Chihab Hedidi

الاشتقاق والجبر الخطي لهما أهمية كبيرة في فهم عمل الشبكات العصبية وتطويرها، حتى لو كنت ستستخدم أدوات جاهزة مثل TensorFlow أو PyTorch، هذه الأدوات تقوم بتبسيط العمليات الرياضية المعقدة مثل حساب التدرجات في عملية تحسين الأوزان باستخدام خوارزمية الانحدار العكسي، ولكن فهم الأساسيات مثل المصفوفات، المتجهات، والاشتقاق يتيح لك إدراك كيفية عمل هذه العمليات في الخلفية. و الإبداع يظهر عندما تفهم المبادئ الأساسية وتستطيع تحسين النموذج أو تعديله بطرق مبتكرة، و الفهم العميق يساعدك أيضًا في تحديد الأسباب وراء مشكلات مثل الإفراط في التخصيص أي Overfitting أو عدم استقرار التدريب، وإيجاد حلول فعالة لها بدلا من الاعتماد الكامل على الأدوات الجاهزة دون إدراك، لذا هذه الأدوات تسهل التنفيذ، لكن الإبداع يظهر في كيفية استخدام هذه الأدوات بذكاء واستغلال الرياضيات لفهم وتحسين النماذج بشكل عملي.

بالتأكيد يمكنك تحويل ملفات Excel إلى CSV مع الحفاظ على النصوص العربية بطريقة صحيحة عن طريق ضبط الترميز على UTF-8، افتح ملف Excel، ثم اختر File > Save As أو حفظ باسم، و اختر CSV UTF-8 (Comma delimited) (*.csv) من قائمة Save as type. هذا الخيار متاح في الإصدارات الحديثة من Excel، إذا لم يظهر النص العربي بشكل صحيح، استخدم الخطوات التالية. أو يمكنك استخدام مكتبة pandas في Python لمعالجة الملفات. الكود التالي يقوم بعملية التحويل مع الحفاظ على اللغة العربية: import pandas as pd # قراءة ملف Excel excel_file = "example.xlsx" # ضع اسم ملف الإكسيل df = pd.read_excel(excel_file) # حفظ الملف بصيغة CSV مع الترميز UTF-8 csv_file = "output.csv" df.to_csv(csv_file, index=False, encoding='utf-8-sig')

تأكد من رفع ملف PDF بشكل مباشر إذا كان مدعوما، أو نسخ النصوص المهمة من الملف ولصقها عند الطلب، لأن ChatGPT لا يقرأ الصور أو الرسومات داخل الملف، و إذا كان الملف يحتوي على صور أو جداول مهمة، يمكنك وصفها بالتفصيل أو استخدام أدوات لتحويل الصور إلى نص إذا كانت تحتوي على نصوص قبل مشاركتها، وأيضا لضمان عدم تخطي المعلومات يمكنك تقسيم النصوص الطويلة إلى أجزاء وطلب تلخيص كل جزء على حدة، مع التأكيد على تضمين التفاصيل.

بالتأكيد يمكنك إنشاء برنامج سطح مكتب بدون استخدام قواعد بيانات تقليدية، حيث يمكن تخزين المعلومات والملفات والصور داخل ملفات البرنامج نفسه باستخدام طرق مثل تخزين البيانات في ملفات نصية TXT أو ملفات JSON أو XML، أو حتى استخدام ملفات ثنائية لحفظ الصور والمعلومات بشكل مضغوط وآمن، و هذا النهج كان شائعًا في الألعاب القديمة حيث يتم تخزين كل البيانات داخل ملفات اللعبة بطرق مخصصة.

الملحقات لا تظهر عادة لذا يجب عليك كتابتها يدويا و هذا على حسب نوع الملف الذي تريد إنشاءه، فمثلا لو كنت تريد إنشاء ملف من نوع html فقط قم بإضافة .html في آخر الملف و بهذه الطريقة سيكون بالصيغة التي كتبتها.

