انقر لمعرفة المزيد عن المؤلف ماريت ويدمان.
يغطي تطبيق تحليل السلاسل الزمنية الكامل الخطوات الواردة في أ العلوم البيانات دورة من الوصول إلى تحويل بيانات السلاسل الزمنية ونمذجةها وتقييمها ونشرها. ومع ذلك، بالنسبة لبيانات السلاسل الزمنية، تختلف المهام المحددة في هذه الخطوات مقارنة بالبيانات المقطعية. على سبيل المثال، يتم جمع البيانات المقطعية كلقطة لكائن واحد في وقت واحد، في حين يتم جمع بيانات السلاسل الزمنية من خلال مراقبة نفس الكائن خلال فترة زمنية. الأنماط المنتظمة في بيانات السلاسل الزمنية لها مصطلحاتها المحددة، وهي تحدد المعالجة المسبقة المطلوبة قبل الانتقال إلى نمذجة السلاسل الزمنية. يمكن نمذجة السلاسل الزمنية باستخدام العديد من أنواع النماذج، ولكن نماذج السلاسل الزمنية المحددة، مثل نموذج ARIMA، تستخدم الهيكل الزمني بين الملاحظات.
في هذه المقالة، نقدم المهام الأكثر شيوعًا في رحلة بناء تطبيق السلاسل الزمنية. وأخيرًا، قمنا بوضع النظرية موضع التنفيذ من خلال إنشاء تطبيق نموذجي في منصة التحليلات.
الوصول إلى السلاسل الزمنية
تحتوي السلاسل الزمنية على مصادر وتطبيقات مختلفة: بيانات المبيعات اليومية للتنبؤ بالطلب، وبيانات الاقتصاد الكلي السنوية للتخطيط السياسي طويل المدى، وبيانات الاستشعار من الساعة الذكية لتحليل جلسة التمرين، وغيرها الكثير. تختلف كل هذه السلاسل الزمنية، على سبيل المثال، في تفاصيلها وانتظامها ونظافتها: يمكننا أن نكون على يقين من أن لدينا قيمة الناتج المحلي الإجمالي لبلدنا لهذا العام، وللسنوات العشر القادمة أيضا، ولكن لا يمكننا أن نضمن أن يعمل مستشعر ساعتنا الذكية بثبات في أي تمرين وفي أي درجة حرارة. ومن الممكن أيضًا أن تكون بيانات السلاسل الزمنية غير متاحة على فترات منتظمة، ولكن لا يمكن جمعها إلا من نقاط أحداث عشوائية، مثل الإصابة بالأمراض أو زيارات العملاء التلقائية. لكن ما تشترك فيه كل هذه الأنواع من بيانات السلاسل الزمنية هو أنها يتم جمعها من نفس المصدر مع مرور الوقت.
تنظيم وتنظيف السلسلة الزمنية
بمجرد حصولنا على بيانات السلاسل الزمنية، فإن الخطوة التالية هي جعلها متباعدة بشكل متساوٍ وبتفاصيل مناسبة ومستمرة ونظيفة. تعتمد المهام المطلوبة على الشكل الأصلي للبيانات وكذلك على بياناتنا تحليلات غاية. على سبيل المثال، إذا كنا نخطط لترويج منتج ما لمدة أسبوع واحد، فقد نهتم ببيانات أكثر تفصيلاً مما لو كنا نريد الحصول على نظرة عامة على مبيعات بعض المنتجات.
فرز
يجب فرز السلاسل الزمنية حسب الوقت. عند تقسيم البيانات إلى مجموعات تدريب واختبار، تذكر الحفاظ على البنية الزمنية بين السجلات عن طريق أخذ البيانات من أعلى/أسفل للاختبار/التدريب. إذا كانت بياناتك تحتوي على أكثر من سجل واحد لكل طابع زمني، فستحتاج إلى تجميعها حسب الطابع الزمني. على سبيل المثال، عندما يكون لديك طلبات متعددة يوميًا وكنت مهتمًا بالمبيعات اليومية، فأنت بحاجة إلى جمع المبيعات لكل يوم. علاوة على ذلك، إذا كنت مهتمًا بالسلسلة الزمنية بدقة مختلفة عما هو موجود حاليًا في البيانات (على سبيل المثال، المبيعات الشهرية بدلاً من المبيعات اليومية)، فيمكنك تجميع البيانات بدرجة التفاصيل المفضلة.
