لوحة المتصدرين

السلام عليكم ورحمة الله وبركاته صباح الخير عند كتابة الأمر wsl --install يظهر الشكل [ % 0.0 ] ولايتحرك التحميل؟

السلام عليكم ده الكود # Remember to inherit from the correct class class EarlyStoppingCallback(tf.keras.callbacks.Callback): # Define the correct function signature for on_epoch_end method def on_epoch_end(self,epoch,logs=None): # Check if the accuracy is greater or equal to 0.98 if logs['accuracy'] >= 0.98: # Stop training once the above condition is met self.model.stop_training = True print("\nReached 98% accuracy so cancelling training!")

كيف اسمح للAPI فقط للحصول على المعلومات او ارسال المعلومات, و منع المستخدم من الدخول بالمتصفح فقط يستطيع ارسال او استقبال البيانات من API الخاص بالموقع؟

"مرحباً فريق أكاديمة حسوب، أنا بدرس حالياً دورة تطوير التطبيقات باستخدام لغة Python. أنا أبغى أضغط على نفسي وأخلص الأربع مسارات الأولى بسرعة قياسية عشان أقدم على الشهادة والعمل. أنا عندي خلفية كويسة جداً: عندي شهادة علوم حاسوب وخبرة سابقة في أسياسيات بايثون بس من فترة طويلة جدا. السؤال هو: أنا ناوي أدرس وأطبق بشكل مكثف بمعدل 40 ساعة في الأسبوع. كم أسبوع بالضبط تتوقعون أحتاج عشان أخلص الأربع مسارات الأساسية (أسيات بايثون الى تطوير متجر إلكتروني بإطار عمل جانغو) وأكون جاهز للشهادة، أنا أسأل عن مدة محددة عشان أطبق قانون (Parkinson's Law) وألتزم بوقت معين وما أطول أكثر من اللازم. شكراً جزيلاً!"

السلام عليكم ورحمة الله وبركاته صباح الخير شكرا جزيلا كثيرا لكم... فتح wsl هل توجد واجهة رسومية للتعامل معه ام انه مثل cmd ؟

السلام عليكم ورحمة الله قمت ببناء تطبيق طبيبي من مسار JS باستخدام TRAE AI اريد مراجعتكم بارك الله فيكم الرابط : طبيبي

وعليكم السلام ورحمة الله وبركاته. جيد الكود نظيف ومنظم بشكل جيد وأيضا هيكل الملفات والمجلدات جيد ومناسب . أنصحك بإنشاء أولا المشروع بنفسك إذا لم تقم بإنشاءه وبعد ذلك يمكنك مقارنة المشروع الذي تم إنشاءه من قبل الذكاء الإصطناعي وهذا الأمر سيعلمك كثيرا وسيعطيك خبرة جيدة وستعرف أى جزء من الأكواد لديك به مشكلة أو تم تحسينه في نسخة ال AI .

لا يمكنك منع المتصفح 100% وجعل الوصول حصريًا لل API فقط وهذا بسبب أن: أي متصفح يستطيع إرسال Requests مثل أي API Client. Postman و fetch و axios و curl هي كلها HTTP Requests في النهاية يتم إرسالها . ولكنك تستطيع التحكم بمن يُسمح له باستخدام ال API وتمنع الاستخدام العشوائي أو غير المصرح به. ويمكنك إستخدام المصادقة لفعل هذا الأمر فيجب أن يتم إرسال token وتقوم بالتحقق به وإم بالسماح أو رفض الطلب . وأشهر الطرق هي : JWT Token. OAuth2. API Key. أو يمكنك إستخدام ال cors وهو السماح فقط بالطلبات من مواقع معينة . فمثلا لو تم إرسال الطلب من موقع x مثلا وأنت لم تسمح بالموقع x بهذا الأمر لن يتم إستقبال الطلب وسيتم إعادة خطأ cors .

