متوفر جيمناي برو لمدة 18 شهر لحق على الفرصه ما بقى كثير روابط تفعيل للتواصل :
@Ninja_404_X
@Ninja_404_X

5 موارد مجانية لهياكل البيانات والخوارزميات (DSA) لاجتياز مقابلات البرمجة

👉 GeeksforGeeks
https://www.geeksforgeeks.org/the-ultimate-beginners-guide-for-dsa/amp/

👉 LeetCode
https://leetcode.com/study-plan/data-structure/

👉 HackerRank
https://www.hackerrank.com/domains/data-structures

👉 تحضيرات مقابلات البرمجة
قناة مفيده للامن السيبراني
https://t.me/Ninja_404_x_Cyber

👉 FreeCodeCamp
https://www.freecodecamp.org/learn/javascript-algorithms-and-data-structures/

انضم للمزيد من الدورات المجانية:
قناة مفيده للامن السيبراني
https://t.me/Ninja_404_x_Cyber

استمتع بالتعلم 👍👍

لكل اليبغى كورسات مجانية بالأمن السيبراني من هنا👇🏻👇🏻👇🏻👇🏻
@Courses_Ninja_404_Cyber_bot
@Courses_Ninja_404_Cyber_bot

دورات مجانية في وكلاء الذكاء الاصطناعي (AI Agents) من Kaggle

إليك الملاحظات حسب الفصول:

مقدمة إلى وكلاء الذكاء الاصطناعي (Intro to AI Agents)
https://www.kaggle.com/whitepaper-introduction-to-agents

أدوات الوكلاء والتشغيل البيني مع MCP (Agent Tools and MCP)
https://www.kaggle.com/whitepaper-agent-tools-and-interoperability-with-mcp

هندسة السياق: الجلسات والذاكرة (Context Engineering)
https://www.kaggle.com/whitepaper-context-engineering-sessions-and-memory

جودة الوكيل وتقييمه ومراقبته (Agent Quality, Evaluation, and Observability)
https://www.kaggle.com/whitepaper-agent-quality

وكيل الذكاء الاصطناعي من النموذج الأولي إلى الإنتاج (AI Agent from Prototype to Production)
https://www.kaggle.com/whitepaper-prototype-to-production

تعلم ممتع ☺️❤️

رابط تفعيل جيمناي برو لمدة 18 شهر لشخص واحد👇🏻

https://serviceactivation.google.com/subscription/new/AQCpiIFDYEWlD_anqzpVkdwMAhRHTXZ_WmorngfJadxBwLxdT9_QaQjxrmHjIbg6ThsstowLmfZO6nXC56_720ybv-TGk2StUpmPydNhCuCNmm7wfMjaCX9qIJ_VPI_IOQPmLhpeuvhbTQ7UKZuVdlk-MPZrrHyGFDaC-RtftrOYHIupA7dgHYtfxhP06y6OIWqEZH3JTRCk5rzj4BmZCCGTG0kvwvG_VBTQKoxEHeoqNFr0owPYs0aDuypTdqKU0cGVDyAaFozfnIEAsQ==

و إذا تبغون تحصلون على جيمناي برو لمدة 18 شهر و يدعم veo3 و خاص فيك تواصل مع 👇🏻
@Ninja_404_X
@Ninja_404_X

خريطة طريق لمبتدئي علم البيانات 📊🧠

📂 ابدأ من هنا
∟📂 تعلم أساسيات بايثون أو R
∟📂 افهم ما هو علم البيانات

📂 أساسيات علم البيانات
∟📂 أنواع البيانات وتنظيف البيانات
∟📂 التحليل الاستكشافي للبيانات (EDA)
∟📂 الإحصاء الأساسي (المتوسط، الوسيط، الانحراف المعياري)

📂 التعامل مع البيانات ومعالجتها
∟📂 تعلم Pandas / DataFrames
∟📂 تصور البيانات (Matplotlib، Seaborn)
∟📂 التعامل مع البيانات المفقودة

📂 أساسيات تعلم الآلة
∟📂 فهم الفرق بين التعلم الموجه وغير الموجه
∟📂 الخوارزميات الشائعة: الانحدار الخطي، KNN، أشجار القرار
∟📂 مقاييس تقييم النموذج (الدقة، الإحكام، الاستدعاء)

