لوحة المتصدرين
المحتوى الأكثر حصولًا على سمعة جيدة
المحتوى الأعلى تقييمًا في 02/09/25 في كل الموقع
-
ما الفرق في تحليل البيانات من استخدام التطبيقات او jupyter3 نقاط
-
السلام عليكم ده الكود loss, accuracy = deep_hit_model.evaluate(x_test_scaled, y_target_test) print(f"Test Loss: {loss}") rmse = np.sqrt(loss) print(f"Test Rmse: {loss}") percentage_error = (rmse / np.mean(y_target_test)) * 100 print(f"Percentage_error: {percentage_error:.2f}%") ودي نتجيه ال Percentage Error: 51.93%2 نقاط
-
انا اصلان عاوز ان استخدم الداله دي MSE (Mean Squared Error) ولكن بيحصل الخطاء ده مش عارف ليه mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') print(f"Mean Squared Error: {mean_squared_error_value}") ولكن بيظهر الخطاء ده File "e:\PYHON\project-lifetrack\lifetrack2.py", line 246, in <module> mean_squared_error_value = mean_squared_error(y_target_test , target , multioutput='uniform_average') ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\_param_validation.py", line 216, in wrapper return func(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^ File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 565, in mean_squared_error _check_reg_targets_with_floating_dtype( File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 198, in _check_reg_targets_with_floating_dtype y_type, y_true, y_pred, multioutput = _check_reg_targets( ^^^^^^^^^^^^^^^^^^^ File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\metrics\_regression.py", line 104, in _check_reg_targets check_consistent_length(y_true, y_pred) File "E:\PYHON\project-lifetrack\Lib\site-packages\sklearn\utils\validation.py", line 475, in check_consistent_length raise ValueError( ValueError: Found input variables with inconsistent numbers of samples: [4320, 3]2 نقاط
-
السلام عليكم ده الكود loss, accuracy = deep_hit_model.evaluate(x_test_scaled, y_target_test) print(f"Test Loss: {loss}") ودي النتجيه 135/135 ━━━━━━━━━━━━━━━━━━━━ 1s 1ms/step - loss: 15.3364 - mse: 15.3364 Test Loss: 15.3403158187866212 نقاط
-
حاولت مشاركة مجلد في حاسوب لكي يظهر في الحاسوب الثاني في نفس الشبكة لكن تظهر لي هذه الرسالة التي اكتب فيها كلمة السر ثم بعدها تظهر لي الرسالة الثانية أرجو معرفة الحل
1 نقطة -
أولا بالنسبة إلى التطبيقات مثل Excel و أدوات تحليل البيانات المخصصة الأأخرى فهي توفر لك واجهات رسومية تسهل عليك استخدام تلك التطبيقات مما تكون جيدة للأشخاص الذين ليس لديهم خلفية برمجية أو غير متخصصين . وتتيح لك تلك الأدوات إدخال البيانات وتنظيمها بسهولة بالإضافة إلى الخصائص والأدوات الخاصة و الأساسية بالتحيليل مثل Pivot Tables أو الرسوم البيانية وغيرها. ولكنها تفتقر إلى التخصيص حيث لن تتمكن من تخصيص ما تريده إذا لم توجد الخصائص التي تريدها