نتستخدم الوظائف التي ذكرتها لتحليل البيانات الإحصائية، لكنها تخدم أغراضا مختلفة وتعتمد على طبيعة البيانات والعلاقات التي ترغب في تحليلها: حيث أن fisher_exact تستخدم لاختبار الترابط بين متغيرين تصنيفيين في جدول تكراري ثنائي، و هذا الاختبار مفيد عندما تكون العينات صغيرة، حيث يقوم بحساب قيمة الاحتمالية لاختبار فرضية العدم. pearsonr تستخدم لحساب معامل الارتباط لبيرسون، الذي يقيس العلاقة الخطية بين متغيرين مستمرين، حيث يعطينا معامل الارتباط وقيمة الاحتمالية لاختبار قوة واتجاه العلاقة الخطية. بالنسبة ل spearmanr تستخدم لحساب معامل ارتباط سبيرمان، وهو مشابه لبيرسون، ولكنه يعتمد على الرتب بدلا من القيم الفعلية، مما يجعله مناسبًا للعلاقات غير الخطية أو البيانات التي لا تتبع التوزيع الطبيعي. أما mannwhitneyu يستخدم لاختبار ما إذا كانت توزيعات مجموعتين مستقلتين تختلف بشكل كبير، و يعتبر هذا الاختبار بديلا غير معلمي لاختبار t-test، مما يجعله مناسبا للبيانات التي لا تتبع التوزيع الطبيعي أو التي تحتوي على تباينات غير متساوية.

بناء شبكة عصبية من الصفر أو استخدام الأدوات الجاهزة يعتمد على هدفك وخبرتك، إذا كنت تتعلم أو تريد فهم التفاصيل الدقيقة للشبكات العصبية، فبناءها من الصفر يكون مفيد لتطوير مهاراتك البرمجية والفهم العميق، أما إذا كان هدفك تنفيذ مشروع بسرعة وكفاءة، فاستخدام الأدوات الجاهزة مثل TensorFlow أو PyTorch هو الخيار الأفضل، حيث توفر هذه الأدوات إمكانيات متقدمة وتوفر الوقت والجهد، و دائما الجمع بين الفهم النظري واستخدام الأدوات الجاهزة قد يكون الحل الأمثل لتحقيق أفضل النتائج.

إذا كان السؤال خاص بالدورة، ستجد أسفل الفيديو مكان للتعليق هناك أرجوا كتابة المشكلة في ذلك المكان حتى يكون فهمه أسهل بما يتناسب مع الدرس، أما هنا نقوم بطرح الأسئلة العامة فقط و التي ليس لها علاقة بالدرس.

بالنسبة ل KaplanMeierFitter تستخدم هذه الطريقة لتقدير دالة البقاء بشكل غير مُعلَّم، حيث تعمل Kaplan-Meier على حساب احتمالية بقاء الأفراد في الدراسة لفترة زمنية معينة مع الأخذ في الاعتبار حالات الرقابة، وهي مناسبة لتحليل بيانات البقاء البسيطة عند عدم وجود متغيرات مستقلة. لدينا أيضا CoxPHFitter تعتمد هذه الطريقة على نموذج الانحدار النسبي للمخاطر، وهو نموذج شبه مُعلَّم يُستخدم لتقييم تأثير المتغيرات المستقلة على وقت البقاء، و يتيح هذا النموذج تحليل العلاقات بين الوقت والبقاء من جهة، والمتغيرات التفسيرية من جهة أخرى. أما logrank_test فتستخدم هذه الأداة لإجراء اختبار إحصائي لمقارنة دوال البقاء بين مجموعتين أو أكثر. يعمل الاختبار على تقييم الفرضية الصفرية التي تفترض عدم وجود فرق بين المجموعات من حيث دالة البقاء، و يتم استخدام هذا الاختبار عندما ترغب في مقارنة بيانات البقاء بين مجموعات دون الحاجة إلى نموذج أكثر تعقيدًا. لذا يمكن القول أن KaplanMeierFitter يستخدم لتقدير البقاء، CoxPHFitter لتحليل تأثير المتغيرات، و logrank_test للمقارنة الإحصائية بين المجموعات.

