ImageNet: Difference between revisions

Revision as of 13:08, 24 April 2025

ImageNet: نظرة شاملة للمبتدئين

ImageNet هي مجموعة بيانات ضخمة ومؤثرة للغاية في مجال التعلم الآلي و رؤية الكمبيوتر. تعتبر حجر الزاوية في تطوير العديد من الشبكات العصبية الحديثة، وتحديداً في مجال التعرف على الصور. يهدف هذا المقال إلى تقديم نظرة شاملة للمبتدئين حول ImageNet، بدءًا من تاريخها وصولًا إلى استخداماتها وتأثيرها.

تاريخ ImageNet

بدأ مشروع ImageNet في عام 2009 بقيادة لي في-في (Li Fei-Fei) وفريقها في جامعة ستانفورد. كان الهدف الأساسي هو توفير مجموعة بيانات منظمة وواسعة النطاق لتدريب وتقييم نماذج رؤية الكمبيوتر. قبل ImageNet، كانت مجموعات البيانات المتاحة صغيرة جدًا وغير كافية لتدريب نماذج قوية.

محتويات ImageNet

تحتوي ImageNet على أكثر من 14 مليون صورة، تم تنظيمها وفقًا لتسلسل هرمي يسمى WordNet. يضم WordNet أكثر من 20 ألف فئة من الكائنات والأشياء. يتم تصنيف الصور في ImageNet بناءً على هذه الفئات، مما يسمح للنماذج بالتعرف على مجموعة واسعة من الأشياء.

| خاصية | قيمة | |---|---| | عدد الصور | أكثر من 14 مليون | | عدد الفئات | أكثر من 20,000 | | التنظيم | تسلسل هرمي (WordNet) | | نوع البيانات | صور ملونة | | التنسيق | JPEG |

ImageNet Large Scale Visual Recognition Challenge (ILSVRC)

أحد أهم جوانب ImageNet هو تحدي ILSVRC الذي أُقيم سنويًا من عام 2010 إلى 2017. يهدف هذا التحدي إلى تقييم أداء نماذج التعرف على الصور في تحديد وتصنيف الصور في مجموعة فرعية من ImageNet تحتوي على 1000 فئة.

كان ILSVRC بمثابة منصة رئيسية لدفع عجلة التقدم في مجال رؤية الكمبيوتر. في عام 2012، حقق نموذج AlexNet، وهو شبكة عصبية عميقة، اختراقًا كبيرًا في ILSVRC، حيث حقق دقة أعلى بكثير من النماذج السابقة. أدى ذلك إلى زيادة الاهتمام بالشبكات العصبية العميقة وتطبيقاتها في رؤية الكمبيوتر.

استخدامات ImageNet

تستخدم ImageNet في مجموعة واسعة من التطبيقات، بما في ذلك:

التعرف على الصور: تدريب النماذج على التعرف على الكائنات والأشياء في الصور.
اكتشاف الكائنات: تحديد مواقع الكائنات في الصور.
تجزئة الصور: تقسيم الصورة إلى مناطق مختلفة بناءً على محتواها.
إنشاء الصور: استخدام نماذج التعلم العميق لإنشاء صور جديدة.
القيادة الذاتية: التعرف على الأشياء في البيئة المحيطة بالسيارة.
التشخيص الطبي: تحليل الصور الطبية للكشف عن الأمراض.
الروبوتات: تمكين الروبوتات من فهم البيئة المحيطة بها.

تأثير ImageNet

كان ImageNet له تأثير كبير على مجال التعلم الآلي ورؤية الكمبيوتر. لقد ساهم في:

تسريع التقدم: توفير مجموعة بيانات موحدة لتدريب وتقييم النماذج.
تطوير نماذج جديدة: إلهام الباحثين لتطوير نماذج أكثر قوة ودقة.
توسيع نطاق التطبيقات: فتح الباب أمام تطبيقات جديدة في مختلف المجالات.
التحول إلى التعلم العميق: لعب دورًا حاسمًا في صعود التعلم العميق كتقنية رائدة في رؤية الكمبيوتر.