و التي توفرها لك تلك الأدوات وأيضا لن تستطيع التعامل مع البيانات الكبيرة. أما Jupyter فهو بيئة تفاعلية قائمة على النصوص وهو مثل محررات الأكواد IDE ويتيح لك كتابة أكواد برمجية باستخدام لغة Python لتنفيذ عمليات تحليل البيانات. ويعطيك القدرة على تنفيذ الاكواد وعرض نتائجها في نفس الوقت في الخلية الحالية التيل تعمل عليها مما يوفر عليك الوقت وتسهيل الأمور عليك . ويمكنك من خلاله كتابة أكواد مخصصة للتحليل الذي تريده دونا التقيد بأكواد أو خصائص معينة كما كان يحدث في التطبيقات الجاهزة . لذلك إذا كنت بحاجة إلى تحليلات معقدة أو مخصصة أو إذا كنت تعمل مع بيانات كبيرة أو كنت تحتاج إلى تطبيق خوارزميات تعلم آلي فالأفضل لك هو التعامل مع Jupyter. ولكن إذا لم تكن لديك خلفية برمجية قوية و كنت تحتاج إلى خصائص بسيطة وليست مخصصة أو لم ترد التعامل مع البيانات الكبيرة فيمكنك إستخدام التطبيقات الجاهزة.1 نقطة
-
سلام عليكم اخوني عندي مشكله في البرنامج افتر افيكت نزلت ملف مفتوح قالب وظفت الصور كما هو موضح لي وكل شي تمام بعد ماعملت render المشروع كامل ، لكن اذا عملت حفظ للمشروع تختفي الصور الرئسية 😭😭😭1 نقطة
-
متغيرات y_target_test و target لديهما أبعاد غير متوافقة، لاحظ y_target_test يحتوي على 4320 عينة وtarget يحتوي على 3 عينات. ربما الـ target الذي تستخدمه في الدالة ليس توقعات النموذج، بل هو متغير آخر بأبعاد خاطئة، عليك استخدام model.predict() لإنشاء التوقعات: y_pred = deep_hit_model.predict(x_test_scaled) mean_squared_error_value = mean_squared_error(y_target_test, y_pred) أو النموذج يعود بمخرجات متعددة Multi-output Regression، فسيكو يكون y_pred ذو شكل (num_samples, num_outputs)، بينما y_target_test له شكل (num_samples,). بالتالي لو y_target_test له شكل (4320,)، فيجب أن يكون y_pred له شكل (4320, 1) أو (4320,). y_pred = y_pred.reshape(-1, 1) # أو y_target_test = y_target_test.reshape(-1, 1) أو ربما استخدمت اسم متغير خاطئ مثل target بدلًا من y_pred.1 نقطة
-
حتى انا اعيش في سوريا ولا اعرف كيفية الدفع للدورات في هذه الاكاديمية1 نقطة
-
وعليكم السلام ورحمة الله وبركاته. يجب عليك التأكد من أن الـ loss الذي يتم استخدامه لحساب الـ RMSE هو بالفعل Mean Squared Error (MSE) وليس نوعا آخر من الدوال الخسارة (Loss Functions). حيث إذا كان الـ loss ليس MSE فإن حساب الـ RMSE بهذه الطريقة لن يكون صحيحا. لذلك إذا كانت الدالة هيMSE فإن النسبة المئوية للخطأ التي تم الحصول عليها هي 51.93%. هذا يعني أن الخطأ في النموذج يمثل حوالي 51.93% من متوسط القيم الفعلية وهذه القيمة ليست جيدة هذه المشكلة بسبب أبعاد البيانات حيث : y_target_test يحتوي على 4320 عنصر target يحتوي على 3 عناصر فقط لذلك يرجى أولا التأكد من الأبعاد الصحيحة : print(y_target_test.shape) print(target.shape) وإذا كانت الأبعاد مختلفة يجب عليك التأكد من جعل الأبعاد متشابهة1 نقطة
-
