From edb1b4aaf434f6c193bd54868b8dd28c7f0ff042 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 22 Aug 2024 23:24:07 +0300
Subject: [PATCH 01/45] Add docs/source/ar/task_summary.md to
 Add_docs_source_ar_task_summary.md

---
 docs/source/ar/task_summary.md | 323 +++++++++++++++++++++++++++++++++
 1 file changed, 323 insertions(+)
 create mode 100644 docs/source/ar/task_summary.md

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
new file mode 100644
index 000000000000..eab5f78682ed
--- /dev/null
+++ b/docs/source/ar/task_summary.md
@@ -0,0 +1,323 @@
+# ما الذي يمكن أن تفعله مكتبة 🤗 Transformers؟
+
+🤗 Transformers هي مكتبة تضم نماذج مُدربة مسبقًا رائدة في مجال معالجة اللغات الطبيعية (NLP)، ورؤية الكمبيوتر، ومعالجة الصوت والمهام الكلامية. لا تحتوي المكتبة على نماذج المحول فحسب، بل تحتوي أيضًا على نماذج غير محولة مثل الشبكات التلافيفية الحديثة لمهام رؤية الكمبيوتر. إذا نظرت إلى بعض أكثر المنتجات الاستهلاكية شيوعًا اليوم، مثل الهواتف الذكية والتطبيقات وأجهزة التلفزيون، فمن المحتمل أن يكون هناك نوع من تقنية التعلم العميق وراءها. هل تريد إزالة كائن الخلفية من صورة التقطتها بهاتفك الذكي؟ هذا مثال على مهمة التجزئة الشاملة (لا تقلق إذا لم تكن تعرف معنى ذلك بعد، فسوف نصفه في الأقسام التالية!).
+
+تقدم هذه الصفحة نظرة عامة على مهام الكلام والصوت ورؤية الكمبيوتر ومعالجة اللغات الطبيعية المختلفة التي يمكن حلها باستخدام مكتبة 🤗 Transformers في ثلاثة أسطر فقط من التعليمات البرمجية!
+
+## الصوت
+
+تختلف مهام معالجة الصوت والكلام قليلاً عن الطرائق الأخرى بشكل أساسي لأن الصوت كإدخال هو إشارة مستمرة. على عكس النص، لا يمكن تقسيم الموجة الصوتية الخام بشكل مرتب في أجزاء منفصلة بالطريقة التي يمكن بها تقسيم الجملة إلى كلمات. وللتغلب على هذا، يتم عادةً أخذ عينات من الإشارة الصوتية الخام على فترات منتظمة. إذا قمت بأخذ المزيد من العينات ضمن فترة زمنية، يكون معدل العينات أعلى، ويشبه الصوت بشكل أوثق مصدر الصوت الأصلي.
+
+قامت الطرق السابقة بمعالجة الصوت لاستخراج الميزات المفيدة منه. أصبح من الشائع الآن البدء بمهام معالجة الصوت والكلام عن طريق إدخال الموجة الصوتية الخام مباشرة في مشفر الميزات لاستخراج تمثيل صوتي. وهذا يبسط خطوة المعالجة المسبقة ويسمح للنموذج بتعلم أهم الميزات.
+
+### تصنيف الصوت
+
+تصنيف الصوت هو مهمة تقوم بوضع علامات على بيانات الصوت من مجموعة محددة مسبقًا من الفئات. إنه فئة واسعة مع العديد من التطبيقات المحددة، والتي تشمل:
+
+* تصنيف المشهد الصوتي: وضع علامة على الصوت باستخدام تسمية المشهد ("المكتب"، "الشاطئ"، "الملعب")
+* اكتشاف الأحداث الصوتية: وضع علامة على الصوت باستخدام تسمية حدث صوتي ("بوق السيارة"، "نداء الحوت"، "كسر الزجاج")
+* وضع العلامات: وضع علامة على الصوت الذي يحتوي على أصوات متعددة (أغاني الطيور، وتحديد المتحدث في اجتماع)
+* تصنيف الموسيقى: وضع علامة على الموسيقى بتسمية النوع ("معدن"، "هيب هوب"، "البلد")
+
+```py
+>>> from transformers import pipeline
+
+>>> classifier = pipeline(task="audio-classification", model="superb/hubert-base-superb-er")
+>>> preds = classifier("https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/mlk.flac")
+>>> preds = [{"score": round(pred["score"], 4), "label": pred["label"]} for pred in preds]
+>>> preds
+[{'score': 0.4532, 'label': 'hap'},
+ {'score': 0.3622, 'label': 'sad'},
+ {'score': 0.0943, 'label': 'neu'},
+ {'score': 0.0903, 'label': 'ang'}]
+```
+
+### التعرف التلقائي على الكلام
+
+يقوم التعرف التلقائي على الكلام (ASR) بنقل الكلام إلى نص. إنه أحد أكثر المهام الصوتية شيوعًا ويرجع ذلك جزئيًا إلى أن الكلام هو شكل طبيعي جدًا من أشكال التواصل البشري. اليوم، يتم تضمين أنظمة ASR في منتجات التكنولوجيا "الذكية" مثل مكبرات الصوت والهواتف والسيارات. يمكننا أن نطلب من مساعدينا الافتراضيين تشغيل الموسيقى، وضبط التذكيرات، وإخبارنا بالطقس.
+ولكن أحد التحديات الرئيسية التي ساعدت عليها هندسات المحول هي اللغات منخفضة الموارد. من خلال التدريب المسبق على كميات كبيرة من بيانات الكلام، يمكن أن يؤدي ضبط دقة النموذج على ساعة واحدة فقط من بيانات الكلام المُوسم في لغة منخفضة الموارد إلى نتائج عالية الجودة مقارنة بأنظمة ASR السابقة التي تم تدريبها على بيانات موسومة أكثر بـ 100 مرة.
+
+```py
+>>> from transformers import pipeline
+
+>>> transcriber = pipeline(task="automatic-speech-recognition", model="openai/whisper-small")
+>>> transcriber("https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/mlk.flac")
+{'text': ' I have a dream that one day this nation will rise up and live out the true meaning of its creed.'}
+```
+
+## رؤية الكمبيوتر
+
+كانت إحدى مهام رؤية الكمبيوتر الأولى والأكثر نجاحًا في التعرف على صور رموز البريد باستخدام [شبكة عصبية تلافيفية (CNN)](glossary#convolution). تتكون الصورة من بكسلات، ولكل بكسل قيمة رقمية. وهذا يجعل من السهل تمثيل صورة كمصفوفة من قيم البكسل. يصف كل مزيج خاص من قيم البكسل ألوان الصورة.
+
+هناك طريقتان عامتان يمكن من خلالهما حل مهام رؤية الكمبيوتر:
+
+1. استخدام التلافيف لتعلم الميزات الهرمية لصورة من الميزات منخفضة المستوى إلى الأشياء المجردة عالية المستوى.
+2. تقسيم صورة إلى رقع واستخدام محول ليتعلم تدريجياً كيف ترتبط كل رقعة صورة ببعضها البعض لتشكيل صورة. على عكس النهج التصاعدي الذي تفضله شبكة CNN، هذا يشبه إلى حد ما البدء بصورة ضبابية ثم جعلها تدريجياً أكثر وضوحًا.
+
+### تصنيف الصور
+
+يقوم تصنيف الصور بوضع علامة على صورة كاملة من مجموعة محددة مسبقًا من الفئات. مثل معظم مهام التصنيف، هناك العديد من حالات الاستخدام العملية لتصنيف الصور، والتي تشمل:
+
+* الرعاية الصحية: وضع علامة على الصور الطبية للكشف عن الأمراض أو مراقبة صحة المريض
+* البيئة: وضع علامة على صور الأقمار الصناعية لرصد إزالة الغابات، أو إبلاغ إدارة الأراضي البرية أو اكتشاف حرائق الغابات
+* الزراعة: وضع علامة على صور المحاصيل لمراقبة صحة النبات أو صور الأقمار الصناعية لرصد استخدام الأراضي
+* علم البيئة: وضع علامة على صور الأنواع الحيوانية أو النباتية لرصد أعداد الحياة البرية أو تتبع الأنواع المهددة بالانقراض
+
+```py
+>>> from transformers import pipeline
+
+>>> classifier = pipeline(task="image-classification")
+>>> preds = classifier(
+...     "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
+... )
+>>> preds = [{"score": round(pred["score"], 4), "label": pred["label"]} for pred in preds]
+>>> print(*preds, sep="\n")
+{'score': 0.4335, 'label': 'lynx, catamount'}
+{'score': 0.0348, 'label': 'cougar, puma, catamount, mountain lion, painter, panther, Felis concolor'}
+{'score': 0.0324, 'label': 'snow leopard, ounce, Panthera uncia'}
+{'score': 0.0239, 'label': 'Egyptian cat'}
+{'score': 0.0229, 'label': 'tiger cat'}
+```
+
+### كشف الأشياء
+
+على عكس تصنيف الصور، يقوم كشف الأشياء بتحديد عدة أشياء داخل صورة ومواضع الأشياء في صورة (يحددها مربع الإحاطة). بعض تطبيقات كشف الأشياء تشمل:
+
+* المركبات ذاتية القيادة: اكتشاف الأشياء المرورية اليومية مثل المركبات الأخرى والمشاة وإشارات المرور
+* الاستشعار عن بعد: مراقبة الكوارث، والتخطيط الحضري، والتنبؤ بالطقس
+* اكتشاف العيوب: اكتشاف الشقوق أو الأضرار الهيكلية في المباني، وعيوب التصنيع
+
+```py
+>>> from transformers import pipeline
+
+>>> detector = pipeline(task="object-detection")
+>>> preds = detector(
+...     "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
+... )
+>>> preds = [{"score": round(pred["score"], 4), "label": pred["label"], "box": pred["box"]} for pred in preds]
+>>> preds
+[{'score': 0.9865,
+  'label': 'cat',
+  'box': {'xmin': 178, 'ymin': 154, 'xmax': 882, 'ymax': 598}}]
+```
+
+### تجزئة الصورة
+
+تجزئة الصورة هي مهمة على مستوى البكسل تقوم بتخصيص كل بكسل في صورة لفئة. إنه يختلف عن كشف الأشياء، والذي يستخدم صناديق الإحاطة لوضع علامات على الأشياء والتنبؤ بها في صورة لأن التجزئة أكثر دقة. يمكن لتجزئة الكائنات اكتشاف الأشياء على مستوى البكسل. هناك عدة أنواع من تجزئة الصور:
+
+* تجزئة مثيلات: بالإضافة إلى وضع علامة على فئة كائن، فإنه أيضًا يضع علامات على كل مثيل مميز لكائن ("الكلب-1"، "الكلب-2")
+* التجزئة الشاملة: مزيج من التجزئة الدلالية ومثيلات التجزئة؛ فهو يضع علامة على كل بكسل مع فئة دلالية **و** كل مثيل مميز لكائن
+
+تساعد مهام التجزئة في المركبات ذاتية القيادة على إنشاء خريطة على مستوى البكسل للعالم من حولها حتى تتمكن من التنقل بأمان حول المشاة والمركبات الأخرى. كما أنها مفيدة للتصوير الطبي، حيث يمكن لدقة المهمة أن تساعد في تحديد الخلايا أو ميزات الأعضاء غير الطبيعية. يمكن أيضًا استخدام تجزئة الصور في التجارة الإلكترونية لتجربة الملابس افتراضيًا أو إنشاء تجارب الواقع المعزز من خلال تراكب الأشياء في العالم الحقيقي من خلال الكاميرا الخاصة بك.
+
+```py
+>>> from transformers import pipeline
+
+>>> segmenter = pipeline(task="image-segmentation")
+>>> preds = segmenter(
+...     "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
+... )
+>>> preds = [{"score": round(pred["score"], 4), "label": pred["label"]} for pred in preds]
+>>> print(*preds, sep="\n")
+{'score': 0.9879, 'label': 'LABEL_184'}
+{'score': 0.9973, 'label': 'snow'}
+{'score': 0.9972, 'label': 'cat'}
+```
+
+### تقدير العمق
+
+يقوم تقدير العمق بالتنبؤ بمسافة كل بكسل في صورة من الكاميرا. تعد هذه المهمة لرؤية الكمبيوتر مهمة بشكل خاص لفهم المشهد وإعادة الإعمار. على سبيل المثال، في السيارات ذاتية القيادة، تحتاج المركبات إلى فهم مدى بعد الأشياء مثل المشاة ولافتات المرور والمركبات الأخرى لتجنب العقبات والاصطدامات. تساعد معلومات العمق أيضًا في بناء التمثيلات ثلاثية الأبعاد من الصور ثنائية الأبعاد ويمكن استخدامها لإنشاء تمثيلات ثلاثية الأبعاد عالية الجودة للهياكل البيولوجية أو المباني.
+
+هناك نهجان لتقدير العمق:
+
+* ستيريو: يتم تقدير العمق عن طريق مقارنة صورتين لنفس الصورة من زوايا مختلفة قليلاً
+* أحادية العين: يتم تقدير العمق من صورة واحدة
+
+```py
+>>> from transformers import pipeline
+
+>>> depth_estimator = pipeline(task="depth-estimation")
+>>> preds = depth_estimator(
+...     "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
+... )
+```
+
+## معالجة اللغات الطبيعية
+
+تعد مهام NLP من بين أكثر أنواع المهام شيوعًا لأن النص هو طريقة طبيعية جدًا للتواصل معنا. وللحصول على نص بتنسيق يتعرف عليه النموذج، يجب توكيده. وهذا يعني تقسيم تسلسل النص إلى كلمات أو أجزاء كلمات منفصلة (رموز) ثم تحويل هذه الرموز إلى أرقام. ونتيجة لذلك، يمكنك تمثيل تسلسل نصي كتسلسل من الأرقام، وبمجرد حصولك على تسلسل من الأرقام، يمكن إدخاله في نموذج لحل جميع أنواع مهام NLP!
+
+### تصنيف النصوص
+
+مثل مهام التصنيف في أي طريقة، يقوم تصنيف النص بوضع علامة على تسلسل نصي (يمكن أن يكون على مستوى الجملة أو فقرة أو مستند) من مجموعة محددة مسبقًا من الفئات. هناك العديد من التطبيقات العملية لتصنيف النصوص، والتي تشمل:
+
+* تحليل المشاعر: وضع علامة على النص وفقًا لبعض القطبية مثل `الإيجابية` أو `السلبية` والتي يمكن أن تُعلم وتدعم عملية صنع القرار في مجالات مثل السياسة والمالية والتسويق
+* تصنيف المحتوى: وضع علامة على النص وفقًا لبعض الموضوعات للمساعدة في تنظيم المعلومات وتصفيتها في الأخبار والتغذية وسائل التواصل الاجتماعي (`الطقس`، `الرياضة`، `التمويل`، إلخ)
+
+```py
+>>> from transformers import pipeline
+
+>>> classifier = pipeline(task="sentiment-analysis")
+>>> preds = classifier("Hugging Face is the best thing since sliced bread!")
+>>> preds = [{"score": round(pred["score"], 4), "label": pred["label"]} for pred in preds]
+>>> preds
+[{'score': 0.9991, 'label': 'POSITIVE'}]
+```
+
+### تصنيف الرموز
+
+في أي مهمة NLP، تتم معالجة النص عن طريق فصل تسلسل النص إلى كلمات أو أجزاء كلمات منفصلة. هذه هي ما يعرف باسم [الرموز](glossary#token). يقوم تصنيف الرموز بتخصيص تسمية لكل رمز من مجموعة محددة مسبقًا من الفئات.
+
+هناك نوعان شائعان من تصنيف الرموز:
+
+* التعرف على الكيانات المسماة (NER): وضع علامة على الرمز وفقًا لفئة الكيان مثل المنظمة أو الشخص أو الموقع أو التاريخ. يعد NER شائعًا بشكل خاص في الإعدادات الطبية الحيوية، حيث يمكنه وضع علامات على الجينات والبروتينات وأسماء الأدوية.
+* وضع العلامات النحوية (POS): وضع علامة على الرمز وفقًا لجزء الكلام الخاص به مثل الاسم أو الفعل أو الصفة. POS مفيد لمساعدة أنظمة الترجمة على فهم كيفية اختلاف كلمتين متطابقتين نحويًا (المصرف كاسم مقابل المصرف كفعل).
+
+```py
+>>> from transformers import pipeline
+
+>>> classifier = pipeline(task="ner")
+>>> preds = classifier("Hugging Face is a French company based in New York City.")
+>>> preds = [
+...     {
+...         "entity": pred["entity"],
+...         "score": round(pred["score"], 4),
+...         "index": pred["index"],
+...         "word": pred["word"],
+...         "start": pred["start"],
+...         "end": pred["end"],
+...     }
+...     for pred in preds
+... ]
+>>> print(*preds, sep="\n")
+{'entity': 'I-ORG', 'score': 0.9968, 'index': 1, 'word': 'Hu', 'start': 0, 'end': 2}
+{'entity': 'I-ORG', 'score': 0.9293, 'index': 2, 'word': '##gging', 'start': 2, 'end': 7}
+{'entity': 'I-ORG', 'score': 0.9763, 'index': 3, 'word': 'Face', 'start': 8, 'end': 12}
+{'entity': 'I-MISC', 'score': 0.9983, 'index': 6, 'word': 'French', 'start': 18, 'end': 24}
+{'entity': 'I-LOC', 'score': 0.999, 'index': 10, 'word': 'New', 'start': 42, 'end': 45}
+{'entity': 'I-LOC', 'score': 0.9987, 'index': 11, 'word': 'York', 'start': 46, 'end': 50}
+{'entity': 'I-LOC', 'score': 0.9992, 'index': 12, 'word': 'City', 'start': 51, 'end': 55}
+```
+### الإجابة على الأسئلة
+
+الإجابة على الأسئلة هي مهمة أخرى على مستوى الرمز تعيد إجابة على سؤال، أحيانًا مع السياق (مفتوح المجال) وأحيانًا بدون سياق (مجال مغلق). تحدث هذه المهمة كلما سألنا مساعدًا افتراضيًا شيئًا مثل ما إذا كان المطعم مفتوحًا. يمكن أن يساعد أيضًا في دعم العملاء أو الدعم الفني ويساعد محركات البحث في استرداد المعلومات ذات الصلة التي تطلبها.
+
+هناك نوعان شائعان من الإجابة على الأسئلة:
+
+* الاستخراجية: بالنظر إلى سؤال وبعض السياق، فإن الإجابة هي جزء من النص من السياق الذي يجب على النموذج استخراجه
+* التلخيصي: بالنظر إلى سؤال وبعض السياق، يتم إنشاء الإجابة من السياق؛ يتعامل نهج [`Text2TextGenerationPipeline`] مع هذا النهج التلخيصي بدلاً من [`QuestionAnsweringPipeline`] الموضح أدناه
+
+
+```py
+>>> from transformers import pipeline
+
+>>> question_answerer = pipeline(task="question-answering")
+>>> preds = question_answerer(
+...     question="What is the name of the repository?",
+...     context="The name of the repository is huggingface/transformers",
+... )
+>>> print(
+...     f"score: {round(preds['score'], 4)}, start: {preds['start']}, end: {preds['end']}, answer: {preds['answer']}"
+... )
+score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
+```
+
+### التلخيص
+
+ينشئ التلخيص نسخة أقصر من نص من نص أطول مع محاولة الحفاظ على معظم معنى المستند الأصلي. التلخيص هو مهمة تسلسل إلى تسلسل؛ فهو يخرج تسلسل نص أقصر من الإدخال. هناك الكثير من الوثائق الطويلة التي يمكن تلخيصها لمساعدة القراء على فهم النقاط الرئيسية بسرعة. مشاريع القوانين والوثائق القانونية والمالية وبراءات الاختراع والأوراق العلمية هي مجرد أمثلة قليلة للوثائق التي يمكن تلخيصها لتوفير وقت القراء وخدمة كمساعد للقراءة.
+
+مثل الإجابة على الأسئلة، هناك نوعان من التلخيص:
+
+* الاستخراجية: تحديد واستخراج الجمل الأكثر أهمية من النص الأصلي
+* التلخيصي: إنشاء ملخص الهدف (الذي قد يتضمن كلمات جديدة غير موجودة في وثيقة الإدخال) من النص الأصلي؛ يستخدم النهج التلخيصي [`SummarizationPipeline`]
+
+```py
+>>> from transformers import pipeline
+
+>>> summarizer = pipeline(task="summarization")
+>>> summarizer(
+...     "In this work, we presented the Transformer, the first sequence transduction model based entirely on attention, replacing the recurrent layers most commonly used in encoder-decoder architectures with multi-headed self-attention. For translation tasks, the Transformer can be trained significantly faster than architectures based on recurrent or convolutional layers. On both WMT 2014 English-to-German and WMT 2014 English-to-French translation tasks, we achieve a new state of the art. In the former task our best model outperforms even all previously reported ensembles."
+... )
+[{'summary_text': ' The Transformer is the first sequence transduction model based entirely on attention . It replaces the recurrent layers most commonly used in encoder-decoder architectures with multi-headed self-attention . For translation tasks, the Transformer can be trained significantly faster than architectures based on recurrent or convolutional layers .'}]
+```
+
+### الترجمة
+
+تترجم الترجمة تسلسل نص بلغة واحدة إلى لغة أخرى. من المهم مساعدة الأشخاص من خلفيات مختلفة على التواصل مع بعضهم البعض، ومساعدة المحتوى على الوصول إلى جمهور أوسع، وحتى أن يكون أداة تعليمية لمساعدة الأشخاص على تعلم لغة جديدة. إلى جانب التلخيص، تعد الترجمة مهمة تسلسل إلى تسلسل، مما يعني أن النموذج يتلقى تسلسل إدخال ويعيد تسلسل الإخراج المستهدف.
+
+في الأيام الأولى، كانت نماذج الترجمة في الغالب أحادية اللغة، ولكن مؤخرًا، كان هناك اهتمام متزايد بالنماذج متعددة اللغات التي يمكنها الترجمة بين العديد من أزواج اللغات.
+
+```py
+>>> from transformers import pipeline
+
+>>> text = "translate English to French: Hugging Face is a community-based open-source platform for machine learning."
+>>> translator = pipeline(task="translation", model="google-t5/t5-small")
+>>> translator(text)
+[{'translation_text': "Hugging Face est une tribune communautaire de l'apprentissage des machines."}]
+```
+
+### نمذجة اللغة
+
+نمذجة اللغة هي مهمة التنبؤ بكلمة في تسلسل نص. لقد أصبح مهمة NLP شائعة للغاية لأن النموذج اللغوي المسبق التدريب يمكن أن يتم ضبطه بشكل دقيق للعديد من مهام التدفق السفلي الأخرى. في الآونة الأخيرة، كان هناك الكثير من الاهتمام بنماذج اللغة الكبيرة (LLMs) التي توضح التعلم الصفري أو القليل من التعلم. وهذا يعني أن النموذج يمكنه حل المهام التي لم يتم تدريبه عليها بشكل صريح! يمكن استخدام نماذج اللغة لإنشاء نص سلس ومقنع، على الرغم من أنه يجب أن تكون حذرًا لأن النص قد لا يكون دائمًا دقيقًا.
+
+هناك نوعان من نمذجة اللغة:
+
+* السببية: هدف النموذج هو التنبؤ بالرمز التالي في تسلسل، ويتم إخفاء الرموز المستقبلية
+
+```py
+>>> from transformers import pipeline
+
+>>> prompt = "Hugging Face is a community-based open-source platform for machine learning."
+>>> generator = pipeline(task="text-generation")
+>>> generator(prompt)  # doctest: +SKIP
+```
+
+* الأقنعة: هدف النموذج هو التنبؤ برمز مقنع في تسلسل مع الوصول الكامل إلى الرموز في التسلسل
+
+```py
+>>> text = "Hugging Face is a community-based open-source <mask> for machine learning."
+>>> fill_mask = pipeline(task="fill-mask")
+>>> preds = fill_mask(text, top_k=1)
+>>> preds = [
+...     {
+...         "score": round(pred["score"], 4),
+...         "token": pred["token"],
+...         "token_str": pred["token_str"],
+...         "sequence": pred["sequence"],
+...     }
+...     for pred in preds
+... ]
+>>> preds
+[{'score': 0.2236,
+  'token': 1761,
+  'token_str': ' platform',
+  'sequence': 'Hugging Face is a community-based open-source platform for machine learning.'}]
+```
+  
+## متعدد الوسائط:
+
+تتطلب المهام متعددة الوسائط من النموذج معالجة وسائط بيانات متعددة (نص أو صورة أو صوت أو فيديو) لحل مشكلة معينة. يعد إنشاء عنوان الصورة مثالاً على مهمة متعددة الوسائط حيث يأخذ النموذج صورة كإدخال وينتج تسلسل نصي يصف الصورة أو بعض خصائصها.
+
+على الرغم من أن النماذج متعددة الوسائط تعمل مع أنواع بيانات أو طرائق مختلفة، إلا أن خطوات المعالجة المسبقة تساعد النموذج داخليًا على تحويل جميع أنواع البيانات إلى تضمينات (متجهات أو قوائم من الأرقام التي تحتوي على معلومات ذات معنى حول البيانات). بالنسبة لمهمة مثل إنشاء عنوان للصورة، يتعلم النموذج العلاقات بين تضمينات الصور وتضمينات النص.
+
+### الإجابة على أسئلة المستندات:
+
+الإجابة على أسئلة المستندات هي مهمة تقوم بالإجابة على أسئلة اللغة الطبيعية من مستند. على عكس مهمة الإجابة على الأسئلة على مستوى الرمز التي تأخذ النص كإدخال، فإن الإجابة على أسئلة المستندات تأخذ صورة لمستند كإدخال بالإضافة إلى سؤال حول المستند وتعيد الإجابة. يمكن استخدام الإجابة على أسئلة المستندات لتفسير المستندات المهيكلة واستخراج المعلومات الرئيسية منها. في المثال أدناه، يمكن استخراج المبلغ الإجمالي والتغيير المستحق من الإيصال.
+
+```py
+>>> from transformers import pipeline
+>>> from PIL import Image
+>>> import requests
+
+>>> url = "https://huggingface.co/datasets/hf-internal-testing/example-documents/resolve/main/jpeg_images/2.jpg"
+>>> image = Image.open(requests.get(url, stream=True).raw)
+
+>>> doc_question_answerer = pipeline("document-question-answering", model="magorshunov/layoutlm-invoices")
+>>> preds = doc_question_answerer(
+...     question="ما هو المبلغ الإجمالي؟",
+...     image=image,
+... )
+>>> preds
+[{'score': 0.8531, 'answer': '17,000', 'start': 4, 'end': 4}]
+```
+
+نأمل أن تكون هذه الصفحة قد زودتك ببعض المعلومات الأساسية حول جميع أنواع المهام في كل طريقة وأهمية كل منها العملية. في القسم التالي، ستتعلم كيف تعمل مكتبة 🤗 Transformers لحل هذه المهام.
\ No newline at end of file

