عبد الوهاب بومعراف

أكيد إضافة Dropout و Batch Normalization لكل طبقة في الشبكة العصبية قد يؤثر سلبا على أداء النموذج، حيث يلعب كل منهما دور مختلف في تحسين التدريب، فمثلا Dropout يساعد في تقليل overfitting عن طريق تعطيل بعض الوحدات العصبية عشوائيا، ولكن تطبيقه على كل طبقة قد يؤدي إلى فقدان كبير للمعلومات وإبطاء عملية التعلم، و في المقابل Batch Normalization يعمل على استقرار التوزيع وتسهيل التدريب، ولكنه قد يتعارض مع Dropout، حيث إن الأول يحاول تثبيت التوزيع بينما الثاني يضيف عشوائية، لذا يفضل استخدام Batch Normalization في الطبقات العميقة لتحسين استقرار النموذج، بينما يستخدم Dropout بحذر في الطبقات المخفية فقط، مع تجنب وضعه مباشرة بعد Batch Normalization، و الجمع بينهما بشكل غير مدروس قد يؤدي إلى بطء التدريب وضعف الأداء، لذا من الأفضل تجربة تكوينات مختلفة لمعرفة التوازن الأمثل الذي يناسب البيانات والنموذج.

لا يوجد مسار أو دورة تغطي كل شيء بشكل كامل، و بالتأكيد من الطبيعي أن تحتاج إلى التعمق بنفسك من مصادر خارجية، وهذا جزء أساسي من التعلم الفعال، أنصحك بالبحث في الكتب والمقالات العلمية، وحل المشاريع العملية، و حتى قراءة الأوراق البحثية في المجال، كما يمكنك الانضمام إلى مجتمعات المهتمين بالرؤية الحاسوبية على GitHub وReddit، حيث ستجد مناقشات قيمة وأحدث التطورات، و الأهم هو أن تحدد الجوانب التي تشعر أنها غير واضحة وتبحث عنها بشكل موجه خصوصا عبر المصادر المفتوحة.

تعتمد ResNet على الروابط المتبقية التي تسمح للبيانات بتجاوز بعض الطبقات، مما يساعد في حل مشكلة تراجع التدرج عند تدريب الشبكات العميقة، و بدلا من تعلم إخراج جديد بالكامل تتعلم كل طبقة الفرق بين المدخلات والإخراج المطلوب، مما يسهل تدريب شبكات عميقة جدا مثل ResNet-50 و ResNet-101 و ResNet-152. أما في DenseNet، كل طبقة تتصل بجميع الطبقات السابقة، مما يعزز إعادة استخدام الميزات ويجعل الشبكة أكثر كفاءة في التعلم، و هذا يقلل من عدد المعاملات المطلوبة مقارنة بـ ResNet، حيث تعتمد كل طبقة على الميزات المستخرجة سابقا بدلا من إعادة حسابها، و تساعد هذه البنية في تحسين انتقال المعلومات داخل الشبكة، مما يجعلها فعالة مع بيانات أقل.

نعم يمكنك استخدام ReLU في الطبقات المخفية حتى لو كنت تعمل على مهمة تصنيف، و في الواقع ReLU هو أحد أكثر دوال التفعيل شيوعا في الطبقات المخفية لشبكات التعلم العميق، لأنه يساعد في التغلب على مشكلة تلاشي التدرج ويجعل عملية التدريب أكثر كفاءة مقارنة بدوال مثل Sigmoid أو TanhK، ولكن في الطبقة الأخيرة يعتمد اختيار دالة التفعيل على نوع التصنيف، حيث إذا كان التصنيف ثنائيا، فيفضل استخدام Sigmoid، أما إذا كان متعدد الفئات، فإن Softmax هو الخيار الأمثل.

الفرق هو أن confusion_matrix تستخدم لحساب مصفوفة الالتباس فقط، بينما ConfusionMatrixDisplay تستخدم لعرضها بصريا، أي أن confusion_matrix ترجع مصفوفة من القيم العددية توضح أداء النموذج في تصنيف البيانات، لكنها لا تعرضها بشكل رسومي، أما ConfusionMatrixDisplay فهي أداة تأخذ هذه المصفوفة كمدخلات وتقوم برسمها كمخطط بياني باستخدام Matplotlib، مما يسهل تحليل الأخطاء وفهم أداء النموذج بصريا.

