Chihab Hedidi

يمكنك إعادة مشاهدة الفيديوهات مع تسريع الفيديو و هذا لتذكر محتواه فقط، و أيضا من الأفضل إذا كان لديك أي ملخصات أو دروس كنت قد كتبتها من قبل يمكنك إعادة مراجعتها فهذا سيسهل الأمر عليك، أما في حالة كنت لا تتذكر الدروس بشكل جيد فمن الأفضل إعادتها كلها بالسرعة العادية، وبالتأكيد مع التطبيق المباشر ستتذكر بشكل أسرع.

هذا الأمر يعتمد على عدد ساعات العمل اليومية والأسبوعية التي يعمل بها مدير المشروع عادة، إذا إفترضنا أنه يعمل 40 ساعة في الأسبوع، و ثلاثة أشهر هي حوالي 12 أسبوعا و بالتالي: 12 x 40 = 480 أي سيحتاج مدير المشروع إلى حوالي 480 ساعة لإتمام المهام الضرورية على افتراض أنه يعمل بدوام كامل على هذا المشروع. أما إذا كان يعمل لعدد محدود من الساعات فقط على هذا المشروع، يمكن تقدير الوقت بتعديل عدد الساعات الأسبوعية بناء على هذا الافتراض.

بالنسبة ل Jupyter فهو من أكثر الأدوات شيوعا في مجال تحليل البيانات، ويرجع ذلك لسهولة استخدامه وواجهته التفاعلية التي تتيح للمستخدم كتابة الأكواد وتشغيلها بشكل متتابع، مما يمكنه من متابعة النتائج لحظيا وإجراء التعديلات بسرعة، كما يمكنك إدراج النصوص التوضيحية بين الخلايا البرمجية، مما يسهم في توثيق خطوات التحليل بشكل مرتب ومنظم. و يدعم حتى مكتبات التصور البياني مثل Matplotlib وSeaborn، مما يسهل عرض الرسوم البيانية وتحليل البيانات بصريا. أما R Markdown، فهو أداة شبيهة بـ Jupyter إلى حد كبير، لكنه يستخدم غالبا مع لغة R ويهدف إلى إنشاء تقارير منظمة يمكن تصديرها بصيغ متعددة مثل HTML أو PDF أو Word، و يتم إستخدامه أيضا على نطاق واسع في الأبحاث العلمية والأكاديمية لتحليل البيانات بلغة R وتقديم النتائج بشكل منسق.

كل المعاملات الخاصة بالدورات من إختصاص مركز المساعدة، يمكنك التواصل معه و شرح طلبك في رسالة واحدة و بالتأكيد سيقومون بمساعدتك بخصوص هذا الأمر، و بالمناسبة تستطيع مشاهدة المسار الأول من كل دورة و من خلاله يمكنك إختيار الدورة الصحيحة التي تناسبك. بالتوفيق في مسارك التعليمي.

الدورات في الأكاديمية تعتبر ديناميكية أي أنه يتم تحديثها بين الحين و الآخر، و حاليا آخر تحديث لدورة الذكاء الإصطناعي كان في 08/15/24 و بالتالي في الأشهر القادمة سيتم تحديثها بالتأكيد و إضافة دروس جديدة، و يمكنك دائما الإطلاع على قسم آخر التحديثات الذي ستجد فيه كل ماهو جديد حول الدورات

تحليل البيانات من خلال تنزيلها من كاجل أو غيرها لا يعني أنك تقوم بتحليل البيانات في الوقت الحقيقي، فتحليل البيانات من ملفات ثابتة مثل ملفات CSV أو JSON يعتبر تحليل بيانات غير تفاعلي أو غير لحظي، بمعنى أن البيانات تكون قد جمعت مسبقا، ويتم تحليلها بعد ذلك. أما التحليل في الوقت الحقيقي يعني أنك تقوم بتحليل البيانات فور تدفقها، بحيث تحصل على المعلومات أو النتائج بشكل فوري أو شبه فوري بناء على بيانات حية، و يمكنك إجراء تحليل في الوقت الحقيقي إذا كان لديك وصول إلى البيانات الحية التي تتدفق مباشرة من المصادر، مثل تدفقات البيانات من أجهزة الاستشعار، أو أنظمة المعاملات.

