Телеграм канал «The World Of Programming»

أساسيات الذكاء الاصطناعي التي يجب أن تعرفها: 🤖📚

1. الذكاء الاصطناعي (AI)
→ تقنية تسمح للآلات بمحاكاة الذكاء البشري مثل التعلم والاستدلال وحل المشكلات واتخاذ القرارات. يشغّل الذكاء الاصطناعي أدوات مثل الدردشة، وأنظمة التوصية، والمساعدات الصوتية، وتقنيات القيادة الذاتية.

2. تعلم الآلة (ML)
→ مجموعة فرعية من الذكاء الاصطناعي تتعلم فيها الأنظمة الأنماط من البيانات بدلاً من البرمجة اليدوية. كلما زادت جودة البيانات التي تتلقاها نماذج تعلم الآلة، أصبحت أفضل في التنبؤ والتحليل.

3. التعلم العميق (Deep Learning)
→ شكل متقدم من تعلم الآلة يستخدم شبكات عصبية متعددة الطبقات لمعالجة المهام المعقدة مثل التعرف على الصور وفهم الكلام والذكاء الاصطناعي التوليدي.

4. وكيل الذكاء الاصطناعي (AI Agent)
→ نظام ذكاء اصطناعي مستقل قادر على أداء المهام، واتخاذ القرارات، والتفاعل مع الأدوات، وإكمال سير العمل بأقل قدر من التدخل البشري. أصبح وكلاء الذكاء الاصطناعي أساس الأتمتة من الجيل التالي.

5. نموذج الذكاء الاصطناعي (AI Model)
→ نظام حاسوبي مُدرَّب يعالج المدخلات ويولّد مخرجات مثل التنبؤات أو النصوص أو الصور أو التوصيات بناءً على الأنماط المتعلمة.

6. التدريب (Training)
→ العملية التي تتعلم فيها نماذج الذكاء الاصطناعي من مجموعات بيانات ضخمة عبر تحديد الأنماط وضبط المعاملات الداخلية وتحسين الدقة بمرور الوقت.

7. الاستدلال (Inference)
→ المرحلة التشغيلية التي يولّد فيها نموذج الذكاء الاصطناعي المُدرَّب استجابات أو تنبؤات أو قرارات للاستخدام الواقعي. كل استجابة دردشة هي مثال على الاستدلال.

8. الأمر (Prompt)
→ التعليمات أو الأوامر أو الأسئلة المقدمة لنظام الذكاء الاصطناعي. يؤثر وضوح الأمر وتفصيله بشكل مباشر على جودة مخرجات الذكاء الاصطناعي.

9. هندسة الأوامر (Prompt Engineering)
→ مهارة تصميم أوامر منظمة ومحسّنة لتوجيه أنظمة الذكاء الاصطناعي نحو استجابات أكثر دقة وفائدة ووعيًا بالسياق.

10. الذكاء الاصطناعي التوليدي (Generative AI)
→ أنظمة ذكاء اصطناعي قادرة على إنشاء محتوى أصلي مثل النصوص والصور والموسيقى والفيديوهات والتصاميم والأكواد بدلاً من تحليل المعلومات الموجودة فقط.

11. الرمز المميز (Token)
→ وحدات صغيرة من النص تعالجها نماذج الذكاء الاصطناعي. قد تمثل الرموز كلمات أو أجزاء من كلمات أو رموزًا تساعد الذكاء الاصطناعي على فهم اللغة وتوليدها.

12. الهلوسة (Hallucination)
→ ظاهرة يولّد فيها الذكاء الاصطناعي معلومات خاطئة أو مضللة أو ملفقة بثقة بسبب أخطاء التنبؤ أو نقص السياق المُتحقق منه.

13. الضبط الدقيق (Fine-Tuning)
→ عملية تخصيص نموذج ذكاء اصطناعي مُدرَّب مسبقًا باستخدام مجموعات بيانات متخصصة لتحسين أدائه في مهام أو صناعات محددة.

