Chihab Hedidi

هناك خطأ في صيغة الكود الخاص بإضافة المكتبة، بما أن مشروعك يستخدم ملفات Kotlin DSL، يجب كتابة الكود بطريقة مختلفة قليلا، جرب تعديل السطر كالتالي: implementation("de.hdodenhof:circleimageview:3.1.0") لاحظ أن الأقواس في Kotlin DSL تكون مزدوجة ("...") بدلا من واحدة '...'. بعد إجراء التعديل، احفظ الملف وحاول إعادة مزامنة المشروع.

في الوقت الحالي يوجد دورة الجافاسكريبت التي تحتوي على تطوير التطبيقات بإستخدام React Native، و لكن مع مرور الوقت ربما سيتم إضافة دورات أخرى لتطوير التطبيقات بإستخدام كوتلن، بالنسبة لأسئلتك نعم يمكنك طرحها هنا في أي وقت تريد و سيتم مساعدتك في هذه المشاكل.

غير بس القيمة هنا من 100 ل 999: pd.options.display.max_rows = 100

هنا هو عرض 100 صف، الحين على حسب البيانات التي عندك، تقدر تخلي القيمة 999 أو أكثر عشان تضمن أنه يتم عرض كل الصفوف.

ربما بسبب إختلاف الإصدارات، جرب أكتبه بهذه الطريقة: pd.options.display.max_rows = 100

لا هذا تابع لإعدادات مكتبة pandas أكتبو مثل ماهو مكتوب.

يمكنك تغيير إعدادات العرض في pandas بحيث تظهر جميع القيم، جرب استخدام الكود التالي لزيادة عدد الصفوف التي يمكن عرضها: import pandas as pd pd.set_option('display.max_rows', None) value = diabetes['Insulin'].value_counts() print(value) باستخدام pd.set_option('display.max_rows', None), سيتم عرض جميع القيم في النتيجة بغض النظر عن عددها.

الكود value_counts يقوم بإرجاع عدد مرات تكرار كل قيمة فريدة في العمود المحدد، ولا يعرض كل القيم في العمود إذا كانت هناك قيم مكررة، أما إذا كنت ترغب في عرض جميع القيم في عمود Insulin بما في ذلك القيم المتكررة دون احتساب التكرار، يمكنك استخدام الكود التالي: values = diabetes['Insulin'].values print(values)

القيم المتطرفة تؤدي إلى تشويه المتوسطات أو أوزان الانحدار في النماذج، خاصة إذا كنت تستخدم نماذج حساسة للقيم المتطرفة مثل الانحدار الخطي، حيث قد تسحب خط الانحدار باتجاهها، مما يؤدي إلى نتائج غير دقيقة، و إذا كانت القيم المتطرفة بعيدة جدا عن نطاق البيانات الأساسية، فقد تؤدي إلى زيادة التباين في النموذج، مما يجعله أقل قدرة على التعميم على بيانات جديدة. و بهذه الطريقة تتأثر جودة التنبؤات، حيث أن القيم المتطرفة قد تؤدي إلى انحراف التنبؤات، خاصة إذا كانت البيانات محدودة وتحتوي على قيم متطرفة بارزة، لذا من الأفضل معالجة القيم المتطرفة قبل بناء النموذج، سواء عن طريق إزالتها، أو استخدام طرق مثل التحويلات التي تقلل من تأثيرها.

