دليل الأيام العشرة: الذكاء الاصطناعي الصحي مع Python

الشكل التوضيحي

الهدف العلمي

يفهم المتدرب مكونات بيئة التدريب المحلية ويؤكد ما إذا كان جهازه جاهزاً لاستخدام GPU وCUDA.

الأفكار الأساسية

• بيئة افتراضية مستقلة لكل مشروع.
• تعريف NVIDIA driver وحزمة PyTorch CUDA build عنصران مختلفان.
• لا يلزم تثبيت CUDA Toolkit يدوياً في كل حالة؛ اختر أمر التثبيت من صفحة PyTorch الرسمية.

المختبر العملي

1. شغّل فحص البيئة من تبويب «بيئة الكمبيوتر».
2. أنشئ بيئة افتراضية باسم .venv.
3. ثبّت PyTorch باستخدام المحدد الرسمي المتوافق مع نظام التشغيل وGPU.
4. نفّذ قالب التحقق وتأكد من أن CUDA available تساوي True قبل تدريب نموذج GPU.

المخرج اليومي

تقرير جاهزية محلي يوضح إصدار Python وGPU وPyTorch وحالة CUDA.

تنبيه السلامة

لا تشارك تقرير البيئة إذا احتوى معلومات حساسة عن شبكة المؤسسة أو حسابات المستخدمين.

تجربة تفاعلية

قالب Python

import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"PyTorch version: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"CUDA build: {torch.version.cuda}")
print(f"Selected device: {device}")

if device.type == "cuda":
    print(f"GPU: {torch.cuda.get_device_name(0)}")
else:
    print("Training will use CPU. Check the NVIDIA driver and PyTorch install selection.")

الشكل التوضيحي

الهدف العلمي

يفرق المتدرب بين التحليل التشغيلي، المساعدة التعليمية، والقرار السريري الذي يبقى مسؤولية مختص مؤهل.

الأفكار الأساسية

• ابدأ بحالة استخدام محددة وقابلة للقياس، مثل توقع ضغط المراجعين.
• النموذج يكتشف أنماطاً في البيانات ولا يملك حكماً سريرياً مستقلاً.
• الإنسان يحدد الهدف، يراجع المخرج، ويوقف الاستخدام عند عدم الثقة.

المختبر العملي

1. شغّل السيناريو التعليمي «ضغط الوردية الصباحية» في TRAINER_SIMULATION.html.
2. اكتب في فريقك الفرق بين توقع الازدحام والتشخيص الطبي.
3. حدد مؤشراً واحداً للنجاح ومؤشر إيقاف واحداً.

المخرج اليومي

ميثاق استخدام آمن يحدد ما سيفعله المشروع وما لن يفعله.

تنبيه السلامة

لا تصف أي نموذج تدريبي بأنه نظام تشخيص أو فرز طبي ما لم يمر بحوكمة وتحقق سريريين منفصلين.

تجربة تفاعلية

قالب Python

use_case = "توقع ضغط المراجعين خلال ساعتين"
human_owner = "مدير الخدمة"
stop_condition = "اكتمال البيانات أقل من 82%"

print(f"حالة الاستخدام: {use_case}")
print(f"صاحب القرار البشري: {human_owner}")
print(f"شرط الإيقاف: {stop_condition}")

الشكل التوضيحي

الهدف العلمي

يكتب المتدرب دالة Python صغيرة تحسب مؤشراً تشغيلياً مفهوماً ويقرأ الناتج.

الأفكار الأساسية

• المتغير اسم لقيمة؛ والدالة خطوة قابلة لإعادة الاستخدام.
• ابدأ ببيانات اصطناعية صغيرة قبل أي ملف فعلي.
• اقرأ الناتج بصوتك قبل تعديل الكود.

المختبر العملي

1. افتح محرر Python أو JupyterLab داخل البيئة الافتراضية.
2. انسخ القالب وشغله كما هو.
3. غيّر عدد المراجعين أو السعة فقط، ثم فسر الأثر.

المخرج اليومي

برنامج قصير يحسب فرق السعة التشغيلية بطريقة قابلة للفهم.

تنبيه السلامة

الأرقام في المثال اصطناعية؛ لا تنسخ أرقام مريض أو سجل استقبال إلى دفتر مشترك.