يجب عليك استخدام بوابة دفع تدعم الحسابات الفرعية مثل Stripe Connect أو PayPal Adaptive Payments، و يمكنك تصميم النظام بحيث ينشئ حساب دفع لكل مستخدم عند التسجيل أو إنشاء متجر فرعي، مع ربطه بواجهة API لبوابة الدفع، و عند قيام عميل بشراء منتج، يتم توجيه الأموال مباشرة إلى الحساب الخاص بمالك المتجر، مع إمكانية خصم عمولة للمنصة عبر إعداد "Application Fee" أو نسبة مئوية من الدفع. و أيضا في Django ستحتاج إلى إعداد نماذج مخصصة للمستخدمين، حيث يرتبط كل منتج بمتجر فرعي وكل متجر بمستخدم، كما يجب عليك إعداد منطق العمل للتعامل مع عمليات الدفع باستخدام مكتبة مثل Stripe، حيث يمكنك إنشاء حسابات فرعية للمستخدمين وإدارة عمليات الدفع وتحويل الأموال، و أيضا تأكد من إضافة واجهة مستخدم تسمح للمستخدمين بإعداد حساباتهم المالية وعرض تقارير المدفوعات والمبيعات.

يمكنك تقسيم الرسوم البيانية إلى شبكة تحتوي على 4 رسومات باستخدام مكتبة matplotlib لإنشاء شبكة من المحاور، و بهذه الطريقة يمكنك عرض الرسومات المختلفة بشكل مرتب في نافذة واحدة و يكون التعريف بهذا الشكل: from matplotlib import pyplot as plt from lifelines import KaplanMeierFitter # Create a Kaplan-Meier object kaplanmeierfitter = KaplanMeierFitter() # تحديد الشبكة (2×2) fig, axes = plt.subplots(2, 2, figsize=(15, 10)) # 2 صفوف × 2 أعمدة # تحويل الشبكة إلى قائمة لتسهيل التكرار axes = axes.flatten() # Iterate through each unique combination of 'cyto_score', 'tbi_status', 'graft_type', and 'vent_hist' groups = data_train.groupby(['cyto_score', 'tbi_status', 'graft_type', 'vent_hist']).groups for i, (group_key, group_indices) in enumerate(groups.items()): # التوقف إذا تم رسم 4 رسومات فقط if i >= 4: break # Filter the data based on the current group group_data = data_train.loc[group_indices] # Fit the Kaplan-Meier model kaplanmeierfitter.fit(group_data['efs_time'], event_observed=group_data['efs'], label=f'cyto_score {group_key[0]}, tbi_status {group_key[1]}, graft_type {group_key[2]}, vent_hist {group_key[3]}') # Plot on the corresponding subplot kaplanmeierfitter.plot_survival_function(ax=axes[i], color=plt.cm.tab10(group_data['cyto_score'] % 10)) # Customize each subplot axes[i].set_title(f'Group: cyto_score {group_key[0]}, tbi_status {group_key[1]}') axes[i].set_xlabel('Time (months)') axes[i].set_ylabel('Survival Probability') # تحسين المسافات بين الرسومات plt.tight_layout() # عرض الرسوم plt.show() هكذا يتم إنشاء شبكة من الرسومات باستخدام plt.subplots(2, 2) مما يعني 4 رسومات أي 2 صفوف × 2 أعمدة، و أيضا استخدمنا axes.flatten() لتحويل المحاور إلى قائمة لتسهيل التكرار عليها، ثم نقوم بتحديد عدد الرسومات لا يزيد عن 4 باستخدام الشرط، و كل مجموعة يتم رسمها على المحور الخاص بها باستخدام ax=axes[i].

تحليل Kaplan-Meier هو تقنية إحصائية تستخدم لتقدير دالة البقاء وتحليل الوقت حتى حدوث حدث معين، مثل الوفاة أو الشفاء، و نستخدم هذا التحليل بشكل واسع في الأبحاث الطبية لدراسة بقاء المرضى بعد تشخيص مرض أو تلقي علاج، وفي مجالات أخرى مثل الهندسة لتحليل موثوقية الأنظمة، أو في الأعمال لدراسة مدة احتفاظ العملاء بالخدمات، و تعتمد الطريقة على تقسيم البيانات إلى خطوات زمنية بناء على الأوقات التي حدث فيها الحدث المدروس، مع حساب احتمال البقاء عند كل نقطة زمنية، حيث يأخذ Kaplan-Meier في الحسبان البيانات غير المكتملة مثل المرضى الذين خرجوا من الدراسة قبل حدوث الحدث، مما يجعله أداة فعالة لتحليل بيانات البقاء.

