اسم المدرس:تريفونوفا ناديجدا فياتشيسلافوفنا

مؤسسة تعليمية:مدرسة GBOU الثانوية pos. سورجوت

غرض:المعلوماتية

فصل: 7 (مجموعة واحدة)

موضوع الدرس:"تصور المعلومات في المستندات النصية"

الغرض من الدرس:الإلمام بالطرق الرئيسية لتصور المعلومات وتكوين فهم واع للحاجة إلى استخدام هذه الأداة في الحياة.

النتائج التعليمية المخطط لها:

موضوع:

موضوع التعريف:

شخصي:

• تكوين فكرة عن بيئة البرامج الخاصة بمجموعة المكاتب وقدراتها ؛

  القدرة على العمل مع البرامج المكتبية لإنشاء الكتيبات.

  أفكار حول مفاهيم القسم قيد الدراسة: المعلومات ، طرق تقديم المعلومات المرئية ؛

  تكوين مهارات هيكلة المعلومات ؛

  تنظيمي:

  ذهني:

  اتصالي:

  حيازة التحليل والتركيب والمقارنة وتعميم المعلومات ؛

  امتلاك أساسيات التقييم الذاتي لنتائجها ؛

  البحث واختيار المعلومات المتعلقة بالمهمة ؛

  هيكلة وتصور المعلومات ؛

  حل المشكلات ذات الطبيعة الإبداعية والاستكشافية ؛

  معرفة نمذجة المعلومات ؛

  كفاءة تكنولوجيا المعلومات والاتصالات.

  تكوين مهارة العمل في أزواج ؛

  تكوين القدرة على الاستماع والاستماع إلى آراء الآخرين ؛

  مراعاة معايير الخطاب العام ، والقواعد في المونولوج وفقًا لمهمة التواصل ؛

  إبداء الرأي وتبريره (الحكم) وطلب رأي الشريك في إطار الحوار.

  استعداد الطلاب وقدرتهم على التطوير الذاتي والتعليم الذاتي على أساس الدافع للتعلم والإدراك ؛

  القدرة على ربط المحتوى التعليمي بخبرات المرء الحياتية ؛

  أهمية التدريب في مجال المعلوماتية وتكنولوجيا المعلومات والاتصالات في سياق تنمية مجتمع المعلومات.

محتوى البرنامج:مستندات نصية. معالجة المعلومات الرسومية. عمليات المعلومات والمعلومات.

المفاهيم الأساسية ومكونات المعرفة العلمية الأخرى حول هذا الموضوع:

تصور المعلومات وأنواعها: الرسوم البيانية والرسوم التوضيحية والقوائم والجداول ؛

أنواع القوائم

فكرة عن الإمكانيات والأدوات في برنامج الرسام القياسي ؛

فهم الوظائف والأدوات الرئيسية لمجموعة مكتب MS Office Publisher ؛

معرفة التركيبات الأساسية "للمفاتيح السريعة" لاختيار الكائن أو النص بأكمله أو نسخه أو قصه.

خطة لدراسة مادة جديدة:

مقدمة لموضوع جديد.

صياغة الغرض من الدرس ؛

تحليل المفاهيم الأساسية بناءً على المعرفة الموجودة في علم الأحياء والعلوم الاجتماعية وعلوم الكمبيوتر ؛

إنشاء مشروع صغير في أزواج ؛

تقديم كتيبات منتجاتهم ؛

تحليل SWOT للمنتجات (كتيبات) ؛

تحديد مستوى تحقيق الهدف.

نوع الدرس:مجموع , مشروع الدرس.

شكل الدرس:الدفاع عن المشاريع ، والعمل الأمامي والزوجي.

تكنولوجيا التعلم:

طريقة المشروع

طريقة البحث

"أحضر جهازك معك" (العناصر فقط - عند البحث عن المعلومات ، استخدم الهواتف الذكية والأجهزة اللوحية المتصلة بالإنترنت بالمدرسة) ؛

تقنيات تفاعلية

تقنيات الإدارة (العناصر) - تحليل SWOT لفكرة أو مشكلة .

معدات (أو معدات) الدرس:
المرفق 1
PPTX / 2.83 ميجا بايت
الملحق 2 - نموذج كتيب
PUB / 644 كيلوبايت
جهاز عرض مزود بشاشة ، كمبيوتر محمول للمدرس ، أجهزة كمبيوتر محمولة للطلاب (واحد لكل زوج) ، عرض تقديمي "تصور المعلومات في مستندات نصية" (الملحق 1) ، دفاتر وأقلام ، كتيبات (الملحق 2) ، برنامج: MS Publisher 2010 ، الرسام.

مشهد الدرس:تقليديًا ، يجلس الطلاب في أزواج على مكاتبهم - لكل زوج كمبيوتر محمول واحد.

التحضير للدرس (إذا لزم الأمر):

للمعلم:

بالنسبة للفصل ، اعتمادًا على مستوى تكوين كفاءات تكنولوجيا المعلومات والاتصالات والخبرة الشخصية (غير مطلوب - مجموعة قوية):

اختر صورًا للشعار مقدمًا وضعها على سطح المكتب في كل كمبيوتر محمول ؛

تحقق من توافر الإنترنت ؛

تحقق من وجود برنامج Paint ، وهو مجموعة مكتبية من إصدارات Microsoft Office لا أقدم من 2007 ؛

طباعة الملخص والكتيبات .

مسبقًا للتعرف على برنامج إنشاء الكتيبات ؛

اطلب في المنزل صياغة أفكار لمشروع تجاري.

الخريطة التكنولوجية لمسار الدرس

في قطاع الإنترنت الناطق بالروسية ، هناك عدد قليل جدًا من الأمثلة العملية التدريبية (وحتى أمثلة أقل على الكود) لتحليل الرسائل النصية باللغة الروسية. لذلك ، قررت جمع البيانات معًا والنظر في مثال على التجميع ، حيث لا يلزم إعداد البيانات للتدريب.

