مجتمع بايثون

💥 خبر عاجل لجميع المبرمجين ! 💥 ـ Stability AI تطلق Stable Code Instruct 3B! 🚀 ـ Stability Code Instruct 3B نموذج فائق السرعة والخفة 🪶 يساعدك على البرمجة بلغات البرمجة الأكثر شيوعًا مثل Python و Javascript و SQL. 🎉 ما الذي يفعله؟ يُكمل كودك تلقائيًا بناءً على سياقه. 🤖 يُدرج أقسام الكود المفقودة عند تزويده بالكود المحيط. 🧩 يُنشئ كودًا للتفاعل مع قواعد البيانات. 🗃 يُترجم الكود من لغة برمجة إلى أخرى. 🔁 يُفسر وظائف الكود الموجود. 💡 يُنشئ كودًا جديدًا بناءً على تعليمات المستخدم. 📝 مميزاته: سريع وخفيف دقيق وفعال سهل الاستخدام يدعم مختلف لغات البرمجة استخدمه بنفسك: https://huggingface.co/spaces/stabilityai/stable-code-instruct-3b #تكنولوجيا_حديثة #ذكاء_اصطناعي #برمجة #لغة_البرمجة #StableCodeInstruct3B هل أنت مستعد لتجربة مستقبل البرمجة؟ 🚀 شاركنا رأيك في التعليقات! 👇

دمج 500,000 نموذج مفتوح المصدر في محاولة لبناء نماذج ذكاء اصطناعي عام (AGI) 🚀 ـ Sakana AI تطلق طريقة ثورية لدمج 500,000 نموذج مفتوح المصدر لبناء نماذج ذكاء اصطناعي جديدة. 🤯 دمج النماذج التطوري (Evolutionary Model Merge) يستخدم تقنيات تطورية لإنشاء نماذج أساسية جديدة تلقائيًا مع القدرات المطلوبة. 🧬 اكتشافات مذهلة: اكتشاف طرق جديدة لدمج نماذج مختلفة من مجالات مختلفة 🧠 تطوير 3 نماذج أساسية قوية لليابان:نموذج لغة كبير (EvoLLM-JP) 🗣 نموذج رؤية اللغة (EvoVLM-JP) 👀 نموذج إنشاء الصور (EvoSDXL-JP) 🖼 نتائج مذهلة: تفوق النماذج على معايير LLM و Vision 🏆 لم يتم تحسين النماذج صراحةً لهذه المعايير! 😲 هذه تقنية ثورية تمهد الطريق للذكاء الاصطناعي العام (AGI) 🎉 هل أنت مهتم بمعرفة المزيد؟ تابعونا لمعرفة آخر التطورات في مجال الذكاء الاصطناعي! 🧠 الورقة العلمية: https://arxiv.org/pdf/2403.13187.pdf

واجهة ذكية من @GoogleAI لتمكين أطباء الأشعة من الكشف عن سرطان الرئة 🫁 🧑‍⚕️ سرطان الرئة هو القاتل الأول بين السرطانات عالمياً، حيث تسبب في 1.8 مليون وفاة عام 2020. يقدم نظام @GoogleAI واجهة مستخدم سهلة الاستخدام لمساعدة أطباء الأشعة على تحليل صور الأشعة المقطعية للصدر (CT) للكشف عن سرطان الرئة بدقة عالية. كيف يعمل النظام؟ 🤔 1. إدخال صور الأشعة المقطعية: 📤 - قم بتحميل صور الأشعة المقطعية للصدر (CT) على النظام. 2. تحليل الصور باستخدام الذكاء الاصطناعي: 🤖 - سيقوم نموذج التعلم الآلي بفحص الصور للبحث عن علامات سرطان الرئة. 3. عرض النتائج: 📊 - ستحصل على تقييم لاحتمالية الإصابة بسرطان الرئة مع تحديد المناطق المشتبه بها. مميزات النظام: 👍 سهل الاستخدام: واجهة بسيطة وواضحة تناسب جميع مستويات الخبرة. دقيق: يعتمد على نماذج ذكاء اصطناعي متطورة لضمان أعلى دقة في الكشف. فعال: يساعد أطباء الأشعة على تحليل الصور بشكل أسرع وأكثر دقة. تعرف على المزيد: ➡️ [https://goo.gle/3IHYbng](https://goo.gle/3IHYbng) #تكنولوجيا_حديثة #ذكاء_اصطناعي #صحة #سرطان_الرئة #طب_الأشعة معًا، نستطيع إنقاذ المزيد عبر تمكين تقنيات الكشف المبكر! 💪

