* أولاً، يتم استيراد مكتبة nltk. هذه المكتبة توفر مجموعة متنوعة من أدوات معالجة اللغة الطبيعية.
* ثم يتم تحميل بيانات النص. في هذا المثال، يتم استخدام النص "This is a great book! I really enjoyed it. The characters were well-developed, the plot was exciting, and the ending was satisfying. I would definitely recommend this book to anyone who enjoys a good mystery."
* بعد ذلك، يتم تقسيم النص إلى كلمات. يمكن القيام بذلك باستخدام وظيفة word_tokenize() من مكتبة nltk.
* بعد ذلك، يتم إنشاء قائمة بتقييمات المشاعر لكل كلمة. يمكن القيام بذلك باستخدام وظيفة polarity_scores() من مكتبة nltk.
* أخيرًا، يتم طباعة تقييمات المشاعر لكل كلمة.

يمكن تفسير تقييمات المشاعر على أنها درجة من 1 إلى 5، حيث يشير 1 إلى تقييم سلبي و 5 إلى تقييم إيجابي. كما ترى، فإن الكلمات "great" و "enjoyed" و "satisfying" لها تقييمات إيجابية، بينما الكلمات "book" و "characters" و "plot" لها تقييمات محايدة.

من المهم ملاحظة أن تقييمات المشاعر ليست مثالية. قد تختلف تقييمات المشاعر للكلمة اعتمادًا على السياق الذي يتم استخدامها فيه. على سبيل المثال، قد يكون للكلمة "bad" تقييم سلبي في بعض السياقات، ولكن قد يكون لها تقييم إيجابي في سياقات أخرى.

السؤال:
اكتب برنامج بايثون يحدد ما إذا كانت مجموعة من الأرقام صحيحة أم سالبة أم صفر.
شروط المسابقة:
يجب مشاركة رابط قناة مع 5 حسابات على الاقل في جروب القناة.
يجب أن يكون المشارك مسجلاً في قناة تلجرام.
يجب أن يرسل المشارك الحل إلى السؤال في رسالة إلى قناة.
سيتم اختيار الفائز عشوائياً من بين جميع المشاركين الذين أرسلوا حلولاً صحيحة.
سيتم الإعلان عن الفائز في قناة تلجرام الخاصة بك.
سيتم منح الفائز جائزة قدرها 100 دولار أمريكي.
مدة المسابقة:
تبدأ المسابقة يوم 15 يوليو 2023 وتنتهي يوم 20 يوليو 2023.

حظاً موفقاً!

البايثون (Python) هو لغة برمجة تُستخدم على نطاق واسع في مجال الذكاء الاصطناعي وتعتبر واحدة من اللغات الأكثر شيوعًا لتطبيقات الذكاء الاصطناعي. يتميز بايثون بقربه وسهولته في الاستخدام وفهم الشفرة، ويوفر العديد من المكتبات والأدوات المتخصصة في مجال الذكاء الاصطناعي.

لنقدم مثالًا بسيطًا يستخدم مكتبة scikit-learn لإنشاء نموذج بسيط للتعلم الآلي:

python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# قم بتحميل مجموعة بيانات iris
iris = datasets.load_iris()

# قسم البيانات إلى مجموعة تدريب واختبار
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

# قم بإنشاء نموذج الجار الأقرب
knn = KNeighborsClassifier(n_neighbors=3)

# قم بتدريب النموذج باستخدام بيانات التدريب
knn.fit(X_train, y_train)

# احسب دقة النموذج على بيانات الاختبار
accuracy = knn.score(X_test, y_test)
print("الدقة:", accuracy)

في هذا المثال، نقوم بتحميل مجموعة بيانات iris المتاحة في scikit-learn، ومن ثم نقسم البيانات إلى مجموعتين، مجموعة تدريب واختبار باستخدام دالة train_test_split. ثم نبني نموذجًا للجار الأقرب (K-Nearest Neighbors) باستخدام KNeighborsClassifier ونقوم بتدريبه باستخدام بيانات التدريب. أخيرًا، نستخدم النموذج لتقدير الدقة المتوقعة على بيانات الاختبار باستخدام دالة score.

