عبدالباسط ابراهيم

يمكنك تعريف ال Convolution Layer بشكل أبسط كالتالي: هي الطبقة المسؤولة عن استخراج الميزات من الصورة المدخلة، مثل الحواف، الألوان، أو الأشكال. تستخدم مرشحات (filters) تمر على الصورة لتوليد خرائط ميزات (feature maps) تُظهر المناطق التي تحتوي على أنماط معينة. وبالنسبة لPooling Layer فهي تُستخدم لتقليل الأبعاد المكانية لخرائط الميزات، مما يقلل من كمية الحسابات ويجعل الشبكة أكثر كفاءة. مثال على ذلك التجميع الأقصى (max pooling) الذي يأخذ القيمة الأكبر من كل منطقة في خريطة الميزات. وأخيراً ال Fully Connected Layer تأتي عادةً في نهاية الشبكة وتُستخدم لتصنيف الميزات التي تم استخراجها. و تسمح بدمج المعلومات لاتخاذ قرار نهائي، مثل تحديد ما إذا كانت الصورة تحتوي على قطة أو كلب.

وعليكم السلام ورحمة الله وبركاته. بالنسبة لتقسيط الدورات غير متاح هذا الخيار بالنسبة للأكاديمية حيث يتم دفع مبلغ الدورة كاملاً. أما بالنسبة لخصم لدورة من الدورات فيمكنك التحدث مع مركز المساعدة من خلال الرابط التالي https://support.academy.hsoub.com/conversations وغالباً ما يكون هناك عروض على الدورات في مناسبات معينة مثل الأعياد وبداية السنة وما إلى ذلك.

وعليكم السلام ورحمة الله وبركاته. بالتأكيد يجب أن تحول ملفات الصور إلى أرقام (مصفوفات رقمية) قبل تدريب شبكات CNN. فالشبكات العصبية التوافقية (CNNs) لا تستطيع التعامل مباشرة مع ملفات الصور كما هي، بل تحتاج إلى تمثيل رقمي للصور. ولكن لا تقوم بذلك يدوياً إنما عملية التحويل تتم عادة باستخدام مكتبات مثل TensorFlow أو PyTorch حيث توفر وظائف لتحميل ومعالجة الصور بشكل تلقائي، لكن التحويل من الصورة إلى تمثيل رقمي يحدث بالفعل.

تم توضيح الطرق المختلفة للإشتراك بالدورات الموجودة بأكاديمية حسوب بشكل مفصل في التعليقات السابقة ولكن هناك بعض الدول التي تجد صعوبة بها للدفع بعملة الدولار , ومصر من ضمن هذه الدول ولذلك ستجد صعوبة في استخدام البطاقات للدفع حيث تعتبر هناك بعض البطاقات التي تتيح ذلك فقط ويمكنك التعرف على المزيد من هذه الأمور المالية من خلال التحدث مع مركز المساعدة بواسطة الرابط التالي https://support.academy.hsoub.com/conversations

وعليكم السلام ورحمة الله وبركاته, DeepLearning.AI هي منظمة متخصصة في تقديم دورات ومحتوى تعليمي عالي الجودة في مجالات الذكاء الاصطناعي والتعلم العميق وعلوم البيانات . حيث تقدم DeepLearning.AI دورات تعليمية في التعلم العميق وتقنيات الذكاء الاصطناعي على منصات مثل Coursera برامج شهادات احترافية مثل "Deep Learning Specialization"

وعليكم السلام ورحمة الله وبركاته. لكل إختيار مميزاته فمثلاً ربما يكون لديك الشغف وتفضل العمل في كلا المجالين ولذلك يمكنك تعلم المجالين معاً بدون أي مشكلة كما سيكون لديك منظور أوسع في الذكاء الاصطناعي و يمكنك العمل على مشاريع تجمع بين المجالين وبالتالي ستكون أكثر مرونة في سوق العمل. بينما إذا أردت التخصص في مجال واحد ستتمكن من التعمق بشكل أكبر وبناء خبرة متخصصة وبالتأكيد ستصبح خبيراً في هذا المجال بوقت أقصر مما إذا كنت تريد تعلم المجالين معاً وستركز جهودك ومواردك بشكل أكثر فعالية ولذلك الإختيار يعتمد على اهتماماتك الشخصية فرص العمل المتاحة في منطقتك أو مجال عملك والعديد من المتغيرات الأخرى التي تعتمد عليك

