عبد الوهاب بومعراف

في حالة أن الهدف من البيانات الطبية هو التنبؤ ببقاء المريض على قيد الحياة بعد العملية، فإن العرق يكون عامل مهم إذا كان له تأثير غير مباشر على نتائج العملية، حيث العرق قد يرتبط بعوامل أخرى مثل الاستعداد الوراثي للأمراض و الاستجابة للعلاج، فإذا كان لهذه العوامل تأثير على نجاح العملية أو بقاء المريض، فإن تضمين العرق في النموذج قد يحسن دقته في التنبؤ.

يمكنك القيام بهذا الأمر عن طريق صفحة حسابات حسوب حيث سيتم تغيير الصورة الخاصة بك في كل المنصات الخاصة بحسوب من خلال هذا الرابط: https://accounts.hsoub.com/

لا يخفى عليك أن القيم المفقودة كبيرة و بالتالي سيؤثر هذا الأمر على النتيجة بشكل كبير، مع ذلك إذا كان العمود عددي، يمكن استبدال القيم المفقودة بمتوسط القيم الموجودة، أما إذا كان هناك تباين كبير في القيم أو وجود قيم شاذة، يمكن استخدام الوسيط بدلا من المتوسط. و إذا كان العمود يحتوي على بيانات تصنيفية، يمكن تعبئة القيم المفقودة بالنمط، أي القيمة الأكثر تكرارا بهذا الشكل لكل واحدة: import pandas as pd # استبدال القيم باستخدام المتوسط df['column_name'].fillna(df['column_name'].mean(), inplace=True) # استبدال القيم باستخدام الوسيط df['column_name'].fillna(df['column_name'].median(), inplace=True) # استبدال القيم باستخدام النمط df['column_name'].fillna(df['column_name'].mode()[0], inplace=True) يوجد أيضا حل يمكن تطبيق حيث إذا كانت البيانات مرتبطة بعمود أو أعمدة أخرى، يمكن استخدام خوارزميات تعلم الآلة لتخمين القيم المفقودة، كاستخدام KNNImputer من مكتبة sklearn لتقدير القيم بناء على القيم الأقرب بهذا الشكل تقريبا: from sklearn.impute import KNNImputer import pandas as pd imputer = KNNImputer(n_neighbors=5) # عدد الجيران يمكن تعديله df[['column_name']] = imputer.fit_transform(df[['column_name']])

الأمر يعود إلى عدد الصفوف بشكل أولى حيث إذا كان العدد صغير أو متوسط أي أقل من 10-20 ألف، فإن خوارزميات تعلم الآلة التقليدية تعد الخيار الأفضل لأنها فعالة وسريعة للبيانات الجدولية، أما إذا كان لديك حجم بيانات ضخم ومعقد جدا، فيمكنك التوجه إلى التعلم العميق، لكنه يتطلب موارد كبيرة وحجم بيانات كبير لتجنب الإفراط في التعميم، و في هذه الحالة يمكنك الإعتماد على google colab حيث يوفر لك Gpu سريع جدا مما يساعدك في العمليات.

قبل أن تبدأ البحث، يجب أن تحدد المجال الذي يثير اهتمامك أكثر، إذا كنت مبتدئ فاختر مجال بناء على اهتماماتك الحالية ومعرفتك الأساسية، و أيضا قبل التقدم لأي تدريب، من المهم أن تكون لديك المعرفة الأساسية بالمجال، لذا من الأفضل أن يكون لدي بعض الخبرة أيضا في المجال الذي تريد تحديده. و آخر خطوة هي البحث عن فرص تدريب أو عمل تطوعي و هناك العديد من الشركات والمنصات التي تقدم فرص تدريب مجانية عن بعد، سواء كانت مدفوعة أو تطوعية يمكنك البحث عبر LinkedIn أو Internshala أو Glassdoor. و أيضا المشاركة في المشاريع مفتوحة المصدر توفر فرصة ممتازة لاكتساب الخبرة العملية و هذا الأمر يزيد من فرص توظيفك.

يتم تحديث الدورات في أكاديمية حسوب بشكل دوري لتلبية احتياجات المتعلمين ومواكبة التقنيات الحديثة، سيتم أخذ طلبك لإضافة مسار FastAPI في التحديثات المستقبلية، إبقى دائما على إطلاع بالتحديثات الخاصة بالدورات حتى يكون لديك علم بكل ما يتم إضافته أو أي مسار يتم تحديثه من خلال صفحة آخر التحديثات.

