Cross-Entropy Loss: Difference between revisions

Latest revision as of 06:07, 23 April 2025

Cross-Entropy Loss: دليل شامل للمبتدئين

Cross-Entropy Loss (خسارة الإنتروبيا المتقاطعة) هي إحدى دوال الخسارة الأكثر شيوعًا المستخدمة في التعلم الآلي، وخاصة في مهام التصنيف. تُستخدم على نطاق واسع في نماذج الشبكات العصبية لتقييم أداء النموذج وتوجيهه نحو تحسين دقته في التنبؤات. هذا المقال يهدف إلى تقديم شرح مفصل ومبسط لهذا المفهوم للمبتدئين، مع التركيز على تطبيقاته في سياق تداول الخيارات الثنائية حيث التنبؤ الصحيح بالاتجاه (صعود أو هبوط) هو الأهم.

ما هي دوال الخسارة؟

قبل الغوص في تفاصيل Cross-Entropy Loss، من المهم فهم دور دوال الخسارة بشكل عام. دالة الخسارة تقيس الفرق بين القيم المتوقعة من النموذج والقيم الحقيقية. كلما كانت الخسارة أقل، كان أداء النموذج أفضل. الهدف من عملية التدريب هو تقليل هذه الخسارة قدر الإمكان، وذلك عن طريق تعديل الأوزان و التحيزات داخل النموذج. تشمل دوال الخسارة الأخرى الشائعة Mean Squared Error (متوسط مربع الخطأ) و Hinge Loss.

فهم الإنتروبيا المتقاطعة

لفهم Cross-Entropy Loss، يجب أولاً فهم مفهوم الإنتروبيا. في سياق نظرية المعلومات، تقيس الإنتروبيا كمية عدم اليقين أو العشوائية في متغير عشوائي. ببساطة، إذا كان لدينا حدث مؤكد، فإن إنتروبيته تساوي صفرًا. أما إذا كانت هناك احتمالات متساوية لعدة نتائج، فإن إنتروبيتها تكون أعلى.

الإنتروبيا المتقاطعة تقيس المسافة بين توزيعين احتماليين: التوزيع الحقيقي (القيم الفعلية) والتوزيع المتوقع (التنبؤات التي يقدمها النموذج). تعتبر Cross-Entropy Loss نسخة من الإنتروبيا المتقاطعة مصممة خصيصًا للاستخدام في سياق التعلم الآلي.

صيغة Cross-Entropy Loss

تختلف صيغة Cross-Entropy Loss قليلاً اعتمادًا على نوع مهمة التصنيف. هناك نوعان رئيسيان:

Binary Cross-Entropy Loss (خسارة الإنتروبيا المتقاطعة الثنائية): تستخدم عندما يكون لدينا فئتان فقط (مثل "صعود" أو "هبوط" في تداول الخيارات الثنائية). صيغتها هي:

   -L = - [y * log(p) + (1 - y) * log(1 - p)]-

   حيث:
   *   L هي الخسارة.
   *   y هي القيمة الحقيقية (0 أو 1).
   *   p هو الاحتمال المتوقع الذي يرجحه النموذج للفئة الإيجابية (مثل احتمال صعود السعر).

Categorical Cross-Entropy Loss (خسارة الإنتروبيا المتقاطعة الفئوية): تستخدم عندما يكون لدينا أكثر من فئتين. صيغتها أكثر تعقيدًا، وتتضمن جمع الخسائر لكل فئة.

Cross-Entropy Loss وتداول الخيارات الثنائية

في تداول الخيارات الثنائية، غالبًا ما تكون مهمة التنبؤ بسيطة: هل سيرتفع سعر الأصل أم سينخفض؟ هذا يجعل Binary Cross-Entropy Loss الخيار الأمثل. الهدف هو تدريب نموذج (مثل شبكة عصبية متكررة أو شبكة عصبية التفافية) للتنبؤ باحتمال صعود السعر. إذا كان النموذج يتنبأ باحتمال مرتفع جدًا لصعود السعر بينما السعر في الواقع ينخفض، فإن الخسارة ستكون كبيرة. وبالمثل، إذا كان النموذج يتنبأ باحتمال منخفض جدًا لصعود السعر بينما السعر يرتفع، فستكون الخسارة كبيرة أيضًا.

