عبد الوهاب بومعراف

عند التفكير في كيفية استخدام بوتات تيليجرام لإنشاء ملصقات مميزة وإيموجي، ينبغي عليك أولا تحديد البوت المناسب لهذه المهمة يعتبر بوت @StickerBot واحدا من الخيارات الأكثر شيوعا، حيث يمكنك من خلاله إنشاء ملصقات بسهولة قم بفتح تيليجرام، وابحث عن البوت، ثم ابدأ محادثة معه ستحتاج أولا إلى تحميل صورة أو تصميم ترغب في تحويله إلى ملصق بعد ذلك اتبع التعليمات التي يقدمها لك البوت، والتي تشمل تحديد منطقة الصورة التي تريد استخدامها كملصق. يمكنك أيضًا إضافة نصوص أو رموز تعبيرية لتعزيز جاذبية الملصق وإذا كنت تقصد إنشاءه من الصفر يمكنك مراجعة الأمر من هنا:

عندما تستخدم present++ في دالة increment، تعيد الدالة القيمة الحالية ل present قبل زيادتها لذا تظهر النتيجة كما هي لذا استخدم ++present بدلا من present++ لكي تعيد القيمة بعد زيادتها كالتالي: var createCounter = function(init) { let present = init; return { increment: () => ++present, decrement: () => --present, reset: () => present = init, }; }; هنا increment تزيد present بمقدار 1 ثم تعيد القيمة الجديدة وdecrement تقلل present بمقدار 1 ثم تعيد القيمة الجديدة وأما reset تعيد present إلى القيمة الابتدائية init.

لاحظ في في جملة الاستعلام الخاصة بك أنت تقوم بالربط بين جدول BUYBILL وجدول BUY_DET باستخدام العلاقة BUYCODE إذا كانت العلاقة بين الجداول تنتج سجلات مكررة مثلا إذا كان جدول BUY_DET يحتوي على أكثر من سجل مرتبط بنفس الفاتورة فإن التقرير سيعرض التكرار لذا تأكد من أن الجداول المرتبطة لا تحتوي على سجلات مكررة في قاعدة البيانات فإذا كنت تريد عرض بيانات "BUYBILL" فقط مع تجنب التكرار، يمكنك استخدام عبارة SQL مثل: SELECT DISTINCT dbo.BUYBILL.BUYCODE, dbo.BUYBILL.BUYTYPE, dbo.BUYBILL.BUYDATE, dbo.BUYBILL.IMPORTERNAME, dbo.BUYBILL.NOTES, dbo.BUYBILL.TOTAL FROM dbo.BUYBILL INNER JOIN dbo.BUY_DET ON dbo.BUYBILL.BUYCODE = dbo.BUY_DET.BUYCODE; وعندما يتم عرض بيانات مكررة في التقرير، عليك التأكد من إعداد خاصية Suppress If Duplicated لكل الحقول المكررة في التقرير من خلال التأكد من أن كل صف في DataGridView يحتوي على بيانات صحيحة قبل الإضافة إلى قاعدة البيانات، وذلك باستخدام شرط قبل الإضافة: if (dataGridView1.Rows[i].Cells[0].Value != null && dataGridView1.Rows[i].Cells[0].Value.ToString().Trim() != "") { // أضف البيانات } وقد يحدث أن يتم إدخال نفس السجل أكثر من مرة في قاعدة البيانات أثناء الحفظ لذا تأكد من أن جملة الحفظ لا تضيف بيانات مكررة يمكنك إجراء التحقق من البيانات الموجودة مسبقا في الجدول BUY_DET قبل الإضافة: DataTable dtCheck = new DataTable(); SqlDataAdapter adpCheck = new SqlDataAdapter($"SELECT * FROM BUY_DET WHERE BUYCODE='{BUYCODE.Text}' AND ITEMCODE='{dataGridView1.Rows[i].Cells[0].Value}'", Class1.con); adpCheck.Fill(dtCheck); if (dtCheck.Rows.Count == 0) { // أضف البيانات الجديدة } وتأكد من أنك تستخدم الحقول بشكل صحيح في التقرير إذا كنت تعرض تفاصيل الجدول BUY_DET، فقد يظهر كل سجل في الجدول بغض النظر عن التكرار لذا تأكد من أن الحقول الموجودة في قسم "Details" تتناسب مع المتطلبات وإذا كان التكرار لا يزال موجودا، قم بإضافة شرط للتجميع (Grouping) بناء على حقل BUYCODE.