قم بإعداد بياناتك في ملف CSV يحتوي على النصوص، التلخيصات، والتصنيفات، ثم قسمها إلى مجموعات تدريب واختبار، و استخدم Fine-Tuning لتخصيص نموذج GPT-3.5 أو GPT-4 عبر OpenAI API أو مكتبة Hugging Face، مع OpenAI حول البيانات إلى تنسيق JSONL وابدأ التدريب باستخدام واجهة CLI، أما مع Hugging Face قم بتحميل نموذج مسبق التدريب مثل GPT-2، وجهز بياناتك باستخدام مكتبة datasets، ثم استخدم Trainer لتدريب النموذج محليا، و بعد التدريب استخدم النموذج للرد على المستخدم وفقا للتصنيفات، وأيضا لتوفير الموارد اختر نماذج أصغر أو قلل حجم البيانات أثناء التدريب، وقيم أداء النموذج باستخدام مجموعة اختبار لتحسين النتائج.

لا تقلق حيال هذا الأمر فسيتم إختبارك فقط في المسارات التي درستها و بالتالي عليك إكمال أربع مسارات على الأقل و من ثم يمكنك التقديم للإختبار، لا تنسى أن تذكر المسارات التي درستها في الدورة حتى يتم بناء الإختبار على حسبها.

في الواقع UML تم تصميمها في الأصل لدعم البرمجة الكائنية التوجه، لكن يمكن استخدامها بشكل فعال حتى في المشاريع التي تستخدم Node.js، فقط حاول اختيار المخططات المناسبة للمشروع لأنه UML يحتوي على عدة أنواع من المخططات، فلديك Use Case هذه المخططات مفيدة لفهم كيفية تفاعل المستخدمين أو الأنظمة الخارجية مع تطبيقك، و في مشاريع Node.js، يمكن استخدامها لتحديد نقاط النهاية في الـ API أو تحديد الوظائف المهمة للتطبيق. أيضا مخططات Sequence تعتبر مفيدة لأن Node.js يعتمد بشكل كبير على العمليات غير المتزامنة، لذا فإن هذه المخططات مفيدة جدا لفهم التسلسل الزمني للعمليات، خاصة في العمليات غير المتزامنة مثل استدعاء APIs أو التعامل مع الـ Promises، و توضح كيف تتفاعل الكائنات أو الوظائف مع بعضها البعض على مدار الزمن. و المفتاح هنا هو اختيار المخططات المناسبة لطبيعة مشروعك وتكييفها مع هيكلية المشروع.

الكتابة بهذه الطريقة لا تؤثر على كفاءة الكود أو أدائه، وإنما هي مجرد اختصار لجعل الكود أكثر سهولة للقراءة والعمل به، فبدون إختصار تكون بهذا الشكل: import numpy و بالإختصار يكون بالطريقة التي ذكرتها، و الأداء متطابق تماما و الفرق الوحيد أن الكود مع الاختصار أسهل في الكتابة والقراءة، خاصة في البرامج الطويلة التي تتطلب استخدام مكتبة numpy كثيرا.

بالنسبة ل JavaScript فهي لغة برمجة تعمل أساسا على المتصفح، وتم تصميمها لتطوير واجهات المستخدم على الويب، و تستخدم لإضافة تفاعلية إلى صفحات الويب، مثل التحكم في الأزرار، تعديل النصوص، عرض النوافذ المنبثقة، والتفاعل مع المستخدم. أما Node.js فهو بيئة تشغيل تتيح لك تشغيل JavaScript على جانب الخادم، و تم تطوير Node.js استنادا إلى محرك JavaScript V8 الخاص بـ Google، مما يسمح لك باستخدام JavaScript لبناء تطبيقات خادم، مثل بناء واجهات برمجية، إدارة قواعد البيانات، أو إنشاء تطبيقات تعمل في الخلفية.

