صفحة 203 - كتاب علم البيانات - الصف 11 - الفصل 1 - المملكة العربية السعودية

الكتاب: كتاب علم البيانات - الصف 11 - الفصل 1 | المادة: علم البيانات | المرحلة: الصف 11 | الفصل الدراسي: 1

الدولة: المملكة العربية السعودية | المنهج: المنهج السعودي - وزارة التعليم

📚 معلومات الصفحة

الكتاب: كتاب علم البيانات - الصف 11 - الفصل 1 | المادة: علم البيانات | المرحلة: الصف 11 | الفصل الدراسي: 1

الدولة: المملكة العربية السعودية | المنهج: المنهج السعودي - وزارة التعليم

نوع المحتوى: درس تعليمي

📝 ملخص الصفحة

📚 تطبيق عملي لأداة سولفر في السياحة

المفاهيم الأساسية

لا تحتوي الصفحة على تعريفات جديدة للمفاهيم.

خريطة المفاهيم

```markmap

4. نمذجة البيانات التنبؤية والتوقع

التحسين (Optimization)

أداة إكسل سولفر (Excel Solver)

#### خطوة أولى: صياغة المشكلة

#### خطوة ثانية: تنشيط الأداة

#### خطوة عملية: حساب الإجمالي

#### خطوة عملية: نسخ ورقة العمل

#### خطوة عملية: استخدام Solver دون قيود

#### خطوة عملية: إعداد معلمات Solver

#### خطوة عملية: تفسير نتائج Solver

#### خطوة عملية: تقييم نتائج Solver

##### إنشاء جدول المقارنة

###### أعمدة الجدول

  • الرقم التسلسلي
  • الشهر
  • الرحلات السياحية الشهرية لعام 2019
  • نتائج Solver لعام 2023
  • الاختلاف

##### حساب الاختلاف

  • نسخ قيم الخلايا C1:C14 من ورقة "2019".
  • لصقها في العمود المناسب بورقة "Solver".
  • تغيير أسماء الأعمدة وحذف "2019" من أسماء الشهور.
  • إضافة عمود "الاختلاف".
  • كتابة الصيغة F = C2-D2 في الخلية E2.
  • تنفيذ الدالة في الخلايا من E2 إلى E14.

    • ##### تطبيق الصيغة على البيانات

    • يناير: 1653 - 1653 = 0
    • فبراير: 1492 - 1492 = 0
    • مارس: 1599 - 1599 = 0
    • أبريل: 1650 - 1650 = 0
    • مايو: 2079 - 2079 = 0
    • يونيو: 4327 - 903 = 3424
    • يوليو: 3109 - 750 = 2359
    • أغسطس: 2675 - 2675 = 0
    • سبتمبر: 2327 - 635 = 1692
    • أكتوبر: 1119 - 1119 = 0
    • نوفمبر: 1234 - 1234 = 0
    • ديسمبر: 1735 - 1735 = 0
    • الإجمالي: 25000 - 17526 = 7474

    ##### نتائج تطبيق الصيغة (جدول المقارنة)

    | الشهر | الرقم | نتائج Solver لعام 2023 | الرحلات السياحية لعام 2019 | الاختلاف |

    |--------|-------|------------------------|----------------------------|----------|

    | يناير | 1 | 1.653 | 1.653 | 0 |

    | فبراير | 2 | 1.492 | 1.492 | 0 |

    | مارس | 3 | 1.599 | 1.599 | 0 |

    | أبريل | 4 | 1.650 | 1.650 | 0 |

    | مايو | 5 | 2.079 | 2.079 | 0 |

    | يونيو | 6 | 4.327 | 903 | 3.423 |

    | يوليو | 7 | 3.109 | 750 | 2.359 |

    | أغسطس | 8 | 2.675 | 2.675 | 0 |

    | سبتمبر | 9 | 2.327 | 635 | 1.692 |

    | أكتوبر | 10 | 1.119 | 1.119 | 0 |

    | نوفمبر | 11 | 1.234 | 1.234 | 0 |

    | ديسمبر | 12 | 1.735 | 1.735 | 0 |

    | الإجمالي | 13 | 25.000 | 17.526 | 7.474 |

    ##### تقييم النتائج الأولية