يعتمد هذا الأمر على نوع وطبيعة البيانات ومدى تكرار القيم الناقصة أو الخاطئة، فالحذف مفيد إذا كانت نسبة البيانات الخاطئة قليلة مقارنة بحجم البيانات بالكامل، و الحذف هنا يقلل من المخاطر التي قد تنجم عن التنبؤ الخاطئ أو القيم التقديرية غير الدقيقة، لكن إذا كانت البيانات المفقودة كبيرة أو تؤثر على عينة هامة، فقد يؤدي الحذف إلى تقليل تمثيل البيانات وبالتالي التأثير على النتائج النهائية للنموذج. أما KNNImputer يعمل عن طريق تقدير القيم المفقودة استنادا إلى الجيران الأقرب في البيانات، ويكون مناسبا إذا كانت البيانات المفقودة تعتمد إلى حد كبير على خصائص أخرى في البيانات، بينما قد يضيف بعض التعقيد الحسابي إذا كانت البيانات كبيرة جدا، وقد لا يكون مناسبا إذا كانت القيم الخاطئة لا يمكن التنبؤ بها بشكل جيد بناء على البيانات المحيطة. و يمكنك كذلك تجربة تقييم أداء النموذج بعد استخدام كل طريقة لمعرفة أيها يعطي نتائج أفضل.

نعم بايثون يعد من أفضل اللغات في مجال الأتمتة و هذا لأنها تحتوي على العديد من المكتبات المساعدة مثل Selenium لأتمتة المتصفحات، PyAutoGUI لأتمتة الواجهات الرسومية، وrequests لإجراء طلبات HTTP، وهذه المكتبات تجعل تنفيذ الأتمتة أكثر سهولة وسرعة، كما توجد العديد من الموارد المجانية التي تسهل تعلم أتمتة المهام باستخدام بايثون، و يمكن استخدام بايثون لأتمتة العديد من المهام، سواء كانت متعلقة بالتفاعل مع الأنظمة أو البرمجيات الأخرى أو حتى إدارة البيانات والملفات. و يمكنك أن تطلع على هذه الأجوبة التي ستفيد :

ليس هناك أمر مباشر اسمه "ثم"، ولكن يمكن تحقيق ذلك باستخدام الوعود أو Promises في JavaScript، وهي تسمح بتنفيذ الكود بالتتابع، و يمكن استخدام async/await لتسهيل كتابة تسلسل الخطوات على سبيل المثال: async function moveAndAsk() { await moveToLocation(); await stop(); await askQuestion(); await waitForResponse(); } و بعدها يمكنك إعداد سلسلة من الأوامر بتقنيات مثل setTimeout: function performActions() { moveToLocation(); setTimeout(() => { stop(); setTimeout(() => { askQuestion(); setTimeout(() => { waitForResponse(); }, 1000); }, 1000); }, 1000); } كما يوجد مكتبات مثل async.js يمكن أن تساعد في التحكم بالتسلسل، خاصة في الكود الذي يعتمد على الأحداث أو ردود الفعل. أما في بايثون، يمكنك استخدام العديد من الطرق لتنفيذ سلسلة من الأوامر بالتتابع، على غرار ما ذكرته في JavaScript، يمكنك استخدام الدوال و التوقف باستخدام أدوات مثل time.sleep() لتنفيذ العمليات بالتتابع حيث يتوقف البرنامج بين كل خطوة والأخرى باستخدام time.sleep() لتحديد مدة الانتظار، أما إذا كنت تحتاج إلى تنفيذ المهام بشكل غير متزامن، يمكنك استخدام مكتبة asyncio لإنشاء تسلسل من الأوامر مع الانتظار بين كل خطوة.

نعم يمكن أن تكون هذه اللغات كافية بشكل كبير في مجال تحليل البيانات، حيث توفران الأدوات اللازمة لمعظم العمليات التي تحتاجها، حيث أن بايثون تعتبر خيارا ممتازا للمبتدئين والمحترفين على حد سواء، و توفر مكتبات قوية لتحليل البيانات وتعلم الآلة، بالإضافة إلى مكتبات متقدمة لمجالات الذكاء الاصطناعي والتعلم العميق. بايثون مناسبة إذا كنت تخطط للقيام بأعمال تحليلية وتطوير تطبيقات في نفس الوقت. و حتى لغة R تتميز بتركيزها القوي على الإحصائيات والتحليل الرياضي، وهي شائعة جدا في الأوساط الأكاديمية والأبحاث العلمية، و تحتوي على مكتبات قوية، مما يجعلها مناسبة لتحليل البيانات الاستكشافية وبناء النماذج الإحصائية بسهولة.