تجربة تفاعلية

قالب Python

def calculate_capacity_gap(expected_visitors, available_slots):
    return expected_visitors - available_slots

expected_visitors = 48
available_slots = 36
capacity_gap = calculate_capacity_gap(expected_visitors, available_slots)

print(f"فرق السعة: {capacity_gap}")

الشكل التوضيحي

الهدف العلمي

يبني المتدرب خطة جمع بيانات تقلل البيانات وتوثق مصدر كل حقل قبل بناء أي نموذج.

الأفكار الأساسية

• السؤال يسبق جمع البيانات: ما القرار التشغيلي الذي نريد دعمه؟
• اجمع الحد الأدنى اللازم من الحقول ولا تجمع المعرفات المباشرة.
• قاموس البيانات يصف المعنى، الوحدة، المصدر، والمالك لكل عمود.

المختبر العملي

1. من تبويب «جمع البيانات»، أنشئ مساحة مشروع تدريبية آمنة.
2. افتح data_dictionary_template.csv وحدد الحقول اللازمة فقط.
3. راجع قائمة الجمع مع مسؤول البيانات والحوكمة قبل استخدام أي مصدر حقيقي.

المخرج اليومي

قالب قاموس بيانات وقائمة تحقق لجمع بيانات تشغيلية مجهولة الهوية.

تنبيه السلامة

لا تعد إزالة الاسم وحدها إخفاء هوية كاملاً؛ التواريخ الدقيقة والمجموعات النادرة قد تعيد التعرف على الشخص.

تجربة تفاعلية

قالب Python

import pandas as pd

required_columns = {
    "visit_date",
    "service",
    "scheduled_hour",
    "arrivals_count",
    "staff_available",
    "wait_minutes",
}

dataset = pd.read_csv("data/synthetic/appointments_sample.csv")
missing_columns = required_columns.difference(dataset.columns)

if missing_columns:
    raise ValueError(f"Missing columns: {sorted(missing_columns)}")

print(dataset.head())
print(f"Rows: {len(dataset)}")

الشكل التوضيحي

الهدف العلمي

يفحص المتدرب اكتمال البيانات وتناسقها قبل أي تحليل ويوقف العمل عند وجود حقول حساسة غير مصرح بها.

الأفكار الأساسية

• البيانات الناقصة والتحيز والتوقيت الخاطئ تغير النتيجة.
• يجب توثيق الاستبعاد أو التعويض بدلاً من تنفيذه بصمت.
• الحد الأدنى من البيانات والإذن والبيئة المعتمدة شروط سابقة للتدريب الحقيقي.

المختبر العملي

1. شغّل فحوص الاكتمال على الملف الاصطناعي.
2. أضف عموداً حساساً تجريبياً ولاحظ أن الفحص يوقف المسار.
3. اكتب سبب أي قرار استبعاد في سجل المعالجة.

المخرج اليومي

تقرير جودة بيانات وسجل معالجة قابل للمراجعة.

تنبيه السلامة

لا تعرض أبداً عينة بيانات حساسة على جهاز العرض قبل التأكد من أن مصدرها مصرح ومجهول الهوية وفق إجراء معتمد.

تجربة تفاعلية

قالب Python

import pandas as pd

dataset = pd.read_csv("data/synthetic/appointments_sample.csv")
sensitive_columns = {"patient_name", "phone_number", "national_id", "address"}
found_sensitive_columns = sensitive_columns.intersection(dataset.columns)

if found_sensitive_columns:
    raise ValueError(f"Sensitive columns found: {sorted(found_sensitive_columns)}")

missing_rate = dataset.isna().mean().sort_values(ascending=False)
print("Missing values by column:")
print(missing_rate)

الشكل التوضيحي

الهدف العلمي

يستخرج المتدرب مؤشرات قابلة للتفسير حول المراجعات والسعة والانتظار من بيانات اصطناعية أو معتمدة.

الأفكار الأساسية

• الجداول يجب أن تجيب سؤالاً عملياً قبل رسم أي مخطط.
• اعرض القيم المجملة؛ لا تعرض سجلات فردية عندما لا تكون هناك حاجة لها.
• المتوسط لا يكفي وحده؛ افحص التوزيع والفترات المزدحمة.

المختبر العملي

1. اقرأ بيانات العينة بوساطة Pandas.
2. اجمع المراجعات حسب الخدمة والساعة.
3. ناقش أي ساعة تحتاج مراجعة تشغيلية وليس قراراً سريرياً.

المخرج اليومي

جدول يلخص الطلب ووقت الانتظار حسب الخدمة والساعة.