From 1ca6764181f4749d9ba0550c5edaf5c4767367a2 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Mon, 16 Sep 2024 22:36:34 +0300
Subject: [PATCH 02/45] Create _toctree.yml

---
 docs/source/ar/_toctree.yml | 892 ++++++++++++++++++++++++++++++++++++
 1 file changed, 892 insertions(+)
 create mode 100644 docs/source/ar/_toctree.yml

diff --git a/docs/source/ar/_toctree.yml b/docs/source/ar/_toctree.yml
new file mode 100644
index 000000000000..7383ddec5a42
--- /dev/null
+++ b/docs/source/ar/_toctree.yml
@@ -0,0 +1,892 @@
+- sections:
+  - local: index
+    title: 🤗 المحولات
+  - local: quicktour
+    title: جولة سريعة
+  - local: installation
+    title: التثبيت
+  title: البدء
+- sections:
+  - local: pipeline_tutorial
+    title: تشغيل الاستنتاج باستخدام خطوط الأنابيب
+  - local: autoclass_tutorial
+    title: كتابة تعليمات برمجية متكيفه باستخدام AutoClass
+  - local: preprocessing
+    title: معالجة البيانات مسبقًا
+  - local: training
+    title: ضبط نموذج مسبق التدريب
+  - local: run_scripts
+    title: التدريب باستخدام نص برمجي
+  - local: accelerate
+    title: إعداد تدريب موزع باستخدام 🤗 Accelerate
+  - local: peft
+    title: تحميل النماذج المخصصة وتدريبها باستخدام 🤗 PEFT
+  - local: model_sharing
+    title: مشاركة نموذجك
+  - local: agents
+    title: الوكلاء
+  - local: llm_tutorial
+    title: التوليد باستخدام LLMs
+  - local: conversations
+    title: الدردشة مع المحولات
+  title: البرامج التعليمية
+# - sections:
+#   - isExpanded: false
+#     sections:
+#     - local: tasks/sequence_classification
+#       title: تصنيف النصوص
+#     - local: tasks/token_classification
+#       title: تصنيف الرموز
+#     - local: tasks/question_answering
+#       title: الإجابة على الأسئلة
+#     - local: tasks/language_modeling
+#       title: نمذجة اللغة السببية
+#     - local: tasks/masked_language_modeling
+#       title: نمذجة اللغة المقنعة
+#     - local: tasks/translation
+#       title: الترجمة
+#     - local: tasks/summarization
+#       title: التلخيص
+#     - local: tasks/multiple_choice
+#       title: الاختيار المتعدد
+#     title: معالجة اللغات الطبيعية
+#   - isExpanded: false
+#     sections:
+#     - local: tasks/audio_classification
+#       title: تصنيف الصوت
+#     - local: tasks/asr
+#       title: التعرف التلقائي على الكلام
+#     title: الصوت
+#   - isExpanded: false
+#     sections:
+#     - local: tasks/image_classification
+#       title: تصنيف الصور
+#     - local: tasks/semantic_segmentation
+#       title: تجزئة الصور
+#     - local: tasks/video_classification
+#       title: تصنيف الفيديو
+#     - local: tasks/object_detection
+#       title: اكتشاف الأشياء
+#     - local: tasks/zero_shot_object_detection
+#       title: اكتشاف الأشياء بدون تدريب
+#     - local: tasks/zero_shot_image_classification
+#       title: تصنيف الصور بدون تدريب
+#     - local: tasks/monocular_depth_estimation
+#       title: تقدير العمق
+#     - local: tasks/image_to_image
+#       title: صورة إلى صورة
+#     - local: tasks/image_feature_extraction
+#       title: استخراج ميزات الصورة
+#     - local: tasks/mask_generation
+#       title: توليد القناع
+#     - local: tasks/knowledge_distillation_for_image_classification
+#       title: التقليل المعرفي للرؤية الحاسوبية
+#     title: الرؤية الحاسوبية
+#   - isExpanded: false
+#     sections:
+#     - local: tasks/image_captioning
+#       title: وصف الصور Image captioning
+#     - local: tasks/document_question_answering
+#       title: الإجابة على أسئلة المستندات
+#     - local: tasks/visual_question_answering
+#       title: الإجابة على الأسئلة المرئية
+#     - local: tasks/text-to-speech
+#       title: تحويل النص إلى كلام
+#     title: المتعددة الوسائط
+#   - isExpanded: false
+#     sections:
+#     - local: generation_strategies
+#       title: تخصيص استراتيجية التوليد
+#     - local: kv_cache
+#       title: أفضل الممارسات للتوليد باستخدام ذاكرة التخزين المؤقت
+#     title: التوليد
+#   - isExpanded: false
+#     sections:
+#     - local: tasks/idefics
+#       title: مهام الصور مع IDEFICS
+#     - local: tasks/prompting
+#       title: دليل إرشادي لمحفزات النماذج اللغوية الكبيرة
+#     title: الإرشاد
+#   title: أدلة المهام
+# - sections:
+#   - local: fast_tokenizers
+#     title: استخدم برامج التجزئة السريعة من 🤗 Tokenizers
+#   - local: multilingual
+#     title: تشغيل الاستنتاج باستخدام نماذج متعددة اللغات
+#   - local: create_a_model
+#     title: استخدام واجهات برمجة التطبيقات الخاصة بالنموذج
+#   - local: custom_models
+#     title: مشاركة نموذج مخصص
+#   - local: chat_templating
+#     title: قوالب لنماذج الدردشة
+#   - local: trainer
+#     title: المدرب
+#   - local: sagemaker
+#     title: تشغيل التدريب على Amazon SageMaker
+#   - local: serialization
+#     title: التصدير إلى ONNX
+#   - local: tflite
+#     title: التصدير إلى TFLite
+#   - local: torchscript
+#     title: التصدير إلى TorchScript
+#   - local: benchmarks
+#     title: المعايير
+#   - local: notebooks
+#     title: دفاتر الملاحظات مع الأمثلة
+#   - local: community
+#     title: موارد المجتمع
+#   - local: troubleshooting
+#     title: استكشاف الأخطاء وإصلاحها
+#   - local: gguf
+#     title: التوافق مع ملفات GGUF
+#   title: أدلة المطورين
+# - sections:
+#   - local: quantization/overview
+#     title: نظرة عامة
+#   - local: quantization/bitsandbytes
+#     title: bitsandbytes
+#   - local: quantization/gptq
+#     title: GPTQ
+#   - local: quantization/awq
+#     title: AWQ
+#   - local: quantization/aqlm
+#     title: AQLM
+#   - local: quantization/quanto
+#     title: Quanto
+#   - local: quantization/eetq
+#     title: EETQ
+#   - local: quantization/hqq
+#     title: HQQ
+#   - local: quantization/optimum
+#     title: Optimum
+#   - local: quantization/contribute
+#     title: المساهمة بطريقة جديدة للتكميم
+#   title: أساليب التكميم
+# - sections:
+#   - local: performance
+#     title: الأداء-نظرة عامة
+#   - local: llm_optims
+#     title: تحسين الاستدلال LLM
+#   - sections:
+#     - local: perf_train_gpu_one
+#       title: استخدام عدة وحدات معالجة رسوميات (GPUs) بشكل متوازٍ
+#     - local: perf_train_gpu_many
+#       title: وحدات معالجة الرسومات (GPU) متعددة والتوازي
+#     - local: fsdp
+#       title: Fully Sharded Data Parallel
+#     - local: deepspeed
+#       title: DeepSpeed
+#     - local: perf_train_cpu
+#       title: التدريب الفعال على وحدة المعالجة المركزية (CPU)
+#     - local: perf_train_cpu_many
+#       title: التدريب الموزع لوحدة المعالجة المركزية (CPU)
+#     - local: perf_train_tpu_tf
+#       title: التدريب على (TPU) باستخدام TensorFlow
+#     - local: perf_train_special
+#       title: تدريب PyTorch على Apple silicon
+#     - local: perf_hardware
+#       title: الأجهزة المخصصة للتدريب
+#     - local: hpo_train
+#       title: البحث عن المعاملات المثلى باستخدام واجهة برمجة تطبيقات المدرب
+#     title: تقنيات التدريب الفعال
+#   - sections:
+#     - local: perf_infer_cpu
+#       title: الإستدلال على وحدة المعالجة المركزية (CPU)
+#     - local: perf_infer_gpu_one
+#       title: الإستدلال على وحدة معالجة الرسومات (GPU)
+#     title: تحسين الاستدلال
+#   - local: big_models
+#     title: إنشاء نموذج كبير
+#   - local: debugging
+#     title: تصحيح الأخطاء البرمجية
+#   - local: tf_xla
+#     title: تكامل XLA لنماذج TensorFlow
+#   - local: perf_torch_compile
+#     title: تحسين الاستدلال باستخدام `torch.compile()`
+#   title: الأداء وقابلية التوسع
+# - sections:
+#   - local: contributing
+#     title: كيفية المساهمة في 🤗 المحولات؟
+#   - local: add_new_model
+#     title: كيفية إضافة نموذج إلى 🤗 المحولات؟
+#   - local: add_new_pipeline
+#     title: كيفية إضافة خط أنابيب إلى 🤗 المحولات؟
+#   - local: testing
+#     title: الاختبار
+#   - local: pr_checks
+#     title: التحقق من طلب السحب
+#   title: المساهمة
+- sections:
+  - local: philosophy
+    title: الفلسفة
+  - local: glossary
+    title: (قاموس المصطلحات (قائمة الكلمات
+  # - local: task_summary
+  #   title: ما الذي يمكن أن تفعله 🤗 المحولات
+  # - local: tasks_explained
+  #   title: كيف تحل المحولات المهام
+  # - local: model_summary
+  #   title: عائلة نماذج المحول
+  # - local: tokenizer_summary
+  #   title: ملخص برنامج مقسم النصوص (tokenizers)
+  # - local: attention
+  #   title: الانتباه Attention
+  # - local: pad_truncation
+  #   title: الحشو والتقليم
+  # - local: bertology
+  #   title: BERTology
+  # - local: perplexity
+  #   title: حيرة النماذج ذات الطول الثابت
+  # - local: pipeline_webserver
+  #   title: خطوط الأنابيب للاستدلال على خادم الويب
+  # - local: model_memory_anatomy
+  #   title: تشريح تدريب النموذج
+  # - local: llm_tutorial_optimization
+  #   title: الاستفادة القصوى من LLMs
+  title: أطر مفاهيمية
+# - sections:
+#   - sections:
+#     - local: main_classes/agent
+#       title: الوكلاء والأدوات
+#     - local: model_doc/auto
+#       title: فئات يتم إنشاؤها ديناميكيًا
+#     - local: main_classes/backbones
+#       title: العمود الفقري
+#     - local: main_classes/callback
+#       title: عمليات الاسترجاع
+#     - local: main_classes/configuration
+#       title: التكوين
+#     - local: main_classes/data_collator
+#       title: مجمع البيانات
+#     - local: main_classes/keras_callbacks
+#       title: استدعاءات Keras
+#     - local: main_classes/logging
+#       title: التسجيل
+#     - local: main_classes/model
+#       title: النماذج
+#     - local: main_classes/text_generation
+#       title: توليد النصوص
+#     - local: main_classes/onnx
+#       title: ONNX
+#     - local: main_classes/optimizer_schedules
+#       title: التحسين
+#     - local: main_classes/output
+#       title: مخرجات النموذج
+#     - local: main_classes/pipelines
+#       title: خطوط الأنابيب
+#     - local: main_classes/processors
+#       title: المعالجات
+#     - local: main_classes/quantization
+#       title: التكميم
+#     - local: main_classes/tokenizer
+#       title: برنامج مقسم النصوص
+#     - local: main_classes/trainer
+#       title: المدرب
+#     - local: main_classes/deepspeed
+#       title: DeepSpeed
+#     - local: main_classes/feature_extractor
+#       title: مستخرج الميزات
+#     - local: main_classes/image_processor
+#       title: معالج الصور
+#     title: الفئات الرئيسية
+#   - sections:
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/albert
+#         title: ALBERT
+#       - local: model_doc/bart
+#         title: BART
+#       - local: model_doc/barthez
+#         title: BARThez
+#       - local: model_doc/bartpho
+#         title: BARTpho
+#       - local: model_doc/bert
+#         title: BERT
+#       - local: model_doc/bert-generation
+#         title: BertGeneration
+#       - local: model_doc/bert-japanese
+#         title: BertJapanese
+#       - local: model_doc/bertweet
+#         title: Bertweet
+#       - local: model_doc/big_bird
+#         title: BigBird
+#       - local: model_doc/bigbird_pegasus
+#         title: BigBirdPegasus
+#       - local: model_doc/biogpt
+#         title: BioGpt
+#       - local: model_doc/blenderbot
+#         title: Blenderbot
+#       - local: model_doc/blenderbot-small
+#         title: Blenderbot Small
+#       - local: model_doc/bloom
+#         title: BLOOM
+#       - local: model_doc/bort
+#         title: BORT
+#       - local: model_doc/byt5
+#         title: ByT5
+#       - local: model_doc/camembert
+#         title: CamemBERT
+#       - local: model_doc/canine
+#         title: CANINE
+#       - local: model_doc/codegen
+#         title: CodeGen
+#       - local: model_doc/code_llama
+#         title: CodeLlama
+#       - local: model_doc/cohere
+#         title: Cohere
+#       - local: model_doc/convbert
+#         title: ConvBERT
+#       - local: model_doc/cpm
+#         title: CPM
+#       - local: model_doc/cpmant
+#         title: CPMANT
+#       - local: model_doc/ctrl
+#         title: CTRL
+#       - local: model_doc/dbrx
+#         title: DBRX
+#       - local: model_doc/deberta
+#         title: DeBERTa
+#       - local: model_doc/deberta-v2
+#         title: DeBERTa-v2
+#       - local: model_doc/dialogpt
+#         title: DialoGPT
+#       - local: model_doc/distilbert
+#         title: DistilBERT
+#       - local: model_doc/dpr
+#         title: DPR
+#       - local: model_doc/electra
+#         title: ELECTRA
+#       - local: model_doc/encoder-decoder
+#         title: Encoder Decoder Models
+#       - local: model_doc/ernie
+#         title: ERNIE
+#       - local: model_doc/ernie_m
+#         title: ErnieM
+#       - local: model_doc/esm
+#         title: ESM
+#       - local: model_doc/falcon
+#         title: Falcon
+#       - local: model_doc/fastspeech2_conformer
+#         title: FastSpeech2Conformer
+#       - local: model_doc/flan-t5
+#         title: FLAN-T5
+#       - local: model_doc/flan-ul2
+#         title: FLAN-UL2
+#       - local: model_doc/flaubert
+#         title: FlauBERT
+#       - local: model_doc/fnet
+#         title: FNet
+#       - local: model_doc/fsmt
+#         title: FSMT
+#       - local: model_doc/funnel
+#         title: Funnel Transformer
+#       - local: model_doc/fuyu
+#         title: Fuyu
+#       - local: model_doc/gemma
+#         title: Gemma
+#       - local: model_doc/openai-gpt
+#         title: GPT
+#       - local: model_doc/gpt_neo
+#         title: GPT Neo
+#       - local: model_doc/gpt_neox
+#         title: GPT NeoX
+#       - local: model_doc/gpt_neox_japanese
+#         title: GPT NeoX Japanese
+#       - local: model_doc/gptj
+#         title: GPT-J
+#       - local: model_doc/gpt2
+#         title: GPT2
+#       - local: model_doc/gpt_bigcode
+#         title: GPTBigCode
+#       - local: model_doc/gptsan-japanese
+#         title: GPTSAN Japanese
+#       - local: model_doc/gpt-sw3
+#         title: GPTSw3
+#       - local: model_doc/herbert
+#         title: HerBERT
+#       - local: model_doc/ibert
+#         title: I-BERT
+#       - local: model_doc/jamba
+#         title: Jamba
+#       - local: model_doc/jetmoe
+#         title: JetMoe
+#       - local: model_doc/jukebox
+#         title: Jukebox
+#       - local: model_doc/led
+#         title: LED
+#       - local: model_doc/llama
+#         title: LLaMA
+#       - local: model_doc/llama2
+#         title: Llama2
+#       - local: model_doc/llama3
+#         title: Llama3
+#       - local: model_doc/longformer
+#         title: Longformer
+#       - local: model_doc/longt5
+#         title: LongT5
+#       - local: model_doc/luke
+#         title: LUKE
+#       - local: model_doc/m2m_100
+#         title: M2M100
+#       - local: model_doc/madlad-400
+#         title: MADLAD-400
+#       - local: model_doc/mamba
+#         title: Mamba
+#       - local: model_doc/marian