معظم المكتبات المستخدمة موجودة بالفعل في توزيع Anaconda 3 ، لذا أوصي باستخدامها. يمكن تثبيت الوحدات / المكتبات المفقودة كمعيار قياسي عبر تثبيت "اسم الحزمة".
نقوم بتضمين المكتبات التالية:

استيراد numpy كـ np import pandas كـ PD استيراد nltk استيراد وإعادة استيراد برامج ترميز استيراد نظام التشغيل من sklearn import feature_extraction import mpld3 import matplotlib.pyplot as plt import matplotlib as mpl
يمكن أخذ أي بيانات للتحليل. ثم لفتت انتباهي هذه المهمة: إحصائيات استعلامات البحث عن مشروع إنفاق الدولة. لقد احتاجوا إلى تقسيم البيانات إلى ثلاث مجموعات: المؤسسات الخاصة والعامة والتجارية. لم أكن أرغب في ابتكار أي شيء غير عادي ، لذلك قررت التحقق من الكيفية التي ستؤدي بها المجموعات العنقودية في هذه الحالة (بالنظر إلى الأمام - ليس كثيرًا). ولكن يمكنك تنزيل البيانات من VK لبعض الجمهور:

استيراد vk #pass session id session = vk.Session (access_token = "") # URL للحصول على access_token ، بدلاً من tvoi_id أدخل معرف تطبيق VK الذي تم إنشاؤه: # https://oauth.vk.com/authorize؟client_id= tvoi_id & range = أصدقاء ، صفحات ، مجموعات ، غير متصل بالإنترنت وإعادة توجيه = https: //oauth.vk.com/blank.html&display=page&v=5.21&response_type=token api = vk.API (جلسة) بوس = id_pab = -59229916 # معرفات عامة تبدأ بسالب ، معرف جدار المستخدم لا ناقص info = api.wall.get (owner_id = id_pab ، offset = 0 ، count = 1) kolvo = (info // 100) +1 shag = 100 sdvig = 0 h = 0 وقت الاستيراد أثناء h 70): print (h) # ليس شرطًا ضروريًا ، فقط للتحكم في النهاية التقريبية للعملية pubpost = api.wall.get (owner_id = id_pab، offset = sdvig، count = 100) i = 1 بينما أنا< len(pubpost): b=pubpost[i]["text"] poss.append(b) i=i+1 h=h+1 sdvig=sdvig+shag time.sleep(1) len(poss) import io with io.open("public.txt", "w", encoding="utf-8", errors="ignore") as file: for line in poss: file.write("%s\n" % line) file.close() titles = open("public.txt", encoding="utf-8", errors="ignore").read().split("\n") print(str(len(titles)) + " постов считано") import re posti= #удалим все знаки препинания и цифры for line in titles: chis = re.sub(r"(\<(/?[^>] +)>) "،" "، line) #chis = re.sub () chis = re.sub (" [^ a-zA-Z] "،" "، chis) posti.append (chis)
سأستخدم بيانات استعلام البحث لإظهار مدى ضعف البيانات النصية القصيرة العنقودية. قمت بمسح النص مسبقًا من الأحرف الخاصة وعلامات الترقيم ، بالإضافة إلى أنني قمت باستبدال الاختصارات (على سبيل المثال ، IP - رجل أعمال فردي). كانت النتيجة نصًا يحتوي كل سطر فيه على استعلام بحث واحد.

نقرأ البيانات في مصفوفة وننتقل إلى التطبيع - نعيد الكلمة إلى شكلها الأولي. يمكن القيام بذلك بعدة طرق باستخدام Porter الجذعية و MyStem و PyMorphy2. أريد أن أحذرك - يعمل MyStem من خلال غلاف ، وبالتالي فإن سرعة العمليات بطيئة للغاية. دعونا نركز على جذع بورتر ، على الرغم من أن لا أحد يكلف نفسه عناء استخدام الآخرين ودمجهم مع بعضهم البعض (على سبيل المثال ، انتقل إلى PyMorphy2 ، ثم جذع بورتر).

العناوين = فتح ("material4.csv"، "r"، encoding = "utf-8"، errors = "ignore"). read (). split ("\ n") print (str (len (title)) + "تم احتساب الطلبات") من nltk.stem.snowball استيراد SnowballStemmer stemmer = SnowballStemmer ("الروسية") def token_and_stem (نص): tokens = filtered_tokens = للرموز المميزة: if re.search ("[a-zA-Z]" ، token): filtered_tokens.append (token) stems = return stems def token_only (text): tokens = filtered_tokens = for token in tokens: if re.search ("[a-zA-Z]"، token): filtered_tokens.append (رمز) إرجاع filtered_tokens #Create dictionaries (arrays) من السيقان المستلمة totalvocab_stem = totalvocab_token = لـ i في العناوين: allwords_stemmed = token_and_stem (i) #print (allwords_stemmed) totalvocab_stem.extend (allwords_extemmed) to allwords_tokenized = allwords_tokenized)

بيمورفي 2

استيراد pymorphy2 morph = pymorphy2.MorphAnalyzer () G = لـ i في العناوين: h = i.split ("") #print (h) s = "" لـ k في h: #print (k) p = morph.parse ( k) .normal_form #print (p) s + = "" s + = p #print (s) # G.append (p) #print (s) G.append (s) pymof = open ("pymof_pod.txt" ، "w"، encoding = "utf-8"، errors = "ignore") pymofcsv = open ("pymofcsv_pod.csv"، "w"، encoding = "utf-8"، errors = "ignore") للعنصر في G : pymof.write ("٪ s \ n"٪ item) pymofcsv.write ("٪ s \ n"٪ item) pymof.close () pymofcsv.close ()

نظام بيم 3

سيتم تنزيل الملفات القابلة للتنفيذ للمحلل لنظام التشغيل الحالي وتثبيتها تلقائيًا في المرة الأولى التي يتم فيها استخدام المكتبة.

من pymystem3 import Mystem m = Mystem () A = لـ i في العناوين: #print (i) lemmas = m.lemmatize (i) A. append (lemmas) # يمكن حفظ هذه المصفوفة في ملف أو نسخ احتياطي مخلل استيراد باستخدام فتح ("mystem.pkl"، "wb") كمقبض: pickle.dump (A ، مقبض)

لنقم بإنشاء مصفوفة الوزن TF-IDF. سننظر في كل استعلام بحث كمستند (يتم ذلك عند تحليل منشورات Twitter ، حيث تكون كل تغريدة عبارة عن مستند). tfidf_vectorizer سوف نأخذ من حزمة sklearn ، وسوف نأخذ كلمات التوقف من مجموعة ntlk (في البداية سيتعين علينا التنزيل عبر nltk.download ()). يمكن ضبط المعلمات كما تراه مناسبًا - من الحد العلوي والسفلي إلى عدد n-grams (في هذه الحالة ، نأخذ 3).

