تبحث لاستخراج البيانات من المستندات الممسوحة ضوئيًا؟ محاولة النانو™ متقدم الماسح الضوئي OCR المستند إلى AI لاستخراج وتنظيم المعلومات من المستندات الممسوحة ضوئيا تلقائيا.
المُقدّمة
مع تحول العالم من الأوراق والكتابات اليدوية إلى المستندات الرقمية للراحة ، ارتفعت أهمية تحويل الصور والوثائق الممسوحة ضوئيًا إلى بيانات ذات مغزى.
لمواكبة الحاجة إلى استخراج بيانات المستندات بدقة عالية ، ركزت العديد من منشآت البحث والشركات (مثل Google و AWS و Nanonets وغيرها) بعمق على التقنيات في مجالات رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP).
أدى ازدهار تقنيات التعلم العميق إلى إحداث قفزة هائلة في نوع البيانات التي يمكن استخراجها ؛ لم نعد مقيدًا باستخراج النص فقط ، ولكن أيضًا هياكل البيانات الأخرى مثل الجداول وأزواج المفتاح والقيمة. تقدم العديد من الحلول الآن منتجات متنوعة لتلبية احتياجات الأفراد وأصحاب الأعمال في استخراج بيانات المستندات.
تتعمق هذه المقالة في التكنولوجيا الحالية المستخدمة لاستخراج البيانات من المستندات الممسوحة ضوئيًا ، متبوعًا ببرنامج تعليمي عملي قصير في Python. سنلقي نظرة أيضًا على بعض الحلول الشائعة الموجودة حاليًا في السوق والتي تقدم أفضل العروض في هذا المجال.
ما هو استخراج البيانات؟
استخراج البيانات هو عملية تحويل البيانات غير المهيكلة إلى معلومات قابلة للتفسير بواسطة البرامج للسماح بمزيد من معالجة البيانات من قبل البشر. نقوم هنا بإدراج العديد من أكثر أنواع البيانات شيوعًا لاستخراجها من المستندات الممسوحة ضوئيًا.
بيانات نصية
المهمة الأكثر شيوعًا والأكثر أهمية في استخراج البيانات من المستندات الممسوحة ضوئيًا هي استخراج النص. هذه العملية ، على الرغم من أنها تبدو مباشرة ، إلا أنها في الواقع صعبة للغاية حيث يتم تقديم المستندات الممسوحة ضوئيًا في كثير من الأحيان في شكل صور. بالإضافة إلى ذلك ، تعتمد طرق الاستخراج اعتمادًا كبيرًا على أنواع النص. في حين أن النص موجود بتنسيقات مطبوعة كثيفة في معظم الأوقات ، فإن القدرة على استخراج نص متفرقة من المستندات الأقل مسحًا ضوئيًا أو من الحروف المكتوبة بخط اليد ذات الأنماط المتغيرة بشكل كبير مهمة بنفس القدر. ستسمح هذه العملية للبرامج بتحويل الصور إلى نص مشفر آليًا ، حيث يمكننا تنظيمها بشكل أكبر من بيانات غير منظمة (بدون تنسيق معين) إلى بيانات منظمة لمزيد من التحليل.
طاولات الطعام
النماذج الجدولية هي الطريقة الأكثر شيوعًا لتخزين البيانات ، حيث يمكن تفسير التنسيق بسهولة بالعين البشرية. تتطلب عملية استخراج الجداول من المستندات الممسوحة ضوئيًا تقنية تتجاوز اكتشاف الأحرف - يجب على المرء اكتشاف الخطوط والميزات المرئية الأخرى من أجل إجراء استخراج مناسب للجدول وتحويل هذه المعلومات إلى بيانات منظمة لمزيد من الحساب. تُستخدم طرق الرؤية الحاسوبية (الموضحة بالتفصيل في الأقسام التالية) بكثرة لتحقيق استخلاص الجدول بدقة عالية.