لا يمكنك حمايتها بطريقة نهائية فهي دائما معرضة للنشر، و لكن يمكنك تخفيف هذا الأمر عن طريق بيع المفكرة عبر منصات معروفة تمنحك حماية لحقوقك مثل Etsy أو Gumroad، حيث توفر هذه المنصات بعض الأدوات لحماية المنتجات الرقمية، و أيضا يمكنك إضافة علامة مائية على المفكرة، سواء كانت نصية أو مرئية، يمكن أن تمنع إعادة نشرها بشكل مجاني.

من الأفضل الإستمرار في تعلم ال JavaScript و jQuery أولا حيث ستساعدك على تطوير قدراتك في البرمجة التفاعلية، كما أنه سيتم تطبيقهم في المشروع الخاص بإنشاء موقع شخصي، يمكنك أن تطلع على هذا المقال الذي سيفيدك كثيرا و سيسهل عليك تعلمها :

يمكنك هذا باستخدام مكتبة Matplotlib، لإضافة عنوان فرعي يمكنك استخدام fig.suptitle()، وهو يظهر كعنوان كبير فوق الرسم البياني بأكمله، أما لإضافة تعليق توضيحي يمكنك استخدام plt.annotate() لتحديد نقاط معينة على الرسم البياني وإضافة تعليق بجوارها. إليك مثال يوضح إضافة عنوان رئيسي، عنوان فرعي، وتعليق توضيحي في رسم بياني: import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] fig, ax = plt.subplots() ax.plot(x, y, marker='o') # إضافة العنوان الرئيسي ax.set_title("العنوان الرئيسي للرسم البياني") # إضافة عنوان فرعي fig.suptitle("العنوان الفرعي للرسم البياني") # إضافة تعليق توضيحي ax.annotate("نقطة مهمة", xy=(3, 9), xytext=(3, 15), arrowprops=dict(facecolor='black', arrowstyle="->")) plt.show()

إذا كانت البيانات رقمية، يمكنك استخدام مخطط الانتشار أو Scatter Plot لعرض نقاط البيانات ورؤية العلاقة بينها، مثل الارتباط أو الاتجاه، و هذا الرسم يستخدم كثيرا لتحليل العلاقة بين متغيرين عدديين، أما إذا كانت البيانات نوعية مثل أسماء أو فئات، يمكن استخدام مخطط الشريط المكدس Stacked Bar Chart أو المخطط العمودي Column Chart لعرض توزيع البيانات عبر الفئات المختلفة ورؤية كيف تؤثر فئة معينة على الأخرى. و أما إذا كان لديك العديد من الأعمدة الرقمية وتريد رؤية علاقات متبادلة، فإن مصفوفة الترابط تعرض معامل الارتباط بين كل زوج من الأعمدة، مما يسهل معرفة مدى قوة العلاقات بينهم، يعني الأمر دائما يعتمد على طبيعة البيانات التي لديك و نوع العلاقة بينها.

كلا الدالتين تؤديان نفس الوظيفة تقريبا، وهي حساب المتوسط الحسابي لمجموعة من القيم، بالسنبة للدالة التي في Pandas، فنستخدمها بشكل أساسي مع DataFrames وSeries، وتتيح تطبيق المتوسط على البيانات بسهولة، خاصة مع القدرة على تجاهل القيم المفقودة بشكل افتراضي. أما الدالة التي في NumPy لديها مرونة إضافية مثل أخذ أوزان في الاعتبار لحساب المتوسط المرجح، و إذا لم يتم توفير أوزان، فإن average ستعيد المتوسط الحسابي العادي وهو نفس الناتج لو استخدمت np.mean.

نعم يمكنك ذلك ولكن الأداء في معظم الأحيان سيكون أقل من أداء خوارزميات التعلم العميق، خصوصا الشبكات العصبية التلافيفية CNNs التي تعتبر حاليا الأفضل لمهام معالجة الصور والتعرف على الوجه، في الماضي قبل ظهور الشبكات العصبية التلافيفية، تم استخدام طرق كاستخراج الميزات مثل الألوان، القوام، الأشكال، والحواف باستخدام تقنيات مثل SIFT و SURF، و بعد استخراج الميزات، يمكن استخدام خوارزميات كشجرة القرار، أو K-Nearest Neighbors للتصنيف. أما الشبكات العصبية التلافيفية نستخدمها في الحالات التي يكون فيها حجم البيانات كبيرا وتتطلب الدقة العالية، حيث تكون الشبكات العصبية التلافيفية هي الخيار الأمثل لأنها تستطيع تعلم ميزات معقدة تلقائيا دون الحاجة لاستخراج الميزات يدويا.

