لوحة المتصدرين

السلام عليكم هل يمكن ان تشرحو لي او توجهو لي درس لكي افهم طريقة عمل البيئات في لغة بايثون و كيف انشء بيئة جديدة في تطبيق pycharm و اود ان اعلم انني اعلم ان البيئات هي لادارة الاصدارات في مختف المشاريع ولاكنني لا ادري اكثر من هذا فكيف تنشء وكيف اشغل الاوامر داخلها فقط و كيف انفز الاوامر على الجهاز كله و هل شرط ان استعملها وشكرا لكم

الاستفتار بخصوص التطبيق على برنامج باثيون ماضهر run نفس ما يقول ليش و ارفقت لكم الصورة

عندي سؤالين كيف يكون تنزيل *نسختين* من اللغة نفسها هو الامر المناسب والذي لا يستحلك موارد اكثر ؟ اما سؤالي التاني فهو عن Docker هو الادة يلي بتتيح لي انني انقل صورة عن الاصدارات الى جهاز اخر لكي تعمل مع الشخص الذي نذل المشروع

أي مشروع تقوم بإنشائه يجب إنشاء بيئة إفتراضية له لتجنب حدوث مشاكل أنت في غنى عنها بسبب تضارب الإصدارات وعدم التوافقية بينها، والأسهل لك هو استخدم وحدة venv في المشاريع البسيطة وهي أسهل في الاستخدام وpipenv في المشاريع التي ستقوم بنشرها على الإنترنت ورفعها على github. ويوجد أدوات أخرى منها لإدارة الحزمة والبيئات الإفتراضية وهم Poetry أو Conda لكن لتجنب التشتيت يكفي ما سبق فقط، وذلك ما يتم استخدامه في دورة بايثون. ستجد شرح استخدام venv و pipenv: وفي pycharm بعد إنشاء البيئة ستحتاج إلى الضغط على التالي لتحديد مُفسر البيئة الإفتراضية ثم اختيار existing ثم ok: أيضًا تفعيل الخيار التالي من الإعدادات:

وعليكم السلام ورحمة الله وبركاته. تخيل معكي أنك الآن مطور . وتعمل مثلا على مشروع Django والمشروع الحالي الذي تعمل عليه هو إصدار 5 . وبينما أنت تعمل عليه تم عرض مشروع Django أخر ولكن إصدار 4 . ما الحل هنا في تلك الحالة ؟ كيف ستستطيع تشغيل إصدارين معا ؟ لو حاولت تثبيت إصدار 4 ستجد أن بايثون يثوم بحذف إصدار 5 وتنزيل إصدار 4 مكانه والعكس لو أردت تشغيل إصدار 5 . إذا الحل لديك هنا هو أنك تقوم بحذف الإصدار الموجود لديك وتنزيل الإصدار بناء على المشروع الحالي الذي تعمل عليه. ولكن هذا الأمر ليس جيدا بالمرة فإنه يستهلك وقت وموارد دون الحاجة لذلك. وهنا تظهر لك ميزة البيئة الإفتراضية حيث تعمل كأنها حاوية منفصلة . حيث تقوم في كل مشروع بإنشاء بيئة إفتراضية ويتم التعامل معها كحاوية منفصلة تماما . أى أن المكتبات التي بداخلها لا دخل لها بالبيئات الأخرى وهنا يمكنك تنزيل أى إصدار تريده بناء على المشروع الذي تعمل عليه. وبناء على المثال السابق هنا ستقوم بإنشاء بيئتين إفتراضيتين لكل مشروع البئية المنفصلة الخاصة به وهكذا يمكنك تشغيل إصدارين من Django في نفس الوقت . ويمكنك إنشاء البيئة الإفتراضية من خلال إستخدام pipenv أو من خلال بايثون نفسه venv ويمكنك قراءة الإجابة التالية لكيفية إنشاء البيئة الإفتراضية وتفعيلها من خلال الأداتين السابقتين : أما إذا أردت تشغيل البيئة الإفتراضية في pycharm فإنه من المفترض أن pycharm تلقائيا يقوم بتفعيل البيئة الحالية الموجودة في المشروع ولكن إذا لم يتم ذلك يمكنك قراءة الإجابات التالية لكيفية فعل ذلك :

الرياضيات ليست مجرد ضرورة، بل هي العمود الفقري لتعلّم الذكاء الاصطناعي. مجالات مثل الجبر الخطي (للتعامل مع المصفوفات والمتجهات)، التفاضل والتكامل (لتحسين النماذج مثل التدرج النازل)، الإحصاء والاحتمالات (لتحليل البيانات ونمذجة عدم اليقين)، ونظرية التحسين (لتصميم الخوارزميات) هي أساسية. بدون فهم جيد لهذه المفاهيم، سيكون من الصعب استيعاب كيفية عمل خوارزميات الذكاء الاصطناعي، مثل الشبكات العصبية أو تعلم الآلة. لكن، إذا كنت مبتدئًا، يمكنك البدء بمستوى أساسي من الرياضيات وتطوير مهاراتك تدريجيًا مع التعمق في المجال. هناك أدوات ومكتبات (مثل TensorFlow أو PyTorch) تقلل من الحاجة إلى التعامل المباشر مع الرياضيات المعقدة، لكن فهم الرياضيات يمنحك ميزة كبيرة لتصميم حلول مبتكرة أو فهم الأنظمة بعمق. إذا كنت تسعى للعمل في البحث أو التطوير في الذكاء الاصطناعي، فالرياضيات تصبح حتمية.

