Kais Hasan

مرحبًا حسن، يبدو أن سؤالك متعلق بأحد دروس الدورات، من فضلك قم بإضافة سؤالك في قسم التعليقات أسفل الدرس. تحياتي.

أعتقد أنا ما تقصده بالتحيز هو bias. هذا المفهوم يمثل مدى بعد النموذج الحالي عن النموذج الصحيح. أي لنفترض أننا نريد بناء نموذج يمكنه تمثيل العلاقات الخطية و لكن النموذج الحقيقي للبيانات هو قطع ناقص، عندها سيكون هناك bias عالي لأن النموذج الخاص بنا لا يستطيع تمثيل النموذج الحقيقي مهما تم تدريبه. بينما في حال كان النموذج الحقيقي خطي و كان النموذج الخاص بنا هو كثير حدود polynomial من الرتبة الثانية أو حتى الثالثة، عندها لن يكون هناك bias و ذلك لأن النموذج الخاص بنا يستطيع تمثيل العلاقة الخطية ضمنيًا (عن طريق إسناد قيم صفرية للحدود ذو الرتب العليا و ترك فقط الحد الخطي من كثير الحدود). و لكن في تلك الحالة سيكون هناك variance عالي و غالبًا ستحصل مشكلة overfitting. لذلك من الصعب معرفة أي الطريقتين أفضل بشكل مسبق، هذا يعتمد على البيانات التي لديك و ما هو توقعك لمدى تعقيد النموذج الحقيقي للبيانات (و هو أمر تصبح أفضل فيه مع الخبرة). ما أستطيع تأكيده لك بشكل مسبق، هو أنه في حال كان لديك عدد قليل من البيانات فاستعمال الشبكات العصبية لن يكون جيدًا بشكل مؤكد، لأن هذه الشبكات غالبًا ما تحتوي على الكثير من البارامترات و لذلك تحتاج إلى بيانات كثيرة. في حال وجود بيانات كثيرة فعندها يمكنك البدء بالخوارزميات التقليدية في حال أمكن تطبيقها لتأخذ فكرة عن الأداء الأدنى الذي يمكن تحقيقه خاصة أنه يمكن تدريب النماذج التقليدية بسرعة. و من ثم نقوم بزيادة تعقيد النموذج تدريجيًا حتى نحصل على نتائج جيدة. بالمختصر، في حال كان الهدف فقط تقليل ال bias فزيادة تعقيد النموذج بشكل كبير جدًا ستقلل منه و لكن ذلك على حساب ال variance و بالتالي مشكلة ال overfittnig تحياتي.

و عليكم السلام، ال broadcasting هو ليس مفهوم متعلق بلغة البرمجة بايثون، و إنما متعلق بتقنية يتم تطبيقها في العمليات على المصفوفات. هذه العملية تقوم بتكرار مصفوفة أو شعاع حتى يمكن استعمالها في عملية مع مصفوفة بأبعاد أكبر. لفهم ذلك لنفترض أنه لديك مصفوفة أبعادها h*w*c و لديك مصفوفة أخرى بأبعاد h*w. في هذه الحالة يمكننا تخيل المصفوفة الأولى على أنها عبارة عن c مصفوفة من الأبعاد h*w. لذلك عند جمع المصفوفتين، يتم جمع المصفوفة الثانية مع كل واحدة من هذه ال c مصفوفة من ثم إعادة تركيبها معًا. هذه صورة أيضًا توضح المفهوم مع أمثلة بأبعاد مختلفة، لاحظ كيف يتم نسخ المصفوفة لتناسب أبعادها أبعاد المصفوفة الأخرى. في المثال الأخير أيضًا يتم نسخ المصفوفتين. تحياتي.

هذه التقنية جوهرها هو تحويل العمليات التي نقوم بها بشكل طبيعي لعمليات على مصفوفات عن طريق تجميع المعادلات في مصفوفات أو أشعة و استعمال عمليات المصفوفات مثل ال dot product و غيرها بحيث يصبح لدينا نفس المعادلات و لكن بشكل مجمع في مصفوفات. الفائدة تكمن في إمكانية معالجة العمليات على المصفوات بشكل تفرعي، خاصة مع استعمال ال GPU، فال GPU لديها وحدات معالجة خاصة بالأشعة و المصفوفات تجعل العمليات أسرع بكثير مما يسرع عملية التدريب للنماذج. تحياتي.

