Python لعلم البيانات
تقدم هذه الدورة مقدمة شاملة إلى استخدام Python في علم البيانات، وتغطي معالجة البيانات، وتصويرها المرئي، والتحليل الإحصائي، وتعلّم الآلة، والذكاء الاصطناعي.
- رسوم الدورة
- تواصل معنا
- المدة
- 5 أيام
- سعر المجموعات
- اسأل المستشار
نبذة عن الدورة
تقدم هذه الدورة مقدمة شاملة إلى استخدام Python في علم البيانات، وتغطي معالجة البيانات، وتصويرها المرئي، والتحليل الإحصائي، وتعلّم الآلة، والذكاء الاصطناعي. وسيتعلم المشاركون كيفية استخدام مكتبات Python الشائعة مثل NumPy وPandas وMatplotlib وSeaborn وScikit-learn وTensorFlow لتحليل البيانات واستخلاص الرؤى وبناء النماذج التنبؤية. وتتسم الدورة بطابع عملي إلى حد كبير، إذ تتضمن تمارين تطبيقية ومشروعاً ختامياً.
منهجية التدريب
مختبرات برمجة تطبيقية – تمارين عملية على مجموعات بيانات واقعية
عروض توضيحية مباشرة – تطبيق المفاهيم على دراسات حالة حقيقية
دراسات حالة في علم البيانات – تطبيقات Python في القطاعات المختلفة
التعلّم التعاوني – مشاريع جماعية ومراجعات الأقران
مشروع ختامي (Capstone) – تطوير حل متكامل في علم البيانات
الكفاءات المستهدفة
- البرمجة بلغة Python لعلم البيانات
- معالجة البيانات وتنظيفها باستخدام Pandas وNumPy
- التصوير المرئي للبيانات باستخدام Matplotlib وSeaborn
- التحليل الاستكشافي للبيانات (EDA)
- التحليل الإحصائي واختبار الفرضيات
- تعلّم الآلة والنمذجة التنبؤية باستخدام Scikit-learn
- مقدمة إلى التعلّم العميق وTensorFlow
أهداف الدورة
بنهاية الدورة، سيكون المشاركون قادرين على:
- كتابة نصوص Python البرمجية لمعالجة البيانات وتحليلها
- استخدام Pandas وNumPy للتعامل مع البيانات ومعالجتها المسبقة
- إجراء التحليل الاستكشافي للبيانات (EDA) والتحليل الإحصائي
- إنشاء تصورات مرئية للبيانات باستخدام Matplotlib وSeaborn
- تطبيق تقنيات تعلّم الآلة باستخدام Scikit-learn
- تطبيق نماذج أساسية للتعلّم العميق باستخدام TensorFlow
- العمل على مشكلات واقعية في علم البيانات
محاور الدورة
- نظرة عامة على علم البيانات ودور Python فيه
- إعداد بيئة Python (Jupyter Notebook وVS Code وAnaconda)
- أساسيات Python – أنواع البيانات والدوال والحلقات والبرمجة كائنية التوجه (OOP)
- استخدام Python في العمليات الحسابية والإحصائية
- فهم إطارات البيانات (DataFrames) والسلاسل (Series) في Pandas
- تنظيف البيانات: التعامل مع البيانات المفقودة والمكررة والقيم المتطرفة
- تحويل البيانات وتجميعها
- العمل مع NumPy للحوسبة العددية
- إعادة تشكيل البيانات: الجداول المحورية (Pivot Tables) والدمج (Melting) والتكديس (Stacking)
- مقدمة إلى التصوير المرئي للبيانات
- إنشاء المخططات الأساسية (الخطية، والشريطية، والانتشارية، والدائرية، والمدرجات التكرارية)
- التصورات المتقدمة: مخططات الصندوق (Box Plots)، والخرائط الحرارية (Heatmaps)، ومخططات الأزواج (Pair Plots)
- تخصيص المخططات وتنسيق التصورات المرئية
- أفضل الممارسات في سرد القصص بالبيانات
- ما هو التحليل الاستكشافي للبيانات ولماذا يُعد مهماً؟
- الإحصاء الوصفي ودوال التلخيص
- تحديد الاتجاهات والأنماط والحالات الشاذة في البيانات
- هندسة الخصائص (Feature Engineering) لتعلّم الآلة
- أتمتة التحليل الاستكشافي للبيانات باستخدام مكتبات Python
- أساسيات الاحتمالات والإحصاء
- مقاييس النزعة المركزية والتشتت
- تحليل الارتباط والانحدار
- اختبار الفرضيات (اختبارات T، وANOVA، ومربع كاي Chi-square)
- تحديد الدلالة الإحصائية
- فهم الفرق بين التعلّم الخاضع للإشراف وغير الخاضع للإشراف
- تجهيز البيانات لنماذج تعلّم الآلة
- تدريب النماذج وتقييمها
- مشكلات الإفراط في التخصيص (Overfitting) ونقص التخصيص (Underfitting)
- تقنيات التحقق المتقاطع (Cross-Validation)
- الانحدار الخطي واللوجستي
- أشجار القرار والغابات العشوائية (Random Forest)
- آلات المتجهات الداعمة (SVM)
- خوارزميات التجميع (K-Means وDBSCAN)
- مقاييس تقييم النماذج
- فهم الشبكات العصبية والتعلّم العميق
- مقدمة إلى TensorFlow وKeras
- بناء شبكة عصبية بسيطة
- تطبيق الشبكات العصبية الالتفافية (CNNs) لمعالجة الصور
- مقدمة إلى معالجة اللغة الطبيعية (NLP) باستخدام Python
- تحليل البيانات المالية
- تقسيم العملاء في مجال التسويق
- التحليلات التنبؤية في الرعاية الصحية
- تحليل المشاعر في وسائل التواصل الاجتماعي
- أتمتة مسارات عمل علم البيانات