نعم، مكتبة Seaborn توفر عددا محدودا من مجموعات البيانات المدمجة، تستخدم أساسا للأغراض التعليمية واختبار الرسوم البيانية. تحتوي هذه البيانات على تنسيقات منظمة تُسهل استكشاف الإمكانات المختلفة للمكتبة، مثل العمل مع الجداول، التحليل الإحصائي، وتمثيل البيانات بشكل مرئي. يمكن للمستخدمين الوصول إلى أسماء هذه البيانات باستخدام دالة sns.get_dataset_names()، وتحميلها بسهولة باستخدام sns.load_dataset("اسم_البيانات"). هذه المجموعات مدمجة بالكامل في المكتبة، مما يلغي الحاجة لتنزيلها من مصادر خارجية. يمكنك التعرف أكثر عليها من هنا:

XGBoost هو اختصار لـ Extreme Gradient Boosting، وهو خوارزمية متقدمة في تعلم الآلة تُستخدم لإنشاء نماذج قوية تعتمد على تقنية تعزيز التدرج (Gradient Boosting) والفكرة الأساسية هنا هي بناء سلسلة من الأشجار (Decision Trees) بحيث تعمل كل شجرة جديدة على تصحيح أخطاء التنبؤ التي وقعت فيها الأشجار السابقة ويتم تدريب هذه الأشجار واحدة تلو الأخرى، مع التركيز على تحسين النتائج تدريجيا. الخوارزمية تعتمد على تقليل الخطأ (Loss Function) باستخدام التدرج (Gradient)، مما يعني أنها تحاول بشكل مستمر تحسين دقة التنبؤ عن طريق تحسين المناطق التي تكون فيها النماذج السابقة ضعيفة كما أنها تضيف ميزات مثل التنظيم (Regularization) لتجنب الإفراط في التعلم (Overfitting) وتدعم العمل على البيانات الكبيرة بكفاءة وسرعة لأنها تستخدم ميزات مثل التوازي (Parallelization). يمكنك مراجعة المزيد من هنا:

هذا الأمر طبيعي حتى بدون ظروف قد يشعر الإنسان بأنه قد نسى بعض المفاهيم وهذا بسبب الابتعاد عن البرمجة لمدة معينة، والحل هنا هو المراجعة الدورية لما نتعلمه، أي أنّه في حال فهمت ما تلقّيته من مفاهيم وطبّقتها يمكن من خلال مراجعة خفيفة استرجاع ما فاتك من وقت وليس إعادة كل شيء من الصفر، يمكنك مراجعة المفاهيم التي ترين نفسك قد نسيتها أو ضعيفة فيها كما يمكنك طرح تساؤلاتك وسنساعدك على الاسترجاع:

المشكلة تشير إلى أن شهادة SSL للموقع لا تتطابق مع النطاق المستخدم أو أن الشهادة قد انتهت صلاحيتها لذا للتحقق وحل المشكلة أرجو التأكد أولا من أن شهادة SSL صالحة ومطابقة للنطاق المستهدف، بما في ذلك النطاقات الفرعية إذا كانت مستخدمة، من خلال لوحة التحكم الخاصة بالاستضافة. وإذا تم تغيير النطاق مؤخرا، ستحتاج إلى إصدار شهادة جديدة للنطاق الجديد يمكنك استخدام أدوات مثل SSL Labs لفحص إعدادات الشهادة والكشف عن الأخطاء. وتحقق أيضا من إعدادات الووردبريس من خلال تحديث عنوان ووردبريس (WordPress Address) وعنوان الموقع (Site Address) في الإعدادات للتأكد من تطابقها مع النطاق الحالي وإذا كنت بحاجة للوصول المؤقت أثناء حل المشكلة، يمكنك تعطيل التحقق من SSL في ملف wp-config.php (مع مراعاة أن هذا حل غير آمن ومؤقت). وإذا لم يتم حل المشكلة، قم بمراسلة الدعم الفني للاستضافة لتقديم المساعدة، حيث قد تكون المشكلة لديهم أو تحتاج إلى إعادة تثبيت الشهادة بشكل صحيح.

