Khaled Osama3

و عليكم السلام الخطأ ناتج عن استخدام الأقواس الخطأ في بعض السطور. حيث يتم استخدام loc لتحديد الإحصائيات، تم استخدام الأقواس العادية () بدلاً من الأقواس المربعة []. في pandas، عندما نستخدم loc، يجب أن نستخدم الأقواس المربعة للوصول إلى الأعمدة أو الصفوف المحددة. # الحصول على الوصف الإحصائي لبيانات محددة statistical0 = diabetes.drop(['Outcome','DiabetesPedigreeFunction','Pregnancies'], axis=1).describe() statistical1 = diabetes.drop(['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'Age'], axis=1).value_counts().describe() plt.figure(figsize=(10, 8)) # تصحيح الأقواس في loc statistical0.loc[['mean', 'std', 'min', "25%", "50%", "75%", 'max']].transpose().plot(kind='bar', figsize=(12, 8)) statistical1.loc[['mean', 'std', 'min', '25%', '50%', '75%', 'max']].transpose().plot(kind='bar', figsize=(12, 8)) plt.title("Statistical Summary of Diabetes Dataset") plt.xlabel("Features") plt.ylabel("Value") plt.xticks(rotation=30) plt.legend(["Mean", "Std", "Min", "25%", "50%", "75%", "Max"]) plt.grid(True) plt.tight_layout() plt.show() و يجب ايضا التاكد من قيمة السطر التانى من الكود و يمكنك معرفة قيمتها باستخدام: print(statistical1)

و عليكم السلام: بالتأكيد فالخوارزميات مهمة في جميع مجالات التقنية فالخوارزميات تساعد في معالجة وتحليل البيانات بكفاءة أكبر. على سبيل المثال، خوارزميات الترتيب والتصفية هي أساسية لتحضير البيانات وتنقيحها قبل تحليلها. و لكن لا حاجة للتعمق فيها. فقد لا تكون جميع جوانب الخوارزميات وهياكل البيانات ضرورية لكل محلل بيانات، إلا أن معرفة أساسياتها يمكن أن تضيف الكثير لقيمة المحلل في الفريق وتمكنه من التعامل مع البيانات بشكل أكثر فعالية. فيجب عليك تعلم الاساسيات. ثم انتقل الى:

وعليكم السلام _ (underscore) في بايثون تستخدم لأغراض تنظيمية ووضوح الكود، وخاصة في تسمية المتغيرات. الطريقة المعتمدة في بايثون لتسمية المتغيرات هي باستخدام النمط المسمى snake_case، بحيث تكون الكلمات مفصولة بعلامة سفلية (underscore). مثل: first_name = 'ali' first_name = 'ali' هذه الطريقة تجعل الكود أكثر وضوحًا ويسهل قراءته، وخصوصًا عند استخدام أسماء متغيرات طويلة تتكون من عدة كلمات.

و عليكم السلام ال JOIN: هي عملية تستخدم لربط الجداول مع بعضها البعض بناءً على علاقة مشتركة. و غالبًا ما تُستخدم عندما يكون لديك بيانات موزعة في جداول متعددة وترغب في جلبها معًا في استعلام واحد لتقديم نتائج مفيدة. و هناك عدة انواع له: INNER JOIN: يتم إرجاع السجلات التي لها قيم مطابقة في كلا الجدولين فقط. إذا لم يكن هناك تطابق، فلن يتم عرض السجل في النتيجة. LEFT JOIN (LEFT OUTER JOIN): يتم إرجاع جميع السجلات من الجدول الأيسر (Left Table)، مع السجلات المطابقة من الجدول الأيمن (Right Table). إذا لم يكن هناك تطابق، فستحتوي الأعمدة من الجدول الأيمن على قيمة NULL. RIGHT JOIN (RIGHT OUTER JOIN): يعمل بشكل مشابه لـ LEFT JOIN، لكن يتم إرجاع جميع السجلات من الجدول الأيمن، مع السجلات المطابقة من الجدول الأيسر. إذا لم يكن هناك تطابق، ستكون القيم من الجدول الأيسر هي NULL. FULL JOIN (FULL OUTER JOIN): يجمع نتائج كل من LEFT JOIN و RIGHT JOIN، حيث يتم إرجاع جميع السجلات من كلا الجدولين. إذا لم يكن هناك تطابق، فسيتم ملء القيم غير الموجودة بـ NULL.