+#         title: MarianMT
+#       - local: model_doc/markuplm
+#         title: MarkupLM
+#       - local: model_doc/mbart
+#         title: MBart and MBart-50
+#       - local: model_doc/mega
+#         title: MEGA
+#       - local: model_doc/megatron-bert
+#         title: MegatronBERT
+#       - local: model_doc/megatron_gpt2
+#         title: MegatronGPT2
+#       - local: model_doc/mistral
+#         title: Mistral
+#       - local: model_doc/mixtral
+#         title: Mixtral
+#       - local: model_doc/mluke
+#         title: mLUKE
+#       - local: model_doc/mobilebert
+#         title: MobileBERT
+#       - local: model_doc/mpnet
+#         title: MPNet
+#       - local: model_doc/mpt
+#         title: MPT
+#       - local: model_doc/mra
+#         title: MRA
+#       - local: model_doc/mt5
+#         title: MT5
+#       - local: model_doc/mvp
+#         title: MVP
+#       - local: model_doc/nezha
+#         title: NEZHA
+#       - local: model_doc/nllb
+#         title: NLLB
+#       - local: model_doc/nllb-moe
+#         title: NLLB-MoE
+#       - local: model_doc/nystromformer
+#         title: Nyströmformer
+#       - local: model_doc/olmo
+#         title: OLMo
+#       - local: model_doc/open-llama
+#         title: Open-Llama
+#       - local: model_doc/opt
+#         title: OPT
+#       - local: model_doc/pegasus
+#         title: Pegasus
+#       - local: model_doc/pegasus_x
+#         title: PEGASUS-X
+#       - local: model_doc/persimmon
+#         title: Persimmon
+#       - local: model_doc/phi
+#         title: Phi
+#       - local: model_doc/phi3
+#         title: Phi-3
+#       - local: model_doc/phobert
+#         title: PhoBERT
+#       - local: model_doc/plbart
+#         title: PLBart
+#       - local: model_doc/prophetnet
+#         title: ProphetNet
+#       - local: model_doc/qdqbert
+#         title: QDQBert
+#       - local: model_doc/qwen2
+#         title: Qwen2
+#       - local: model_doc/qwen2_moe
+#         title: Qwen2MoE
+#       - local: model_doc/rag
+#         title: RAG
+#       - local: model_doc/realm
+#         title: REALM
+#       - local: model_doc/recurrent_gemma
+#         title: RecurrentGemma
+#       - local: model_doc/reformer
+#         title: Reformer
+#       - local: model_doc/rembert
+#         title: RemBERT
+#       - local: model_doc/retribert
+#         title: RetriBERT
+#       - local: model_doc/roberta
+#         title: RoBERTa
+#       - local: model_doc/roberta-prelayernorm
+#         title: RoBERTa-PreLayerNorm
+#       - local: model_doc/roc_bert
+#         title: RoCBert
+#       - local: model_doc/roformer
+#         title: RoFormer
+#       - local: model_doc/rwkv
+#         title: RWKV
+#       - local: model_doc/splinter
+#         title: Splinter
+#       - local: model_doc/squeezebert
+#         title: SqueezeBERT
+#       - local: model_doc/stablelm
+#         title: StableLm
+#       - local: model_doc/starcoder2
+#         title: Starcoder2
+#       - local: model_doc/switch_transformers
+#         title: SwitchTransformers
+#       - local: model_doc/t5
+#         title: T5
+#       - local: model_doc/t5v1.1
+#         title: T5v1.1
+#       - local: model_doc/tapex
+#         title: TAPEX
+#       - local: model_doc/transfo-xl
+#         title: Transformer XL
+#       - local: model_doc/ul2
+#         title: UL2
+#       - local: model_doc/umt5
+#         title: UMT5
+#       - local: model_doc/xmod
+#         title: X-MOD
+#       - local: model_doc/xglm
+#         title: XGLM
+#       - local: model_doc/xlm
+#         title: XLM
+#       - local: model_doc/xlm-prophetnet
+#         title: XLM-ProphetNet
+#       - local: model_doc/xlm-roberta
+#         title: XLM-RoBERTa
+#       - local: model_doc/xlm-roberta-xl
+#         title: XLM-RoBERTa-XL
+#       - local: model_doc/xlm-v
+#         title: XLM-V
+#       - local: model_doc/xlnet
+#         title: XLNet
+#       - local: model_doc/yoso
+#         title: YOSO
+#       title: Text models
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/beit
+#         title: BEiT
+#       - local: model_doc/bit
+#         title: BiT
+#       - local: model_doc/conditional_detr
+#         title: Conditional DETR
+#       - local: model_doc/convnext
+#         title: ConvNeXT
+#       - local: model_doc/convnextv2
+#         title: ConvNeXTV2
+#       - local: model_doc/cvt
+#         title: CVT
+#       - local: model_doc/deformable_detr
+#         title: Deformable DETR
+#       - local: model_doc/deit
+#         title: DeiT
+#       - local: model_doc/depth_anything
+#         title: Depth Anything
+#       - local: model_doc/deta
+#         title: DETA
+#       - local: model_doc/detr
+#         title: DETR
+#       - local: model_doc/dinat
+#         title: DiNAT
+#       - local: model_doc/dinov2
+#         title: DINOV2
+#       - local: model_doc/dit
+#         title: DiT
+#       - local: model_doc/dpt
+#         title: DPT
+#       - local: model_doc/efficientformer
+#         title: EfficientFormer
+#       - local: model_doc/efficientnet
+#         title: EfficientNet
+#       - local: model_doc/focalnet
+#         title: FocalNet
+#       - local: model_doc/glpn
+#         title: GLPN
+#       - local: model_doc/imagegpt
+#         title: ImageGPT
+#       - local: model_doc/levit
+#         title: LeViT
+#       - local: model_doc/mask2former
+#         title: Mask2Former
+#       - local: model_doc/maskformer
+#         title: MaskFormer
+#       - local: model_doc/mobilenet_v1
+#         title: MobileNetV1
+#       - local: model_doc/mobilenet_v2
+#         title: MobileNetV2
+#       - local: model_doc/mobilevit
+#         title: MobileViT
+#       - local: model_doc/mobilevitv2
+#         title: MobileViTV2
+#       - local: model_doc/nat
+#         title: NAT
+#       - local: model_doc/poolformer
+#         title: PoolFormer
+#       - local: model_doc/pvt
+#         title: Pyramid Vision Transformer (PVT)
+#       - local: model_doc/pvt_v2
+#         title: Pyramid Vision Transformer v2 (PVTv2)
+#       - local: model_doc/regnet
+#         title: RegNet
+#       - local: model_doc/resnet
+#         title: ResNet
+#       - local: model_doc/segformer
+#         title: SegFormer
+#       - local: model_doc/seggpt
+#         title: SegGpt
+#       - local: model_doc/superpoint
+#         title: SuperPoint
+#       - local: model_doc/swiftformer
+#         title: SwiftFormer
+#       - local: model_doc/swin
+#         title: Swin Transformer
+#       - local: model_doc/swinv2
+#         title: Swin Transformer V2
+#       - local: model_doc/swin2sr
+#         title: Swin2SR
+#       - local: model_doc/table-transformer
+#         title: Table Transformer
+#       - local: model_doc/upernet
+#         title: UperNet
+#       - local: model_doc/van
+#         title: VAN
+#       - local: model_doc/vit
+#         title: Vision Transformer (ViT)
+#       - local: model_doc/vit_hybrid
+#         title: ViT Hybrid
+#       - local: model_doc/vitdet
+#         title: ViTDet
+#       - local: model_doc/vit_mae
+#         title: ViTMAE
+#       - local: model_doc/vitmatte
+#         title: ViTMatte
+#       - local: model_doc/vit_msn
+#         title: ViTMSN
+#       - local: model_doc/yolos
+#         title: YOLOS
+#       title: Vision models
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/audio-spectrogram-transformer
+#         title: Audio Spectrogram Transformer
+#       - local: model_doc/bark
+#         title: Bark
+#       - local: model_doc/clap
+#         title: CLAP
+#       - local: model_doc/encodec
+#         title: EnCodec
+#       - local: model_doc/hubert
+#         title: Hubert
+#       - local: model_doc/mctct
+#         title: MCTCT
+#       - local: model_doc/mms
+#         title: MMS
+#       - local: model_doc/musicgen
+#         title: MusicGen
+#       - local: model_doc/musicgen_melody
+#         title: MusicGen Melody
+#       - local: model_doc/pop2piano
+#         title: Pop2Piano
+#       - local: model_doc/seamless_m4t
+#         title: Seamless-M4T
+#       - local: model_doc/seamless_m4t_v2
+#         title: SeamlessM4T-v2
+#       - local: model_doc/sew
+#         title: SEW
+#       - local: model_doc/sew-d
+#         title: SEW-D
+#       - local: model_doc/speech_to_text
+#         title: Speech2Text
+#       - local: model_doc/speech_to_text_2
+#         title: Speech2Text2
+#       - local: model_doc/speecht5
+#         title: SpeechT5
+#       - local: model_doc/unispeech
+#         title: UniSpeech
+#       - local: model_doc/unispeech-sat
+#         title: UniSpeech-SAT
+#       - local: model_doc/univnet
+#         title: UnivNet
+#       - local: model_doc/vits
+#         title: VITS
+#       - local: model_doc/wav2vec2
+#         title: Wav2Vec2
+#       - local: model_doc/wav2vec2-bert
+#         title: Wav2Vec2-BERT
+#       - local: model_doc/wav2vec2-conformer
+#         title: Wav2Vec2-Conformer
+#       - local: model_doc/wav2vec2_phoneme
+#         title: Wav2Vec2Phoneme
+#       - local: model_doc/wavlm
+#         title: WavLM
+#       - local: model_doc/whisper
+#         title: Whisper
+#       - local: model_doc/xls_r
+#         title: XLS-R
+#       - local: model_doc/xlsr_wav2vec2
+#         title: XLSR-Wav2Vec2
+#       title: Audio models
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/timesformer
+#         title: TimeSformer
+#       - local: model_doc/videomae
+#         title: VideoMAE
+#       - local: model_doc/vivit
+#         title: ViViT
+#       title: Video models
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/align
+#         title: ALIGN
+#       - local: model_doc/altclip
+#         title: AltCLIP
+#       - local: model_doc/blip
+#         title: BLIP
+#       - local: model_doc/blip-2
+#         title: BLIP-2
+#       - local: model_doc/bridgetower
+#         title: BridgeTower
+#       - local: model_doc/bros
+#         title: BROS
+#       - local: model_doc/chinese_clip
+#         title: Chinese-CLIP
+#       - local: model_doc/clip
+#         title: CLIP
+#       - local: model_doc/clipseg
+#         title: CLIPSeg
+#       - local: model_doc/clvp
+#         title: CLVP
+#       - local: model_doc/data2vec
+#         title: Data2Vec
+#       - local: model_doc/deplot
+#         title: DePlot
+#       - local: model_doc/donut
+#         title: Donut
+#       - local: model_doc/flava
+#         title: FLAVA
+#       - local: model_doc/git
+#         title: GIT
+#       - local: model_doc/grounding-dino
+#         title: Grounding DINO
+#       - local: model_doc/groupvit
+#         title: GroupViT
+#       - local: model_doc/idefics
+#         title: IDEFICS
+#       - local: model_doc/idefics2
+#         title: Idefics2
+#       - local: model_doc/instructblip
+#         title: InstructBLIP
+#       - local: model_doc/kosmos-2
+#         title: KOSMOS-2
+#       - local: model_doc/layoutlm
+#         title: LayoutLM
+#       - local: model_doc/layoutlmv2
+#         title: LayoutLMV2
+#       - local: model_doc/layoutlmv3
+#         title: LayoutLMV3
+#       - local: model_doc/layoutxlm
+#         title: LayoutXLM
+#       - local: model_doc/lilt
+#         title: LiLT
+#       - local: model_doc/llava
+#         title: Llava
+#       - local: model_doc/llava_next
+#         title: LLaVA-NeXT
+#       - local: model_doc/lxmert
+#         title: LXMERT
+#       - local: model_doc/matcha
+#         title: MatCha
+#       - local: model_doc/mgp-str
+#         title: MGP-STR
+#       - local: model_doc/nougat
+#         title: Nougat
+#       - local: model_doc/oneformer
+#         title: OneFormer
+#       - local: model_doc/owlvit
+#         title: OWL-ViT
+#       - local: model_doc/owlv2
+#         title: OWLv2
+#       - local: model_doc/paligemma
+#         title: PaliGemma
+#       - local: model_doc/perceiver
+#         title: Perceiver
+#       - local: model_doc/pix2struct
+#         title: Pix2Struct
+#       - local: model_doc/sam
+#         title: Segment Anything
+#       - local: model_doc/siglip
+#         title: SigLIP
+#       - local: model_doc/speech-encoder-decoder
+#         title: Speech Encoder Decoder Models
+#       - local: model_doc/tapas
+#         title: TAPAS
+#       - local: model_doc/trocr
+#         title: TrOCR
+#       - local: model_doc/tvlt
+#         title: TVLT
+#       - local: model_doc/tvp
+#         title: TVP
+#       - local: model_doc/udop
+#         title: UDOP
+#       - local: model_doc/video_llava
+#         title: VideoLlava
+#       - local: model_doc/vilt
+#         title: ViLT
+#       - local: model_doc/vipllava
+#         title: VipLlava
+#       - local: model_doc/vision-encoder-decoder
+#         title: Vision Encoder Decoder Models
+#       - local: model_doc/vision-text-dual-encoder
+#         title: Vision Text Dual Encoder
+#       - local: model_doc/visual_bert
+#         title: VisualBERT
+#       - local: model_doc/xclip
+#         title: X-CLIP
+#       title: Multimodal models
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/decision_transformer
+#         title: محول القرار
+#       - local: model_doc/trajectory_transformer
+#         title: محول المسار
+#       title: نماذج التعلم التعزيزية
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/autoformer
+#         title: Autoformer
+#       - local: model_doc/informer
+#         title: Informer
+#       - local: model_doc/patchtsmixer
+#         title: PatchTSMixer
+#       - local: model_doc/patchtst
+#         title: PatchTST
+#       - local: model_doc/time_series_transformer
+#         title: محول السلاسل الزمنية
+#       title: نماذج السلاسل الزمنية
+#     - isExpanded: false
+#       sections:
+#       - local: model_doc/graphormer
+#         title: Graphormer
+#       title: نماذج الرسم البياني
+#     title: النماذج
+#   - sections:
+#     - local: internal/modeling_utils
+#       title: الطبقات المخصصة والمرافق
+#     - local: internal/pipelines_utils
+#       title: مرافق خطوط الأنابيب
+#     - local: internal/tokenization_utils
+#       title: مرافق مقسم النصوص 
+#     - local: internal/trainer_utils
+#       title: مرافق المدرب
+#     - local: internal/generation_utils
+#       title: مرافق التوليد
+#     - local: internal/image_processing_utils
+#       title: مرافق معالجة الصور
+#     - local: internal/audio_utils
+#       title: مرافق معالجة الصوت
+#     - local: internal/file_utils
+#       title: مرافق عامة
+#     - local: internal/time_series_utils
+#       title: مرافق السلاسل الزمنية
+#     title: مساعدون داخليون
+#   title: API

