لوحة المتصدرين

السلام عليكم هل من الأفضل دائمًا تعويض (ملء) القيم المفقودة، أم أن حذف القيم المفقودة يكون أحيانًا الخيار الأفضل، حتى لو كانت البيانات قليلة جدًا؟ هل يوجد فرق بين بيانات التدريب وبيانات الاختبار في التعامل مع القيم المفقودة؟

عند الضغظ على زر update التي تحمل دالة updateData من المفترض يعرض title ف حقل العنوان لتعديله ولكن لم يحدث ذلك ماهي المشكلة crud.zip

هذه المشكلة غالبا بسبب إضافة Extension لديك في المتصفح . يرجى فتح المتصفح الخفي من خلال الضغط على CTRL + SHIFT + N حيث يجب أن يتم تعطيل جميع الإضافات وسيختفي هذا الخطأ أو يمكنك محاولة فتح متصفح أخر .

لم افهم ماهذا الخطأ

how to send you projects for the test since they are large size

يبدوا أنك تحاول رفع النماذج نفسها لا يجب رفع النماذج بل ملفات الأكواد . حيث يمكن تحميل النماذج من الإنترنت أو تنفيذ الكود لحفظ النموذج . كل ما عليك فعله كما أخبرتك سابقا أن تقوم فقط برفع ملفات ipynb أو ملفات الأكواد .

deep learning_ LLMs, Computer vision, transfer learning, transformers, Reinforcement learning, one surpass on 1GB

can you give me the link of the mustawda3 because github can't handle more than 25MB

ليس من الأفضل دائما تعويض القيم المفقودة، كما أنه ليس من الصحيح دائما حذفها. لأن الخيار الأفضل يعتمد على طبيعة البيانات، كمية القيم المفقودة، وأسباب فقدانها فإذا كانت نسبة القيم المفقودة مرتفعة في عمود معين مثلا لنقل أكثر من 40%-50% فقد يكون من الأفضل حذف هذا العمود لأنه قد لا يضيف قيمة تحليلية حقيقية. أما إذا كانت نسبة القيم المفقودة قليلة، فغالبا ما يكون من الأفضل تعويضها، وذلك باستخدام أساليب مثل المتوسط mean، الوسيط median، الأكثر تكرارا mode أو نماذج أكثر تقدما مثل KNN Imputer أو التوقع بالنماذج. لكن في بعض الحالات، القيم المفقودة قد تكون ذات دلالة بحد ذاتها، فمجرد كونها مفقودة يحمل معنى معين، وفي هذه الحالة يمكن إنشاء عمود إضافي يشير إلى كون القيمة مفقودة بدلا من حذفها أو تعويضها. أما بخصوص الفرق بين بيانات التدريب وبيانات الاختبار فنعم يوجد فرق مهم أولا يجب تعويض القيم المفقودة في بيانات الاختبار باستخدام نفس القيم أو الاستراتيجية المستخلصة من بيانات التدريب فقط، لضمان عدم تسريب المعلومات (data leakage) مثلا إذا عوّضت القيم المفقودة في التدريب باستخدام المتوسط، يجب أن تستخدم نفس هذا المتوسط أي المحسوب من التدريب لتعويض القيم في الاختبار، وليس أن تحسب متوسطا جديدا للاختبار.

وعليكم السلام ورحمة الله وبركاته. لا يوجد خيار أفضل دائما بين إن تعويض القيم المفقودة أو حذفها ويعتمد هذا الأمر على عدة عوامل: فالتعويض أفضل : عندما تكون البيانات قليلة فإذا كانت مجموعة البيانات صغيرة فإن حذف القيم المفقودة قد يؤدي إلى فقدان كبير للمعلومات المهمة مما يؤثر على أداء النموذج. عندما تكون القيم المفقودة قليلة فإذا كانت نسبة القيم المفقودة صغيرة مثلا أقل من 5 أو 10% يمكن تعويضها بطرق مثل المتوسط أو الوسيط أو التنبؤ باستخدام نماذج تعلم آلي دون إدخال تحيز كبير. عندما تكون البيانات مفقودة بشكل عشوائي فإذا كانت القيم مفقودة بشكل عشوائي أو مرتبط بمتغيرات أخرى وليس بالقيمة نفسها فإن التعويض يكون آمن وجيد في تلك الحالة. يكون الحذف أفضل : عندما تكون القيم المفقودة كثيرة فإذا كانت نسبة البيانات المفقودة في عمود أو صف مرتفعة جدًا مثلا >50% فقد يكون التعويض غير موثوق ويؤدي إلى تحيز. عندما تكون البيانات مفقودة بشكل غير عشوائي فإذا كان سبب الفقدان مرتبط بالقيمة نفسها مثل استبيانات حيث يتجنب الناس الإجابة عن أسئلة حساسة فإن التعويض قد يشوه البيانات، والحذف قد يكون أكثر أمان. عندما تكون البيانات كافية فإذا كانت مجموعة البيانات كبيرة بما يكفي فإن حذف نسبة صغيرة من الصفوف أو الأعمدة لن يؤثر كثيرا على النتائج.