دائما نمر بهذا الأمر في فترة التعلم و هذا أمر طبيعي، و حتى في هذه الفترة لا نستطيع تعلم كل شيء و إنما سنتعلم أهم الأمور التي نحتاجها أما الباقي ستأتي مع مرور الوقت و مع التطبيق الكثير، بالنسبة لك و قبل البدء في أي كورس، حاول تحديد المهارات التي تريد اكتسابها، في الفرونت اند، هناك عدة مجالات يمكنك التركيز عليها وأطر العمل مثل React أو Vue، حيث أن معرفة ما تحتاج إلى تعلمه سيساعدك في تحديد الأولويات. و دائما حاول تقسيم المواد إلى وحدات أصغر يمكنك إنهاؤها خلال أسبوع أو عدة أيام، و لا تكتف بالتطبيق أثناء الدرس فقط، بل حاول بناء مشاريع صغيرة بعد إنهاء كل وحدة، و بالتأكيد مع مرور الوقت ستتطور المهارات لديك بسرعة. و يمكنك الإطلاع على أجوبة هذا السؤال لتستفيد أكثر:

بالضبط التكرار فعلا له حالات معينة يكون فيها أكثر فعالية أو سهولة في التعبير عن الحل، وخاصة في مسائل الخوارزميات والرياضيات المقطعية، ولكن ليس كل شيء يمكن حله بكفاءة باستخدام التكرار، خاصة في المسائل التي تتطلب عمق استدعاء كبير، لذا يفضل التفكير في التوازن بين الأداء وسهولة الفهم عند اختيار التكرار أو الحلقات. أما مشكلة Stack Overflow يمكن أن تحدث في جميع اللغات، سواء كانت لغات عالية المستوى مثل بايثون أو لغات منخفضة المستوى مثل C وC++، لأنها تتعلق بالذاكرة المتاحة في الـ Stack، وهي جزء من ذاكرة النظام المخصص لاستدعاءات الدوال، سواء في بايثون أو في C/C++ أو أي لغة تدعم التكرار العميق.

بالنسبة للتكرار أو Recursion هو عملية استدعاء الدالة لنفسها، و كل مرة يتم استدعاء الدالة من داخل نفسها، يتم تخصيص مساحة إضافية في الـ Stack لتخزين معلومات حول هذه الاستدعاءات، مثل المعاملات الحالية ونقطة العودة، وهذا الأمر يستهلك ذاكرة أكثر عادة، لأنه يحتاج إلى تخصيص ذاكرة جديدة في الـ Stack لكل استدعاء للدالة، وبالتالي يجعل التكرار غير ملائم في بعض الحالات التي تتطلب عمق استدعاء كبير، وقد يؤدي إلى Stack Overflow إذا تجاوز عدد الاستدعاءات الحد الأقصى المسموح به. أما الحلقات تستهلك ذاكرة أقل لأنها لا تحتاج إلى إضافة سياقات استدعاء جديدة كما يحدث في التكرار، و يمكن أن تعمل بشكل مستمر دون خوف من تجاوز ذاكرة الـ Stack، لذا من حيث استهلاك الذاكرة، الحلقات أفضل بكثير من التكرار، ولكن لكل منهما استخداماته وميزاته الخاصة حسب طبيعة المشكلة.