From 79436418815d814a41323e0ebb243c2ff18a0784 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:56:45 +0300
Subject: [PATCH 03/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index eab5f78682ed..a288ad81d00f 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -1,4 +1,4 @@
-# ما الذي يمكن أن تفعله مكتبة 🤗 Transformers؟
+# ما الذي تستطيع مكتبة 🤗 Transformers القيام به؟
 
 🤗 Transformers هي مكتبة تضم نماذج مُدربة مسبقًا رائدة في مجال معالجة اللغات الطبيعية (NLP)، ورؤية الكمبيوتر، ومعالجة الصوت والمهام الكلامية. لا تحتوي المكتبة على نماذج المحول فحسب، بل تحتوي أيضًا على نماذج غير محولة مثل الشبكات التلافيفية الحديثة لمهام رؤية الكمبيوتر. إذا نظرت إلى بعض أكثر المنتجات الاستهلاكية شيوعًا اليوم، مثل الهواتف الذكية والتطبيقات وأجهزة التلفزيون، فمن المحتمل أن يكون هناك نوع من تقنية التعلم العميق وراءها. هل تريد إزالة كائن الخلفية من صورة التقطتها بهاتفك الذكي؟ هذا مثال على مهمة التجزئة الشاملة (لا تقلق إذا لم تكن تعرف معنى ذلك بعد، فسوف نصفه في الأقسام التالية!).
 