#أسئلة_المبرمجين ما الفرق بين شخص يعتمد على المكتبات دون تعمق في الذكاء الاصطناعي، وبين من يغوص في الخوارزميات والرياضيات قبل استخدامها في مشاريعه؟ 🤔 • مستخدم المكتبات: - سرعة الإنجاز: ⚡️ يُنجز المهام بشكل أسرع باستخدام حلول جاهزة. - التخصص: 👨‍💻 يُركز على مجال تخصصه دون الخوض في تفاصيل تقنية معقدة. - الاعتمادية: 🔌 يعتمد على مكتبات خارجية، مما قد يُحد من إبداعه ومرونته. - فهم محدود: 🤔 قد لا يفهم عمق العمل أو كيفية تخصيص المكتبات لاحتياجاته. • مبرمج الذكاء الاصطناعي: - فهم عميق: 🧠 يفهم مبادئ الذكاء الاصطناعي، مما يُمكنه من تقييم وتعديل المكتبات. - إبداع ومرونة: 🎨 يُطور حلولًا مُخصصة تلبي احتياجاته بشكل دقيق. - تحكم: 🛠 يُسيطر على سير العمل بشكل كامل، ويُحدد الخوارزميات المناسبة لكل مهمة. - وقت أطول: ⏳ قد يستغرق وقتًا أطول لإنجاز المهام، لكن النتيجة تكون مُخصصة ومُتحكمة. الخلاصة: 🏆 • استخدام المكتبات: 🏃‍♂️ يُناسب من يبحث عن حلول سريعة وفعالة، مع تركيزه على مجال تخصصه. • مبرمج الذكاء الاصطناعي: 👨‍🔬 يُناسب من يُريد فهمًا عميقًا للذكاء الاصطناعي، مع القدرة على ابتكار حلول مُخصصة. • المكتبات: أداة قوية لتسريع عملية التطوير. • الفهم العميق: ضروري لفتح إمكانيات واسعة والتحكم بشكل أفضل في أدوات الذكاء الاصطناعي. 🤔 ماذا تختار؟ • سرعة الإنجاز: ركز على استخدام المكتبات. • الفهم العميق: تعلم الخوارزميات والرياضيات. • التوازن: إجمع بين استخدام المكتبات والفهم العميق. هذه المواضيع وغيرها نتطرق إليها في قناتنا على اليوتيوب، فعليك بالإشتراك وتفعيل الجرس إذا كنت مهتم: https://www.youtube.com/@PythonArab/ #ذكاء_اصطناعي #برمجة

🔥 من أجل التحديثات السريعة تابعونا على تويتر: https://twitter.com/python_ar

#أسئلة_المبرمجين : أنا أحب علم البيانات، ماذا تنصحني؟ ✨التعلم: - تعلم أساسيات علم البيانات: - الإحصاء - البرمجة (Python و R) - تعلم الآلة - تحليل البيانات - تعمق في مجالات محددة: - تحليل البيانات المالية - علم البيانات للرعاية الصحية - تحليل البيانات النصية - تعلم الآلة العميقة - ابحث عن دورات وكورسات: - Hsoub academy - Coursera - Udacity - Udemy - edX - Andrew Ng's Machine Learning Course - Python arabic communty ✨الممارسة: - شارك في مشاريع البيانات: - Kaggle - Hackathons - مشاريع مفتوحة المصدر - ابني محفظة أعمال: - اعرض مشاريعك على GitHub - اكتب مقالات عن علم البيانات - شارك في المؤتمرات وورش العمل ✨التواصل: - تواصل مع مجتمع البيانات: - انضم إلى مجموعات LinkedIn - تابع خبراء البيانات على Twitter - احضر فعاليات علم البيانات - ابحث عن فرص عمل: - وظائف علم البيانات - وظائف تحليل البيانات - وظائف مهندس تعلم الآلة ✨نصائح إضافية: - كن فضوليًا: - ابحث عن أسئلة مثيرة للاهتمام للإجابة عليها باستخدام البيانات - استكشف تقنيات جديدة - لا تتوقف عن التعلم - كن مبدعًا: - استخدم البيانات لحل المشكلات بطرق جديدة - طور أفكارًا جديدة - فكر خارج الصندوق - كن مثابرًا: - علم البيانات مجال صعب - لا تستسلم بسهولة - استمر في التعلم والممارسة لديك أي سؤال؟ نحن نجيب عن معظم أسئلة متابعينا🧡 #علم_البيانات #مجال_البيانات #نصائح_مهنية