أزواج المفتاح والقيمة
التنسيق البديل الذي غالبًا ما نعتمده في المستندات لتخزين البيانات هو أزواج القيمة الرئيسية (KVPs).
KVPs هما أساسًا عنصرين من عناصر البيانات - مفتاح وقيمة - مرتبطان معًا كواحد. يتم استخدام المفتاح كمعرف فريد للقيمة المراد استردادها. مثال KVP الكلاسيكي هو القاموس ، حيث تكون المفردات هي المفاتيح والتعريفات المقابلة هي القيم. يتم استخدام هذه الأزواج ، على الرغم من عدم ملاحظتها عادةً ، بشكل متكرر جدًا في المستندات: الأسئلة في الاستطلاعات مثل الاسم والعمر وأسعار العناصر في الفواتير كلها ضمنياً KVPs.
ومع ذلك ، على عكس الجداول ، غالبًا ما توجد KVPs بتنسيقات غير معروفة وأحيانًا تكون مكتوبة بخط اليد جزئيًا. على سبيل المثال ، يمكن طباعة المفاتيح مسبقًا في مربعات وتكون القيم مكتوبة بخط اليد عند إكمال النموذج. لذلك ، فإن العثور على الهياكل الأساسية لأداء استخراج KVP تلقائيًا هو عملية بحث مستمرة حتى بالنسبة للمرافق والمختبرات الأكثر تقدمًا.
الأرقام
أخيرًا ، من المهم جدًا أيضًا الاستخراج أو التقاط البيانات من الأرقام الموجودة في مستند ممسوح ضوئيًا. غالبًا ما تتضمن المؤشرات الإحصائية مثل المخططات الدائرية والمخططات الشريطية معلومات مهمة للوثائق. يجب أن تكون عملية استخراج البيانات الجيدة قادرة على الاستدلال من الأساطير والأرقام لاستخراج البيانات جزئيًا من الأرقام لمزيد من الاستخدام.
تبحث لاستخراج البيانات من المستندات الممسوحة ضوئيًا؟ أعط Nanonets™ تدور للحصول على دقة أعلى ومرونة أكبر ومعالجة لاحقة ومجموعة واسعة من عمليات الدمج!
تقنيات وراء استخراج البيانات
يدور استخراج البيانات حول عمليتين رئيسيتين: التعرف الضوئي على الأحرف (التعرف الضوئي على الحروف) تليها معالجة اللغة الطبيعية (البرمجة اللغوية العصبية).
استخراج OCR هو عملية تحويل الصور النصية إلى نص مشفر آليًا ، بينما الأخير هو تحليل الكلمات لاستنتاج المعاني. غالبًا ما يكون مصحوبًا بـ OCR تقنيات رؤية الكمبيوتر الأخرى مثل اكتشاف الصندوق والخط لاستخراج أنواع البيانات المذكورة أعلاه مثل الجداول و KVPs لاستخراج أكثر شمولاً.
ترتبط التحسينات الأساسية وراء خط أنابيب استخراج البيانات ارتباطًا وثيقًا بالتقدم في التعلم العميق الذي ساهم بشكل كبير في مجالات رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP).
ما هو التعلم العميق؟
يلعب التعلم العميق دورًا رئيسيًا وراء ضجيج عصر الذكاء الاصطناعي ، وقد تم دفعه باستمرار إلى المقدمة في العديد من التطبيقات. في الهندسة التقليدية ، هدفنا هو تصميم نظام / وظيفة تولد مخرجات من مدخلات معينة ؛ من ناحية أخرى ، يعتمد التعلم العميق على المدخلات والمخرجات للعثور على العلاقة الوسيطة التي يمكن تمديدها إلى البيانات الجديدة غير المرئية من خلال ما يسمى الشبكة العصبية.