قيم مفقودة
إذا كانت بعض الطوابع الزمنية مفقودة، فستحتاج إلى تعريفها بالسلسلة الزمنية لجعلها متباعدة بشكل متساوٍ. في بعض الأحيان تكون السجلات المفقودة جزءًا من ديناميكيات السلسلة الزمنية (على سبيل المثال، يغلق سوق الأوراق المالية يوم الجمعة ويفتح يوم الاثنين).
عند إدخال الطوابع الزمنية المفقودة للبيانات، تكون القيم المقابلة مفقودة بالطبع. يمكنك احتساب هذه القيم المفقودة، على سبيل المثال، عن طريق الاستيفاء الخطي أو قيم المتوسط المتحرك. تذكر، مع ذلك، أن أفضل أسلوب لإحتساب القيم المفقودة يعتمد على الديناميكيات المنتظمة في البيانات. على سبيل المثال، إذا قمت بفحص الموسمية الأسبوعية في البيانات اليومية، وكانت القيمة في أحد أيام السبت مفقودة، فمن المحتمل أن تكون قيمة يوم السبت الأخير هي أفضل بديل. إذا لم تكن القيم المفقودة مفقودة بشكل عشوائي، مثل أسعار إغلاق سوق الأوراق المالية المفقودة في عطلات نهاية الأسبوع، فيمكنك استبدالها بقيمة ثابتة، والتي ستكون 0 في هذه الحالة. من ناحية أخرى، إذا كانت القيم المفقودة عشوائية وحدثت في الماضي بدرجة كافية، فيمكنك استخدام البيانات بعد القيمة المفقودة وتجاهل البيانات الأقدم.
أنماط غير منتظمة
إحدى الطرق الجيدة للتعامل مع التقلبات السريعة والقيم المتطرفة هي تسهيل البيانات. ويمكن استخدام العديد من التقنيات، مثل المتوسط المتحرك البسيط ببطء و تجانس الأسي. كما أن قطع القيم التي تقع خارج حدود المخطط المربع يؤدي إلى تسهيل البيانات. ضع في اعتبارك أن الموسمية القوية في البيانات قد تؤدي إلى مخطط مربع واسع النطاق، ومن ثم فمن الأفضل استخدام مخطط مربع مشروط لاكتشاف القيم المتطرفة.
ومع ذلك، في بعض الأحيان تظهر السلسلة الزمنية ظاهرة غير منتظمة للغاية! في مثل هذه الحالة، يمكنك محاولة جعل السلسلة الزمنية أكثر انتظامًا عن طريق استخراج مجموعة فرعية منها، على سبيل المثال، من خلال النظر في مبيعات منتج واحد فقط بدلاً من مبيعات السوبر ماركت بأكمله، أو عن طريق تجميع البيانات.
استكشاف وتحويل السلاسل الزمنية
في هذه المرحلة، لدينا بيانات السلاسل الزمنية الخاصة بنا بالشكل المناسب لاستكشافها بصريًا وعدديًا. تكشف المؤامرات والإحصائيات المختلفة عن أنماط طويلة وقصيرة المدى وعلاقات زمنية في السلاسل الزمنية التي يمكننا استخدامها لفهم ديناميكياتها بشكل أفضل والتنبؤ بتطورها المستقبلي.
الاستكشاف البصري للسلاسل الزمنية
المخطط الأساسي لاستكشاف السلاسل الزمنية هو المخطط الخطي (الشكل 3) الذي يوضح الاتجاه المحتمل أو التقلبات المنتظمة وغير المنتظمة أو القيم المتطرفة أو الفجوات أو نقاط التحول في السلسلة الزمنية. إذا لاحظت نمطًا منتظمًا في سلسلتك الزمنية، مثل الموسمية السنوية في مبيعات المشروبات، فيمكنك بعد ذلك فحص كل دورة موسمية (سنة) بشكل منفصل في مخطط موسمي (الشكل 3). في المخطط الموسمي، يمكنك بسهولة معرفة، على سبيل المثال، ما إذا كان شهر يوليو شهر مبيعات أقوى هذا العام مقارنة بالعام الماضي، أو ما إذا كانت المبيعات الشهرية تتزايد عامًا بعد عام.
إذا كنت مهتماً بما يحدث خلال الفصول، مثل متوسط المبيعات في أشهر الصيف ومقدار واتجاه اختلاف المبيعات كل شهر، فيمكنك فحص هذه الأنواع من الديناميكيات في مخطط مربع شرطي (الشكل 3). مؤامرة أخرى مفيدة لاستكشاف السلاسل الزمنية هي مؤامرة التأخر (الشكل 3). يُظهر الرسم البياني المتأخر العلاقة بين القيم الحالية والقيم السابقة، على سبيل المثال، مبيعات اليوم ومبيعات الأسبوع السابق.