كيفية استخدام Cross-Entropy Loss في عملية التدريب

1. جمع البيانات: جمع بيانات تاريخية تتضمن أسعار الأصول وإشارات التداول (صعود أو هبوط). 2. إعداد البيانات: قم بتنظيف البيانات وتقسيمها إلى مجموعات تدريب وتقييم واختبار. 3. بناء النموذج: قم بإنشاء نموذج التعلم العميق المناسب (مثل LSTM أو GRU). 4. تدريب النموذج: استخدم بيانات التدريب لحساب الخسارة باستخدام Binary Cross-Entropy Loss. 5. تحسين النموذج: استخدم خوارزمية التدرج (مثل Adam أو SGD) لضبط أوزان النموذج لتقليل الخسارة. 6. تقييم النموذج: استخدم بيانات التقييم لتقييم أداء النموذج وتجنب الإفراط في التخصيص. 7. اختبار النموذج: اختبر النموذج على بيانات جديدة لم يسبق له رؤيتها لتقييم أدائه في العالم الحقيقي.

أمثلة عملية

لنفترض أن النموذج تنبأ باحتمال 0.8 لصعود سعر الأصل، بينما في الواقع انخفض السعر. باستخدام Binary Cross-Entropy Loss:

-L = - [0 * log(0.8) + (1 - 0) * log(1 - 0.8)] = - log(0.2) ≈ 1.609-

إذا تنبأ النموذج باحتمال 0.2 لصعود السعر، بينما في الواقع ارتفع السعر:

-L = - [1 * log(0.2) + (1 - 1) * log(1 - 0.2)] = - log(0.2) ≈ 1.609-

كما نرى، الخسارة كبيرة في كلتا الحالتين، مما يشير إلى أن النموذج بحاجة إلى تحسين.

نصائح لتحسين أداء النموذج

تنظيم البيانات: تأكد من أن البيانات منظمة بشكل صحيح.
اختيار النموذج المناسب: اختر نموذجًا يناسب طبيعة البيانات والمشكلة.
تحسين المعلمات الفائقة: قم بضبط المعلمات الفائقة للنموذج (مثل معدل التعلم وحجم الدفعة) لتحقيق أفضل أداء.
استخدام تقنيات التنظيم: استخدم تقنيات التنظيم (مثل التسرب) لمنع الإفراط في التخصيص.
مراقبة الخسارة: راقب الخسارة أثناء التدريب للتأكد من أن النموذج يتعلم بشكل صحيح.

مفاهيم ذات صلة

استراتيجيات تداول ذات صلة

الخلاصة

Cross-Entropy Loss هي أداة قوية لتدريب نماذج التعلم الآلي المستخدمة في تداول الخيارات الثنائية. فهم كيفية عمل هذه الدالة وكيفية استخدامها يمكن أن يساعدك على بناء نماذج أكثر دقة وربحية. تذكر أن التدريب والتقييم الدقيقين هما مفتاح النجاح في هذا المجال.

ابدأ التداول الآن

سجل في IQ Option (الحد الأدنى للإيداع $10) افتح حساباً في Pocket Option (الحد الأدنى للإيداع $5)

انضم إلى مجتمعنا

اشترك في قناة Telegram الخاصة بنا @strategybin للحصول على: ✓ إشارات تداول يومية ✓ تحليلات استراتيجية حصرية ✓ تنبيهات باتجاهات السوق ✓ مواد تعليمية للمبتدئين