From ce832de40aef0cedc001bfa6518524a9f5f06dee Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:56:57 +0300
Subject: [PATCH 04/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index a288ad81d00f..b38fb5af5033 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -1,6 +1,6 @@
 # ما الذي تستطيع مكتبة 🤗 Transformers القيام به؟
 
-🤗 Transformers هي مكتبة تضم نماذج مُدربة مسبقًا رائدة في مجال معالجة اللغات الطبيعية (NLP)، ورؤية الكمبيوتر، ومعالجة الصوت والمهام الكلامية. لا تحتوي المكتبة على نماذج المحول فحسب، بل تحتوي أيضًا على نماذج غير محولة مثل الشبكات التلافيفية الحديثة لمهام رؤية الكمبيوتر. إذا نظرت إلى بعض أكثر المنتجات الاستهلاكية شيوعًا اليوم، مثل الهواتف الذكية والتطبيقات وأجهزة التلفزيون، فمن المحتمل أن يكون هناك نوع من تقنية التعلم العميق وراءها. هل تريد إزالة كائن الخلفية من صورة التقطتها بهاتفك الذكي؟ هذا مثال على مهمة التجزئة الشاملة (لا تقلق إذا لم تكن تعرف معنى ذلك بعد، فسوف نصفه في الأقسام التالية!).
+مكتبة 🤗 Transformers هي مجموعة من النماذج المُدرّبة مسبقًا الأفضل في فئتها لمهام معالجة اللغة الطبيعية (NLP)، ورؤية الحاسوب، ومعالجة الصوت والكلام. لا تحتوي المكتبة فقط على نماذج المحولات (Transformer) فحسب، بل تشمل أيضًا نماذج أخرى لا تعتمد على المحولات مثل الشبكات العصبية التلافيفية الحديثة لمهام رؤية الحاسوب. إذا نظرت إلى بعض المنتجات الاستهلاكية الأكثر شيوعًا اليوم، مثل الهواتف الذكية والتطبيقات وأجهزة التلفاز، فمن المحتمل أن تقف وراءها تقنية ما من تقنيات التعلم العميق. هل تريد إزالة جسم من خلفية صورة التقطتها بهاتفك الذكي؟ هذا مثال على مهمة التجزئة البانورامية (Panoptic Segmentation) ( لا تقلق إذا لم تفهم معناها بعد، فسوف نشرحها في الأقسام التالية!).
 
 تقدم هذه الصفحة نظرة عامة على مهام الكلام والصوت ورؤية الكمبيوتر ومعالجة اللغات الطبيعية المختلفة التي يمكن حلها باستخدام مكتبة 🤗 Transformers في ثلاثة أسطر فقط من التعليمات البرمجية!
 

From 4ba86b8748ffba6a6e8c063f2b9e4ada75e8d7d9 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:57:11 +0300
Subject: [PATCH 05/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index b38fb5af5033..64d91a34fcb9 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -2,7 +2,7 @@
 
 مكتبة 🤗 Transformers هي مجموعة من النماذج المُدرّبة مسبقًا الأفضل في فئتها لمهام معالجة اللغة الطبيعية (NLP)، ورؤية الحاسوب، ومعالجة الصوت والكلام. لا تحتوي المكتبة فقط على نماذج المحولات (Transformer) فحسب، بل تشمل أيضًا نماذج أخرى لا تعتمد على المحولات مثل الشبكات العصبية التلافيفية الحديثة لمهام رؤية الحاسوب. إذا نظرت إلى بعض المنتجات الاستهلاكية الأكثر شيوعًا اليوم، مثل الهواتف الذكية والتطبيقات وأجهزة التلفاز، فمن المحتمل أن تقف وراءها تقنية ما من تقنيات التعلم العميق. هل تريد إزالة جسم من خلفية صورة التقطتها بهاتفك الذكي؟ هذا مثال على مهمة التجزئة البانورامية (Panoptic Segmentation) ( لا تقلق إذا لم تفهم معناها بعد، فسوف نشرحها في الأقسام التالية!).
 
-تقدم هذه الصفحة نظرة عامة على مهام الكلام والصوت ورؤية الكمبيوتر ومعالجة اللغات الطبيعية المختلفة التي يمكن حلها باستخدام مكتبة 🤗 Transformers في ثلاثة أسطر فقط من التعليمات البرمجية!
+توفر هذه الصفحة نظرة عامة على مختلف مهام الكلام والصوت ورؤية الحاسوب ومعالجة اللغات الطبيعية المختلفة التي يمكن حلها باستخدام مكتبة 🤗 Transformers في ثلاثة أسطر فقط من التعليمات البرمجية!
 
 ## الصوت
 

From 8624f35c5980d2026a16e6852caf6cf392dac1ee Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:57:21 +0300
Subject: [PATCH 06/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 64d91a34fcb9..cb16efb1ef39 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -6,7 +6,7 @@
 
 ## الصوت
 
-تختلف مهام معالجة الصوت والكلام قليلاً عن الطرائق الأخرى بشكل أساسي لأن الصوت كإدخال هو إشارة مستمرة. على عكس النص، لا يمكن تقسيم الموجة الصوتية الخام بشكل مرتب في أجزاء منفصلة بالطريقة التي يمكن بها تقسيم الجملة إلى كلمات. وللتغلب على هذا، يتم عادةً أخذ عينات من الإشارة الصوتية الخام على فترات منتظمة. إذا قمت بأخذ المزيد من العينات ضمن فترة زمنية، يكون معدل العينات أعلى، ويشبه الصوت بشكل أوثق مصدر الصوت الأصلي.
+تختلف مهام معالجة الصوت والكلام قليلاً عن باقي الوسائط، ويرجع ذلك ببشكل أساسي لأن الصوت كمدخل هو إشارة متصلة. على عكس النص، لا يمكن تقسيم الموجة الصوتية الخام بشكل مرتب في أجزاء منفصلة بالطريقة التي يمكن بها تقسيم الجملة إلى كلمات. وللتغلب على هذا، يتم عادةً أخذ عينات من الإشارة الصوتية الخام على فترات زمنية منتظمة. كلما زاد عدد العينات التي تؤخذ في فترة زمنية معينة، ارتفع معدل أخذ العينات (معدل التردد)، وصار الصوت أقرب إلى مصدر الصوت الأصلي.
 
 قامت الطرق السابقة بمعالجة الصوت لاستخراج الميزات المفيدة منه. أصبح من الشائع الآن البدء بمهام معالجة الصوت والكلام عن طريق إدخال الموجة الصوتية الخام مباشرة في مشفر الميزات لاستخراج تمثيل صوتي. وهذا يبسط خطوة المعالجة المسبقة ويسمح للنموذج بتعلم أهم الميزات.
 

From 5b511f55d9ac8308cbda4a798c672259fe60cf65 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:57:32 +0300
Subject: [PATCH 07/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index cb16efb1ef39..9a9fe2f608fd 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -8,7 +8,7 @@
 
 تختلف مهام معالجة الصوت والكلام قليلاً عن باقي الوسائط، ويرجع ذلك ببشكل أساسي لأن الصوت كمدخل هو إشارة متصلة. على عكس النص، لا يمكن تقسيم الموجة الصوتية الخام بشكل مرتب في أجزاء منفصلة بالطريقة التي يمكن بها تقسيم الجملة إلى كلمات. وللتغلب على هذا، يتم عادةً أخذ عينات من الإشارة الصوتية الخام على فترات زمنية منتظمة. كلما زاد عدد العينات التي تؤخذ في فترة زمنية معينة، ارتفع معدل أخذ العينات (معدل التردد)، وصار الصوت أقرب إلى مصدر الصوت الأصلي.
 
-قامت الطرق السابقة بمعالجة الصوت لاستخراج الميزات المفيدة منه. أصبح من الشائع الآن البدء بمهام معالجة الصوت والكلام عن طريق إدخال الموجة الصوتية الخام مباشرة في مشفر الميزات لاستخراج تمثيل صوتي. وهذا يبسط خطوة المعالجة المسبقة ويسمح للنموذج بتعلم أهم الميزات.
+قامت الطرق السابقة بمعالجة الصوت لاستخراج الميزات المفيدة منه. أصبح من الشائع الآن البدء بمهام معالجة الصوت والكلام عن طريق تغذية شكل الموجة الصوتية الخام مباشرة في مشفر الميزات (Feature Encoder)  لاستخراج تمثيل صوتي له. وهذا يبسط خطوة المعالجة المسبقة ويسمح للنموذج بتعلم أهم الميزات.
 
 ### تصنيف الصوت
 

From 3a3c5437f07ab47bb0fdd2137d3561ce6832208b Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:57:56 +0300
Subject: [PATCH 08/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 9a9fe2f608fd..9a6dc5aeee13 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -12,7 +12,7 @@
 
 ### تصنيف الصوت
 
-تصنيف الصوت هو مهمة تقوم بوضع علامات على بيانات الصوت من مجموعة محددة مسبقًا من الفئات. إنه فئة واسعة مع العديد من التطبيقات المحددة، والتي تشمل:
+تصنيف الصوت (Audio Classification) هو مهمة يتم فيها تصنيف بيانات الصوت الصوت من مجموعة محددة مسبقًا من الفئات. إنه فئة واسعة تضم العديد من التطبيقات المحددة، والتي تشمل:
 
 * تصنيف المشهد الصوتي: وضع علامة على الصوت باستخدام تسمية المشهد ("المكتب"، "الشاطئ"، "الملعب")
 * اكتشاف الأحداث الصوتية: وضع علامة على الصوت باستخدام تسمية حدث صوتي ("بوق السيارة"، "نداء الحوت"، "كسر الزجاج")

From b01a9b2f2ccf785da97db2904579e9e511ac2782 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:58:18 +0300
Subject: [PATCH 09/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 9a6dc5aeee13..536a59bcbf0e 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -15,9 +15,9 @@
 تصنيف الصوت (Audio Classification) هو مهمة يتم فيها تصنيف بيانات الصوت الصوت من مجموعة محددة مسبقًا من الفئات. إنه فئة واسعة تضم العديد من التطبيقات المحددة، والتي تشمل:
 
 * تصنيف المشهد الصوتي: وضع علامة على الصوت باستخدام تسمية المشهد ("المكتب"، "الشاطئ"، "الملعب")
-* اكتشاف الأحداث الصوتية: وضع علامة على الصوت باستخدام تسمية حدث صوتي ("بوق السيارة"، "نداء الحوت"، "كسر الزجاج")
-* وضع العلامات: وضع علامة على الصوت الذي يحتوي على أصوات متعددة (أغاني الطيور، وتحديد المتحدث في اجتماع)
-* تصنيف الموسيقى: وضع علامة على الموسيقى بتسمية النوع ("معدن"، "هيب هوب"، "البلد")
+* اكتشاف الأحداث الصوتية: وضع علامة على الصوت باستخدام تسمية حدث صوتي ("بوق السيارة"، "صوت الحوت"، "كسر زجاج")
+* الوسم: وصنيف صوت يحتوي على أصوات متعددة (أصوات الطيور، وتحديد هوية المتحدث في اجتماع)
+* تصنيف الموسيقى: وضع علامة على الموسيقى بتسمية النوع ("ميتال"، "هيب هوب"، "كانتري")
 
 ```py
 >>> from transformers import pipeline

From 6cdab824b682425fc32b58208757053c8bf963e4 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:58:39 +0300
Subject: [PATCH 10/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 536a59bcbf0e..faefa5be3697 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -34,7 +34,7 @@
 
 ### التعرف التلقائي على الكلام
 
-يقوم التعرف التلقائي على الكلام (ASR) بنقل الكلام إلى نص. إنه أحد أكثر المهام الصوتية شيوعًا ويرجع ذلك جزئيًا إلى أن الكلام هو شكل طبيعي جدًا من أشكال التواصل البشري. اليوم، يتم تضمين أنظمة ASR في منتجات التكنولوجيا "الذكية" مثل مكبرات الصوت والهواتف والسيارات. يمكننا أن نطلب من مساعدينا الافتراضيين تشغيل الموسيقى، وضبط التذكيرات، وإخبارنا بالطقس.
+يقوم التعرف التلقائي على الكلام (ASR) هو عملية تحويل الكلام إلى نص. إنه أحد أكثر المهام الصوتية شيوعًا ويرجع ذلك جزئيًا إلى أن الكلام وسيلة طبيعية للتواصل البشري. واليوم، يتم تضمين أنظمة ASR في منتجات التقنية "الذكية" مثل مكبرات الصوت والهواتف والسيارات. يمكننا أن نطلب من مساعدينا الافتراضيين تشغيل الموسيقى، وضبط التذكيرات، وإخبارنا بأحوال الطقس.
 ولكن أحد التحديات الرئيسية التي ساعدت عليها هندسات المحول هي اللغات منخفضة الموارد. من خلال التدريب المسبق على كميات كبيرة من بيانات الكلام، يمكن أن يؤدي ضبط دقة النموذج على ساعة واحدة فقط من بيانات الكلام المُوسم في لغة منخفضة الموارد إلى نتائج عالية الجودة مقارنة بأنظمة ASR السابقة التي تم تدريبها على بيانات موسومة أكثر بـ 100 مرة.
 
 ```py

From d2dec4506d268def07c38f8d117f2cc2c5c33791 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:59:01 +0300
Subject: [PATCH 11/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index faefa5be3697..3e95c2dbb8e0 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -35,7 +35,7 @@
 ### التعرف التلقائي على الكلام
 
 يقوم التعرف التلقائي على الكلام (ASR) هو عملية تحويل الكلام إلى نص. إنه أحد أكثر المهام الصوتية شيوعًا ويرجع ذلك جزئيًا إلى أن الكلام وسيلة طبيعية للتواصل البشري. واليوم، يتم تضمين أنظمة ASR في منتجات التقنية "الذكية" مثل مكبرات الصوت والهواتف والسيارات. يمكننا أن نطلب من مساعدينا الافتراضيين تشغيل الموسيقى، وضبط التذكيرات، وإخبارنا بأحوال الطقس.
-ولكن أحد التحديات الرئيسية التي ساعدت عليها هندسات المحول هي اللغات منخفضة الموارد. من خلال التدريب المسبق على كميات كبيرة من بيانات الكلام، يمكن أن يؤدي ضبط دقة النموذج على ساعة واحدة فقط من بيانات الكلام المُوسم في لغة منخفضة الموارد إلى نتائج عالية الجودة مقارنة بأنظمة ASR السابقة التي تم تدريبها على بيانات موسومة أكثر بـ 100 مرة.
+ولكن أحد التحديات الرئيسية التي ساعدت نماذج المحولات (Transformer) في التغلب عليها هو التعامل مع اللغات منخفضة الموارد. فمن خلال التدريب المسبق على كميات كبيرة من بيانات الصوتية، يُمكن ضبط النموذج بدقة (Fine-tuning) باستخدام ساعة واحدة فقط من بيانات الكلام المُوسم في لغة منخفضة الموارد إلى نتائج عالية الجودة مقارنة بأنظمة ASR السابقة التي تم تدريبها على بيانات موسومة أكثر بـ 100 مرة.
 
 ```py
 >>> from transformers import pipeline

From 59cec68e49968e43c98dbd91b3f0628cd6dd1c4a Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:59:22 +0300
Subject: [PATCH 12/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 3e95c2dbb8e0..3a40751f5ce4 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -45,7 +45,7 @@
 {'text': ' I have a dream that one day this nation will rise up and live out the true meaning of its creed.'}
 ```
 
-## رؤية الكمبيوتر
+## رؤية الحاسب
 
 كانت إحدى مهام رؤية الكمبيوتر الأولى والأكثر نجاحًا في التعرف على صور رموز البريد باستخدام [شبكة عصبية تلافيفية (CNN)](glossary#convolution). تتكون الصورة من بكسلات، ولكل بكسل قيمة رقمية. وهذا يجعل من السهل تمثيل صورة كمصفوفة من قيم البكسل. يصف كل مزيج خاص من قيم البكسل ألوان الصورة.
 