14. الذكاء الاصطناعي متعدد الوسائط (Multimodal AI)
→ أنظمة ذكاء اصطناعي قادرة على معالجة وفهم تنسيقات بيانات متعددة معًا، بما في ذلك النصوص والصور والصوت والفيديو.

15. النموذج اللغوي الكبير (LLM)
→ نماذج ذكاء اصطناعي ضخمة مُدرَّبة على مجموعات نصوص هائلة لفهم اللغة والإجابة على الأسئلة وتلخيص المعلومات وتوليد استجابات شبيهة بالبشر.

16. الشبكة العصبية (Neural Network)
→ بنية حاسوبية مستوحاة من الدماغ البشري، تتكون من عقد مترابطة تساعد الذكاء الاصطناعي على التعرف على الأنماط واتخاذ القرارات.

17. التوليد المعزز بالاسترجاع (RAG)
→ تقنية يسترجع فيها الذكاء الاصطناعي معلومات خارجية أو محدثة قبل توليد الاستجابات، مما يحسن الدقة الواقعية وملاءمة السياق.

18. التضمينات (Embeddings)
→ تمثيلات رياضية متجهة للنصوص أو الصور أو البيانات تسمح لأنظمة الذكاء الاصطناعي بفهم المعنى والتشابه والعلاقات بين المعلومات.

19. قاعدة بيانات المتجهات (Vector Database)
→ قواعد بيانات متخصصة مصممة لتخزين التضمينات والبحث فيها بكفاءة، مما يتيح البحث الدلالي وأنظمة الاسترجاع المتقدمة للذكاء الاصطناعي.

20. الذكاء الاصطناعي العاملي (Agentic AI)
→ أنظمة ذكاء اصطناعي متقدمة قادرة على الاستدلال والتخطيط ومعالجة الذاكرة واتخاذ القرارات وإكمال المهام المعقدة متعددة الخطوات بشكل مستقل.

21. الذكاء الاصطناعي مفتوح المصدر (Open Source AI)
→ نماذج وأطر ذكاء اصطناعي متاحة للجمهور للمطورين والباحثين للوصول إليها وتعديلها وتحسينها والبناء عليها بشكل تعاوني.

📌 موارد الذكاء الاصطناعي:
قناة مفيده للامن السيبراني
telemetr.me/Ninja_404_x_Cyber

اضغط مرتين ❤️ للمزيد

✅ أساسيات تعلم الآلة التي يجب أن تعرفها 🤖📊

🔹 1. ما هو تعلم الآلة؟

تعلم الآلة = تعليم الحواسيب أن تتعلم الأنماط من البيانات دون برمجة صريحة

👉 بدلاً من القواعد → نعطي بيانات → النموذج يتعلم الأنماط.

---

🔥 2. أنواع تعلم الآلة

✅ 1. التعلم الموجه ⭐️

👉 النموذج يتعلم من بيانات مُصنَّفة

أمثلة:
✔️ التنبؤ بأسعار المنازل
✔️ كشف البريد العشوائي

الخوارزميات الشائعة:
- الانحدار الخطي
- الانحدار اللوجستي
- أشجار القرار

✅ 2. التعلم غير الموجه

👉 النموذج يجد أنماطًا في بيانات غير مُصنَّفة

أمثلة:
✔️ تجزئة العملاء
✔️ تجميع البيانات المتشابهة

الخوارزميات الشائعة:
- تجميع K-Means
- التجميع الهرمي

✅ 3. التعلم المعزز

👉 النموذج يتعلم من خلال المكافآت والعقوبات

مثال:
✔️ ذكاء اصطناعي يلعب الألعاب

---

🔹 3. سير عمل تعلم الآلة (مهم جدًا ⭐️)

👉 عملية خطوة بخطوة:

1️⃣ جمع البيانات
2️⃣ تنظيف البيانات
3️⃣ إجراء التحليل الاستكشافي (EDA)
4️⃣ تقسيم البيانات (تدريب/اختبار)
5️⃣ تدريب النموذج
6️⃣ تقييم النموذج
7️⃣ نشر النموذج

---

🔹 4. تقسيم التدريب والاختبار

from sklearn.model_selection import train_test_split

👉 يُستخدم لتقسيم البيانات إلى:
✔️ بيانات التدريب
✔️ بيانات الاختبار

---

🔹 5. مثال (فكرة تعلم آلة بسيطة)

👉 التنبؤ بالراتب بناءً على الخبرة

المدخل → الخبرة
المخرج → الراتب

---

🔹 6. لماذا تعلم الآلة مهم؟

✔️ يؤتمت اتخاذ القرارات
✔️ يُستخدم في الذكاء الاصطناعي، التوصيات، التنبؤات
✔️ جوهر التكنولوجيا الحديثة

---

🎯 هدف اليوم

✔️ فهم أنواع تعلم الآلة
✔️ تعلم سير العمل
✔️ فهم الفرق بين التعلم الموجه وغير الموجه

👉 تعلم الآلة = محرك علم البيانات 🔥

💬 اضغط ❤️ للمزيد!

📊 بايثون لعلم البيانات – خريطة طريق كاملة للمبتدئين 🐍🚀

🔹 ما هو علم البيانات؟

علم البيانات هو:
جمع البيانات
تنظيفها
تحليلها
اكتشاف الرؤى
إجراء التنبؤات

👉 مثال:
- التنبؤ بالمبيعات 📈
- تحليل سلوك العملاء 🛒
- كشف الاحتيال 💳

---

🧭 خريطة طريق خطوة بخطوة

🔹 1️⃣ قوِّ أساسيات بايثون

ركز على:
القوائم، القواميس
الحلقات والشروط
الدوال
التعامل الأساسي مع الملفات

👉 لأن البيانات تُعالج باستخدام هذه الهياكل.

🔹 2️⃣ تعلم NumPy (الحوسبة العددية)

يُستخدم NumPy من أجل:
حسابات سريعة
العمل مع المصفوفات

import numpy as np
arr = np.array([1,2,3])
print(arr.mean())

👉 يُستخدم في: تعلم الآلة، الحوسبة العلمية.

🔹 3️⃣ تعلم Pandas (الأهم 🔥)

يساعدك Pandas على:
قراءة البيانات (CSV، Excel)
تنظيف البيانات
تحليل البيانات

import pandas as pd
df = pd.read_csv("data.csv")
print(df.head())

👉 يجب تعلم: head()`، `info()`، التصفية، `groupby()`، `merge().

🔹 4️⃣ تصور البيانات

الأدوات: matplotlib، seaborn

import matplotlib.pyplot as plt
plt.plot([1,2,3],[10,20,30])
plt.show()

👉 يُستخدم لـ: تقديم الرؤى، إنشاء التقارير، بناء لوحات المعلومات.

🔹 5️⃣ أساسيات الإحصاء (مهم جدًا)

تعلم:
المتوسط، الوسيط، المنوال
الانحراف المعياري
أساسيات الاحتمالات

👉 علم البيانات = رياضيات + منطق + كود

🔹 6️⃣ تنظيف البيانات (مهارة العالم الحقيقي)

البيانات الحقيقية فوضوية 😅

يجب أن تتعلم:
- التعامل مع القيم المفقودة
- إزالة التكرارات
- إصلاح أنواع البيانات

df.dropna()
df.fillna(0)

🔹 7️⃣ مقدمة إلى تعلم الآلة

باستخدام scikit-learn:

from sklearn.linear_model import LinearRegression

تعلم:
- الانحدار
- التصنيف
- تدريب النموذج

🔹 8️⃣ مشاريع حقيقية (الأهم 🚀)

ابدأ بالبناء:

💡 أفكار مشاريع:
- لوحة تحليل المبيعات
- تحليل بيانات IPL
- رؤى مجموعة بيانات Netflix
- التنبؤ بتوقف العملاء

🧠 اضغط مرتين ❤️ للمزيد

✅ خريطة طريق مشروع تحليل بيانات شامل (من البداية إلى النهاية)

الخطوة 1. تحديد المشكلة التجارية
ابدأ بسؤال واضح.
مثال: لماذا انخفضت المبيعات في الربع الأخير؟
حدد مقياس النجاح.
مثال: الإيرادات، معدل النمو.

الخطوة 2. فهم البيانات
حدد مصادر البيانات.
مثال: جدول المبيعات، جدول العملاء.
افحص الصفوف والأعمدة وأنواع البيانات.
اكتشف القيم المفقودة.

الخطوة 3. تنظيف البيانات
أزل التكرارات.
تعامل مع القيم المفقودة.
أصلح أنواع البيانات.
وحّد النصوص.
الأدوات: Excel أو Power Query، SQL لمجموعات البيانات الكبيرة.

الخطوة 4. استكشاف البيانات
ملخصات أساسية.
الاتجاهات بمرور الوقت.
أفضل وأسوأ الأداء.
أمثلة: اتجاه المبيعات الشهري، أفضل ١٠ منتجات، الإيرادات حسب المنطقة.

الخطوة 5. التحليل واكتشاف الرؤى
قارن الفترات.
جزّئ البيانات.
حدد المحركات.
أمثلة: انخفاض المبيعات في منطقة واحدة، ارتفاع التوقف في شريحة عملاء معينة.

الخطوة 6. إنشاء التصورات ولوحة المعلومات
مؤشرات الأداء الرئيسية (KPIs) في الأعلى.
الاتجاهات في الوسط.
مخططات التفصيل في الأسفل.
الأدوات: Power BI أو Tableau.

الخطوة 7. تفسير النتائج
ماذا تغير؟
لماذا تغير؟
التأثير التجاري.

الخطوة 8. تقديم التوصيات
خطوات قابلة للتنفيذ.
مثال: زيادة الإعلانات في المناطق ذات الهامش المرتفع.

الخطوة 9. التحقق والتكرار
تحقق من الأرقام بشكل متقاطع.
اطرح أسئلة على أصحاب المصلحة.

الخطوة 10. العرض بوضوح
ملخص من صفحة واحدة.
لغة بسيطة.
التركيز على التأثير.

أفكار مشاريع نموذجية
• تحليل أداء المبيعات.
• تحليل توقف العملاء.
• تحليل الحملات التسويقية.
• لوحة تحليل تسرب الموارد البشرية.

مهمة صغيرة
• اختر فكرة مشروع واحدة.
• اكتب السؤال التجاري.
• اذكر ٣ مقاييس ستتتبعها.

مثال: لتحليل أداء المبيعات

السؤال التجاري: لماذا انخفضت المبيعات في الربع الأخير؟

المقاييس:
1. معدل نمو الإيرادات
2. نسبة تحقيق هدف المبيعات (٪)
3. تكلفة اكتساب العميل (CAC)

اضغط مرتين ♥️ للمزيد

📊 خريطة طريق علم البيانات 🚀

📂 ابدأ من هنا
∟📂 ما هو علم البيانات ولماذا هو مهم؟
∟📂 الأدوار (محلل بيانات، عالم بيانات، مهندس تعلم آلة)
∟📂 إعداد البيئة (Python، Jupyter Notebook)

📂 بايثون لعلم البيانات
∟📂 أساسيات بايثون (المتغيرات، الحلقات، الدوال)
∟📂 NumPy للحوسبة العددية
∟📂 Pandas لتحليل البيانات

📂 تنظيف البيانات وإعدادها
∟📂 التعامل مع القيم المفقودة
∟📂 تحويل البيانات
∟📂 هندسة الخصائص