ـGrok أصبح مفتوح المصدر! أول تحليل للكود نشرنا فيديو قصير عنه: https://youtube.com/shorts/gqwofvkp2sE?feature=share غوص عميق في بنية جروك (Grok) 🤖 هذا ملخص لمحتويات ملف http://model.py لنموذج Grok الذي يحتوي على 314 مليار معلمة (parameter) مفتوحة المصدر: https://github.com/xai-org/grok-1 1. المعلومات الأساسية: ـ حجم النموذج: 314 مليار ـ مزيج من 8 خبراء (experts)، 2 منهم نشطين ـ 86 مليار معلمة نشطة ـ يستخدم Rotary Embeddings بدلاً من Positional Embeddings الثابتة 2. معلومات Tokenizer: ـ حجم المفردات (vocab size): 131,072 (مشابه لـ GPTـ4) ـ حجم Embedding: 6,144 (48*128) ـ عدد طبقات Transformer: 64 3. كتلة الانتباه متعدد الرؤوس (Multihead Attention Block): ـ 48 رأس (head) للاستعلامات (queries) ـ 8 رؤوس للمفاتيح والقيم (keys/values) ـ حجم المفاتيح والقيم: 128 4. كتلة الكثافة (Dense Block): ـ عامل التوسيع (widening factor): 8 ـ حجم الطبقة المخفية: 32,768 ـ يتم اختيار خبيرين من أصل 8 لكل رمز (token) 5. معلومات أخرى: ـ حجم Rotary Positional Embeddings: 6144 ـ أقصى طول للسياق (context length): 8192 رمز ـ دقة الأرقام: bfloat16 🧠 هذه المعلومات توضح الهندسة المعمارية لهذا النموذج الضخم ذو الأداء العالي. استخدام تقنيات مثل Rotary Embeddings وMixture of Experts تساهم في تحسين قدراته. #Grok

تجربتنا الشخصية لـ philipp1337x/clarity-upscaler لأفضل نموذج لتحسين جودة الصور ،تحدثنا عنه في التغريدة التالية: https://twitter.com/python_ar/status/... جودة الصور قبل وبعد

هل تبحث عن أفضل أدوات الذكاء الاصطناعي لتعلمها واستخدامها؟ لا تبحث أكثر! هذا الفيديو هو لك! في هذا الفيديو قمنا بتحليل 90 مكتبة للذكاء اصطناعي واخترنا لك الأفضل، ثم قمنا بترتبها من حيث السهولة والكفاءة ،تطرقنا لإيجابيات وسلبيات واستخدامات كل مكتبة، ورشحنا لك أفضل المصادر . https://youtu.be/DhR_junruyI

أي شخص أنت من هؤلاء ؟ 😅

ما الذي نتوقعه بحلول نهاية عام 2024؟ أين يتجه الذكاء الاصطناعي؟ 7-10 نماذج بمستوى GPT-4: 🤯 ستظهر نماذج ذكاء اصطناعي متقدمة تُضاهي GPT-4 في قدراتها. لا قفزات هائلة: 🤔 لن نشهد ثورة تقنية هائلة مثل ظهور GPT-5، أو قد يكون GPT-5 مخيبًا للآمال. حروب الأسعار: ⚔️ ستتنافس الشركات على تقديم خدمات الذكاء الاصطناعي بأسعار تنافسية. فجوة ضيقة: 🤏 لن تتميز أي شركة بميزة تنافسية كبيرة. لا حلول جذرية: 😕 لن تُحل مشكلة الهلوسة في نماذج الذكاء الاصطناعي بشكل كامل. تبني متواضع من الشركات: 🏢 ستستخدم بعض الشركات تقنية الذكاء الاصطناعي، لكن بشكل محدود. أرباح متواضعة: 💰 ستحقق الشركات أرباحًا معقولة من تقنية الذكاء الاصطناعي، لكن ستتوزع هذه الأرباح على عدد كبير من الشركات. كانت هذه توقعات الخبير العالمي Gary Marcus #ذكاء_اصطناعي #تنبؤات #GPT4 #برمجة #تكنولوجيا_حديثة