ما حصلت عليه هو أنّ RMSE يساوي حوالي 52% من متوسط القيم الفعلية، وتلك النسبة مرتفعة في معظم التطبيقات العملية خاصةً في التوقعات المالية أو الطبية، بالتالي تحتاج إلى تحسين المعلمات، زيادة البيانات، وأمور أخرى. وللعلم النسبة المئوية للخطأ تُحسب باستخدام MAPE (Mean Absolute Percentage Error)، لكونه مقياسًا معياريًّا لفهم متوسط الخطأ النسبي لكل عينة. ما قمت به أنت هو (RMSE / Mean * 100) وذلك يعطي نتائج مضللة في حال تباين البيانات كبير. loss, accuracy = deep_hit_model.evaluate(x_test_scaled, y_target_test) print(f"Test Loss (MSE): {loss}") mse = loss rmse = np.sqrt(mse) print(f"Test RMSE: {rmse}") mean_actual = np.mean(y_target_test) percentage_error = (rmse / mean_actual) * 100 print(f"Percentage Error (RMSE/Mean): {percentage_error:.2f}%") # الأفضل: حساب MAPE للدقة y_pred = deep_hit_model.predict(x_test_scaled) mape = np.mean(np.abs((y_target_test - y_pred) / y_target_test)) * 100 print(f"MAPE: {mape:.2f}%")1 نقطة
-
وعليكم السلام ورحمة الله وبركاته. نعم بالطبع . بشكل عام كلما كانت قيمة الـ loss أقل كان النموذج أفضل في أدائه ولكن بشرط أن يكون قد تم تدريبه بشكل جيد ولم يقع في مشكلة underfitting أو overfitting. و ال loss يمثل الخطأ الذي يرتكبه النموذج في التنبؤ،وبالتالي فإن انخفاض قيمته يشير إلى أن النموذج يتنبأ بشكل أكثر دقة وأخطاء أقل. ولكن يجب أن تنظر إلى معايير أخرى مثل accuracy أو MSE (Mean Squared Error) لفهم أداء النموذج بشكل كامل حيث في النتيجة مرفقة نجد أن ال MSE هو نفسه ال loss مما يشير إلى أن النموذج يستخدم ال MSE كدالة خسارة. وإن ال MSE يقوم بقياس الفرق بين القيم الحقيقية والقيم المتوقعة. وكلما كان أصغر كان النموذج أكثر دقة. و لكن لا يمكن مقارنة هذه القيمة مباشرة دون معرفة نطاق البيانات. فإذا كانت القيم المستهدفة y_target_test كبيرة فإن ال MSE بقيمة 15 مقبول ولكن إذا كانت صغيرة فقد يكون مرتفع . لهذا يجب أن تقارن هذا بالنسبة لحجم البيانات لديك.1 نقطة
-
مرحبًا علي، نعم كلما كانت أقل كلما كانت أفضل. و لكن عليك النظر إلى كل من نتيجة الخطأ على بيانات التدريب و بيانات الاختبار، فإذا كان الخطأ كبير في بيانات التدريب هذا يعني أن النموذج لم يتعلم الأنماط الموجودة في البيانات و عليك زيادة تعقيده. أما في حال كان الخطأ صغير على بيانات التدريب، فهنا يكون هناك مشكلة over-fitting و عليك البدء بحلول بسيطة مثل تقليل تعقيد النموذج و إضافة regularization و غيرها من الطرق البسيطةـ في حال لم ينجح الأمر حاول استعمل transfer learning عن طريق استعمال نموذج مدرب مسبقًا على بيانات كثيرة في مهمة تشبه المهمة التي تحاول القيام بها، عندها يمكنك الاستفادة من الأنماط التي اكتشفها و تدريب جزء صغير منه فقط ليناسب المهمة الخاصة بك. في حال لم ينجح أي مما سبق قد تضطر إلى جمع بيانات أكثر. تحياتي.1 نقطة
-
السلام عليكم هو امتي استخدم الReLU وامتي استخدم الTanh في الشبكات العصبيه ؟1 نقطة
-