الأمر يعتمد عليك و على خصائص جهازك، فالعمل على جهازك المحلي يمنحك مرونة أكبر، حيث يمكنك استخدام بيئات برمجية مختلفة بالإضافة إلى التكامل مع أدوات إضافية أو مكتبات قد تكون غير متوفرة على Kaggle، و يمكنك أيضا الاحتفاظ بنسخة محلية من الكود، كما أن هذه الطريقة تسمح لك بالعمل أوفلاين دون الحاجة إلى اتصال بالإنترنت، ولكنها تتطلب منك رفع الكود والبيانات إلى Kaggle عند الانتهاء، بالإضافة إلى تثبيت المكتبات وضبط البيئة البرمجية بنفسك، مما قد يستغرق وقتا. أما العمل مباشرة على Kaggle Notebook يوفر بيئة جاهزة مزودة بجميع المكتبات الشائعة، مما يوفر عليك وقت إعداد البيئة، كما أن Kaggle يقدم أيضا موارد مجانية مثل GPU/TPU لتسريع عملياتك، كما يمكنك مشاركة الكود بسهولة إذا كنت تعمل ضمن فريق، وتوثيق الخطوات بشكل منظم أثناء كتابة الكود. لذا إذا كان المشروع كبير أو يتطلب تخصيصا عميقا أو مكتبات خاصة، فمن الأفضل أن تبدأ على جهازك المحلي ثم ترفع الكود والنتائج إلى Kaggle لاحقا

نعم وجود خلفية سابقة في لغات HTML و CSS يجعلك تشعر أن المحاضرة تمر بسرعة، حيث عندما تكون لديك معرفة مسبقة بالمفاهيم الأساسية، قد تبدو الشروحات السريعة أو المختصرة كافية لأنك تفهم الأمور بسهولة أكبر مقارنة بمن يبدأ من الصفر، و بالنسبة لقصر مدة الفيديوهات لأنه يتم التركيز على أهم النقاط والمفاهيم الأساسية فقط، و هذا الأسلوب يساعد على تقديم المعلومات بشكل مباشر ومكثف، مما يجنب المتعلم الشعور بالملل أو الإطالة غير الضرورية، و الهدف هو تسهيل استيعاب المحتوى دون تشتيت الانتباه.

ال Function هي كتلة من التعليمات البرمجية تستخدم لتنفيذ مهمة محددة ويمكن استدعاؤها من أي مكان في البرنامج فالدوال تستخدم بشكل عام في البرمجة غير الكائنية (Procedural Programming) ويمكن أن تكون مستقلة عن أي كائن. أما ال Method هي نوع خاص من الدوال تعرّف داخل كائن (Object) أو فئة (Class) في البرمجة الكائنية (Object-Oriented Programming) يمكن أن تتفاعل الطرق مع بيانات الكائن الذي تعرف فيه مما يجعلها مرتبطة بسياق الكائن. ببحث بسيط عبر مواقع حسوب يمكنك أن تجد أجوبة عديدة على أسئلتك مثل هذه الإجابة هنا: ما-الفرق-بين-method-و-function

بالتأكيد يمكنك شراء اسم دومين وربطه بموقعك المستضاف على Cloudflare Pages أو Netlify، فكلاهما يدعمان ربط الدومينات المخصصة بسهولة، قبل شراءه تحقق من توفر اسم الدومين الذي تريده، و أيضا تأكد من أن خدمة الدومين تسهل إعدادات DNS.

يمكنك استخدام فلترة البيانات بناء على هذه الحدود، و باستخدام الكود الذي كتبته، الخطوة التالية هي إنشاء شرط يستبعد القيم التي تقع خارج النطاق المحدد بهذا الشكل: import pandas as pd q1 = 87.750000 q3 = 190.000000 iqr = q3 - q1 lower_bound = q1 - 1.5 * iqr upper_bound = q3 + 1.5 * iqr # إزالة القيم الخارجة عن الحدود filtered_diabetes = diabetes[(diabetes['Insulin'] >= lower_bound) & (diabetes['Insulin'] <= upper_bound)] # عرض البيانات بعد إزالة الـ outliers print(filtered_diabetes) و هنا لدينا الشرط diabetes['Insulin'] >= lower_bound يحتفظ بالقيم التي تساوي أو تزيد عن الحد الأدنى، و الشرط diabetes['Insulin'] <= upper_bound يحتفظ بالقيم التي تساوي أو تقل عن الحد الأقصى، و يتم الجمع بين الشرطين باستخدام العامل المنطقي &. و نستخدم DataFrame مع الأقواس المربعة [] لفلترة الصفوف بناء على الشرط، و الناتج سيكون DataFrame جديد بدون الـoutliers.

