Python للتعلّم الآلي
تقدّم هذه الدورة مقدمة شاملة إلى التعلّم الآلي (ML) باستخدام لغة Python، وتغطي المعالجة المسبقة للبيانات، وتدريب النماذج، وتقييمها، ونشرها.
- رسوم الدورة
- تواصل معنا
- المدة
- 5 أيام
- سعر المجموعات
- اسأل المستشار
نبذة عن الدورة
تقدّم هذه الدورة مقدمة شاملة إلى التعلّم الآلي (ML) باستخدام لغة Python، وتغطي المعالجة المسبقة للبيانات، وتدريب النماذج، وتقييمها، ونشرها. وسيكتسب المشاركون خبرة عملية في مكتبات التعلّم الآلي الرئيسية مثل Scikit-learn وTensorFlow وKeras وPandas، بما يمكّنهم من بناء نماذج التعلّم الآلي ونشرها بكفاءة.
منهجية التدريب
مختبرات تطبيقية – تمارين برمجية عملية ومشاريع تعلّم آلي واقعية
عروض توضيحية مباشرة – شرح تفصيلي خطوة بخطوة لبناء نماذج التعلّم الآلي
دراسات حالة وأفضل الممارسات – حالات استخدام التعلّم الآلي في القطاعات المختلفة
التعلّم التشاركي – مشاريع جماعية ونقاشات بين الأقران
مشروع التخرّج – تطوير حل متكامل للتعلّم الآلي من البداية إلى النهاية
الكفاءات المستهدفة
- البرمجة بلغة Python للتعلّم الآلي
- المعالجة المسبقة للبيانات وهندسة الخصائص (Feature Engineering)
- أساليب التعلّم الخاضع للإشراف وغير الخاضع للإشراف
- تقييم النماذج وضبط المعاملات الفائقة (Hyperparameters)
- الشبكات العصبية والتعلّم العميق باستخدام TensorFlow/Keras
- نشر نماذج التعلّم الآلي في بيئة الإنتاج
أهداف الدورة
بنهاية الدورة، سيكون المشاركون قادرين على:
- تطبيق Python في مهام التعلّم الآلي
- تجهيز مجموعات البيانات ومعالجتها مسبقاً لبناء نماذج التعلّم الآلي
- تدريب نماذج التعلّم الآلي وتقييمها باستخدام Scikit-learn
- تحسين النماذج باستخدام اختيار الخصائص وضبط المعاملات الفائقة
- تنفيذ الشبكات العصبية ونماذج التعلّم العميق
- نشر نماذج التعلّم الآلي في بيئات الإنتاج
محاور الدورة
- نظرة عامة على مفاهيم التعلّم الآلي
- دور Python في التعلّم الآلي – لماذا Python؟
- إعداد بيئة تطوير التعلّم الآلي (Jupyter وVS Code وAnaconda)
- مقدمة إلى المكتبات الرئيسية (NumPy وPandas وScikit-learn وTensorFlow وKeras)
- فهم مجموعات البيانات وأنواع البيانات
- تنظيف البيانات: التعامل مع القيم المفقودة والقيم الشاذة والتكرارات
- هندسة الخصائص: ترميز المتغيرات الفئوية، والتحجيم (Scaling)، والتسوية (Normalization)
- أساليب تقليص الأبعاد (PCA وLDA)
- التمثيل المرئي للبيانات باستخدام Matplotlib وSeaborn
- تحديد الاتجاهات والارتباطات والتوزيعات
- اختيار الخصائص وتحليل أهميتها
- الانحدار الخطي والانحدار اللوجستي
- أشجار القرار والغابة العشوائية (Random Forest)
- آلات المتجهات الداعمة (SVM)
- خوارزميات التعزيز التدريجي (XGBoost وCatBoost وLightGBM)
- تقييم أداء النموذج (الدقة Accuracy، والضبط Precision، والاستدعاء Recall، ومقياس F1-Score، وAUC-ROC)
- فهم التعلّم غير الخاضع للإشراف
- التجميع العنقودي بخوارزمية K-Means والتجميع الهرمي
- تحليل المكوّنات الرئيسية (PCA) لتقليص الأبعاد
- التنقيب عن قواعد الارتباط (Apriori وFP-Growth)
- أساسيات الشبكات العصبية والتعلّم العميق
- تنفيذ شبكة عصبية بسيطة باستخدام TensorFlow/Keras
- ضبط المعاملات الفائقة والتحسين
- مقدمة إلى الشبكات العصبية الالتفافية (CNNs) والشبكات العصبية المتكررة (RNNs)
- أساليب التحقق المتقاطع (K-Fold وStratified K-Fold)
- ضبط المعاملات الفائقة باستخدام GridSearchCV وRandomizedSearchCV
- الموازنة بين التحيّز والتباين (Bias-Variance Tradeoff) ومنع الإفراط في التخصيص (Overfitting)
- حفظ النماذج وتحميلها (Pickle وJoblib)
- نشر النماذج باستخدام Flask وFastAPI
- استخدام Docker وKubernetes لنشر نماذج التعلّم الآلي
- مقدمة إلى مراقبة نماذج التعلّم الآلي واختبارات A/B
- كشف الاحتيال في القطاع المصرفي
- التنبؤ بتسرّب العملاء
- أنظمة التوصية
- تحليل المشاعر وتطبيقات معالجة اللغات الطبيعية (NLP)
- التنبؤ بالسلاسل الزمنية