الفرق بين الانحدار الخطي باستخدام متغير واحد والانحدار الخطي باستخدام أكثر من متغير يكمن في عدد المتغيرات المستقلة المستخدمة للتنبؤ بالمتغير التابع. في الانحدار الخطي البسيط، يتم استخدام متغير مستقل واحد فقط لتوقع المتغير التابع، ويكون النموذج بسيطًا لتحليل العلاقة بين متغيرين فقط والصيغة هي: y = b0 + b1 * x حيث x هو المتغير المستقل، وy هو المتغير التابع، وb0 هو التقاطع، وb1 هو الميل يناسب هذا النموذج العلاقات بين متغيرين فقط. أما في الانحدار الخطي المتعدد، فيشمل النموذج عدة متغيرات مستقلة، ويكون النموذج أكثر تعقيدا لتحليل البيانات متعددة الأبعاد والصيغة هي: y = b0 + b1 * x1 + b2 * x2 + ... + bn * xn حيث x1, x2, ..., xn هي المتغيرات المستقلة، وb1, b2, ..., bn هي المعاملات التي توضح تأثير كل متغير مستقل على المتغير التابع. يستخدم الانحدار الخطي البسيط للعلاقات البسيطة بين متغيرين، بينما يستخدم الانحدار المتعدد للعلاقات الأكثر تعقيدا التي تشمل عدة متغيرات.

وعليكم السلام ورحمة الله وبركاته، دالة crosstab في pandas هي أداة قوية لتحليل البيانات تستخدم لإنشاء جداول تقاطعية تظهر العلاقة بين متغيرين أو أكثر في مجموعة البيانات بحيث تقوم الدالة بحساب التكرارات أو القيم المجمعة عند تقاطع المتغيرات ويمكن استخدامها مع خيارات متعددة مثل margins=True لإضافة المجاميع الكلية، وnormalize=True لعرض النسب المئوية بدلا من العدد على سبيل المثال يمكننا تحليل مبيعات المنتجات حسب المنطقة، أو تصنيف العملاء حسب الفئة العمرية والجنس والصيغة الأساسية للدالة هي: pd.crosstab(index, columns, values=None, aggfunc=None) حيث index وcolumns هما المتغيران المراد تحليل علاقتهما، وvalues هو عمود القيم المراد تجميعها وهو اختياري بينما aggfunc هي دالة التجميع المستخدمة مثل sum أو mean وهذه الدالة مفيدة بشكل خاص في التحليل الإحصائي وتحليل البيانات الاستكشافي.

المشكلة هي وضع الصورة ك background-image مع عدم وضع position للنص، مما جعل النص خارج الصورة لذا يجب إما إضافة position للنص كالتالي: .content { position: relative; } .content p { position: absolute; top: 50%; left: 50%; transform: translate(-50%, -50%); } أو استخدام img بدل background-image لوضع النص داخل نفس ال container.

أرجو في قادم المرات إن كان سؤالك متعلقا بإحدى دورات الأكاديمية أن تقوم بإدراجه أسفل كلّ درس استصعب عليك فهمه أو لديك استفسار حوله، أين ستجد صندوقا للتعليقات مثل الذي هنا، يمكنك إرفاق مجلدات مشروعك أو لقطات شاشة وإرفاق الاستفسار الذي لديك وسنجيبك بكلّ صدر رحب.

أودّ إخبارك بأنّ هذا الإجراء طبيعي للغاية وهو من باب حرص المنصة على زيادة الموثوقية بينك المستقلّين والعملاء، وفي هاته الحالة لقد أرشدوك إلى خيارين إمّا من خلال رفع الملفات المصدرية لأعمالك وهي تلك الملفات التي قمت بالعمل عليها حين إنجازك للمشاريع فمثلا لو كنت مصمما غرافيكيا فيجب إرفاق الملفات كالتالي: ملفات Adobe Illustrator (.ai): إذا كنت تستخدم Illustrator . ملفات Adobe Photoshop (.psd): إذا كنت تستخدم Photoshop. والخيار الثاني من خلال قيامك بأخذ لقطات شاشة تبين فيها المشروع وأنت تعمل على تطويره على جهازك ببساطة يمكنك فتح كل مشروع منفردا على جهازك ثم أخذ لقطة شاشة له ثم رفعها على معرض أعمالك أرجو الاطلاع على شروط الانضمام لمستقل من هنا: الانضمام كمستقل ويمكنك إيجاد أجوبة مختلفة للأسئلة الشائعة بخصوص مستقل من هنا: الأسئلة الشائعة

عندما تكون القيم في عمود معين عبارة عن 0 أو 1 عادة ما يكون هذا عمودا ثنائيا يمثل حالة معينة، مثل نعم و لا، في هذه الحالة القيم المتطرفة يمكن أن تكون أي قيمة أخرى من دون هذه القيم مثل 2 أو -1، فهذه قيم شاذة يجب التحقق منها وتنظيفها، و بالتالي يجب عليك معرفة القيم التي يحتويها هذا العمود كاملة حتى تستطيع تنظيفه.