كما يبدو فإن تعلم أساسيات الرياضيات ضرورية لفهم الأسس العميقة للذكاء الاصطناعي مثل الجبر الخطي، الحساب التفاضلي، والإحصاء. ولكن يمكنك للبدء في تعلم الذكاء الإصطناعي دون حاجة إلى تعلم أساسيات الرياضيات، وبالتزامن مع تعلمك الذكاء الإصطناعي يمكنك بناء بعض المهارات تدريجيًا في الرياضيات ويمكن تعلمها بطرق ممتعة من منصات مثل Khan Academy والتي تقدم دروسًا مجانية ومنظمة تبدأ من الحساب الأساسي إلى الجبر والحساب التفاضلي، مع تمارين تفاعلية.

ستحتاج بالطبع إلى أساسيات في الرياضيات حيث الذكاء الإصطناعي يعتمد بشكل أساسي على الرياضيات . و ليس المقصود من تعلم الجبر الخطي Linear Algebra أن تكون عالمًا متخصصًا فيه. ولكن باختصار، لابد من وجود أساسيات الجبر الخطي مثل : المصفوفات والعمليات على المصفوفات ولابد أن تعرف قواعد كل عملية، لأنه بالتأكيد لا يمكن الحصول على قيمة المتغير c في المثال الذي أعطيته دون أن تعرف كيف يتم حسابها، كذلك معرفة بالمعادلات الرياضية من الدرجات المختلفة وكذلك التمثيل البياني وفهم المصطلحات الخاصة به،والمتجهات والانحدار و يجب دراسة هذه المواضيع حتى تفهم ما يدور خلف الكواليس وتستطيع تحسين النتائج فيما بعد. وإضافة إلى الجبر الخطي: التفاضل والتكامل حساب المثلثات الإحصاء الوصفية ويمكنك قراءة الإجابة التالية لمعرفة ما الواجب عليه معرفته قبل البدء في الذكاء الإصطناعي :

ستحتاج إلى الإلمام بأساسيات الرياضيات لتسهيل دراستك للدورة واستيعاب بعض المفاهيم، لا داعي للقلق فالكره نابع من دراسة أو شرح غير مناسبين أدى لتلك التجربة السيئة كحال الغالب. الذكاء الاصطناعي يعتمد على النماذج الرياضية لفهم البيانات واتخاذ القرارات، ومفاهيم كالجبر الخطي والذي به المصفوفات والمتجهات ستجد أنها مستخدمة في الشبكات العصبية، بجانب الإحصاء والاحتمالات لتحليل البيانات واتخاذ قرارات، وأيضًا التفاضل والتكامل لتحسين النماذج. فالشبكات العصبية، ببساطة، هي دوال رياضية تحول البيانات المدخلة ضمن فضاء متجهي باستخدام عمليات خطية وغير خطية، والمخرجات تكون عبارة عن توزيعات احتمالية، وتدريب تلك الشبكات يعتمد على خوارزمية تُسمى الانحدار التدريجي gradient descent والتي تتطلب فهم المشتقات من التفاضل. كل ما أنت بحاجة إليه هو دراسة الأساسيات وليس التعمق، ستقوم بدراسة ما يلي: الجبر الخطي وهو الأهم ركز على فهم المفاهيم الأساسية مثل المتجهات، الفضاءات المتجهة، العمليات على المتجهات والمصفوفات، الاستقلال الخطي، الأساس basis، والقيم والمتجهات الذاتية eigenvalues وeigenvectors. التفاضل ويكفي أن تفهم مفهوم المشتقات، لأنها أساسية في تدريب النماذج، فالتكامل ليس ضروريًا في المرحلة الأولى، لذا تستطيع تأجيله. الإحصاء والاحتمالات يكفي معرفة القواعد الأساسية للاحتمالات وبعض التوزيعات الاحتمالية الشائعة، لأنها تُستخدم في تحليل مخرجات النماذج كما أشرت. وليس كافٍ التركيز على مجال واحد مما سبق، بل ستحتاج إلى فهم أساسي لكل منها لتتمكن من الانطلاق في تعلم الذكاء الاصطناعي، ابدأ بالأساسيات، ومع تقدمك في تعلم الآلة، بإمكانك العودة لتعميق معرفتك بالرياضيات حسب الحاجة. تستطيع البحث على اليوتيوب عن مصادر لتعلم ذلك، أو تفقد التالي لكن بالإنجليزية: