لوحة المتصدرين

السلام عليكم هل يوجد فرق بين القيم الرقمية 0.0 و0، أو 1.0 و1؟ وهل هذا الفرق يؤثر في تحليل البيانات أو في نماذج التعلم الآلي؟

هل كل مشروع ل جافا سكربت لازم اربط اسم الكلاس مع html ؟؟؟؟؟

هل اضع كل التمارين في GitHub حتى مثلا تمرين عكس النجوم او فقط التمارين الي تكون في مسار التمرين ؟؟؟؟؟

how to sent you my drive folders

الف شكراا حدا لحضرتكم جزاكم الله كل خير

وعليكم السلام ورحمة الله وبركاته. نعم يوجد فرق بين القيم الرقمية مثل 0.0 و0 أو 1.0 و1 في نطاق الحاسوب عموما ولكن تأثير هذا الفرق يعتمد على السياق وأين يستخدم وكيفية استخدام هذه القيم في تحليل البيانات أو نماذج التعلم الآلي أو غيرها. فالفرق الأساسي هو في النوع حيث 0 و1 هما أعداد صحيحة (Integers) أما 0.0 و1.0 هما أعداد عائمة (Floating-point numbers). أما بخصوص التخزين فإن الأعداد الصحيحة تخزن بدقة تامة وتستخدم مساحة أقل في الذاكرة مثل 32 بت لـ int32. أما الأعداد العائمة فأنها تستخدم مساحة أكبر. أما بخصوص الدقة فالأعداد الصحيحة دقيقة تماما للقيم التي تحفظها . أما الأعداد العائمة قد تؤدي إلى أخطاء دقة في العمليات الحسابية المعقدة خاصة عند التعامل مع قيم صغيرة جدا أو كبيرة جدا حيث لا يستطيع الحاسوب التعامل مع الكسور بشكل دقيق إذا كانت كثيرة. أما بخصوص الفرق في تحليل البيانات : فأولا بخصوص الحسابات ففي معظم تحليلات البيانات إذا كانت القيم متساوية عدديا مثل 0 == 0.0 أو 1 == 1.0 فلن يكون هناك فرق فعلى في النتائج الحسابية الأساسية مثل الجمع أو الطرح.ولكن في العمليات التي تتطلب دقة عالية مثل مقارنة القيم قد تؤدي الأعداد العائمة إلى أخطاء صغيرة على سبيل المثال، مقارنة 0.0 == 0 قد تكون صحيحة لكن مقارنة 0.1 + 0.2 == 0.3 قد تفشل بسبب أخطاء التمثيل العائم . أما بخصوص الأداء فإن الأعداد الصحيحة أسرع في المعالجة وتستهلك ذاكرة أقل مقارنة بالأعداد العائمة مما قد يكون مهما عند التعامل مع مجموعات بيانات ضخمة. وأيضا بعض مكتبات تحليل البيانات مثل Pandas أو NumPy قد تعامل الأعداد الصحيحة والعائمة بشكل مختلف فعلى سبيل المثال إذا كانت البيانات تحتوي على 0.0 بدلا من 0 فقد يتم تحويل العمود إلى نوع float64 بدلا من int32، مما يؤثر على استخدام الذاكرة. import pandas as pd df = pd.DataFrame({'col': [0, 1, 0.0, 1.0]}) print(df['col'].unique()) #array([0., 1.]) print(df['col'].dtype) #float64 حيث لاحظ أن حتى القيم 0 و 1 تم تحويلهم تلقائيا إلى 0.0 و 1.0 لأن هناك قيم float في العمود. ومثلا في One-Hot Encoding : إذا كانت البيانات : [0, 1] فقد يتم إعتبار الفئة فئوية (Categorical) ويتم تحويلها إلى One-Hot. أما إذا كانت: [0.0, 1.0] فقد يتم إعتبارها أعداد مستمرة (Continuous)، ولن يتم تحويلها. لذلك إذا كنت تبني نموذج تعلم آلي فيفضل دائما استخدام ال float لجميع الخصائص العددية. و أن تقوم بتحويل int إلى float إذا كانت القيم مستمرة وليست فئوية . إذا الملخص لما سبق الفرق بين 0.0 و0 أو 1.0 و1 يكمن في نوع البيانات (صحيحة أو عائمة) وطريقة تمثيلها وحفظها في الذاكرة. وفي تحليل البيانات والتعلم الآلي هذا الفرق عادة لا يكون له تأثير كبير ولكنه قد يؤثر على الأداء أو الدقة في حالات محددة مثل العمليات الحسابية الدقيقة أو معالجة البيانات الضخمة. لذلك من المهم اختيار نوع البيانات المناسب بناء على طبيعة البيانات وسياق الاستخدام.

وعليكم السلام ورحمة الله وبركاته نعم، يوجد فرق بين القيمتين في النوع من حيث integer أو float 0 و 1: هذه أعداد صحيحة (int). 0.0 و 1.0: هذه أعداد عشرية (float). من ناحية القيمة الحسابية، فهي متساوية (0 = 0.0)، لكن من ناحية النوع (type) يختلفان، وهذا قد يؤثر في بعض الحالات في تحليل البيانات أو في التدريب على نماذج تعلم الآلة.