إذا كانت القيم مستمرة فالخيار الأفضل هو ال linear حيث أن الدالة الخطية مناسبة للتنبؤ بقيم مستمرة في نطاق غير محدود مثل 0.0 حتى 47.0. حيث إنها لا تقيد الناتج إلى نطاق معين (مثل 0 إلى 1 في حالة الـ sigmoid). أما إذا كانت القيم فئوية مثل تصنيفات أو أرقام محددة فيمكنك استخدام softmax (إذا كانت الفئات متبادلة أي إذا كانت الميزة لها فئة واحدة) أو sigmoid (إذا كانت الفئات غير متبادلة أي إذا كانت الميزة لها عدة فئات). ولك بالنسبة لمثالك هنا فإن القيم مستمرة ولهذا لا ينصح باستخدام sigmoid لأنها ستقيد الناتج بين 0 و1 حيث ال sigmoid تقوم بحصر القيم بين 0 و 1 مما يجعله غير مناسب عندما تحتاج إلى التنبؤ بقيم خارج هذا النطاق. ولكن إذا أردت إستخدام sigmoid فيمكنك تحويل القيمة في أخر طبقة للخرج هكذا : output = 47 × sigmoid وهنا سيكون النطاق بين 0 و 47 . فإذا كان ال sigmoid ب 0 سيكون النطاق 0 وإذا كان ال sigmoid ب 1 سيكون النطاق ب 47.1 نقطة
-
تمام بس لو العمود هتنباء بي عبار عن قيمه زي كده 0.0-47.0 فا الافضل في الطبقه الاخير الsigmoid و الا الlinear ؟1 نقطة
-
دالة التنشيط ReLU الخيار الافتراضي الأول والأكثر استخدامًا للطبقات المخفية في معظم أنواع الشبكات العصبية، سواء كانت شبكات عصبية عميقة DNNs أو شبكات عصبية التفافية CNNs. أيضًا تساعد في تقليل مشكلة تلاشي التدرج، خاصة في الشبكات العميقة. ففي حال قيمة الدخل موجبة، يكون التدرج (المشتقة) ثابتاً ويساوي 1، وذلك يسمح بتدفق التدرجات بشكل أفضل خلال الشبكة مقارنة بدوال أخرى مثل Tanh أو Sigmoid في المناطق التي تتشبع فيها أي عندما تصبح مشتقاتها قريبة من الصفر. وعملية حساب ReLU بسيطة جداً مقارنة بدوال مثل Tanh التي تتطلب عمليات أسية، الأمر الذي يجعلها أسرع حسابياً، وذلك مهم خصوصاً في الشبكات الكبيرة والتدريب على كميات بيانات ضخمة. وبسبب أنها تُخرج صفر للقيم السالبة، فهي تساعد في توليد الخفة في التنشيطات، بمعنى عدداً من الخلايا العصبية ربما تُصبح غير نشطة (تُخرج صفر) لبعض المدخلات، وهو ما يُمكن أن يجعل الشبكة أكثر كفاءة وأقل عرضة للتكيف الزائد Overfitting. بينما دالة التنشيط Tanh كانت تستخدم في الطبقات المخفية، ولكنها أصبحت أقل استخدامًا من ReLU في معظم تطبيقات التعلم العميق الحديثة، وأحيانًأ مفيدة عند الرغبة في أن تكون مخرجات الخلايا متمركزة حول الصفر. أيضًا لو ما تريد تنفيذه يتطلب أن تكون قيم المخرجات في نطاق محدد بين -1 و 1، فبعض أنواع الشبكات العصبية المتكررة RNNs أو مهام توليد النصوص التي تتطلب قيم احتمالية سالبة، بالتالي Tanh مناسبة للطبقة الأخيرة أي طبقة المخرجات.1 نقطة
-
الترتيب مهم، وأنت قمت بالتالي Dense ثم BatchNorm ثم Dropout، أي التفعيل يحدث قبل تطبيق BatchNorm. لتحسين الأداء، من الأفضل استخدام الترتيب Dense ثم BatchNorm ثم Activation ثم Dropout deep_hit_model = keras.models.Sequential([ keras.layers.Input(shape=(57)), keras.layers.Dense(8), keras.layers.BatchNormalization(), keras.layers.Activation('relu'), keras.layers.Dropout(0.1), keras.layers.Dense(128), keras.layers.BatchNormalization(), keras.layers.Activation('relu'), keras.layers.Dropout(0.3), keras.layers.Dense(64), keras.layers.BatchNormalization(), keras.layers.Activation('relu'), keras.layers.Dense(32), keras.layers.BatchNormalization(), keras.layers.Activation('relu'), keras.layers.Dense(1, activation='sigmoid') ])1 نقطة