    • قيم Solver لشهور يونيو ويوليو وسبتمبر مرتفعة جداً وغير واقعية.
    • الهدف المقترح لشهر يونيو (4,327,000) أعلى بنسبة 160% من أفضل شهر في 2019.

    ##### خطوة عملية: إعادة تشغيل Solver بقيود

    • إنشاء نسخة جديدة من ورقة العمل باسم "(Solver (constraints".
    • إضافة قيود على أشهر يونيو ويوليو وسبتمبر.
    • تحديد أن تكون الأعداد المستهدفة لهذه الشهور أعلى من المتوسط الشهري لعام 2019.

    #### خطوة عملية: حساب المتوسط

    ##### طريقة الحساب

  • إنشاء ورقة عمل جديدة باسم "Solver (constraints)".
  • في الخلية B15، كتابة "المتوسط".
  • في الخلية C15، كتابة صيغة المتوسط: =average(C2:C13)
  • الضغط على Enter لعرض النتيجة.

    • ##### مثال تطبيقي

    • البيانات: عدد الرحلات السياحية الشهرية لعام 2019.
    • الإجمالي: 17,526 رحلة.
    • المتوسط: 1,460 رحلة (17,526 ÷ 12).

    #### خطوة عملية: استخدام Solver مع قيود

    ##### إعداد معلمات Solver

  • من علامة تبويب Data (بيانات)، اضغط على Solver (سولفر).
  • من حقل Set Objective (تعيين الهدف) اختر الخلية C14.
  • حدد Value of (القيمة): ثم اكتب القيمة 25000.
  • من الخلايا By Changing Variable Cells (لتغيير خلايا المتغير)، حدد الخلايا C2:C13.
  • اضغط على Add (إضافة) لإضافة قيد.
  • اضغط على Add (إضافة) لإضافة قيد.

    • ##### إعدادات Solver

    • Subject to the Constraints
    • Make Unconstrained Variables Non-Negative
    • Select a Solving Method

    - GRG Nonlinear: للمشكلات غير الخطية السلسة.

    - LP Simplex: للمشكلات الخطية.

    - Evolutionary: للمشكلات غير السلسة.

    • Change
    • Delete
    • Reset All
    • Load/Save
    • Options
    • Close
    • Solve
    • Help

    #### خطوة عملية: إعداد القيود

    ##### خطوات إضافة قيد

  • من مربع Cell reference (مرجع الخلية)، حدد الخلية C7.
  • اختر الرمز =.
  • ضع الرقم 1460 في صندوق Constraint (القيد).
  • اضغط على Add (إضافة).
  • اضبط بقية قيود الخليتين C8 و C10 واضغط على OK (موافق).

    • #### خطوة عملية: تعيين معاملات أداة سولفر

    ##### خطوات تعيين المعاملات

  • تأكد من عرض قائمة القيود بشكل صحيح في مربع "Subject to the Constraints" (تخضع للقيود).
  • اضغط على Options (خيارات).
  • في نافذة الخيارات، ألغِ تحديد خيار Use Automatic Scaling (استخدام القياس التلقائي).
  • اضغط على OK (موافق).
  • في نافذة Solver Parameters (معاملات Solver)، اضغط على Solve (حل).
  • في نافذة Solver Results (نتائج Solver)، اضغط على OK (موافق).
  • ستطبق التغييرات في الخلايا المحددة.

    • #### خطوة عملية: تفسير نتائج Solver مع القيود

    ##### نافذة خيارات Solver (Options)

    • All Methods / GRG Nonlinear / Evolutionary
    • Constraint Precision: 0.000001
    • Use Automatic Scaling
    • Show Iteration Results
    • Solving with Integer Constraints
    • Ignore Integer Constraints
    • Integer Optimality (%): 1