وعليكم السلام تحليل الانحدار (Regression Analysis) هو أسلوب إحصائي يُستخدم لفهم العلاقة بين متغيرين أو أكثر. يهدف هذا التحليل إلى تقدير كيفية تأثير متغير مستقل (أو عدة متغيرات مستقلة) على متغير تابع (أو متغير يعتمد). و يساعد تحليل الانحدار في اتخاذ القرارات المبنية على البيانات، ويتيح للباحثين فهم العلاقات المعقدة بين المتغيرات. و له عدة أنواع أساسية: الانحدار الخطي البسيط: يتضمن متغيرًا تابعًا واحدًا ومتغيرًا مستقلًا واحدًا. يُستخدم لنمذجة العلاقة الخطية بين المتغيرين. الانحدار الخطي المتعدد: يتضمن متغير تابع واحد وعدة متغيرات مستقلة. يُستخدم لفهم كيف تؤثر مجموعة من المتغيرات على المتغير التابع. الانحدار اللوجستي: يُستخدم عندما يكون المتغير التابع نوعيًا (مثل النجاح/الفشل)، حيث يهدف إلى تقدير الاحتمالات. و يستخدم فى: مجالات مثل الاقتصاد والعلوم الاجتماعية للتنبؤ بالاتجاهات المستقبلية. فهم كيفية تأثير مجموعة من العوامل على نتيجة معينة. تحسين تصنيف الملاحظات بناءً على الخصائص المدروسة. (في بعض الحالات) و يمكنك الاطلاع على المقال التالى

و عليكم السلام في الوقت الحالى لا يوجد أكواد خصم متاحة، فآخر عرض كان متاح هو عرض العطلة الصيفية 2024 و قد انتهى. و يمكنك أيضا التوجه إلى مركز المساعدة و سوف تجد تفاصيل أكثر حول هذا الأمر من توافر لكوبانات الخصم من عدمه.

و عليكم السلام CareerCon: مؤتمر تنظمه منصة Kaggle، ويهدف إلى مساعدة العلماء والمبرمجين المهتمين بمجال التعلم الآلي وعلوم البيانات في تطوير مهاراتهم والحصول على نصائح حول مساراتهم المهنية. يعرض المؤتمر محادثات (conversation)، ورش عمل (Workshops)، ومسابقات خاصة بعلم البيانات والتعلم الآلي، حيث يتشارك فيه المتخصصون في المجال تجاربهم ويوجهون الحضور حول كيفية تحسين فرصهم الوظيفية وبناء مسارات مهنية ناجحة. في إطار هذا المؤتمر، قد يتم تنظيم مسابقات، تحديات، وجلسات تعليمية تتعلق بالتحليل الإحصائي، البرمجة، والنماذج التنبؤية، مما يتيح للمشاركين التعلم وتوسيع مهاراتهم العملية.

و عليكم السلام هذه البيانات بمرض السكري ، بها عوامل الخطر المختلفة المرتبطة بمرض السكري. Pregnancies (الحمل): عدد مرات الحمل السابقة للمرأة. Glucose (الجلوكوز): مستوى الجلوكوز في الدم (ملغ/ديسيلتر) عند الاختبار. loodPressure (ضغط الدم): قياس ضغط الدم (مم زئبق). SkinThickness (سمك الجلد): سمك جلد السرة (مم). Insulin (الأنسولين): مستوى الأنسولين (مكاييل وحدة). BMI (مؤشر كتلة الجسم): هو قياس يستخدم لتحديد الوزن المثالي بالنسبة للطول. DiabetesPedigreeFunction (وظيفة شجرة العائلة للسكري): مؤشر يستخدم لقياس وجود تاريخ عائلي للسكري. Age (العمر): عمر الشخص (سنوات). يزداد خطر الإصابة بالسكري مع تقدم العمر. Outcome (النتيجة): هذا العمود يعكس ما إذا كان الشخص مصاباً بالسكري (1) أم لا (0). يعتبر هذا العمود الهدف الرئيسي لتحليل البيانات. و للتوضيح فسوف نأخد مثال على تحليل البيانات: First record: يشير إلى امرأة عمرها 50 سنة، لديها 6 حالات حمل سابقة، مستوى جلوكوز 148، وضغط دم 72، وBMI 33.6. بناءً على هذه المعطيات، النتيجة هي 1، مما يعني أنها مصابة بالسكري. Second record:السجل الثاني يشير إلى امرأة عمرها 31 سنة، لديها حمل واحد، مستوى جلوكوز 85، وضغط دم 66، وBMI 26.6، والنتيجة 0، مما يعني أنها غير مصابة بالسكري.