📂 التحليل الاستكشافي للبيانات (EDA)
∟📂 الإحصاء الوصفي
∟📂 تصور البيانات (Matplotlib، Seaborn)
∟📂 اكتشاف الأنماط والرؤى

📂 الإحصاء والاحتمالات
∟📂 المتوسط، الوسيط، المنوال، التباين
∟📂 أساسيات الاحتمالات
∟📂 اختبار الفرضيات

📂 أساسيات تعلم الآلة
∟📂 التعلم الموجه (الانحدار، التصنيف)
∟📂 التعلم غير الموجه (التجميع)
∟📂 تقييم النموذج (الدقة، الإحكام، الاستدعاء)

📂 خوارزميات تعلم الآلة
∟📂 الانحدار الخطي
∟📂 أشجار القرار والغابة العشوائية
∟📂 تجميع K-Means

📂 بناء النموذج ونشره
∟📂 تقسيم التدريب والاختبار
∟📂 التحقق المتقاطع
∟📂 نشر النماذج (Flask / FastAPI)

📂 البيانات الضخمة والأدوات
∟📂 SQL للتعامل مع البيانات
∟📂 مقدمة إلى البيانات الضخمة (Hadoop، Spark)
∟📂 التحكم في الإصدارات (Git & GitHub)

📂 مشاريع تطبيقية
∟📌 التنبؤ بأسعار المنازل
∟📌 تجزئة العملاء
∟📌 نموذج التنبؤ بالمبيعات

📂 ✅ الانتقال إلى المستوى التالي
∟📂 التعلم العميق (الشبكات العصبية، TensorFlow، PyTorch)
∟📂 معالجة اللغة الطبيعية (تحليل النصوص، الشات بوت)
∟📂 MLOps وتحسين النماذج

موارد علم البيانات:
قناة مفيده للامن السيبراني
telemetr.me/Ninja_404_x_Cyber

تفاعل ❤️ للمزيد! 🚀📊

🎯 🤖 مقابلة تجريبية في علم البيانات (مع الإجابات)

🧠 1️⃣ حدثني عن نفسك
✅ إجابة نموذجية:
"لدي أكثر من ٣ سنوات كعالم بيانات أعمل بـ Python ونماذج تعلم الآلة والبيانات الضخمة. المهارات الأساسية: Pandas، Scikit-learn، SQL، والنمذجة الإحصائية. بنيت مؤخرًا نماذج التنبؤ بتوقف العملاء مما رفع الاحتفاظ بنسبة ١٥٪. أحب تحويل البيانات المعقدة إلى استراتيجيات تجارية قابلة للتنفيذ."

📊 2️⃣ ما الفرق بين التعلم الموجه وغير الموجه؟
✅ الإجابة:
الموجه: يستخدم بيانات مُصنَّفة للتنبؤات (تصنيف/انحدار).
غير الموجه: يجد أنماطًا في بيانات غير مُصنَّفة (تجميع/تقليل أبعاد).
مثال: الغابة العشوائية (موجه) مقابل K-means (غير موجه).

🔗 3️⃣ ما هو الإفراط في التخصيص وكيف تعالجه؟
✅ الإجابة:
الإفراط في التخصيص: النموذج يحفظ بيانات التدريب ويفشل في البيانات الجديدة.
العلاج: التحقق المتقاطع، التنظيم (L1/L2)، التوقف المبكر، الإسقاط (Dropout).
👉 افحص الفجوة بين أداء التدريب والاختبار.

🧠 4️⃣ كيف تتعامل مع مجموعات البيانات غير المتوازنة؟
✅ الإجابة:
SMOTE للإفراط في أخذ العينات، النقصان، أوزان الفئات، طرق التجميع.
مثال: كشف الاحتيال (٩٩٪ معاملات طبيعية).
👉 تحقق دائمًا بمقاييس مناسبة (AUC، F1).

