ياسر مسكين

بالنسبة لمشكلة عدم تجميع البيانات المترابطة يمكنك استخدام Group Expert والتجميع حسب BUYCODE ثم تفعيل "Suppress Blank Section" في Details وأيضا تفعيل "Keep Together" في خصائص المجموعة، كما أنك قد قمت باستخدام نفس DataTable للعمليات المتعددة وحساب TOTAL خاطئ فهو يأخذ الإجمالي الكلي بدل إجمالي السطر وأيضا تكرار Update داخل الحلقة لذا يمكن تعديله ليصبح: // تعريف DataTable جديد لكل عملية DataTable dtDetails = new DataTable(); SqlDataAdapter adp = new SqlDataAdapter("SELECT * FROM BUY_DET", Class1.con); adp.Fill(dtDetails); for(int i=0; i<dataGridView1.Rows.Count; i++) { DataRow dr_ = dtDetails.NewRow(); dr_["BUYCODE"] = BUYCODE.Text; dr_["ITEMCODE"] = dataGridView1.Rows[i].Cells[0].Value; dr_["ITEMNAME"] = dataGridView1.Rows[i].Cells[1].Value; dr_["PRICE"] = dataGridView1.Rows[i].Cells[2].Value; dr_["QTY"] = dataGridView1.Rows[i].Cells[3].Value; // حساب إجمالي السطر dr_["TOTAL"] = Convert.ToDecimal(dataGridView1.Rows[i].Cells[2].Value) * Convert.ToDecimal(dataGridView1.Rows[i].Cells[3].Value); dtDetails.Rows.Add(dr_); } // تحديث مرة واحدة خارج الحلقة SqlCommandBuilder cmd_ = new SqlCommandBuilder(adp); adp.Update(dtDetails);

مكتبة Seaborn في Python هي مكتبة متقدمة لإنشاء الرسوم البيانية وتُستخدم بشكل أساسي لتحليل البيانات وتصوير العلاقات الإحصائية، ;id وهي تحتوي على مجموعة من مجموعات البيانات المدمجة التي يمكن استخدامها كعينات لتجربة الرسوم البيانية والبدء في تحليل البيانات وهذه البيانات مدمجة داخل المكتبة وتستخدم غالبا في الأمثلة التعليمية والتطبيقات التجريبية ولكن البيانات المدمجة في Seaborn صغيرة الحجم وتستخدم أساسا في التعلم وتجربة المكتبة لذا إذا كنت تعمل على مشاريع تحليل بيانات فعلية، ستحتاج عادة إلى استيراد بياناتك من مصادر خارجية كملفات CSV وقواعد بيانات يمكنك إيجاد المزيد من المعلومات من هنا:

الدالة C() في مكتبة statsmodels تستخدم لتصنيف المتغيرات (categorical variables) في النماذج الإحصائية ويتم استخدامها لتحويل المتغيرات النوعية (categorical variables) إلى متغيرات وهمية (dummy variables) تلقائيا، مما يسمح بإدراجها في نماذج الانحدار الخطي أو غيرها من النماذج الإحصائية وعند استخدام الدالة OLS لإجراء تحليل الانحدار، فإن C() تستخدم لتضمين المتغيرات النوعية. بدلا من إدخال المتغير النوعي كرقم (مثل 1، 2، 3) أين يتم تحويله إلى متغيرات وهمية بحيث يمكن للنموذج التعامل معه بشكل صحيح. و C() يقوم بتشفيره إلى متغيرات رقمية متعددة تمثل الفئات، مما يساعد النموذج على التعامل معها بشكل صحيح دون الحاجة لتحويلها يدويا وهذا باستخدام طرق مثل pandas.get_dummies(). ويتم استخدامه عادة عند التعامل مع المتغيرات النوعية في تحليل الانحدار أو في نماذج أكثر تعقيدا مثل النماذج المختلطة (Mixed Models) أو تحليل التباين (ANOVA) كما تتيح خيارات إضافية مثل تحديد ترتيب الفئات أو نوع الترميز المستخدم (مثل التأثيرات بدلا من الترميز الوهمي) إلى جانب OLS ويمكن استخدامها لإنشاء تفاعلات بين المتغيرات أو تخصيص تمثيل المتغيرات النوعية في أي نموذج إحصائي.