التحلل الكلاسيكي للسلاسل الزمنية
يوفر التحليل الكلاسيكي، أي تحليل السلاسل الزمنية إلى اتجاهها وموسمتها ومتبقيها، معيارًا جيدًا للتنبؤ. ومن المفترض أن يكون الجزء المتبقي من السلسلة الزمنية، أي المتبقي ثابتويمكن التنبؤ بها باستخدام نموذج ARIMA، على سبيل المثال. تذكر، على الرغم من ذلك، أنه إذا لم تكن السلسلة المتبقية ثابتة، فقد تكون هناك حاجة إلى بعض التحويلات الإضافية، مثل اختلاف الدرجة الأولى، أو تحويل السجل للسلسلة الزمنية الأصلية.
أولا، إذا أظهرت السلسلة الزمنية اتجاها، فيمكن تغيير اتجاه السلسلة الزمنية، على سبيل المثال، عن طريق تركيب نموذج الانحدار من خلال البيانات، أو عن طريق حساب قيمة متوسط متحرك.
ثانيا، إذا أظهرت السلسلة الزمنية تقلبات منتظمة - موسمية - فيمكن تعديل السلسلة الزمنية لذلك. يمكنك العثور على الفارق الزمني الذي تحدث فيه الموسمية الرئيسية في مخطط الارتباط التلقائي للسلسلة الزمنية. على سبيل المثال، إذا لاحظت ذروة عند التأخر 7، وكان لديك بيانات يومية، فستكون للبيانات موسمية أسبوعية. ويمكن تعديل الموسمية عن طريق اختلاف البيانات في الفارق الزمني الذي يحدث فيه الارتفاع الكبير. إذا كنت ترغب في ضبط الموسمية الثانية في البيانات، فيمكنك القيام بذلك عن طريق تكرار الإجراء الخاص بالسلسلة الزمنية المعدلة (المختلفة).
أخيرًا، عندما تصل إلى سلسلة زمنية ثابتة وجاهزة للنمذجة بواسطة نموذج ARIMA على سبيل المثال، يمكنك إجراء فحص نهائي باستخدام، على سبيل المثال، اختبار ليونج بوكس للثبات.
نمذجة وتقييم السلاسل الزمنية
ننتقل الآن إلى نمذجة الجزء المتبقي من السلسلة الزمنية التي تحتوي على ديناميكياتها غير المنتظمة. يمكننا القيام بذلك باستخدام نماذج ARIMA، آلة التعلم النماذج، والشبكات العصبية، والعديد من الاختلافات منها. غالبًا ما نقوم بنمذجة الجزء المتبقي من السلسلة الزمنية بواسطة هذه النماذج، لأنها ثابتة. ومع ذلك، فإن تحليل السلاسل الزمنية ليس ضروريًا دائمًا، لأن بعض النماذج، مثل نموذج ARIMA الموسمي على سبيل المثال، تعمل أيضًا على نمذجة السلاسل الزمنية غير الثابتة.
فيما يلي نجمع بعض الخصائص لتقنيات النمذجة المختلفة هذه، وأوجه التشابه والاختلاف بينها، حتى تتمكن من اختيار أفضلها لحالة الاستخدام الخاصة بك. تذكر أيضًا أنه من المفيد تدريب نماذج متعددة، وحتى بناء مجموعة منها!
نماذج أريما
أريما نموذج (المتوسط المتحرك المتكامل التلقائي) هو نموذج انحدار خطي بين القيم الحالية والسابقة (جزء AR)، وأيضا بين أخطاء التنبؤ الحالية والسابقة (جزء MA). إذا كان النموذج يحتوي على جزء I غير صفري، فسيتم اختلاف البيانات لجعله ثابتًا. تفترض نماذج أريما الأساسية أن السلاسل الزمنية ثابتة، وأن السلاسل الزمنية الثابتة ليس لها أنماط يمكن التنبؤ بها على المدى الطويل. ويمكن ملاحظة انخفاض الدقة في التنبؤات طويلة المدى في فترات الثقة المتزايدة للتنبؤات. إن الحصول على المزيد من البيانات ليس دائمًا أفضل لتدريب نماذج ARIMA: مجموعات البيانات الكبيرة قد تجعل تقدير معلمات النموذج لنموذج ARIMA يستغرق وقتًا طويلاً، بالإضافة إلى تضخيم الفرق بين العملية الحقيقية وعملية النموذج.