و عليكم السلام علي، الإبداع في مجال الذكاء الصنعي ليس في البرمجة، فكتابة برامج الذكاء الصنعي منذ زمن كانت تعد مرحلة مملة و رتيبة و تعيق الإبداع و التطوير السريع و ظهور أطر عمل مثل Tensorflow و PyTorch جعل إمكانية الإبداع و ابتكار أمور جديدة أسهل بكثير. حتى تبتكر شيء جديد فإنك يجب أن تقوم ببحث علمي، و للقيام بذلك هناك عدة خطوات: تحديد المجال الذي ترغب في الإسهام فيه، مثلًا مجال معالجة اللغات الطبيعية. تحديد مهمة محددة ضمن هذا المجال، مثلًا مهمة اكتشاف الإيميلات الضارة spam، طبعًا عليك التأكد أن المهمة التي اخترتها لم يتم حلها بشكل كامل و ما زال هناك إمكانية لتحسين الأداء فيها. قراءة الكثير من الأوراق البحثية عن المهمة التي اخترتها و هدف هذه المرحلة هو أن تصبح لديك فكرة عن الطرق و التقنيات المستعملة في هذه المهمة و المشاكل الموجودة لهذه التقنيات و التي تحتاج إلى حل. بعد كل هذا و بعد أن يصبح لديك دراية كبيرة بالمهمة يمكنك التفكير في حل معين لهذه المشكلة، و هنا يأتي دور الإبداع في ابتكار طرق جديدة لحل المشاكل الموجودة و بالتالي تحسين الأداء. الأمر ليس سهل أبدًا، و بالطبع لا ينصح بالبدء فيه و إنما ينصح أن تدرس الكثير من الأمور العامة عن المجال و الأمور النظرية في البداية و تقوم بالتطبيق العملي حتى تكتسب خبرة في المجال من ثم يمكنك البدء في البحث العلمي. كما أنه يجب أن تضع في الحسبان أن هذه العملية تستغرق أشهر و ربما سنوات، حيث أنك تحتاج بضعة أشهر لقراءة الأوراق و تحديد المشكلة التي تريد حلها و ما إذا كان هنالك أي مجهود من قبل أشخاص آخرين لحلها، و أشهر أو سنوات من التجريب و التفكير في حل هذه المشكلة. ليس كلامي لتثبيط طموحاتك، فالبحث العلمي هو أفضل ما يمكن للشخص القيام به في أي مجال، و لكن يجب أن يدرك الشخص مقدار الجهد الذي عليه بذله و هل هو مستعد لذلك أم يريد أن يكتفي بالتطبيق العلمي، خاصة أن البحث العلمي بشكل عام ليس مصدر دخل جيد. تحياتي.

إن أي api مجانية غالبًا ما تأتي مع بعض القيود على عدد الطلبات التي يمكن إرسالها في اليوم أو الشهر. بالتالي عليك توقع وجود حدود فلا أحد سيقدم هذه الخدمة بشكل مجاني كاملًا. و وجود فئة مجانية من الخدمة هو لمن يريد تجربة الخدمة. يمكنك الإطلاع مثلًا على Mapbox فهي توفر ما تريده مع بعض القيود التي يمكنك الإطلاع عليها من هنا: https://www.mapbox.com/pricing#maps تحياتي.

و عليكم السلام، في البداية عليك أن تعلم أن لغة بايثون هي لغة ضرورية لدورة الذكاء الصنعي و أول مسار في الدورة مخصص لذلك، بالتالي ستتعلم القليل من البايثون في تلك الدورة. إن صناعة التطبيقات هو مجال جيد و سيبقى مهم في سوق العمل، بالطبع يجب دائمًا مواكبة التطورات، و حاليًا في مجال صناعة التطبيقات يجب على أي مطور أن يعلم كيف يستفيد من تطبيقات الذكاء الصنعي لتسريع عمله، مثل استعمال تطبيق Copilot الذي تقدمه مايكروسوفت مجانًا و يمكنك عن طريقه جعل ال AI يقوم بقسم كبير من عملية التطوير، بالطبع يبقى عليك أن تنظم العملية و كيفية سيرها فالذكاء الصنعي جيد عندما تعطيه مهمة محددة جدًا. إن التخصص في مجال الذكاء الاصطناعي يحتاج إلى وقت أكبر بكثير و جهد أكبر، كما أن التميز في المجال يحتاج إلى معرفة جيدة في الرياضيات و متابعة مستمرة لآخر الأوراق البحثية، بالتالي يمكن اعتبار مجال تطوير التطبيقات مجال أسهل نسبيًا و يحتاج إلى وقت أقل لإتقانه خاصة مع وجود أدوات الذكاء الاصطناعي لمساعدتك. طبعًا مجال ال AI مجال ممتع أكثر، خاصة أن تطبيقاته مميزة أكثر و هذا ما يفسر الجهد الأكبر الذي يجب بذله. بالتالي الأمر يعتمد على الوقت المتوافر لديك و مدى استعدادك لبذل جهد كبير. تحياتي.