@@ Line 1: / Line 1: @@
 === Cross-Entropy Loss: دليل شامل للمبتدئين ===
-'''مقدمة'''
+'''Cross-Entropy Loss''' (خسارة الإنتروبيا المتقاطعة) هي إحدى دوال [[الخسارة]] الأكثر شيوعًا المستخدمة في [[التعلم الآلي]]، وخاصة في مهام [[التصنيف]]. تُستخدم على نطاق واسع في نماذج [[الشبكات العصبية]] لتقييم أداء النموذج وتوجيهه نحو تحسين دقته في التنبؤات.  هذا المقال يهدف إلى تقديم شرح مفصل ومبسط لهذا المفهوم للمبتدئين، مع التركيز على تطبيقاته في سياق [[تداول الخيارات الثنائية]] حيث التنبؤ الصحيح بالاتجاه (صعود أو هبوط) هو الأهم.
-في عالم '''التعلم الآلي''' وخصوصاً في مجال '''الشبكات العصبية'''، تُعدّ '''دوال الخسارة''' (Loss Functions) حجر الزاوية في عملية التدريب. فهي تحدد مدى جودة أداء النموذج، وتوجه عملية تعديل '''الأوزان''' (Weights) لتحسين الدقة. من بين هذه الدوال، تبرز '''Cross-Entropy Loss''' كواحدة من الأكثر استخداماً وشيوعاً، خاصةً في مهام '''التصنيف'''. يهدف هذا المقال إلى تقديم شرح مفصل ومبسط لـ Cross-Entropy Loss للمبتدئين، مع التركيز على تطبيقاتها في سياق تداول '''العملات المشفرة''' و '''الخيارات الثنائية'''، بالإضافة إلى ربطها بمفاهيم أخرى ذات صلة.
+== ما هي دوال الخسارة؟ ==
-== ما هي Cross-Entropy Loss؟ ==
+قبل الغوص في تفاصيل Cross-Entropy Loss، من المهم فهم دور [[دوال الخسارة]] بشكل عام.  دالة الخسارة تقيس الفرق بين القيم المتوقعة من النموذج والقيم الحقيقية.  كلما كانت الخسارة أقل، كان أداء النموذج أفضل. الهدف من عملية [[التدريب]] هو تقليل هذه الخسارة قدر الإمكان، وذلك عن طريق تعديل [[الأوزان]] و [[التحيزات]] داخل النموذج.  تشمل دوال الخسارة الأخرى الشائعة [[Mean Squared Error]] (متوسط مربع الخطأ) و [[Hinge Loss]].
-Cross-Entropy Loss، والمعروفة أيضاً بـ Log Loss، هي مقياس للاختلاف بين توزيعين احتماليين: التوزيع '''الحقيقي''' (True Distribution) والتوزيع '''المتوقع''' (Predicted Distribution). بعبارة أبسط، تقيس مدى قرب تنبؤات النموذج من القيم الفعلية.  تستخدم بشكل أساسي في مسائل '''التصنيف الثنائي''' (Binary Classification) و '''التصنيف متعدد الفئات''' (Multiclass Classification).
+== فهم الإنتروبيا المتقاطعة ==
-* '''التصنيف الثنائي:'''  في هذه الحالة، يكون لدينا فئتان فقط (مثلاً: شراء/بيع في تداول العملات المشفرة).
+لفهم Cross-Entropy Loss، يجب أولاً فهم مفهوم [[الإنتروبيا]].  في سياق نظرية المعلومات، تقيس الإنتروبيا كمية عدم اليقين أو العشوائية في متغير عشوائي.  ببساطة، إذا كان لدينا حدث مؤكد، فإن إنتروبيته تساوي صفرًا. أما إذا كانت هناك احتمالات متساوية لعدة نتائج، فإن إنتروبيتها تكون أعلى.
-* '''التصنيف متعدد الفئات:'''  هنا، لدينا أكثر من فئتين (مثلاً: تصنيف صور العملات المشفرة إلى Bitcoin، Ethereum، Litecoin).
-== كيف تعمل Cross-Entropy Loss؟ ==
+'''الإنتروبيا المتقاطعة''' تقيس المسافة بين توزيعين احتماليين: التوزيع الحقيقي (القيم الفعلية) والتوزيع المتوقع (التنبؤات التي يقدمها النموذج).  تعتبر Cross-Entropy Loss نسخة من الإنتروبيا المتقاطعة مصممة خصيصًا للاستخدام في سياق التعلم الآلي.