📈 5️⃣ ما هي دوال النوافذ في SQL؟
✅ الإجابة:
تحسب عبر مجموعات من الصفوف دون طي الصفوف (ROW_NUMBER()، RANK()، LAG()).
مثال: RANK() OVER(ORDER BY salary DESC) لترتيب الموظفين.

📊 6️⃣ ما هي مقايضة التحيز والتباين؟
✅ الإجابة:
تحيز عالٍ = نقص التخصيص (نموذج بسيط). تباين عالٍ = الإفراط في التخصيص (نموذج معقد).
الهدف: التوازن للحصول على خطأ تعميم أمثل.
👉 استخدم منحنيات التعلم للتشخيص.

📉 7️⃣ ما الفرق بين Bagging و Boosting؟
✅ الإجابة:
Bagging: نماذج متوازية (الغابة العشوائية)، تقلل التباين.
Boosting: نماذج متسلسلة (XGBoost)، تقلل التحيز بالتركيز على الأخطاء.

📊 8️⃣ ما هي مصفوفة الارتباك؟ أعط مثالاً
✅ الإجابة:
جدول: الإيجابيات الحقيقية، الإيجابيات الكاذبة، السلبيات الحقيقية، السلبيات الكاذبة.
المقاييس الرئيسية: الإحكام، الاستدعاء، F1، الدقة.
مثال: تقييم نموذج التشخيص الطبي.

🧠 9️⃣ كيف تجد ثاني أعلى راتب في SQL؟
✅ الإجابة:
SELECT MAX(salary) FROM employees
WHERE salary < (SELECT MAX(salary) FROM employees);

📊 🔟 اشرح أحد مشاريع تعلم الآلة الخاصة بك
✅ إجابة قوية:
"بنيت التنبؤ بتوقف العملاء باستخدام XGBoost على بيانات شركة اتصالات. هندست أكثر من ٢٠ ميزة، وعالجت عدم توازن الفئات باستخدام SMOTE، وحققت ٨٨٪ AUC-ROC. نشرته عبر Flask API، مما قلل التوقف بنسبة ١٨٪."

🔥 1️⃣1️⃣ ما هي هندسة الخصائص؟
✅ الإجابة:
إنشاء/تحويل متغيرات لتحسين أداء النموذج.
أمثلة: تقسيم المتغيرات المستمرة، شروط التفاعل، الميزات متعددة الحدود، التضمينات.
👉 غالبًا ما يكون تأثيرها أكبر من اختيار الخوارزمية.

📊 1️⃣2️⃣ ما هو التحقق المتقاطع ولماذا نستخدمه؟
✅ الإجابة:
K-fold CV: تقسيم البيانات K مرات، تدريب/اختبار كل طية، ومتوسط النتائج.
يمنع الإفراط في التخصيص، ويعطي تقديرًا قويًا للأداء.
مثال: 5-fold CV ممارسة قياسية.

🧠 1️⃣3️⃣ ما هو الانحدار المتدرج (Gradient Descent)؟
✅ الإجابة:
خوارزمية تحسين تقلل دالة الخسارة عبر تحديثات تكرارية للأوزان.
الأنواع: الدفعي، العشوائي، المصغر (Mini-batch). معدل التعلم حرج.

📈 1️⃣4️⃣ كيف تشرح تعلم الآلة لأصحاب المصلحة التجاريين؟
✅ الإجابة:
"استخدم تشبيهات: 'النموذج = توقعات الطقس. الميزات = السحب/درجة الحرارة. التنبؤ = احتمال المطر.' ركز على التأثير التجاري بدلاً من التفاصيل التقنية."

📊 1️⃣5️⃣ ما الأدوات والتقنيات التي عملت بها؟
✅ الإجابة:
Python (Pandas، NumPy، Scikit-learn، XGBoost)، SQL، Git، Docker، AWS/GCP، Jupyter، Tableau.