تنبيه السلامة

المؤشرات التشغيلية لا تبرر استنتاجاً طبياً عن فرد أو مجموعة.

تجربة تفاعلية

قالب Python

import pandas as pd

dataset = pd.read_csv("data/synthetic/appointments_sample.csv")
summary = (
    dataset.groupby(["service", "scheduled_hour"], as_index=False)
    .agg(
        total_arrivals=("arrivals_count", "sum"),
        average_wait_minutes=("wait_minutes", "mean"),
    )
    .sort_values("average_wait_minutes", ascending=False)
)

print(summary.head(10))

الشكل التوضيحي

الهدف العلمي

يفهم المتدرب أن المتغيرات يجب أن تكون معروفة وقت التنبؤ وأن الهدف لا يجوز تسريبه إلى ميزات التدريب.

الأفكار الأساسية

• الميزة متاحة قبل النتيجة؛ الهدف هو ما نحاول توقعه.
• استخدم تقسيمات زمنية للبيانات عندما يكون القرار مستقبلياً.
• افصل تدريب النموذج عن الاختبار النهائي حتى لا يختبر نفسه.

المختبر العملي

1. حدد هدفاً تشغيلياً: وقت الانتظار في الفترة التالية.
2. أنشئ ميزات من الوقت والسعة فقط.
3. استبعد أي حقل يتكون بعد انتهاء فترة الانتظار.

المخرج اليومي

قائمة ميزات موثقة وخطة تقسيم زمني للتدريب والاختبار.

تنبيه السلامة

لا تستخدم قراراً بشرياً لاحقاً أو معلومة مستقبلية كميزة؛ ذلك يعطي نموذجاً يبدو دقيقاً بصورة مضللة.

تجربة تفاعلية

قالب Python

import pandas as pd

dataset = pd.read_csv("data/synthetic/appointments_sample.csv", parse_dates=["visit_date"])
dataset["weekday"] = dataset["visit_date"].dt.dayofweek
dataset["capacity_ratio"] = dataset["arrivals_count"] / dataset["staff_available"].clip(lower=1)

feature_columns = ["scheduled_hour", "staff_available", "weekday", "capacity_ratio"]
target_column = "wait_minutes"

training_dataset = dataset[dataset["visit_date"] < "2026-01-08"]
test_dataset = dataset[dataset["visit_date"] >= "2026-01-08"]

print(training_dataset[feature_columns].head())
print(f"Training rows: {len(training_dataset)} | Test rows: {len(test_dataset)}")

الشكل التوضيحي

الهدف العلمي

يدرب المتدرب نموذجاً بسيطاً لتوقع وقت الانتظار التشغيلي ويقارنه بخط أساس مفهوم.

الأفكار الأساسية

• ابدأ بنموذج بسيط يمكن شرحه قبل زيادة التعقيد.
• المقارنة بخط أساس أهم من الاحتفال برقم دقة منفصل.
• تدريب النموذج لا يساوي اعتماده للاستخدام الحقيقي.

المختبر العملي

1. جهّز ميزات اليوم السادس وهدف وقت الانتظار.
2. درب نموذج LinearRegression أو RandomForestRegressor للتوضيح.
3. قارن خطأ النموذج بمتوسط تاريخي بسيط.

المخرج اليومي

نموذج خط أساس وتقرير خطأ على مجموعة اختبار زمنية.

تنبيه السلامة

هذا تمرين تعليمي تشغيلي؛ لا يعطى للمستخدمين كأداة قرار سريري أو أولوية علاجية.

تجربة تفاعلية

قالب Python

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error

dataset = pd.read_csv("data/synthetic/appointments_sample.csv", parse_dates=["visit_date"])
dataset["weekday"] = dataset["visit_date"].dt.dayofweek

feature_columns = ["scheduled_hour", "arrivals_count", "staff_available", "weekday"]
training_dataset = dataset[dataset["visit_date"] < "2026-01-08"]
test_dataset = dataset[dataset["visit_date"] >= "2026-01-08"]

model = LinearRegression()
model.fit(training_dataset[feature_columns], training_dataset["wait_minutes"])
predicted_wait = model.predict(test_dataset[feature_columns])
mean_error = mean_absolute_error(test_dataset["wait_minutes"], predicted_wait)

print(f"Mean absolute error: {mean_error:.2f} minutes")

الشكل التوضيحي

الهدف العلمي

ينفذ المتدرب تدريباً صغيراً على GPU إن كان متاحاً ويعرف كيفية الرجوع إلى CPU بأمان.