الفرق يكمن في الهدف الأساسي لكل مكتبة، والأسلوب الذي توفره لتحليل البيانات أو بناء النماذج، فالهدف الرئيسي لكل مكتبة statsmodels هي أنها مصممة خصيصا للتحليل الإحصائي وبناء النماذج التفسيرية حيث توفر تفاصيل دقيقة وشاملة حول النماذج، مثل الإحصائيات الخاصة بالمتغيرات، و تركز على فهم العلاقات بين المتغيرات والاختبارات الإحصائية. بينما scikit-learn موجهة أكثر نحو التعلم الآلي وبناء النماذج التنبؤية، و نستخدمها لتطوير النماذج السريعة وتحقيق أفضل أداء للتنبؤات، و لا توفر نفس مستوى التحليل الإحصائي العميق الذي توفره statsmodels. لذا فدائما يجب عليك إختيار المكتبة المناسبة بناء على إحتياجات المشروع الخاص بك، و إذا كنت تريد الجمع بين الميزتين، يمكنك استخدام scikit-learn لتطوير النموذج سريعا ثم statsmodels لتحليل النتائج بتفصيل أكثر.

نوع البيانات التي تتعامل معها في كل حالة تختلف حسب طبيعة النموذج، بالنسبة لـ OLS، يمكن أن تكون X أي نوع من المتغيرات العددية أو حتى متغيرات فئوية بعد تحويلها إلى متغيرات رقمية باستخدام طرق مثل One-Hot Encoding، و الأمر نفسه مع y حيث يجب أن يكون عدديا ومستمرا، وهذا لأننا نستخدم OLS عندما يكون الهدف هو التنبؤ بقيمة مستمرة. و بالنسبة لـ Logistic Regression نفس الأمر مثل OLS يمكن أن تكون عددية أو فئوية مع تحويل الفئوية إلى رقمية، أما y يجب أن يكون فئوي، حيث إذا كنت تتعامل مع مشكلة تصنيف ثنائية، يجب أن يكون y يحتوي على قيم مثل 0 و 1 أو نعم ولا.

من المهم فهم تأثير كل عمود على النتيجة المستهدفة، و لكن يجب أن تأخذ في الاعتبار أن بعض الأعمدة قد لا يكون لها تأثير مباشر على المرض نفسه، بل قد تؤثر بشكل غير مباشر من خلال علاقتها بميزات أخرى، فمثلا قد يكون هناك عمود مثل "النشاط البدني" ليس له تأثير واضح على المرض بشكل مباشر، ولكنه يؤثر على الوزن أو مستوى السكر في الدم، وهذان العاملان لهما تأثير مباشر على مرض السكري، لذا من الأفضل استخدام تقنيات تحليل البيانات لاكتشاف العلاقات بين الميزات المختلفة، وأيضا تطبيق تقنيات التعلم الآلي أو تحليل الأهميةلتحديد التأثير المباشر وغير المباشر لكل عمود.

مكتبة PyCaret هي مكتبة مفتوحة المصدر تستخدم لتبسيط عملية بناء نماذج التعلم الآلي، و تهدف إلى تسهيل التعامل مع البيانات وتحليلها، حيث توفر أدوات لإنشاء النماذج، وتحليل الأداء، وتحسين النماذج بكل سهولة، و تشمل وظائف المكتبة معالجة البيانات المفقودة، وتقسيم البيانات، وتحويل الميزات، واختيار النموذج الأنسب، وتقييم أداء النموذج بشكل آلي، و بفضل واجهتها البسيطة والمباشرة يمكن للمستخدمين، سواء كانوا مبتدئين أو محترفين، بناء نماذج تعلم آلي بسرعة دون الحاجة إلى كتابة الكثير من الشيفرات المعقدة.