للأسف الدورة ليست مجانية لكن الاستثمار فيها يستحقّ ذلك، لكن المميز فيها هو أنّه يمكن لأحد أقاربك أو معارفك إهداؤك بطاقة هدية من خلال شرائها ثم إرسالها إليك، يمكنك الاطلاع على ذلك من هنا: شراء وإهداء بطاقة الهدية. كما قلت لك فالاستثمار في الدورة جيد للمزايا الخاصة بها: مزايا دورات الأكاديمية. يمكنك الانتظار إلى حين إطلاق أيّ عروض أو تخفيضات وإتاحتها من قبل الإدارة، أرجو التواصل معهم لأيّ استفسار متعلق بالدورات: مركز دعم مساعدة أكاديمية حسوب.

التشتت ونسيان بعض الأمور عند الانتقال من مسار إلى آخر هو أمر عادي وقد يحصل لأيّ شخص، لهذا فالمراجعة هي السر في المحافظة على المعلومات كما أنّ التطبيق العملي والاستمرارية هي التي ترسخ تلك المفاهيم في أذهاننا، أرجو مراجعة الأجوبة على سؤال مماثل من هنا:

وعليكم السلام ورحمة الله، هي شريحة ويلو الكمومية وقد أطلقتها شركة غوغل الأسبوع الفارط، وهي تحتوي على 105 كيوبت وكما نعلم فالكيوبت هو أساس الحواسيب الكمومية، والحوسبة الكمومية تعد اليوم مجالا ثوريا يستحق الاهتمام نظرا لقدرتها على حل مشكلات معقدة لا تستطيع الحواسيب التقليدية التعامل معها كما أنّ اعتمادها على الكيوبتات التي تمكنها من إجراء عمليات حسابية متوازية بسرعة هائلة زاد من دور الشركات الكبرى في البحث العلمي والتطوير ومن أبرز تطبيقاتها تسريع اكتشاف الأدوية من خلال محاكاة الجزيئات، وتحسين أداء الذكاء الاصطناعي، وتطوير بطاريات أكثر كفاءة عبر محاكاة المواد كما أنّها تساهم في تحسين التشفير والأمن السيبراني بطرق لم تكن ممكنة من قبل، مما يجعلها حجر الأساس للمستقبل التقني والعلمي.

بالنظر إلى القيم التي ذكرتها في العمودين tce_div_match و tce_match، يمكن ملاحظة التشابه في الفئات الموجودة بين العمودين مع بعض الاختلاف في عدد القيم لكل فئة، ولكن الأرقام في الفئات المتطابقة ليست متماثلة و هذا يشير إلى أن تعريف التصنيفات قد يكون مختلفا قليلا بين العمودين، أو أن هناك تباينا في طريقة جمع البيانات. و أيضا ذكرت أن 60% من البيانات مفقودة في tce_match، مما يعني أن هذا العمود ليس مكتملا بدرجة كافية لاستخدامه بمفرده أو الاعتماد عليه في التحليل، لذا إذا كانت البيانات في العمود tce_div_match مكتملة وتعطي التصنيفات المطلوبة لتحليلك، فمن الممكن الاعتماد عليه بدلا من tce_match، خاصة أن الأخير يحتوي على نسبة كبيرة من القيم المفقودة.

الدالة dropna في مكتبة pandas تستخدم بشكل أساسي لمسح الصفوف التي تحتوي على قيم مفقودة (NaN) لذلك إذا كنت ترغب في مسح عمود بالكامل، يمكنك استخدام drop مع تحديد اسم العمود كالآتي: df = df.drop(columns=['اسم العمود']) أما لمسح الصفوف نستخدم: df = df.dropna()

التعامل مع القيم المفقودة هو تحد شائع في مختلف مجالات البيانات وليس البيانات الطبية فقط فحتى المالية، الاجتماعية، والبيئية بل تشمل جميع أنواع البيانات التي تتأثر بفقدان المعلومات يمكنك مراجعة الإجابتين على هذا السؤال الذي يتعلق حول كيفية التعامل مع القيم المفقودة: أما بشأن استخدام بيانات مريض آخر لملء عمود مفقود يمكن أن يكون حلا مناسبا في بعض الحالات، بشرط أن تكون البيانات متشابهة من حيث الشروط السريرية والتجريبية لذا يجب أن تكون حذرا لأن هذا قد يؤدي إلى إدخال تحيزات أو أخطاء إذا كانت البيانات تختلف بشكل كبير لذا من المهم تقييم مدى تماثل البيانات والتأكد من عدم التأثير السلبي على جودة التحليل.