وعليكم السلام ورحمة الله وبركاته. يمكنك تعلم المكتبة من خلال قراءة التوثيق الرسمي للمكتبة، فهو المصدر الأكثر موثوقية للمعلومات ولكن يعتمد ذلك على حجم المكتبة فهناك بعض المكتبات لا تحتاج للإطلاع على بعض الفيديوهات لها أو دورة تعليمية والبعض الآخر يفضل لوتقوم بالإطلاع على دورة تعليمية مثلاً مكتبة react ومن خلال الإطلاع على أمثلة بسيطة للتعرف على المفاهيم الأساسية للمكتبة وبعدها يمكنك إنشاء مشروع صغير لتطبيق ما تعلمته ولا تنسى البحث عن مصادر لتعلم هذه المكتبات من خلال موارد تعليمية مثل الدورات على YouTube مدونات ومقالات تعليمية

السلام عليكم ورحمه الله وبركاته . كما بالتعليق السابق فإن الدورات في الأكاديمية مرتبة بشكل ممنهج ومتدرج ولذلك ستجد العديد من المسارات التي تعتمد على ما تعلمته في المسارات التي تسبقها ولذلك الأفضل هو إتباع الترتيب الموجود. ولكن يمكنك على أية حال إذا كنت تريد الذهاب مباشرة للمسار تعلم الآلة Machine Learning فيفضل تعلم المسارات التالية قبل ذلك التعامل مع البيانات تحليل البيانات Data Analysis ولو أن المسار " تطبيقات عملية على النماذج النصية الكبيرة LLMs "و " تطبيقات عملية على النماذج النصية الكبيرة LLMs " تقدم لك مدخل جيد للمسارات التالية

وعليكم السلام ورحمة الله وبركاته. لتحديد نطاق معين من الأعمدة باستخدام loc ، يمكنك استخدام الصيغة التالية: dataframe.loc[:, 'x_1':'x_10'] وإذا كانت الأعمدة غير موجودة بالترتيب الصحيح أو تحتوي على فجوات، فإن loc ستأخذ فقط الأعمدة الموجودة ضمن هذا النطاق.

وعليكم السلام ورحمة الله وبركاته. في البداية يجب عليك ألا تنظر إلى المشكلات التي تواجهك كعائق يمنعك من التقدم، اعتبرها جزءًا أساسيًا من التعلم. حل المشاكل هو ما يجعلك مبرمجًا جيدًا. كل مشكلة تحلها هي خطوة للأمام، حتى لو استغرقت وقتًا. وثانياً طريقتك في تخصيص 30 دقيقة لحل المشكلة رائعة! هذا يمنعك من الوقوع في دوامة التفكير اللا نهائي. إذا لم تجد الحل خلال الوقت المحدد، ابحث عن إجابة وحل لمشكلتك ولاحظ أن البحث عن سبب المشكلة وحلها مهارة لا تقل أهمية عن محاولة حلك للمشكلة بنفسك. ومع الوقت ستجد أنك تستطيع الوصول لحل المشكلات الت وتواجهك بشكل أسرع مع البحث بشكل فعال وهذ هي المهارة الأساسية للمبرمج.

وعليكم السلام ورحمة الله وبركاته. صحيح أن Next.js يوفر خادماً مدمجاً، لكن هناك عدة أسباب تدفع المطورين لاستخدام Express.js معه فمثلاً Express يقدم نظام وسائط (middleware) قوي ومرن يسمح بمعالجة أكثر تعقيداً للطلبات. يمكن تكوين مسارات معقدة بطرق لا يدعمها Next.js بشكل مباشر. وبالطبع سهولة دمج خدمات مثل قواعد البيانات ومكتبات المصادقة والخدمات الخارجية. والعديد من الخيارات التي تتيح تحكم أفضل من خادمnextjs ولكن بالنسبة للمشاريع الصغيرة إلى المتوسطة يمكنك استخدم Next.js فقط . في النهاية، الخيار يعتمد على متطلبات مشروعك المحددة، وليس هناك حل واحد يناسب الجميع.