نستخدم الـ ANCOVA عندما نريد دمج تحليل التباين مع تحليل الانحدار الخطي، و الفرق الرئيسي بين الاثنين هو أن الـ ANCOVA يأخذ في الاعتبار المتغيرات المستقلة التي قد تؤثر على المتغير التابع ويقوم بتعديل التباين بناء عليها، مما يساعد في التخلص من تأثير المتغيرات غير المرغوب فيها. و بالتالي التحليل الخطي ينظر في العلاقة بين المتغير التابع والمتغير المستقل، بينما الـ ANCOVA يضيف مكون التحكم في المتغيرات الأخرى لتقليل تأثيرها على العلاقة بين المتغيرات المستقلة والمتغير التابع، و يعتبر مفيد عندما نحتاج لمقارنة مجموعات متعددة ولكن مع التحكم في تأثيرات المتغيرات الأخرى التي قد تكون لها تأثير على النتائج.

مرحبا حاتم، بالنسبة لموعد تواجد المدربين فهو يختلف من وقت لآخر و لكن يمكنك دائما طرح أسئلتك في أي وقت تريد و فور توفر أحد المدربين سيتكفل بمساعدتك، وبالتأكيد تختلف أوقات تواجدهم و يكون بشكل كبير في أوقات منتصف النهار إلى آخر الليل. و بسبب إختلاف الوقت بين المدربين و الطلبة ربما يكون هناك أوقات لا يتوفر فيه أي مدرب، و مع ذلك يمكنك دائما طرح سؤالك و كن متأكد أنه سيتم مساعدتك في أقرب وقت ممكن.

بالنسبة ل XGBoost هي اختصارا لـ "Extreme Gradient Boosting" وهي مكتبة مفتوحة المصدر تستخدم في التعلم الآلي لتحسين أداء النماذج التنبؤية، و تعتمد على تقنية تحسين التدرج لبناء نماذج تعتمد على تجميع الأشجار بشكل متسلسل، حيث تحاول كل شجرة جديدة تقليل الأخطاء التي وقعت فيها الأشجار السابقة، حيث يتم ذلك من خلال حساب التدرج لتحديد الأخطاء التي يجب تصحيحها، وبالتالي يتم تحسين النموذج بشكل تدريجي، و تعتبر XGBoost واحدة من أفضل التقنيات في المسابقات العالمية للتعلم الآلي مثل Kaggle نظرا لسرعتها العالية وكفاءتها في التعامل مع البيانات الكبيرة والمعقدة. لاستخدام XGBoost، يمكن تثبيتها عبر مكتبة Python باستخدام الأمر pip install xgboost بعدها يمكن استخدامها مع مكتبات مثل Scikit-learn لتدريب النموذج من خلال استدعاء واجهة مشابهة مثل XGBClassifier أو XGBRegressor، وضبط المعلمات مثل معدل التعلم وعدد الأشجار للحصول على أفضل أداء.

نعم مكتبة Seaborn تحتوي على مجموعة مدمجة من البيانات يمكن استخدامها لاختبار الرسوم البيانية وتجربة المكتبة، للوصول إلى هذه البيانات، يمكنك استخدام الدالة seaborn.get_dataset_names() لمعرفة أسماء مجموعات البيانات المتوفرة، ومن ثم تحميل أي منها باستخدام الدالة seaborn.load_dataset() بهذا الشكل: import seaborn as sns # عرض أسماء مجموعات البيانات المتوفرة print(sns.get_dataset_names()) # تحميل مجموعة البيانات 'tips' data = sns.load_dataset('tips') # عرض أول 5 صفوف من البيانات print(data.head()) بالتوفيق إن شاء الله.