يمكنك مراجعة هذه المقالة ستطلعك على خطوات التحميل والتثبيت ومعلومات مهمة أخرى: قد تجد العديد من المصادر التعليمية لكنها تبقى عبارة عن اجتهادات وأفضل مصدر موثوق هو التوثيق الرسمي الخاص بها لذا أنصحك بالتعلم بالتوازي معها: التوثيقات.

وعليكم السلام ورحمة الله تعالى وبركاته، حاليا لا يوجد مجتمع خاص داخل الأكاديمية، لكن بشكل غير مباشر يمكنك طرح أسئلتك واستفساراتك في قسم الأسئلة العامة وستجد العديد من الطلبة والمهتمين وحتى من المدربين من سيتفاعل معك ويناقش أفكارك ويساعدك على حلّ مشاكلك إن وجدت، لقد طُرح هذا السؤال من قبل هنا:

الشرط يضمن أنك تطبق LabelEncoder فقط على الأعمدة النصية (object) دون التأثير على الأعمدة الرقمية. بدون الشرط، قد يتم تعديل الأعمدة الرقمية بشكل غير مقصود، مما يفسد البيانات.

الفرق الرئيسي بين object و str يكمن في أن object هو نوع بيانات عام في Pandas يستخدم لتخزين النصوص أو بيانات مختلطة (مثل أرقام ونصوص معا)، بينما str هو نوع بيانات مخصص للنصوص في Python أي عند قراءة بيانات باستخدام Pandas، يتم تخزين الأعمدة النصية ك object افتراضيا لذلك نجد الشرط التالي if data_train[columns].dtypes == object يعمل لأنه يتحقق من نوع العمود في Pandas، بينما if data_train[columns].dtypes == str لا يعمل لأن النصوص ليست من نوع str في Pandas بشكل افتراضي.

وعليكم السلام ورحمة الله وبركاته، كلاهما يتم استخدامهما في معالجة البيانات وخصوصا عند التعامل مع المتغيرات الفئوية في تعلم الآلة أبرز الفروق بينهما هي كالآتي: أولا، LabelEncoder يستخدم لتحويل القيم النصية أو الفئوية (categorical) إلى قيم عددية (numeric) بحيث يتم إعطاء كل فئة رقما صحيحا ويتم استخدامه عندما تكون الفئات مرتبة أو عند الحاجة لتصنيف واحد فقط لكل فئة مثلا إذا كانت لديك قائمة بالفئات التالية: ['Red', 'Green', 'Blue'] فسيقوم بتحويلها إلى التالي: [0, 1, 2] أما OneHotEncoder فيحول كل فئة إلى مجموعة من الأرقام الثنائية (binary) بحيث يكون لكل فئة عمود منفصل، ويتم وضع 1 في العمود الذي يمثل الفئة والباقي 0 ونستخدمه عندما نحتاج إلى تمثيل غير مرتب للفئات مثلا إذا كان لدينا نفس القائمة السابقة فسيتم تحويلها إلى: Red Green Blue 1 0 0 0 1 0 0 0 1 لو تركز قليلا ستجد أنّ LabelEncoder يعطي تمثيلا عدديا بسيطا، بينما OneHotEncoder يفصل كل فئة في عمود مستقل، وهو أكثر شمولا للفئات غير المرتبة.

أهمية مجال الثقة في تحليل البيانات تكمن في قدرته على قياس مدى دقة وموثوقية التقديرات المستخلصة من العينة، حيث يحدد نطاقا يحتمل أن يحتوي على القيمة الحقيقية لمعلمة المجتمع الإحصائي بمستوى ثقة معين يساهم ذلك في إظهار درجة عدم اليقين في النتائج، دعم اختبار الفرضيات، وتوفير أساس لاتخاذ قرارات مدروسة، مما يجعل التحليل أكثر شمولية ودقة بدلا من الاعتماد على تقديرات نقطية قد تكون مضللة. أي أنّ مجال الثقة يضيف مصداقية لتحليل البيانات لأنه يظهر مدى دقة وموثوقية النتائج، ويقلل من الاعتماد على القيم المفردة التي قد تكون مضللة، مما يجعله أداة أساسية لتحليل البيانات الإحصائية يمكنك مطالعة المزيد حوله من هنا: