لوحة المتصدرين

الفيديو فالبداية يشتغل وفي نص الفيديو يقفل تلقائيا كما ظاهر في الصورة. وش السبب واتمنى حل المشكلة

كم من الوقت يستغرق لفهم والتمكن من HTML CSS والانتقال للمرحله الذي تليها ؟

السلام عليكم انا طالب مبتدئ وحابب اتعلم لغة البرمجة python بس مش عارف طريقة التسجيل مكتوب انو 390 دولار سمعت انو موجود اكواد خصم وكذا وهل موجود مثلا محاضر اولى مجانية اني اشوف الشرح وشكرا كتير

السلام عليكم عملت مشروع LLM من خلال تنزيل مودل llama 3.1 على قوقل كولاب برو والمعالج هو A100 GPU ولكن في كل مرة تواجهني مشكلة CUDA out of memory ولم استطع حلها وبحثت على الانترنت ولكن لا فائدة جميع الحلول لم تفي بالغرض طبعا مشروعي هو اعطاء النموذج لوائح وتعليمات في RAG وبعدها يجيب على سؤال العميل بناء على البيانات التي في RAG

لو عايز اخد مسار MERN Full-Stack امشي ازاي في دورتين جافاسكريبت ودورة فرونت ؟

إذا كنت تقصد قسم HTML و CSS في دورة "تطوير واجهات المستخدم" فقسم HTML مدته ساعة ونصف وأيضا قسم CSS مدته ساعة ونصف . وهذه فقط هي مدة الفيديوهات وللدراسة الكاملة يمكنك ضرب تلك المدة في 3 إلى 5 بناء على مدى وسرعة إستيعابك . أى أن القسم من المفترض أن يأخذ معك 5 إلى 8 ساعات بدون تطبيق كثير . فلو مثلا كنت تقوم بالمذاكرة لمدة ساعتين في اليوم فالقسمين يمكنك إنهائهم خلال 5 أيام إلى 10 أيام و هذا فقط ستكون قمت بفهم الأساسيات . ولكن للتمكن منها الأمر سيستغرق بالطبع بعضا من الوقت حيث سيتوجب عليك التطبيق كثيرا وإنشاء مشاريع والبحث عن تصاميم تقوم بتنفيذها لذلك أمر التمكن منها ليس له وقت محدد حيث يعتمد عليك وعلى تطبيقك للدروس وما تعلمته. لذلك أنصحك أولا بدراسة الدروس جيدا والتطبيق بشكل جيد بعد كل درس مباشرة . وفي النهاية بعد الإنتهاء يمكنك البحث عن مشاريع كاملة تقوم بها من البداية بنفسك.

الأمر مختلف من شخص لآخر، بمعنى خلفيته السابقة وهل يبدأ من الصفر أم لا، والوقت المخصص للدراسة بشكل يومي، ومدى قدرة الشخص على الاستيعاب فهناك فروق فردية بالطبع، أيضًا طريقته في المذاكرة فلكل شخص أسلوب يناسبه. لذا لا تقارن نفسك بأي شخص آخر، راقب مستواك وفقط على مدار فترة زمنية وبشرط الإلتزام والاستمرارية، فلا يصح أن تنقطع في بداية التعلم ثم الشكوة من نسيان ما تعلمته أو أن مدة الدراسة قد طالت. لذا من خلال نصائح سابقة، قم بالتجربة واعتمد أسلوب دراسة مناسب لك، ثم استمر عليه ولا مشكلة في تعديله حسب ما تريد، المرونة مطلوبة، وعندما تجد في نفسك القدرة على تنفيذ تصميم موقع كامل متوسط التعقيد، فانتقل إلى المرحلة التالية. وبالطبع لا أعني أن تتعلم كل شيء، بل القدر الكافي لتنفيذ المطلوب وهو موقع متوسط التعقيد، أيضًا أنت بحاجة إلى تعلم أساسيات تصميم واجهة المستخدم، فالأمر ليس رفاهية، طالما ستتعامل معها يجب استيعاب ما تقوم به وليس مجرد النقل أو المحاكاة. أيضًا لا أعني أن تقوم بتنفيذ المشروع بنفسك تمامًا، ستحتاج إلى البحث والقراءة والمشاهدة في البداية فأنت ما زلت تتعلم، المهم هو تنفيذ المطلوب مع ضرورة الاستيعاب أولاً، فهو ليس واجب مدرسي تتخلص منه، أي بعد الإنتهاء من المشروع تستطيع إعادة تنفيذه مرة أخرى لأنك استوعبت ما قمت به.