Stopwords = nltk.corpus.stopwords.words ("english") "to"، "to"، "to"]) من sklearn.feature_extraction.text استيراد TfidfVectorizer، CountVectorizer n_featur = 200000 tfidf_vectorizer = TfidfVectorizer (max_df = 0.8، max_features = 10000، min_df = 0.01، stop_words = stopwords، use_idf = True، tokenizer = token_and_stem، ngram_range = (1،3)) get_ipython (). magic ("time tfidf_matrix = tfidf_vectorizer.fit_transform (title)") print (tfidf_matrix.shape)
في المصفوفة الناتجة ، نبدأ في تطبيق طرق التجميع المختلفة:

Num_clusters = 5 # K-mean method - KMeans from sklearn.cluster import KMeans km = KMeans (n_clusters = num_clusters) get_ipython (). magic ("time km.fit (tfidf_matrix)") idx = km.fit (tfidf_matrix) clusters = km.labels_.tolist () print (clusters) print (km.labels_) # MiniBatchKMeans من sklearn.cluster استيراد MiniBatchKMeans mbk = MiniBatchKMeans (init = "random"، n_clusters = num_clusters) # (init = "k-mean ++"، ' عشوائي 'أو ndarray) mbk.fit_transform (tfidf_matrix)٪ time mbk.fit (tfidf_matrix) miniclusters = mbk.labels_.tolist () print (mbk.labels_) # DBSCAN من sklearn.cluster استيراد DBSCAN get_ipython (). magic (" time db = DBSCAN (eps = 0.3، min_samples = 10) .fit (tfidf_matrix) ") ملصقات = db.labels_ labels.shape print (labels) # Agglomerative Clustering from sklearn.cluster import AgglomerativeClustering agglo1 = AgglomerativeClustersinity (n_clusters = "euclidean") #affinity يمكنك اختيار أي منها أو تجربة الكل بدوره: cosine، l1، l2، manhattan get_ipython (). magic ("time answer = agglo1.fit_predict (tfidf_matrix.toarray ())") answer.shape
يمكن تجميع البيانات المستلمة في إطار بيانات ويمكن حساب عدد الطلبات التي تقع في كل مجموعة.

# k-mean clusterkm = km.labels_.tolist () #minikmeans clustermbk = mbk.labels_.tolist () #dbscan clusters3 = labels #agglo # clusters4 = answer.tolist () frame = pd.DataFrame (العنوان ، الفهرس =) # k-mean out = ("العنوان": العناوين ، "الكتلة": الكتلة كم) : العناوين ، "الكتلة": clustermbk) frame_minik = pd.DataFrame (الخروج ، الفهرس = ، الأعمدة = ["العنوان" ، "المجموعة"]) ()
نظرًا للعدد الكبير من الاستعلامات ، فليس من الملائم جدًا إلقاء نظرة على الجداول وأرغب في مزيد من التفاعل لفهمها. لذلك ، سنقوم بعمل رسوم بيانية للوضع النسبي للطلبات بالنسبة لبعضها البعض.

تحتاج أولاً إلى حساب المسافة بين المتجهات. لهذا ، سيتم استخدام مسافة جيب التمام. تقترح المقالات استخدام الطرح من واحد بحيث لا توجد قيم سالبة ويكون في النطاق من 0 إلى 1 ، لذلك دعونا نفعل الشيء نفسه:

من sklearn.metrics.pairwise استيراد cosine_similarity dist = 1 - cosine_similarity (tfidf_matrix) dist.shape
نظرًا لأن الرسوم البيانية ستكون ثنائية وثلاثية الأبعاد ، ومصفوفة المسافة الأصلية هي أبعاد n ، فسيتعين علينا تطبيق خوارزميات تقليل الأبعاد. هناك العديد من الخوارزميات للاختيار من بينها (MDS ، PCA ، t-SNE) ، لكن دعنا نختار Incremental PCA. تم إجراء هذا الاختيار كنتيجة للتطبيق العملي - لقد جربت MDS و PCA ، لكن لم يكن لدي ذاكرة RAM كافية (8 غيغابايت) وعندما بدأ استخدام ملف ترحيل الصفحات ، كان من الممكن أخذ الكمبيوتر على الفور لإعادة التشغيل.

تُستخدم خوارزمية PCA التزايدية كبديل لتحليل المكونات الرئيسية (PCA) عندما تكون مجموعة البيانات المراد تحللها كبيرة جدًا بحيث لا تتناسب مع ذاكرة الوصول العشوائي. ينشئ IPCA تقديرًا منخفض المستوى لبيانات الإدخال باستخدام حجم ذاكرة مستقل عن عدد عينات بيانات الإدخال.

# طريقة المكون الأساسي - PCA من sklearn.decomposition import IncrementalPCA icpa = IncrementalPCA (n_components = 2، batch_size = 16) get_ipython (). magic ("time icpa.fit (dist) #demo =") get_ipython (). magic (" time demo2 = icpa.transform (dist) ") xs، ys = demo2 [:، 0]، demo2 [:، 1] # PCA 3D من sklearn.decomposition import IncrementalPCA icpa = IncrementalPCA (n_components = 3، batch_size = 16) get_ipython () .magic ("time icpa.fit (dist) #demo =") get_ipython (). magic ("time ddd = icpa.transform (dist)") xs، ys، zs = ddd [:، 0]، ddd [:، 1]، ddd [:، 2] # يمكنك على الفور رؤية النتيجة # من mpl_toolkits.mplot3d استيراد Axes3D #fig = plt.figure () #ax = fig.add_subplot (111، projection = "3d ") # ax.scatter (xs، ys، zs) # ax.set_xlabel (" X ") # ax.set_ylabel (" Y ") # ax.set_zlabel (" Z ") # plt.show ()
دعنا ننتقل مباشرة إلى التصور نفسه:

من matplotlib ، استيراد rc # رموز روسية قابلة للتمكين على خط الرسم = ("family": "Verdana") # ، "weight": "normal") rc ("font" ، ** font) # يمكن أن تولد ألوانًا للعناقيد استيراد عشوائي def create_colors (n): color_list = لـ c في النطاق (0، n): r = lambda: random.randint (0،255) color_list.append ("#٪ 02X٪ 02X٪ 02X"٪ (r ()، r () ، r ())) إرجاع color_list # مجموعة ألوان مجموعة ألوان المجموعة = (0: "# ff0000"، 1: "# ff0066"، 2: "# ff0099"، 3: "# ff00cc"، 4: "# ff00ff"،) # نعطي أسماء المجموعات ، ولكن بسبب العشوائية ، فليكن فقط 01234 cluster_names = (0: "0" ، 1: "1" ، 2: "2" ، 3: "3" ، 4: "4 "،) #matplotlib inline # إنشاء إطار بيانات يحتوي على إحداثيات (من PCA) + أرقام المجموعة والاستعلامات نفسها df = pd.DataFrame (dt (x = xs، y = ys، label = clusterkm، title = title)) # تجميع حسب مجموعات المجموعات = df .groupby ("label") fig، ax = plt.subplots (figsize = (72، 36)) #figsize مخصص للاسم ، المجموعة في مجموعات: ax.plot (group.x، group. y، marker = "o"، linestyle = ""، ms = 12، label = cluster_names، color = cluster_colors، mec = "none") ax.set_aspect ("auto") ax.tick_params (محور = "x" ، والذي = "كلاهما" ، الجزء السفلي = "إيقاف التشغيل" ، أعلى = "إيقاف التشغيل" ، التسميةbottom = "إيقاف التشغيل") ax.tick_params (المحور = "y" ، والتي = "كلاهما" ، اليسار = "إيقاف تشغيل" ، أعلى = "إيقاف" ، labelleft = "off") ax.legend (numpoints = 1) # show legend for 1 point only #add labels / title at x، y position with search search # for i in range (len (df)): # ax. text (df.ix [i] ["x"]، df.ix [i] ["y"]، df.ix [i] ["title"]، size = 6) # اعرض المخطط plt.show () plt.close ()
إذا ألغيت تعليق السطر بإضافة الأسماء ، فسيبدو كما يلي:

مثال مع 10 مجموعات

ليس بالضبط ما يتوقعه المرء. لنستخدم mpld3 لتحويل الرسم إلى رسم بياني تفاعلي.

# شكل الرسم ، الفأس = plt.subplots (figsize = (25،27)) ax.margins (0.03) للاسم ، المجموعة في groups_mbk: النقاط = ax.plot (group.x ، group.y ، marker = "o" ، linestyle = ""، ms = 12، # ms = 18 label = cluster_names، mec = "none"، color = cluster_colors) ax.set_aspect ("auto") labels = tooltip = mpld3.plugins.PointHTMLTooltip (نقاط ، ملصقات ، voffset = 10، hoffset = 10، # css = css) mpld3.plugins.connect (الشكل ، تلميح الأدوات) # ، شريط الأدوات العلوي () ax.axes.get_xaxis (). set_ticks () ax.axes.get_yaxis (). set_ticks () # ax.axes.get_xaxis (). set_visible (False) # ax.axes.get_yaxis (). set_visible (False) ax.set_title ("Mini K-Means"، size = 20) #groups_mbk ax.legend (عدد النقاط = 1 ) mpld3.disable_notebook () # mpld3.display () mpld3.save_html (fig، "mbk.html") mpld3.show () # mpld3.save_json (fig، "vivod.json") # mpld3.fig_to_html (fig) fig ، ax = plt.subplots (figsize = (51،25)) مبعثر = مبعثر محوري (np.random.normal (size = N)، np.random.normal (size = N)، c = np.random.random (الحجم = N) ، s = 1000 * np.random.random (الحجم = N) ، alpha = 0.3 ، cmap = plt.cm.jet) ax.grid (color = "white" ، linestyle = "solid") الفأس .set_title ("Clusters"، size = 20) fig، ax = plt.subplots (figsize = (51،25)) labels = ["point (0)". format (i + 1) for i in range (N) ] tooltip = mpld3.plugins.PointLabelTooltip (مبعثر ، ملصقات = ملصقات) mpld3.plugins.connect (شكل ، تلميح) mpld3.show () fig ، ax = plt.subplots (figsize = (72،36)) للاسم ، المجموعة في مجموعات: النقاط = ax.plot (group.x، group.y، marker = "o"، linestyle = ""، ms = 18، label = cluster_names، mec = "none"، color = cluster_colors) ax.set_aspect ( "auto") labels = tooltip = mpld3.plugins.PointLabelTooltip (نقاط ، ملصقات = ملصقات) mpld3.plugins.connect (شكل ، تلميح أداة) ax.set_title ("K-mean" ، الحجم = 20) mpld3.display ()
الآن ، عندما تحوم فوق أي نقطة على الرسم البياني ، يظهر نص مع استعلام البحث المقابل. يمكن الاطلاع على مثال لملف html منتهي هنا: Mini K-Means

إذا كنت تريد عرضًا ثلاثي الأبعاد وقابل للتغيير ، فهناك خدمة Plotly ، والتي تحتوي على مكون إضافي لـ Python.

رسم ثلاثي الأبعاد

# على سبيل المثال ، مجرد رسم بياني ثلاثي الأبعاد من القيم التي تم الحصول عليها استيراد رسم تخطيطي .__ نسخة__ استيراد plotly.plotly مثل py import plotly.graph_objs مثل go trace1 = go.Scatter3d (x = xs، y = ys، z = zs، mode = "علامات" ، علامة = ديكت (الحجم = 12 ، خط = ديكت (اللون = "rgba (217 ، 217 ، 217 ، 0.14)" ، العرض = 0.5) ، التعتيم = 0.8)) البيانات = التخطيط = go.Layout ( الهامش = ديكت (ل = 0 ، ص = 0 ، ب = 0 ، تي = 0)) شكل = اذهب ، شكل (بيانات = بيانات ، تخطيط = تخطيط) )

يمكن رؤية النتائج هنا: مثال

والنقطة الأخيرة هي إجراء مجموعات هرمية (تكتلية) باستخدام طريقة وارد لإنشاء مخطط تخطيطي.

في: من scipy.cluster.hierarchy import ward، dendrogram linkage_matrix = Ward (dist) fig، ax = plt.subplots (figsize = (15، 20)) ax = dendrogram (linkage_matrix، orientation = "right"، labels = title) ؛ plt.tick_params (\ axis = "x"، which = "both"، bottom = "off"، top = "off"، labelbottom = "off") plt.tight_layout () # حفظ الرسم plt.savefig ("ward_clusters2 . png "، نقطة لكل بوصة = 200)
الاستنتاجات

لسوء الحظ ، هناك الكثير من المشكلات التي لم يتم حلها في مجال أبحاث اللغة الطبيعية ولا يمكن تجميع جميع البيانات بسهولة وببساطة في مجموعات محددة. لكن آمل أن يزيد هذا الدليل الاهتمام بهذا الموضوع وأن يوفر أساسًا لمزيد من التجارب.