💼 1️⃣6️⃣ حدثني عن مشروع صعب عملت عليه
✅ الإجابة:
"انحرف نموذج الإنتاج بعد ٣ أشهر. أعدت التدريب مع كشف انحراف المفهوم، وأضفت خط أنابيب تعلم عبر الإنترنت. قللت خطأ التنبؤ بنسبة ٢٥٪، وحافظت على دقة تتجاوز ٩٠٪."

اضغط مرتين ❤️ للمزيد

SQL، أو لغة الاستعلامات البنيوية، هي لغة خاصة بالمجال تُستخدم لإدارة قواعد البيانات العلائقية ومعالجتها. إليك نظرة موجزة من الألف إلى الياء بقلم @sqlanalyst

A - دوال التجميع (Aggregate Functions): دوال مثل COUNT، SUM، AVG، MIN، MAX تُستخدم لإجراء عمليات على البيانات في قاعدة البيانات.

B - BETWEEN: عامل SQL يُستخدم لتصفية النتائج ضمن نطاق محدد.

C - CREATE TABLE: عبارة SQL لإنشاء جدول جديد في قاعدة البيانات.

D - DELETE: عبارة SQL تُستخدم لحذف السجلات من جدول.

E - EXISTS: عامل SQL يُستخدم في استعلام فرعي لاختبار وجود شرط محدد.

F - FOREIGN KEY (مفتاح خارجي): حقل في جدول قاعدة بيانات يمثل مفتاحًا أساسيًا في جدول آخر، مما ينشئ رابطًا بين الجدولين.

G - GROUP BY: بند SQL يُستخدم لتجميع الصفوف التي لها نفس القيم في أعمدة محددة.

H - HAVING: بند SQL يُستخدم مع GROUP BY لتصفية النتائج.

I - INNER JOIN: بند SQL يُستخدم لدمج الصفوف من جدولين أو أكثر بناءً على عمود ذي صلة بينهما.

J - JOIN (دمج): يدمج الصفوف من جدولين أو أكثر بناءً على عمود ذي صلة.

K - KEY (مفتاح): حقل أو مجموعة حقول في جدول قاعدة بيانات تحدد كل سجل بشكل فريد.

L - LIKE: عامل SQL يُستخدم في بند WHERE للبحث عن نمط محدد في عمود.

M - MODIFY (تعديل): أمر SQL يُستخدم لتعديل جدول قاعدة بيانات موجود.

N - NULL: يمثل بيانات مفقودة أو غير معرّفة في قاعدة البيانات.

O - ORDER BY: بند SQL يُستخدم لترتيب مجموعة النتائج بترتيب تصاعدي أو تنازلي.

P - PRIMARY KEY (مفتاح أساسي): حقل في جدول يحدد كل سجل في ذلك الجدول بشكل فريد.

Q - QUERY (استعلام): طلب بيانات من قاعدة بيانات باستخدام SQL.

R - ROLLBACK (تراجع): أمر SQL يُستخدم للتراجع عن المعاملات التي لم يتم حفظها في قاعدة البيانات.

S - SELECT: عبارة SQL تُستخدم للاستعلام عن قاعدة البيانات واسترجاع البيانات.

T - TRUNCATE: أمر SQL يُستخدم لحذف جميع السجلات من جدول دون تسجيل حذف الصفوف الفردية.

U - UPDATE (تحديث): عبارة SQL تُستخدم لتعديل السجلات الموجودة في جدول.

V - VIEW (نموذج): جدول افتراضي يعتمد على نتيجة استعلام SELECT.

W - WHERE: بند SQL يُستخدم لتصفية نتائج الاستعلام بناءً على شرط محدد.

X - (E)XISTS: يُستخدم مع SELECT لاختبار وجود الصفوف التي يُرجعها الاستعلام الفرعي.

Z - ZERO (صفر): يمثل غياب قيمة في الحقول الرقمية أو الحالة الأولية للحقول المنطقية.