لا مشكلة في البيانات الاصطناعية كبداية، ويجب أن تكون منطقية تشبه البيانات التي تتوقع جمعها مستقبلاً قدر الإمكان، وبالطبع للتجربة ولن تعتمد على أرقام الدقة لاتخاذ قرارات نهائية، لأنك بنيت البيانات على افتراضاتك الخاصة، فالهدف منها هو فقط بناء النظام، وعندما تجمع بيانات حقيقية كافية، ستقوم بإعادة تدريب النموذج عليها. عامًة الـ Synthetic Data مفيدة لأنها تسمح ببناء وتجربة pipeline كامل للتعلم الآلي، من معالجة البيانات، إلى التدريب، إلى التكامل مع التطبيق، أيضًا تكتشف المشاكل التقنية في وقت مبكر. أول خطوة هي تحديد الـ features بالتفكير في العوامل التي تؤثر على المسافة التي يقطعها المستخدم، وهي: معلومات المستخدم: العمر، نوع الوظيفة (مندوب مبيعات، موظف مكتبي، يعمل من المنزل)، هل لديه عائلة. معلومات السيارة: سنة الصنع، نوع السيارة (صغيرة، SUV)، كفاءة الوقود. معلومات زمنية: يوم الأسبوع (1-7)، هل هو عطلة نهاية أسبوع (نعم/لا)، الشهر. معلومات سلوكية إن أمكن: مثل متوسط المسافة في الأسابيع السابقة، وتلك ميزة لها ثقل. ثم إنشاء صيغة وهمية لحساب المسافة، ولا يجب أن تكون مثالية، بل فقط لإنشاء بيانات ذات هيكل، ولتكن: distance = base_distance + job_effect + weekend_effect + previous_dist_effect + noise حيث base_distance هي مسافة أساسية يومية، مثلاً 20 كم، وjob_effect تعني تأثير نوع الوظيف، فمندوب مبيعات سيقطع 50كم أو يزيد، وموظف مكتبي +15 كم، يعمل من المنزل -10 كم. والـ weekend_effect خاص بالعطلة، حيث ستزيد المسافة للرحلات أو تقل لعدم الذهاب للعمل -15 كم. والـ noise خاصة بإضافة قيمة عشوائية صغيرة لتبدو البيانات واقعية أكثر. ثم توظيف ما سبق في الكود كالتالي: import pandas as pd import numpy as np num_samples = 5000 job_types = ['sales', 'office', 'remote', 'student'] data = { 'age': np.random.randint(18, 65, num_samples), 'car_model_year': np.random.randint(2010, 2024, num_samples), 'job_type': np.random.choice(job_types, num_samples), 'is_weekend': np.random.choice([0, 1], num_samples, p=[0.71, 0.29]), 'previous_week_distance': np.random.normal(loc=150, scale=50, size=num_samples) } df = pd.DataFrame(data) def calculate_distance(row): base_distance = 20 if row['job_type'] == 'sales': job_effect = 40 elif row['job_type'] == 'office': job_effect = 15 else: job_effect = -10 weekend_effect = -15 if not row['is_weekend'] else 5 previous_dist_effect = row['previous_week_distance'] * 0.5 noise = np.random.normal(0, 10) distance = base_distance + job_effect + weekend_effect + previous_dist_effect + noise return max(0, distance) df['weekly_distance'] = df.apply(calculate_distance, axis=1) print(df.head()) df.to_csv('synthetic_car_data.csv', index=False) وبخصوص: الخوارزمية لا بأس بها كنقطة بداية، لكونها سهلة الفهم والتنفيذ، والتدريب من خلال لا يتطلب موارد كبيرة، وبسهولة تستطيع معرفة كيف تؤثر كل ميزة مثل العمر على التنبؤ. بالتالي سرعة في التأكد من أن كل شيء يعمل من تدفق البيانات إلى التكامل قبل الانتقال إلى نماذج معقدة أكثر. وبالطبع على المدى الطويل ستحتاج إلى خوارزميات أفضل، فسلوك القيادة في الواقع أكثر تعقيدًا من علاقة خطية بسيطة، لوجود تفاعلات بين الميزات وعلاقات غير خطية. فتأثير العمر ربما لا يكون خطيًا، فقد يقود الشباب وكبار السن لمسافات أقل من الأشخاص في منتصف العمر، ومندوب المبيعات في عطلة نهاية الأسبوع ربما يقود مسافة مختلفة تمامًا عن مندوب المبيعات خلال أيام العمل. لذا ستحتاج إلى LightGBM أو XGBoost أو Random Forest، وذلك عند توفر بيانات عدة آلاف من المستخدمين على مدى بضعة أشهر، ثم قارن النتائج. لكن لو التنبؤ يعتمد بشكل كبير على تسلسل المسافات السابقة، أي التنبؤ بمسافة الأسبوع الحالي بناءًا على آخر 10 أسابيع، فستحتاج إلى LSTM. من خلال TensorFlow Lite، وهناك طريقتين الأولى لو استخدمت scikit-learn، ستحتاج إلى أداة لتحويله إلى صيغة متوافقة مثل ONNX ثم إلى TFLite أو إعادة تدريب النموذج باستخدام TensorFlow أو Keras وهو الأسهل. ثم أنشئ مجلد assets في مجلد app/src/main/ في مشروع أندرويد ستوديو، وانسخ ملف model.tflite إلى المجلد، وفي ملف build.gradle (Module: app)، أضف مكتبة TensorFlow Lite. وستحتاج إلى تحميل النموذج من مجلد assets واستخدام Interpreter لتشغيله، من خلال كتابة كود Java أو Kotlin