الأكثر أهمية

من المعروف أن المعلومات النصية يُدركها الشخص بشكل أفضل إذا تم تصورها - منظمة في شكل قوائم وجداول ورسوم بيانية مزودة برسوم إيضاحية (صور فوتوغرافية ، رسومات ، رسوم بيانية).

يتم عمل جميع أنواع القوائم في المستندات باستخدام القوائم. حسب طريقة التسجيل يتم تمييز القوائم المرقمة والنقطية. عادة ما يتم استخدام قائمة مرقمة في الحالات التي يكون فيها ترتيب العناصر مهمًا ؛ ملحوظ - عندما لا يكون ترتيب العناصر فيه مهمًا. يميز الهيكل بين القوائم ذات المستوى الواحد والقوائم متعددة المستويات.

لوصف عدد من الكائنات لها نفس مجموعة الخصائص ، غالبًا ما يتم استخدام الجداول التي تتكون من أعمدة وصفوف. المعلومات الواردة في الجدول واضحة ومضغوطة ويمكن رؤيتها بسهولة.

توفر معالجات الكلمات الحديثة القدرة على تضمين ومعالجة وإنشاء كائنات رسومية.

أسئلة ومهام

1. لأي غرض يقوم المطورون بتضمين القوائم والجداول والرسومات في المستندات النصية؟

2. ما هي القوائم المستخدمة؟ أعط أمثلة.

3. قارن القوائم المرقمة والنقطية. ما لديهم من القواسم المشتركة؟ ماهو الفرق؟

4. ما هي القائمة متعددة المستويات؟ هل يمكنك إعطاء مثال على هذه القائمة؟

5. ما هي المعلومات التي يمكن تنظيمها في شكل جدول؟ ما هي مزايا العرض الجدولي للمعلومات؟

6. ما هي القواعد التي يجب اتباعها عند تصميم الجداول؟

7. ما هي الكائنات الرسومية التي يمكن تضمينها في مستند نصي؟

8. ضع قائمة بالميزات الرئيسية لمعالجات الكلمات للعمل مع الكائنات الرسومية.

أدوات التعرف الضوئي على الحروف

والترجمة الحاسوبية

الكلمات الدالة؛

برامج التعرف على الوثائق

قواميس الحاسوب

برامج الترجمة

بالإضافة إلى معالجات النصوص المصممة لإنشاء النصوص ومعالجتها على الكمبيوتر ، هناك عدد من البرامج التي تسمح لك بأتمتة عمل شخص لديه معلومات نصية.

4.5.1. البرامج البصرية

التعرف على الوثيقة

في كثير من الأحيان يكون من الضروري إدخال عدة صفحات من نص من كتاب أو مقال من مجلة أو جريدة إلى الكمبيوتر وما إلى ذلك. بالطبع ، يمكنك قضاء بعض الوقت وكتابة هذا النص ببساطة باستخدام لوحة المفاتيح. ولكن كلما زاد حجم النص المصدر ، زاد الوقت المستغرق لإدخاله في ذاكرة الكمبيوتر.

أحكم لنفسك. افترض أن أحد زملائك في الفصل ، الذي أتقن محاكاة لوحة المفاتيح ، يمكنه إدخال معلومات نصية بسرعة 150 حرفًا في الدقيقة. دعونا نكتشف كم من الوقت سيستغرقه لإدخال نص رواية A. Dumas "الفرسان الثلاثة" في ذاكرة الكمبيوتر. يبلغ طول طبعة واحدة من هذه الرواية 590 صفحة. تحتوي كل صفحة على 48 سطرًا ، كل سطر يحتوي على متوسط ​​53 حرفًا.

لنحسب العدد الإجمالي للأحرف في الرواية: 590 48 53 1500960 (حرفًا).

دعنا نحسب الوقت المطلوب لإدخال مجموعة الأحرف هذه في ذاكرة الكمبيوتر: 1500960: 150 10000 (دقيقة). وهذا ما يقرب من 167 ساعة.

في الوقت نفسه ، لا نناقش مسألة الوقت لتصحيح الأخطاء المحتملة باستخدام طريقة إدخال النص هذه ، ولا نأخذ في الاعتبار التعب البشري.

لإدخال النصوص في ذاكرة الكمبيوتر من الورق ، يتم استخدام الماسحات الضوئية وبرامج التعرف على الأحرف. من أشهر البرامج من هذا النوع ABVUU FineReader. يمكن تمثيل العمل المبسط مع هذه البرامج على النحو التالي:

1. يتم وضع الوسائط تحت غطاء الماسح الضوئي.

يعطي البرنامج أمر المسح والتعرف. أولاً ، يتم إنشاء نسخة رقمية من المستند الأصلي بتنسيق صورة رسومية. ثم يقوم البرنامج بتحليل هيكل الوثيقة ، وإبراز كتل النص والجداول والصور وغيرها على صفحاتها ، وتنقسم السطور إلى كلمات ، وتنقسم الكلمات إلى أحرف فردية. بعد ذلك ، يقارن البرنامج الأحرف التي تم العثور عليها بصور قوالب للأحرف والأرقام. مخزنة في ذاكرتها. يأخذ البرنامج في الاعتبار الخيارات المختلفة لتقسيم السلاسل إلى كلمات وكلمات إلى أحرف. يحتوي البرنامج على قواميس مدمجة توفر تحليلًا أكثر دقة وتمييزًا ، بالإضافة إلى التحقق من النص المعترف به. بعد تحليل عدد كبير من الخيارات الممكنة ، يتخذ البرنامج القرار النهائي ويعطي المستخدم نصًا واضحًا.

3. يتم نقل النص الذي تم التعرف عليه إلى نافذة محرر نصوص (على سبيل المثال ، Microsoft Word).

بدلاً من الماسح الضوئي ، يمكنك استخدام كاميرا رقمية أو كاميرا هاتف محمول. على سبيل المثال ، عند العمل مع الكتب في مكتبة ، يمكنك التقاط صورة للصفحات التي تهتم بها. بعد نسخ الصور إلى جهاز كمبيوتر ، يمكنك تشغيل ABVUU FineReader والتعرف على النصوص ومواصلة العمل معها في معالج النصوص (الشكل 4.20).