الأفكار الأساسية

• يختار PyTorch وحدة GPU فقط عندما تعيد torch.cuda.is_available() القيمة True.
• انقل النموذج والبيانات إلى الجهاز نفسه.
• صغّر حجم الدفعة أو النموذج عند نفاد ذاكرة GPU؛ لا تخفِ الخطأ ولا تغير البيانات عشوائياً.

المختبر العملي

1. افتح تبويب البيئة وشغّل الفحص المحلي.
2. ثبت PyTorch عبر المحدد الرسمي المناسب للجهاز، ثم شغّل cuda_training_demo.py.
3. راقب اسم الجهاز والنتيجة، ثم غيّر عدد epochs أو batch size فقط.

المخرج اليومي

تقرير تدريب اصطناعي يظهر الجهاز المستخدم وخطأ التدريب والتحقق.

تنبيه السلامة

وحدة GPU تزيد سرعة الحساب فقط؛ لا تحول نموذجاً غير متحقق منه إلى نظام آمن أو صالح سريرياً.

تجربة تفاعلية

قالب Python

try:
    from cuda_training_demo import select_device
except ModuleNotFoundError:
    raise SystemExit("ضع cuda_training_demo.py بجوار هذا الملف، أو شغّل التمرين من جذر مساحة التدريب.")

device = select_device()
print(f"Training device: {device}")
print("Run: python cuda_training_demo.py")

الشكل التوضيحي

الهدف العلمي

يكتب المتدرب حدود النموذج، مقياسه، مصادر بياناته، وخطة الإيقاف والمراقبة قبل عرض أي مخرج.

الأفكار الأساسية

• الدقة أو الخطأ المتوسط لا يكفيان وحدهما.
• اختبر الأداء عبر الزمن والموقع والمجموعة ذات الصلة بالحالة التشغيلية.
• كل نموذج يحتاج مالكاً، إصداراً، طريقة مراقبة، وخطة تراجع.

المختبر العملي

1. املأ بطاقة نموذج للتمرين التشغيلي.
2. حدد متى يتوقف العرض أو يطلب مراجعة بيانات.
3. شغّل سيناريو «فرق الأداء بين المواقع» في محاكاة المدرب.

المخرج اليومي

بطاقة نموذج وسجل مخاطر لعرض تعليمي فقط.

تنبيه السلامة

أي انتقال من تحليل تشغيلي إلى تطبيق يؤثر في الرعاية يحتاج مسار اعتماد واختبار وحوكمة منفصلين.

تجربة تفاعلية

قالب Python

model_card = {
    "intended_use": "توقع تشغيلي لوقت الانتظار في بيانات تدريبية",
    "not_for": "التشخيص أو الفرز أو قرار علاجي",
    "data_source": "بيانات اصطناعية أو معتمدة مجهولة الهوية",
    "owner": "فريق التحول الرقمي",
    "stop_condition": "انخفاض جودة البيانات أو ظهور فجوة أداء غير مفسرة",
}

for field_name, field_value in model_card.items():
    print(f"{field_name}: {field_value}")

الشكل التوضيحي

الهدف العلمي

يعرض الفريق لوحة محلية تستخدم بيانات مجمعة وتشرح النتيجة والحدود وخطوة المراجعة البشرية.

الأفكار الأساسية

• واجهة المستخدم يجب أن توضح أن المخرج اقتراح تشغيلي لا حكم طبي.
• اعرض المعلومة التي يحتاجها المستخدم، لا كل البيانات المتاحة.
• النجاح هو تفسير آمن وقابل للمراجعة، لا مجرد تشغيل التطبيق.

المختبر العملي

1. اختر مؤشراً تشغيلياً واحداً من بيانات العينة.
2. اصنع لوحة محلية صغيرة باستخدام Streamlit أو اعرض TRAINER_SIMULATION.html.
3. قدم بطاقة النموذج، شرط الإيقاف، وخطة التحسين التالية.

المخرج اليومي

عرض فريق للوحة تشغيلية تعليمية وملف حوكمة مختصر.

تنبيه السلامة

لا تربط لوحة مشروع التخرج بنظام حي ولا تسمح بإدخال أو تخزين بيانات مرضى.