و عليكم السلام قم بارفاق الخطأ هنا من فضلك لكى نتمكن من مساعدتك

لا يوجد وقت فعند شرائك للدوره ستبقي مفتوحه طيله العمر مع كامل التحديثات لها فلن تضطر لشراء نفس الدوره مرتين او تحديث اشتراك وليس لها وقت نهايه

وعليكم السلام ورحمة الله وبركاته، Sample Size Calculator: أداة تُستخدم لحساب حجم العينة المناسب لإجراء دراسة أو تجربة معينة بناءً على بعض المعايير الإحصائية. و الهدف الرئيسي من استخدام هذه الأداة هو تحديد العدد الأمثل من العناصر التي يجب جمع بياناتهم من أجل الوصول إلى نتائج دقيقة وموثوقة. و من العوامل المؤثرة على Sample Size Calculator: حجم المجتمع (Population Size): العدد الإجمالي للأفراد العناصر هامش الخطأ (Margin of Error): مدى التفاوت المسموح به في نتائج العينة مقارنة بالمجتمع. عادةً يتم التعبير عنه بالنسبة المئوية. كلما كان هامش الخطأ أصغر، زادت دقة النتائج. مستوى الثقة (Confidence Level): يشير إلى مدى الثقة في أن النتائج المستخلصة من العينة تمثل المجتمع بشكل دقيق. أكثر مستويات الثقة شيوعًا هي 90%، 95%، و99%. مستوى الثقة 95% يعني أنك تتوقع أن تكون نتائجك صحيحة في 95% من المرات. التباين المتوقع في المجتمع (Population Variability): يعبّر عن مدى اختلاف القيم داخل المجتمع. إذا كنت تتوقع تباينًا كبيرًا في المجتمع، ستحتاج إلى حجم عينة أكبر. نسبة النجاح (Proportion): في بعض الأحيان، يتم تقدير نسبة معينة لظاهرة معينة (مثل 50% من المجتمع يوافقون على موضوع معين). إذا لم يكن لديك تقدير مسبق، يُستخدم عادةً 50% كأساس لأنه ينتج عنه أكبر حجم عينة مطلوب. و يمكنك العثور على Sample Size Calculators هنا.

و عليكم السلام ذلك نتيجة لقاعدة تسمى Rule of 30 و هى من التطبيقات الشائعة فى الإحصاء. و ذلك لعدة اسباب منها: تحقيق دقة أكبر: عندما تكون العينة صغيرة، فإن النتائج تكون أكثر تأثرًا بالتحيز أو التقلبات العشوائية. حجم العينة الأكبر (30 فأكثر) يساعد على تقليل التباين وتحسين دقة التقديرات. تقليل الخطأ المعياري: لانه بزيادة حجم العينة، يقل الخطأ المعياري (Standard Error)، مما يعني أن متوسط العينة يكون أقرب إلى متوسط المجتمع الفعلي. و لذلك فإن 30 من الحدود الأمنه و المناسبة و لكن ليست قاعدة إجبارية الاستخدام. ففى بعض الاحيان يمكن استخدام حجم اكبر او اصغر على حسب طبيعة البيانات.