وعليكم السلام ورحمة الله وبركاته. الفرق الرئيسي بين sns.histplot و plt.hist ينقسم كالتالي أولاً sns.histplot (من مكتبة Seaborn) يتعامل مع القيم اللانهائية بشكل أفضل وأكثر مرونة يتجاهل القيم inf و -inf تلقائيًا عند رسم المخطط لا يسبب خطأ عند وجود هذه القيم في البيانات بينما plt.hist (من مكتبة Matplotlib) يحاول تضمين القيم اللانهائية في المخطط قد يؤدي إلى أخطاء أو مخططات غير مفيدة عند وجود قيم inf أو -inf ولذلك عند التعامل مع بيانات تحتوي على قيم لانهائية، يُفضل استخدام sns.histplot أو معالجة البيانات مسبقًا لإزالة هذه القيم قبل استخدام plt.hist.

وعليكم السلام ورحمة الله وبركاته, ويعد تنفيذ قوائم الأولوية في بايثون عملية بسيطة بفضل مكتبة heapq التي توفر أدوات فعالة وسهلة الاستخدام كم اتم التوضيح في التعليقات السابقة . و يمكن أيضاً بناء قائمة أولوية باستخدام قائمة مرتبة أو شجرة ثنائية، لكن هذا الخيار أكثر تعقيدًا وأقل كفاءة من استخدام heapq. يتميز تنفيذ هياكل البيانات في بايثون بالسهولة مقارنةً بلغات أخرى مثل C أو C++ أو Java، وذلك بسبب أن بايثون تتمتع بصياغة بسيطة وواضحة، مما يُسهل كتابة الخوارزميات وفهمها دون التورط في تعقيدات غير ضرورية. وتتولى بايثون إدارة الذاكرة تلقائيًا مما يُعفي المبرمج من التعامل مع تخصيص الذاكرة وتحريرها يدويًا، كما هو مطلوب في لغات مثل C++. وذلك بجانب توفر مكتبات جاهزة مثل heapq وcollections وqueue، تتيح تنفيذ هياكل البيانات بسرعة دون الحاجة إلى بنائها من الصفر. والعديد من المميزات الأخرى التي تتمتع بها بايثون من غالبية اللغات عالية المستوى

وعليكم السلام ورحمة لله وبركاته. هنا فرق كبير بين Face Recognition وFace Verification فيكمن في الغرض والطريقة التي يتم بها استخدام تقنيات التعرف على الوجه. فمثلاً Face Verification هي عملية تُستخدم للتحقق من هوية شخص ما بناءً على صورة وجهه وتعتمد على مقارنة صورة الوجه المُقدمة مع صورة واحدة مُخزنة مسبقًا في قاعدة بيانات. وتقوم بمقارنة صورة واحدة بصورة واحدة أخرى فقط .مثال: عندما تستخدم وجهك لفتح هاتفك، يقارن النظام الصورة التي تلتقطها الكاميرا مع الصورة المُسجلة لك مسبقًا. بينما Face Recognition هي عملية تُستخدم لتحديد هوية شخص ما من خلال صورة وجهه. تعتمد على مقارنة صورة الوجه المُقدمة مع مجموعة من الصور المُخزنة لأشخاص مختلفين في قاعدة بيانات. ولذلك تقوم بمقارنة صورة واحدة بعدد كبير من الصور. وتُستخدم في تطبيقات مثل تحديد هوية المسافرين في المطارات أو العثور على أشخاص في الصور الأمنية.

غير متاح حالياً التقسيط للإشتراك في الدورات ولكن يمكنك بالطبع الاستفسار من خلا مركز المساعدة حيث تُدار الأمور المالية من خلالهم كما تم التوضيح في التعليق السابق . ولكن يمكنك الاستفسار أيضاً إن كان هناك خصم على الدورات الموجودة من ضمن العروض التي يتم طرحها من وقت لآخر

وعليكم السلام ورحمة الله وبركاته. الدالة someCode() ليست دالة موجودة بشكل افتراضي في جافاسكريبت. يبدو أنها دالة خاصة ربما تم تعريفها في مكان آخر من الكتاب الذي تقتبس منه، أو ربما كان من المفترض أن تقوم بتعريفها بنفسك. ولذلك في الصورة التي أرفقتها يوجد خطأ وهو أن الدالة someCode() غير معرّفة .