شبكة عصبية ، أو مدرك متعدد الطبقات (ملب)، عبارة عن بنية للتعلم الآلي مستوحاة من كيفية تعلم العقول البشرية. تحتوي الشبكة على الخلايا العصبية ، التي تحاكي الخلايا العصبية البيولوجية و "تنشط" عند إعطائها معلومات مختلفة. تشكل مجموعات من الخلايا العصبية طبقات ، وتتراكم طبقات متعددة معًا لتشكيل شبكة لخدمة أغراض التنبؤ لأشكال متعددة (على سبيل المثال ، تصنيفات الصور أو المربعات المحيطة لاكتشافات الكائنات).
في مجال رؤية الكمبيوتر ، يتم تطبيق نوع من تنوع الشبكة العصبية بشكل كبير - الشبكات العصبية التلافيفية (سي إن إن). بدلاً من الطبقات التقليدية ، تتبنى CNN حبات تلافيفية تنزلق عبر الموترات (أو المتجهات عالية الأبعاد) لاستخراج الميزات. مصحوبة بطبقات الشبكة التقليدية في النهاية ، كانت شبكات CNN ناجحة جدًا في المهام المتعلقة بالصور ، وشكلت أيضًا الأساس لاستخراج OCR وغيرها من اكتشاف الميزات.
من ناحية أخرى ، تعتمد البرمجة اللغوية العصبية على مجموعة أخرى من الشبكات التي تركز على بيانات السلاسل الزمنية. على عكس الصور ، حيث تكون إحدى الصور مستقلة عن بعضها البعض ، يمكن الاستفادة بشكل كبير من التنبؤ النصي إذا تم أيضًا أخذ الكلمات السابقة أو اللاحقة في الاعتبار. في السنوات القليلة الماضية ، كانت عائلة من الشبكات ، وهي ذكريات طويلة المدى وقصيرة المدى (LSTMs)، والتي تأخذ النتائج السابقة كمدخلات للتنبؤ بالنتائج الحالية. غالبًا ما تم اعتماد LSTMs الثنائية لتعزيز ناتج التنبؤ ، حيث تم النظر في كل من النتائج السابقة واللاحقة. ومع ذلك ، في السنوات الأخيرة ، بدأ مفهوم المحولات التي تستخدم آلية الانتباه في الارتفاع بسبب مرونتها العالية التي تؤدي إلى نتائج أفضل من الشبكات التقليدية التي تتعامل مع السلاسل الزمنية المتسلسلة.
تطبيقات استخراج البيانات
الهدف الرئيسي لاستخراج البيانات هو تحويل البيانات من المستندات غير المهيكلة إلى التنسيقات المهيكلة ، حيث يمكن أن يكون الاسترجاع الدقيق للغاية للنصوص والأرقام وهياكل البيانات مفيدًا جدًا للتحليل العددي والسياقي. يمكن أن تكون هذه التحليلات مفيدة جدًا خاصة للشركات:
باقة الأعمال
تتعامل الشركات التجارية والمؤسسات الكبيرة مع آلاف الأعمال الورقية ذات التنسيقات المماثلة على أساس يومي - تتلقى البنوك الكبيرة العديد من التطبيقات المتطابقة ، ويتعين على فرق البحث تحليل أكوام من النماذج لإجراء التحليل الإحصائي. لذلك ، فإن أتمتة الخطوة الأولية لاستخراج البيانات من المستندات تقلل بشكل كبير من تكرار الموارد البشرية وتسمح للعمال بالتركيز على تحليل البيانات ومراجعة التطبيقات بدلاً من إدخال المعلومات.