📂 مواضيع متقدمة
∟📂 هندسة الخصائص واختيارها
∟📂 التحقق المتقاطع وضبط المعاملات الفائقة
∟📂 مقدمة إلى التعلم العميق

📂 الأدوات والمنصات
∟📂 دفاتر Jupyter Notebooks
∟📂 Git والتحكم في الإصدارات
∟📂 المنصات السحابية (AWS، Google Colab)

📂 مشاريع تطبيقية
∟📌 التنبؤ بالنجاة على سفينة تايتانيك
∟📌 تجزئة العملاء
∟📌 تحليل المشاعر على التغريدات

📂 ✅ الانتقال إلى المستوى التالي (فقط بعد الأساسيات)
∟📂 تحليل السلاسل الزمنية
∟📂 معالجة اللغة الطبيعية (NLP)
∟📂 البيانات الضخمة و Spark

تفاعل ❤️ للمزيد!

✅ مقاييس تقييم النموذج (الدقة، الإحكام، الاستدعاء) 📊🤖

عند بناء نموذج تصنيف (مثل كشف البريد العشوائي أو التنبؤ بالأمراض)، تحتاج إلى قياس مدى جودته. تساعدك هذه المقاييس الثلاثة الأساسية:

1️⃣ الدقة (Accuracy) – الصحة الإجمالية
الصيغة: (التنبؤات الصحيحة) / (إجمالي التنبؤات)
➤ تخبرك بعدد التنبؤات الصحيحة التي حققها النموذج من إجمالي التنبؤات.

مثال:
من أصل ١٠٠ بريد إلكتروني، تنبأ نموذجك بشكل صحيح بـ ٩٠ بريدًا (عشوائي أو غير عشوائي).
✅ الدقة = ٩٠ / ١٠٠ = ٩٠٪

ملاحظة: تعمل الدقة بشكل جيد عندما تكون الفئات متوازنة. ولكن إذا كان ٩٥٪ من الرسائل غير عشوائية، فإن نموذجًا غبيًا يقول "غير عشوائي" لكل شيء سيحقق دقة ٩٥٪ — لكنه عديم الفائدة!

2️⃣ الإحكام (Precision) – مدى دقة تنبؤاتك الإيجابية
الصيغة: الإيجابيات الحقيقية / (الإيجابيات الحقيقية + الإيجابيات الكاذبة)
➤ من بين جميع التنبؤات الإيجابية، كم منها كان صحيحًا بالفعل؟

مثال:
يتنبأ النموذج بـ ٢٠ بريدًا إلكترونيًا كعشوائي. ١٥ منها عشوائي حقيقي، و٥ ليست كذلك.
✅ الإحكام = ١٥ / (١٥ + ٥) = ٧٥٪

مفيد عندما تكون الإيجابيات الكاذبة مكلفة.
(على سبيل المثال، تصنيف بريد إلكتروني غير عشوائي كعشوائي قد يخفي رسائل مهمة.)

3️⃣ الاستدعاء (Recall) – عدد الإيجابيات الحقيقية التي التقطتها
الصيغة: الإيجابيات الحقيقية / (الإيجابيات الحقيقية + السلبيات الكاذبة)
➤ من بين جميع الإيجابيات الفعلية، كم منها التقطها النموذج؟

مثال:
هناك ٢٥ بريدًا عشوائيًا حقيقيًا. اكتشف نموذجك ١٥ منها.
✅ الاستدعاء = ١٥ / (١٥ + ١٠) = ٦٠٪

مفيد عندما تكون تفويت حالة إيجابية أمرًا محفوفًا بالمخاطر.
(على سبيل المثال، تفويت السرطان في التشخيص الطبي.)

🎯 ملخص حالات الاستخدام:
⦁ استخدم الإحكام (Precision) عندما تضر الإيجابيات الكاذبة (مثل كشف الاحتيال).
⦁ استخدم الاستدعاء (Recall) عندما تضر السلبيات الكاذبة (مثل كشف الأمراض).
⦁ استخدم الدقة (Accuracy) فقط إذا كانت مجموعة بياناتك متوازنة.