تحديات ImageNet

على الرغم من أهمية ImageNet، إلا أنها تواجه بعض التحديات:

التحيز: قد تحتوي الصور في ImageNet على تحيزات ثقافية أو اجتماعية.
التعقيد: حجم ImageNet الكبير يمكن أن يجعل التدريب مكلفًا ويستغرق وقتًا طويلاً.
التمثيل: قد لا تمثل ImageNet بشكل كامل التنوع الموجود في العالم الحقيقي.
الاعتماد على التصنيفات: الاعتماد على تصنيفات WordNet قد يكون مقيدًا في بعض الحالات.

بدائل ImageNet

مع ظهور تحديات ImageNet، ظهرت مجموعات بيانات بديلة، مثل:

Open Images Dataset: مجموعة بيانات أكبر وأكثر تنوعًا.
COCO (Common Objects in Context): تركز على اكتشاف الكائنات وتجزئة الصور.
Visual Genome: توفر معلومات مفصلة حول المشاهد في الصور.
Places365: تركز على التعرف على المشاهد الطبيعية والمبنية.

استراتيجيات التداول ذات الصلة

على الرغم من أن ImageNet ليست مرتبطة بشكل مباشر بتداول الخيارات الثنائية، إلا أن تطبيقات رؤية الكمبيوتر التي تعتمد عليها يمكن أن تؤثر على الأسواق المالية. على سبيل المثال:

التحليل الأساسي للصور: استخدام رؤية الكمبيوتر لتحليل صور الأقمار الصناعية لتقييم المحاصيل الزراعية والتنبؤ بأسعار السلع.
التحليل الفني للصور: استخدام رؤية الكمبيوتر لتحديد الأنماط في الرسوم البيانية للأسهم.
تداول الخوارزمي: استخدام الخوارزميات التي تعتمد على رؤية الكمبيوتر لاتخاذ قرارات التداول.
تحليل المشاعر: استخدام رؤية الكمبيوتر لتحليل تعابير الوجه في مقابلات تلفزيونية لتقييم ثقة المستثمرين.
تداول الأخبار: معالجة الصور المصاحبة للأخبار المالية باستخدام رؤية الكمبيوتر لاستخلاص معلومات ذات صلة.
استراتيجية المتوسط المتحرك: يمكن استخدام رؤية الكمبيوتر لتحديد نقاط التحول في المتوسطات المتحركة.
استراتيجية اختراق الدعم والمقاومة: يمكن استخدام رؤية الكمبيوتر لتحديد مستويات الدعم والمقاومة.
استراتيجية مؤشر القوة النسبية (RSI): يمكن استخدام رؤية الكمبيوتر لتحليل الرسوم البيانية لتحديد ظروف ذروة الشراء أو ذروة البيع.
استراتيجية MACD: يمكن استخدام رؤية الكمبيوتر لتحديد تقاطعات MACD.
استراتيجية بولينجر باندز: يمكن استخدام رؤية الكمبيوتر لتحديد الاختراقات في نطاقات بولينجر.
تحليل حجم التداول: استخدام رؤية الكمبيوتر لتحليل حجم التداول وتحديد الأنماط.
تحليل الشموع اليابانية: استخدام رؤية الكمبيوتر للتعرف على أنماط الشموع اليابانية.
استراتيجية فيبوناتشي: استخدام رؤية الكمبيوتر لتحديد مستويات فيبوناتشي.
استراتيجية Elliot Wave: استخدام رؤية الكمبيوتر لتحديد موجات إليوت.
استراتيجية Ichimoku Cloud: استخدام رؤية الكمبيوتر لتحليل سحابة Ichimoku.

مستقبل ImageNet

من المتوقع أن يستمر ImageNet في لعب دور مهم في مجال التعلم الآلي ورؤية الكمبيوتر. مع تطور التقنيات، ستظهر مجموعات بيانات جديدة وأكثر تطوراً، لكن ImageNet ستبقى نقطة مرجعية مهمة ومصدر إلهام للباحثين والمهندسين.