الدورة تتكون من العديد من المسارات و التي تكونك بشكل ممتاز لتستطيع العمل على مشروعك و حتى على مشاريع أكبر، فتبدأ بمسار لغة بايثون، خاصة لأن اللغة تستخدم في بناء وتحليل البيانات وتطوير نماذج تعلم الآلة، وبالتالي ستساعدك هذه المهارات في كتابة الأكواد الخاصة بمعالجة البيانات وتحليلها. و في مسار التعامل مع البيانات ستتعلم أساليب تنظيم وتصفية وتنسيق بيانات الشكاوى بحيث تصبح جاهزة للتحليل، و كذا مسار تحليل البيانات الذي يعد جزء محوريا، حيث يساعدك على فهم أساليب تحليل البيانات الإحصائية واستكشاف الاتجاهات والأنماط، و ستحتاج إلى هذه المهارات لتحليل الشكاوى ومعرفة المشكلات المتكررة، وإجراء تحليلات زمنية، و بما أنك تتعامل مع نصوص الشكاوى، فإن النماذج النصية الكبيرة LLM ستكون مفيدة، يمكنك استخدامها لتصنيف الشكاوى حسب المحتوى، واستخراج الموضوعات الشائعة، وتحديد المشكلات الرئيسية تلقائيا. و الدورة أيضا تحتوى على مسارات تعلم الآلة والتعلم العميق، و هذه التقنيات هي جوهر التحليلات المتقدمة، حيث يمكنك تدريب نماذج تصنيف مخصصة لتصنيف الشكاوى تلقائيا حسب النوع أو الموضوع، التعلم العميق سيساعد في بناء نماذج قادرة على فهم التعقيدات في نصوص الشكاوى واستخراج المعلومات ذات الصلة. و بما أن بياناتك حساسة، فبالإمكان تنفيذ معظم أدوات الذكاء الاصطناعي مباشرة على خوادم الشركة دون الحاجة لرفع البيانات على الإنترنت.

إذا كنت تقصد العمل على WordPress، فإن PHP هي اللغة الأساسية لأن نظام WordPress مبني عليها، ومعظم الإضافات والثيمات مكتوبة بها، و لتخصيص WordPress أو تطوير إضافات خاصة، تعلم PHP سيكون ضروريا. أما بالنسبة للبدائل، فهي خيارات رائعة ولكنها تختلف في التطبيق حيث أنها ليست موجهة للإستعمال مع WordPress و إنما للإستعمال المنفصل، يعني إذا كنت تخطط لبناء موقع أو تطبيق من الصفر وتريد الاستفادة من واجهات برمجية متقدمة أو تصميمات تفاعلية، فإن Django وNext.js خيارات قوية.

الأمر يعتمد على تنظيم وقتك وتحديد هدف واضح لما ترغب في تعلمه، و أولا احرص على فهم المفاهيم الأساسية مثل المتغيرات، التحكم في التدفق مثل الجمل الشرطية والتكرار، والمصفوفات، والدوال، والهياكل البيانات، ثم بعدها قم بالتطبيق بإنتظام فالبرمجة تحتاج إلى ممارسة مستمرة، لذا حاول كتابة الأكواد بشكل يومي لحل مشاكل بسيطة أو لبناء مشاريع صغيرة، و يوجد في الدورات أيضا مشاريع تقوم بها و تمارين مع الأستاذ حتى تترسخ لديك المعلومات بشكل أفضل و أسرع، ويمكنك أن تطلع على هذا المقال بشكل مفصل: أما بالنسبة لطريقة الحصول على الشهادة، فيجب إتمام أربعة مسارات تعليمية على الأقل مع رفع هذه المشاريع الخاصة بالمسارات إلى Github و من ثم تواصل مع مركز الدعم ليحددوا لك وقت لبداية مشروع مصغر في تنجزه في حوالي 15 يوم، و بعدها تحصل على الشهادة.

من الأفضل إتباع ما يقوم به المدرب، في هذه الحالة يمكنك تعويض Anaconda ب miniconda و في حالة إنتقل المدرب إلى google colab، يمكنك في هذه الحالة الإنتقال إليه.