    • Solving Limits (Max Time, Iterations)
    • Evolutionary and Integer Constraints (Max Subproblems, Max Feasible Solutions)

    ##### نافذة نتائج Solver (Solver Results)

    • رسالة: "Solver found a solution. All Constraints and optimality conditions are satisfied."
    • خيارات:

    - Keep Solver Solution

    - Restore Original Values

    - Return to Solver Parameters Dialog

    • التقارير (Reports):

    - Answer

    - Sensitivity

    - Limits

    • تفسير النتيجة:

    - عند استخدام محرك GRG: تم إيجاد حل أمثل محلي على الأقل.

    - عند استخدام Simplex LP: يعني أن Solver وجد حلاً أمثلاً عالمياً.

    ##### التأثير على البيانات

    • ستظهر التغييرات في الخلايا C2:C13.
    • القيم الموجودة في الخلايا C7 و C8 و C10 أعلى من المتوسط (1,460).

    ##### مثال البيانات الناتجة (الرحلات السياحية لعام 2019)

    | الشهر | القيم |

    |--------|-------|

    | يناير 2019 | 2.156 |

    | فبراير 2019 | 1.901 |

    | مارس 2019 | 2.069 |

    | أبريل 2019 | 2.151 |

    | مايو 2019 | 2.874 |

    | يونيو 2019 | 1.610 |

    | يوليو 2019 | 1.563 |

    | أغسطس 2019 | 3.989 |

    | سبتمبر 2019 | 1.534 |

    | أكتوبر 2019 | 1.349 |

    | نوفمبر 2019 | 1.514 |

    | ديسمبر 2019 | 2.289 |

    | الإجمالي | 25.000 |

    | المتوسط | 2.083 |

    #### خطوة عملية: تقييم نتائج سولفر باستخدام القيود

    ##### إنشاء جدول المقارنة (مع القيود)

    ###### أعمدة الجدول

    • الرقم التسلسلي
    • الشهر
    • الرحلات السياحية الشهرية لعام 2019
    • نتائج Solver (Constraints) لعام 2023
    • الاختلاف

    ##### تفسير نتائج سولفر مع القيود

    • يجب تنفيذ الحملات الترويجية للسياحة بجميع شهور السنة.
    • يجب أن تكون الحملة الترويجية أكثر شمولية ولا تقتصر فقط على الأشهر يونيو ويوليو وسبتمبر.
    • الحملة السياحية يجب أن ترتكز على زيادة عدد الزيارات بصورة واقعية.

    ##### نتائج تطبيق القيود على أشهر محددة

    • يونيو 2019: 903 → يونيو 2023 (Solver): 1,610
    • يوليو 2019: 750 → يوليو 2023 (Solver): 1,563
    • سبتمبر 2019: 635 → سبتمبر 2023 (Solver): 1,534

    ##### التوصيات المستخلصة من النتائج

    • تصميم حملة ترويجية شاملة للسياحة لتعزيز عدد الرحلات في كل شهر.
    • هدف شهري يتراوح بين 500,000 إلى 1,000,000 رحلة.
    • التركيز بشكل خاص على الأشهر يونيو ويوليو وسبتمبر.
    • أمثلة للاستراتيجيات: خصومات على تذاكر الطيران، تنظيم رحلات بحرية، تنظيم مهرجانات.

    #### تمرينات: مفاهيم أساسية في استخدام سولفر

    ##### صياغة المشكلة

    • يجب صياغة المشكلة قيد الدراسة مسبقاً.
    • يتم اختيار الخلايا المتغيرة بناءً على الظاهرة أو المشكلة قيد الدراسة.

    ##### الخلية الهدف (Set Objective)

    • لا يتم ضبط الخلية الهدف إلى قيمة محددة دائماً.
    • يجب أن يكون هناك ارتباط بين خلية الهدف والخلايا المتغيرة.