اذا لم تحفز نفسك، فلن تحقق أي شيء مهم في حياتك😔 كيف تجبر دماغك على الرغبة في فعل الأشياء الصعبة؟ هناك نوعان من الدوافع: خارجية وداخلية. الدافع الخارجي: يأتي من عوامل خارجية مثل المال أو الثناء. الدافع الداخلي: يأتي من رغبتك في تحقيق شيء ما لنفسك. الدافع الخارجي: يخلق دفعة تحفيزية قصيرة المدى. يعمل في البداية، لكنه يتلاشى بسرعة. أمثلة: المال 💰 الثناء 👍 الخوف من الفشل 😨 الدافع الداخلي: يدوم لفترة أطول. يقودك إلى تحقيق أهداف أكبر. أمثلة: حب التعلم 🧠 الشعور بالإنجاز 💪 الرغبة في المساعدة 🤝 كيف تزيد من دافعك الداخلي؟ حدد أهدافًا مهمة بالنسبة لك. قسّم أهدافك الكبيرة إلى أهداف أصغر. احتفِ بإنجازاتك، حتى لو كانت صغيرة. ابحث عن بيئة تدعمك وتشجعك. تذكر شعورك بالإنجاز بعد إنجاز مهمة صعبة. تذكر: الدافع هو مفتاح النجاح. يمكنك تنمية دافعك الداخلي من خلال الممارسة. لا تستسلم! #تحفيز #دافع #نجاح #أهداف #إنجاز

الأمر بسيط إن شاء الله : أولا قم بالتسجيل في الـ API الخاص بهم عبر إيميلك : https://console.anthropic.com/ ثانيا قم بإدخال رقم هاتفك وتأكيده. ثالثا قم بعمل Claim لمبلغ 5 دولار الذين يقدمونه مجانا للتجربة. رابعا: إستمتع باستخدام واختبار أحدث النماذج 👴 لا تقلق 5 دولار مبلغ كافي لتجربة كل شيء هناك بانتظار دعم بلدك

دليلك خطوة بخطوة لجميع خوارزميات التعلم الآلي 🤖 1ـ ابدأ بخوارزميات الانحدار (Regression Algorithms): الانحدار الخطي (Linear Regression) 📈 الانحدار متعدد الحدود (Polynomial Regression) 曲线 انحدار ريدج و لاسو (Ridge and Lasso Regression) ⚖️ انحدار الشبكة المرنة (Elastic Net Regression) 🕸 2ـ انتقل بعد ذلك إلى خوارزميات التصنيف الخطي (Linear Classification Algorithms): الانحدار اللوجستي (Logistic Regression) 🧮 تحليل تمييز الخطي (LDA) (Linear Discriminant Analysis) 📊 مصنف الانحدار العشوائي (Stochastic Gradient Descent Classifier) 🎲 3ـ تعلّم خوارزميات نايف بايز (Naïve Bayes Algorithms): نايف بايز غاوسي (Gaussian Naive Bayes) 🔔 نايف بايز المتعدد (Multinomial Naive Bayes) 🧮 نايف بايز برنولي (Bernoulli Naive Bayes) 🧬 4ـ تعلّم آلات الدعم المتجه (Support Vector Machines) وجيران أقرب K (K Nearest Neighbours) 5ـ تعلّم أشجار القرار (Decision Trees) وطرق المجموعات (Ensemble Methods): شجرة القرار (Cart) 🌳 ـID3 و C4.5 🌴 الغابات العشوائية (Random Forests) 🌲 6ـ تعلّم خوارزميات التعزيز (Boosting Algorithms): تعزيز الانحدار (Gradient Boosting) 📈 الـ AdaBoost 💪 7ـ انتقل بعد ذلك لتعلم خوارزميات التجميع (Clustering Algorithms): ـ K-means Clustering 👥 ـDBSCAN (التجميع الكثيف القائم على المسافة) 🔬 التجميع التراكمي (Agglomerative Clustering) 🧱 تجميع BIRCH Clustering 🪵 تجميع الانزياح المتوسط (Mean Shift Clustering) 🧲 8ـ تعلّم بُنى الشبكات العصبية (Neural Network Architectures): ـ Perceptron (بيرسيبترون) 🧠 ـ Perceptron متعدد الطبقات (Multilayer Perceptron) 🧠🧠 ـ CNN (الشبكة العصبية الالتفافية) 🖼 ـ RNN (الشبكة العصبية المتكررة) 🔁 ـ LSTM (الذاكرة طويلة المدى قصيرة الأجل) ⏳ ـ GAN (شبكات الخصومة التوليدية) 🎭 ـ Transformer Networks (شبكات المحولات) 🕸 هل أنت مستعد لبدء رحلتك في عالم التعلم الآلي؟ 🚀 #تعلم_الآلة #خوارزميات #ذكاء_اصطناعي #برمجة