المشكلة تكمن في عدم تطابق شهادة SSL مع اسم النطاق الخاص بموقعك لحل هذا يجب عليك الدخول إلى لوحة تحكم الاستضافة الخاصة بك، والتأكد من تثبيت شهادة SSL بشكل صحيح بعد ذلك قم بالدخول إلى لوحة تحكم WordPress، واذهب إلى "الإعدادات" ثم "عام" وقم بتحديث عنوان URL الموقع وعنوان WordPress URL ليتطابقا مع النطاق الصحيح، مع التأكد من استخدام https:// بدلا من http:// وأخيرا قم بمسح كاش المتصفح وأي كاش خاص بإضافات WordPress.

دالة crosstab هي أداة مفيدة جدا لتحليل البيانات وإنشاء جداول تقاطعية (جداول محورية) وتستخدم لحساب تكرار العلاقات بين متغيرين أو أكثر في البيانات والاستخدام الأساسي للدالة كالتالي: pd.crosstab(index, columns) وهذا مثال لنفترض التالي: import pandas as pd data = { 'النوع': ['ذكر', 'أنثى', 'ذكر', 'أنثى', 'ذكر'], 'المدينة': ['القاهرة', 'الإسكندرية', 'القاهرة', 'القاهرة', 'الإسكندرية'] } df = pd.DataFrame(data) result = pd.crosstab(df['النوع'], df['المدينة']) print(result) والناتج سيكون جدول يوضح كم عدد الذكور والإناث في كل مدينة بحيث الصفوف تمثل النوع والأعمدة تمثل المدينة أين يمكنك حساب النسب المئوية: pd.crosstab(df['النوع'], df['المدينة'], normalize='index') إضافة هوامش المجاميع: pd.crosstab(df['النوع'], df['المدينة'], margins=True) تطبيق دوال حسابية مختلفة: pd.crosstab(df['النوع'], df['المدينة'], values=df['العمر'], aggfunc='mean')

الخطأ موجود في تنسيقات CSS وعندما نلقي نظرة على الكود، نجد: .content{ background-image: url(images/camping-on-top-of-the-mountain-during-sunset-free-photo.webp); width: 500px; height: 500px; } المشكلة هنا أن النص والصورة يتنافسان على نفس المساحة، وبما أن الصورة تم تعيينها ك background-image، فهي تظهر خلف كل شيء والحل البسيط هو إضافة padding للعنصر content لإعطاء مساحة للنص: .content{ background-image: url(images/camping-on-top-of-the-mountain-during-sunset-free-photo.webp); width: 500px; height: 500px; padding-top: 30px; } .content p { background-color: rgba(255, 255, 255, 0.7); padding: 5px; text-align: center; }

