفس الوقت، حيث تقوم الدالة بتقسيم كل مصفوفة بنفس الطريقة واسترجاعها بشكل منفصل. X_train, X_test, y_train, y_test, z_train, z_test = train_test_split(X, y, z, test_size=0.2)

التنبوء عملية توقع قيمة مستمرة حسب بيانات الإدخال المتاحة، والفائدة منه مثلاً التنبؤ بكميات مثل أسعار الأسهم، درجات الحرارة، حجم المبيعات، أو وقت الوصول. وتشمل نماذج التنبوء الانحدار الخطي، الانحدار اللوجيستي (في بعض الحالات)، أشجار القرار، والشبكات العصبية. أما التصنيف يهدف إلى تصنيف البيانات إلى فئات أو مجموعات محددة مسبقًا، بمعنى في المهام التي تتطلب تحديد فئة معينة، مثل تصنيف الرسائل الإلكترونية إلى سبام أو غير سبام، التعرف على أنواع الحيوانات في الصور، أو تصنيف الأوراق المالية إلى شراء أو بيع. والنماذج تشمل الانحدار اللوجستية، آلات الدعم الناقل (SVM)، أشجار القرار، والغابات العشوائية، والشبكات العصبية. أما الاحتمالات تتعلق بتحديد مدى احتمالية انتماء بيانات معينة إلى فئة معينة، وذلك لتوفير تقديرات احتمالية بدلاً من تعيين فئة محددة، مما يسمح بفهم درجة اليقين في التصنيفات والتنبؤات، أي توفير معلومات إضافية حول درجة اليقين في التصنيفات، للمساعدة في اتخاذ قرارات أكثر دقة وتشمل النماذج البايزية، الشبكات العصبية مع طبقات إخراج احتمالية (مثل دالة Softmax في التصنيف متعدد الفئات)، وأشجار القرار التي توفر احتمالات نسبية لكل فئة. بالتالي نوع المخرجات هو التنبوء: قيمة عددية مستمرة. التصنيف: فئة أو تصنيف محدد. الاحتمالات: تقديرات احتمالية لكل فئة ممكنة.

وعليكم السلام ورحمة الله وبركاته. لا من الممكن أن تأخذ معاملات أكثر حيث يمكن أن تأخذا x و y و 5 معاملات أخرى وهي : X هي المميزات (features). y هو الهدف (target). test_size: هو الحجم المخصص للبيانات الخاصة بالاختبار . train_size: لتحديد حجم بيانات التدريب بشكل محدد. random_state: هو الرقم الذي يتم تحديده لتوليد نتائج عشوائية قابلة لإعادة التكرار. shuffle: لتحديد ما إذا كان يجب خلط البيانات قبل التقسيم. stratify: لتقسيم البيانات بشكل متوازن حسب فئات الهدف . وإليك التوثيق الرسمي لتوضيح أكثر حول جميع المعاملات السابقة وأيضا أمثلة لها : https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html

السلام عليكم انا ابعتلي الرساله دي Congratulations, you're now a Kaggle Contributor!

وعليكم السلام ورحمة الله وبركاته. من خلال عدة خطوات يمكنك أن تنتقل من novice إلى Kaggle Contributor وبما أنك حصلت عليها فقد قمت بهذه الخطوات ومنها المشاركة في المسابقة وتشغيل script أو nootbook وهذه الشارة Contributor تنعي أنك تشارك في مسابقات حقيقية وحل مشاكل واقعية في مجال علم البيانات وكما تعلم فإن كتير من الشركات تتطلع على Kaggle profile كمؤشر مهم عند التوظيف. كون الشخص Contributor أو Expert وما إلى ذلك بيعني إنه عنده خبرة موثقة وقدرة على حل المشاكل. باختصار، كونك Kaggle Contributor ليست مجرد شارة- بل اعتراف بمهاراتك وخبرتك في مجال علم البيانات ومدى تقدمك في هذه المنصة، ويفتح أمامك فرص كثيره للتطور المهني والشخصي.