هذا مثال بسيط يوضح كيفية استخدام بايثون في بناء نموذج بسيط للتعلم الآلي باستخدام مكتبة scikit-learn. وبالطبع، هناك العديد من المكتبات والتقنيات الأخرى في مجال الذكاء الاصطناعي يمكن استخدامها مع بايثون، مثل TensorFlow وPyTorch للتعلم العميق (Deep Learning)، و NLTK لمعالجة اللغة الطبيعية (Natural Language Processing)، وغيرها الكثير.

يتميز لغة بايثون بقدرتها على التعامل مع الذكاء الاصطناعي بشكل فعال وسهل، حيث توفر مكتبات قوية ومتعددة لتطوير تطبيقات الذكاء الاصطناعي. وفيما يلي بعض أساسيات الذكاء الاصطناعي في لغة بايثون:

1. NumPy:
تعتبر NumPy واحدة من أساسيات الذكاء الاصطناعي في لغة بايثون، حيث توفر مكتبة NumPy قوة في التعامل مع الحسابات العلمية والرياضية والتعامل مع البيانات الكبيرة. يمكن استخدام NumPy لإنشاء وتعديل المصفوفات والأرقام العشوائية والتعامل مع الفئات الرياضية الأخرى.

2. Pandas:
تعتبر Pandas واحدة من أشهر مكتبات البيانات في بايثون، حيث توفر مكتبة Pandas قوة في التعامل مع البيانات المنظمة في شكل جداول وتحليلها وتحويلها وتصفيتها وتهيئتها للاستخدام في التعلم الآلي.

3. Scikit-learn:
تعد Scikit-learn من أشهر مكتبات التعلم الآلي في بايثون، حيث يمكن استخدامها لتحليل البيانات وتطوير النماذج الإحصائية والتنبؤ بالنتائج. توفر Scikit-learn مجموعة كبيرة من الأدوات والخوارزميات للتعلم الآلي، بما في ذلك الكلاسيكيات مثل الشبكات العصبية والتعلم العميق.

4. TensorFlow:
تعتبر TensorFlow من أشهر مكتبات الذكاء الاصطناعي في بايثون، حيث تقدم Google هذه المكتبة لتطوير نماذج التعلم الآلي. يمكن استخدام TensorFlow لتطوير الشبكات العصبية والتعلم العميق والتنبؤ بالنتائج. يمكن أيضاً استخدام TensorFlow لتحسين الأداء وتحسين النتائج في نماذج التعلم الآلي.

5. Keras:
تعد Keras مكتبة الذكاء الاصطناعي الأكثر سهولة في بايثون، حيث تسهل عملية بناء الشبكات العصبية والتعلم العميق وتحليل البيانات. يمكن استخدام Keras لإنشاء الشبكات العصبية والتعامل مع التصنيف والتنبؤ بالنتائج.

6. OpenCV:
تعتبر OpenCV من أشهر مكتبات التعلم الآلي في بايثون، حيث يمكن استخدامها للتعامل مع الصور والفيديو والتعرف على الوجوه والمواقع والأشكال والأشياء الأخرى. يمكن استخدام OpenCV لتطوير تطبيقات تحليل الصور والتعلم الآلي.

إلى جانب هذه المكتبات، يمكن استخدام العديد من الأدوات الأخرى في بايثون لتطوير تطبيقات الذكاء الاصطناعي، مثل PyTorch وSciPy وMatplotlib وغيرها. يمكن الاستفادة من هذه المكتبات والأدوات لتطوير تطبيقات الذكاء الاصطناعي بشكل فعال وسهل في لغة بايثون.

OpenCV
هي مكتبة تعمل على معالجة الصور والفيديوهات باللغة البرمجية بايثون و يمكن استخدامها لتطوير تطبيقات اصة بمعالجة الصور والفيديوهات، ويمكن استخدامها لتحليل وتعرف على الوجوه والأشكال والأشياء الأخرى.