-لفهم كيفية عمل Cross-Entropy Loss، دعنا نستعرض الصيغتين الأساسيتين:
+== صيغة Cross-Entropy Loss ==
-* '''للتصنيف الثنائي:'''
+تختلف صيغة Cross-Entropy Loss قليلاً اعتمادًا على نوع مهمة التصنيف.  هناك نوعان رئيسيان:
-<math>Loss = -[y \cdot log(p) + (1-y) \cdot log(1-p)]</math>
-حيث:
-    *  '''y'''  هي القيمة الحقيقية (0 أو 1).
-    *  '''p'''  هي الاحتمالية المتوقعة (بين 0 و 1) بأن تكون القيمة 1.
-* '''للتصنيف متعدد الفئات:'''
+*   '''Binary Cross-Entropy Loss''' (خسارة الإنتروبيا المتقاطعة الثنائية): تستخدم عندما يكون لدينا فئتان فقط (مثل "صعود" أو "هبوط" في تداول الخيارات الثنائية). صيغتها هي:
-<math>Loss = -\sum_{i=1}^{C} y_i \cdot log(p_i)</math>
-حيث:
-    *  '''C'''  هو عدد الفئات.
-    *  '''y_i'''  هي القيمة الحقيقية للفئة i (0 أو 1).
-    *  '''p_i'''  هي الاحتمالية المتوقعة للفئة i.
-تُعطي هذه الصيغ قيمة خسارة أعلى عندما يكون الفرق بين التوزيع الحقيقي والمتوقع أكبر، وقيمة خسارة أقل عندما يكون التوزيع المتوقع أقرب إلى التوزيع الحقيقي. الهدف من عملية التدريب هو تقليل هذه الخسارة إلى أدنى حد ممكن.
+    -L = - [y * log(p) + (1 - y) * log(1 - p)]-
-== تطبيقات Cross-Entropy Loss في تداول العملات المشفرة والخيارات الثنائية ==
+    حيث:
+    *   '''L''' هي الخسارة.
+    *   '''y''' هي القيمة الحقيقية (0 أو 1).
+    *   '''p''' هو الاحتمال المتوقع الذي يرجحه النموذج للفئة الإيجابية (مثل احتمال صعود السعر).
-في سياق تداول العملات المشفرة، يمكن استخدام Cross-Entropy Loss في العديد من التطبيقات، بما في ذلك:
+*   '''Categorical Cross-Entropy Loss''' (خسارة الإنتروبيا المتقاطعة الفئوية): تستخدم عندما يكون لدينا أكثر من فئتين. صيغتها أكثر تعقيدًا، وتتضمن جمع الخسائر لكل فئة.
-* '''التنبؤ باتجاه السعر:'''  بناء نموذج يتنبأ بما إذا كان سعر عملة مشفرة معينة سيرتفع أم سينخفض.
+== Cross-Entropy Loss وتداول الخيارات الثنائية ==
-* '''تصنيف أخبار العملات المشفرة:'''  تصنيف الأخبار إلى إيجابية أو سلبية أو محايدة، مما يساعد في اتخاذ قرارات تداول مستنيرة.
-* '''التحقق من صحة الصفقات:'''  تقييم احتمالية نجاح صفقة تداول بناءً على بيانات السوق.
-في تداول '''الخيارات الثنائية'''، غالباً ما يستخدم Cross-Entropy Loss لتدريب نماذج تتنبأ بنتيجة الخيار (صحيح أو خاطئ).  إن قدرة النموذج على التمييز بدقة بين هذين الاحتمالين هي مفتاح الربحية.
+في تداول الخيارات الثنائية، غالبًا ما تكون مهمة التنبؤ بسيطة: هل سيرتفع سعر الأصل أم سينخفض؟  هذا يجعل Binary Cross-Entropy Loss الخيار الأمثل.  الهدف هو تدريب نموذج (مثل [[شبكة عصبية متكررة]] أو [[شبكة عصبية التفافية]]) للتنبؤ باحتمال صعود السعر.  إذا كان النموذج يتنبأ باحتمال مرتفع جدًا لصعود السعر بينما السعر في الواقع ينخفض، فإن الخسارة ستكون كبيرة.  وبالمثل، إذا كان النموذج يتنبأ باحتمال منخفض جدًا لصعود السعر بينما السعر يرتفع، فستكون الخسارة كبيرة أيضًا.
-== العلاقة بين Cross-Entropy Loss و دوال أخرى ==
+== كيفية استخدام Cross-Entropy Loss في عملية التدريب ==