الانحدار الخطي هو تقنية إحصائية تستخدم لنمذجة العلاقة بين المتغيرات فهناك نوعان رئيسيان من الانحدار الخطي الأول الانحدار الخطي البسيط (باستخدام متغير واحد) والانحدار الخطي المتعدد (باستخدام أكثر من متغير) واختيار أي نوع من الانحدار يعتمد على طبيعة البيانات والعلاقة بين المتغيرات بالنسبة للنوع الأول المشكلة لنقل أننا نريد دراسة العلاقة بين عدد ساعات الدراسة (التي سنرمز لها بـ X) ودرجات الامتحان (التي سنرمز لها بـ Y) كالتالي: ساعات الدراسة (X) درجات الامتحان (Y) 1 50 2 60 3 70 4 80 5 90 يمكننا استخدام المعادلة التالية: Y=β0+β1X وبعد تحليل البيانات، لنفترض أن النتائج هي: Y=50+10X ولنفسر النتيجة فإن: β0=50 وهذا يعني أنه إذا لم يدرس الطالب (0 ساعات)، ستكون درجته 50. β1=10 هذا يعني أن كل ساعة دراسة إضافية تزيد من الدرجة بمقدار 10 درجات. وبالنسبة للاختيار المتعدد دعنا نضيف متغيرا آخر، وهو عدد الساعات التي يقضيها الطالب في النوم لنرمز له بـ Z ونريد دراسة تأثيرها أيضا على درجات الامتحان كالتالي: ساعات الدراسة (X) ساعات النوم (Z) درجات الامتحان (Y) 1 6 50 2 5 60 3 8 70 4 7 80 5 8 90 وهنا يمكننا استخدام المعادلة التالية: Y=β0+β1X+β2Z بعد تحليل البيانات، لنفترض أن النتائج هي: Y=40+8X+5Z أي أنه: β0=40: إذا لم يدرس الطالب (0 ساعات) ولم ينم، ستكون درجته 40. β1=8: كل ساعة دراسة إضافية تزيد من الدرجة بمقدار 8 درجات. β2=5: كل ساعة نوم إضافية تزيد من الدرجة بمقدار 5 درجات. بالنسبة لسؤالك الجديد في الانحدار الخطي المتعدد، يمثل: b1,b2,…,bn تأثيرات المتغيرات المستقلة المختلفة على المتغير التابع Y وكل 𝑏𝑖 (حيث 𝑖 هو رقم المتغير) يعكس مقدار تغير Y عند زيادة xi بوحدة واحدة، مع ثبات بقية المتغيرات رغم وجود عدة معاملات (ميول)، فإن النموذج يمثل علاقة واحدة بين المتغيرات المستقلة وY، ويستخدم لتحديد أفضل خط (أو سطح) ملائم يحقق أفضل تطابق بين القيم المتوقعة والملاحظة.

ال ANCOVA (Analysis of Covariance) هو أسلوب إحصائي يستخدم لتحليل البيانات، ويجمع بين ميزات تحليل التباين (ANOVA) والانحدار والهدف الأساسي من ANCOVA هو تقييم تأثير متغيرات مستقلة (مثل العوامل أو التجارب) على متغير تابع (مثل النتائج) مع التحكم في تأثير متغيرات أخرى تعرف بالمتغيرات المُشوشة أو المتغيرات المرافقة. ومن بين الاستخدامات الرئيسية لل ANCOVA التحكم في المتغيرات فهو يساعد في تقليل تأثير المتغيرات المرافقة التي قد تؤثر على النتائج وأيضا تحليل تأثير العوامل بحيث يمكن من مقارنة المتوسطات بين مجموعات مختلفة مع الأخذ في الاعتبار تأثير المتغيرات الأخرى إضافة إلى تحسين دقة النتائج فهو يزيد من دقة تقديرات تأثير المتغيرات المستقلة على المتغير التابع. وعلى سبيل المثال إذا كنت تجري دراسة على تأثير برنامج تعليمي معين على أداء الطلاب، يمكنك استخدام ANCOVA للتحكم في تأثير المتغيرات مثل العمر أو مستوى الذكاء، مما يساعد في الحصول على نتائج أكثر دقة حول تأثير البرنامج التعليمي على الطلاب. يمكنك مراجعة البعض من المعلومات حول تحليل التباين من هنا:

وعليكم السلام ورحمة الله وبركاته، أهنئك على نجاحك وعقبال الدخول في الحياة المهنية، ولا تخف ففريق الأكاديمية سيرافقك حتى بعد إتمامك للاختبار ونجاحك. بالنسبة للتأخر في الردود فهذا بسبب الضغط على مركز المساعدة، فحتما الأمور تسير بالتدريج ولا داعي للقلق، يمكنك التأكد من قنوات الاتصال لديك كالإيمايل وفي الرسائل المهملة، يمكنك مراجعة هذه الأجوبة لإيجاد ما تحتاجه من استفسارات أيضا من هنا:

أرجو طرح سؤالك في قسم الدورات، في أسفل الدرس ستجد صندوقا للتعليقات مثل الذي هنا، يمكنك طرح أي استفسار أو سؤال متعلق بالدورة، لأنّ هذه المساحة مخصصة فقط لطرح الأسئلة العامة. تحياتي.