هل التاريخ دا معناه شراء الدورات تاريخ 23 في شهر 5 عام 2025 لأني نسيت

نعم، يوجد حلول حقيقية وعملية تستطيع استخدامها عندما تكون بياناتك حساسة وكبيرة ولا يمكنك إرسالها إلى نماذج سحابية مثل GPT أو Gemini، وفي نفس الوقت النماذج المحلية ضعيفة. هذه بالضبط مشكلة شائعة في الشركات التي تعمل على GraphRAG. إليك أفضل الخيارات الآمنة والعملية بدون تعقيد: 1) استخدام LLM سحابي لكن بدون إرسال البيانات (Zero-Data / On-Device Processing) بعض الشركات بدأت توفر وضع اسمه: Zero-data mode أو Data Minimization الفكرة: ترسل دائماً ملخصات صغيرة جداً آمنة وليس البيانات الأصلية. وهذا يناسب GRAPHRAG تماماً، لأنك تستطيع: معالجة بياناتك محلياً بناء الكيانات والعلاقات بالـ locally إرسال فقط “تمثيل مجرد” للكيانات (بدون نص خام) مثال: بدلاً من إرسال تقرير حساس، ترسل فقط: اسم كيان: "Client A" علاقة: "Increased sales by 30%" بدون أي تفاصيل سرية. 2) استخدام نماذج صغيرة محلياً لكن تحسينها باستخدام تقنيات خاصة الحقائق الآن: النماذج الصغيرة (مثل Mistral 7B، Llama 8B، Qwen 7B) عندما تعمل بدون تحسين تكون فعلاً ضعيفة. لكن هناك تحسينات ترفع الجودة بشكل كبير جداً بدون تدريب مكلف: 1) RAG + GraphRAG يعوض ضعف النموذج المحلي بنسبة كبيرة. 2) Fine-Tuning خفيف (LoRA) يكلفك: ذاكرة 8GB تدريب لمدة ساعة ويعطي دقة أعلى بكثير. 3) استخدام quantization مثل GGUF أو GPTQ لتشغيل نماذج 8B على جهاز متوسط بدون فقد كبير في الجودة. 3) استخدام نماذج متخصصة بدلاً من "LLM عام" غالباً المشكلة ليست في الحجم، بل في اختيار نموذج غير مناسب. أمثلة قوية: DeepSeek-R1 Distill 14B Qwen2.5 14B Mixtral 8x7B Llama 3.1 8B Instruct Phi-3 Medium (جيد جداً على المعلومات المنظمة) هذه النماذج حجمها متوسط وأداؤها ممتاز إذا تم دمجها مع RAG/GraphRAG. 4) معالجة البيانات الضخمة محلياً ثم استخدام LLM فقط للبنية إذا بياناتك كبيرة جداً، لا ترسلها للنموذج. بدلاً من ذلك: Local Preprocessing استخراج الكيانات والعلاقات محلياً بناء Graph دمج النصوص وفهرستها Remote Small Tasks إرسال: سؤال أسماء كيانات توصيفات صغيرة وليس البيانات الأصلية. هذا يجعل النظام آمناً 100%. 5) استخدام LLM داخل بيئة سحابية خاصة (Private Cloud) ليس بالضرورة أن تستخدم خدمات عامة مثل GPT. يمكنك استخدام: Azure OpenAI Private Network Google Vertex AI Private Service AWS Bedrock PrivateLink هذه تضمن: البيانات لا تخرج من شبكتك لا تُستخدم لتدريب النماذج تشغل فقط inference مناسبة جداً للبيانات الحساسة. 6) بالنسبة لـ GraphRAG بالتحديد هو لا يحتاج LLM قوي جداً في كل خطوة. يوجد 3 مراحل: استخراج الكيانات والعلاقات بناء المجتمعات تلخيص hierarchies الاستعلام النهائي يمكنك تقسيم العمل كالآتي: 1 و2 محلياً بالكامل (بدون نموذج قوي) 3 بنموذج متوسط محلي 4 بنموذج سحابي بدون إرسال بيانات حساسة (فقط السياق المختصر) وبذلك تحل المشكلة تماماً. لذا الخلاصه نعم، يمكنك العمل على بياناتك الحساسة بدون إرسالها إلى نماذج سحابية، وما زال بإمكانك الحصول على دقة ممتازة عبر: GraphRAG Local preprocessing تحسين النماذج الصغيرة Zero-data usage Private cloud inference LoRA fine-tuning Quantization إذا تريد، أقدم لك: خطة كاملة لبناء GraphRAG آمن 100% اختيار أفضل نموذج محلي لك تصميم بنية نظام تجمع بين الأمن والقوة كود جاهز للربط بقاعدة بياناتك أخبرني فقط نوع بياناتك (نصوص؟ جداول؟ تقارير؟).

وعليكم السلام ورحمة الله وبركاته. الإجابة المختصرة هي لا، فعالم البيانات لا يحتاج للتعمق الكبير في Data Structures & Algorithms لكن يحتاج فهم أساسي جيد. فعالم البيانات يقضي معظم وقته في فهم البيانات، تنظيفها، استكشافها، بناء نماذج التعلم الآلي، وتفسير النتائج للمدراء وصناع القرار. هذه المهام تتطلب مهارات مختلفة عن بناء أنظمة برمجية معقدة. وفي معظم الحالات، المكتبات الجاهزة مثل Pandas وNumPy وScikit-learn قد حلت هذه المشاكل بكفاءة عالية. وظيفتك أن تعرف كيف تستخدمها بذكاء، لا أن تعيد اختراع العجلة.