مرحبًا، ليس من المطلوب نفس درجة الاتقان بالطبع. بشكل عام ستلاحظ تشابه في المفاهيم، فكيفية هيكلية تطبيق الويب باستعمال react native مشابهة قليلًا لهيكلية ال html و بالتالي فهمك لها سيسرع عملك. من الجيد دائمًا أن تتعلم html, css بشكل مسبق لتعلمك أي شيء آخر في مجال الويب أو تطوير تطبيقات الموبايل، و ذلك بسبب المفاهيم بشكل أساسي، كما أنها ليست بالتقنيات الصعبة و يمكن لأي شخص تعلمهما في مدة شهر لا أكثر. تعلم الأمور الأساسية و ما تبقى يمكنك البحث عنه عند الحاجة. تحياتي.

إننا لا نقوم بحل الأسئلة الامتحانية أو الوظائف للطلاب، هذا لن يعود عليكي بأي نفع. عليك محاولة حل السؤال بنفسك و سنكون مستعدين لمساعدتك في حال كان لديكي سؤال عن تعليمة ما أو عن كيفية عمل تابع ما. و لكن حل الوظيفة بالكامل هو أمر غير جيد. إن السؤال ليس صعب و هو يطلب فقط كتابة بعض التوابع التي تقوم بحساب مساحة أشكال مختلفة بسيطة، معادلة أي شكل يمكنك إيجادها ببحث بسيط على غوغل من ثم محاولة كتابة الكود بنفسك. تحياتي.

إن الصورة المرفقة لم يتم تحميلها بشكل صحيح. من فضلك قومي بإعادة تحميلها. تحياتي.

مرحبًا يوسف، سؤالك غير واضح، من فضلك قم بشرح ما تريده بشكل أكبر حتى يمكننا مساعدتك. تحياتي.

يبدو أنه لديك خطأ مطبعي بسيط، و المقصود هو neural networks أي الشبكات العصبية. الشبكات العصبية هي عبارة أحد نماذج تعلم الآلة و التي تعتمد على عمق الشبكة (عدد الطبقات) لتعلم أنماط معقدة. أي الشبكات العصبية بشكل عام تكون مرتبطة بالتعلم العميق deep learning. أي مثال يمكنك تطبيق شبكة عصبية عليه طالما أنه يوجد بيانات كثيرة، حيث أنها بشكل عام تحتوي على عدد كبير من الأوزان التي يجب تعلمها و هذا ما يحتاج بيانات كثيرة. مثلًا لنفترض أنك تريد توقع سعر بيت ما بناء على عدة عوامل، منها حجم البيت بالمتر المربع، عدد الغرف في هذا البيت، هل يحتوي على فناء خلفي، هل هو بيت مستقل أم شقة ضمن بناء، و غيرها من العوامل. يمكنك استعمال شبكة عصبية للقيام بذلك، فهي تقوم بأخذ هذا الدخل و محاولة اكتشاف الربط بينه و بين سعر البيت، أي تحاول اكتشاف العلاقة بينهما. فمثلًا يمكنها أن تكتشف سعر البيت الوسطي، و أن سعره يزداد بمقدار معين في حال كان بيت مستقل و ليس شقة، و أن سعره يزداد أيضًا في حال كان يحوي على مسبح. و أن سعره مرتبط أيضًا بحجمه. و الكثير من الخصائص التي تكتشفها الشبكة لوحدها من البيانات. يمكنك الاشتراك بدورة الذكاء الصنعي و التي ستعلمك أكثر عن هذه الشبكات و عن شبكات متقدمة أكثر بحيث يمكنك بناء تطبيقات حقيقة باستعمالها. تحياتي.

