في شبكات الـ PON، يتم استخدام مقسمات بصرية (Splitters) لتوزيع الإشارة القادمة من شعيرة ضوئية واحدة وتوصيلها إلى 32 أو 64 مستخدماً في نفس الوقت. هنا يبرز التحدي الهندسي الأكبر: كيف لا تتداخل ولا تتصادم بيانات هؤلاء المشتركين داخل نفس المسار المشترك؟ السر يكمن في الفصل الذكي بين اتجاهي الحركة: 1️⃣ اتجاه التحميل (Downstream): يتم بث البيانات من الـ OLT للجميع في نفس الوقت كمنشور عام (Broadcast)، ولكن يتم تطبيق تشفير خاص وعميق (Encryption) لكل مستخدم بحيث لا يستطيع أي مودم قراءة بيانات المودم الآخر. 2️⃣ اتجاه الرفع (Upstream): هنا تكمن المعجزة الرقمية؛ حيث يتم استخدام تقنية الوصول المتعدد بالتقسيم الزمني (TDMA). يقوم جهاز الـ OLT بمنح وتخصيص "نافذة زمنية" دقيقة جداً وبأجزاء من الملي ثانية لكل مودم منزلي ليرسل بياناته بشكل منفرد، مما يمنع تصادم الضوء والبيانات تماماً داخل الشعيرة المشتركة. #TDMA #Broadband #DataSplitting #FiberOpticDesign #RogueONU #أكاديمية_اتصالاتي

BrainExpand🧠 - Exploratory AI Pipeline Overview DataSets: DataCollection (Python, R, Apache Kafka, Google Colab, Kaggle) ➡ DataCleaning (Pandas, OpenRefine, Trifacta) ➡ DataAugmentation (imgaug, Albumentations) ➡ DataNormalization (scikit-learn, TensorFlow) ➡ DataSplitting (scikit-learn, train_test_split) Algorithms: SupervisedLearning (scikit-learn, TensorFlow, Azure ML) ➡ UnsupervisedLearning (scikit-learn, Keras, IBM Watson) ➡ SemiSupervisedLearning (scikit-learn, PyTorch, Google Colab) ➡ ReinforcementLearning (OpenAI Gym, TensorFlow, Azure ML) NeuralNetworks: Layers (Keras, PyTorch) ➡ ActivationFunctions (TensorFlow, Keras) ➡ WeightInitialization (PyTorch, Keras) ➡ Backpropagation (TensorFlow, PyTorch) ➡ GradientDescent (scikit-learn, TensorFlow) Overfitting: Regularization (Keras, TensorFlow) ➡ Dropout (Keras, TensorFlow) ModelEvaluation: CrossValidation (scikit-learn) ➡ Metrics (scikit-learn, TensorFlow) FeatureEngineering: FeatureSelection (scikit-learn, Boruta) ➡ FeatureExtraction (Pandas, scikit-learn) ModelTraining: Training (TensorFlow, PyTorch, Databricks) ➡ Validation (scikit-learn) ➡ Testing (scikit-learn) HyperparameterTuning: GridSearch (scikit-learn) ➡ RandomSearch (scikit-learn) ➡ CrossValidation (scikit-learn) FineTuning (Keras, PyTorch) ➡ TransferLearning (TensorFlow, Keras) ModelDeployment: Docker, Kubernetes, AWS SageMaker, Google Cloud AI Platform, Azure ML ➡ Monitoring (Prometheus, Grafana, MLflow) ➡ Retraining (Kubeflow, Apache Airflow) Interpretability: SHAP, LIME, PDP Collaboration and Automation: Git, MLflow, Weights & Biases, Kubeflow, Apache Airflow #AI #DeepLearning #MachineLearning #AIUnlock #TechMystery

Predictive modeling on routine data for preoperative risk assessment: find out more in our talk today at @gmds2023, 14:45 in N.0.30/N-12: s.fhg.de/p8i #GMDS2023 #ImbalancedData #MissingData #DataImputation #DataSplitting