نماذج التعلم الآلي
تستخدم نماذج التعلم الآلي القيم المتأخرة كأعمدة توقع، وتتجاهل البنية الزمنية بين العمود الهدف وأعمدة التنبؤ. يمكن لنماذج التعلم الآلي أيضًا تحديد الأنماط طويلة المدى ونقاط التحول في البيانات، بشرط توفير بيانات كافية في بيانات التدريب لإنشاء هذه الأنماط. بشكل عام، كلما زادت المخالفات التي تظهرها البيانات، زادت الحاجة إلى بيانات أكثر لتدريب النموذج. عند تطبيق نموذج التعلم الآلي، فمن المستحسن إنشاء نموذج للباقي. بخلاف ذلك، قد تتمكن من بناء نموذج أكثر تعقيدًا من نموذج التحلل الكلاسيكي، ولكنه في الواقع لا يتعلم أي شيء جديد فوق ذلك!
نصائح حول اختيار النموذج
أولاً، يصعب التنبؤ ببعض الظواهر، وفي مثل هذه الحالة غالبًا ما يكون من المنطقي اللجوء إلى نموذج أبسط وعدم استثمار الموارد في نمذجة شيء لا يمكن التنبؤ به بدقة.
ثانيا، أداء النموذج ليس هو المعيار الوحيد. إذا كانت القرارات المهمة مبنية على نتائج النموذج، فقد تكون قابلية تفسيره أكثر أهمية من الأداء الأفضل قليلاً. ومع ذلك، قد تخسر الشبكة العصبية أمام نموذج التحلل الكلاسيكي البسيط على الرغم من أنها تتنبأ بشكل أفضل قليلاً.
ثالثًا، قد تؤدي إضافة متغيرات توضيحية إلى النموذج الخاص بك إلى تحسين دقة التنبؤ. ومع ذلك، في مثل هذا النموذج، يجب التنبؤ بالمتغيرات التوضيحية أيضًا، ولا يستحق التعقيد المتزايد للنموذج دائمًا الدقة الأفضل. في بعض الأحيان تكون التقديرات التقريبية كافية لدعم القرارات: إذا تم حساب مبالغ الشحن بالعشرات والمئات، فلن يلزم أن يكون الطلب المتوقع أكثر دقة أيضًا.
تقييم النموذج
بعد تدريب النموذج، فإن الخطوة التالية هي تقييمه. بالنسبة للتنبؤ داخل العينة، فإن مجموعة الاختبار هي مجموعة التدريب نفسها، وبالتالي فإن عملية النموذج تتناسب مع البيانات التي تم استخدامها لتدريب النموذج. بالنسبة للتنبؤ خارج العينة، تكون مجموعة الاختبار لاحقة لمجموعة التدريب في الوقت المناسب.
أحد مقاييس الخطأ الموصى بها لتقييم نموذج السلاسل الزمنية هو متوسط النسبة المئوية للخطأ المطلق (مايب)، لأنه يوفر الخطأ على نطاق عالمي، كنسبة مئوية من القيمة الفعلية. ومع ذلك، إذا كانت القيمة الحقيقية هي صفر، فلن يتم تعريف هذا المقياس، ثم أيضًا مقاييس الخطأ الأخرى، مثل جذر متوسط الخطأ التربيعي (RMSE)، سوف تفعل. لكن ما يوصى به غالبًا هو عدم الاستخدام الجذر التربيعي. لا يتناسب مقياس R-squared مع سياق تحليل السلاسل الزمنية لأن التركيز ينصب على توقع التباين المنهجي المستقبلي للعمود المستهدف بدلاً من نمذجة كل التقلبات في الماضي.
التنبؤ وإعادة بناء السلاسل الزمنية
نحن على وشك الوصول! الخطوة الأخيرة هي التنبؤ بالقيم المستقبلية وإعادة بناء الإشارة.
التنبؤ الديناميكي
إذا كان لديك نموذج لا يمكنه توفير تنبؤات دقيقة على المدى الطويل، فغالبًا ما يعمل النشر الديناميكي على تحسين دقة التنبؤ خارج العينة. في النشر الديناميكي، يتم التنبؤ بنقطة واحدة فقط في المستقبل في كل مرة، ويتم تحديث البيانات السابقة بواسطة قيمة التنبؤ هذه لإنشاء التنبؤ التالي (الشكل 5).