السلام عليكم ده الكود categorical_cols = data_train[['orientation', 'behavior', 'phase', 'gesture']] encoded_df = pd.DataFrame( encoded.toarray().astype(int), columns=encoder.get_feature_names_out(categorical_cols.columns) ) data_encoded = pd.concat([data_train.drop(categorical_cols.columns, axis=1).reset_index(drop=True), encoded_df.reset_index(drop=True)], axis=1)

الف شكراا جدا جدا لحضرتك جزاك الله كل خير

وعليكم السلام ورحمة الله وبركاته. في هذا السطر نقوم بإستخراج الأعمدة ذات القيم الفئوية (categorical) من البيانات الأصلية data_train وتلك الأعمدة هي: orientation و behavior و phase و gesture. هنا المتغير encode غير واضح لأنه لا يظهر في الكود المرفق ولكن غالبا هو ناتج من تحويل الأعمدة الفئوية إلى تمثيل رقمي باستخدام أداة ك OneHotEncoder ومن ثم يتم تحويل الناتج إلى مصفوفة NumPy من خلال toarray() ثم إلى أعداد صحيحة من خلال astype(int) . وهنا يتم إنشاء DataFrame جديد في المتغير encoded_df من هذه البيانات المشفرة في المتغير encoded ومن ثم تحديد أسماء الأعمدة الناتجة باستخدام encoder.get_feature_names_out . وأخيرا يتم حذف الأعمدة الأصلية الفئوية من data_train وهي الأعمدة التي حددناها في المتغير categorical_cols . ومن ثم يتم دمج الأعمدة الجديدة المشفرة encoded_df مع باقي البيانات.و يتم استخدام reset_index(drop=True) لضمان تناسق الفهارس بين DataFrames قبل الدمج. إذا الكود بإختصار يقوم بإستخراج الأعمدة الفئوية من البيانات ومن ثم تشفير هذه الأعمدة وأخيرا دمج الأعمدة المشفرة مع بقية البيانات بعد حذف الأعمدة الأصلية. أما بخصوص تحسينه فلو قصدت جعل الكود أسهل في القراءة فإليك التالي : # استخراج الأعمدة الفئوية categorical_cols = ['orientation', 'behavior', 'phase', 'gesture'] X_cat = data_train[categorical_cols] # تشفير البيانات الفئوية encoded_array = encoder.transform(X_cat).toarray() encoded_columns = encoder.get_feature_names_out(categorical_cols) encoded_df = pd.DataFrame(encoded_array.astype(int), columns=encoded_columns) # حذف الأعمدة الفئوية من البيانات الأصلية X_num = data_train.drop(columns=categorical_cols).reset_index(drop=True) # دمج البيانات الرقمية مع البيانات المشفرة data_encoded = pd.concat([X_num, encoded_df], axis=1)

التعامل مع ال DOM سيعطيك خبرة في javascript وأيضا سينمي مهارة التفكير المنطقي لديك .ولكن أنت لست مطالبا أن تكون محترفا في ال DOM حيث ستستعمل أطر العمل لتحقيق ما كنت تفعله بال DOM . ولهذا لا يجب عليك أخذ الكثير من الوقت في ال DOM والتركيز على إطار العمل والذي سيفيدك أكثر.

حاليًا الأفضل الاستمرار في تعلم بايثون لكون المفاهيم حاضرة في ذهنك ولترسيخها أكثر، وللتطبيق على ما تعلمته في المسارين حاول القيام بأحد المشاريع التالية: 1- نظام إدارة نادي رياضي بمعنى Gym Manager والميزات المطلوبة هي: عضويات: إنشاء/تجديد/تجميد مع طبقة OOP (Member, Subscription, Payment). تنبيهات تلقائية بانتهاء الاشتراك واستخدم Gmail API / SMTP. فواتير PDF فيها كود QR للاسم ورقم العضوية، ستحتاج إلى reportlab وqrcode. تقرير شهري إلى Google Sheet ونسخة Excel. بالتالي ستقوم بالتطبيق على OOP، التعامل مع CSVوJSON كنسخ احتياطية، SQLite، argparse أو Typer، PDF، Excel، Gmail API، جداول Google. 2- لوحة تحكم بيانات شخصية بها الميزات التالية: تجمع بيانات من عدة APIs (طقس، عملات، أسهم). تحفظها في DB، وتصدر snapshot يومي إلى CSV و Google Sheet. ترسل تقرير صباحي في بريد HTML به رسم بياني مضمن. واجهة CLI لإضافة مصادر جديدة أو تغيير فترة الجلب. بالطبع ستواجهك تحديات، ولكن مع البحث والقراءة والمشاهدة ستتمكن من تخطيها. بعد ذلك، قبل الإنتقال لتعلم الواجهة الأمامية وجانغو تعمق في الموضوعات التي تُستخدم كثيراً مع Django لاحقًا وهي: SQL (JOINs, Indexes, Normalization). ORM. فهم نمط MVC / MVT. وحدة datetime في بايثون. بعد ذلك قم بتعلم الواجهة الأمامية، وانتقل لتعلم لجانغو بعدها.