يمكنك استخدام eval في PHP، ولكنه غير مستحسن لأنه قد يؤدي إلى ثغرات أمنية إذا كان هناك أي مدخلات غير آمنة بهذا الشكل: <?php $chance = "a > 0"; $a = 5; // قيمة المتغير a if (eval("return $chance;")) { echo "ok"; } else { echo "not ok"; } ?>

وسائل الدفع التي يتم قبولها هي بايبال أو بطاقة فيزا، يمكنك الطلب من أحد أقربائك و الذين يملكون هذه البطاقة أن يقومو بالدفع بدل عنك، كما يمكنك التواصل مع مركز المساعدة لأي معلومات أخرى: https://support.academy.hsoub.com/conversations

نعم إذا كان العمود يحتوي على قيم فريدة لكل عينة ولا يحمل أي معلومات مفيدة للنموذج، فيمكن حذفه من البيانات قبل تدريب النموذج. وذلك لأن هذه القيم الفريدة لا تساعد النموذج في التعلم أو التعميم، بل قد تؤدي إلى overfitting إذا تم استخدامها، قبل الحذف تأكد أن العمود لا يحتوي على معلومات مفيدة.

الأفضل يعتمد على الهدف والغاية من إنشائها لكن يبقى استخدام الأدوات الجاهزة مثل TensorFlow أو PyTorch هو الخيار الأمثل إذا كنت تريد توفير الوقت والتركيز على النتائج أو بناء نموذج عملي بسرعة ودقة أما بناء شبكة عصبية من الصفر ضروري فقط إذا كنت تدرس المفاهيم الأساسية أو تحتاج إلى تخصيص عميق لا توفره الأدوات الجاهزة وللتطبيق العملي يوصى باستخدام الأدوات الجاهزة لأنها فعالة ومدعومة بأفضل الممارسات يمكنك مراجعة أكثر من هنا:

الشبكة العصبية (Neural Network) هي نموذج حوسبي مستوحى من طريقة عمل الدماغ البشري، تستخدم في تحليل الأنماط وحل المشكلات المعقدة وتتكون من طبقات من الوحدات (أو الخلايا العصبية) التي تعالج البيانات عن طريق تعلم الأوزان والانحيازات. بحيث تنقسم الشبكة إلى طبقة إدخال (لإدخال البيانات)، طبقات مخفية (للقيام بالمعالجة)، وطبقة إخراج (لإنتاج النتائج) وتستخدم الشبكات العصبية في تطبيقات مثل التعرف على الصور، معالجة اللغة الطبيعية، وأنظمة التوصية مثلا لإنشاء شبكة عصبية تصنف البيانات الثنائية، يمكن استخدام مكتبة TensorFlow تبنى الشبكة بطبقة إدخال بها 10 ميزات، طبقتين مخفيتين (32 و16 خلية عصبية)، وطبقة إخراج بوظيفة تفعيل Sigmoid وتدرّب الشبكة باستخدام خوارزمية Adam وخسارة Binary Crossentropy وتقيّم للحصول على دقة الأداء. فإنشاؤها يتم بعدة مراحل ببرمجة بسيطة باستخدام مكتبة مثل TensorFlow في Python أين تعرّف شبكة بها 3 طبقات واحدة تأخذ بيانات الصورة، واثنتان لتحليلها، والأخيرة تعطي النتيجة ثم تدرب الشبكة باستخدام صور معروفة كصور لقطط وكلاب حتى تتعلم ثم تختبرها على صور جديدة لترى النتيجة وهكذا وهذه المقالة تشرح مثالا جيدا أنصحك بمراجعته:

تحليل السلاسل الزمنية في بايثون هو دراسة البيانات التي تم تسجيلها على فترات زمنية متتالية لاكتشاف الأنماط، الاتجاهات، والتقلبات، بهدف التنبؤ بالقيم المستقبلية أو فهم العلاقات الزمنية ويستخدم في تحليل البيانات لفهم الاتجاهات (Trends) والموسمية (Seasonality) وتوقع البيانات المستقبلية مثل المبيعات أو الأسعار بالإضافة إلى كشف الشذوذ وتحسين اتخاذ القرارات بناء على البيانات الزمنية بحيث يتم استخدام مكتبات مثل pandas لمعالجة البيانات، وmatplotlib للتصور، وstatsmodels أو prophet لبناء النماذج الإحصائية والتنبؤية. و لغة بايثون تسهّل هذا التحليل بفضل أدواتها القوية والمرنة لمعالجة وتحليل السلاسل الزمنية بدقة وفعالية يمكن مراجعة هذه المقالة لمزيد من التفاصيل حول الموضوع:

المشكلة في استعلامك هو أنه يتحقق فقط من أقصى تاريخ، بينما المطلوب هو الحصول على آخر سعر قبل التاريخ المحدد لذا عدله للتالي: SELECT product_id, COALESCE( (SELECT new_price FROM Products p2 WHERE p2.product_id = p1.product_id AND p2.change_date <= '2019-08-16' ORDER BY change_date DESC LIMIT 1), 10 ) as price FROM Products p1 GROUP BY product_id; بحيث نستخدم استعلام فرعي للحصول على آخر سعر قبل '2019-08-16' و COALESCE يرجع 10 إذا لم يجد سعرا قبل التاريخ المحدد وأخيرا ORDER BY change_date DESC LIMIT 1 يجلب أحدث سعر.

هذا الخطأ يحدث أثناء بناء (build) تطبيق Flutter وتحديدا عند عملية إنشاء kernel snapshot وغالبا ما يكون السبب هو في مشاكل في الملفات المؤقتة للمشروع أو تعارض في الإصدارات أو مشكلة في تثبيت Flutter لذا أرجو أولا القيام بتنظيف المشروع: flutter clean ثم قم بحذف ملف pubspec.lock: rm pubspec.lock بعدها قم بتحديث التبعيات: flutter pub get وأعد تشغيل Android Studio أو VS Code أو أيا كان IDE الذي تستخدمه ثم حاول بناء المشروع مرة أخرى: flutter run إذا استمرت المشكلة يمكنك تجربة للتحقق من صحة تثبيت Flutter باستخدام الأمر: flutter doctor ثم تحديث Flutter إلى آخر إصدار: flutter upgrade

أيّة دروس تقصد إن كانت متعلقة بالدورات فأرجو طرح أسئلتك أسفل الدرس الخاص به في صندوق التعليقات المخصص لذلك. وفي حال كانت خارجية يمكنني توجيهك لكيفية حل المشكلة من خلال إنشاء صفحة HTML تحتوي على أقسام لكل مثال وكل قسم يحتوي على عنوان وكود برمجة داخل عنصر <pre> للحفاظ على التنسيق. مع إضافة أزرار نسخ بجانب كل كود ثم تفعيلها باستخدام JavaScript عبر وظيفة تستخرج النص وتنسخه إلى الحافظة باستخدام navigator.clipboard يمكن أيضا تنسيق الصفحة باستخدام CSS ثم اختبار الصفحة في المتصفح للتأكد من عرض الأكواد وعملية النسخ بشكل صحيح بعد ذلك يمكنك حفظ الملف وتشغيله للاستخدام أثناء الدروس.

بالنسبة للمشاريع فهو يتم عملها بالتزامن مع المدرب، كل ما عليك فعله هو متابعة الشروحات مع المدرب وعمل الواجبات والمشاريع ورفع الأكواد تلك وفقا لما تم شرحه من قبل يمكنك الاطلاع على الكيفية من هنا: بما أنك في بداياتك فأرجو التركيز على التطبيق العملي مع المدرب، يمكنك أخذ قسط من الراحة بين كل مسار وآخر للتأكد من أنك قد فهمته جيدا وفي حال لم تفهم شيء سيكون هنالك صندوق للتعليقات مثل الذي هنا أسفل كل درس يمكنك طرح أي استفسار أو مشكلة واجهتك وسنجيبك عليها.