و عليكم السلام علي، هذا يعتمد على الهدف من بناء الشبكة. في حال كنت في مرحلة التعلم دائمًا حاول في البداية بناء الشبكة من الصفر حتى تتعلم بشكل أفضل، حيث أن استعمال الأدوات سيغطي على الكثير من الأخطاء التي كان من الممكن أن تتعلم منها الكثير. في حال كنت تريد بناء تطبيق فغالبًا استعمال الأدوات الجاهزة هي أفضل فهي تسرع العمل، كما أنها تسهم في الحد من الأخطاء البرمجية التي يمكن أن تحدث عن طريق الخطأ. تحياتي.

هذا القرار هو قرار شخصي لا أحد يمكنه أخذه عنك. استثمر وقتك في المجال الذي تحبه أكثر بما أن المجالين مطلوبين بكثرة. تحياتي.

كلاهما مطلوب جدًا. جافا سكربت هي أساس لكثير من أطر عمل الواجهات الأمامية frontend مثل react و غيرها، كما أنها تستعمل في ال backend أيضُا في node.js و غيرها من أطر العمل. أما فلاتر فتستعمل لتطوير تطبيقات الموبايل و هي أيضُا مطلوبة جدًا. بالتالي الأمر يعتمد على ما ترغب في القيام به. تحياتي.

مرحبًا، إذا كان الموقع يقوم بهذه العملية فهذا يعني أحد أمرين: 1. الموقع لا يرغب بسحب بياناته بهذا الشكل و بالتالي هذه العملية غير قانونية. 2. الموقع لا يريد الضغط على سيرفراته من قبل عمليات السحب و يريد تنظيمها نوعًا ما. قد تعتقد أن كلا الحالتين متماثلتين و لكن هناك فرق أنه في الحالة الأولى لن يوجد أي حل (إلا في في حال كان الموقع يقدم ذلك بشكل مدفوع) أما في الحالة الأخرى فقد يوفر الموقع حلولًا مثل API تقوم بالتخاطب معها و هكذا يتم الفصل بين التطبيقات و بين المستخدمين العاديين. بالتالي عليك البحث ضمن الموقع عما إذا يكون يوفر هذه الميزة أم لا، و إلا تكون تقوم بعمل غير قانوني. تحياتي.

مرحبًا، إن ال linear regression هو خوارزمية احصائية، بالتالي لا فرق من الناحية المبدئية بينهما، فتعلم الآلة تستعمل ما تم ابتكاره في الاحصاء قبل سنين كثيرة. في الأصل تعلم الآلة ظهر من الاحصاء فالنماذج الاحصائية هي من أوائل النماذج التي تستعمل للتعرف على الأنماط. الفرق الذي حصل بعد استعمال تعلم الآلة لهذه الخوارزمية هو الزيادة الكبيرة في البيانات، و في عدد المتغيرات الخاصة بهذه الخوارزمية (بسبب استعمال نماذج أكبر). بسبب هذه الفروق، قد تختلف طريقة الوصول إلى النقطة الأمثلية للمتغيرات في هذه الخوارزمية، ففي الطريقة التقليدية للاحصاء يتم استعمال الجبر الخطي للحصول على القيم الأمثلية بشكل مباشر. هذا غير ممكن في حال كان عدد البيانات كبير جدًا و لذلك في تعلم الآلة سترى استعمال لخوارزمية ال gradient descent (و تحسيناتها الكثيرة) للوصول إلى قيمة تقريبية للمتغيرات الأمثلية. أي باختصار لا فرق من ناحية النظريات و الخوارزمية المستعملة، الفرق فقط هو كيفية الوصول إلى أفضل قيم للمتغيرات في حال كان عدد البيانات كبير جدًا. تحياتي.