لتثبيت OpenCV في بايثون، يمكن استخدام الأمر التالي في واجهة سطر الأوامر:

pip install opencv-python

بعد تثبيت OpenCV، يمكن استخدام الدوال والميثودات المتوفرة في المكتبة لمعالجة الصور والفيديوهات. وفيما يلي بعض الأمثلة التوضيحية لاستخدام OpenCV في بايثون:

1. قراءة الصورة:

يمكن استخدام دالة imread() لقراءة الصورة من مسار محدد وتخزينها في متغير:

import cv2

image = cv2.imread('path/to/image.jpg')

2. عرض الصورة:

يمكن استخدام دالة imshow() لعرض الصورة على الشاشة:

import cv2

image = cv2.imread('path/to/image.jpg')
cv2.imshow('image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. تحويل الصورة إلى رمادية:

يمكن استخدام دالة cvtColor() لتحويل الصورة إلى رمادية:

import cv2

image = cv2.imread('path/to/image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

4. الكشف عن الوجوه في الصورة:

يمكن استخدام دالة CascadeClassifier() للكشف عن الوجوه في الصورة:

import cv2

face_cascade = cv2.CascadeClassifier('path/to/haarcascade_frontalface_default.xml')
image = cv2.imread('path/to/image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5)
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.imshow('image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

5. تحليل الفيديو:

يمكن استخدام دالة VideoCapture() لتحليل الفيديو وإظهاره على الشاشة:

import cv2

cap = cv2.VideoCapture('path/to/video.mp4')
while True:
ret, frame = cap.read()
if ret == False:
break
cv2.imshow('video', frame)
if cv2.waitKey(1) == ord('q'):
break
cap.release()
cv2.destroyAllWindows()

هذه بعض الأمثلة التوضيحية لاستخدام OpenCV في بايثون. يمكن استخدام المزيد من الميثودات والدوال المتوفرة في المكتبة لتطوير تطبيقات التعلم الآلي والذكاء الاصطناعي.

Today we're taking a look at 47 #vscode shortcuts to help speed up your 
workflow. 
 
These shortcuts are split up into the following categories: 
- General 
- Basic Editing 
- Multi-cursor & selection 
- Navigation 
- Editor management 
- File management 
- Display 
- Debug 
 
Which commands do you use? 
 

🚀 Unlock the Power of Data with youtube_explode_dart! 🎥 In 6 simple steps, I'll guide you through harnessing the potential of this incredible library to extract detailed video information from YouTube using Dart. From titles to view counts, dive into the world of video content like never before. Swipe right to learn how to integrate it seamlessly into your Flutter apps for a dynamic user experience! 🔍💡

#YouTubeExplodeDart #DartProgramming #FlutterDevelopment #DataExtraction #VideoContent #CodingTips #AppIntegration #TechTutorial #ExploreWithCode

#Tech #CodingCommunity #Programming #AppDevelopment #CodeNewbie #VideoLibrary #CodingLife #CodeIsArt #LearnProgramming #CreativeCoding #InnovativeTech #CodingSkills #SoftwareEngineering #CodeGoals #CodeMagic #FlutterLove #YouTubeMasterclass #YouTubeTips #CodingInspiration #ExploreTech #CodeNinja
https://www.instagram.com/p/CwhnwQlvzyI/?igshid=YTUzYTFiZDMwYg==

Flutter Clean Architecture Tutorial | بالعربي | Part1
شاهد الدرس الفريد من نوعه وهو لكل مهندس برمجيات باللغة العربية
https://youtu.be/Oh8IX-joXnE?si=P9ANqa5xz3Or3Snv
أعزائي المبرمجين
ارجو منكم دعم المحتوى المفيد والعلمي ودعم المحتوى باللغة العربية خاصتن ان برمجة هي إنجليزية وانا مهمتي اني أسهل هذا المجال لجميع مبرمجين العرب ارجو دعمي والاشتراك بالقناة يوتيوب للمزيد من محتوى متميز
وشكرا لكم

تصميمي لصفحة Login UI ماهو رأيكم ❤️

Today we're taking a look at 47 #vscode shortcuts to help speed up your 
workflow. 
 
These shortcuts are split up into the following categories: 
- General 
- Basic Editing 
- Multi-cursor & selection 
- Navigation 
- Editor management 
- File management 
- Display 
- Debug 
 
Which commands do you use?