    ##### القيود (Constraints)

    • يمكن استخدام أداة سولفر بقيود.
    • لا يجب أن تتجاوز نتائج سولفر متوسط القيم المحددة بالضرورة.

    ##### تقييم النتائج

    • يُعد تقييم نتائج سولفر جزءاً من عملية التحسين المستمر.
    • من المهم مقارنة قيم البيانات السابقة بالقيم المتوقعة للوصول إلى استنتاجات أفضل.

    ##### أمثلة على مشاكل التحسين

    • تصميم الحملة الترويجية للسياحة يُعد مشكلة من مشاكل التحسين.

    #### تمارين تطبيقية

    ##### التمرين 2: مقارنة استخدام سولفر

    • قارن بين استخدام أداة سولفر دون قيود واستخدامها بقيود.
    • اذكر اثنين من الاختلافات الأساسية بينهما.

    ##### التمرين 3: تطبيق على بيانات السياحة

    • زيارة صفحة بيانات السياحة بمنصة البيانات المفتوحة السعودية (https://open.data.gov.sa).
    • تنزيل بيانات الرحلات السياحية لعامي 2017 و 2018.
    • استخدام أداة سولفر لتصميم حملة سياحية لعام 2023.
    • مناقشة إمكانية استخدام هذه البيانات لهذا الغرض.

    ```

    نقاط مهمة

    • تحتوي الصفحة على تمرينين تطبيقيين حول استخدام أداة سولفر.
    • التمرين الأول يطلب مقارنة بين استخدام سولفر مع القيود وبدونها وذكر اختلافين أساسيين.
    • التمرين الثاني هو تطبيق عملي لتصميم حملة سياحية باستخدام بيانات حقيقية من منصة البيانات المفتوحة السعودية.

    📄 النص الكامل للصفحة

    قارن بين استخدام أداة سولفر دون قيود واستخدامها بقيود، ثم اذكر اثنين من الاختلافات الأساسية بينهما. قُم بزيارة صفحة بيانات السياحة التابعة لوزارة السياحة السعودية في منصة البيانات المفتوحة (https://open.data.gov.sa)، ثم قُم بتنزيل بيانات الرحلات السياحية لعامي 2017 و 2018. استخدم أداة سولفر لتصميم حملتك السياحية لعام 2023. هل يمكن استخدام هذه البيانات لهذا الغرض؟ وضح إجابتك. وزارة التعليم 203 Ministry of Education 2025-1447

    ✅ حلول أسئلة الكتاب الرسمية

    عدد الأسئلة: 2

    سؤال 2: قارن بين استخدام أداة سولفر دون قيود واستخدامها بقيود، ثم اذكر اثنين من الاختلافات الأساسية بينهما.

    الإجابة: س2: دون قيود: حرية كبيرة للمتغيرات (قد ينتج حل غير واقعي). بقيود: ضمن شروط محددة (حل قابل للتطبيق). الاختلافان: 1) مجال البحث (واسع VS محدود). 2) واقعية الحل (غير قابل للتنفيذ VS ملتزم بالشروط).

    خطوات الحل:

    1. **الشرح:** لنفهم هذا السؤال، علينا أولاً أن نعرف أن أداة Solver هي أداة في برامج الجداول الحسابية تُستخدم لإيجاد القيمة المثلى لحل مشكلة ما، مثل تعظيم ربح أو تقليل تكلفة، عن طريق تغيير قيم متغيرات معينة. عندما نستخدم Solver **دون قيود**، فهذا يعني أننا نسمح للأداة بتغيير المتغيرات بحرية تامة في أي نطاق للوصول إلى الحل الأمثل رياضياً. قد يؤدي هذا إلى حلول غير واقعية أو غير قابلة للتطبيق عملياً. أما عند استخدام Solver **بقيود**، فنحن نحدد شروطاً أو حدوداً معينة يجب أن تلتزم بها المتغيرات أثناء البحث عن الحل، مثل أن تكون القيمة أكبر من صفر أو أقل من مبلغ محدد. هذا يجعل الحل الناتج أكثر واقعية وملاءمة للوضع الفعلي. بناءً على هذا الفهم، يمكن ذكر اثنين من الاختلافات الأساسية: 1) **مجال البحث**: في الاستخدام دون قيود، مجال البحث واسع وغير محدد، بينما في الاستخدام بقيود، مجال البحث محدود بالشروط المطروحة. 