روابط ذات صلة

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: @@
-=== ImageNet: دليل شامل للمبتدئين ===
+# ImageNet: نظرة شاملة للمبتدئين
-'''ImageNet''' هي مجموعة بيانات ضخمة مصممة لدعم أبحاث [[الرؤية الحاسوبية]]، وتحديدًا في مجال [[التعرف على الصور]]. تعتبر ImageNet حجر الزاوية في تطوير العديد من [[خوارزميات التعلم الآلي]] الحديثة، خاصةً في مجال [[الشبكات العصبية التلافيفية]] (Convolutional Neural Networks أو CNNs).  هذا المقال يقدم شرحًا تفصيليًا لـ ImageNet للمبتدئين، مع التركيز على أهميتها وتطبيقاتها.
+'''ImageNet''' هي مجموعة بيانات ضخمة ومؤثرة للغاية في مجال [[التعلم الآلي]] و [[رؤية الكمبيوتر]]. تعتبر حجر الزاوية في تطوير العديد من [[الشبكات العصبية]] الحديثة، وتحديداً في مجال [[التعرف على الصور]]. يهدف هذا المقال إلى تقديم نظرة شاملة للمبتدئين حول ImageNet، بدءًا من تاريخها وصولًا إلى استخداماتها وتأثيرها.
-== ما هي ImageNet؟ ==
+== تاريخ ImageNet ==
-ImageNet ليست مجرد صورة واحدة، بل هي قاعدة بيانات منظمة تحتوي على أكثر من 14 مليون صورة، مُنظمة وفقًا لـ '''WordNet'''، وهي قاعدة بيانات معجمية إنجليزية.  WordNet ترتب الكلمات في مجموعات دلالية (synsets)، وكل synset يمثل مفهومًا فريدًا.  ImageNet تسعى إلى توفير صور تمثل كل synset في WordNet، مما يوفر مجموعة بيانات واسعة ومتنوعة لتدريب نماذج التعلم الآلي.
+بدأ مشروع ImageNet في عام 2009 بقيادة لي في-في (Li Fei-Fei) وفريقها في جامعة ستانفورد. كان الهدف الأساسي هو توفير مجموعة بيانات منظمة وواسعة النطاق لتدريب وتقييم نماذج رؤية الكمبيوتر. قبل ImageNet، كانت مجموعات البيانات المتاحة صغيرة جدًا وغير كافية لتدريب نماذج قوية.
-| الخاصية | القيمة |
+== محتويات ImageNet ==
+تحتوي ImageNet على أكثر من 14 مليون صورة، تم تنظيمها وفقًا لتسلسل هرمي يسمى [[WordNet]]. يضم WordNet أكثر من 20 ألف فئة من الكائنات والأشياء. يتم تصنيف الصور في ImageNet بناءً على هذه الفئات، مما يسمح للنماذج بالتعرف على مجموعة واسعة من الأشياء.
+| خاصية | قيمة |
 |---|---|
 | عدد الصور | أكثر من 14 مليون |
 | عدد الفئات | أكثر من 20,000 |
-| التنظيم | WordNet |
+| التنظيم | تسلسل هرمي (WordNet) |
-| الهدف الرئيسي | تطوير الرؤية الحاسوبية |
+| نوع البيانات | صور ملونة |
-| تنسيق الصور | متنوع (JPEG, PNG, إلخ) |
+| التنسيق | JPEG |
 == ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ==
-أكثر ما تشتهر به ImageNet هو تحدي '''ILSVRC'''، وهو مسابقة سنوية كانت تجرى من 2010 إلى 2017.  يهدف التحدي إلى تقييم أداء [[خوارزميات التعرف على الصور]] على مجموعة فرعية من ImageNet تحتوي على 1000 فئة.  كان ILSVRC بمثابة محفز كبير للتقدم في مجال [[التعلم العميق]]، حيث شهدنا تحسينات كبيرة في دقة نماذج التعرف على الصور على مر السنين.  النتائج الأولية كانت متواضعة، لكن مع ظهور الشبكات العصبية التلافيفية العميقة (Deep CNNs) مثل AlexNet في عام 2012، تحسنت الدقة بشكل كبير.