From 5391f2acbca59ca95429c150f4e067ac936270bf Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 06:59:48 +0300
Subject: [PATCH 13/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 3a40751f5ce4..86ad28720a1f 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -47,7 +47,7 @@
 
 ## رؤية الحاسب
 
-كانت إحدى مهام رؤية الكمبيوتر الأولى والأكثر نجاحًا في التعرف على صور رموز البريد باستخدام [شبكة عصبية تلافيفية (CNN)](glossary#convolution). تتكون الصورة من بكسلات، ولكل بكسل قيمة رقمية. وهذا يجعل من السهل تمثيل صورة كمصفوفة من قيم البكسل. يصف كل مزيج خاص من قيم البكسل ألوان الصورة.
+كانت إحدى أوائل مهام رؤية الحاسب وأنجحها هى التعرف على صور أرقام الرموز البريدية باستخدام [شبكة عصبية تلافيفية (CNN)](glossary#convolution). تتكون الصورة من وحدات بيكسل، ولكل بكسل قيمة رقمية. وهذا يجعل من السهل تمثيل صورة كمصفوفة من قيم البكسل. يصف كل مزيج معين من قيم البكسل ألوان الصورة.
 
 هناك طريقتان عامتان يمكن من خلالهما حل مهام رؤية الكمبيوتر:
 

From 58fdf1645a6acd9ca64a012ce29aa36466e2940f Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:00:10 +0300
Subject: [PATCH 14/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 86ad28720a1f..be20eb1addde 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -49,7 +49,7 @@
 
 كانت إحدى أوائل مهام رؤية الحاسب وأنجحها هى التعرف على صور أرقام الرموز البريدية باستخدام [شبكة عصبية تلافيفية (CNN)](glossary#convolution). تتكون الصورة من وحدات بيكسل، ولكل بكسل قيمة رقمية. وهذا يجعل من السهل تمثيل صورة كمصفوفة من قيم البكسل. يصف كل مزيج معين من قيم البكسل ألوان الصورة.
 
-هناك طريقتان عامتان يمكن من خلالهما حل مهام رؤية الكمبيوتر:
+هناك طريقتان عامتان يمكن من خلالهما حل مهام رؤية الحاسب:
 
 1. استخدام التلافيف لتعلم الميزات الهرمية لصورة من الميزات منخفضة المستوى إلى الأشياء المجردة عالية المستوى.
 2. تقسيم صورة إلى رقع واستخدام محول ليتعلم تدريجياً كيف ترتبط كل رقعة صورة ببعضها البعض لتشكيل صورة. على عكس النهج التصاعدي الذي تفضله شبكة CNN، هذا يشبه إلى حد ما البدء بصورة ضبابية ثم جعلها تدريجياً أكثر وضوحًا.

From 37ce3cc2417ac9e7f2495008d6333e427f4454eb Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:00:28 +0300
Subject: [PATCH 15/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index be20eb1addde..dde2081e5779 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -51,8 +51,8 @@
 
 هناك طريقتان عامتان يمكن من خلالهما حل مهام رؤية الحاسب:
 
-1. استخدام التلافيف لتعلم الميزات الهرمية لصورة من الميزات منخفضة المستوى إلى الأشياء المجردة عالية المستوى.
-2. تقسيم صورة إلى رقع واستخدام محول ليتعلم تدريجياً كيف ترتبط كل رقعة صورة ببعضها البعض لتشكيل صورة. على عكس النهج التصاعدي الذي تفضله شبكة CNN، هذا يشبه إلى حد ما البدء بصورة ضبابية ثم جعلها تدريجياً أكثر وضوحًا.
+1. استخدام الالتفافات (Convolutions) لتعلم الميزات الهرمية للصورة بدءًا من الميزات منخفضة المستوى وصولًا إلى الأشياء المجردة عالية المستوى.
+2. تقسيم الصورة إلى أجزاء واستخدام نموذج المحولات (Transformer) ليتعلم تدريجياً كيف ترتبط كل جزء صورة ببعضها البعض لتشكيل صورة. على عكس النهج ا التصاعدي (Bottom-Up) الذي تفضله الشبكات العصبية التلافيفية CNN، هذا يشبه إلى حد ما البدء بصورة ضبابية ثم جعلها أوضح تدريجيًا.
 
 ### تصنيف الصور
 

From 049831bf805fe8d9d0fc7346c0ab830fe90408f2 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:00:47 +0300
Subject: [PATCH 16/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index dde2081e5779..5dc82652fa61 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -56,7 +56,7 @@
 
 ### تصنيف الصور
 
-يقوم تصنيف الصور بوضع علامة على صورة كاملة من مجموعة محددة مسبقًا من الفئات. مثل معظم مهام التصنيف، هناك العديد من حالات الاستخدام العملية لتصنيف الصور، والتي تشمل:
+يقوم تصنيف الصور (Image Classification) بوضع علامة على صورة كاملة من مجموعة محددة مسبقًا من الفئات. مثل معظم مهام التصنيف، هناك العديد من التطبيقات العملية لتصنيف الصور، والتي تشمل:
 
 * الرعاية الصحية: وضع علامة على الصور الطبية للكشف عن الأمراض أو مراقبة صحة المريض
 * البيئة: وضع علامة على صور الأقمار الصناعية لرصد إزالة الغابات، أو إبلاغ إدارة الأراضي البرية أو اكتشاف حرائق الغابات

From a9138be1acec2ea895c1a63d89f25fd4e3aab108 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:01:12 +0300
Subject: [PATCH 17/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 8 ++++----
 1 file changed, 4 insertions(+), 4 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 5dc82652fa61..31c08f90ce26 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -58,10 +58,10 @@
 
 يقوم تصنيف الصور (Image Classification) بوضع علامة على صورة كاملة من مجموعة محددة مسبقًا من الفئات. مثل معظم مهام التصنيف، هناك العديد من التطبيقات العملية لتصنيف الصور، والتي تشمل:
 
-* الرعاية الصحية: وضع علامة على الصور الطبية للكشف عن الأمراض أو مراقبة صحة المريض
-* البيئة: وضع علامة على صور الأقمار الصناعية لرصد إزالة الغابات، أو إبلاغ إدارة الأراضي البرية أو اكتشاف حرائق الغابات
-* الزراعة: وضع علامة على صور المحاصيل لمراقبة صحة النبات أو صور الأقمار الصناعية لرصد استخدام الأراضي
-* علم البيئة: وضع علامة على صور الأنواع الحيوانية أو النباتية لرصد أعداد الحياة البرية أو تتبع الأنواع المهددة بالانقراض
+* الرعاية الصحية: تصنيف الصور الطبية للكشف عن الأمراض أو مراقبة صحة المريض
+* البيئة: تصنيف صور الأقمار الصناعية لرصد إزالة الغابات، أو إبلاغ إدارة الأراضي البرية أو اكتشاف حرائق الغابات
+* الزراعة: تصنيفر المحاصيل لمراقبة صحة النبات أو صور الأقمار الصناعية لمراقبة استخدام الأراضي
+* علم البيئة: تصنيف صور الأنواع الحيوانية أو النباتية لرصد أعداد  الكائنات الحية أو تتبع الأنواع المهددة بالانقراض
 
 ```py
 >>> from transformers import pipeline

From 268957b3e5f234b6169cd743506a35980e56276c Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:01:30 +0300
Subject: [PATCH 18/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 31c08f90ce26..522da7349bad 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -79,7 +79,7 @@
 {'score': 0.0229, 'label': 'tiger cat'}
 ```
 
-### كشف الأشياء
+### كشف الأجسام
 
 على عكس تصنيف الصور، يقوم كشف الأشياء بتحديد عدة أشياء داخل صورة ومواضع الأشياء في صورة (يحددها مربع الإحاطة). بعض تطبيقات كشف الأشياء تشمل:
 

From 9e1853791cf209a30265b2904aef9968cbb51355 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:01:48 +0300
Subject: [PATCH 19/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 522da7349bad..8504411ac751 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -81,7 +81,7 @@
 
 ### كشف الأجسام
 
-على عكس تصنيف الصور، يقوم كشف الأشياء بتحديد عدة أشياء داخل صورة ومواضع الأشياء في صورة (يحددها مربع الإحاطة). بعض تطبيقات كشف الأشياء تشمل:
+على عكس تصنيف الصور، يقوم كشف الأجسام (Object Detection) بتحديد عدة أجسام داخل صورة ومواضع هذه الأجسام في صورة (يحددها مربع الإحاطة). بعض تطبيقات كشف الأجسام تشمل:
 
 * المركبات ذاتية القيادة: اكتشاف الأشياء المرورية اليومية مثل المركبات الأخرى والمشاة وإشارات المرور
 * الاستشعار عن بعد: مراقبة الكوارث، والتخطيط الحضري، والتنبؤ بالطقس

From f7a8841560d961f44c3ff1276bb91979ee97ad36 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:02:10 +0300
Subject: [PATCH 20/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 8504411ac751..549e958fd695 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -83,8 +83,8 @@
 
 على عكس تصنيف الصور، يقوم كشف الأجسام (Object Detection) بتحديد عدة أجسام داخل صورة ومواضع هذه الأجسام في صورة (يحددها مربع الإحاطة). بعض تطبيقات كشف الأجسام تشمل:
 
-* المركبات ذاتية القيادة: اكتشاف الأشياء المرورية اليومية مثل المركبات الأخرى والمشاة وإشارات المرور
-* الاستشعار عن بعد: مراقبة الكوارث، والتخطيط الحضري، والتنبؤ بالطقس
+* المركبات ذاتية القيادة: اكتشاف أجسام المرورية اليومية مثل المركبات الأخرى والمشاة وإشارات المرور
+* الاستشعار عن بُعد: مراقبة الكوارث، والتخطيط الحضري، والتنبؤ بالطقس
 * اكتشاف العيوب: اكتشاف الشقوق أو الأضرار الهيكلية في المباني، وعيوب التصنيع
 
 ```py

From 50fd556747b4b52dbd4084c8dfe7d095f559e16f Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:02:30 +0300
Subject: [PATCH 21/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 549e958fd695..9a3d46162175 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -101,7 +101,7 @@
   'box': {'xmin': 178, 'ymin': 154, 'xmax': 882, 'ymax': 598}}]
 ```
 
-### تجزئة الصورة
+### تجزئة الصور
 
 تجزئة الصورة هي مهمة على مستوى البكسل تقوم بتخصيص كل بكسل في صورة لفئة. إنه يختلف عن كشف الأشياء، والذي يستخدم صناديق الإحاطة لوضع علامات على الأشياء والتنبؤ بها في صورة لأن التجزئة أكثر دقة. يمكن لتجزئة الكائنات اكتشاف الأشياء على مستوى البكسل. هناك عدة أنواع من تجزئة الصور:
 

From 2487837a588272f3b2e5161f2a9b4a874c7063f5 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:02:51 +0300
Subject: [PATCH 22/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 9a3d46162175..7d6eef062b1d 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -103,7 +103,7 @@
 
 ### تجزئة الصور
 
-تجزئة الصورة هي مهمة على مستوى البكسل تقوم بتخصيص كل بكسل في صورة لفئة. إنه يختلف عن كشف الأشياء، والذي يستخدم صناديق الإحاطة لوضع علامات على الأشياء والتنبؤ بها في صورة لأن التجزئة أكثر دقة. يمكن لتجزئة الكائنات اكتشاف الأشياء على مستوى البكسل. هناك عدة أنواع من تجزئة الصور:
+تجزئة الصورة (Image Segmentation)  هي مهمة على مستوى البكسل تقوم بتخصيص كل بكسل في صورة لفئة معينة. إنه يختلف عن كشف الأجسام، والذي يستخدم مربعات الإحاطة (Bounding Boxes)  لتصنيف والتنبؤ بالأجسام في الصورة لأن التجزئة أكثر دقة. يمكن لتجزئة الصور اكتشاف الأجسام على مستوى البكسل. هناك عدة أنواع من تجزئة الصور:
 
 * تجزئة مثيلات: بالإضافة إلى وضع علامة على فئة كائن، فإنه أيضًا يضع علامات على كل مثيل مميز لكائن ("الكلب-1"، "الكلب-2")
 * التجزئة الشاملة: مزيج من التجزئة الدلالية ومثيلات التجزئة؛ فهو يضع علامة على كل بكسل مع فئة دلالية **و** كل مثيل مميز لكائن

From cb9c317b4c5582f38719905287785f6911d876f5 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:03:12 +0300
Subject: [PATCH 23/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 7d6eef062b1d..584822d6936a 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -105,8 +105,8 @@
 
 تجزئة الصورة (Image Segmentation)  هي مهمة على مستوى البكسل تقوم بتخصيص كل بكسل في صورة لفئة معينة. إنه يختلف عن كشف الأجسام، والذي يستخدم مربعات الإحاطة (Bounding Boxes)  لتصنيف والتنبؤ بالأجسام في الصورة لأن التجزئة أكثر دقة. يمكن لتجزئة الصور اكتشاف الأجسام على مستوى البكسل. هناك عدة أنواع من تجزئة الصور:
 
-* تجزئة مثيلات: بالإضافة إلى وضع علامة على فئة كائن، فإنه أيضًا يضع علامات على كل مثيل مميز لكائن ("الكلب-1"، "الكلب-2")
-* التجزئة الشاملة: مزيج من التجزئة الدلالية ومثيلات التجزئة؛ فهو يضع علامة على كل بكسل مع فئة دلالية **و** كل مثيل مميز لكائن
+* تجزئة مثيلات (Instance Segmentation): بالإضافة إلى تصنيف فئة كائن، فإنها تُصنّف أيضًا كل مثيل (Instance)  مميز لكائن ("الكلب-1"، "الكلب-2")
+* التجزئة  البانورامية (Panoptic Segmentation): مزيج من التجزئة الدلالية (Semantic Segmentation) وتجزئة المثيلات؛ فهو تُصنّف كل بكسل مع فئة دلالية **و** كل مثيل مميز لكائن
 
 تساعد مهام التجزئة في المركبات ذاتية القيادة على إنشاء خريطة على مستوى البكسل للعالم من حولها حتى تتمكن من التنقل بأمان حول المشاة والمركبات الأخرى. كما أنها مفيدة للتصوير الطبي، حيث يمكن لدقة المهمة أن تساعد في تحديد الخلايا أو ميزات الأعضاء غير الطبيعية. يمكن أيضًا استخدام تجزئة الصور في التجارة الإلكترونية لتجربة الملابس افتراضيًا أو إنشاء تجارب الواقع المعزز من خلال تراكب الأشياء في العالم الحقيقي من خلال الكاميرا الخاصة بك.
 