وعليكم السلام ورحمة الله وبركاته. إليك أيضاً بعض الفروقات الأخرى كالتالي أولاً Command Prompt (cmd.exe) يعتمد على البرمجة الإجرائية، حيث يتم تنفيذ الأوامر بشكل تسلسلي وبسيط. يتعامل فقط مع النصوص ولا يدعم البيانات المنظمة مثل XML أو JSON. قدراته محدودة مقارنة بـ PowerShell، وهو مناسب للمستخدمين الذين يحتاجون إلى أوامر سريعة وأساسية. بينما Windows PowerShell يدعم البرمجة الكائنية، مما يعني أنه يمكنه التعامل مع الكائنات والبيانات المنظمة مثل XML وJSON. يتيح وصولاً أعمق إلى مكونات النظام (مثل السجل "Registry" والخدمات) وإدارة المهام المعقدة، بما في ذلك الأنظمة البعيدة. يستخدم cmdlets (أوامر PowerShell خاصة) التي توفر إمكانيات واسعة مثل إدارة العمليات، الشبكات، والتكوينات.

وعليكم السلام ورحمة الله وبركاته. في Python، الـ List هي مصفوفة ديناميكية (dynamic array) وليست ثابتة. فيمكن تغيير حجمها بعد إنشائها و إضافة عناصر جديدة أو حذف عناصر موجودة ولذلك قوائم Python مرنة جدًا وتتسع تلقائيًا لاستيعاب البيانات الجديدة دون الحاجة لتحديد حجم ثابت مسبقًا.

وعليكم السلام ورحمة الله وبركاته. نعم، كلا المفهومين جزء أساسي من تقنيات التعلم الآلي الحديثة. فأولاً بالنسبة ل التعلم متعدد المهام (Multi-task Learning) فيتم تدريب نموذج واحد على عدة مهام في نفس الوقت. الهدف هو أن يستفيد النموذج من المعلومات المشتركة بين هذه المهام، مما يؤدي إلى تحسين الأداء على كل مهمة بالمقارنة مع تدريب نماذج منفصلة لكل مهمة. مثال على ذلك عند تصنيف الصور مع التعرف على الكائنات (حيث يُمكن للنموذج أن يتعلم كلاً من تصنيف الصورة واكتشاف مواقع الكائنات في وقت واحد). وتطبيقات معالجة اللغة الطبيعية التي تتضمن مهام مثل الترجمة والتلخيص والتحليل العاطفي في آنٍ واحد. ثانياً بالنسبة للتعلم التحويلي (Transfer Learning) يتم فيه نقل المعرفة المكتسبة من مهمة أو مجال (عادةً مع مجموعة بيانات ضخمة) إلى مهمة أو مجال آخر قد يكون لديه بيانات أقل. الهدف هو الاستفادة من النماذج المدربة مسبقًا لتقليل الحاجة للتدريب من الصفر، وبالتالي تحسين الأداء وتسريع عملية التعلم للمهمة الجديدة. باختصار، الفرق الرئيسي يكمن في أن Multi-task Learning يركز على تدريب نموذج واحد لحل عدة مهام معاً، بينما Transfer Learning يعتمد على نقل المعرفة من مهمة أو مجال إلى آخر لتحقيق أداء أفضل أو تقليل زمن التدريب.

نعم، المكتبة ScientificPython تعتبر قديمة نسبياً ولم تعد تستخدم بشكل شائع في الوقت الحالي. هذه المكتبة كانت متوفرة للاستخدام قديماً، لكن تم استبدالها بمكتبات أكثر حداثة وفعالية مثل: NumPy: للعمليات الرياضية والمصفوفات SciPy: للحسابات العلمية المتقدمة هذه المكتبات الحديثة تقدم وظائف أفضل، وتحظى بدعم مجتمعي أكبر، فمن الأفضل استخدام هذه المكتبات الحديثة بدلاً من ScientificPython.