2) **واقعية الحل**: الحل الناتج دون قيود قد يكون غير قابل للتنفيذ عملياً، بينما الحل الناتج بقيود يكون ملتزماً بالشروط الواقعية المحددة. إذن الإجابة هي: **دون قيود: حرية كبيرة للمتغيرات (قد ينتج حل غير واقعي). بقيود: ضمن شروط محددة (حل قابل للتطبيق). الاختلافان: 1) مجال البحث (واسع VS محدود). 2) واقعية الحل (غير قابل للتنفيذ VS ملتزم بالشروط).**

    سؤال 3: قُم بزيارة صفحة بيانات السياحة التابعة لوزارة السياحة السعودية في منصة البيانات المفتوحة (https://open.data.gov.sa)، ثم قُم بتنزيل بيانات الرحلات السياحية لعامي 2017 و 2018. استخدم أداة سولفر لتصميم حملتك السياحية لعام 2023. هل يمكن استخدام هذه البيانات لهذا الغرض؟ وضح إجابتك.

    الإجابة: س3: نعم، تستخدم جزئيًا كبيانات تاريخية (للاتجاهات العامة) في نموذج Solver مع قيود. لكن لا تكفي وحدها (لأنها قديمة)، ويلزم تحديثها ببيانات أحدث أو معاملات نمو لتعكس الواقع.

    خطوات الحل:

    1. **الخطوة 1 (فهم المهمة):** المطلوب هو زيارة منصة البيانات المفتوحة لوزارة السياحة السعودية وتنزيل بيانات الرحلات السياحية للعامين 2017 و2018، ثم استخدام أداة Solver لتصميم حملة سياحية لعام 2023. السؤال يدور حول إمكانية استخدام هذه البيانات القديمة لهذا الغرض. **الخطوة 2 (تحليل البيانات):** بيانات العامين 2017 و2018 هي بيانات تاريخية. يمكن استخدامها في Solver كمرجع لفهم الاتجاهات العامة أو الأنماط السابقة في السياحة، مثل المواسم الأكثر نشاطاً أو أنواع الرحلات المفضلة. عند تصميم حملة لعام 2023 باستخدام Solver، يمكن إدخال هذه البيانات كقيود أو معطيات أولية في النموذج. **الخطوة 3 (التقييم والنتيجة):** لكن، هذه البيانات وحدها لا تكفي لأنها قديمة (تعود لـ 5-6 سنوات). قد تكون هناك تغييرات كبيرة منذ ذلك الحين، مثل تطور البنية التحتية أو تغير تفضيلات السائحين أو تأثير أحداث مثل الجائحة. لذلك، لتصميم حملة واقعية لعام 2023، يلزم تحديث هذه البيانات بمعلومات أحدث أو استخدام معاملات نمو لتعديلها وتعكس الواقع الحالي. إذن الإجابة هي: **نعم، تستخدم جزئيًا كبيانات تاريخية (للاتجاهات العامة) في نموذج Solver مع قيود. لكن لا تكفي وحدها (لأنها قديمة)، ويلزم تحديثها ببيانات أحدث أو معاملات نمو لتعكس الواقع.**

    🎴 بطاقات تعليمية للمراجعة

    عدد البطاقات: 3 بطاقة لهذه الصفحة

    ما الفرق الأساسي بين استخدام أداة Solver دون قيود واستخدامها بقيود من حيث واقعية الحل الناتج؟

    • أ) الحل الناتج دون قيود يكون دائماً أسرع في الوصول إليه، بينما الحل بقيود يتطلب وقتاً أطول.
    • ب) الحل الناتج دون قيود يكون أكثر دقة رياضياً، بينما الحل بقيود يكون تقريبياً.
    • ج) الحل الناتج دون قيود قد يكون غير قابل للتنفيذ عملياً، بينما الحل الناتج بقيود يكون ملتزماً بالشروط الواقعية المحددة.