From 9f81cd74ec4041c9a30d654bb047a88508aa9b3c Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:03:32 +0300
Subject: [PATCH 24/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 584822d6936a..109a10fd501f 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -108,7 +108,7 @@
 * تجزئة مثيلات (Instance Segmentation): بالإضافة إلى تصنيف فئة كائن، فإنها تُصنّف أيضًا كل مثيل (Instance)  مميز لكائن ("الكلب-1"، "الكلب-2")
 * التجزئة  البانورامية (Panoptic Segmentation): مزيج من التجزئة الدلالية (Semantic Segmentation) وتجزئة المثيلات؛ فهو تُصنّف كل بكسل مع فئة دلالية **و** كل مثيل مميز لكائن
 
-تساعد مهام التجزئة في المركبات ذاتية القيادة على إنشاء خريطة على مستوى البكسل للعالم من حولها حتى تتمكن من التنقل بأمان حول المشاة والمركبات الأخرى. كما أنها مفيدة للتصوير الطبي، حيث يمكن لدقة المهمة أن تساعد في تحديد الخلايا أو ميزات الأعضاء غير الطبيعية. يمكن أيضًا استخدام تجزئة الصور في التجارة الإلكترونية لتجربة الملابس افتراضيًا أو إنشاء تجارب الواقع المعزز من خلال تراكب الأشياء في العالم الحقيقي من خلال الكاميرا الخاصة بك.
+تُعد مهام تجزئة الصور مفيدة في المركبات ذاتية القيادة على إنشاء خريطة على مستوى البكسل للعالم من حولها حتى تتمكن من التنقل بأمان حول المشاة والمركبات الأخرى. كما أنها مفيدة للتصوير الطبي، حيث يمكن للدقة العالية لهذ المهمة أن تساعد في تحديد الخلايا غير الطبيعية أو خصائص الأعضاء. يمكن أيضًا استخدام تجزئة الصور في التجارة الإلكترونية لتجربة الملابس افتراضيًا أو إنشاء تجارب الواقع المُعزز من خلال تراكب الأجسام في العالم الحقيقي من خلال الكاميرا الهاتف الخاصة بك.
 
 ```py
 >>> from transformers import pipeline

From 9b8cb531739106116f6b9fa64fd54966992bb74b Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:03:49 +0300
Subject: [PATCH 25/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 109a10fd501f..b5a4d2699d8a 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -126,7 +126,7 @@
 
 ### تقدير العمق
 
-يقوم تقدير العمق بالتنبؤ بمسافة كل بكسل في صورة من الكاميرا. تعد هذه المهمة لرؤية الكمبيوتر مهمة بشكل خاص لفهم المشهد وإعادة الإعمار. على سبيل المثال، في السيارات ذاتية القيادة، تحتاج المركبات إلى فهم مدى بعد الأشياء مثل المشاة ولافتات المرور والمركبات الأخرى لتجنب العقبات والاصطدامات. تساعد معلومات العمق أيضًا في بناء التمثيلات ثلاثية الأبعاد من الصور ثنائية الأبعاد ويمكن استخدامها لإنشاء تمثيلات ثلاثية الأبعاد عالية الجودة للهياكل البيولوجية أو المباني.
+يقوم تقدير العمق (Depth Estimation) بالتنبؤ بمسافة كل بكسل في صورة من الكاميرا. تُعد هذه المهمة لرؤية الحاسب هذه مهمة بشكل خاص لفهم وإعادة بناء المشهد. فعلى سبيل المثال، في السيارات ذاتية القيادة، تحتاج المركبات إلى فهم مدى بُعد الأجسام مثل المشاة ولافتات المرور والمركبات الأخرى لتجنب العقبات والاصطدامات. تساعد معلومات العمق أيضًا في بناء التمثيلات ثلاثية الأبعاد من الصور ثنائية الأبعاد ويمكن استخدامها لإنشاء تمثيلات ثلاثية الأبعاد عالية الجودة للهياكل البيولوجية أو المباني.
 
 هناك نهجان لتقدير العمق:
 

From 710c511ee18411ce8dc368400ed93f27218bf53d Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:04:06 +0300
Subject: [PATCH 26/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index b5a4d2699d8a..b3eebe673a9e 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -130,8 +130,8 @@
 
 هناك نهجان لتقدير العمق:
 
-* ستيريو: يتم تقدير العمق عن طريق مقارنة صورتين لنفس الصورة من زوايا مختلفة قليلاً
-* أحادية العين: يتم تقدير العمق من صورة واحدة
+* التصوير المجسم (Stereo): يتم تقدير العمق عن طريق مقارنة صورتين لنفس الصورة من زوايا مختلفة قليلاً.
+* التصوير الأحادي (Monocular): يتم تقدير العمق من صورة واحدة.
 
 ```py
 >>> from transformers import pipeline

From 40a5dfb0d152c2f42e5345f64a160fc92344728d Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:04:23 +0300
Subject: [PATCH 27/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index b3eebe673a9e..c0ca9148e09c 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -144,7 +144,7 @@
 
 ## معالجة اللغات الطبيعية
 
-تعد مهام NLP من بين أكثر أنواع المهام شيوعًا لأن النص هو طريقة طبيعية جدًا للتواصل معنا. وللحصول على نص بتنسيق يتعرف عليه النموذج، يجب توكيده. وهذا يعني تقسيم تسلسل النص إلى كلمات أو أجزاء كلمات منفصلة (رموز) ثم تحويل هذه الرموز إلى أرقام. ونتيجة لذلك، يمكنك تمثيل تسلسل نصي كتسلسل من الأرقام، وبمجرد حصولك على تسلسل من الأرقام، يمكن إدخاله في نموذج لحل جميع أنواع مهام NLP!
+تُعد مهام معالجة اللغة الطبيعية (NLP) من بين أكثر أنواع المهام شيوعًا نظرًا لأن النص هو وسيلة طبيعية لنا للتواصل. ولكي يتمكن النموذج من فهم النص، يجب أولًا تحويله إلى صيغة رقمية. وهذا يعني تقسيم سلسلة النص إلى كلمات أو مقاطع كلمات منفصلة (رموز - Tokens)، ثم تحويل هذه الرموز إلى أرقام. ونتيجة لذلك، يمكنك تمثيل سلسلة من النص كتسلسل من الأرقام، وبمجرد حصولك على تسلسل من الأرقام، يمكن إدخاله إلى نموذج لحل جميع أنواع مهام معالجة اللغة الطبيعية!
 
 ### تصنيف النصوص
 

From 80d3c3ef3f4ac09a1abc4d7e3fd68872cb699ba2 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:04:44 +0300
Subject: [PATCH 28/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index c0ca9148e09c..6780142883d4 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -148,7 +148,7 @@
 
 ### تصنيف النصوص
 
-مثل مهام التصنيف في أي طريقة، يقوم تصنيف النص بوضع علامة على تسلسل نصي (يمكن أن يكون على مستوى الجملة أو فقرة أو مستند) من مجموعة محددة مسبقًا من الفئات. هناك العديد من التطبيقات العملية لتصنيف النصوص، والتي تشمل:
+تمامًا مثل مهام التصنيف في أي مجال آخر، يقوم تصنيف  النصوص (Text Classification)  بتصنيف سلسلة نصية يمكن أن تكون جملة أو فقرة أو مستند) إلى فئة محددة مسبقًا. هناك العديد من التطبيقات العملية لتصنيف النصوص، والتي تشمل:
 
 * تحليل المشاعر: وضع علامة على النص وفقًا لبعض القطبية مثل `الإيجابية` أو `السلبية` والتي يمكن أن تُعلم وتدعم عملية صنع القرار في مجالات مثل السياسة والمالية والتسويق
 * تصنيف المحتوى: وضع علامة على النص وفقًا لبعض الموضوعات للمساعدة في تنظيم المعلومات وتصفيتها في الأخبار والتغذية وسائل التواصل الاجتماعي (`الطقس`، `الرياضة`، `التمويل`، إلخ)

From 25352bce645a39407c16697e26631080a1908a14 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:05:02 +0300
Subject: [PATCH 29/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 6780142883d4..76710ef43287 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -261,7 +261,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 هناك نوعان من نمذجة اللغة:
 
-* السببية: هدف النموذج هو التنبؤ بالرمز التالي في تسلسل، ويتم إخفاء الرموز المستقبلية
+* السببية(Causal): هدف النموذج هو التنبؤ بالرمز (Token)  التالي في التسلسل، ويتم إخفاء الرموز المستقبلية (Masking).
 
 ```py
 >>> from transformers import pipeline

From 6c451befdd5e69a4071de6bb91bbe7c629f0dd9d Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:05:26 +0300
Subject: [PATCH 30/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 76710ef43287..c725ea1c0480 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -150,8 +150,8 @@
 
 تمامًا مثل مهام التصنيف في أي مجال آخر، يقوم تصنيف  النصوص (Text Classification)  بتصنيف سلسلة نصية يمكن أن تكون جملة أو فقرة أو مستند) إلى فئة محددة مسبقًا. هناك العديد من التطبيقات العملية لتصنيف النصوص، والتي تشمل:
 
-* تحليل المشاعر: وضع علامة على النص وفقًا لبعض القطبية مثل `الإيجابية` أو `السلبية` والتي يمكن أن تُعلم وتدعم عملية صنع القرار في مجالات مثل السياسة والمالية والتسويق
-* تصنيف المحتوى: وضع علامة على النص وفقًا لبعض الموضوعات للمساعدة في تنظيم المعلومات وتصفيتها في الأخبار والتغذية وسائل التواصل الاجتماعي (`الطقس`، `الرياضة`، `التمويل`، إلخ)
+* تحليل المشاعر (Sentiment Analysis): تصنيف النص وفقًا لمعيار معين مثل `الإيجابية` أو `السلبية` والتي يمكن أن تُعلم وتدعم عملية صنع القرار في مجالات مثل السياسة والتمويل والتسويق
+* تصنيف المحتوى (Content Classification): تصنيف النص وفقًا لبعض الموضوعات للمساعدة في تنظيم وتصفية المعلومات في الأخبار وموجزات الوسائط الاجتماعية (`الطقس`، `الرياضة`، `التمويل`، إلخ).
 
 ```py
 >>> from transformers import pipeline

From a8f1f879552000cbc0b6bf9af863e00082a64f5c Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:05:52 +0300
Subject: [PATCH 31/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index c725ea1c0480..0fea2be74441 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -165,7 +165,7 @@
 
 ### تصنيف الرموز
 
-في أي مهمة NLP، تتم معالجة النص عن طريق فصل تسلسل النص إلى كلمات أو أجزاء كلمات منفصلة. هذه هي ما يعرف باسم [الرموز](glossary#token). يقوم تصنيف الرموز بتخصيص تسمية لكل رمز من مجموعة محددة مسبقًا من الفئات.
+في أي مهمة من مهام معالجة اللغة الطبيعية NLP، تتم معالجة النص مسبقًا عن طريق تقسيمه إلى كلمات أو مقاطع كلمات فردية تُعرف باسم  [الرموز](glossary#token). يقوم تصنيف الرموز (Token Classification) بتخصيص تصنيف لكل رمز من مجموعة محددة مسبقًا من التصنيفات.
 
 هناك نوعان شائعان من تصنيف الرموز:
 

From 844c432e7760c5ea280edf4e6b4f2b842d6b1767 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:06:19 +0300
Subject: [PATCH 32/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 0fea2be74441..399967a2b605 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -169,7 +169,7 @@
 
 هناك نوعان شائعان من تصنيف الرموز:
 
-* التعرف على الكيانات المسماة (NER): وضع علامة على الرمز وفقًا لفئة الكيان مثل المنظمة أو الشخص أو الموقع أو التاريخ. يعد NER شائعًا بشكل خاص في الإعدادات الطبية الحيوية، حيث يمكنه وضع علامات على الجينات والبروتينات وأسماء الأدوية.
+* التعرف على الكيانات المسماة (NER):  تصنيف الرموز وفقًا لفئة الكيان مثل المنظمة أو الشخص أو الموقع أو التاريخ. يعد NER شائعًا بشكل خاص في الإعدادات الطبية الحيوية، حيث يُمكنه تصنيف الجينات والبروتينات وأسماء الأدوية.
 * وضع العلامات النحوية (POS): وضع علامة على الرمز وفقًا لجزء الكلام الخاص به مثل الاسم أو الفعل أو الصفة. POS مفيد لمساعدة أنظمة الترجمة على فهم كيفية اختلاف كلمتين متطابقتين نحويًا (المصرف كاسم مقابل المصرف كفعل).
 
 ```py

From 881499efbcfca5ba709e990d150460bf461b7e24 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:06:41 +0300
Subject: [PATCH 33/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 399967a2b605..bc1b5a986f20 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -170,7 +170,7 @@
 هناك نوعان شائعان من تصنيف الرموز:
 
 * التعرف على الكيانات المسماة (NER):  تصنيف الرموز وفقًا لفئة الكيان مثل المنظمة أو الشخص أو الموقع أو التاريخ. يعد NER شائعًا بشكل خاص في الإعدادات الطبية الحيوية، حيث يُمكنه تصنيف الجينات والبروتينات وأسماء الأدوية.
-* وضع العلامات النحوية (POS): وضع علامة على الرمز وفقًا لجزء الكلام الخاص به مثل الاسم أو الفعل أو الصفة. POS مفيد لمساعدة أنظمة الترجمة على فهم كيفية اختلاف كلمتين متطابقتين نحويًا (المصرف كاسم مقابل المصرف كفعل).
+* ترميز الأجزاء اللغوية (POS): تصنيف الرموز وفقًا للدورها النحوي مثل الاسم أو الفعل أو الصفة. POS مفيد لمساعدة أنظمة الترجمة على فهم كيفية اختلاف كلمتين متطابقتين نحويًا  (مثل كلمة "عَلَمَ" كاسم و "عَلِمَ" كفعل).
 