- التحقق من الطلبات - تتلقى الشركات أطنانًا من الطلبات سواء بخط اليد أو من خلال نماذج الطلبات فقط. في معظم الأوقات ، قد تكون هذه التطبيقات مصحوبة بمعرفات شخصية لأغراض التحقق. عادةً ما تأتي المستندات الممسوحة ضوئيًا للمعرفات مثل جوازات السفر أو البطاقات على دفعات بتنسيقات مماثلة. لذلك ، يمكن لمستخرج البيانات المكتوب جيدًا تحويل البيانات بسرعة (النصوص والجداول والأشكال و KVPs) إلى نصوص مفهومة آليًا ، مما قد يقلل بشكل كبير من ساعات العمل في هذه المهام والتركيز على اختيار التطبيق بدلاً من الاستخراج.
- تسوية المدفوعات - تسوية المدفوعات هي عملية مقارنة كشوف الحسابات المصرفية لضمان مطابقة الأرقام بين الحسابات ، والتي تدور بشكل كبير حول استخراج البيانات من المستندات - وهي مشكلة صعبة لشركة ذات حجم كبير ومصادر مختلفة لتدفق الدخل. يمكن لاستخراج البيانات تسهيل هذه العملية والسماح للموظفين بالتركيز على البيانات المعيبة واستكشاف الأحداث الاحتيالية المحتملة حول التدفق النقدي.
- التحليل الإحصائي - يتم استخدام التعليقات الواردة من العملاء أو المشاركين في التجربة من قبل الشركات والمؤسسات لتحسين منتجاتهم وخدماتهم ، وعادةً ما يحتاج تقييم الملاحظات الشامل إلى تحليل إحصائي. ومع ذلك ، قد توجد بيانات الاستطلاع بتنسيقات عديدة أو مخفية بين النص بتنسيقات مختلفة. يمكن أن يسهل استخراج البيانات العملية من خلال الإشارة إلى البيانات الواضحة من المستندات على دفعات ، وتيسير عملية العثور على عمليات مفيدة ، وزيادة الكفاءة في نهاية المطاف.
- مشاركة السجلات السابقة - من الرعاية الصحية إلى تبديل الخدمات المصرفية ، غالبًا ما تتطلب الصناعات الكبرى معلومات جديدة للعملاء والتي قد تكون موجودة بالفعل في مكان آخر. على سبيل المثال ، قد يكون لدى المريض الذي يغير المستشفى بسبب الانتقال سجلات طبية موجودة مسبقًا يمكن أن تكون مفيدة للمستشفى الجديد. في مثل هذه الحالات ، يكون برنامج استخراج البيانات الجيد مفيدًا حيث أن كل ما هو مطلوب للفرد هو إحضار سجل ممسوح ضوئيًا من السجلات إلى المستشفى الجديد حتى يقوم بملء جميع المعلومات تلقائيًا. لن يكون هذا مناسبًا فحسب ، بل يمكنه أيضًا تجنب المخاطر الكبيرة خاصة في صناعة الرعاية الصحية بسبب تجاهل سجلات المرضى المهمة.
تبحث لاستخراج البيانات من المستندات الممسوحة ضوئيًا؟ أعط Nanonets™ تدور للحصول على دقة أعلى ومرونة أكبر ومعالجة لاحقة ومجموعة واسعة من عمليات الدمج!
الدروس
لتوفير رؤية أوضح حول كيفية إجراء استخراج البيانات ، نعرض مجموعتين من الطرق لإجراء استخراج البيانات من مسح المستندات ضوئيًا.
بناء من الصفر
يمكن للمرء بناء محرك بسيط لاستخراج البيانات عبر محرك PyTesseract على النحو التالي:
try: from PIL import Image
except ImportError: import Image
import pytesseract # If you don't have tesseract executable in your PATH, include the following:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'C:Program Files (x86)Tesseract-OCRtesseract' # Simple image to string
print(pytesseract.image_to_string(Image.open('test.png'))) # List of available languages
print(pytesseract.get_languages(config='')) # French text image to string
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra')) # In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png')) # Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt')) # Timeout/terminate the tesseract job after a period of time
try: print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error: # Tesseract processing is terminated pass # Get bounding box estimates
print(pytesseract.image_to_boxes(Image.open('test.png'))) # Get verbose data including boxes, confidences, line and page numbers
print(pytesseract.image_to_data(Image.open('test.png'))) # Get information about orientation and script detection
print(pytesseract.image_to_osd(Image.open('test.png'))) # Get a searchable PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f: f.write(pdf) # pdf type is bytes by default # Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr') # Get ALTO XML output
xml = pytesseract.image_to_alto_xml('test.png')
لمزيد من المعلومات حول الكود ، يمكنك مراجعة مسؤولهم كابل بيانات.