🔥 إضافة: درجة F1 توازن بين الإحكام والاستدعاء
- درجة F1: ٢ × (الإحكام × الاستدعاء) / (الإحكام + الاستدعاء)
- جيدة عندما تريد مقايضة بين الاثنين.

💬 اضغط ❤️ للمزيد!

يتوفر جيمناي برو لمدة 18 شهر للتواصل و الشراء :
@Ninja_404_X
@Ninja_404_X
Gemini Pro is available for 18 months to connect and purchase:
@Ninja_404_X
@Ninja_404_X

✅ التعلم الموجه مقابل التعلم غير الموجه 🤖

1️⃣ ما هو التعلم الموجه (Supervised Learning)؟
إنه مثل التعلم مع معلم.
تقوم بتدريب النموذج باستخدام بيانات مُصنَّفة (بيانات تحتوي على الإجابات الصحيحة).

🔹 مثال:
لديك بيانات مثل:
المدخل: الطول، الوزن
المخرج: زيادة الوزن أم لا
يتعلم النموذج التنبؤ بما إذا كان شخص ما يعاني من زيادة الوزن بناءً على البيانات التي تدرب عليها.

🔹 الخوارزميات الشائعة:
⦁ الانحدار الخطي (Linear Regression)
⦁ الانحدار اللوجستي (Logistic Regression)
⦁ أشجار القرار (Decision Trees)
⦁ آلات المتجهات الداعمة (Support Vector Machines)
⦁ الجار الأقرب (K-Nearest Neighbors - KNN)

🔹 حالات الاستخدام الواقعية:
⦁ كشف البريد العشوائي
⦁ كشف الاحتيال في بطاقات الائتمان
⦁ التشخيص الطبي
⦁ التنبؤ بالأسعار (مثل أسعار المنازل)

2️⃣ ما هو التعلم غير الموجه (Unsupervised Learning)؟
لا يوجد معلم هنا. تعطي النموذج بيانات غير مُصنَّفة ويجد الأنماط أو المجموعات بنفسه.

🔹 مثال:
لديك بيانات عن العملاء (العمر، الدخل، السلوك)، ولكن بدون تصنيفات.
يقوم النموذج بتجميع العملاء المتشابهين معًا (يسمى التجميع - clustering).

🔹 الخوارزميات الشائعة:
⦁ تجميع K-Means
⦁ التجميع الهرمي (Hierarchical Clustering)
⦁ تحليل المكونات الرئيسية (PCA)
⦁ DBSCAN

🔹 حالات الاستخدام الواقعية:
⦁ تجزئة العملاء
⦁ تحليل سلة السوق
⦁ كشف الحالات الشاذة
⦁ تنظيم مجموعات المستندات الكبيرة

3️⃣ الفروق الرئيسية:

⦁ البيانات:
يستخدم التعلم الموجه بيانات مُصنَّفة ذات إجابات معروفة، بينما يستخدم التعلم غير الموجه بيانات غير مُصنَّفة بدون إجابات معروفة.

⦁ الهدف:
يتنبأ التعلم الموجه بالنتائج بناءً على الأمثلة السابقة. يجد التعلم غير الموجه أنماطًا أو مجموعات مخفية في البيانات.

⦁ مثال على المهمة:
قد يتنبأ التعلم الموجه بما إذا كان البريد الإلكتروني عشوائيًا أم لا. قد يجمع التعلم غير الموجه العملاء بناءً على سلوكهم الشرائي.

⦁ المخرجات:
يُخرج التعلم الموجه تصنيفات أو قيمًا معروفة. يُخرج التعلم غير الموجه مجموعات أو أنماطًا كانت غير معروفة سابقًا.

4️⃣ ملخص سريع:
⦁ موجه: أنت تعرف الإجابة بالفعل، وتعلّم الآلة التنبؤ بها.
⦁ غير موجه: أنت لا تعرف الإجابة، وتساعدك الآلة على اكتشاف الأنماط.

💬 اضغط ❤️ إذا كان هذا مفيدًا لك!