الموقع يعمل بشكل عادي جدا، ربما يكون الأمر بسبب نقص في التغطية أو في الشبكة، لذا حاول أن تكون في منطقية التغطية فيها جيدة وسرعة الأنترنت لديك جيدة، إضافة إلى ذلك يمكنك تعديل نوعية الفيديوهات من خلال التحكم فيها كما تريد: في حال واجهتك مشكلة تقنية أخرى يمكنك تحديدها وسنساعدك لتوضيحها، أو يمكنك التواصل مباشرة مع مركز المساعدة من هنا: مركز مساعدة أكاديمية حسوب.

لربط الصفحات ببعضها بطريقة بسيطة ومباشرة، يمكنك إنشاء صفحة رئيسية تحتوي على روابط باستخدام عناصر <a> في HTML، وكل رابط يؤدي إلى صفحة مختلفة مثلا في الصفحة الرئيسية (index.html) <!DOCTYPE html> <html lang="ar"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>الصفحة الرئيسية</title> </head> <body> <h1>مرحبًا بك</h1> <a href="page1.html">صفحة 1</a> | <a href="page2.html">صفحة 2</a> | <a href="page3.html">صفحة 3</a> </body> </html> ثم أنشئ الصفحات الأخرى (page1.html, page2.html, page3.html) بنفس الطريقة، مع محتوى مختلف لكل صفحة يمكنك محاولة تطبيق الفكرة لغرض التعلم.

وأيضا نرى أنّ البرمجة الكمية تتطلب فهما للمفاهيم الرياضية مثل التحويلات الكمية (quantum gates)، والتراكب (superposition)، والتشابك الكمي (entanglement). لغة البرمجة المستخدمة مثل Qiskit (التي تستخدم Python) أو Microsoft Q# تختلف كثيرًا عن البرمجة التقليدية. يمكنك إيجاد مصادر عدة على الأكاديمية من هنا:

أول خطوة هي التخطيط يجب أن تحدد نوع الاشتراكات التي ستقدمها، وفهم احتياجات السوق والجمهور المستهدف وأن تتأكد من تسجيل عملك بشكل قانوني، والحصول على التراخيص اللازمة لمزاولة النشاط أما من ناحية البرمجة فمن المهم البدء باختيار تصميم جذاب وسهل الاستخدام بحيث تركز عىل مهارات تجربة وواجهات المستخدم، هنا يمكنك استخدام أدوات تصميم مثل Adobe XD أو Figma. بالنسبة للتقنيات واللغات البرمجية يمكنك تعلم: HTML/CSS: لبناء واجهة المستخدم. JavaScript: لإضافة تفاعلية للموقع. PHP أو Node.js: لتطوير جانب الخادم والتعامل مع قاعدة البيانات. SQL: لإدارة البيانات في قاعدة البيانات. بالنسبة للبنية التحتية يمكنك اختيار مزود خدمة استضافة موثوق والتأكد من تأمين الموقع باستخدام بروتوكولات HTTPS وأما بالنسبة لنظام الدفع يمكنك الحرص على وجود تكامل مع بوابات الدفع مثل PayPal أو Stripe لتسهيل عملية الدفع إذا أردت. وليس شرطا التقيد بهذه التقنيات، فمثلا يمكنك استخدام للغات مثل Python (Django/Flask) أو PHP (Laravel) أو Node.js (Express) لتطوير البنية الخلفية ومعالجة الطلبات وستحتاج إلى قاعدة بيانات مثل MySQL أو MongoDB لتخزين بيانات العملاء والاشتراكات.