تحديد أي من الخيارين تعويض (ملء) القيم المفقودة، أم حذف القيم المفقودة يعتمد على طبيعة البيانات والمشكلة اللي تحاول تحلها. إذا كانت القيم المفقودة قليلة جدًا (مثلاً أقل من 5%)، ففي بعض الحالات يكون الحذف أفضل وأسهل، خاصة لو كانت الصفوف المفقودة غير مهمة أو عشوائية. لكن إذا كانت القيم المفقودة كثيرة، فالحذف ممكن يسبب خسارة في البيانات ويأثر على دقة النموذج، وهنا التعويض (مثل المتوسط أو التكرار) يكون أفضل. بخصوص الفرق بين بيانات التدريب والاختبار: نعم يوجد فرق بينهما في بيانات التدريب: تقوم بتحليل البيانات وتعويض القيم المفقودة. في بيانات الاختبار: تستخدم نفس طريقة التعويض التي تم استخدامها في التدريب (نفس المتوسط أو القيمة).

السلام عليكم لقد قمت بتحميل لغة البايثون على جهازي الوندوز واتبعت الخطوات كما في الفيديو وتم تثبيت برنامج Idle ولم يتم تثبيت python shell؟ هل من توضيح للسبب. وشكراً

يجب عليك معرفة أولا ما هو ال random_state حيث أنه رقم يُستخدم لضبط العشوائية بحيث تكون قابلة للتكرار فهو رقم يتم إستخدامه كبذر لخوارزمية العشوائية . حيث أي أنك إذا وضعت نفس الرقم فإن الخوارزمية ستعيد نفس البيانات أى ىستحصل على نفس النتائج كل مرة تشغل فيها الكود. أما إذا لم تحدد random_state، فستحصل على نتائج مختلفة في كل مرة لأن العمليات العشوائية مثل تقسيم البيانات أو تدريب بعض النماذج ستكون غير ثابتة لأنه يتم إستخدام رقم مختلف في كل مرة. ولاحظ أن رقم 42 ليس مهما أو ثابتا بل يمكنك وضع أي رقم صحيح مثلا 42 أو 0 أو 1 أو أى رقم أخر فلا يهم الرقم نفسه، المهم أنه: إذا أردت نتائج متكررة وثابتةيجب عليك إستخدام نفس الرقم. وإذا أردت نتائج مختلفة في كل مرة لا تحدد ال random_state. وفائدته هو أنك إذا أردت تقيم دقة وأداء النموذج فيمكنك إستخدامه وتثبيت الرقم وهنا سيتم إختبار النموذج على نفس البيانات هي هي في كل مرة وهكذا يمكنك متابعة الدقة بطريقة صحيحة فلو زادت الدقة على نفس البيانات إذا التحسينات التي قمت بها جيدة وهكذا.

