Chihab Hedidi

بالنسبة ل ResNet فهي شبكة عصبية عميقة قدمت مفهوم الوحدات المتبقية أو Residual Blocks التي تستخدم اتصالات مختصرة لتسهيل تدريب الشبكات العميقة جدا، و هذه الاتصالات تسمح للإشارة بالمرور مباشرة عبر الطبقات، مما يحل مشاكل تلاشي التدرج وتدهور الدقة، كما أن ResNet تستخدم على نطاق واسع في التصنيف، الكشف عن الأشياء، وتجزئة الصور. أما DenseNet هي شبكة عصبية تعتمد على فكرة توصيل كل طبقة بكل طبقة أخرى بشكل مباشر، مما يخلق اتصالات كثيفة بين الطبقات، و هذا الهيكل يحسن تدفق التدرج ويقلل من عدد المعلمات المطلوبة، مما يجعلها أكثر كفاءة في التدريب، و أيضا DenseNet تستخدم في التصنيف، الكشف عن الأشياء، وتجزئة الصور، وتعرف بكفاءتها العالية في استخدام الموارد.

بالنسبة ل confusion_matrix تستخدم لحساب مصفوفة الارتباك بناء على التوقعات الفعلية والمتوقعة للنموذج، و المخرجات ترجع مصفوفة من الأعداد، أما ConfusionMatrixDisplay تستخدم لتصور مصفوفة الارتباك بشكل رسومي بدلا من مجرد عرض الأرقام، و ترجع رسما بيانيا يوضح مصفوفة الارتباك بشكل مرئي، مما يسهل فهم أداء النموذج. يمكنك أن تطلع على هذا السؤال حيث ستجد كود تجريبي هنا:

مرحبا أنس، بالنسبة للدفع يكون عن طريق الدولار و يوجد حاليا عرض الحصول على دورتين بسعر دورة واحدة، إدا كنت لا تملك بطاقة فيزا يمكنك الطلب من أحد أقربائك أن يشتري لك الدورة على شكل هدية و يرسل لك فقط الرمز الخاص بالهدية لتفعيلها في حسابك. لمعلومات أخرى يمكنك التواصل مع مركز المساعدة: https://support.academy.hsoub.com/conversations

نعم يمكنك حذف هذا العمود إذا كان مجرد معرف فريد لا يحتوي على أي معلومات مفيدة للنموذج، لأن وجوده قد يضيف ضوضاء غير ضرورية أثناء التدريب، أما إذا كان يتضمن بيانات قد تكون مفيدة في التنبؤ، فمن الأفضل تحليله قبل اتخاذ قرار بحذفه، و على الأغلب فهو مجرد ID فقط حيث أغلب البيانات تحتوي على هذا العمود، لذا من الأفضل حذفه.

يمكنك ذلك عن طريق الضغط على زر run all بالأعلى و هذا بنفس الطريقة الموجودة في google colab أو jupyter، حيث سيتم تنفيذ كل الخلايا واحدة تلوى الأخرى.

النموذج لا يتطلب تحويل عمود efs_time إلى فئات، بل يعمل النموذج مباشرة على البيانات الزمنية المستمرة، و تحويل الزمن إلى فئات قد يؤدي إلى فقدان المعلومات ويقلل من دقة النموذج، و مشكلة تحليل البقاء ليست مشكلة تصنيف تقليدية، بل هي مشكلة تنبؤ باحتمالية حدوث حدث معين في أوقات مختلفة، و النموذج يتنبأ باحتمالية البقاء أو احتمالية حدوث الحدث عبر الزمن.

أسهل طريقة لاستخدام هذا النموذج هي عبر مكتبات Python المتخصصة في تعلم الآلة وتحليل البقاء، و تعتبر مكتبة pycox من أكثر المكتبات شيوعا لدعم نموذج DeepHit، حيث توفر أدوات مدمجة لتطبيقه بسهولة، بالإضافة لدعم نماذج أخرى مثل CoxPH وDeepSurv، و تعتمد على مكتبات مثل PyTorch، مما يجعل من السهل تخصيص النموذج حسب الحاجة، و لإستخادمها تحتاج لتثبيت pycox وpytorch، ثم تجهيز بياناتك وفقا لتنسيق بيانات تحليل البقاء، بعد ذلك يمكنك بناء نموذج DeepHit وتدريبه باستخدام الوظائف الجاهزة في pycox.

بالنسبة للدورات فهي مسجلة و مقسمة إلى مسارات حيث كل مسار يخص جزء معين من تلك الدورة بطريقة مرتبة، و في نهاية كل مسار يوجد مشروع يجب عليك القيام به حيث تتباع الشرح مع المدرب و تقوم بالتطبيق معه. و أيضا أسفل كل درس تجد مكان خاص بالتعليقات يمكنك من هناك طرح تساؤلاتك الخاصة بذلك الدرس، وسيتكفل فريق من المدربين بمساعدتك في ذلك. أما بالنسبة للإختبار فيجب عليك إنهاء على الأقل أربع مسارات، و لكن من الأفضل إنهاءها جميعا حتى تستفيد من الدورة بشكل كامل.