يجب أن تعرف أولا أن بعض الجامعات تطلب مستوى معين من أجل الترشح للبحث العلمي مع الأساتذة هناك و على الأغلب يكون مستوى ماستر أو ماجيستر، أما إذا كان البحث مع أستاذ حر نعم يمكنك ذلك فالدورة تمنحك أساسا قويا في مفاهيم الذكاء الاصطناعي وتطبيقاته العملية، كل ما عليك فعله هو البحث عن أساتذة يعملون في مجالات الذكاء الاصطناعي أو تعلم الآلة، و من ثم قدم لهم نماذج من أعمالك أو مشاريعك التي نفذتها أثناء الدورة، و أوضح شغفك بمجال البحث واستعدادك للعمل على مشاريع أو مهام بحثية.

أقترح عليك مراجعة هذه الإجابة السابقة وستساعدك على رفع مشاريعك على موقع غيتهاب: في حال أردت التعلم والتزود أكثر بنفسك أقترح عليك هذه المراجع: https://academy.hsoub.com/programming/workflow/git/.

لا توجد أخطاء كثيرة لكن فيما يخص وضع: id="center" يجب وضعه على العنصر الخارجي <div> الذي يحتوي على عناصر النموذج بأكملها، وليس على العنصر الداخلي وهذا سيتيح تطبيق قواعد CSS بشكل صحيح كما يمكن إضافة action للنموذج على عنصر <form> لتحديد وجهة إرسال بيانات النموذج على سبيل المثال: <form action="/login" method="POST">. وينصح أيضا باستخدام سمة placeholder بدلا من value لتقديم نص تعبئة افتراضي في حقول الإدخال على سبيل المثال: <input type="username" id="username" placeholder="Type your user name"> <input type="password" id="password" placeholder="Type your password"> في حال كان سؤالك متعلقا بإحدى الدروس في إحدى الدورات أرجو وضع تعليقك في المرات القادمة في أسفل الدرس في صندوق التعليقات المخصص لذلك.

يقوم الكود بتعريف دالة G(a, b) تأخذ مدخلين a و b وترجع أربعة قيم على شكل Tuple والدالة G(a, b) تقوم بمعالجة الأعداد الفردية من 1 إلى b وتؤثر هذه الأعداد على قيمة i التي تتغير داخل الحلقة الخارجية التي تعتمد على a ثم تجري عمليات حسابية على i و j و T و M وترجع قيمها النهائية لاحظ التالي: الحلقة الخارجية: تتكرر من i = 1 إلى a - 1. الحلقة الداخلية: تتكرر من j = 1 إلى b. الشرط داخل الحلقة الداخلية يقول أنه إذا كان j عددا فرديا فسيتم تنفيذ العمليات الحسابية التالية: زيادة قيمة i بمقدار j. زيادة قيمة T بمقدار i + j (بعد تحديث i). تحديث قيمة M باستخدام الصيغة M + T // 2 + j % i. وعند الإرجاع أي بعد انتهاء الحلقات ترجع الدالة قيم i و j و T و M النهائية. لنأخذ مثالا عند استدعاء G(2, 3) الحلقة الخارجية ستتكرر مرة واحدة فقط عندما يكون i = 1 والحلقة الداخلية تتكرر ثلاث مرات كالآتي: j = 1: i يصبح 2، T يصبح 3، M يصبح 2. j = 2: لا شيء يحدث لأن j زوجي. j = 3: i يصبح 5، T يصبح 11، M يصبح 11. ثم ترجع الدالة (5, 3, 11, 11) وفي استدعاء G(2, 5) يتم نفس الشيء لكن الحلقة الداخلية ستتكرر خمس مرات، وترجع الدالة (10, 5, 26, 29).

يمكنك إتمام أي أربع مسارات من الدورة وليس شرطا إتمامها بالترتيب، لكن من المنطقي ومن المستنصح به إكمال أول مسارين بالترتيب لأخذ الأساسيات اللازمة لإكمال الدورة يمكنك الاطلاع على شروط الامتحان وكيفية التقدم وكيفية التحضير له من خلال هذه المراجع: الامتحان والحصول على الشهادة.