استعادة الاتجاه والموسمية
أخيرًا، إذا قمنا بتحليل السلاسل الزمنية قبل التنبؤ، فنحن بحاجة إلى استعادة الاتجاه و/أو الموسمية للتنبؤات. إذا قمنا بضبط الموسمية عن طريق اختلاف البيانات، فإننا نبدأ في إعادة بناء الإشارة عن طريق إضافة قيم في الفارق الزمني الذي تحدث فيه الموسمية. على سبيل المثال، إذا كانت لدينا بيانات يومية حيث قمنا بتطبيق الفروق الموسمية عند 7 (الموسمية الأسبوعية)، فإن استعادة هذه الموسمية ستتطلب الحساب التالي لقيم التنبؤ yt+1, yt+2، ...، yt+h :
أين tهي النقطة الزمنية الأخيرة في بيانات التدريب، و h هو الأفق المتوقع.
من أجل استعادة الموسمية الثانية، نكرر الخطوة الموضحة أعلاه للسلسلة الزمنية المستعادة. إذا أردنا استعادة مكون الاتجاه إلى السلسلة الزمنية، فسنطبق نموذج الانحدار الذي يمثل الاتجاه إلى السلسلة الزمنية المستعادة.
أكمل تطبيق السلاسل الزمنية في منصة التحليلات
أخيرًا، دعونا نلقي نظرة على كيفية تحويل هذه الخطوات إلى ممارسة باستخدام منصة التحليلات الخاصة بنا. سير العمل الوصول إلى تحويل ونمذجة السلاسل الزمنية (متوفر على المركز) في الشكل 6 يوضح الخطوات من الوصول إلى السلاسل الزمنية للتنظيف والاستكشاف البصري والتحلل والنمذجة. بالنسبة لبعض هذه المهام، نستخدم مكونات السلاسل الزمنية التي تلخص سير العمل كوظائف خاصة بالسلاسل الزمنية: تجميع البيانات بالدقة المحددة، وإجراء التحليل الكلاسيكي، والمزيد.
في هذا المثال ، نستخدم الامتداد عينة – سوبر ماركت البيانات المقدمة من التابلوه لوحة حية. نركز في تحليلنا على طلبات جميع المنتجات من عام 2014 إلى عام 2017 - بإجمالي 9994 سجلًا. نبدأ المعالجة المسبقة من خلال إعادة تشكيل البيانات إلى بيانات سلاسل زمنية عن طريق حساب إجمالي المبيعات يوميًا. الآن، لدينا قيمة واحدة فقط في اليوم، ولكن بعض الأيام مفقودة لأنه لم يتم تقديم أي طلبات في هذه الأيام. ولذلك، نقوم بإدخال هذه الأيام إلى السلاسل الزمنية واستبدال قيم المبيعات المفقودة بقيمة ثابتة 0. وبعد ذلك، نقوم بتجميع البيانات على المستوى الشهري، ونأخذ في الاعتبار متوسط المبيعات في كل شهر لمزيد من التحليل.
بالنسبة للاستكشاف البصري، قمنا أيضًا بتجميع البيانات على المستوى السنوي، واكتشفنا أن هناك نقطة تحول في بداية عام 2015، كما يوضح المخطط الخطي على اليمين في الشكل 7. يُظهر المخطط الخطي الموجود على اليسار الموسمية السنوية في البيانات: هناك ذروتان منتظمتان في نهاية كل عام، وقمة أقل في بداية كل عام. نكتشف أيضًا الموسمية السنوية في البيانات، كما يتضح من الارتفاع الكبير في التأخر 12 في مخطط ACF على اليسار. نحن نحلل السلسلة الزمنية إلى اتجاهها، وموسميتها، والمتبقية، وتظهر هذه المكونات في المخطط الخطي في المنتصف في الشكل 7. ولا يُظهر مخطط ACF الموجود على اليمين أي ارتباط ذاتي كبير في السلسلة المتبقية.
بعد ذلك، نقوم بنمذجة السلسلة المتبقية لمتوسط المبيعات الشهرية باستخدام نموذج ARIMA. وبعد الاختلاف عند التأخر 12، يكون طول السلسلة الزمنية 36 ملاحظة. نحن نبحث عن أفضل نموذج مع مكون Auto ARIMA Learner بحد أقصى للطلب 4 لأجزاء AR وMA وحد أقصى للطلب 1 للجزء I. أفضل نموذج أداء يعتمد على Akaike معيار المعلومات هو ARIMA (0، 1، 4)، وMAPE الناتج استنادًا إلى التنبؤات داخل العينة هو 1.153.