أرز. 4.20. التعرف الضوئي على الحروف

4.5.2. قواميس الحاسوب

وبرامج الترجمة

تشكل قدرات أجهزة الكمبيوتر الحديثة على تخزين كميات كبيرة من البيانات وإجراء عمليات بحث سريعة فيها الأساس لتطوير قواميس الكمبيوتر وبرامج المترجمين.

في قاموس نموذجي يحتوي على عدة مئات من الصفحات ، يعد البحث عن الكلمة الصحيحة عملية طويلة وشاقة. توفر قواميس الكمبيوتر بحثًا فوريًا عن إدخالات القاموس. توفر العديد من القواميس للمستخدمين فرصة الاستماع إلى الكلمات التي يؤديها متحدثون أصليون.

حاسوب نحنيمكن تثبيت القواميس الإلكترونية (الروسية - الإنجليزية ، والإنجليزية - الروسية ، والروسية - الفرنسية ، والروسية - الألمانية ، وما إلى ذلك) على جهاز كمبيوتر كمستقل نحنتم دمج البرامج الإلكترونية في معالجات النصوص ، وهي موجودة في وضع op-ype على الإنترنت.

توفر خدمة قواميس Www Yandex (http://slovari.yandex.ru/) ترجمة للكلمات من سبع لغات أجنبية إلى اللغة الروسية والعكس. يمكنك الحصول على معلومات كاملة حول النطق الصحيح وإملاء الكلمات الأجنبية والمرادفات وأمثلة الاستخدام.

قواميس الكمبيوتر تؤدي ترجمة الكلمات الفردية وتركيبات الكلمات. يتم استخدام المترجمين لترجمة المستندات النصية. وهي تستند إلى المعرفة الرسمية للغة - قواعد تكوين الكلمات وقواعد تكوين الجمل. يقوم برنامج المترجم أولاً بتحليل النص في اللغة المصدر ثم يقوم ببناء هذا النص باللغة المراد ترجمته إليها.

بمساعدة برامج الترجمة ، يمكنك بنجاح ترجمة الوثائق الفنية والمراسلات التجارية وغيرها من المواد النصية المكتوبة بلغة "جافة". إن ترجمة النصوص الفنية ، الملونة عاطفيا ، الغنية بالمبالغة ، والاستعارات ، وما إلى ذلك ، لا يمكن أن يؤديها إلا شخص واحد.

تم تصميم خدمة مترجم النص (http://www.translate.ru/[)efault.aspxnext) للترجمة الآلية لأجزاء صغيرة (لا تزيد عن 3000 حرف) من المعلومات النصية من لغة إلى أخرى. يدعم اللغة الإنجليزية والروسية والألمانية والفرنسية والإسبانية والبرتغالية والإيطالية والليتوانية ؛ يتم توفير 26 توجيهًا للترجمة (الإنجليزية-الروسية والروسية-الإنجليزية ؛ الألمانية-الروسية والروسية-الألمانية ؛ الفرنسية-الروسية والروسية-الفرنسية ، إلخ).

التعرف على النص وترجمة الكمبيوتر

الأكثر أهمية

لإدخال النصوص في ذاكرة الكمبيوتر من الورق ، يتم استخدام الماسحات الضوئية وبرامج التعرف على الأحرف.

تعد قدرات أجهزة الكمبيوتر الحديثة على تخزين كميات كبيرة من المعلومات وإجراء بحث سريع فيها أساسًا لتطوير قواميس الكمبيوتر وبرامج المترجمين. تترجم قواميس الكمبيوتر الكلمات والعبارات الفردية. يتم استخدام المترجمين لترجمة المستندات النصية.

أسئلة ومهام

1. ما هي الحالات التي توفر فيها برامج التعرف على النص وقت وجهد الشخص؟

2. كم من الوقت سيستغرق إدخال نص رواية L. Dumas "الفرسان الثلاثة" في ذاكرة الكمبيوتر باستخدام الماسح الضوئي وبرنامج ABVUU FineReader ، إذا كان من المعروف أن مسح صفحة واحدة يستغرق 3 ثوان ثواني لتغيير الصفحة في الماسح الضوئي ، وصفحات التعرف - 2 ثانية؟

3. ابحث في الإنترنت عن معلومات حول تقنية صفحة المسح الضوئي. ما هو جوهرها؟

4. ما هي برأيك المزايا الرئيسية لقواميس الكمبيوتر مقارنة بالقواميس التقليدية في شكل كتب؟

5. لماذا تنجح برامج الترجمة في ترجمة وثائق الأعمال ، لكنها غير مناسبة لترجمة النصوص الأدبية؟

6. باستخدام برنامج المترجم الموجود تحت تصرفك ، يمكنك ترجمة العبارة إلى لغة أجنبية مألوفة لك: "بالإضافة إلى معالجات النصوص المصممة لإنشاء النصوص ومعالجتها على جهاز كمبيوتر ، هناك عدد من البرامج التي تعمل على أتمتة عمل الشخص بمعلومات نصية ". ترجمة النتيجة التي تم الحصول عليها باستخدام نفس البرنامج إلى اللغة الروسية. قارن بين نص العبارة الأصلية والنتيجة النهائية. قدم تعليقاتك.

تقييم المعايير الكمية

مستندات نصية

الكلمات الدالة:

جدول الكود

كود ثنائي ثمانية بت

حجم المعلومات من النص

| تخطيط الدرس ومواد الدرس | 7 فصول | تخطيط الدروس للعام الدراسي (FSES) | تصور المعلومات في المستندات النصية

الدرس 25
تصور المعلومات في المستندات النصية

4.4.1. القوائم

الكلمات الدالة:

قوائم ذات تعداد نقطي قوائم متعددة المستويات رسومات الجدول

من المعروف أن المعلومات النصية يُدركها الشخص بشكل أفضل إذا تم تصورها - منظمة في شكل قوائم وجداول ورسوم بيانية مزودة برسوم إيضاحية (صور فوتوغرافية ، رسومات ، رسوم بيانية).

توفر معالجات الكلمات الحديثة للمستخدمين فرصًا كبيرة لتصور المعلومات في المستندات التي يقومون بإنشائها.

يتم عمل جميع أنواع القوائم في المستندات باستخدام القوائم. في هذه الحالة ، تعتبر جميع عناصر القائمة فقرات مصممة وفقًا لنموذج واحد.

حسب طريقة التسجيل يتم تمييز القوائم المرقمة والنقطية.