@محمد عاطف17 اولا شكرا جدا لانني اتعبك معي ولكن عند استخدام كود الجافر سكريبت يظهر هكذا تذهب للاعلى ولا تعود للاسفل Recording 2025-02-04 121300.mp4 وعند استخدام ال css وكل حرف على حدى تخرب تنسيقات الصفحة بالكامل لا اعلم لماذا هذا هو كود القائمة الموجودة لدي هل ممكن نصائح كيف اقوم بتعديلها ؟ <!-- navbar --> <nav class="navbar navbar-expand-lg bg-body-tertiary shadow-bottom fixed-top mb-4"> <div class="container"> <a href="{{ url('/') }}"> <img style="height: 50px; width : 150px" src="{{asset ('storage/' . $information->logo)}}" alt="" > </a> <button class="navbar-toggler" type="button" data-bs-toggle="collapse" data-bs-target="#navbarNavDropdown" aria-controls="navbarNavDropdown" aria-expanded="false" aria-label="Toggle navigation"> <span class="navbar-toggler-icon"></span> </button> <div class="collapse navbar-collapse" id="navbarNavDropdown"> <ul class="navbar-nav ms-auto"> <!-- ms-auto لتحريك العناصر لليمين --> <li class="nav-item"> <a class="nav-link active" aria-current="page" href="{{ url('/') }}"> Home</a> </li> <li class="nav-item"> <a class="nav-link active" aria-current="page" href="{{ route('favorites') }}"> Favorites</a> </li> <!--services --> <div class="nav-item"> <a class="nav-link" href="#"> <span class=""> Services </span> </a> <ul class="dropdown-menu"> @foreach ($categories as $category) <li class="nav-item"> <a class="dropdown-item has-submenu" href="{{ route('subcategories.index1', $category->id) }}">{{ $category->name }}</a> <ul class=" dropdown-menu"> @foreach ($category->subcategories as $subcategory) <li><a class="dropdown-item" href="{{ route('subcategories.show', $subcategory->id) }}">{{ $subcategory->name }}</a></li> @endforeach </ul> </li> @endforeach </ul> </div> <!-- our team --> <li class="nav-item"> <a class="nav-link" href="#ourteam"> Our team</a> </li> <!-- subscriber --> <div class="nav-item"> <a class="nav-link" href="#"> <span>Subscribers</span> </a> <ul class="dropdown-menu"> @foreach ($subscriberCategories as $subscriberCategory) <li class="nav-item"> <a class="dropdown-item has-submenu" href="#">{{ $subscriberCategory->name }}</a> <ul class="dropdown-menu"> @foreach ($subscriberCategory->subscribers as $subscriber) <li> <!-- رابط لصفحة التفاصيل الخاصة بكل مشترك --> <a class="dropdown-item" href="{{ route('subscribers.index', $subscriber->id) }}"> {{ $subscriber->name }} </a> </li> @endforeach </ul> </li> @endforeach </ul> </div> <!-- posts --> <div class="nav-item"> <a class="nav-link" href="#"> <span class=""> Articles </span> </a> <ul class="dropdown-menu"> @foreach ($postCategories as $postCategory ) <li class="nav-item"> <a class="dropdown-item has-submenu" href="#">{{ $postCategory->name }}</a> <ul class=" dropdown-menu"> @foreach ($postCategory->posts as $post) <li><a class="dropdown-item" href="#">{{ $post->name }}</a></li> @endforeach </ul> </li> @endforeach </ul> </div> </ul> <!-- تسجيل الدخول والخروج --> <ul class="navbar-nav ms-auto"> @guest <li class="nav-item"> <a class="nav-link" href="{{ route('login') }}"> <button class="btn-register">{{ __('log in') }}</button> </a> </li> @if (Route::has('register')) <li class="nav-item"> <a class="nav-link" href="{{ route('register') }}"> <button class="btn-register">{{ __('register') }}</button> </a> </li> @endif @else <li class="nav-item dropdown"> <a id="navbarDropdown" class=" dropdown-toggle text-decoration-none text-muted" href="#" role="button" data-bs-toggle="dropdown" aria-expanded="false"> {{ Auth::user()->name }} </a> <ul class="dropdown-menu dropdown-menu-end text-right"> @can('update-info') <li><a href="{{ route('admin.index') }}" class="dropdown-item">admin controller</a></li> @endcan <li><a class="dropdown-item" href="{{ route('profile.show') }}">{{ __('my account') }}</a></li> <li> <a class="dropdown-item" href="#" onclick="event.preventDefault(); document.getElementById('logout-form').submit();"> {{ __('log out') }} </a> </li> <!-- نموذج تسجيل الخروج --> <form id="logout-form" action="{{ route('logout') }}" method="POST" style="display: none;"> @csrf </form> </ul> </li> @endguest </ul> </div> </div> </nav> <!-- end navbar -->

للأسف إذا أردتي نفس التنسيقات حيث كما يظهر أن كل حرف يتحرك بشكل منفصل فلن يتم فعل ذلك دون فصل الأحرف معا . وإلا ستجدين أن الكلمة بأكملها تتحرك معا وليس كما يظهر في الفيديوا أن كل حرف منفصل عن الأخر في الحركة . ولكن إذا كنتي تقصدين عدم فصل الأحرف في HTML فمن الممكن تنفيذ ذلك بالطبع من خلال js ولكن سيتم فصل الأحرف . وإليكي كود HTML مع JS الذي سيفعل ذلك ويمكنكي إستخدام كود css السابق كما هو : <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>Rolling Text</title> <link rel="stylesheet" href="style.css"> </head> <body> <div class="container"> <span class="rolling-text" data-text="PORTFOLIO"></span> <span class="rolling-text" data-text="ABOUT US"></span> <span class="rolling-text" data-text="RENTAL"></span> </div> <script> document.addEventListener("DOMContentLoaded", function () { const rollingTexts = document.querySelectorAll(".rolling-text"); rollingTexts.forEach((rollingText) => { const text = rollingText.getAttribute("data-text"); const letters = text.split(""); const div1 = document.createElement("div"); div1.classList.add("block"); letters.forEach((letter, index) => { const span = document.createElement("span"); span.classList.add("letter"); span.innerText = letter; div1.appendChild(span); }); const div2 = div1.cloneNode(); rollingText.appendChild(div1); rollingText.appendChild(div2); }); }); </script> </body> </html>

هل يمكن عمل ذلك بكتابة عناصر القائمة بشكل طبيعية دون كتابتها حرف حرف ؟