بكلمات بسيطة ، يستخرج الكود بيانات مثل النصوص والمربعات المحيطة من صورة معينة. في حين أن المحرك مفيد إلى حد ما ، إلا أنه لا يتمتع بقوة مثل تلك التي توفرها الحلول المتقدمة نظرًا لقوتها الحسابية الكبيرة للتدريب.
باستخدام Google Document API
def async_detect_document(gcs_source_uri, gcs_destination_uri):
"""OCR with PDF/TIFF as source files on GCS""" import json import re from google.cloud import vision from google.cloud import storage # Supported mime_types are: 'application/pdf' and 'image/tiff' mime_type = 'application/pdf' # How many pages should be grouped into each json output file. batch_size = 2 client = vision.ImageAnnotatorClient() feature = vision.Feature( type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION) gcs_source = vision.GcsSource(uri=gcs_source_uri) input_config = vision.InputConfig( gcs_source=gcs_source, mime_type=mime_type) gcs_destination = vision.GcsDestination(uri=gcs_destination_uri) output_config = vision.OutputConfig( gcs_destination=gcs_destination, batch_size=batch_size) async_request = vision.AsyncAnnotateFileRequest( features=[feature], input_config=input_config, output_config=output_config) operation = client.async_batch_annotate_files( requests=[async_request]) print('Waiting for the operation to finish.') operation.result(timeout=420) # Once the request has completed and the output has been # written to GCS, we can list all the output files. storage_client = storage.Client() match = re.match(r'gs://([^/]+)/(.+)', gcs_destination_uri) bucket_name = match.group(1) prefix = match.group(2) bucket = storage_client.get_bucket(bucket_name) # List objects with the given prefix. blob_list = list(bucket.list_blobs(prefix=prefix)) print('Output files:') for blob in blob_list: print(blob.name) # Process the first output file from GCS. # Since we specified batch_size=2, the first response contains # the first two pages of the input file. output = blob_list[0] json_string = output.download_as_string() response = json.loads(json_string) # The actual response for the first page of the input file. first_page_response = response['responses'][0] annotation = first_page_response['fullTextAnnotation'] # Here we print the full text from the first page. # The response contains more information: # annotation/pages/blocks/paragraphs/words/symbols # including confidence scores and bounding boxes print('Full text:n') print(annotation['text'])
في النهاية ، يسمح لك مستند Google AI باستخراج العديد من المعلومات من المستندات ذات الدقة العالية. بالإضافة إلى ذلك ، يتم تقديم الخدمة لاستخدامات محددة أيضًا ، بما في ذلك استخراج النص لكل من الصور العادية والبرية.
يرجى الرجوع إلى هنا للمزيد.
تقدم الحلول الحالية استخراج البيانات
إلى جانب الشركات الكبيرة التي لديها واجهات برمجة تطبيقات لاستخراج بيانات المستندات ، هناك العديد من الحلول التي توفر دقة عالية التعرف الضوئي على الحروف بتنسيق PDF خدمات. نقدم العديد من خيارات التعرف الضوئي على الحروف بتنسيق PDF والمتخصصة في جوانب مختلفة ، بالإضافة إلى بعض نماذج الأبحاث الحديثة التي يبدو أنها تقدم نتائج واعدة *:
* ملاحظة جانبية: هناك العديد من خدمات التعرف الضوئي على الحروف التي تستهدف مهام مثل الصور في البرية. لقد تخطينا هذه الخدمات لأننا نركز حاليًا على قراءة مستندات PDF فقط.