تجربة تفاعلية

قالب Python

import streamlit as st

st.set_page_config(page_title="لوحة تدريبية", layout="wide")
st.title("لوحة توقع تشغيلي - تدريب فقط")
st.warning("بيانات اصطناعية. لا تستخدم للتشخيص أو الفرز أو قرار علاجي.")
st.metric("وقت انتظار متوقع", "24 دقيقة")
st.caption("يلزم قرار بشري ومراجعة لجودة البيانات قبل أي إجراء تشغيلي.")

الشكل التوضيحي

لماذا وصفة واحدة؟

• الوصفة الواحدة: ست خطوات ثابتة تُحفظ بالتكرار لا بالشرح. ما يتغير بين مجموعة وأخرى ثلاثة أسماء فقط.
• سلّم لا رقم: أربع درجات متصاعدة - المتوسط، ثم المتوسط التاريخي، ثم نموذج خطي، ثم غابة عشوائية. أي درجة لا تتفوق على ما تحتها لا مبرر لتعقيدها.
• بوابات تشتغل وحدها: الوصفة توقف نفسها عند الهدف داخل الميزات، أو اكتمال أقل من 82%، أو ميزة مرتبطة بالهدف ارتباطاً شبه تام.
• الزر ثم السطر: تبويب «التدريب» في التطبيق يدرّب فعلياً ويعرض بجانب النتيجة الكود المكافئ لما ضغطته - لتنتقل من الواجهة إلى الكود بخطوة واحدة.

تجربة تفاعلية

مجموعات البيانات المتاحة للتدرب

الخطة العملية من اليوم الثاني إلى ما بعد الورشة

1. قبل الورشة بيوم (المدرب): python tools/fetch_datasets.py ثم --offline-check. إن نجحت البوابة عملت الورشة كلها بلا إنترنت.
2. اليوم 2: اثنا عشر تمريناً يصحح نفسه في labs/day02b_python_drills.py - كل تمرين سطر واحد وتلميح عند الخطأ.
3. اليوم 5: ثمانية تمارين على الجدول في labs/day05b_pandas_drills.py: تصفية، تجميع، ترتيب، وقراءة النقص.
4. اليوم 7: شغّل الوصفة على بيانات الورشة، ثم على بيانات UCI بلا تعديل يذكر عبر labs/day07b_train_any_table.py.
5. اليوم 9: مشروع التخرج labs/day09b_capstone.py - يولد مسودة بطاقة نموذج تكملها بنفسك.
6. بعد الورشة: كرر المشروع على مجموعة جديدة كل شهر. التكرار على بيانات جديدة هو ما يحول المعرفة إلى مهارة.

الوصفة كاملة للنسخ

# الوصفة نفسها لأي جدول - ست خطوات لا تتغير
from trainkit import load_table, peek, add_calendar_features, time_split, train_ladder, report

table = load_table("data/synthetic/appointments_sample.csv")
peek(table)
table = add_calendar_features(table, date_column="visit_date")
train, test = time_split(table, date_column="visit_date", split_date="2026-01-08")
result = train_ladder(
    train,
    test,
    features=["scheduled_hour", "arrivals_count", "staff_available", "weekday"],
    target="wait_minutes",
)
report(result)

# التبديل إلى مجموعة أخرى لا يغير الوصفة، بل ثلاثة أسماء فقط:
# اسم الملف، اسم عمود التاريخ، واسم الهدف.

تنبيهات السلامة

• الخط الأحمر مزدوج الاتجاه: ننزّل بيانات عامة للتدرب، ولا نرفع أي بيانات وزارية إلى الإنترنت مهما كان المبرر.
• لا بيانات مرضى على أجهزة الورشة حتى لو أتيحت بحساب شخصي - ولهذا تحديداً لا نستخدم MIMIC-IV-ED هنا.
• تدريب النموذج لا يساوي اعتماده. لا يُعرض أي نموذج على جهة تشغيلية قبل بطاقة نموذج مكتملة وشرط إيقاف وصاحب قرار بالاسم.
• الأرقام هنا تعليمية على بيانات أجنبية أو اصطناعية، ولا تُنقل كمعايير لأداء أي مؤسسة عراقية.

الشكل التوضيحي

لماذا هذا المسار ومتى؟

• جهاز جاهز في المتصفح خلال دقيقة: لا تثبيت Python ولا مكتبات - كل أساسيات الورشة (pandas وscikit-learn وtorch) مثبتة مسبقاً.
• وحدة GPU مجانية عند الحاجة - تمرين اليوم الثامن يعمل عليها كما هو.
• حل عملي للمتدرب الذي لا يملك جهازاً يكفي للتدريب المحلي.
• نفس دفاتر الورشة ونفس الكود بلا أي تعديل - المسار المحلي يبقى الخيار الافتراضي في القاعة.