يمكنك فرض شرط على المستخدم من خلال استخدام JavaScript للتأكد من أنه قام بإدخال واحد فقط من الحقلين فإذا كان المستخدم قد أدخل نصًا في الحقل الأول، يجب أن يكون الحقل الثاني فارغا، والعكس صحيح يمكن التحقق من هذه الشروط عند إرسال النموذج (form): document.querySelector("form").onsubmit = function(event) { const textField = document.querySelector("#textField"); const fileInput = document.querySelector("#fileInput"); if (!textField.value && !fileInput.files.length) { alert("يرجى إدخال نص أو تحميل صورة."); event.preventDefault(); return false; } if (textField.value && fileInput.files.length) { alert("يرجى إدخال نص أو تحميل صورة فقط."); event.preventDefault(); return false; } }; فإذا كان المستخدم قد أدخل نصا، يمكنك حفظه مباشرة في حقل نصي في قاعدة البيانات وإذا كان قد رفع صورة، يمكنك تخزين الصورة في مجلد مخصص على الخادم ثم حفظ مسار الصورة في قاعدة البيانات: CREATE TABLE user_inputs ( id INT PRIMARY KEY AUTO_INCREMENT, input_text TEXT, image_path VARCHAR(255) ); وللاستعلام لإدخال البيانات في حالة ما إذا كان هناك نص فقط: INSERT INTO user_inputs (input_text) VALUES ('نص المستخدم'); وإذا كانت هناك صورة فقط: INSERT INTO user_inputs (image_path) VALUES ('path/to/image.jpg'); وعند استعراض البيانات من قاعدة البيانات، يمكنك التحقق إذا كان هناك نص أو مسار للصورة ومن ثم عرض المحتوى بناء على ذلك.

لاحظ أن الشرط الذي وضعته هنا: i = 1 while i >= 10: print(i) i += 1 وأقصد الشرط while i >= 10، هو غير صحيح في البداية لأن قيمة i تبدأ بـ 1، والشرط يقول إن قيمة i يجب أن تكون أكبر من أو تساوي 10 لكي تنفذ الحلقة لذا بما أن هذا الشرط غير محقق في البداية (1 >= 10 خطأ)، فلن يتم تنفيذ الحلقة لذا إذا كنت تريد طباعة الأرقام من 1 إلى 10، يجب أن تغير الشرط ليصبح: i = 1 while i <= 10: print(i) i += 1

لتكون مبرمج Odoo جاهزا لمقابلة العمل يجب عليك التركيز على أساسيات Python، XML، PostgreSQL، وفهم بنية Odoo (Modules، Models، Views) وتعلم كيفية تخصيص التطبيقات، كتابة Business Logic، العمل مع Odoo ORM، وإدارة قواعد الوصول (ACLs). البرمجة بإستخدام الأودو موجود داخل دورة تطوير التطبيقات باستخدام لغة Python، بعد الدخول من خلال زر دوراتي يمكنك أن تصل للمسار فهو يغطي تثبيت Odoo، وضع التطوير، بناء تطبيقات مخصصة، واستخدام وضع التنقيح وهذا أساس جيد إضافة له أنصح بالتطبيق العملي الإضافي وقراءة وثائق Odoo الرسمية مع التركيز على Debugging، تكامل APIs، وتخصيص QWeb للواجهة الأمامية وممارسة بناء تطبيقات حقيقية مثل متجر إلكتروني أو نظام داخلي، واستعد لأسئلة حول تخصيص الحلول البرمجية.

شراء منصة الاستضافة المدارة من WordPress يوفر سهولة استخدام ودعم فني مستمر، حيث يتم إدارة التحديثات والأمان بشكل تلقائي، مما يجعلها مثالية للمستخدمين غير التقنيين بالمقابل تحميل WordPress وتنصيبه يدويا عبر FTP يمنحك تحكما كاملا في الإعدادات والتخصيصات بطبيعة الحال ولكنه سيتطلب منك خبرة تقنية أكبر ويتطلب منك أيضا إدارة الأمان والنسخ الاحتياطي بنفسك لذا إذا كنت تبحث عن حل بسيط وموثوق، فالاستضافة المدارة هي الخيار الأفضل، بينما قد يكون التنصيب اليدوي مناسبا لمن لديه مهارات تقنية ويرغب في تخصيص أكبر وحرية أكبر أيضا.

RandomForestRegressor هو خوارزمية تستخدم في مهام الانحدار ضمن أسلوب الغابات العشوائية وتجمع هذه الخوارزمية بين عدة أشجار قرار لتحسين الأداء التنبؤي وتقليل ظاهرة الإفراط في التكيف (overfitting) ويعمل كالتالي: طريقة التجميع: يقوم RandomForestRegressor ببناء عدة أشجار قرار خلال مرحلة التدريب ويتم تدريب كل شجرة على مجموعة فرعية مختلفة من البيانات، تم إنشاؤها عن طريق السحب العشوائي مع الاستبدال (bootstrapping). عشوائية الميزات: وعند تقسيم العقد في الأشجار، يتم النظر إلى مجموعة عشوائية من الميزات ويساعد هذا في جعل الأشجار أكثر تنوعا ويقلل من الترابط بينها. التنبؤ: يتم حساب التنبؤ النهائي عن طريق أخذ متوسط التنبؤات من جميع الأشجار الفردية ويساعد ذلك في تحسين دقة التنبؤات. بالنسبة لاستيراد المكتبة فيتم ذلك من خلال: from sklearn.ensemble import RandomForestRegressor تهيئة النموذج: model = RandomForestRegressor(n_estimators=100, random_state=42) تدريب النموذج: model.fit(X_train, y_train) إجراء التنبؤات: predictions = model.predict(X_test) ويمكنك استخدام مقاييس مثل متوسط الخطأ المطلق (MAE) أو متوسط مربع الخطأ (MSE) لتقييم الأداء: from sklearn.metrics import mean_squared_error mse = mean_squared_error(y_test, predictions) وبالنسبة للفروقات ف RandomForestRegressor يستخدم مجموعة من أشجار القرار لالتقاط العلاقات غير الخطية، بينما الانحدار العادي يعتمد على نموذج خطي يفترض علاقة خطية بين الميزات والمتغير المستهدف. ال RandomForestRegressor أقل عرضة للإفراط في التكيف بفضل متوسط التنبؤات من عدة أشجار، في حين أن الانحدار العادي قد يتعرض لهذه المشكلة في البيانات المعقدة، كما أنه أكثر تعقيدا وأصعب تفسيرا، بينما الانحدار العادي يوفر معاملات واضحة تسهل الفهم وبشكل عام يميل إلى تحقيق أداء أفضل في مجموعات البيانات الكبيرة والمعقدة.

الفرق بين الاستعلامين هو في طريقة اختيار السجلات التي يتم عرضها، وسبب الاختلاف في النتائج هو كيفية تعامل كل استعلام مع الأعمدة "quantity" و"price" ففي الاستعلام الأول: select product_id, year as first_year, quantity, price from Sales where (product_id, year) in ( select product_id, min(year) from Sales group by product_id ); يتم تحديد السجلات التي تحمل أقل سنة (min(year)) لكل منتج (product_id) الشرط (product_id, year) يضمن أن الصف المحدد هو الذي يحتوي على أقل قيمة للسنة بعدها يتم الاحتفاظ بالأعمدة quantity و price كما هي موجودة في الصف الموافق لأقل سنة. بينما الاستعلام الثاني: select product_id, min(year) as first_year, quantity, price from Sales group by product_id; يستخدم group by لتجميع الصفوف حسب product_id بحيث يتم إرجاع أقل سنة (min(year)) لكل منتج، لكن لا يمكن ل SQL هنا معرفة أي قيمة من quantity أو price تختارها لأنهما لا يشتركان في قاعدة التجميع. لذلك إذا أردت التأكد من أن القيم الخاصة بـ quantity و price صحيحة، استمر باستخدام الاستعلام الأول، لأنه يربط القيم بالسجل الصحيح أما إذا كنت تريد العمل فقط مع السنة الدنيا دون الحاجة للتأكد من ارتباط الأعمدة الأخرى بالسنة، يمكنك استخدام الاستعلام الثاني.