صحيح مع مواصفات جهازك من المتوقع أن برامج ثقيلة مثل Anaconda يمكن أن تسبب بطئ ملحوظ، خاصة إذا كانت المساحة المتوفرة محدودة، عند تشغيل Anaconda حاول إغلاق جميع البرامج الأخرى حتى يكون الإستخدام له لوحده، كما يمكنك تجربة Miniconda فهي نسخة أخف من Anaconda تحتوي فقط على مدير الحزم conda و Python، دون جميع المكتبات والتطبيقات الإضافية التي تأتي مع Anaconda، و يمكنك تنزيل المكتبات المطلوبة يدويا حسب الحاجة، مما يوفر لك مساحة ويخفف الحمل على الجهاز. أو يمكنك العمل مباشرة على Google Colab حيث يوفر بيئة Python سحابية مجانية، ولا يعتمد على موارد جهازك الشخصي، وبالتالي لن يؤثر على أدائه، بالإضافة إلى أنه يتيح لك استخدام وحدة معالجة الرسومات ووحدة المعالجة المركزية لتسريع العمليات الثقيلة، وهذا يجعله خيار ممتاز للأعمال التي تتطلب طاقة حسابية كبيرة.

في SQL لا يوجد فرق في الأداء أو النتيجة بين الشرطين <> و!=؛ فكلاهما يستخدم للمقارنة في الشرط ليعني لا يساوي، لذا الكودين يعملان نفس العمل تماما، و لكن بعض قواعد بيانات SQL يمكن تدعم نوع واحد من الصيغتين اعتمادا على المعايير الخاصة بها، لكن في معظم الأنظمة الحديثة، يمكن استخدام أي منهما بدون فرق.

هي جداول يتم إنشاؤها لاستخدامها لفترة زمنية محددة خلال جلسة أو عملية معينة، ثم يتم حذفها تلقائيا بمجرد انتهاء الجلسة أو العملية التي أُنشئت من أجلها، وتعتبر حل لتخزين البيانات التي تحتاجها لفترة قصيرة فقط، وهذا الأمر يعفي المطورين ومديري قواعد البيانات من إنشاء جداول دائمة لأداء مهام مؤقتة، فعند الحاجة لتخزين مجموعة جزئية من البيانات من جدول عادي، يمكن للجداول المؤقتة الاحتفاظ بهذه البيانات لفترة محددة، و هذا الأمر يحسّن الأداء ويجعل عملية التفاعل مع البيانات أكثر كفاءة وملاءمة للعمليات المتكررة أو المعقدة.

الأمر يعتمد على المجال الذي تريد إستخدامه فيه، و على الأغلب في مجال البرمجة، في هذه الحالة يمكن أن يعطيك أفكار في كيفية حل المشاكل و لكن لا يمكنك الإعتماد عليه في كتابة الكود أو تصحيحه لأن الكودات التي يكتبها بالتحديثات القديمة للمكاتب و بالتالي لا تشتغل معك. أما في حالة تريد إستخدامه في شرح الكود فيمكنك ذلك و يجب أن يكون الكود واضح و المتغيرات بأسماءها الصحيحة حتى يكون شرحه صحيح، يعني يمكنك جعله كمساعد لك لكن لا تعول عليه في كل شيء.

هذا اللابتوب مناسب جدا للبرمجة، خاصة مع معالج قوي مثل i7 من الجيل الثاني عشر وذاكرة عشوائية بسعة 16 جيجابايت، بالإضافة إلى التخزين من نوع SSD الذي يضمن سرعة في تشغيل البرامج والأنظمة، وحتى كرت الشاشة المدمج Intel Iris XE كافٍ لأعمال البرمجة والتصميم الخفيف، ولكنه قد لا يكون الأمثل للأعمال التي تتطلب قوة معالجة رسومية عالية مثل الألعاب أو تطوير التطبيقات ثلاثية الأبعاد، لكن عموما هذا الجهاز يعد ممتاز للبرمجة وأداء المهام المتعددة بسرعة وكفاءة.