تجربة تفاعلية

خطوات من الألف إلى الياء

1. الحساب والدخول: سجل الدخول بحساب Google تدريبي ثم افتح colab.research.google.com.
2. تجربة أولى (دقيقة واحدة): أنشئ دفتراً جديداً (New notebook)، اكتب print("مرحباً") وشغّل الخلية بزر التشغيل أو Shift+Enter.
3. ارفع دفتر الإعداد: من القائمة File ← Upload notebook اختر notebooks/colab_setup.ipynb من حزمة الورشة.
4. جهّز الجلسة: شغّل خلايا دفتر الإعداد بالترتيب: رفع generate_synthetic_data.py وcuda_training_demo.py، ثم توليد البيانات الاصطناعية داخل الجلسة.
5. فعّل GPU عند الحاجة (اليوم الثامن): من القائمة Runtime ← Change runtime type اختر T4 GPU ثم Save - ستعاد تهيئة الجلسة فأعد تشغيل خلايا الإعداد.
6. افتح مختبر اليوم: ارفع دفتر اليوم المطلوب من مجلد notebooks/ بنفس طريقة الخطوة 3 وتابع كما في القاعة.
7. احفظ نسختك: من File ← Save a copy in Drive تحفظ نسخة دائمة من الدفتر في حسابك.
8. نزّل المخرجات قبل الإغلاق: ملفات الجلسة في /content تُمسح عند إعادة التشغيل - نزّل ما تحتاجه أو احفظه في Drive.
9. انقطعت الجلسة؟ طبيعي في الخطة المجانية: أعد فتح دفتر الإعداد وشغّل خلاياه - تعود البيئة كاملة خلال دقيقة لأن كل شيء قابل لإعادة التوليد.

تفاصيل صغيرة تصنع فرقاً

• Runtime ← Run all (أو Ctrl+F9) يشغّل كل الخلايا بالترتيب - مفيد بعد انقطاع الجلسة.
• عند فتح دفتر شاركه معك المدرب اضغط Copy to Drive أولاً - وإلا لن تُحفظ تعديلاتك.
• خلايا النص (Markdown) للشرح ولا تُنفذ؛ خلايا الكود وحدها تعمل. لمحاذاة عربية يمينية في خلية نص غلّف المحتوى بـ <div dir="rtl">.
• الحصة المجانية متغيرة وغير معلنة، والجلسة 12 ساعة كحد أقصى - أعد المسرّع إلى CPU عندما لا تحتاج GPU حفاظاً على حصتك.
• تغيير نوع بيئة التشغيل يعيد تشغيل الجلسة - لذلك فعّل GPU أولاً ثم شغّل خلايا الإعداد.

خلايا جاهزة للنسخ

# خلايا جاهزة تعمل داخل Colab (كل مجموعة في خلية مستقلة)

# 1) رفع ملفات المشروع من جهازك
from google.colab import files
uploaded = files.upload()   # اختر generate_synthetic_data.py و cuda_training_demo.py

# 2) توليد بيانات الورشة الاصطناعية داخل الجلسة
!python generate_synthetic_data.py

# 3) فحص GPU بعد تفعيله من Runtime > Change runtime type
import torch
print("CUDA:", torch.cuda.is_available())

# 4) تشغيل تمرين اليوم الثامن كما هو
!python cuda_training_demo.py --epochs 40

# 5) تنزيل ناتج إلى جهازك قبل انتهاء الجلسة
files.download("data/synthetic/appointments_sample.csv")

# 6) (اختياري) ربط Google Drive للحفظ الدائم
from google.colab import drive
drive.mount("/content/drive")

تنبيهات السلامة

قواعد المسار السحابي - غير قابلة للاستثناء: Colab خدمة سحابية عامة خارج بيئة الوزارة، لذلك يُمنع رفع أي بيانات مرضى أو ملفات من أنظمة العمل أو كلمات مرور أو اتصالات قواعد بيانات - مهما كان المبرر. هذا المسار مخصص حصراً للبيانات الاصطناعية المولدة داخل الجلسة. لا تفتح دفاتر من مصادر مجهولة (الدفتر كود يُنفذ على حسابك)، ولوحة اليوم العاشر (Streamlit) تُعرض محلياً لأن Colab لا يشغلها مباشرة.