الخطأ الذي يظهر لديك مرتبط بمكتبة TensorFlow، وقد يكون ناتجًا عن مشاكل في التثبيت أو عدم التوافق بين إصدارات TensorFlow و Keras أو التبعيات المرتبطة. لحل هذا المشكلة، تأكد من أنك تستخدم أحدث إصدارات TensorFlow و Keras. يمكنك تحديث المكتبات باستخدام الأوامر التالية: pip install --upgrade tensorflow keras إذا استمر الخطأ بعد التحديث، قد تحتاج إلى إعادة تثبيت TensorFlow بشكل كامل: pip uninstall tensorflow pip install tensorflow و تأكد أن البيئة التي تعمل فيها لا تحتوي على تعارضات بين المكتبات. يمكنك إنشاء بيئة افتراضية جديدة وتجربة تشغيل الكود فيها: python -m venv myenv myenv\Scripts\activate pip install tensorflow keras pandas scikit-learn كل امر على حدى

السبب الأساسي أن البيانات لا يتم حفظها في المتغير user بعد إغلاق البرنامج: أن المتغيرات في البرامج (مثل المتغير user في هذه الحالة) يتم تخزينها في الذاكرة المؤقتة (RAM) أثناء تشغيل البرنامج. بمجرد إيقاف البرنامج، يتم تحرير الذاكرة المؤقتة وبالتالي تفقد جميع البيانات التي كانت موجودة في المتغيرات. عندما تقوم بإعادة تشغيل البرنامج، يبدأ من الصفر ويعود المتغير user فارغًا. اذا كنت تريد حفظ بيانات ال user فيمكنك استخدام ملف لحفظ البيانات مثل ال json او csv. او يمكنك استخاد قواعد البيانات. و اضف الى الكود عملية استرجاع البيانات. واليك مثال عن طريق ال json: import json from sys import exit from time import sleep class User: def __init__(self, first_name, last_name, email, password, status="inactive"): self.first_name = first_name self.last_name = last_name self.email = email self.password = password self.status = status def display(self): print(f"First name: {self.first_name}") print(f"Last name: {self.last_name}") print(f"Email: {self.email}") print(f"Password: {self.password}") print(f"Status: {self.status}\n") print("_" * 20) def to_dict(self): return { "first_name": self.first_name, "last_name": self.last_name, "email": self.email, "password": self.password, "status": self.status } @classmethod def from_dict(cls, data): return cls(data["first_name"], data["last_name"], data["email"], data["password"], data["status"]) def username(): first_name = input("First_name: ") last_name = input("last_name: ") email = input("Email: ") password = input("password: ") return User(first_name, last_name, email, password) def save_users(users): with open('users.json', 'w') as file: json_data = [user.to_dict() for user in users] json.dump(json_data, file) def load_users(): try: with open('users.json', 'r') as file: json_data = json.load(file) return [User.from_dict(user_data) for user_data in json_data] except FileNotFoundError: return [] users = load_users() while True: print("Welcome to user management\n") print("Choose an action\n") print("1. Add new user") print("2. Display all users") print("3. Exit\n") choice = input("Enter your choice: ") if choice == '1': new_user = username() users.append(new_user) save_users(users) print("User added successfully!\n") sleep(2) elif choice == '2': if users: for user in users: user.display() sleep(2) else: print("No users found!") sleep(2) elif choice == '3': print("Exiting...") exit(0) else: print("Invalid choice! Please choose 1, 2, or 3.") و لاحظ فى الكود: @classmethod تستخدم لتعريف "طريقة" (method) تابعة للفئة (class method). و على عكس الدوال العادية (التي تستخدم self للوصول إلى خصائص الكائن)، الدالة التي توصف بـ @classmethod تأخذ دائمًا المعامل الأول كـ cls، والذي يمثل الفئة نفسها (class) وليس الكائن.