رحيل رائد التقنية العربية: محمد الشارخ 😥 أول من أدخل اللغة العربية للحواسيب للمرة الأولى في التاريخ. نال شرف أول من يطور برنامج للقرآن الكريم وكتب الحديث التسعة. مؤسس ورئيس مجلس إدارة شركة صخر لبرامج الحاسب عام 1982. إنجازاته: تطوير برنامج القرآن الكريم وكتب الحديث التسعة باللغة الإنكليزية للكمبيوتر عام 1985. أرشيف المعلومات الإسلامية والتعرف الضوئي على الحروف العربية عام 1994. نطق الحروف العربية عام 1998 والترجمة من وإلى العربية عام 2002. ترجمة التخاطب الآلي عام 2010. تطوير العديد من البرامج التعليمية والتثقيفية وتعلم البرمجة للناشئة (أكثر من 90 برنامجاً). نشر كتب تعليم الكمبيوتر وتدريب المدرسين وتأسيس معاهد تعليم برمجة الحاسب. رحمة الله عليه وألهم أهله وذويه الصبر والسلوان. 🤲

حسب آخر الاختبارات Claude-3 يتفوق على GPT4 في الكثير من المهام، هل نحن على أعتاب قفزة جديدة في مجال النماذج اللغوية؟ الإختبارات: https://www.maximumtruth.org/p/ais-ranked-by-iq-ai-passes-100-iq

مؤخراً تعاونت وكالة الفضاء الأوروبية مع Hugging Face لفتح أكبر مجموعة بيانات لمراقبة الأرض على الإطلاق🌎🚀: Major TOM Core! ما هي؟ مجموعة بيانات ضخمة لمراقبة الأرض مفتوحة المصدر. تغطي نصف الكرة الأرضية تقريباً (2.2 مليار قطعة بمساحة 256 مليون كيلومتر مربع). دقة عالية (10 متر لكل بكسل). ما الذي يمكن استخدامها لـه؟ مشاريع تخرج رائعة😂 تطوير نماذج مراقبة الأرض. تحليل التغييرات البيئية. مراقبة الكوارث الطبيعية. من يمكنه المشاركة؟ الجميع! 👨‍👩‍👧‍👦 انضم إلى الجهود التعاونية على Hugging Face: https://huggingface.co/Major-TOM لماذا Major TOM مهم؟ يدعم الديمقراطية في تطوير ونشر نماذج مراقبة الأرض. يوفر بيانات موثوقة وقابلة للتكرار. يعزز التعاون بين الباحثين والمطورين. استكشف المزيد: https://huggingface.co/spaces/Major-TOM/MajorTOM-Core-Viewer https://huggingface.co/datasets/Major-TOM/Core-S2L2A #تكنولوجيا_حديثة #مراقبة_الأرض #Hugging_Face #ESA

تقنية الـ DSPy: ثورة جديدة في برمجة النماذج اللغوية الكبيرة 🚀 الـ DSPy هو إطار عمل يُحدث نقلة نوعية في برمجة النماذج اللغوية الكبيرة (LLMs) 🤯 وداعًا لتصميم التلقينات ! 👋 مرحبًا بعالم تلتقي فيه البرمجة مع الذكاء الاصطناعي بأكفأ طريقة ممكنة لتطوير نماذج لغوية قوية جدا ! 🤝 الـ DSPy هو اختصار لـ Declarative Self-improving Language Programs in Python يُقابلها بالعربي "برمجيات لغوية تصريحية ذاتية التحسين" . وهو إطار عمل يسمح للمبرمجين بكتابة برامج تُعرف باسم "البرامج التصريحية" (declarative programs) وهي برامج تُحدد سلوكها المطلوب دون الحاجة إلى كتابة تفاصيل كيفية تنفيذها. يُمكن للبرامج المُعلنة في DSPy تحسين نفسها تلقائيًا من خلال التعلم من البيانات والملاحظات. مميزات DSPy: التوقيعات (Signatures): تجعل المطالبات والتعديل الدقيق أكثر سهولة ومرونة. الوحدات النمطية(Modules): لدمج تقنيات المطالبات بفعالية. المُلقّنات Teleprompters: تُحسّن برامج DSPy تلقائيًا. مُجمّع (DSPy Compiler) قوي: يُحسّن الأداء تلقائيًا. فوائد DSPy: يقلّل هشاشة التطبيقات القائمة على LLM. يؤتمت عملية التحسين وتوفر الوقت والجهد. للمزيد من المعلومات: مقال من على Medium: https://towardsdatascience.com/intro-to-dspy-goodbye-prompting-hello-programming-4ca1c6ce3eb9 فيديو من على YouTube: https://youtube.com/watch?v=41EfOY0Ldkc #تكنولوجيا_حديثة #برمجة #ذكاء_اصطناعي #نموذج_لغوي هذه أول إشارة عربية لتقنية DsPy رجاء قوموا بدعمنا عبر المشاركة والتعليق لنبقى دائما سباقين في تزويدكم بأحدث التقنيات.