- جوجل API - كواحد من أكبر مزودي الخدمات عبر الإنترنت ، تقدم Google نتائج مذهلة في استخراج المستندات باستخدام تقنية الرؤية الحاسوبية الرائدة. يمكن للمرء استخدام خدماتهم مجانًا إذا كان الاستخدام منخفضًا جدًا ، لكن السعر يتراكم مع زيادة استدعاءات واجهة برمجة التطبيقات.
- قارئ عميق - Deep Reader هو عمل بحثي نُشر في مؤتمر ACCV 2019. وهو يشتمل على العديد من هياكل الشبكات الحديثة لأداء مهام مثل وثيقة مطابقةواسترجاع النص وتقليل الضوضاء. هناك ميزات إضافية مثل الجداول واستخراج زوج المفتاح والقيمة التي تسمح باسترداد البيانات وحفظها بطريقة منظمة.
- Nanonets ™ - مع فريق التعلم العميق الماهر للغاية ، فإن Nanonets ™ PDF OCR هو عبارة عن قالب مستقل تمامًا عن القاعدة. لذلك ، لا يمكن لـ Nanonets ™ فقط العمل على أنواع معينة من ملفات PDF ، بل يمكن أيضًا تطبيقها على أي نوع مستند لاسترداد النص.
تبحث لاستخراج البيانات من المستندات الممسوحة ضوئيًا؟ أعط Nanonets™ تدور للحصول على دقة أعلى ومرونة أكبر ومعالجة لاحقة ومجموعة واسعة من عمليات الدمج!
وفي الختام
في الختام ، تقدم هذه المقالة شرحًا شاملاً لاستخراج البيانات من المستندات الممسوحة ضوئيًا ، بما في ذلك التحديات الكامنة وراء ذلك والتكنولوجيا المطلوبة لهذه العملية.
يتم تقديم برنامجين تعليميين لطرق مختلفة ، كما يتم تقديم الحلول الحالية التي توفرها خارج الصندوق للرجوع إليها.
- 2019
- من نحن
- مطلق
- حسابي
- دقيق
- التأهيل
- إضافة
- إضافي
- متقدم
- السلف
- AI
- خوارزميات
- الكل
- سابقا
- البديل
- تحليل
- تحليل
- آخر
- API
- واجهات برمجة التطبيقات
- تطبيق
- التطبيقات
- نهج
- هندسة معمارية
- حول
- البند
- مصطنع
- الذكاء الاصطناعي
- اهتمام
- أتمتة
- متاح
- AWS
- خلفية
- مصرف
- البنوك
- أساس
- يجري
- أفضل
- Beyond
- أكبر
- الحدود
- صندوق
- نساعدك في بناء
- الأعمال
- الأعمال
- بطاقات
- الحالات
- النقد
- تدفق مالي
- معين
- التحديات
- تحدي
- الرسوم البيانية
- الدفع
- كلاسيكي
- سحابة
- سي ان ان
- الكود
- تأتي
- مشترك
- الشركات
- حول الشركة
- تماما
- الانتهاء
- شامل
- حساب
- الكمبيوتر
- مفهوم
- مؤتمر
- الثقة
- متصل
- باستمرار
- يحتوي
- ساهمت
- ملاءمة
- مناسب
- التحويلات
- جوهر
- الشركات
- المقابلة
- استطاع
- حاسم
- حالياًّ
- حاليا
- زبون
- العملاء
- البيانات
- معالجة المعلومات
- تخزين البيانات
- صفقة
- وصف
- تصميم
- التفاصيل
- كشف
- مختلف
- صعبة
- رقمي
- وثائق
- بسهولة
- كفاءة
- الموظفين
- محرك
- الهندسة
- خاصة