بما أنك بدأت تعلم البرمجة مع C++ و HTML/CSS، الخطوة التالية تعتمد على رغبتك في التطور في مجال تطوير الويب فالخطوة المنطقيه هي تعلم JavaScript فهي لغة البرمجة التي تجعل صفحات الويب تفاعلية. ستتعلم من خلالها إضافة الحركة والتفاعل إلى المواقع وبعد تعلم الجافاسكريبت فانت هكذا لديك اساسيه قويه في البرمجه والفرونت اند والخطوه التي بعدها يجب ان تتعلم Libraries مثل React.js أو Vue.js أو Angular. هذه المكتبات تساعدك في بناء واجهات تفاعلية بسهولة وسرعة وتجعل الكود الخاص بك منظم وقابل للتطوير والتغيير اذا تتطلب الامر ويوجد امر مهم جدا يجب الا نتجاهله Responsive Design باستخدام CSS Frameworks مثل Bootstrap أو Tailwind CSS لجعل المواقع تعمل جيدا على الهواتف وأجهزة الكمبيوتر. ولكن بالنسبه لسوالك عن الفرونت إند وحده أم الفول ستاك؟: هناك مطورين متخصصين فقط في الفرونت إند (Front-End Developers)، وهم يركزون فقط على تصميم الواجهات. ولكن، في بعض الأحيان، يفضل أصحاب الأعمال توظيف شخص يمتلك مهارات فول ستاك (Full-Stack) (ولكن المرتب يكون اكبر طبعا). أي يكون لديه القدرة على تطوير الفرونت إند بالإضافة إلى الباك إند (Back-End)، وهو الجزء الذي يدير البيانات على الخوادم. ولكن اذا كنت تفضل الفرونت اند فقط ستجد وظائف كثيره لها ولكن اذا كنت مهتم بتعلم الفول ستاك لزياده فرصك يمكنك أن تتعلم لغات الباك إند مثل Node.js أو Python (Django أو Flask)، وأيضاً التعامل مع قواعد البيانات مثل MongoDB أو MySQL. في النهاية، يعتمد قرارك على ما إذا كنت تفضل التخصص في الفرونت إند أو إذا كنت ترغب في توسيع مهاراتك إلى الفول ستاك. لكن البدء بفرونت إند هو خطوة جيدة ومطلوبة في السوق.

المشكلة هي وجود مسافة أو علامة تبويب زائدة قبل السطر، وهو ما تسبب في ظهور خطأ "IndentationError: unexpected indent". فيجب أن تتأكد من أن السطر لا يحتوي على مسافات أو علامات تبويب غير ضرورية في بدايته. فيجب كتابة الكود بدون مسافات قبله فى محرر النصوص: print("Samer" * 2) # not this print("Samer" * 2) # but this print("Samer" * 2)

يرجي ارسال الكود لتحديد الخطأ ولمساعدتك بشكل افضل واذا كان هذا سوال خاص بدرس فستجل اسفل كل درس صندوق تعليقات مخصص لاسئله الدرس لاننا هنا نسال عن الاسئله العامه ولمساعدتك ومساعده زملائك بشكل افضل

من خلال مركز المساعدة هنا وذلك بخصوص الإختبار أو الأمور المالية أو مشكلة في الدورات. أما بخصوص الأسئلة حول الدروس فيتم طرحها أسفل فيديو الدرس في نهاية الصفحة ستجد صندوق تعليقات كما هنا.

الدورة تؤهلك لأن تصبح AI Developer او Data Scientist تكون مسؤول عن تصميم وتنفيذ خوارزميات الذكاء الاصطناعي والتعلم الآلي (Machine Learning). تطوير النماذج والتعامل مع البيانات الضخمة. او مسئول عن تحليل البيانات واستخراج الأنماط المفيدة من خلالها. بناء نماذج تنبؤية واتخاذ قرارات مبنية على البيانات. اما متوسط الراتب: بشكل عام، الرواتب تعتمد بشكل كبير على المكان والشركة والدولة، وقد يكون للعاملين في الذكاء الاصطناعي مستقبلاً فرصة لتحصيل رواتب مرتفعة مع زيادة الطلب على هذه المهارات. ولكن متوسط راتب ال AI Developer قد يتراوح بين 16,500 ريال سعودي شهريا. (لا تنسى ان هذا الرقم ليس ثابت بناءا على العوامل الموضحة) بالتوفيق

نعم يمكنك ذلك مباشرة

و عليكم السلام من الرائع أنك مهتم بالذكاء الاصطناعي ولاكن : لايمكننا دراسة المجال مباشرة الا اذا فهمنا اساسيات البرمجة و هذا لكى يساعدك على فهم الاكواد اللتى سوف تتعامل معها. و لاتقلق فدورة الذكاء الاصطناعى فى الاكاديمية تبدأ من اساسيات لغة ال python ومن ثم تدخل فى المجال مباشرة و سوف تقوم بالتطبيق العملى فى دورة حتى تكون جاهز للعمل بالمجال

من فضلك ستجد أسفل الدرس صندوق للتعليقات كما هنا، من فضلك يرجي طرح الأسئلة هناك حيث هنا هو قسم الأسئلة العامة ولا نقوم بالإجابة بالأسئلة الخاصة بالدورات هنا وذلك لمعرفة الدرس الذي تريد الإستفسار عنه و مساعدتك بشكل أفضل.