وعليكم السلام ورحمة الله، لا أنصح بشكل عام الاعتماد على مصدر دخل واحد خاصة في حال عدم وجود وظيفة أو دخل ثابت للفريلانسر، لذا أنصحك بتنويع مصادر دخلك قدر المستطاع وهذا لا يكون إلا من خلال احتراف مجال محدد التخصص فيه، ثم التثقف وأخذ معارف أخرى لها ترابط مع تخصصك وقد تفتح لك آفاقا جديدة ومصادر دخل أخرى أي قد تكون مفتاحا لها، وليس موضوع المنافسة الصعبة هو المؤرق هنا فمن مصاعب العمل الحر أنّ المشاريع قد لا تكون موجودة أو دائمة، وحتى الوظيفة التي في الغالب تكون عن بعد فهي معرضة للزوال طالما لا يوجد عقد وطيد يحمي العامل الحر. لذا يمكنك أن تعتمد عليه كمصدر دخل مبدئيا لكن هذا لا يعني أن تعوّل عليه، يمكن أن تكون لك تجربة لكن لا تتوقف عن البحث عن مصادر دخل أخرى حتى تحقق أهدافك.

المسابقات تتيح للشركة الوصول إلى أفكار وحلول جديدة من مجموعة واسعة من المبدعين والخبراء في مجالات متنوعة، وفي ذات الوقت المشاركة في مثل هذه المسابقات تعزز من سمعة الشركة كمكان مبتكر وجاذب للمواهب والمبتكرين والمبدعين فمن خلالها يمكن للشركة التعرف على الموهوبين الذين يمكنهم الانضمام إليها في المستقبل وفي أغلب الأحيان يمكن أن تكون المشاكل المعقدة تحتاج إلى وجهات نظر متعددة، والمسابقات توفر ذلك. وأما بالنسبة لفرص العمل والتدريب في Google يمكنك زيارة موقع Google Careers والتقديم على الوظائف المتاحة وفقًا لمهاراتك واهتماماتك كما أنّ هنالك أيضا برامج تدريبية مختلفة مثل Google Internships، والتي توفر فرصا للطلاب والخريجين الجدد.

الواضح أنك تواجهين مشكلة تتعلق بسياسة تنفيذ الأوامر في PowerShell فالرسالة تشير إلى أنك بحاجة إلى تغيير سياسة التنفيذ للسماح بتشغيل الأوامر لحل المشكلة يمكنك فتح PowerShell كمسؤول من خلال البحث عن "PowerShell" في قائمة ابدأ ثم النقر بزر الماوس الأيمن على "Windows PowerShell" واختاري "Run as administrator" بعدها تقومين بتغيير سياسة التنفيذ من خلال إدخال الأمر التالي لتغيير سياسة التنفيذ إلى RemoteSigned: Set-ExecutionPolicy RemoteSigned وهنا يرجى الانتباه فقد يطلب منك تأكيد العملية لذا اكتبي Y للإشارة إلى Yes ثم اضغطي على Enter وبعد الانتهاء يمكنك التحقق من السياسة الحالية باستخدام الأمر: Get-ExecutionPolicy