أولا تأكد أن الملفات اللتي تريد تحفظها موجودة في المسار /kaggle/working/ فمثلا : with open("/kaggle/working/my_file.txt", "w") as f: f.write("Hello, this is a test file.") في الكود السابق هذا الملف سيتم حفظه مؤقتا في الجلسة الحالية . بعد ذلك اضغط على زر ال "Save Version" الموجود في أعلى صفحة ال notebook و الزر ستجده موجود في الشريط في الأعلى بجانب اسم ال notebook . وعند الضغط عليه ستظهر لك نافذة منبثقة في تلك النافذة قم بإختَيار نوع الحفظ ويمكنك الأفضل إستخدام : Quick Save لحفظ سريع أو Save & Run All لتشغيل كل الخلايا وحفظ النتائج. ثم اضغط على زر "Save" في أسفل النافذة. وإنتظر حتى تنتهي عملية الحفظ. وبعد الحفظ سيتم إنشاء نسخة جديدة من ال notebook في صفحة "Versions". وللوصول إلى الملفات في وقت أخر يمكنك الإنتقال إلى صفحة ال notebook على Kaggle ومن القائمة الجانبية إختار "Versions". ويمكنك فتح النسخة التي حفظتها مسبقا. وفي نافذة النسخة ستجد قسم "Output Files" وهذا فيه كل الملفات اللتي كانت موجودة في /kaggle/working/. ويمكنك تحميل الملفات أو استخدامها في notebook آخر سواء بالضغط على زر التحميل بجانب الملف أو من notebook جديد تضيف النسخة كمصدر (dataset) واستخدام الملف مباشرة.

الدورات لا يتم تحديثها بالكامل دفعة واحدة، بل يتم تحديثها بشكل تدريجي من خلال: إضافة مسارات جديدة لمواكبة سوق العمل وما به من متطلبات جديدة. استبدال مسارات قديمة بمسارات أحدث حسب الحاجة. لذلك يمكنك البدء بمشاهدة المحتوى الحالي مباشرة فهو يمثل آخر تحديث متاح للدورة حتى الآن. بخصوص التحديثات القادمة على الدورة دورة تطوير واجهات المستخدم يتم تحديثها بشكل دوري وفقا لمتطلبات سوق العمل وتطور التقنيات الحديثة لكن لا يوجد موعد محدد للتحديثات. يمكنك دائما متابعة التحديثات الجديدة لجميع الدورات من خلال صفحة آخر التحديثات على الرابط التالي: https://academy.hsoub.com/release-notes

وعليكم السلام ورحمة الله تعالى وبركاته، في بيئة Kaggle يتم استخدام المسار: /kaggle/working/ كمجلد مؤقت لتخزين الملفات أثناء تشغيل النوتبوك وهذا المجلد لا يحتفظ بأي ملفات بشكل دائم فعند إغلاق النوتبوك أو إعادة تشغيل الجلسة، يتم حذف جميع البيانات الموجودة فيه تلقائيا. لذا لحفظ الملفات بشكل دائم، يجب استخدام خاصية "Save Version" الموجودة في أعلى صفحة النوتبوك، حيث يتم رفع جميع الملفات الموجودة في /kaggle/working/ إلى قسم "Output Files" الخاص بالنوتبوك. يمكن بعد ذلك الرجوع لهذه الملفات في أي وقت أو تحميلها. يوجد خيار آخر وهو تنزيل الملفات يدويًا من خلال متصفح الملفات في الجانب الأيمن بعد إنشائها. كما يمكن حفظ الملفات خارجيا عبر GitHub أو Google Drive، لكن هذه الطريقة غير مدعومة مباشرة داخل Kaggle وتتطلب تنفيذها من بيئة خارجية.

بالنسبة لدورة "علوم الحاسوب" تحتوي على مفاهيم نظرية أساسية مثل الخوارزميات، هياكل البيانات، والبرمجة. هذه المفاهيم مفيدة كأساس لفهم جوانب عملية في "تطوير واجهات المستخدم". ومع ذلك دورة تطوير واجهات المستخدم لا تفترض وجود خبرة سابقة حيث أنه يتم شرح جميع التقنيات اللازمة . فإذا كنت مبتدئاً في المجال، أنصحك بالبدء بدورة "علوم الحاسوب" حتى تصل مستوي جيد من فهم الأساسيات الخاصة بعلوم الحاسوب يمكنك الإنتقال بعدها لتعلم تطوير واجهات المستخدم وليس شرطاً الإنتهاء من دورة علوم الحاسوب كاملة للإنتقال لتعلم تطوير واجهات المستخدم

السلام عليكم سويت مشروع جانغو وابغى ارفعه للسيرفر عشان يشتغل ايش هي الخطوات (اني ما اشتغل docker) ؟ وايش هي افضل الاستضافات المجانية وايش افضل الاستضافات المدفوعة؟ مع طريقة الرفع عليها اذا امكن واشكركم