لوحة المتصدرين

السلام عليكم أكملت المسار الأول "مدخل إلى علوم الحاسوب" ، هل يجب إحتراف المسار الأول و التمكن منه للولوج إلى أساسيات البرمجة؟ خاصة التفكير المنطقي والخوارزميات تطرقنا إلى أكثر من مثال ،أرغب في حل المزيد من الأمثلة كيف يكمنني ذلك للتمكن منه قبل الإنتقال إلى أساسيات البرمجة وشكرا جزيلا لكم.

السلام عليكم هو اي فايده OpenCV2 معني هي بتعمل مع صور واحد بس ولكن في المشاريع الحقيقي بنتعمل مع اكثر من صور يعني الف او مليار الصور ؟

السلام عليكم ليه بستخدم الPCA وهل الازم استخدمو مع الشبكات العصبية والا مش شرط وهل بستخدم مع خورزميات تعلم الاله وهل بستخدم مع تحليل البيانات مش بس قبل تدريب النموذج ؟

my pc camera doesn't work, and when opened my device manager, i didn't find it Screen Recording 2025-04-05 185829.mp4

السلام عليكم هو الCOLMAP عبار عن مكتبه او اطاره عمل موجود في باثيون والا اي ؟

وعليكم السلام ورحمة الله تعالى وبركاته، COLMAP هو في الأساس خط أنابيب مستقل أو ما يعرف بال pipeline مكتوب بلغة C++، ويحتوي على واجهة مستخدم رسومية وأدوات سطر أوامر لإعادة بناء الهيكل من الحركة (SfM) والإستريو متعدد الرؤى (MVS). لذا فهو ليس مكتبة بايثون أصلية ولكن بالرغم من ذلك هناك روابط بايثون والمعروفة باسم PyCOLMAP التي تتيح لنا استخدام معظم وظائف COLMAP في بيئة بايثون، مما يمكّن من كتابة سكريبتات وأتمتة مهام إعادة البناء ضمن مشاريع بايثون. يمكنك التعرف أكثر عليه من التوثيق الرسمي من هنا: COLMAP ومن هنا: pycolmap

السلام عليكم هو اي الفرق مابين PCA - StandardScaler وهل لو استخدم الPCA الازم اقبلها ان استخدم الStandardScaler والعكس صحيح ؟

عمل ممتاز إذ أنّك أنهيت أول مسار من الدورة، والخطوة القادمة هي متابعة الدروس درسا بدرس، ومسارا بمسار حتى إتمام جميع مسارات الدورة. ترتيب الدروس والمسارات مدروس ولم يتم عمله بشكل عشوائي لذا لا داعي للقلق أو التسرع فهذا المجال يحتاج إلى تركيز وتريّث وصبر أثناء التعلم. بالنسبة للمثال الذي ذكرت فهو مثال تمهيدي للدخول في المسار الثاني من الدورة "أساسيات البرمجة" وبعد إتمامك لهذا المسار يمكنك التطبيق العملي سواء مع التمارين التي يعدّها المدرب في الدرس، أو من خلال طلبها منا في التعليقات أسفل الدرس الذي تريد التطبيق عليه، أو من خلال منصات معروفة ك LeetCode مثلا.

يستخدم تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد في مجموعات البيانات الكبيرة والمعقدة، مما يُسهّل تحليلها وتصورها. يقوم PCA بتحويل الميزات الأصلية إلى مجموعة جديدة من المكونات الرئيسية التي تحتفظ بأكبر قدر ممكن من التباين في البيانات، مما يساعد في تبسيط النماذج وتقليل التعقيد الحسابي. وليس من الضروري دائما استخدام PCA مع الشبكات العصبية في بعض الحالات يمكن أن يساعد PCA في تقليل الأبعاد وبالتالي تقليل عدد المعلمات في الشبكة، مما قد يقلل من خطر التعميم الزائد (overfitting) ويحسن أداء النموذج. ومع ذلك قد يؤدي تقليل الأبعاد أيضا إلى فقدان بعض المعلومات المهمة، مما قد يؤثر سلبا على أداء الشبكة. لذلك يفضل تقييم تأثير PCA على أداء الشبكة العصبية في سياق المشكلة المحددة. ويستخدم PCA بشكل شائع مع خوارزميات تعلم الآلة الأخرى كخطوة تمهيدية لتقليل الأبعاد والتعامل مع التعدد الخطي بين الميزات هذا يمكن أن يحسن أداء بعض الخوارزميات ويقلل من التعقيد الحسابي ولكن يجب تقييم تأثير PCA على كل خوارزمية بشكل منفصل، حيث قد لا يكون له دائمًا تأثير إيجابي. ويكون استخدام PCA مناسبا عندما يكون لديك مجموعة بيانات ذات عدد كبير من الميزات، خاصة إذا كانت هذه الميزات مرتبطة ببعضها البعض. في هذه الحالات يمكن أن يساعد PCA في تقليل الأبعاد مع الاحتفاظ بأكبر قدر ممكن من المعلومات، مما يسهل عملية التحليل ويقلل من التعقيد الحسابي ومع ذلك يجب الحذر عند استخدام PCA، حيث قد يؤدي إلى فقدان بعض المعلومات المهمة، خاصة إذا تم تقليل عدد الأبعاد بشكل كبير.

وعليكم السلام ورحمة الله تعالى وبركاته، StandardScaler وPCA هي عمليتان من خطوات معالجة البيانات المهمة قبل تطبيق نماذج التعلم الآلي، لكن كل واحدة منهما تخدم غرضا مختلفا. بحيث يقوم StandardScaler بتوحيد كل ميزة من خلال طرح المتوسط وقسمة القيم على الانحراف المعياري، بحيث يتحول كل عمود من البيانات ليصبح متوسطه صفر وانحرافه معياري واحد. هذا التوحيد يساعد في ضمان أن تكون جميع الميزات على نفس النطاق، مما يمنع ميزة ذات قيم أكبر من غيرها من التأثير المفرط على النموذج. في حين تستخدم تقنية PCA (تحليل المكونات الرئيسية) لتقليل الأبعاد عن طريق إيجاد محاور جديدة تدعى المكونات الرئيسية، والتي تلتقط أكبر قدر ممكن من التباين الموجود في البيانات. يقوم PCA بتحويل الميزات الأصلية إلى مكونات جديدة يمكن تمثيل البيانات بها بأبعاد أقل، مما يبسط عملية التحليل دون فقدان المعلومات المهمة. ومن المهم جدا تطبيق StandardScaler قبل استخدام PCA، لأن PCA يعتمد على قياس التباين في البيانات فإذا كانت الميزات غير موحدة، فقد تهيمن الميزات ذات النطاق الأكبر على النتائج، مما يؤدي إلى مكونات رئيسية غير متوازنة.

يوجد طريقة للتغلب على ذلك بحذف مساحة من قرص الـ D ثم إنشاء قرص آخر بحرف مختلف ونقل الملفات إليه لكن أرى أن مساحة D ممتلئة تقريبًا. لذا ستحتاج إلى برامج خارجية ويوجد AOMEI Partition Assistant يوفر لك ما تريده بشكل مجاني في النسخة المجانية حيث بها ميزات Create, Extend, Shrink, Move, Delete, Format, Merge, Clone Partitions.

بما أنك أنهيت مسار "مدخل إلى علوم الحاسوب"، فهذا شيء ممتاز ويدل على جدية في التعلم. ولا يشترط أن تتقنه بالكامل بطبيعة الحال قبل الانتقال إلى "أساسيات البرمجة"، لكن يُفضّل أن تكون مرتاحًا مع المفاهيم الرئيسية مثل التفكير المنطقي وفهم الخوارزميات بشكل عام. إذا شعرت أنك بحاجة لحل المزيد من التمارين. يمكنك التدرب من خلال منصات مثل: CodingBat: موقع بسيط يحتوي على تمارين في المنطق والخوارزميات باستخدام Python أو Java، مناسب للتدرب على الأساسيات. Edabit: موقع ممتع وسهل، مصمم خصيصًا للمبتدئين، يقدم تمارين قصيرة مع واجهة بسيطة وسلسة. LeetCode: ابدأ بالمشاكل السهلة، ستساعدك على تطوير مهارات التفكير وحل المشكلات، وتعتبر من أقوى المنصات عالميًا. في قسم الأسئلة السهلة، وستجد فيها تمارين مناسبة تساعدك على ترسيخ المفاهيم.

الغرض منها تحويل مجموعة كبيرة من المتغيرات Features/الأعمدة في البيانات إلى مجموعة أصغر من المتغيرات الجديدة تُسمى المكونات الرئيسية Principal Components - PCs، مع الحفاظ على أكبر قدر ممكن من المعلومات لتحقيق التباين الموجود في البيانات الأصلية. وذلك للتغلب على لعنة الأبعاد، ففي حال يتوفر عدد كبير جداً من المتغيرات مقارنة بعدد العينات وهي الصفوف، تصبح النماذج أقل كفاءة، وأكثر عرضة للـ Overfitting، وتتطلب بيانات أكثر للتدريب، هنا يظهر فائدة الـ PCA بتقليل عدد المتغيرات والتي بدورها تزيد من أداء النموذج ويصح أسرع ويتطلب ذاكرة أقل. كذلك تقليل الضوضاء بالتركيز على الأنماط الرئيسية ذات التباين الأكبر في البيانات، ويتجاهل التباينات الصغيرة التي تسبب ضوضاء. ومن الصعب تصور بيانات ذات أبعاد كثيرة أكثر من 3، وبتقليل الأبعاد إلى 2 أو 3 مكونات رئيسية فقط من خلال PCA، يسمح برسم البيانات وفهم بنيتها أو اكتشاف تجمعات Clusters أو نقاط شاذة Outliers بصرياً. بالإضافة إلى معالجة تعدد الخطية Multicollinearity واستخراج الميزات، وليس شرطًا استخدامه مع الشبكات العصبية خاصًة العميقة منها، فهي قادرة بطبيعتها على التعامل مع بيانات ذات أبعاد عالية جداً وتعلم تمثيلات معقدة للميزات بنفسها داخل طبقاتها المخفية، وعملية التعلم تتضمن غالباً نوعاً من تقليل الأبعاد أو استخلاص الميزات بشكل ضمني. يتم اللجوء إليه أحيانًا مع وجود بيانات ذات أبعاد هائلة كبعض بيانات الصور أو الجينوم، كخطوة أولية لتقليل الأبعاد قبل إدخال البيانات للشبكة العصبية لتسريع التدريب أو تقليل متطلبات الذاكرة، أو لتصور مخرجات الطبقات الداخلية للشبكة. لكن الـ PCA يعتمد على علاقات خطية، بالتالي لو العلاقات المهمة في البيانات الغير خطية بشكل كبير، فسيتم فقدان معلومات مهمة تحتاجها الشبكة العصبية لتحقيق أداء جيد، حيث تتفوق في التقاط العلاقات غير الخطية.