-* '''Mean Squared Error (MSE):'''  دالة خسارة أخرى شائعة، لكنها أقل فعالية في مهام التصنيف مقارنة بـ Cross-Entropy Loss.
+.  '''جمع البيانات:''' جمع بيانات تاريخية تتضمن أسعار الأصول وإشارات التداول (صعود أو هبوط).
-* '''Softmax Function:'''  غالبًا ما تستخدم مع Cross-Entropy Loss في التصنيف متعدد الفئات لتحويل مخرجات النموذج إلى توزيع احتمالي.
+.  '''إعداد البيانات:''' قم بتنظيف البيانات وتقسيمها إلى مجموعات تدريب وتقييم واختبار.
-* '''Sigmoid Function:'''  تستخدم في التصنيف الثنائي لإنتاج احتمالية بين 0 و 1.
+.  '''بناء النموذج:''' قم بإنشاء نموذج [[التعلم العميق]] المناسب (مثل [[LSTM]] أو [[GRU]]).
-* '''Gradient Descent:'''  خوارزمية تستخدم لتقليل دالة الخسارة عن طريق تعديل الأوزان.
+.  '''تدريب النموذج:''' استخدم بيانات التدريب لحساب الخسارة باستخدام Binary Cross-Entropy Loss.
-* '''Backpropagation:'''  طريقة لحساب تدرجات الخسارة بالنسبة للأوزان.
+.  '''تحسين النموذج:''' استخدم [[خوارزمية التدرج]] (مثل [[Adam]] أو [[SGD]]) لضبط أوزان النموذج لتقليل الخسارة.
+.  '''تقييم النموذج:''' استخدم بيانات التقييم لتقييم أداء النموذج وتجنب [[الإفراط في التخصيص]].
+.  '''اختبار النموذج:''' اختبر النموذج على بيانات جديدة لم يسبق له رؤيتها لتقييم أدائه في العالم الحقيقي.
-==  استراتيجيات متقدمة و أدوات ذات صلة ==
+== أمثلة عملية ==
-* '''التحليل الفني:'''  دراسة الرسوم البيانية للأسعار لتحديد الاتجاهات والأنماط. [[الشموع اليابانية]]، [[مؤشر القوة النسبية]]، [[متوسطات متحركة]].
+لنفترض أن النموذج تنبأ باحتمال 0.8 لصعود سعر الأصل، بينما في الواقع انخفض السعر. باستخدام Binary Cross-Entropy Loss:
-* '''التحليل الأساسي:'''  تقييم العوامل الاقتصادية والمالية التي تؤثر على سعر العملة المشفرة. [[العرض والطلب]]، [[التحليل المالي]].
-* '''تحليل حجم التداول:'''  دراسة حجم التداول لتحديد قوة الاتجاهات. [[حجم التداول]]، [[مؤشر التراكم/التوزيع]].
+-L = - [0 * log(0.8) + (1 - 0) * log(1 - 0.8)] = - log(0.2) ≈ 1.609-
-* '''إدارة المخاطر:'''  تقنيات للحد من الخسائر المحتملة.  [[وقف الخسارة]]، [[جني الأرباح]].
-* '''التعلم المعزز:'''  تدريب النموذج من خلال المكافآت والعقوبات. [[Q-Learning]]، [[Deep Q-Network]].
+إذا تنبأ النموذج باحتمال 0.2 لصعود السعر، بينما في الواقع ارتفع السعر:
-* '''الشبكات العصبية التلافيفية (CNN):'''  تستخدم في معالجة الصور والبيانات الزمنية. [[الطبقات التلافيفية]]، [[التجميع]].
-* '''الشبكات العصبية المتكررة (RNN):'''  تستخدم في معالجة البيانات المتسلسلة. [[LSTM]]، [[GRU]].
+-L = - [1 * log(0.2) + (1 - 1) * log(1 - 0.2)] = - log(0.2) ≈ 1.609-
-* '''التعلم العميق:'''  استخدام شبكات عصبية ذات طبقات متعددة. [[الطبقات المخفية]]، [[التدريب].
-* '''التحسين الزخم:'''  تسريع عملية التدريب. [[Momentum]]، [[Adam]].
+كما نرى، الخسارة كبيرة في كلتا الحالتين، مما يشير إلى أن النموذج بحاجة إلى تحسين.
-* '''التنظيم (Regularization):'''  منع الإفراط في التخصيص (Overfitting). [[L1 التنظيم]]، [[L2 التنظيم]].