حقوق النشر تشير إلى الحماية القانونية التي تمنح لصاحب العمل الإبداعي وتمنع الآخرين من استخدام أو نسخ هذا العمل دون إذن، و عند إنشاء موقع لعميل، ليس من الضروري دائما تسجيل حقوق النشر رسميا، حيث إن الحماية تنشأ تلقائيا بمجرد إنشاء العم، أما إذا كان العميل يريد حماية قانونية أقوى أو يريد القدرة على مقاضاة من ينتهك حقوقه بسهولة، يمكنه تسجيل حقوق النشر رسميا في الجهة المختصة ببلده، و بالنسبة لتسجيل الموقع في السجل التجاري، فهذا يعتمد على طبيعة النشاط، حيث إذا كان الموقع يقدم خدمات تجارية مثل بيع المنتجات فقد يتطلب الأمر تسجيل النشاط كشركة وفقا لقوانين الدولة، وبالتأكيد هذا يساعد في تنظيم العمل قانونيا وضمان حقوق الطرفين.

نعم هذه النتيجة طبيعية عند استخدام IterativeImputer، فهذا النوع من الـ imputation يعتمد على بناء نموذج إحصائي للتنبؤ بالقيم المفقودة بناء على العلاقات بين المتغيرات الأخرى في البيانات. و بما أن IterativeImputer يحاول التنبؤ بقيم مفقودة كناتج لمعادلات رياضية، فإنه يولد أرقاما مستمرة وليس فقط القيم الأصلية، و أيضا إذا لم تحدد قيود على نطاق القيم أو تجعل المتغير مصنفا، فالنموذج سيتعامل معه كمتغير رقمي عادي، مما يؤدي لإنتاج أرقام عشرية. و إذا كان المتغير يمثل فئات مثل درجات توافق، فمن الأفضل التعامل معه كمتغير تصنيفي وليس رقمي مستمر، وفي هذه الحالة يمكنك استخدام SimpleImputer مع طريقة مثل most_frequent أو KNNImputer للحفاظ على القيم الأصلية.

ابدأ بتحديد أهداف المتجر والمزايا التي تحتاجها، مثل نظام إدارة المنتجات، سلة المشتريات، بوابات الدفع، إدارة المستخدمين، وتتبع الطلبات، حيث هذا سيساعدك في رسم تصور واضح للهندسة البرمجية التي ستعتمد عليها، ثم قم بتصميم قاعدة بيانات باستخدام نماذج Django، و تأكد من أن العلاقات بين الجداول واضحة وتدعم قابلية التوسع. بالنسبة ل Django يدعم تقسيم المشروع إلى عدة تطبيقات مستقلة، حيث يمكنك جعل تطبيق لإدارة المنتجات، تطبيق لسلة المشتريات والدفع، تطبيق لإدارة المستخدمين، و هذا النهج يسهل صيانة الكود وتحديثه مستقبلا، ثم اختر بوابة دفع تدعم بلدك مثل Stripe، PayPal، أو حلول محلية وتأكد من فهم طريقة دمجها مع Django بشكل آمن لحماية بيانات المعاملات، و أيضا حاول تأمين بيانات المستخدمين والمعاملات المالية أمر ضروري. يمكن أن تفيدك هذه المقالة كبداية:

أولا جرب تشغيل ملف التثبيت كمسؤول، و اختر مجلد التثبيت داخل مجلد "Program Files" والذي عادة يكون هو الإختيار الافتراضي، و لكن اختر موقع حفظ البيانات خارج هذا المجلد، في مكان آخر لأن هذه أحد أسباب المشكلة التي حدث لك، و هذا حتى لا يقع إختلاط بين ملفات التثبيت و ملفات الحفظ.

إذا كنت تستخدم vpn أرجوا إيقافه، على كل حال قمت برفع طلبك للإدارة و سيتم حل المشكل في أقرب وقت إن شاء الله.

مرحبا أحمد، أولا نعتذر على الخطأ الذي حدث معك، أرجوا التأكد فقط هل يوجد لديك زر دوراتي في القائمة العلوية بهذا الشكل: إذا كان موجود إضغط عليه و ستظهر الدورات لديك، في حالة كان غير متوفر سأقوم برفع إنشغالك إلى الإدارة بأسرع وقت.

عند استخدام IterativeImputer، يمكنك تحديد القيم الدنيا والعليا التي يمكن أن يأخذها التقدير لكل عمود، و هذا مفيد خصوصا عندما يكون لديك نطاقات محددة للقيم المفقودة وتريد التأكد من أن التقدير لا يخرج عن هذه الحدود، و إذا كنت تريد تعيين حدود مختلفة لكل عمود، فيمكنك تمرير قائمة أو مصفوفة بنفس طول عدد الأعمدة، أما إذا كنت تريد تعيين نفس الحد لكل الأعمدة، فيمكنك تمرير قيمة ثابتة بهذا الشكل: import numpy as np import pandas as pd from sklearn.impute import IterativeImputer min_values = np.full(60, -0.5) # حد أدنى لكل الأعمدة max_values = np.full(60, 2.0) # حد أقصى لكل الأعمدة imputer = IterativeImputer(min_value=min_values, max_value=max_values, random_state=42) df_imputed = pd.DataFrame(imputer.fit_transform(df), columns=df.columns) # عرض بعض البيانات بعد التعويض print(df_imputed.head())