 ```py
 >>> from transformers import pipeline

From 717c5a929dbc1daf1fc371084ceb644b9d394f7f Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:07:02 +0300
Subject: [PATCH 34/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index bc1b5a986f20..02c79b3454ee 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -199,7 +199,7 @@
 ```
 ### الإجابة على الأسئلة
 
-الإجابة على الأسئلة هي مهمة أخرى على مستوى الرمز تعيد إجابة على سؤال، أحيانًا مع السياق (مفتوح المجال) وأحيانًا بدون سياق (مجال مغلق). تحدث هذه المهمة كلما سألنا مساعدًا افتراضيًا شيئًا مثل ما إذا كان المطعم مفتوحًا. يمكن أن يساعد أيضًا في دعم العملاء أو الدعم الفني ويساعد محركات البحث في استرداد المعلومات ذات الصلة التي تطلبها.
+تُعدّ مهمة الإجابة عن الأسئلة (Question Answering) مهمة أخرى على مستوى الرموز (Token-Level) تُرجع إجابة لسؤال ما، وقد تعتمد هذه الإجابة على سياق (في النطاق المفتوح - Open-Domain) أو لا تعتمد على سياق (في النطاق المغلق - Closed-Domain). تحدث هذه المهمة عندما نسأل مساعدًا افتراضيًا عن شيء ما، مثل معرفة ما إذا كان مطعمٌ ما مفتوحًا. يمكن أن تُقدّم هذه المهمة أيضًا دعمًا للعملاء أو دعمًا تقنيًا، كما تُساعد محركات البحث في استرجاع المعلومات ذات الصلة التي نبحث عنها.
 
 هناك نوعان شائعان من الإجابة على الأسئلة:
 

From 9b57ae1e8c16ff23b4d2cd855393cbe196d48a81 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:07:25 +0300
Subject: [PATCH 35/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 02c79b3454ee..e5631aef1898 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -203,7 +203,7 @@
 
 هناك نوعان شائعان من الإجابة على الأسئلة:
 
-* الاستخراجية: بالنظر إلى سؤال وبعض السياق، فإن الإجابة هي جزء من النص من السياق الذي يجب على النموذج استخراجه
+* الاستخراجية (Extractive): بالنظر إلى سؤال وسياق مُعيّن، فإن الإجابة هي مقطع نصيّ مُستخرج من السياق الذي يُحلّله النموذج.
 * التلخيصي: بالنظر إلى سؤال وبعض السياق، يتم إنشاء الإجابة من السياق؛ يتعامل نهج [`Text2TextGenerationPipeline`] مع هذا النهج التلخيصي بدلاً من [`QuestionAnsweringPipeline`] الموضح أدناه
 
 

From 0a6d567d0c612d4767f042e813cb2fb8ad7ad0d9 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:07:46 +0300
Subject: [PATCH 36/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index e5631aef1898..ad4b40c977f6 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -204,7 +204,7 @@
 هناك نوعان شائعان من الإجابة على الأسئلة:
 
 * الاستخراجية (Extractive): بالنظر إلى سؤال وسياق مُعيّن، فإن الإجابة هي مقطع نصيّ مُستخرج من السياق الذي يُحلّله النموذج.
-* التلخيصي: بالنظر إلى سؤال وبعض السياق، يتم إنشاء الإجابة من السياق؛ يتعامل نهج [`Text2TextGenerationPipeline`] مع هذا النهج التلخيصي بدلاً من [`QuestionAnsweringPipeline`] الموضح أدناه
+* التجريدية (Abstractive): بالنظر إلى سؤال وسياق مُعيّن، يتم إنشاء الإجابة من السياق؛ يتعامل نهج [`Text2TextGenerationPipeline`] مع هذا النهج بدلاً من [`QuestionAnsweringPipeline`] الموضح أدناه
 
 
 ```py

From b28980865c6c57839363ce1fed73b362f32e1693 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:08:16 +0300
Subject: [PATCH 37/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index ad4b40c977f6..ea9f52b92925 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -223,7 +223,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 ### التلخيص
 
-ينشئ التلخيص نسخة أقصر من نص من نص أطول مع محاولة الحفاظ على معظم معنى المستند الأصلي. التلخيص هو مهمة تسلسل إلى تسلسل؛ فهو يخرج تسلسل نص أقصر من الإدخال. هناك الكثير من الوثائق الطويلة التي يمكن تلخيصها لمساعدة القراء على فهم النقاط الرئيسية بسرعة. مشاريع القوانين والوثائق القانونية والمالية وبراءات الاختراع والأوراق العلمية هي مجرد أمثلة قليلة للوثائق التي يمكن تلخيصها لتوفير وقت القراء وخدمة كمساعد للقراءة.
+ينشئ التلخيص (Summarization) نسخة مختصرة من نص طويل مع محاولة الحفاظ على معظم معنى النص الأصلي. التلخيص هو مهمة تسلسل إلى تسلسل(Sequence-to-Sequence)؛؛ فهو تُنتج تسلسلًا نصيًا أقصر من النص المُدخل. هناك الكثير من المستندات الطويلة التي يمكن تلخيصها لمساعدة القراء على فهم النقاط الرئيسية بسرعة. مشاريع القوانين والوثائق القانونية والمالية وبراءات الاختراع والأوراق العلمية هي مجرد أمثلة قليلة للوثائق التي يمكن تلخيصها لتوفير وقت القراء وخدمة كمساعد للقراءة.
 
 مثل الإجابة على الأسئلة، هناك نوعان من التلخيص:
 

From f3854a157d3830d5d7f5664fb252775b7ca6edfd Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:08:41 +0300
Subject: [PATCH 38/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index ea9f52b92925..886929420a82 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -227,8 +227,8 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 مثل الإجابة على الأسئلة، هناك نوعان من التلخيص:
 
-* الاستخراجية: تحديد واستخراج الجمل الأكثر أهمية من النص الأصلي
-* التلخيصي: إنشاء ملخص الهدف (الذي قد يتضمن كلمات جديدة غير موجودة في وثيقة الإدخال) من النص الأصلي؛ يستخدم النهج التلخيصي [`SummarizationPipeline`]
+* الاستخراجية (Extractive): تحديد واستخراج أهم الجمل من النص الأصلي
+* التجريدي (Abstractive): إنشاء ملخص مستهدف (الذي قد يتضمن كلمات جديدة غير موجودة في النص الأصلي) انطلاقًا من النص الأصلي؛ يستخدم نهج التلخيص التجريدي [`SummarizationPipeline`]
 
 ```py
 >>> from transformers import pipeline

From 16b655e45028a05fe611e552d30cc183c70e1439 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:09:01 +0300
Subject: [PATCH 39/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 886929420a82..b930b5b1a4b9 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -242,7 +242,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 ### الترجمة
 
-تترجم الترجمة تسلسل نص بلغة واحدة إلى لغة أخرى. من المهم مساعدة الأشخاص من خلفيات مختلفة على التواصل مع بعضهم البعض، ومساعدة المحتوى على الوصول إلى جمهور أوسع، وحتى أن يكون أداة تعليمية لمساعدة الأشخاص على تعلم لغة جديدة. إلى جانب التلخيص، تعد الترجمة مهمة تسلسل إلى تسلسل، مما يعني أن النموذج يتلقى تسلسل إدخال ويعيد تسلسل الإخراج المستهدف.
+تحوّل الترجمة تسلسل نص بلغة إلى لغة أخرى. من المهم مساعدة الأشخاص من خلفيات مختلفة على التواصل مع بعضهم البعض، ومساعدة المحتوى على الوصول إلى جمهور أوسع، وحتى أن يكون أداة تعليمية لمساعدة الأشخاص على تعلم لغة جديدة. إلى جانب التلخيص، تعد الترجمة مهمة من نوع تسلسل إلى تسلسل، حيث يتلقى النموذج تسلسلًا مُدخلًا ويُعيد تسلسلًا مُخرَجًا مُستهدفًا.
 
 في الأيام الأولى، كانت نماذج الترجمة في الغالب أحادية اللغة، ولكن مؤخرًا، كان هناك اهتمام متزايد بالنماذج متعددة اللغات التي يمكنها الترجمة بين العديد من أزواج اللغات.
 

From ff1c6e000e60c79f74446757caa4d44ecc20517f Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:09:26 +0300
Subject: [PATCH 40/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index b930b5b1a4b9..2069bc42e71c 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -257,7 +257,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 ### نمذجة اللغة
 
-نمذجة اللغة هي مهمة التنبؤ بكلمة في تسلسل نص. لقد أصبح مهمة NLP شائعة للغاية لأن النموذج اللغوي المسبق التدريب يمكن أن يتم ضبطه بشكل دقيق للعديد من مهام التدفق السفلي الأخرى. في الآونة الأخيرة، كان هناك الكثير من الاهتمام بنماذج اللغة الكبيرة (LLMs) التي توضح التعلم الصفري أو القليل من التعلم. وهذا يعني أن النموذج يمكنه حل المهام التي لم يتم تدريبه عليها بشكل صريح! يمكن استخدام نماذج اللغة لإنشاء نص سلس ومقنع، على الرغم من أنه يجب أن تكون حذرًا لأن النص قد لا يكون دائمًا دقيقًا.
+نمذجة اللغة (Language Modeling) هي مهمة التنبؤ بالكلمة التالية في تسلسل نصي. لقد أصبح مهمة NLP شائعة للغاية لأن النموذج اللغوي المسبق التدريب يمكن أن يتم ضبطه بشكل دقيق للعديد من مهام الأخرى. في الآونة الأخيرة، كان هناك الكثير من الاهتمام بنماذج اللغة الكبيرة (LLMs) التي توضح التعلم من الصفر أو من عدد قليل من الأمثلة (Zero-shot or Few-shot Learning). وهذا يعني أن النموذج يمكنه حل المهام التي لم يتم تدريبه عليها بشكل صريح! يمكن استخدام نماذج اللغة لإنشاء نص سلس ومقنع، على الرغم من أنه يجب أن تكون حذرًا لأن النص قد لا يكون دائمًا دقيقًا.
 
 هناك نوعان من نمذجة اللغة:
 

From 52f48c9050407c0f107fd139b6964de1723d8352 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:10:05 +0300
Subject: [PATCH 41/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 2069bc42e71c..2675b3395d54 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -271,7 +271,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 >>> generator(prompt)  # doctest: +SKIP
 ```
 
-* الأقنعة: هدف النموذج هو التنبؤ برمز مقنع في تسلسل مع الوصول الكامل إلى الرموز في التسلسل
+* المقنّع (Masked): هدف النموذج هو التنبؤ برمز مُخفيّ ضمن التسلسل مع الوصول الكامل إلى الرموز  الأخرى في التسلسل
 
 ```py
 >>> text = "Hugging Face is a community-based open-source <mask> for machine learning."

From 8ec5d018a1e5d50054d44de7a50517bb528c47f2 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:10:21 +0300
Subject: [PATCH 42/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 2675b3395d54..846bad3340b1 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -295,7 +295,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
   
 ## متعدد الوسائط:
 
-تتطلب المهام متعددة الوسائط من النموذج معالجة وسائط بيانات متعددة (نص أو صورة أو صوت أو فيديو) لحل مشكلة معينة. يعد إنشاء عنوان الصورة مثالاً على مهمة متعددة الوسائط حيث يأخذ النموذج صورة كإدخال وينتج تسلسل نصي يصف الصورة أو بعض خصائصها.
+تتطلب المهام متعددة الوسائط (Multimodal) من النموذج معالجة وسائط بيانات متعددة (نص أو صورة أو صوت أو فيديو) لحل مشكلة معينة. يعد وصف الصورة (Image Captioning) مثالاً على مهمة متعددة الوسائط حيث يأخذ النموذج صورة كمدخل وينتج تسلسل نصيًا يصف الصورة أو بعض خصائصها.
 
 على الرغم من أن النماذج متعددة الوسائط تعمل مع أنواع بيانات أو طرائق مختلفة، إلا أن خطوات المعالجة المسبقة تساعد النموذج داخليًا على تحويل جميع أنواع البيانات إلى تضمينات (متجهات أو قوائم من الأرقام التي تحتوي على معلومات ذات معنى حول البيانات). بالنسبة لمهمة مثل إنشاء عنوان للصورة، يتعلم النموذج العلاقات بين تضمينات الصور وتضمينات النص.
 

From 3b6e09aee886b3ae0281791f479bff8b22db8d5f Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:10:36 +0300
Subject: [PATCH 43/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 846bad3340b1..7463d882403e 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -297,7 +297,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 تتطلب المهام متعددة الوسائط (Multimodal) من النموذج معالجة وسائط بيانات متعددة (نص أو صورة أو صوت أو فيديو) لحل مشكلة معينة. يعد وصف الصورة (Image Captioning) مثالاً على مهمة متعددة الوسائط حيث يأخذ النموذج صورة كمدخل وينتج تسلسل نصيًا يصف الصورة أو بعض خصائصها.
 
-على الرغم من أن النماذج متعددة الوسائط تعمل مع أنواع بيانات أو طرائق مختلفة، إلا أن خطوات المعالجة المسبقة تساعد النموذج داخليًا على تحويل جميع أنواع البيانات إلى تضمينات (متجهات أو قوائم من الأرقام التي تحتوي على معلومات ذات معنى حول البيانات). بالنسبة لمهمة مثل إنشاء عنوان للصورة، يتعلم النموذج العلاقات بين تضمينات الصور وتضمينات النص.
+على الرغم من أن النماذج متعددة الوسائط تعمل مع أنواع أو وسائط بيانات مختلفة، إلا أن خطوات المعالجة المسبقة تساعد النموذج داخليًا على تحويل جميع أنواع البيانات إلى متجهات تضمين (Embeddings) (متجهات أو قوائم من الأرقام التي تحتوي على معلومات ذات معنى حول البيانات). بالنسبة لمهمة مثل وصف الصورة، يتعلم النموذج العلاقات بين متجهات تضمين الصور ومتجهات تضمين النص.
 
 ### الإجابة على أسئلة المستندات:
 

From 7488ce24f45eab66794b567bd36b1af0bd8329e6 Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:10:49 +0300
Subject: [PATCH 44/45] Update docs/source/ar/task_summary.md

Co-authored-by: Abdullah Mohammed <554032+abodacs@users.noreply.github.com>
---
 docs/source/ar/task_summary.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/docs/source/ar/task_summary.md b/docs/source/ar/task_summary.md
index 7463d882403e..d6a9d1477e10 100644
--- a/docs/source/ar/task_summary.md
+++ b/docs/source/ar/task_summary.md
@@ -301,7 +301,7 @@ score: 0.9327, start: 30, end: 54, answer: huggingface/transformers
 
 ### الإجابة على أسئلة المستندات:
 
-الإجابة على أسئلة المستندات هي مهمة تقوم بالإجابة على أسئلة اللغة الطبيعية من مستند. على عكس مهمة الإجابة على الأسئلة على مستوى الرمز التي تأخذ النص كإدخال، فإن الإجابة على أسئلة المستندات تأخذ صورة لمستند كإدخال بالإضافة إلى سؤال حول المستند وتعيد الإجابة. يمكن استخدام الإجابة على أسئلة المستندات لتفسير المستندات المهيكلة واستخراج المعلومات الرئيسية منها. في المثال أدناه، يمكن استخراج المبلغ الإجمالي والتغيير المستحق من الإيصال.
+الإجابة على أسئلة المستندات  (Document Question Answering) هي مهمة تقوم بالإجابة على أسئلة اللغة الطبيعية من مستند مُعطى. على عكس مهمة الإجابة على الأسئلة على مستوى الرموز (Token-Level) التي تأخذ نصًا كمدخل، فإن الإجابة على أسئلة المستندات تأخذ صورة لمستند كمدخل بالإضافة إلى سؤال هذا حول المستند وتعيد الإجابة. يمكن استخدام الإجابة على أسئلة المستندات لتفسير المستندات المُنسّقة واستخراج المعلومات الرئيسية منها. في المثال أدناه، يمكن استخراج المبلغ الإجمالي والمبلغ المُسترد من إيصال الدفع..
 
 ```py
 >>> from transformers import pipeline

From 1a94839162c92498109e0c9da6f6714b4eb30d7d Mon Sep 17 00:00:00 2001
From: Ahmed Almaghz <53489256+AhmedAlmaghz@users.noreply.github.com>
Date: Thu, 19 Sep 2024 07:12:56 +0300
Subject: [PATCH 45/45] Update _toctree.yml

---
 docs/source/ar/_toctree.yml | 4 ++--
 1 file changed, 2 insertions(+), 2 deletions(-)

diff --git a/docs/source/ar/_toctree.yml b/docs/source/ar/_toctree.yml
index 7383ddec5a42..c1e6493aaece 100644
--- a/docs/source/ar/_toctree.yml
+++ b/docs/source/ar/_toctree.yml
@@ -221,8 +221,8 @@
     title: الفلسفة
   - local: glossary
     title: (قاموس المصطلحات (قائمة الكلمات
-  # - local: task_summary
-  #   title: ما الذي يمكن أن تفعله 🤗 المحولات
+  - local: task_summary
+    title: ما الذي يمكن أن تفعله 🤗 المحولات
   # - local: tasks_explained
   #   title: كيف تحل المحولات المهام
   # - local: model_summary