+أحد أهم جوانب ImageNet هو تحدي ILSVRC الذي أُقيم سنويًا من عام 2010 إلى 2017. يهدف هذا التحدي إلى تقييم أداء نماذج التعرف على الصور في تحديد وتصنيف الصور في مجموعة فرعية من ImageNet تحتوي على 1000 فئة.
+كان ILSVRC بمثابة منصة رئيسية لدفع عجلة التقدم في مجال رؤية الكمبيوتر. في عام 2012، حقق نموذج [[AlexNet]]، وهو شبكة عصبية عميقة، اختراقًا كبيرًا في ILSVRC، حيث حقق دقة أعلى بكثير من النماذج السابقة. أدى ذلك إلى زيادة الاهتمام بالشبكات العصبية العميقة وتطبيقاتها في رؤية الكمبيوتر.
+== استخدامات ImageNet ==
-== أهمية ImageNet ==
+تستخدم ImageNet في مجموعة واسعة من التطبيقات، بما في ذلك:
-تكمن أهمية ImageNet في عدة جوانب:
+*   '''التعرف على الصور:''' تدريب النماذج على التعرف على الكائنات والأشياء في الصور.
+*   '''اكتشاف الكائنات:''' تحديد مواقع الكائنات في الصور.
+*   '''تجزئة الصور:''' تقسيم الصورة إلى مناطق مختلفة بناءً على محتواها.
+*   '''إنشاء الصور:''' استخدام نماذج التعلم العميق لإنشاء صور جديدة.
+*   '''القيادة الذاتية:''' التعرف على الأشياء في البيئة المحيطة بالسيارة.
+*   '''التشخيص الطبي:''' تحليل الصور الطبية للكشف عن الأمراض.
+*   '''الروبوتات:''' تمكين الروبوتات من فهم البيئة المحيطة بها.
-*   '''حجم البيانات:'''  توفر ImageNet كمية هائلة من البيانات التي تسمح بتدريب نماذج تعلم آلي قوية ودقيقة.
+== تأثير ImageNet ==
-*   '''التنوع:'''  تغطي ImageNet مجموعة واسعة من الفئات والأشياء، مما يجعل النماذج المدربة عليها أكثر عمومية وقدرة على التعامل مع صور جديدة.
-*   '''التنظيم الهرمي:'''  تنظيم ImageNet وفقًا لـ WordNet يوفر معلومات دلالية إضافية يمكن أن تساعد في تحسين أداء النماذج.
-*   '''القياس المرجعي:'''  ILSVRC يوفر معيارًا مرجعيًا لتقييم أداء [[خوارزميات التعرف على الصور]] المختلفة.
-== تطبيقات ImageNet ==
+كان ImageNet له تأثير كبير على مجال التعلم الآلي ورؤية الكمبيوتر. لقد ساهم في:
-تستخدم ImageNet في مجموعة متنوعة من التطبيقات، بما في ذلك:
+*   '''تسريع التقدم:''' توفير مجموعة بيانات موحدة لتدريب وتقييم النماذج.
+*   '''تطوير نماذج جديدة:''' إلهام الباحثين لتطوير نماذج أكثر قوة ودقة.
+*   '''توسيع نطاق التطبيقات:''' فتح الباب أمام تطبيقات جديدة في مختلف المجالات.
+*   '''التحول إلى التعلم العميق:''' لعب دورًا حاسمًا في صعود التعلم العميق كتقنية رائدة في رؤية الكمبيوتر.
-*   '''القيادة الذاتية:'''  التعرف على الأشياء في البيئة المحيطة بالسيارة (مثل المشاة، السيارات، إشارات المرور).
+== تحديات ImageNet ==
-*   '''التشخيص الطبي:'''  تحليل الصور الطبية (مثل الأشعة السينية، التصوير بالرنين المغناطيسي) للمساعدة في تشخيص الأمراض.
-*   '''الأمن والمراقبة:'''  التعرف على الوجوه والكشف عن الأنشطة المشبوهة في كاميرات المراقبة.
-*   '''الواقع المعزز:'''  إضافة معلومات رقمية إلى الصور الواقعية.
-*   '''البحث عن الصور:'''  البحث عن الصور بناءً على محتواها.
-== بدائل ImageNet ==
+على الرغم من أهمية ImageNet، إلا أنها تواجه بعض التحديات:
-على الرغم من أهمية ImageNet، هناك بعض القيود، مثل التحيز المحتمل في البيانات.  لذلك، تم تطوير مجموعات بيانات بديلة، مثل:
+*   '''التحيز:''' قد تحتوي الصور في ImageNet على تحيزات ثقافية أو اجتماعية.
+*   '''التعقيد:''' حجم ImageNet الكبير يمكن أن يجعل التدريب مكلفًا ويستغرق وقتًا طويلاً.
+*   '''التمثيل:''' قد لا تمثل ImageNet بشكل كامل التنوع الموجود في العالم الحقيقي.
+*   '''الاعتماد على التصنيفات:''' الاعتماد على تصنيفات WordNet قد يكون مقيدًا في بعض الحالات.
-*   '''Open Images Dataset:'''  مجموعة بيانات مفتوحة المصدر تحتوي على أكثر من 9 ملايين صورة.
+== بدائل ImageNet ==
-*   '''COCO (Common Objects in Context):'''  مجموعة بيانات تركز على اكتشاف وتجزئة الكائنات في الصور.
-*   '''Visual Genome:'''  مجموعة بيانات توفر وصفًا تفصيليًا للمشاهد في الصور.
-== استخدام ImageNet في التداول ==
+مع ظهور تحديات ImageNet، ظهرت مجموعات بيانات بديلة، مثل:
-قد يبدو ربط ImageNet بـ [[تداول الخيارات الثنائية]] غير مباشر، ولكنه يكمن في فهم [[تحليل الصور]] المستخدم في الخوارزميات التي يمكن تطبيقها على البيانات المالية.  على سبيل المثال، يمكن استخدام تقنيات الرؤية الحاسوبية لتحليل الرسوم البيانية للأسعار (Price Charts) كصور، والبحث عن أنماط معينة تشير إلى فرص تداول.  كما يمكن تحليل الأخبار والصور المتعلقة بالشركات لتقييم المشاعر (Sentiment Analysis) والتنبؤ بحركة الأسعار.
+*   '''Open Images Dataset:''' مجموعة بيانات أكبر وأكثر تنوعًا.
+*   '''COCO (Common Objects in Context):''' تركز على اكتشاف الكائنات وتجزئة الصور.
+*   '''Visual Genome:''' توفر معلومات مفصلة حول المشاهد في الصور.
+*   '''Places365:''' تركز على التعرف على المشاهد الطبيعية والمبنية.
 == استراتيجيات التداول ذات الصلة ==
-*   [[التحليل الفني]]
+على الرغم من أن ImageNet ليست مرتبطة بشكل مباشر بتداول الخيارات الثنائية، إلا أن تطبيقات رؤية الكمبيوتر التي تعتمد عليها يمكن أن تؤثر على الأسواق المالية. على سبيل المثال:
-*   [[تحليل حجم التداول]]
-*   [[استراتيجية الاختراق]]
-*   [[استراتيجية الارتداد]]
-*   [[تداول الاتجاه]]
-*   [[تداول النطاق]]
-*   [[تداول الأخبار]]
-*   [[تداول الخوارزمي]]
-*   [[تداول المومنتوم]]
-*   [[استراتيجية مارتينجال]]
-*   [[استراتيجية فيبوناتشي]]
-*   [[استراتيجية بولينجر باندز]]
-*   [[استراتيجية المتوسطات المتحركة]]
-*   [[استراتيجية RSI]]
-*   [[استراتيجية MACD]]
-== تقنيات تحليل الصور في التداول ==
+*   '''التحليل الأساسي للصور:''' استخدام رؤية الكمبيوتر لتحليل صور الأقمار الصناعية لتقييم المحاصيل الزراعية والتنبؤ بأسعار السلع.
+*   '''التحليل الفني للصور:''' استخدام رؤية الكمبيوتر لتحديد الأنماط في الرسوم البيانية للأسهم.
+*   '''تداول الخوارزمي:''' استخدام الخوارزميات التي تعتمد على رؤية الكمبيوتر لاتخاذ قرارات التداول.
+*   '''تحليل المشاعر:''' استخدام رؤية الكمبيوتر لتحليل تعابير الوجه في مقابلات تلفزيونية لتقييم ثقة المستثمرين.
+*   '''تداول الأخبار:''' معالجة الصور المصاحبة للأخبار المالية باستخدام رؤية الكمبيوتر لاستخلاص معلومات ذات صلة.