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. بالنسبة للشيفرة التي تظهر في الصورة فعلى ما يبدو هي لمشروع التنبؤ بأسعار الماس من موقع كاغل والمكتبات الأساسية هي كالتالي: import joblib import sklearn مكتبة joblib هي أداة لحفظ وتحميل نماذج التعلم الآلي وتستخدم لتخزين النموذج بعد تدريبه لاستخدامه لاحقا دون الحاجة لإعادة التدريب مثلا يمكنك حفظ نموذج تنبؤ أسعار الماس بعد تدريبه كالتالي: joblib.dump(نموذج_الماس, 'diamond_model.joblib') أما sklearn فهي المكتبة الرئيسية للتعلم الآلي التي تحتوي على جميع الأدوات والخوارزميات اللازمة لبناء نماذج التعلم الآلي. from sklearn import set_config تستخدم لضبط إعدادات عرض مكتبة scikit-learn وفي مشروع الماس في كاغل تم استخدامها لتحسين طريقة عرض مخطط معالجة البيانات كالتالي: set_config(display="diagram") from sklearn.model_selection import train_test_split وهنا أداة لتقسيم البيانات إلى مجموعتين: تدريب واختبار في مشروع الماس:تم تقسيم 53,794 قطعة ماس إلى: 80% للتدريب (حوالي 43,035 قطعة) 20% للاختبار (حوالي 10,759 قطعة) وأما هذه: from sklearn.pipeline import import make_pipeline, Pipeline فهي أدوات لإنشاء سلسلة معالجة للبيانات، استخدمت في المشروع لربط خطوات معالجة البيانات مع النماذج. from sklearn.compose import make_column_selector, ColumnTransformer, TransformedTargetRegressor وهنا أدوات لمعالجة مختلف أنواع أعمدة البيانات كالتالي: make_column_selector: يختار الأعمدة حسب نوعها. ColumnTransformer: يطبق المعالجات المناسبة لكل نوع. TransformedTargetRegressor: يحول متغير السعر لتحسين التنبؤ. from sklearn.preprocessing import StandardScaler, OrdinalEncoder, QuantileTransformer وهذه أدوات معالجة البيانات: StandardScaler: لتوحيد مقياس البيانات الرقمية (الوزن، الأبعاد). OrdinalEncoder: لتحويل البيانات الوصفية إلى أرقام (الجودة، اللون، النقاء). QuantileTransformer: لتحويل توزيع الأسعار. from sklearn.feature_selection import SequentialFeatureSelector وهنا أداة لاختيار أهم خصائص الماس المؤثرة في السعر. from sklearn.linear_model import Ridge وهنا نموذج الانحدار الخطي المنظم للتنبؤ بالأسعار. from sklearn.neighbors import KNeighborsRegressor وهنا نموذج الجيران الأقرب للتنبؤ بالأسعار. from sklearn.inspection import permutation_importance وهذه هي أداة لقياس أهمية كل خاصية في التنبؤ بالسعر. from sklearn.metrics import PredictionErrorDisplay وأخيرا هنا أداة لعرض أخطاء التنبؤ بشكل مرئي. from sklearn.metrics import ( r2_score, mean_absolute_error, mean_squared_error, root_mean_squared_error, explained_variance_score, median_absolute_error ) وهذه مجموعة مقاييس لتقييم دقة النماذج في التنبؤ بأسعار الماس.

لديك خطأ في إعداد التدريب ويتعلق بمعامل num_items_in_batch فالخطأ يظهر أن هناك وسيطة غير متوقعة بقيمة 769 لذا يمكن التحقق من أنّ إعدادات النموذج الخاص بك (model configuration) والتأكد من أن الـ batch size صحيح مثل التالي حيث حددناه ب 16: training_args = TrainingArguments( per_device_train_batch_size=16, ) ثم تعديل إعداد DataCollator للتأكد من عدم تمرير وسائط إضافية غير مطلوبة يمكنك تعديل السطر: data_collator=DataCollatorForLanguageModeling(tokenizer, mlm=False) بدلا منه نستخدم التالي: data_collator=DataCollatorForLanguageModeling( tokenizer=tokenizer, mlm=False, pad_to_multiple_of=8 ) في حال كنا سؤالك متعلقا بإحدى الدروس في إحدى الدورات أرجو طرح سؤالك هناك في أسفل الدرس حيث ستجدين صندوقا للتعليقات يمكنك طرح أسئلتك هناك.