- أساسيا
- تقديرات
- إلخ
- تقييم
- أحداث
- مثال
- إلا
- تجربة
- اكتشف
- واسع
- مقتطفات
- للعائلات
- الميزات
- المميزات
- ردود الفعل
- مجال
- العثور على
- الاسم الأول
- مرونة
- تدفق
- تركز
- ركز
- ويركز
- التركيز
- متابعيك
- طليعة
- النموذج المرفق
- شكل
- أشكال
- مجانًا
- الفرنسية
- الوفاء
- بالإضافة إلى
- إضافي
- هدف
- خير
- شراء مراجعات جوجل
- أكبر
- جدا
- معالجة
- تشابك الايدى
- رئيس
- الرعاية الصحية
- الرعاية الصحية الصناعة
- مفيد
- هنا
- مرتفع
- أعلى
- جدا
- تاريخ
- المستشفيات
- كيفية
- كيفية
- لكن
- HTTPS
- الانسان
- الموارد البشرية
- البشر
- صورة
- أهمية
- أهمية
- تحسن
- تتضمن
- بما فيه
- دخل
- القيمة الاسمية
- فرد
- الأفراد
- الصناعات
- العالمية
- معلومات
- إدخال
- موحى
- رؤيتنا
- قضية
- IT
- وظيفة
- القفل
- مفاتيح
- مختبرات
- لغة
- اللغات
- كبير
- قيادة
- تعلم
- تعلم
- خط
- قائمة
- طويل
- آلة
- آلة التعلم
- رائد
- أغلبية
- رجل
- أسلوب
- تجارة
- مباراة
- مطابقة
- طبي
- طرق
- الأكثر من ذلك
- أكثر
- الاكثر شهره
- يتحرك
- متعدد
- أي
- طبيعي
- إحتياجات
- شبكة
- الشبكات
- عادي
- أرقام
- كثير
- عرض
- عرضت
- الوهب
- عروض
- عروض
- رسمي
- جارية
- online
- عملية
- مزيد من الخيارات
- طلب
- المنظمات
- منظم
- أخرى
- أصحاب
- المشاركون
- وسائل الدفع
- أداء
- فترة
- الشخصية
- الرائد
- أكثر الاستفسارات
- محتمل
- قوة
- تنبأ
- تنبؤ
- يقدم
- جميل
- سابق
- السعر
- عملية المعالجة
- العمليات
- معالجة
- المنتجات
- البرنامج
- البرامج
- واعد
- تزود
- توفير
- أغراض
- بسرعة
- RE
- قارئ
- نادي القراءة
- تسلم
- المصالحة
- تسجيل
- تخفيض
- بخصوص
- صلة
- طلب
- تطلب
- مطلوب
- يتطلب
- بحث
- الموارد
- استجابة
- النتائج
- عائد أعلى
- المخاطر
- مسح
- ثواني
- الخدمة
- خدمات
- طقم
- عدة
- قصير
- المدى القصير
- مماثل
- الاشارات
- منذ
- مقاس
- تطبيقات الكمبيوتر
- الصلبة
- الحلول
- بعض
- متخصص
- غزل
- دولة من بين الفن
- البيانات
- إحصائي
- تخزين
- مجرى
- قوي
- منظم
- جوهري
- ناجح
- مدعومة
- الدراسة الاستقصائية
- المستهدفة
- المهام
- فريق
- تقنيات
- التكنولوجيا
- تكنولوجيا
- تجربه بالعربي
- العالم
- وبالتالي
- الآلاف
- عبر
- الوقت
- مرات
- سويا
- نغمة
- نحو
- تقليدي
- قادة الإيمان
- الدروس
- أنواع
- فهم
- فريد من نوعه
- تستخدم
- عادة
- قيمنا
- مختلف
- التحقق
- المزيد
- رؤيتنا
- سواء
- في حين
- في غضون
- بدون
- كلمات
- للعمل
- العمال
- العالم
- سوف
- XML
- سنوات