يمكنك التكملة من حيث توقفتي و لكن إذا شهرتي أنك لم تفهمي الدروس جيدا أو أنك تجد صعوبة في العديد من المصطلحات من الأفضل إعادة مشاهدة الفيديوهات القديمة و لكن يمكنك تسريع الفيديو لأنك شاهدتها من قبل و بالتالي إعادة المشاهدة تجعلك تتذكرين ما درستيه من قبل، كما يمكنك الإطلاع على هذه الإجابة التي ستفيدك:

بالنسبة للإنحدار الخطي باستخدام متغير واحد يعتمد على علاقة بين متغير مستقل واحد ومتغير تابع، و في هذا النوع الهدف هو إيجاد معادلة خطية تمثل هذه العلاقة، حيث يكون شكل المعادلة هو y=mx+cy = mx + c، حيث mm هو الميل وcc هو التقاطع، و يستخدم هذا النموذج في الحالات التي يكون فيها المتغير المستقل كافياً للتنبؤ بالمتغير التابع. أما الانحدار الخطي باستخدام أكثر من متغير ، فيأخذ في الاعتبار أكثر من متغير مستقل للتنبؤ بالمتغير التابع، و تكون المعادلة الخطية في هذه الحالة على الشكل: y=b0+b1x1+b2x2+⋯+bnxn ، حيث يمثل كل xix_i متغير مستقل، وbib_i هي المعاملات المرتبطة بهذه المتغيرات، و يتميز هذا النموذج بقدرته على التعامل مع بيانات أكثر تعقيدا، حيث يمكنه تفسير التأثير المشترك لمجموعة من العوامل على المتغير التابع.

رسالة الخطأ التي تظهر تعني أن شهادة SSL الخاصة بالموقع لا تتطابق مع اسم النطاق الخاص بك، هذا يحدث عادة عندما يتم إعداد شهادة SSL لنطاق مختلف عن النطاق الذي تحاول الوصول إليه، لذا تأكد من أن اسم النطاق الذي تستخدمه في متصفحك يتطابق مع النطاق الذي تم إعداد شهادة SSL له. لذا يجب التحقق من إعدادات SSL في الاستضافة، سجل الدخول إلى لوحة التحكم الخاصة بموقعك، و اذهب إلى قسم SSL/TLS أو Certificates، و تحقق مما إذا كانت الشهادة مثبتة بشكل صحيح وتغطي النطاق الخاص بك، و إذا كانت الشهادة قديمة أو منتهية، قم بتجديدها، يمكنك استخدام خدمات مثل Let’s Encrypt لتثبيت شهادة SSL مجانية.

الدالة crosstab في مكتبة Pandas تستخدم لإنشاء جداول تقاطع، و تظهر العلاقة بين متغيرين أو أكثر بطريقة منظمة وسهلة الفهم، و تعمل على عد التكرارات لكل مزيج من القيم بين الأعمدة والصفوف، كما يمكنها تلخيص القيم باستخدام دوال إحصائية مثل المجموع أو المتوسط عبر معامل aggfunc، و تعتبر أداة قوية لتحليل البيانات واستخراج التوزيعات أو الأنماط، مع إمكانية إضافة مجاميع الصفوف والأعمدة، وتطبيع النتائج إلى نسب مئوية، و تستخدم بشكل شائع في استكشاف البيانات واستخراج إحصائيات تلخيصية لتقديم رؤى واضحة عن العلاقات بين المتغيرات.

بالنسبة لتحليل التباين المشترك هو أسلوب إحصائي يجمع بين تحليل التباين وتحليل الانحدار، ونستخدمه لتقييم الفروق بين متوسطات المجموعات مع الأخذ في الاعتبار تأثير متغير أو أكثر من المتغيرات المشتركة، والتي قد تؤثر على المتغير التابع، و الهدف الرئيسي من ANCOVA هو تحسين دقة التحليل عن طريق التحكم في المتغيرات الخارجية التي قد تشوش النتائج، فمثلا، في دراسة تقارن بين تأثير طرق تعليمية مختلفة على أداء الطلاب، يمكن استخدام ANCOVA للتحكم في عامل مثل الذكاء أو المستوى التعليمي السابق، وهكذا يمكن عزل تأثير الطريقة التعليمية بشكل أكثر دقة، و يعتر ANCOVA أداة قوية في البحث العلمي لتحسين فهم العلاقات بين المتغيرات.