لا يحتاج عالم البيانات إلى التعمّق في هياكل البيانات والخوارزميات بنفس الدرجة المطلوبة من مهندس البرمجيات، لكن امتلاك فهم راسخ للأساسيات ليس مجرد رفاهية، بل شرط للقدرة على التعامل مع البيانات بكفاءة واتخاذ قرارات صحيحة أثناء بناء النماذج. على الرغم من أنك ستعتمد غالبًا على مكتبات قوية ومُحسّنة مسبقًا مثل: NumPy، Pandas، Scikit-Learn، PyTorch، TensorFlow إلا أن هذه المكتبات مبنية أصلًا على مبادئ خوارزمية واضحة، ومعرفتك لها تمنحك ثلاث فوائد أساسية: 1. كتابة كود performant و scalable قد ينجح الكود المُستخدم على عيّنة صغيرة، لكنه يفشل أو يصبح بطيئًا عند التعامل مع ملايين الصفوف. هنا يظهر دور فهمك لهياكل البيانات: استخدام Set بدلًا من List للبحث يقلل الوقت من O(n) إلى O(1). دمج العمليات بدلاً من الحلقات المتداخلة يمنع الأداء من الانهيار من O(n²) إلى O(n). معرفة كيفية التعامل مع المصفوفات الكبيرة يحميك من أخطاء الذاكرة. هذه التفاصيل هي ما يفصل بين “كود يعمل” و“كود احترافي يمكن استخدامه في الإنتاج”. 2. فهم كيفية عمل نماذج Machine Learning نفسها الكثير من نماذج الذكاء الاصطناعي مبنية مباشرة على هياكل بيانات معروفة: Decision Trees و Random Forests و XGBoost تعتمد على أشجار القرار وتجزيء البيانات. Neural Networks تعتمد على المصفوفات والعمليات الخطية (Matrices & Tensors). خوارزميات الـ NLP غالبًا تستخدم الرسوم البيانية (Graphs) والتدرج في المعاني Embeddings. Clustering يستخدم خوارزميات تعتمد على حسابات المسافات بكفاءة عالية. فهم هذه الأسس يجعل نتائجك أو تفسيرك للنماذج أفضل بكثير. 3. النجاح في مقابلات العمل كثير من الشركات—خصوصًا التقنية—لا توظّف عالم بيانات لا يمكنه كتابة كود نظيف وحل مسائل برمجية. لن يطلب منك أحد تنفيذ AVL Tree من الصفر، ولكن: قد تُسأل عن الفرق بين O(n log n) و O(n²) في خوارزميات الفرز. أو كيفية تحسين زمن تنفيذ كود يعالج ملفًا حجمه 5GB. أو كيفية إعادة كتابة عملية Feature Engineering بطريقة أكثر كفاءة. هذا يضمن أنك تستطيع التفكير منطقيًا، وهي مهارة يُبنى عليها أي دور في البيانات. ما المستوى المطلوب تحديدًا؟ لست بحاجة للتعمّق الأكاديمي، لكنك تحتاج ما يلي: هياكل البيانات الأساسية: Arrays / Lists Sets Dictionaries / Hash Maps Tuples فهم كيفية عمل الأشجار Tree Structures نظريًا (خاصة لشرح عمل Decision Trees) الخوارزميات الأساسية: Searching & Sorting Recursion Greedy & Dynamic Programming (مستوى بسيط–متوسط) Big-O Notation وتحليل الزمن والمساحة Vectorization وفهم الفرق بين العمليات المتجهة والحلقية (مهم جدًا في NumPy) لذلك فالمعرفة المتوسطة العميقة خيرٌ من الجهل التام أو التعمّق الذي لا تحتاجه. ومن يملك فهمًا جيدًا لهياكل البيانات والخوارزميات يكون طريقه في علوم البيانات أوضح وأسرع.

ليس بنفس العمق الذي يحتاجه مهندس البرمجيات ولكن الفهم الجيد للأساسيات ضروري بالطبع، ففي الواقع العملي ستتعتمد بشكل كبير على مكتبات جاهزة ومحسنة مثل Pandas وScikit-Learn. أي لن تقوم بكتابة Binary Search Tree من الصفر، ولن تقوم ببرمجة خوارزمية Sorting بنفسك، فتلك المكتبات مكتوبة بلغات مثل C++ وتم تحسينها لأقصى درجة، ومهمتك هي استخدامها وليس إعادة اختراعها. لكن الجهل التام بأساسيات هياكل البيانات والخوارزميات سيجعلك تكتب أكواد بطيئة وغير قابلة للتوسع، بمعنى عند التعامل مع ملايين الصفوف، فالفرق بين استخدام List و Set للبحث عن قيمة قد يعني الفرق بين كود ينتهي في ثانية وكود ينتهي في ساعة. لذا يجب أن تفهم الفرق بين O(n)O(n) و O(n2)O(n2) لتتجنب كتابة حلقات تكرارية تدمر أداء النموذج. كذلك خوارزميات الـ Machine Learning نفسها تعتمد على هياكل بيانات، ومنها: Decision Trees و Random Forests تعتمد كليًا على مفهوم الأشجار. Neural Networks تعتمد على المصفوفات Matrices والعمليات الخطية. NLP يعتمد بعضها على Graphs. وفي مقابلات العمل سيُطلب منك حل مسائل برمجية كالتي على منصة LeetCode كجزء من المقابلة للتأكد من قدرتك على كتابة كود نظيف ومنطقي. لذا في هياكل البيانات قم بدراسة: Arrays و Lists. Hash Maps وDictionaries. Sets. Tuples. Trees فهم نظري لكيفية عملها لأنها أساس أغلب نماذج الـ ML. وبالنسبة للخوارزميات ادرس أساسيات التالي: Sorting و Searching. Recursion. Dynamic Programming. Big O Notation.