و عليكم السلام مكتبة python-bidi غير مدعومة بشكل رسمي على معمارية ARM و لكن هناك بعض الحلول الممكنة لهذه المشكلة: يمكنك استخدام مكتبات أخرى قد تكون قادرة على دعم ال (Bidi) على معمارية ARM، مثل: مكتبة Pango: قوية لمعالجة النصوص متعددة اللغات، تدعم اللغات ذات الاتجاهات المختلفة. و PyICU: يمكن استخدامها مع بعض اللغات الدولية (مثل العربية) لمعالجة النصوص وتنسيقها بالشكل الصحيح. بالتوفيق

يجب تعلم لغة برمجة خاصة بالباك-إند من بين اللغات المشهورة لتطوير الباك-إند هي JavaScript مع Node.js او Python (مع إطار Django أو Flask) او PHP او Ruby مع Rails او Java (مع Spring Framework) يمكنك البدء بلغة تشعر بالراحة معها. ولكن المشترك من بين كل هذه اللغات سواء اخترت لغه php او JavaScript او اي لغه اخري يجب تعلم اساسيات وبروتوكلات الويب يجب أن تتعلم التعامل مع قواعد البيانات. يوجد نوعان رئيسيان: قواعد البيانات العلائقية مثل MySQL أو PostgreSQL. و قواعد البيانات اللاعلائقية NoSQL مثل MongoDB. تعلم كيفية كتابة استعلامات SQL، وكيفية إدارة البيانات. وفي الويب ستحتاج لبناء APIs تتواصل مع الواجهة الأمامية (Front-End). تعلم RESTful APIs و JSON. ويجب ايضا ان تتعلم عن الخوادم وكيف تعمل وكيفية تشغيل وتكوين الخوادم مثل Nginx و Apache. أيضا تعلم كيفية استخدام تقنيات Docker لتشغيل التطبيقات في بيئات معزولة. وبالنسبه للامان يجب ان تتعلم او علي الاقل فهم مفاهيم مثل SSL/TLS، وكيفية حماية البيانات وتأمين الخوادم. واذا كنت ستعمل في شركه او وسط فريق يجب ان تتعلم كيفية استخدام Git لإدارة الشيفرات، والعمل مع فرق باستخدام منصات مثل GitHub أو GitLab. وبالطبع يجب تتأكد من ان الكود الخاص بك يعمل جيدا لذلك يجب عمل تجريب له او اختباره للتأكد من خلوه من الأخطاء، سواء عن طريق Unit Testing أو Integration Testing. ابدأ بتعلم هذه المهارات تدريجياً، وستجد نفسك قادرا على بناء تطبيقات خلفية قوية وآمنة ولكن لا يجب ان تتعمق في كل هذه الامور ولكن يجب ان يكون لديك لمحه عنه لانك سيساعدك كثيرا في فهم الامور كيف تعمل خلف الكواليس او اذا اردت ان تعمل شئ خاص بك.

في مكتبة NumPy ال NaN هو اختصار لـ "Not a Number"، ويستخدم لتمثيل القيم غير المعروفة أو غير القابلة للتحديد في مصفوفات الأعداد. و NaN هو قيمة خاصة تستخدم بشكل شائع في الحوسبة العددية والإحصائية للإشارة إلى قيم مفقودة أو غير صالحة. مثل: import numpy as np # list of numbers include one nan arr = np.array([1, 2, np.nan, 4]) # check if the item is nan or not nan_mask = np.isnan(arr) print(nan_mask) # Output: [False False True False] و يمكن ايضا استخدام nan_to_num لاستبدال ال nan بقيمة اخرى , و هذه قد تستخدم فى تنظيف البيانات data cleaning : import numpy as np arr = np.array([1, 2, np.nan, 4]) # replace nan with zero (0) arr_no_nan = np.nan_to_num(arr, nan=0) print(arr_no_nan) # Output: [1. 2. 0. 4.]