يستخدم CoxPHFitter كنموذج تناسبي لتحليل تأثير المتغيرات المستقلة على زمن البقاء، حيث يمكنه التعامل مع متغيرات متعددة ويعطي معلمات تتعلق بخطر الحدث من جهة أخرى يستخدم KaplanMeierFitter لتقدير ورسم منحنيات البقاء بناء على بيانات البقاء مما يتيح للمستخدم رؤية احتمالية البقاء مع مرور الوقت أما logrank_test فهو اختبار إحصائي يستخدم لمقارنة منحنيات البقاء بين مجموعتين أو أكثر، لتحديد ما إذا كانت هناك اختلافات ذات دلالة إحصائية في زمن البقاء. يمكن اعتبار CoxPHFitter نموذجا يستخدم لفهم كيف تؤثر عوامل معينة مثل العمر أو الجنس أو نوع العلاج على الوقت حتى حدوث حدث معين مثل الوفاة أو الانتكاسة بحيث يمكننا من خلاله معرفة أي العوامل لها تأثير أكبر على البقاء. بينما KaplanMeierFitter تستخدم لرسم منحنى يُظهر كيف تتغير احتمالية البقاء بمرور الوقت في حين يستخدم logrank_test يستخدم عندما نريد مقارنة مجموعتين لمعرفة ما إذا كانت هناك اختلافات في أوقات البقاء مثلا إذا كان لدينا مجموعتين من المرضى يتلقون علاجات مختلفة، يمكننا استخدام هذا الاختبار لمعرفة ما إذا كان أحد العلاجين أفضل من الآخر.

وعليكم السلام ورحمة الله تعالى وبركاته، الفكرة تعتمد على إضافة الربح في الجدول الحالي كما يلي في جدول invoice_details ستحتاج الكمية المباعة (quantity)، سعر البيع (selling_price) ثم سعر الشراء (buying_price) ويجب أن تعدل query الاستعلام لجلب أسعار البيع والشراء من خلال إضافة عمود "الربح" في جدول عرض البيانات وعند فاتورة المبيعات فقط نحسب: الربح = الكمية × (سعر البيع - سعر الشراء) وفي نهاية الجدول تقوم بجمع كل أرباح المبيعات وتعرض إجمالي الربح للصنف.

هذا راجع لنوع الشركة خاصتكم ولسياستكم المتعلقة بالتوظيف، لكن في حال عدم توفره شخصيا داخل الشركة يمكنكم توظيف مستقلين لأداء الغرض بحيث تختصر عليك خارطة الطريق لتتفرغ لمسؤوليات أخرى وتستفيد في نفس الوقت من خبرة سنوات وفي نفس الوقت يمكنك تخصيص وقت للتعلم بحيث لا تتأثر مسؤولياتك الأخرى، فالبرمجة رحلة طويلة وليست بالسهلة لكن نتائجها مثمرة وتأتي نتيجة تعب واجتهاد، وكما قلت لك هذا راجع إلى سياسة التوظيف الخاصة بكل شركة، يمكن أن تجد ظالتك في مواقع كمستقل وخمسات. وبالنسبة لتعلمك أنت أقترح عليك مراجعة هذه المقالة:

بالنسبة إلى الروابط التي أشرت إليها يبدو أنها غير صالحة ولا تعمل لذا لا يمكن الاطلاع عليها حاليا، ولكن بناء على وصفك فإن فكرة إعداد جدول حول تطبيق توصيل الطعام تعد خطوة جيدة خاصة في ظل غياب منافسين بارزين في السوق المحلي فإذا كان الجدول يبرز الميزات الأساسية للتطبيق والفرص الموجودة في السوق مع مقارنة بسيطة بالخدمات المتوفرة فهو بداية موفقة مع الرغم من أنه يمكن التحسين أكثر لذا تأكد من تضمين بيانات واضحة حول كيفية تلبية احتياجات المستخدمين، والتحديات المحتملة، والخطط لتجاوزها.