لديك خيارات متعددة تعتمد على هدفك واحتياجات المستخدمين، بالنسبة ل LangChain، فهي مكتبة مفيدة لبناء تطبيقات تعتمد على النماذج اللغوية الكبيرة ويمكن تخصيصها وفق احتياجاتك، كما تساعدك على إدارة المحادثات وربط النموذج ببيانات محددة، كالنصوص أو الكتب الدراسية، لذا فهي تعتبر مناسبة إذا كنت ترغب في بناء تطبيق يتفاعل مع المستخدمين ويستند إلى معلومات معينة. و إذا كان بإمكانك تدريب نموذج واحد على كل المواضيع الدراسية، فذلك سيساعدك في بناء ذكاء اصطناعي مرن يمكنه الإجابة على أسئلة في مجالات متعددة دون الحاجة إلى تكرار التدريب، و يمكنك هنا استخدام LangChain للوصول لمصادر متعددة وتنظيم المعرفة، و من الأفضل أن يكون هناك نموذج صغير لكل درس، حيث قد يكون هذا الخيار مناسبا إذا كان الهدف هو تزويد الطلاب بمعلومات دقيقة حول كل درس محدد فقط، و لكنه يتطلب إدارة وتنظيم عدة نماذج مختلفة، مما قد يزيد من التعقيد.

نعم توجد مكتبات تساعدك على معالجة التحيز في البيانات، وتعد هذه الأدوات شائعة في مجالات تحليل البيانات وتعلم الآلة أشهرها مكتبة scikit-learn التي تحتوي على العديد من الأدوات والإجراءات المساعدة في معالجة التحيز، مثل تقنيات أخذ العينات المتوازنة أو بما تسمى balanced sampling لتحسين التوازن في التصنيفات، ويمكنك استخدام أدوات مثل SMOTE لموازنة البيانات غير المتوازنة. و توجد أيضا مكتبة imbalanced-learn هي مكتبة متخصصة لمعالجة مشكلة البيانات غير المتوازنة، والتي قد تكون مفيدة جدا إذا كان لديك تحيز في التصنيف، و كحل يدوي يمكنك أيضا استخدام مكتبات مثل Pandas وNumPy للتحليل الأولي للبيانات وفهم مصادر التحيز، فمثلا يمكنك إجراء تحليلات استكشافية لمعرفة ما إذا كانت هناك مجموعات معينة ممثلة بشكل غير متساو، أو إذا كانت المتغيرات تظهر تحيزات معينة. و حتى تحليل البيانات الاستكشافي هو خطوة أساسية باستخدام أدوات مثل matplotlib وseaborn، حيث يمكنك اكتشاف التحيزات المحتملة في البيانات بصريا من خلال الرسومات البيانية.

يعتمد هذا الأمر على طبيعة التحليل الذي تريد القيام به ونوع النموذج الإحصائي أو الرسوم البيانية التي ترغب في استخدامها، فبعض النماذج مثل التحليل التبايني المتعدد أو التحليل الخطي المختلط، تتطلب أن تكون البيانات في شكل طويل، و حتى مكتبات مثل Seaborn و Matplotlib تتعامل بشكل أفضل مع البيانات الطويلة، حيث يمكن تمثيل الفئات المختلفة بسلاسة، و إذا كانت لديك بيانات زمنية أو بيانات تراقب تغييرات لفترات زمنية متعددة، يكون الشكل الطويل مفيدا، حيث يتم تمثيل كل فترة كصف مستقل. في المقابل يفضل الشكل الواسع في حالة كان لديك تحليل متعدد المتغيرات، حيث أن بعض النماذج تتعامل مع البيانات الواسعة، خاصة عند مقارنة متغيرات متعددة عبر عينات متشابهة، أو إذا كنت ترغب في حساب مصفوفة ارتباط بين عدة متغيرات، فإن الشكل الواسع يسهل العمل. وللتحويل بين الشكلين يمكنك استخدام مكتبة pandas باستخدام دوال مثل melt للتحويل من الشكل الواسع إلى الطويل، أو pivot للتحويل من الطويل إلى الواسع.