يشار إلى عناصر (عناصر) قائمة مرقمة باستخدام أرقام متسلسلة ، والتي يمكن كتابتها باستخدام الأرقام العربية والرومانية. يمكن أيضًا ترقيم عناصر القائمة بأحرف - روسية أو لاتينية (الشكل 4.14).

تُستخدم القائمة المرقمة عادةً في الحالات التي يكون فيها ترتيب العناصر مهمًا.. غالبًا ما تستخدم هذه القوائم لوصف تسلسل الإجراءات.

تقوم بإنشاء قوائم مرقمة بانتظام عن طريق ملء جدول الدروس لكل يوم دراسي في يومياتك.

عند إنشاء عناصر جديدة أو حذف أو نقل عناصر قائمة مرقمة في معالج النصوص ، يتغير ترقيم القائمة تلقائيًا.

عناصر قائمة نقطيةملحوظ بعلامات. يمكن للمستخدم اختيار أي رمز لأبجدية الكمبيوتر كعلامة وحتى صورة رسومية صغيرة (الشكل 4.15). القوائم النقطية هي الكلمات الأساسية في بداية كل فقرة من كتابك المدرسي.

يتم استخدام القائمة النقطية عندما لا يكون ترتيب العناصر فيها مهمًا. على سبيل المثال ، في شكل قائمة نقطية ، يمكنك وضع قائمة بالموضوعات التي تدرسها في الصف السابع.

الهيكل مميز قوائم ذات مستوى واحد ومتعددة المستويات.

القوائم الواردة في الأمثلة التي تمت مناقشتها أعلاه لها هيكل أحادي المستوى.

تسمى القائمة التي يمثل عنصرها قائمة قائمة متعددة المستويات. لذا ، فإن جدول محتويات كتاب علوم الكمبيوتر الخاص بك عبارة عن قائمة متعددة المستويات (ثلاثة مستويات).

يتم إنشاء القوائم في معالج النصوص باستخدام أمر شريط القوائم أو أزرار شريط التنسيق (الشكل 4.16).

 

	الاسم الكامل	شيفياخوفا مارينا أناتوليفنا
	مكان العمل	مذكرة تفاهم "ليسيوم №7"
	مسمى وظيفي	مدرس تكنولوجيا المعلومات
	غرض	تكنولوجيا
	فصل	فئة 7L
	الموضوع ورقم الدرس في الموضوع	معالجة معلومات النص الدرس السابع
	البرنامج التعليمي الأساسي	علوم الكمبيوتر. م. بوسوفا ، إيه يو بوسوفا

8. الغرض من الدرس: تقديم مفهوم تصور المعلومات في المستندات النصية.

9. نتائج التعلم:

موضوع - القدرة على استخدام وسائل هيكلة وتصور المعلومات النصية ؛

ميتاسوبجيكت - مجموعة واسعة من المهارات والقدرات لاستخدام تكنولوجيا المعلومات والاتصالات لإنشاء وثائق نصية ؛

مهارات الاستخدام الرشيد للأدوات المتاحة ؛

- تشكيل UUD (شخصي ، تنظيمي ، معرفي) ؛

- تطوير القدرة على التحليل والتعميم واستخلاص النتائج ؛ وتوسيع آفاق.

شخصي - فهم الدور الاجتماعي والثقافي العام في حياة الشخص المعاصر لمهارات إنشاء المستندات النصية ؛

تعليم المثابرة والاستقلال والاهتمام بالموضوع ؛

تطوير UUD التواصلي.

10. نوع الدرس: تعلم الدرس المادي الجديد

11. أشكال العمل الطلابي:أمامي ، عمل في أزواج ، عمل مستقل

12. المعدات اللازمة:جهاز عرض ، شاشة ، أجهزة كمبيوتر للطلاب

13. مفاهيم أساسية:المعلومات ، والتصور ، والقوائم النقطية والمرقمة ، ومستوى واحد ، ومتعدد المستويات ، والجدول ، وسحابة العلامات.

14. هيكل الدرس:

1. المرحلة التنظيمية - دقيقة واحدة ؛
2. تحديث المعرفة. تحديد أهداف التعلم - 7 دقائق ؛
3. بحث مشترك عن المشكلة (اكتشاف معرفة جديدة) - 8 دقائق ؛
4. النمذجة (العمل في مجموعات) - 5 دقائق ؛
5. تصميم طريقة عمل جديدة (عمل عملي)

1. الجزء 1-5 دقائق
2. الجزء الثاني - 8 دقائق
3. الجزء 3-7 دقائق ؛

1. تلخيص, انعكاس - 3 دقائق ؛
2. معلومات حول الواجب المنزلي - دقيقة واحدة.