يمكنك استخدام بوابة دفع تدعم Split Payments مثل Stripe Connect أو PayPal for Marketplaces عبر إنشاء نموذج لتخزين معلومات الدفع الخاصة بالمستخدم مثل حساب Stripe أو PayPal ثم توفير واجهة لتسجيل وربط الحسابات عبر API الخاص ببوابة الدفع. وعند إتمام عملية الشراء تستخدم ميزة Transfer API أو Payouts API لتقسيم المدفوعات بينك وبين البائعين مباشرة مع التأكد من الامتثال للقوانين المحلية والضرائب وتوفير لوحة تحكم للمستخدم لإدارة أرباحه وسحبها بسهولة.

يمكن تحريك أمر عرض الرسم البياني خارج الحلقة وهناك طريقتان لتحقيق ذلك يمكنك تحريك أوامر plt خارج الحلقة مباشرة: for (cyto_score, tbi_status, graft_type, vent_hist), indices in data_train.groupby(['cyto_score', 'tbi_status', 'graft_type', 'vent_hist']).groups.items(): group_data = data_train.loc[indices] kaplanmeierfitter_cyto.fit(group_data['efs_time'], event_observed=group_data['efs'], label=f'Cyto_Score {cyto_score}') kaplanmeierfitter_tbi.fit(group_data['efs_time'], event_observed=group_data['efs'], label=f'tbi_status {tbi_status}') kaplanmeierfitter_graft.fit(group_data['efs_time'], event_observed=group_data['efs'], label=f'graft_type {graft_type}') kaplanmeierfitter_vent.fit(group_data['efs_time'], event_observed=group_data['efs'], label=f'vent_hist {vent_hist}') kaplanmeierfitter_cyto.plot_survival_function() plt.title('Kaplan-Meier Curves for All Cyto_Scores') plt.xlabel('Time (months)') plt.ylabel('Survival Probability') plt.tight_layout() plt.show() أو تخزين كل المنحنيات ثم عرضها مرة واحدة في النهاية: plt.figure(figsize=(10, 6)) for (cyto_score, tbi_status, graft_type, vent_hist), indices in data_train.groupby(['cyto_score', 'tbi_status', 'graft_type', 'vent_hist']).groups.items(): group_data = data_train.loc[indices] kaplanmeierfitter_cyto.fit(group_data['efs_time'], event_observed=group_data['efs'], label=f'Cyto_Score {cyto_score}') kaplanmeierfitter_cyto.plot_survival_function(ci_show=False) plt.title('Kaplan-Meier Curves for All Cyto_Scores') plt.xlabel('Time (months)') plt.ylabel('Survival Probability') plt.tight_layout() plt.show() وأرى أنّ الطريقة الثانية أفضل إذا كنت تريد عرض جميع المنحنيات في رسم بياني واحد بشكل أوضح ستحصل على رسم بياني واحد يحتوي على جميع منحنيات البقاء لمختلف قيم Cyto_Score.

وعليكم السلام ورحمة الله تعالى وبركاته، في الحقيقة لا يوجد برنامج ثابت للمراجعة يمكن تعميمه على جميع الطلبة، وهذا الأمر في الغالب لا ينجح، لأنّ الظروف اليومية تختلف من شخص إلى آخر، لذا من الأحسن عمل برنامج مرن خاص بك مثلما تفعل الآن مع التركيز مع دروس وشروحات المدرب وعمل الجوانب التطبيقية ورفع المشاريع وفي حال لم تفهم أي جزئية يمكن طرحها علينا وسنجيبك. ولا أنصح بالحفظ وما شابه ذلك، البرمجة لا تحتاج لحفظ ولا تتطلب ذلك على الإطلاق، إنما التعود على البرمجة والتدريب المستمر هو الذي يجعلك تتذكر الأكواد والمفاهيم في حال فهمتها جيدا وطبقت عليها فلن تنساها خاصة إذا كنت تخصص أوقاتا للمراجعة. https://academy.hsoub.com/questions/18294-حل-مشكلة-نسيان-دروس-البرمجة/ https://academy.hsoub.com/questions/12276-مشكل-النسيان/ https://academy.hsoub.com/questions/25392-عندي-مشكلة-في-طريقة-التعلم-وهي-أنني-أنسى-كثيرًا/

