Loading
Loading
الحلقات والشروط هي العمود الفقري لأي برنامج. في AI تستخدمها في كل مكان: من حلقات التدريب إلى تصفية البيانات.
score = 87
if score >= 90:
grade = "ممتاز"
elif score >= 75:
grade = "جيد جداً"
elif score >= 60:
grade = "جيد"
else:
grade = "يحتاج تحسين"
print(f"الدرجة: {grade}") # جيد جداً
accuracy = 0.92
if accuracy >= 0.95:
print("النموذج ممتاز — جاهز للإنتاج ✅")
elif accuracy >= 0.85:
print("النموذج جيد — يحتاج تحسين 🔄")
else:
print("النموذج يحتاج إعادة تدريب ❌")
models = ["GPT-4", "Claude", "Gemini", "Llama"]
for model in models:
print(f" - {model}")
for epoch in range(1, 6):
loss = 2.5 / epoch
print(f"Epoch {epoch}: loss = {loss:.3f}")
results = [0.78, 0.85, 0.91, 0.93]
for i, acc in enumerate(results, start=1):
print(f"Epoch {i}: {acc * 100:.1f}%")
loss, epoch = 1.0, 0
while loss > 0.1:
loss *= 0.7
epoch += 1
print(f"تقارب بعد {epoch} epochs!")
for loss in [1.5, 0.8, 0.4, 0.05]:
if loss < 0.1:
print("توقف مبكر!")
break
if loss > 1.0:
continue
print(f"loss = {loss:.2f}")
squares = [x ** 2 for x in range(5)]
print(squares) # [0, 1, 4, 9, 16]
high_scores = [s for s in [72, 91, 65, 88, 55] if s >= 75]
print(high_scores) # [91, 88]
# ─── محاكاة حلقة تدريب AI بسيطة ───
import random
random.seed(42)
learning_rate = 0.1
loss = 2.0
best_loss = float("inf")
patience = 3
no_improve = 0
print("بدء التدريب...")
print("-" * 40)
for epoch in range(1, 21):
noise = random.uniform(-0.05, 0.1)
loss = loss * (1 - learning_rate) + noise
loss = max(loss, 0.05)
if loss < best_loss - 0.01:
best_loss = loss
no_improve = 0
status = "✅ تحسّن"
else:
no_improve += 1
status = f"⚠️ بلا تحسين ({no_improve}/{patience})"
bar = "█" * int((2.0 - loss) / 2.0 * 20)
print(f"Epoch {epoch:2d}: loss={loss:.4f} {bar} {status}")
if no_improve >= patience:
print(f"
🛑 Early Stopping عند epoch {epoch}")
break
print(f"
🏆 أفضل loss: {best_loss:.4f}")
accuracy = 1 - best_loss / 2.0
if accuracy >= 0.90:
print(f"✅ النموذج ممتاز ({accuracy*100:.1f}%)")
elif accuracy >= 0.75:
print(f"🔄 النموذج جيد ({accuracy*100:.1f}%)")
else:
print(f"❌ النموذج ضعيف ({accuracy*100:.1f}%)")