15. تقدم الدرس

	منصة	مهام المرحلة	نشاط المعلم	الأنشطة الطلابية	أنشطة التعلم الشامل
	المرحلة التنظيمية	إعداد الطالب نفسياً للعمل في الفصل.	مرحبا يا شباب. أنا أوفر بيئة خارجية عادية للعمل في الفصل ؛	الاستعداد للدرس	UUD التنظيمي: القدرة على تجهيز مكان عمل لأنواع مختلفة من العمل
	تحديث المعرفة تحديد أهداف التعلم	قم بإنشاء موقف مشكلة لتحديد حدود معرفة الطلاب وتعيين مهمة تعليمية جديدة	أقوم بتنظيم الانغماس في المشكلة ، وخلق موقف للطلاب لتحديد حدود معرفتهم	استمع إلى المعلم ، وادخل في حوار مع المعلم ، وافترض افتراضات تحديد أهداف التعلم التي يتعين إكمالها في الفصل	اتصالي:القدرة على صياغة رأي الفرد ، والقدرة على تنظيم وتخطيط التعاون التربوي مع المعلم ذهني: القدرة على تحديد المفاهيم. تنظيمية : القدرة على تحويل مهمة عملية إلى مهمة معرفية
	دراسة مشتركة للمشكلة	تنظيم البحث عن حل للمشكلة التعليمية.	عرض الفيديو أقوم بإصلاح الفرضيات التي طرحها الطلاب وتنظيم مناقشتهم.	تحليل ما يرونه ، وتقديم الاقتراحات	اتصالي: - إقامة علاقات عمل وتعاون فعال تنظيمية : القدرة على استكشاف ظروف المهمة التعليمية ، وتحديد إجراءات حل المشكلة ؛ بناء جمل الكلام بوعي ، ومناقشة طرق حل مشكلة التعلم ؛ حلل ، أثبت ، ناقش وجهة نظرك
	النمذجة	إصلاح العلاقات الأساسية للكائن قيد الدراسة في النموذج العرض التقديمي 1	أوجه انتباه تلاميذ المدارس إلى أساليب العمل تلك باستخدام المواد التعليمية التي ساعدت في العثور على المعلومات اللازمة وتنظيمها. بناءً على المعلومات الواردة ، أقترح تقديم تعريف علمي لمفهوم "تصور المعلومات" مقدمة للمفاهيم: القوائم النقطية والمرقمة. في أي الحالات سنستخدم قائمة ذات تعداد رقمي؟ وتميزت؟ الهيكل مميزقوائم ذات مستوى واحد ومتعددة المستويات. ضع في اعتبارك جدول محتويات كتابنا المدرسي وكتابنا الفني ... العمل في أزواج: حل المشكلة ما الذي سنستخدمه لتصور المعلومات؟ (المرفق 1)	قارن وحدد الميزات المشتركة ونظم المعلومات الواردة وقم بتسجيلها ضع افتراضات حول أساليب العمل التي استخدموها مع المواد التعليمية تقديم تعريف علمي لتصور المعلومات ارسم الاستنتاجات والإجابة النظر في التحديد طاولة. حل المشكلة	UUD المعرفي: القدرة على استخلاص النتائج بناءً على تحليل الأشياء والمواد النصية ؛ UUD التواصلي: القدرة على بناء بيان الكلام وفقًا للمهام ؛ UUD التنظيمي: القدرة على التعبير عن افتراضاتهم الخاصة بناءً على العمل مع المادة ؛ UUD المعرفي:القدرة على العثور على إجابات للأسئلة باستخدام مصادر مختلفة للمعلومات ؛ UUD التواصلي: القدرة على التعبير عن أفكارك
	تصميم طريقة عمل جديدة	خلق الظروف لاستخدام طرق جديدة للعمل مع المواد التعليمية في العمل العملي	شرح العمل العملي الجزء 1 - بشكل مشترك (الملحق 2) الجزء 2 - بشكل مستقل ، مع التحقق (الملحق 3) مقدمة لمفهوم "سحابة العلامات" الجزء 3 - وفقًا للخوارزمية ، قم بإنشاء سحابة كلمات رئيسية خاصة بك حول موضوع الدرس (الملحق 4)	أداء العمل العملي ، تطبيق المعرفة المكتسبة. شارك في مناقشة جماعية لنتائج عملهم يجادلون ، ويقدمون تعريف "Tag Cloud"	UUD التنظيمي: القدرة على التعبير عن افتراضات المرء بناءً على العمل مع المادة ؛ تنظيم أنشطتهم لإجراء الملاحظات ؛ UUD الشخصي: تنمية الاهتمام بأنشطة التدريس والبحث ؛ UUD المعرفي: القدرة على العثور على إجابات للأسئلة باستخدام مصادر مختلفة للمعلومات
	تلخيص. انعكاس	إنشاء المراسلات بين مهام الدرس ونتائج عمل أطفال المدارس ، وإجراء التعديلات.	أنظم انعكاس الأنشطة التعليمية للطلاب	إجراء التحليل الذاتي للأنشطة التعليمية	UUD التنظيمي:القدرة على تنفيذ التفكير المعرفي والشخصي ؛
	معلومات الواجب المنزلي		عرض الواجب المنزلي والتعليق على الانتهاء منه	طرح أسئلة حول الواجب المنزلي	UUD التنظيمي:القدرة على طرح الأسئلة اللازمة لتنظيم أنشطتهم الخاصة

المرفق 1.

مهمة 1.

التقى بوريا وفيتيا وجريشا وإيجور في أولمبياد عموم روسيا للمعلوماتية. جاء الرجال من مدن مختلفة: موسكو وأومسك وسارانسك وكيروف. من المعروف أن بوريا عاشت في نفس الغرفة مع صبي من كيروف ولم يذهب أي من هذين الصبيان إلى موسكو أو سارانسك. لعبت جريشا في نفس الفريق مع صبي من موسكو ، وفي المساء جاء صديق من كيروف لرؤيتهم. كان إيجور والصبي من موسكو مغرمين بلعب الشطرنج. أي من الرجال جاء من أين؟

حل

	موسكو	أومسك	سارانسك	كيروف
بوريا
فيتيا
جريشا
إيجور

الملحق 2

الجزء الأول

افتح الملف الجزء الأول في مجلد الصف السابع. حدد اسم القائمة. اجعل المعلومات مرئية

وحدة المعالجة المركزية

ذاكرة

كبش

ذاكرة طويلة المدى

القرص الصلب

قرص

ذاكرة متنقله

أقراص بصرية

أجهزة إدخال

لوحة المفاتيح

الفأر

الماسح الضوئي

لوح التصميمات

كاميرا رقمية

ميكروفون

جويستيك

أجهزة الخرج

شاشة

شاشات الكريستال السائل

شاشة CRT

طابعة

طابعة ماتريكس

طابعة جيت

طابعة ليزرية

الملحق 3

الجزء الثاني

قم بإنشاء مستند Word باستخدام القوائم ذات التعداد النقطي والرقمي.

1. طرق محاذاة سطر الفقرة

• غادر
• توسيط
• يمين
• حسب العرض

1. المعلومات الواردة في الجدول

• واضح
• المدمج
• مرئي بسهولة

1. رأس

1. الفصل 1

1. الفقرة 1
2. الفقرة 2

1. الفصل 2
2. الفصل 3

1. الفقرة 1
2. الفقرة 2
3. الفقرة 3

1. الفصل 4

الملحق 4.

الجزء الثالث

إنشاء Tag Cloud

خوارزمية التنفيذ

10. انقر فوق "حفظ" (حفظ) بالتنسيقصورة تحت اسم "سحابتي" في مجلد شخصي (يتم حفظ النموذج الأخير)

كمرجع

أي - تعسفي ، الكل - أي ، يستجيب (تدور ، تدور)الموضوع - الموضوع

الخط - الخط والتخطيط - الموقع والتخطيط

قبول - موافق ، تكبير - مقياس ، تخطي - تخطي ، متقدم - محسّن

صفحة على الإنترنت

الأشكال

يُقدِّم - الحاضر ، تمثيل

تصفح - مراجعة ، عرض