ليس عليك التعمق بها حاليًا سنتطرق إليها لاحقًا خلال الدورة في مسار الخوارزميات وبنى المعطيات، يكفي حاليًا التطبيق على ما تعلمته من خلال تمرين أو اثنان، بعدها تنتقل لتعلم أساسيات البرمجة، وتطبيق ما تعلمته في المسار الأول على المسار الثاني، بمعنى تنفيذ Flow chart بسيط لتمرين معين مثلاً وكتابة Pseudo Code. بعد الإنتهاء من مسار أساسيات البرمجة تستطيع حل مسائل برمجية من أجل تحسين مهارة التفكير المنطقي وكتابة الخوارزميات بحل مسائل بسيطة في البداية للجمع بين التعلم النظري والتطبيق عبر التمارين مثل منصات HackerRank أو Edabit أو Codewars للمبتدئين، حيث تبدأ بالتدرج من خلال منصة سهلة نسبيًا مثل Codewars وحل الأسئلة السهلة ثم المتوسطة ثم الصعبة، ثم الإنتقال لمنصة leetcode وحل المسائل التي بها بدءًا من مستوى متوسط فما فوق. هناك تفصيل بخصوص الـ problem solving ستجده هنا:

المقصود أنّ الكود يجب أن ينتهي من التنفيذ بالكامل في مدة أقصاها 9 ساعات، في حال تعمل على وحدة المعالجة CPU ونفس الأمر بالنسبة لوحدة المعالجة GPU، بأي حال من الأحوال يجب أن ينتهي تنفيذ الكود في مدة أقصاها 9 ساعات عند تقديمه للتقييم النهائي في المسابقة Submission run. وذلك لضمان أن جميع المتسابقين لديهم نفس الموارد الحاسوبية المحدودة، أيضًا وضع حد زمني يمنع استهلاك الموارد بشكل مفرط ويضمن توفرها للمستخدمين الآخرين، ويسمح للمسابقة بتقييم الحلول في إطار زمني معقول. ولو استغرق الكود وقتاً أطول من 9 ساعات ليكتمل عند تشغيله بواسطة كاجل ستحصل على خطأ Timeout.

كل هذه الطرق موجودة فعلا ولكنها لم تفلح معي وجربت هذه البرامج EaseUS Partition Master MiniTool Partition Wizard وأكثر ولكن عند التقسيم يقول اني محتاج ان ادفع مال مقابل هذه الخدمة والغريب اني لا يوجد عنيد إلا D , C ولكن عند الدخول diskmgmt.msc ظهر بارتيشنات أخرى بسبب ان بارتيشن ال C ليس بجوار D فعجزت عن نقل المساحة إلى C

تستطيع استخدام مكتبة carlos-meneses/laravel-mpdf تدعم اللغة العربية ايضا او يمكنك استخدام هذه الامر لتنزيل مكتبة khaled.alshamaa/ar-ph composer require khaled.alshamaa/ar-ph ويمكن استخدام controller method use PDF; use ArPHP\I18N\Arabic; class ExampleController extends Controller { function downloadPDF(){ $reportHtml = view('admin.reports.cutomReport', [])->render(); $arabic = new Arabic(); $p = $arabic->arIdentify($reportHtml); for ($i = count($p)-1; $i >= 0; $i-=2) { $utf8ar = $arabic->utf8Glyphs(substr($reportHtml, $p[$i-1], $p[$i] - $p[$i-1])); $reportHtml = substr_replace($reportHtml, $utf8ar, $p[$i-1], $p[$i] - $p[$i-1]); } $pdf = PDF::loadHTML($reportHtml); return $pdf->download('report.pdf'); } }