+*   '''استراتيجية المتوسط المتحرك:''' يمكن استخدام رؤية الكمبيوتر لتحديد نقاط التحول في المتوسطات المتحركة.
+*   '''استراتيجية اختراق الدعم والمقاومة:''' يمكن استخدام رؤية الكمبيوتر لتحديد مستويات الدعم والمقاومة.
+*   '''استراتيجية مؤشر القوة النسبية (RSI):''' يمكن استخدام رؤية الكمبيوتر لتحليل الرسوم البيانية لتحديد ظروف ذروة الشراء أو ذروة البيع.
+*   '''استراتيجية MACD:''' يمكن استخدام رؤية الكمبيوتر لتحديد تقاطعات MACD.
+*   '''استراتيجية بولينجر باندز:''' يمكن استخدام رؤية الكمبيوتر لتحديد الاختراقات في نطاقات بولينجر.
+*   '''تحليل حجم التداول:''' استخدام رؤية الكمبيوتر لتحليل حجم التداول وتحديد الأنماط.
+*   '''تحليل الشموع اليابانية:''' استخدام رؤية الكمبيوتر للتعرف على أنماط الشموع اليابانية.
+*   '''استراتيجية فيبوناتشي:''' استخدام رؤية الكمبيوتر لتحديد مستويات فيبوناتشي.
+*   '''استراتيجية Elliot Wave:''' استخدام رؤية الكمبيوتر لتحديد موجات إليوت.
+*   '''استراتيجية Ichimoku Cloud:''' استخدام رؤية الكمبيوتر لتحليل سحابة Ichimoku.
-*   [[التعرف على الأنماط]]
+== مستقبل ImageNet ==
-*   [[معالجة الصور]]
-*   [[الرؤية الحاسوبية]]
-*   [[الشبكات العصبية التلافيفية]]
-*   [[التعلم العميق]]
-== مصادر إضافية ==
+من المتوقع أن يستمر ImageNet في لعب دور مهم في مجال التعلم الآلي ورؤية الكمبيوتر. مع تطور التقنيات، ستظهر مجموعات بيانات جديدة وأكثر تطوراً، لكن ImageNet ستبقى نقطة مرجعية مهمة ومصدر إلهام للباحثين والمهندسين.
-*   [[ImageNet website]]: [[https://www.image-net.org/]]
+== روابط ذات صلة ==
-*   [[WordNet]]: [[https://wordnet.princeton.edu/]]
-*   [[ILSVRC]]: [[http://www.image-net.org/challenges/LSVRC/]]
-*   [[التعلم الآلي]]: [[https://ar.wikipedia.org/wiki/%D8%AA%D8%B9%D9%84%D9%85_%D8%A7%D9%84%D8%A2%D9%84%D9%8A]]
-*   [[الذكاء الاصطناعي]]: [[https://ar.wikipedia.org/wiki/%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1_%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A]]
-آمل أن يكون هذا المقال قد قدم لك فهمًا شاملاً لـ ImageNet وأهميته.  تذكر أن ImageNet ليست مجرد مجموعة بيانات، بل هي محفز للابتكار في مجال [[الذكاء الاصطناعي]] و[[الرؤية الحاسوبية]].
+*   [[التعلم الآلي]]
+*   [[رؤية الكمبيوتر]]
+*   [[الشبكات العصبية]]
+*   [[التعرف على الصور]]
+*   [[WordNet]]
+*   [[AlexNet]]
+*   [[التعلم العميق]]
+*   [[Open Images Dataset]]
+*   [[COCO]]
+*   [[Visual Genome]]
+*   [[Places365]]
+*   [[التحليل الفني]]
+*   [[التحليل الأساسي]]
+*   [[تداول الخوارزمي]]
+*   [[مؤشر القوة النسبية (RSI)]]
+*   [[المتوسط المتحرك]]
+*   [[الدعم والمقاومة]]
+*   [[MACD]]
+*   [[بولينجر باندز]]
+*   [[فيبوناتشي]]
+*   [[Elliot Wave]]
+*   [[Ichimoku Cloud]]
+*   [[حجم التداول]]
+*   [[الشموع اليابانية]]
-[[Category:الفئة:مجموعات_بيانات_التعلم_الآلي]]
+[[Category:**الفئة:مجموعات_بيانات**]]
 == ابدأ التداول الآن ==