    • د) الحل الناتج دون قيود يعتمد على بيانات أقل، بينما الحل بقيود يحتاج إلى بيانات تاريخية ضخمة.

    الإجابة الصحيحة: c

    الإجابة: الحل الناتج دون قيود قد يكون غير قابل للتنفيذ عملياً، بينما الحل الناتج بقيود يكون ملتزماً بالشروط الواقعية المحددة.

    الشرح: 1. Solver أداة تحسين في الجداول الحسابية. 2. الاستخدام دون قيود: يبحث عن الحل الأمثل رياضياً دون حدود، مما قد ينتج قيماً غير منطقية (مثل كميات سالبة). 3. الاستخدام بقيود: يفرض شروطاً واقعية (مثل أن تكون القيم موجبة أو ضمن نطاق محدد). 4. النتيجة: الحل بقيود يكون واقعياً وقابلاً للتطبيق.

    تلميح: فكر في مدى قابلية تطبيق الحل في العالم الحقيقي عند وجود أو عدم وجود حدود للمتغيرات.

    التصنيف: فرق بين مفهومين | المستوى: متوسط

    عند استخدام أداة Solver لتصميم حملة سياحية مستقبلية، ما الدور الرئيسي للبيانات التاريخية (مثل بيانات 2017 و2018) في النموذج؟

    • أ) تُستخدم كبيانات تدريب أساسية لتعليم خوارزمية الذكاء الاصطناعي داخل أداة Solver.
    • ب) تُستخدم كبيانات مرجعية لفهم الاتجاهات العامة والأنماط السابقة، وتُدخل كقيود أو معطيات أولية في النموذج.
    • ج) تُستخدم لاستبدال الحاجة إلى وضع أي قيود يدوية في نموذج Solver.
    • د) تُستخدم فقط للتحقق من صحة النتائج النهائية بعد اكتمال تشغيل Solver.

    الإجابة الصحيحة: b

    الإجابة: تُستخدم كبيانات مرجعية لفهم الاتجاهات العامة والأنماط السابقة، وتُدخل كقيود أو معطيات أولية في النموذج.

    الشرح: 1. البيانات التاريخية توفر سياقاً للماضي. 2. يمكن تحليلها لاستخلاص اتجاهات (مثل مواسم الذروة). 3. في Solver، تُستخدم هذه الاتجاهات لفرض قيود واقعية (مثل نسب نمو معقولة). 4. دورها: توجيه النموذج نحو حلول تستند إلى أنماط مثبتة.

    تلميح: فكر في كيفية استخدام الماضي للتنبؤ بالمستقبل أو وضع افتراضات واقعية.

    التصنيف: مفهوم جوهري | المستوى: صعب

    ما القيد الرئيسي على استخدام بيانات سياحية قديمة (مثل 2017-2018) لتصميم حملة لعام 2023 باستخدام Solver؟

    • أ) حجمها كبير جداً مما قد يتسبب في تعطل أداة Solver أو بطء أدائها.
    • ب) تفتقر إلى الدقة الكافية لأنها تم جمعها بطرق تقليدية وليست رقمية.
    • ج) قد لا تعكس البيانات القديمة الواقع الحالي بسبب التغيرات الكبيرة (مثل التطورات البنيوية أو تغير التفضيلات أو الأحداث العالمية).
    • د) تمثل بيانات من مصدر واحد فقط (الوزارة) ولا تشمل بيانات من القطاع الخاص.

    الإجابة الصحيحة: c

    الإجابة: قد لا تعكس البيانات القديمة الواقع الحالي بسبب التغيرات الكبيرة (مثل التطورات البنيوية أو تغير التفضيلات أو الأحداث العالمية).

    الشرح: 1. البيانات القديمة عمرها 5-6 سنوات. 2. العالم يتغير سريعاً (تكنولوجيا، بنية تحتية، أحداث كالجائحة). 3. تفضيلات السائحين وأنماط السفر تتطور. 4. النتيجة: البيانات وحدها غير كافية ويجب تعديلها بمعاملات نمو أو دمجها مع بيانات أحدث.

    تلميح: فكر في الفارق الزمني والعوامل التي يمكن أن تغير سلوك السوق أو السياحة.

    التصنيف: تفكير ناقد | المستوى: متوسط