# تثبيت المكتبات المطلوبة !pip install nltk vaderSentiment textblob wordcloud import nltk from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from wordcloud import WordCloud # تحميل البيانات المطلوبة nltk.download('punkt') nltk.download('stopwords') nltk.download('vader_lexicon') # إنشاء محلل المشاعر analyzer = SentimentIntensityAnalyzer() # أمثلة على النصوص texts = [ "أحب هذا المنتج كثيراً! إنه رائع جداً", "المنتج سيء للغاية، لا أنصح به أبداً", "المنتج عادي، لا بأس به", "هذا أفضل شراء قمت به هذا العام! 😍", "خدمة العملاء سيئة جداً 😡" ] # تحليل المشاعر results = [] for text in texts: scores = analyzer.polarity_scores(text) results.append({ 'text': text, 'negative': scores['neg'], 'neutral': scores['neu'], 'positive': scores['pos'], 'compound': scores['compound'] }) # تحويل إلى DataFrame df_sentiment = pd.DataFrame(results) print(df_sentiment)

import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Embedding, Dropout from tensorflow.keras.preprocessing.text import Tokenizer from tensorflow.keras.preprocessing.sequence import pad_sequences from sklearn.model_selection import train_test_split # إعداد البيانات للتدريب texts = [ "أحب هذا الفيلم كثيراً", "الفيلم ممل جداً", "قصة رائعة وأداء متميز", "لا أنصح بمشاهدته", "من أفضل الأفلام التي شاهدتها" ] labels = [1, 0, 1, 0, 1] # 1 = إيجابي، 0 = سلبي # تحويل النصوص إلى أرقام tokenizer = Tokenizer(num_words=1000) tokenizer.fit_on_texts(texts) sequences = tokenizer.texts_to_sequences(texts) # توحيد طول التسلسلات max_length = 10 X = pad_sequences(sequences, maxlen=max_length) y = np.array(labels) # بناء نموذج LSTM model = Sequential([ Embedding(1000, 64, input_length=max_length), LSTM(64, dropout=0.2, recurrent_dropout=0.2), Dense(32, activation='relu'), Dropout(0.5), Dense(1, activation='sigmoid') ]) # تكوين النموذج model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] ) print(model.summary()) # تدريب النموذج (مثال مبسط) # model.fit(X, y, epochs=10, batch_size=32, validation_split=0.2)

from gensim.models import Word2Vec from gensim.utils import simple_preprocess import matplotlib.pyplot as plt from sklearn.decomposition import PCA # نصوص للتدريب sentences = [ "الذكاء الاصطناعي يغير العالم", "التعلم الآلي جزء من الذكاء الاصطناعي", "البيانات الضخمة مهمة للتعلم الآلي", "الشبكات العصبية تحاكي الدماغ البشري", "معالجة اللغات الطبيعية تطبيق مهم" ] # تحضير البيانات processed_sentences = [simple_preprocess(sentence) for sentence in sentences] # تدريب نموذج Word2Vec model = Word2Vec( processed_sentences, vector_size=100, # حجم المتجه window=5, # نافذة السياق min_count=1, # الحد الأدنى لتكرار الكلمة workers=4 # عدد المعالجات ) # الحصول على متجه كلمة try: vector = model.wv['الذكاء'] print(f"متجه كلمة 'الذكاء': {vector[:5]}...") # أول 5 عناصر except KeyError: print("الكلمة غير موجودة في النموذج") # العثور على الكلمات المشابهة try: similar_words = model.wv.most_similar('الذكاء', topn=3) print(f"الكلمات المشابهة لـ 'الذكاء': {similar_words}") except KeyError: print("لا توجد كلمات مشابهة كافية")

import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns from wordcloud import WordCloud import re import nltk from nltk.corpus import stopwords from nltk.tokenize import word_tokenize # إنشاء بيانات تجريبية reviews_data = { 'review': [ "منتج رائع جداً، أنصح بشرائه", "جودة ممتازة وسعر مناسب", "خدمة سيئة ومنتج معيب", "لا يستحق المال المدفوع", "تجربة رائعة، سأشتري مرة أخرى", "منتج عادي، لا شيء مميز", "أفضل منتج اشتريته هذا العام", "مضيعة للوقت والمال", "جودة عالية وتسليم سريع", "لا أنصح أحد بشرائه" ], 'sentiment': [1, 1, 0, 0, 1, 0, 1, 0, 1, 0] # 1 = إيجابي، 0 = سلبي } df = pd.DataFrame(reviews_data) # تنظيف النصوص def clean_text(text): # إزالة الأرقام والرموز text = re.sub(r'[0-9]+', '', text) text = re.sub(r'[^\w\s]', '', text) return text.strip() df['cleaned_review'] = df['review'].apply(clean_text) # تحويل النصوص إلى متجهات TF-IDF vectorizer = TfidfVectorizer(max_features=1000, stop_words=None) X = vectorizer.fit_transform(df['cleaned_review']) y = df['sentiment'] # تقسيم البيانات X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42 ) # تدريب النموذج model = LogisticRegression() model.fit(X_train, y_train) # التنبؤ y_pred = model.predict(X_test) # تقييم النموذج print("تقرير التصنيف:") print(classification_report(y_test, y_pred)) # اختبار النموذج على نص جديد def predict_sentiment(text): cleaned = clean_text(text) vectorized = vectorizer.transform([cleaned]) prediction = model.predict(vectorized)[0] probability = model.predict_proba(vectorized)[0] sentiment = "إيجابي" if prediction == 1 else "سلبي" confidence = max(probability) * 100 return sentiment, confidence # اختبار test_text = "هذا المنتج رائع ومفيد جداً" sentiment, confidence = predict_sentiment(test_text) print(f"النص: {test_text}") print(f"المشاعر: {sentiment} (الثقة: {confidence:.1f}%)")