-* '''التحقق المتقاطع:'''  تقييم أداء النموذج على بيانات غير مرئية. [[K-Fold Cross-Validation]].
+== نصائح لتحسين أداء النموذج ==
-* '''تحليل المشاعر:'''  تحديد المشاعر في النصوص المتعلقة بالعملات المشفرة. [[معالجة اللغة الطبيعية]].
-* '''التحليل الفني القائم على الذكاء الاصطناعي:'''  استخدام الذكاء الاصطناعي لتحديد أنماط التداول. [[التعرف على الأنماط]].
+*   '''تنظيم البيانات:''' تأكد من أن البيانات منظمة بشكل صحيح.
-* '''استراتيجيات التداول الخوارزمي:'''  تنفيذ الصفقات تلقائيًا بناءً على قواعد محددة. [[التداول عالي التردد]].
+*   '''اختيار النموذج المناسب:''' اختر نموذجًا يناسب طبيعة البيانات والمشكلة.
-* '''تحليل السلاسل الزمنية:'''  التنبؤ بالأسعار المستقبلية بناءً على البيانات التاريخية. [[ARIMA]].
+*   '''تحسين المعلمات الفائقة:''' قم بضبط المعلمات الفائقة للنموذج (مثل معدل التعلم وحجم الدفعة) لتحقيق أفضل أداء.
+*   '''استخدام تقنيات التنظيم:''' استخدم تقنيات التنظيم (مثل [[التسرب]]) لمنع الإفراط في التخصيص.
+*   '''مراقبة الخسارة:''' راقب الخسارة أثناء التدريب للتأكد من أن النموذج يتعلم بشكل صحيح.
+== مفاهيم ذات صلة ==
+*   [[الشبكات العصبية]]
+*   [[التعلم العميق]]
+*   [[الخوارزميات الجينية]]
+*   [[تحليل البيانات]]
+*   [[التحليل الفني]]
+*   [[تحليل حجم التداول]]
+*   [[مؤشر القوة النسبية]] (RSI)
+*   [[التقارب والتباعد للمتوسطات المتحركة]] (MACD)
+*   [[خطوط بولينجر]]
+*   [[مستويات فيبوناتشي]]
+*   [[أنماط الشموع اليابانية]]
+*   [[التحليل الأساسي]]
+*   [[إدارة المخاطر]]
+*   [[تنويع المحفظة]]
+*   [[التحليل العاطفي]]
+*   [[التعلم المعزز]]
+*   [[الشبكات العصبية التلافيفية]] (CNN)
+*   [[الشبكات العصبية المتكررة]] (RNN)
+*   [[LSTM]]
+*   [[GRU]]
+== استراتيجيات تداول ذات صلة ==
+*   [[استراتيجية المتوسط المتحرك]]
+*   [[استراتيجية الاختراق]]
+*   [[استراتيجية الارتداد]]
+*   [[استراتيجية التداول المتأرجح]]
+*   [[استراتيجية التداول اليومي]]
+*   [[استراتيجية المضاربة]]
+*   [[استراتيجية المتابعة بالاتجاه]]
+*   [[استراتيجية مارتينجال]]
+*   [[استراتيجية فيبوناتشي]]
+*   [[استراتيجية RSI]]
+*   [[استراتيجية MACD]]
+*   [[استراتيجية بولينجر باند]]
+*   [[استراتيجية الشموع اليابانية]]
+*   [[استراتيجية التحليل العاطفي]]
+*   [[استراتيجية التعلم المعزز]]
 == الخلاصة ==
-Cross-Entropy Loss هي أداة قوية وضرورية لأي شخص يعمل في مجال التعلم الآلي، وخاصة في مهام التصنيف. فهم كيفية عملها وكيفية تطبيقها يمكن أن يحسن بشكل كبير أداء نماذج التداول الخاصة بك، سواء في سوق العملات المشفرة أو تداول الخيارات الثنائية.  تذكر أن النجاح في هذا المجال يتطلب مزيجًا من المعرفة التقنية، والتحليل الدقيق، وإدارة المخاطر الحكيمة.
+Cross-Entropy Loss هي أداة قوية لتدريب نماذج التعلم الآلي المستخدمة في تداول الخيارات الثنائية. فهم كيفية عمل هذه الدالة وكيفية استخدامها يمكن أن يساعدك على بناء نماذج أكثر دقة وربحية. تذكر أن التدريب والتقييم الدقيقين هما مفتاح النجاح في هذا المجال.
-[[Category:الفئة:دوال_الخسارة]]
+[[Category:دوال_الخسارة]]
 == ابدأ التداول الآن ==