يستطيع ذلك يمكنه ربط قواعد بيانات Oracle بمشروع لارافيل بسبب الدعم الذي توفره حزمة yajra/laravel-oci8 فهذه الحزمة تمكّن لارافيل من التواصل مع قواعد بيانات Oracle بسهولة، مما يسمح له باستخدام مزايا لارافيل مثل Eloquent وQuery Builder لإجراء الاستعلامات يمكنه استخدام حزمة yajra/laravel-oci8 وبعد تثبيت الحزمة، يمكنه إعداد ملف البيئة .env بمعلومات الاتصال بقاعدة البيانات مثل المضيف، واسم المستخدم، وكلمة المرور، واسم قاعدة البيانات أولا تثبيت الحزمة من خلال الأمر: composer require yajra/laravel-oci8 ثم تحديث إعدادات قاعدة البيانات في ملف .env: DB_CONNECTION=oracle DB_HOST=your-host DB_PORT=1521 DB_DATABASE=your-database DB_USERNAME=your-username DB_PASSWORD=your-password وتحديث إعدادات قاعدة البيانات في ملف config/database.php إذا لزم الأمر للتأكد من أنها تتضمن إعدادات Oracle.

ليس لديّ شكّ في ذلك، فالمستقبل اليوم يدور حول الشبكات التوليدية المتعادية (GANs) حيث تعتبر من المواضيع الأساسية في مجال التعلم العميق والذكاء الاصطناعي والشبكات التوليدية هذه هي نماذج تعلم عميق تستخدم لإنشاء بيانات جديدة تشبه البيانات الأصلية (مثل الصور أو الصوت) عن طريق تدريب نموذجين في وقت واحد المنتج الذي يحاول توليد بيانات واقعية، والتمييز الذي يحاول التمييز بين البيانات الحقيقية والمولدة ويمكن أن يتم تضمين شرح هذا الموضوع في التحديثات القادمة يمكنك البقاء على اطلاع دائم أو يمكنك التواصل مع مركز المساعدة وسيرشدونك.

وعليكم السلام، R Markdown و Jupyter Notebook يشتركان في عدة أوجه تشابه، حيث يمكن استخدامهما لتضمين النصوص والأكواد وحتى نتائج التحليل في مستند واحد لكنهما مختلفان في عدة جوانب، لكن الأبرز هو أن Jupyter Notebook يركز على التفاعل المباشر حيث يمكن للمستخدم تشغيل كود وتحليل النتائج فورا، ويدعم لغات متعددة أبرزها Python، مما يجعله مناسبا للاستكشاف التجريبي وتحليل البيانات التفاعلي أما R Markdown، فهو موجه لإنتاج تقارير نهائية متكاملة بتنسيقات مثل PDF وHTML، ويدعم بشكل أساسي لغة R، حيث يتم إعداد المستند بالكامل مرة واحدة (knit) للحصول على النتائج، مما يجعله خيارا أفضل لتوثيق التحليلات وإنتاج التقارير الرسمية.

أسئلة SMART هي أسئلة محددة، وقابلة للقياس، وقابلة للتحقيق، ومرتبطة بالهدف، ومحددة بوقت وهذه أمثلة عن هذه الأسئلة: محددة (Specific): ما هي القيم المحددة التي نريد تحسينها (مثل رضا العملاء أو معدل التحويل)؟ ما هي المجموعة المستهدفة من المستخدمين التي نريد جمع بياناتهم؟ قابلة للقياس (Measurable): كيف يمكننا قياس نجاح هذا القرار (مثل زيادة بنسبة 10% في عدد المستخدمين النشطين شهريًا)؟ ما هي المقاييس الأساسية التي سنعتمد عليها؟ قابلة للتحقيق (Achievable): هل لدينا البيانات والأدوات اللازمة لتحليل هذه المشكلة واتخاذ القرار المناسب؟ هل يمكن تنفيذ القرار بناءً على البيانات المتاحة خلال فترة زمنية معقولة؟ مرتبطة بالهدف (Relevant): كيف يساهم هذا القرار في تحقيق أهداف الشركة العامة، مثل تحسين جودة الخدمة أو زيادة الإيرادات؟ هل هذا القرار ينسجم مع احتياجات وتوقعات العملاء؟ محددة بوقت (Time-bound): متى نحتاج إلى اتخاذ هذا القرار وتحقيق النتائج؟ ما هو الإطار الزمني لتقييم فعالية القرار، مثل تحليل النتائج بعد ثلاثة أشهر؟ الأسئلة يمكن أن تختلف من مجال إلى آخر ومن مشروع إلى آخر فهي ليست قاعدة عامة.