-
5- كتابة دالة تقوم بترتيب البيانات ترتيباً تصاعديا من الأعلى سعراً إلى الأقل سعراً1 نقطة
-
حقوق النشر تشير إلى الحماية القانونية التي تمنح لصاحب العمل الإبداعي وتمنع الآخرين من استخدام أو نسخ هذا العمل دون إذن، و عند إنشاء موقع لعميل، ليس من الضروري دائما تسجيل حقوق النشر رسميا، حيث إن الحماية تنشأ تلقائيا بمجرد إنشاء العم، أما إذا كان العميل يريد حماية قانونية أقوى أو يريد القدرة على مقاضاة من ينتهك حقوقه بسهولة، يمكنه تسجيل حقوق النشر رسميا في الجهة المختصة ببلده، و بالنسبة لتسجيل الموقع في السجل التجاري، فهذا يعتمد على طبيعة النشاط، حيث إذا كان الموقع يقدم خدمات تجارية مثل بيع المنتجات فقد يتطلب الأمر تسجيل النشاط كشركة وفقا لقوانين الدولة، وبالتأكيد هذا يساعد في تنظيم العمل قانونيا وضمان حقوق الطرفين.1 نقطة
-
وعليكم السلام ورحة الله وبركاته. إن حقوق النشر هي حقوق أصاحب العمل الإبداعي مثل النصوص (كالمقالات والكتب والمنشورات) و الصور و الأكواد البرمجية الخاصة (مثل الخوارزميات والأكواد التي تميز مشروعك عن الأخرين ) و الفيديوهات و غيرها وذلك ليتم حمايتها من الاستخدام أو النسخ أو التوزيع بدون إذن صاحب العمل. ولهذا فإذا أنشأت موقعا مخصصا لعميل و قد كنت إستخدمت صور خاصة لك مثل ال logo أو صور خاصة بالموقع نفسه من تصميمك أو خوارزميات من تصميمك فهنا صاحب الموقع له حقوق النشر عليها. أما بخصوص التسجيل فغالبا ما يتم تلقائيا تطبيق حقوق النشر (copyright) إذا كنت أنت أول من أنشأت هذا العمل ولكن لضمان الحقوق القانونية وحماية أقوى لك يمكنك التسجيل وذلك لضمان حقك أكثر في حالة النزاع مع شخص سرق أى عمل لك. ولكن يجب الإنتباه أن هناك الكثير من المواقع التي تعمل نفس العمل مثل المتاجر الإلكترونية وغيرها من المواقع المشهورة وهنا تلك الأكواد منتشرة بشكل كبير لهذا ليس لها حقوق ملكية خاصة إلا لو كنت تمتلك خوارزمية معينه لك ليست موجودة عند الأخرين . مثل (تتبع العملاء أو الإعلانات الخاصة وغيرها من الخوارزميات التي تساعد نشاطك بشكل كبير وليست متاحة لدى أحد أخر). أما السجل التجاري فهو شئ أخر تماما وهذا ليس من إختصاص المبرمج . كل ما عليك هو إذا كان صاحب المشروع له سجل تجارى أن تقوم بكتابة رقم السجل في الموقع أو الفواتير التي يتم إصدارها للعملاء . ولكن تسجيل الموقع يتم مع تسجيل شركة هذا الشخص لهذا أنت لست ملزما بذلك. وأيضا يختلف التسجيل التجاري من دولة إلى أخرى لهذا الشخص صاحب المشروع هو المسؤول عن ذلك وبالأخص لو كان عميلا ليس من البلد التي توجد بها.1 نقطة
-
تلك حقوق قانونية تحمي الأعمال الإبداعية من النسخ أو التعديل أو التوزيع دون إذن من صاحب الحقوق، تشمل النصوص، الصور، الموسيقى، الأفلام، البرامج، وغيرها، وتُنشأ تلك الحقوق تلقائيًا بمجرد إنشاء العمل، دون الحاجة إلى تسجيل رسمي في معظم الدول. ثانياً، حقوق النشر تنطبق تلقائياً عند إنشاء العمل، لكن التسجيل الرسمي يساعد في حماية أقوى، وبالنسبة للمواقع، يجب على العميل تأمين حقوق المحتوى الخاص به، مع استخدام إشعار حقوق النشر لإعلام الآخرين بالملكية. وللعلم يوجد فرق بين حقوق النشر والتسجيل التجاري، فحقوق النشر تخص الملكية الفكرية للمحتوى مثل النصوص والصور، بينما التسجيل التجاري إجراء قانوني لتأسيس نشاط تجاري. ولن تحتاج إلى فعل شيء من قبلك أنت، سوى تضمين إشعار حقوق النشر في تذييل مواقع الويب التي تقوم بتطويرها لعملائك، ويجب أن يتضمن الإشعار اسم مالك حقوق النشر وسنة الإنشاء وعبارة "جميع الحقوق محفوظة"، ولا يُشترط قانونًا، لكن وضع إشعار مثل "© اسم الشركة 2024" يُعد تحذيرًا للآخرين بعدم الاستخدام غير المصرح به، ودليلًا على المطالبة بالحقوق في حال النزاع. أيضًا عليك الإلتزام بالتراخيص، فلو استخدمت صورًا من مواقع مثل Unsplash، يجب الالتزام بترخيص الصورة (بعضها مجاني مع ذكر المصدر). فمثلاً المحتوى الذي يتم نشره على جوجل، يحق لصاحب المحتوى الأصلي الإبلاغ عمن يسرق محتواه وسيتم معاقبته من قبل جوجل، وفي بعض الدول مثل الولايات المتحدة، متاح تسجيل حقوق النشر في هيئة مختصة لتعزيز الحماية القانونية. أما لو الموقع يهدف إلى تقديم خدمات تجارية أو بيع منتجات، فسيحتاج مالكها إلى التسجيل في السجل التجاري، وللتوضيح السجل التجاري إجراء منفصل عن حقوق النشر، ويتعلق بشرعية ممارسة النشاط التجاري وفق قوانين الدولة.1 نقطة
-
الإصدار 1.0.0
49193 تنزيل
يشرح هذا الكتاب كيفية كتابة تعليمات ووصفات يفهمها الحاسوب، ومن المعلوم أن الحواسيب شائعة ومنتشرة بحيث لا يخفى ذلك على ذي عقل وشأنها مثل شأن مفكات البراغي، غير أنها أعقد قليلًا وليس من السهل جعلها تنفذ ما تريد منها بالضبط، إلا إذا كانت المهمة التي تريد للحاسوب تنفيذها سهلة الفهم مثل عرض رسائلك البريدية أو تشغيل برنامج الحاسبة، فحينها ما عليك سوى فتح البرنامج المخصص لذلك، لكن حين تكون المهمة التي لديك فريدةً وأبعادها غير معرفة، فلن تجد تطبيقًا متاحًا لها. يأتي هنا دور البرمجة، فهي الفعل الذي يصف بناء برنامج يتكون من مجموعة أوامر محدَّدة جدًا لتخبر الحاسوب بما يجب فعله، وتُعَدّ الحواسيب بصفتها آلات غبية لا تستطيع فهم البرمجة ولا استيعابها، لكن إذا غضضت النظر عن هذا ورأيت أنه من الممتع والمسلِّي التفكير بمنطق يشبه ذاك الذي تفهمه تلك الآلات فستجد البرمجة أمرًا مسلِّيًا جدًا ونافعًا، فهي تتيح لنا اختصار زمن الأشياء التي ننفذها يدويًا وتستغرق أوقاتًا طويلةً إلى ثواني معدودة، وعليه يمكن النظر إليها على أنها طريقة تجعل حاسوبك يقوم بأمور لم يكن يستطيعها من قبل، وهي في ذاتها -أي البرمجة- بهذا الفهم تكون تدريبًا ممتازًا على التفكير النظري المجرَّد. دورة تطوير التطبيقات باستخدام لغة JavaScript تعلم البرمجة بلغة جافا سكريبت انطلاقًا من أبسط المفاهيم وحتى بناء تطبيقات حقيقية. اشترك الآن كما نوجه هذه الآلات لما نريده من خلال إعطائها أوامر محدَّدة كما ذكرنا، وتكون هذه الأوامر أو البرامج من خلال لغات خاصة بالبرمجة، وهي لغات أُنشئت عمدًا لتُستخدَم في برمجة الحواسيب، ومما يعجب المرء له أن البشر في تطويرهم للأسلوب الذي يتعاملون به مع الحاسوب لم يجدوا أفضل من الطريقة التي يتواصلون بها مع بعضهم بعضًا، فلغات البرمجة الحوسبية تشبه لغات البشر في إمكانية استخدام الكلمات والجمل في صور مختلفة لكتابة تعليمات جديدة في كل مرة تكتب برنامجًا فيها. كانت لغة بيزيك Basic ونظام دوس DOS في الثمانينيات والتسعينيات من القرن الماضي هما الطريقتان الأساسيتان في التعامل مع الحواسيب، وهما أنظمة نصية بالكامل من غير واجهة رسومية مثل التي تراها الآن أمامك على الشاشة، وقد استبدلنا الواجهات المرئية بهما منذ ذلك الحين بما أنها أسهل في التعلم للمستخدِم رغم أنها محدودة الإمكانيات موازنة بالواجهات النصية، لكن لا زالت لغات الحاسوب موجودةً، فإذا أمعنت النظر فسترى أنّ لغةً مثل جافاسكربت JavaScript موجودة في كل متصفح تستخدِمه أنت وهي في كل حاسوب تقريبًا، وإنّ مراد هذا الكتاب الذي بين يديك هو جعلك تألف التعامل مع هذه اللغة لتستخدِمها في صنع برامج نافعة لك ولعملائك. هذا الكتاب هو النسخة العربية المترجمة عن كتاب Eloquent JavaScript الشهير لصاحبه مارين هافربيك Marijn Haverbeke، ويقع في ثلاثة أجزاء، إذ يناقش أول جزء فيها لغة جافاسكربت في اثني عشر فصلًا؛ أما الفصول السبعة التالية فهي عن متصفحات الويب والأسلوب الذي تُستخدَم لغة جافاسكربت به لبرمجتها، ثم في النهاية فصلين آخرين مخصصين لبيئة أخرى لتشغيل جافاسكربت فيها وهي Node.js، كما سيكون في هذا الكتاب خمسة فصول عملية بها مشاريع تصف برامج كبيرة لتعطيك لمحةً عن البرمجة الحقيقية، وهي بناء روبوت توصيل ولغة برمجة ولعبة وبرنامج رسم بالبكسلات وموقعًا ديناميكيًا. هذا الكتاب مرخص بموجب رخصة المشاع الإبداعي Creative Commons «نسب المُصنَّف - غير تجاري - الترخيص بالمثل 4.0». يمكنك قراءة فصول الكتاب على شكل مقالات مجموعة ضمن وسم «إِلِكوَنت جافاسكريبت» وتجد روابطها تاليًا: القيم والأنواع والعوامل في جافاسكريبت (الجزء الأول: اللغة) هيكل البرنامج في جافاسكريبت الدوال في جافاسكريبت هياكل البيانات: الكائنات والمصفوفات في جافاسكريبت الدوال العليا في جافاسكريبت الحياة السرية للكائنات في جافاسكريبت مشروع تطبيقي لبناء رجل آلي (روبوت) عبر جافاسكريبت الزلات البرمجية والأخطاء في جافاسكريبت التعابير النمطية Regular Expressions في جافاسكريبت الوحدات Modules في جافاسكريبت البرمجة غير المتزامنة في جافاسكريبت مشروع بناء لغة برمجة خاصة علاقة جافاسكريبت بتطور الإنترنت والمتصفحات (الجزء الثاني: المتصفح) نموذج كائن المستند في جافاسكريبت معالجة الأحداث في جافسكربت مشروع لعبة منصة باستخدام جافاسكربت الرسم على لوحة في جافاسكربت HTTP والاستمارات في جافاسكربت إنجاز مشروع محرر رسوم نقطية باستخدام جافاسكربت بيئة Node.js: استخدام جافاسكربت خارج المتصفح (الجزء الثالث: بيئة Node) مشروع بناء موقع لمشاركة المهارات باستعمال Node.js1 نقطة