لديك استخدام غير صحيح ل groupby.groups وفلترة البيانات باستخدام الشروط أي من خلال الفلترة اليدوية للبيانات باستخدام شروط لكل مجموعة والأفضل استخدام الفهارس مباشرة: for (cyto_score, tbi_status, graft_type, vent_hist), indices in data_train.groupby(['cyto_score', 'tbi_status', 'graft_type', 'vent_hist']).groups.items(): group_data = data_train.loc[indices] كما لديك خطأ في استخدام الألوان بسبب التعامل مع سلسلة بدلا من قيمة مفردة group_data['cyto_score'] لذا يمكنك استخدام cyto_score مباشرة: color=plt.cm.tab10(cyto_score % 10) كما أنك تقوم برسم كل المنحنيات على نفس الرسم بدلا من استخدام شبكة وهذا ما تسبب في ازدحام المنحنيات في رسم واحد لذا استخدم شبكة فرعية (subplots) لكل مجموعة fig, axes = plt.subplots(2, 2, figsize=(12, 8)) kaplanmeierfitter.plot_survival_function(ax=axes[row, col]) ثم يمكنك تحديد عدد الفئات التي سيتم رسمها: if i >= len(axes): break وإضافة نطاقات الثقة عند الرسم: kaplanmeierfitter.plot_survival_function(ci_show=True)

نحن هنا في الأكاديمية لا نقوم بالإجابة المباشرة على الأسئلة المتعلقة بالاختبارات والامتحانات والمهام وغيرها، لذا أرجو محاولة حله بنفسك ثم طرح المشكلة التي تواجهك، مع ذلك سأرشدك لطريقة الحل فحسب المطلوب في المهمة الخامسة فهو تنفيذ طريقة نيوتن للفروق المقسومة، وهي طريقة قوية تسمح لنا ببناء كثير حدود يمر بالنقاط المعطاة يمكنك البدء بحساب جدول الفروق المقسومة، حيث يتم حساب كل فرق مقسوم من خلال طرح قيمتين متتاليتين وقسمة الناتج على الفرق بين قيم x المقابلة وبعد بناء الجدول نستخدم معاملاته لتكوين كثير الحدود بصيغة نيوتن، الذي يمكن تحويله لاحقا إلى الصيغة القياسية. وأما في المهمة السابعة فتتمحور حول مشكلة الاستيفاء العكسي حيث نريد إيجاد قيمة x المقابلة لقيمة y معطاة والحل لهذه المشكلة يكمن في تبديل أدوار المتغيرين x و y، ثم تطبيق نفس طريقة الاستيفاء على البيانات المعكوسة وهذا يتطلب عناية خاصة للتأكد من أن القيم y الأصلية تشكل مجموعة نقاط متزايدة بشكل صارم لضمان تفرد الحل وعند التنفيذ يجب الانتباه أيضا لمعالجة الحالات الخاصة مثل النقاط غير المرتبة والقيم المتكررة، كما يجب التحقق من صحة النتائج من خلال التعويض العكسي والمقارنة مع حالات اختبار بسيطة معروفة النتيجة.

تحليل كابلان ماير هو طريقة إحصائية تستخدم لفهم المدة الزمنية حتى حدوث حدث معين مثل المدة التي يبقى فيها العميل مشتركا في خدمة معينة أو المدة الزمنية التي يظل فيها جهاز إلكتروني يعمل قبل أن يحتاج إلى صيانة أو المدة التي يبقى فيها منتج ما في السوق قبل أن يتم إيقافه وغيرها من الأمثلة التي توضح وتحليل كابلان ماير هو جزء من تحليل البقاء وهو إحدى الطرق الأساسية المستخدمة داخل هذا المجال فتحليل البقاء (Survival Analysis) هو الإطار العام الذي يتناول دراسة الزمن حتى حدوث حدث معين (مثل إلغاء الاشتراك، حدوث خطأ تقني، انتهاء مدة منتج) ويشمل طرقا مختلفة لتحليل بيانات البقاء منها منحنيات كابلان ماير ونماذج الانحدار مثل نموذج كوكس (Cox Proportional Hazards Model) وأساليب أكثر تعقيدا تأخذ في الاعتبار تأثير عدة متغيرات وتحليل كابلان هو واحدة من الأدوات المستخدمة داخل تحليل البقاء يمكنك دراسة المزيد من هنا: