المدرب: أحمد حساسنة
مقدمة عن البرنامج:
دورة تدريبية تمهيدية تهدف إلى تزويد المشاركين بالمعرفة للمفاهيم والتقنيات الرئيسية في مجالات علم البيانات و التعلم الآلي. تتناول الدورة موضوعات أساسية مثل تنظيف البيانات، تحليل البيانات الاستكشافي، والتصور البياني، مما يمكّن الحضور من التعامل مع البيانات الضخمة وتحليلها. سيتم تقديم أساسيات خوارزميات التعلم الآلي بما في ذلك التعلم الخاضع للإشراف وغير الخاضع للإشراف، بالإضافة إلى تجربة عملية باستخدام الأدوات والمكتبات الشائعة مثل Pandas، و .Scikit-learn تهدف هذه الدورة التمهيدية إلى تزويد المتدربين بالمفاهيم الأساسية للتعامل مع البيانات وكيفية معالجتها وتحليلها استنادا على خوارزميات تعلم الالة، بالإضافة الى ربط المعرفة النظرية بالتطبيق العملي، مما يساعد المتدربين على تحليل البيانات الحقيقية وبناء نماذج تعلم آلي لحل المشكلات في مجالات متعددة.
في نهاية الدورة، سيكون لدى الحضور المهارات والثقة للانتقال إلى دراسات أكثر تقدمًا في علم البيانات والتعلم الآلي.
الفئة المستهدفة :
– دوائر تطوير الأعمال والاجراءات والادارة المالية والتسويق
– موظفو تكنولوجيا المعلومات
– موظفوا التخطيط والتحليل الاداري والمالي
– المهتمون بتطوير الاعمال والتعرف على العصر الرقمي
أهداف البرنامج:
يهدف هذا البرنامج التدريبي إلى تحقيق الأهداف التالية:
- تزويد المشاركين بالمعرفة الأساسية في مجالات علم البيانات و التعلم الآلي.
- تطوير مهارات المشاركين العملية في استخدام الأدوات البرمجية الشائعة في لغة البايثون مثل Pandas و Scikit-learn لتحليل البيانات وبناء نماذج التعلم الآلي.
- تمكين المشاركين من معالجة وتنظيف البيانات بشكل فعال، واستخدام تقنيات التحليل الاستكشافي و التصور البياني لاستخلاص رؤى قيمة من البيانات.
- تعريف المشاركين بخوارزميات التعلم الآلي المختلفة مثل خوارزميات التعلم الخاضع للإشراف (Support Vector Machine, Random Forest) و التعلم غير الخاضع للإشراف (K-means Clustering Algorithms)، وتطبيقها لحل مشكلات حقيقية.
- تعزيز قدرة المشاركين على بناء نماذج تعلم آلي واختبارها وتقييم أدائها باستخدام البيانات الحقيقية.
- توفير فهم شامل للتوجهات المستقبلية في مجالات علم البيانات والتعلم الآلي، مع التركيز على التطبيقات العملية في مختلف المجالات.
- تحفيز التفكير النقدي والإبداعي لدى المشاركين لتطوير حلول مبتكرة باستخدام التعلم الآلي في مجالات متنوعة.
المحتويات
| # | المواضيع التي سيتم تغطيتها | الأيام |
| 1 | مقدمة في علم البيانات والتعلم الآلي + معالجة البيانات باستخدام لغة البايثون: التعريف بلغة البايثون، التعريف بعلم البيانات والتعلم الآلي، أهمية علم البيانات في العصر الحديث، نظرة عامة على أدوات التعلم الآلي باستخدام لغة البايثون، مثل Pandas و Scikit-learn، التعرف على البيانات وأنواعها ومهارات جمع البيانات، معالجة البيانات: تنظيف البيانات، التعامل مع القيم المفقودة، تحليل البيانات الاستكشافي باستخدام التصور البياني (Data Visualization) |
اليوم الأول |
| 2 | التعلم الالي الخاضع للإشراف (Supervised Machine Learning: يتناول هذا الموضوع تعريف التعلم الخاضع للإشراف ومفاهيمه الأساسية، بالإضافة إلى استعراض خوارزميات التعلم الخاضع للإشراف مثل Decision Tree, Logistic Regression, Random Forest, Support Vector Machin، وكيفية تطبيقها على بيانات حقيقية. كما يتضمن تعلم كيفية تقسيم البيانات إلى بيانات تدريب وبيانات اختبار، وكذلك تقييم أداء النماذج باستخدام مقاييس مثل الدقة (Accuracy) ومصفوفة (Confusion Matrix)، يتم تطبيق هذه المفاهيم من خلال تمارين عملية لبناء نماذج تصنيف باستخدام مكتبة Scikit-learn. |
اليوم الثاني |
| 3 | التعلم غير الخاضع للإشراف + التطبيقات العملية + المشروع النهائي:
يتناول هذا الجزء مقدمة عن التعلم غير الخاضع للإشراف مع التركيز على التجميع (Clustering) باستخدام خوارزمية K-Means. كما سيتم تقديم التعلم العميق مع شرح شامل للشبكات العصبية العميقة (DNN) و الشبكات العصبية التلافيفية (CNN)، بالإضافة إلى تطبيقات عملية باستخدام Keras أو TensorFlow. سيعمل المشاركون على مشروع عملي لحل مشكلة حقيقية باستخدام البيانات والتقنيات التي تم تعلمها، وفي نهاية الدورة، سيتم مناقشة المشاريع النهائية وتقديم الحلول، مع اختتام الدورة بمراجعة شاملة للمهارات المكتسبة. |
اليوم الثالت و الرابع |
أساليب التدريب :
أساليب التدريب لهذه الدورة ستشمل:
- العروض التقديمية والمحاضرات النظرية.
- التطبيق العملي.
- دراسة حالة.
- المشاريع التطبيقية.
- النقاشات الجماعية والتفاعل خلال التدريب.