وعليكم السلام ورحمة الله، كما تم التوضيح فإن علم الأحياء الحاسوبي (Computational Biology هو مجال يجمع بين علوم الكمبيوتر والرياضيات والإحصاء وعلم الأحياء لفهم وتحليل البيانات البيولوجية المعقدة. يهدف هذا المجال إلى استخدام النماذج الحاسوبية والخوارزميات لحل المشكلات البيولوجية. وتطبيقات هذا المجال واسعة وتشمل اكتشاف الأدوية، الطب الشخصي، فهم الأمراض الوراثية، والتعديل الجيني. يختلف علم الأحياء الحاسوبي قليلاً عن المعلوماتية الحيوية (Bioinformatics)، حيث يركز علم الأحياء الحاسوبي أكثر على بناء النماذج والمحاكاة، بينما تركز المعلوماتية الحيوية على تطوير الأدوات وقواعد البيانات لتحليل البيانات البيولوجية، ولكن غالباً ما يتداخل المجالان.

وعليكم السلام ورحمة الله وبركاته، أفهم تمامًا مشاعرك وضغط التوقعات والقلق الذي تعاني منه في فترة الامتحانات، وهذه المرحلة مر بها الجميع والأغلبية الكبيرة لم يحصل على المجموع الكبير الذي يؤهله لكليات عالية كما نسميها كليات القمة . ولكن حتى وإن حصلت على نتيجة لا تؤهلك لهذه الكليات ، فهذا لا يعني أن باب النجاح مغلق. كثير من الناس أثبتوا أن التفوق لا يعتمد فقط على النتائج الأكاديمية، بل على الجهد المستمر والتطوير وهذه تجارب حقيقية لا تحصى. ولذلك حاول دائماً التركيز على بذل أقصى مجهود لديك دون القلق من النتيجة ووفقك الله وسدد خطاك نحو مستقبل أفضل.

هل إذا قمت بالضغط على ok لا يتم الحذف أيضاً؟ إذا عند الضغط على uninstall في البداية ستجد الإختيار repair قم بالضغط عليه أولاً وبعد الإنتهاء منه يمكنك تجربة الحذف مرة أخرى. وإذا كنت تريد حذف البرنامج Microsoft SQL Server فتحتاج لحذف البرنامج Microsoft SQL Server وليس ال MS SQL server 2022 setup بمعنى أنه تحتاج للبحث عن البرنامج بنفس الاسم بدون setup في النهاية

الأفضل هو البدء بمعرفة عامة عن ال design patterns بعد تعلمك مبادئ البرمجة الكائنية (OOP) أي أن تكون على دراية بما هي الأنماط الشائعة ومفهومها دون السعي لتطبيقها فوراً. ركز في البداية على فهم بناء الكلاسات وتنظيم البرنامج، ثم عندما تبدأ بمشاريع أكبر أو تواجه مشكلة معينة تعرف أن أحد الأنماط قد يحلها، يمكنك البدء بتطبيقها بنشاط. وبما أنك تدرس دورة الذكاء الاصطناعي، فإن تركيزك الأساسي حالياً يجب أن يكون على المفاهيم الأساسية والخوارزميات المتعلقة بالذكاء الاصطناعي. مع مرور الوقت وتزايد تعقيد مشاريعك، ستلاحظ الحاجة لاستخدام design patterns لتحسين بنية الكود وتنظيمه، وهو الوقت المناسب للانتقال من المعرفة النظرية إلى التطبيق العملي.

مفهوم ال Bias و ال Variance لا يحدثان فقط في نماذج التصنيف، بل هما مفهومان أساسيان في نظرية التعلم الآلي وينطبقان على كل أنواع النماذج الإحصائية والتعلم الآلي، بما في ذلك: نماذج الانحدار نماذج التصنيف نماذج التجميع وما إلى ذلك ال Bias يشير إلى مدى انحراف تنبؤات النموذج عن القيم الحقيقية. النموذج ذو ال Bias العالي يكون مبسطًا جدًا ولا يستطيع التقاط العلاقات المعقدة في البيانات (Underfitting). أما بالنسبة للتباين أو ال Variance يقيس مدى تغير التنبؤات عند استخدام بيانات تدريب مختلفة. النموذج ذو التباين العالي يتأثر بشدة بالتغيرات الصغيرة في بيانات التدريب ويميل إلى حفظ البيانات بدلاً من تعلم الأنماط العامة (Overfitting). هذه المفاهيم مهمة في جميع مجالات التعلم الآلي والإحصاء، سواء كنا نعمل على مشاكل التصنيف أو غيرها من المشاكل.