وأخيرًا، نقوم بتقييم دقة التنبؤ خارج العينة للنموذج. سير العمل التنبؤ وإعادة بناء السلاسل الزمنية (متوفر على المركز) في الشكل 8 يوضح كيفية التنبؤ بالمبيعات اليومية في عام 2017 بناءً على البيانات الشهرية في الأعوام من 2014 إلى 2016 (24 ملاحظة)، ونموذج ARIMA (0,1,4) الفائز باستخدام النشر الديناميكي يقترب. بعد ذلك، نقوم بإعادة بناء الإشارة، وفي هذه الحالة، نعيد الاتجاه والموسمية السنوية إلى القيم المتوقعة (12 متوسط قيمة المبيعات الشهرية). نقوم بمقارنة القيم الفعلية والمتوقعة، ونحصل على MAPE بقيمة 0.336.
نبذة عامة
السلاسل الزمنية، سواء كانت بيانات استشعار تظهر سلوك جسم صغير نانو ثانية بعد نانو ثانية، وبيانات الاقتصاد الكلي للقرن العشرين، أو شيء بينهما، لديها تقنيات تحليلية محددة تنطبق على خطوات الوصول والتلاعب والنمذجة.
في هذه المقالة، قدمنا لك أساسيات تقنيات التحليلات للسلاسل الزمنية التي تساعدك على البدء عند العمل مع بيانات السلاسل الزمنية.
مراجع حسابات
[1] تشامبرز، جون سي، ساتندر ك. موليك، ودونالد د. سميث. كيفية اختيار تقنية التنبؤ الصحيحة. جامعة هارفارد، كلية الدراسات العليا في إدارة الأعمال، 1971.
[2] هيندمان، روب جيه، وجورج أثاناسوبولوس. التنبؤ: المبادئ والممارسة. نصوص، 2018.
المصدر: https://www.dataversity.net/building-a-time-series-analogy-application/
- مطلق
- إضافي
- تحليل
- تحليلات
- تطبيق
- التطبيقات
- AR
- البند
- السيارات
- الأساسيات
- مؤشر
- أفضل
- مشروبات
- الجسدي
- صندوق
- نساعدك في بناء
- ابني
- الأعمال
- سوائل التنظيف
- عمود
- مشترك
- عنصر
- الثقة
- دولة
- حالياًّ
- البيانات
- يوم
- الطلب
- التطوير التجاري
- مرض
- تقديرات
- الحدث/الفعالية
- ممارسة
- استكشاف
- الشكل
- أخيرا
- الاسم الأول
- تناسب
- تركز
- الجمعة
- مستقبل
- الناتج المحلي الإجمالي
- العلاجات العامة
- جورج
- خير
- خريج
- معالجة
- هارفارد
- جامعة هارفارد
- كيفية
- كيفية
- HTTPS
- مئات
- تحديد
- صورة
- العدوى
- معلومات
- IT
- يوليو
- كبير
- قيادة
- تعلم
- متعلم
- تعلم
- مستوى
- خط
- طويل
- آلة التعلم
- رائد
- تجارة
- المقاييس
- نموذج
- تصميم
- الإثنين
- بيانات شهرية
- المقبلة.
- خطوة
- شبكة
- الشبكات
- عصبي
- الشبكة العصبية
- الشبكات العصبية
- يفتح
- طلب
- الطلبات
- أخرى
- نمط
- أداء
- تخطيط
- المنصة
- تنبؤ
- منتج
- المنتجات
- ترقية
- تسجيل
- تراجع
- العلاقات
- الموارد
- النتائج
- الأملاح
- حجم
- المدرسة
- مختار
- إحساس
- مسلسلات
- طقم
- الشحن
- الاشارات
- صغير
- سمارت
- لقطة
- So
- بداية
- بدأت
- إحصائيات
- مخزون
- سوق الأوراق المالية
- المقدمة
- الصيف
- الدعم
- التابلوه لوحة حية
- الهدف
- تجربه بالعربي
- أساسيات
- المستقبل
- الوقت
- تيشرت
- قادة الإيمان
- تحول
- عالمي
- جامعة
- قيمنا
- شاهد
- أسبوع
- أسبوعي
- ما هي تفاصيل
- ويكيبيديا
- في غضون
- للعمل
- سير العمل
- تجريب
- قيمة
- عام
- سنوات
- صفر