مرحبًا، التعليقات مفيدة جدًا لتوضيح الغاية من الكود أو توضيح بعض التعليمات الصعبة. فهو مفيد لك في حال عدت إلى المشروع بعد فترة توقف، أو لغيرك من المبرمجين الذين قد يستعملون الكود الخاص بك. يجب كتابة التعليقات لشرح بعض أجزاء الكود، و لكن هذا لا يعني شرح كل تعليمة، فمثلًا تعليمة إسناد قيمة لمتغير لا يجب أن تشرحها فهي واضحة جدًا. لكن يمكنك كتابة تعليق لشرح آلية عمل تابع معين (نضع التعليق فوق التابع). يفضل أن يكون التعليق يشرح الغاية العامة و من الممكن أن يقدم بعض الملاحظات عن طبيعة الدخل الخاص بدالة، و لكن لا يجب للتعليق أن يشرح الأمور بشكل تفصيلي، فالشرح التفصيلي هو وظيفة التوثيقات الخاصة بالكود. رغم ذلك يتم في بعض المشاريع القيام بشرح تفصيلي لاستعمال بعض الأدوات التي تقوم بإنشاء التوثيق بناء على التعليقات. بالمختصر، عليك إضافة تعليقات لجعل الكود أوضح، و لكن أبقها مختصرة قدر الإمكان. تحياتي.

مرحبًا علي، دائمًا من الأفضل التركيز على بضعة أشياء ذو أهمية عالية بدلًا من توزيع تركيزك على الكثير من الأشياء. من الأفضل أن تضع كل جهدك في مسابقة واحدة بدلًا من توزيعه على أكثر من مسابقة فهذا سيؤدي إلى نتائج أفضل. تحياتي.

و عليكم السلام، لا يضيع مجهودك، لقد حصل معي هذا الأمر في أحد المرات. كل ما عليكي القيام به هو التواصل مع مركز المساعدة و إخباره بما حصل. بالطبع يجب أن تكون كامل ملفات المشروع مرسلة إلى العميل عبر المحادثة. في هذه الحالة يقوم المشرفون بإعطاء مهلة معينة (حوالي 15 يوم) و في حال لم يقم العميل بالرد يتم إغلاق المشروع و إعطاءك كامل الأرباح في حال كان المشروع منتهي، أو جزء من الأرباح في حال كان منتهي بشكل جزئي. تحياتي.

و عليكم السلام، هي أداة تستعمل لتوليد بيانات واقعية جدًا، و هي تقوم بتوليد البيانات على شكل ما يدعى ب Point Cloud أي عبارة عن نقاط سحابية، و هي نقاط ثلاثية الأبعاد تشكل المشهد كله. هذه مثلًا صورة توضح النقاط السحابية: يمكنك أن تطلع أكثر على ما تقوم هذه الأداة بتوليده عن طريق الموقع التالي: https://www.synthcity.xyz/ تحياتي.

و عليكم السلام، لا يمكن المقارنة بين مجال و مكتبة، فهما شيئان مختلفان تمامًا. التعلم العميق هو عبارة عن مجال ضمن مجال أكبر هو الذكاء الصنعي. بينما المكاتب مثل OpenCv و غيرها هي مكاتب تقوم باستعمال توابع مختلفة للقيام بالأمور المطلوبة، مثلًا في حال التعرف على الوجه قد تقوم باستعمال تقنيات تقليدية أو تقنيات ذكاء صنعي. مثلًا مكتبة face-recognition تقوم باستعمال نموذج تعلم عميق للقيام بالتعرف على الوجه. تحياتي.

و عليكم السلام، لا شيء يدعو للخوف، حتى لو كان الكود الخاص بك ليس مثاليًا فمن الجيد نشره هناك للحصول على بعض التقييمات ممن هم أكثر خبرة، هذا يفيدك في تطوير نفسك بشكل أسرع بكثير من الاعتماد على تقييمك الذاتي فقط. حتى تحصل على دعم أكبر من الجيد أن تقوم بترتيب الكود قدر الإمكان و تقوم بإضافة تعليقات توضيحية عند بعض النقاط حتى تساعد من يقرأ الكود الخاص بك. تحياتي.

مرحبًا، يمكنك الإطلاع على كل هذه المعلومات من خلال الصفحة التالية: https://support.academy.hsoub.com/exams تحياتي.

مرحبًا، هذه الدالة تقوم بتطبيق اختبار يدعى T-test على مجموعتين من عينات البيانات. يقوم هذا الاختبار بالتحقق من مدى تقارب المتوسط الحسابي لكل من المجموعتين و هو يستعمل في حال كانت هذه العينات تتبع إلى توزع طبيعي. أي فعليًا هي لا تفترض أي شيء حول الانحراف المعياري للتوزع الخاص بالبيانات، و لكنها تحاول قياس تقاربهما من ناحية المتوسط الحسابي فقط. تحياتي.