تعلم الآلة

عمل توقعات وفقًا على تحليل البيانات

برمجة الذكاء الاصطناعى وتعلم الآلة 4.6(80)9 ساعات و54 دقيقة52 درسا5 أقسام

ماذا ستتعلم؟

تعريف تعلم الآلة وتطبيقاته وتصنيفاته
تثبيت Anaconda والتعرف على لغة بايثون
فهم الانحدار الخطي البسيط والمتعدد
تطبيق الانحدار غير الخطي
تقييم النموذج وقياس أدائه
التصنيف بخوارزمية أقرب الجيران وشجرة القرار
استخدام خوارزمية SVM والتوقع المنطقي
التجميع بخوارزمية KM والتجميع الهرمي
إنشاء أنظمة التوصية

عن الدورة

يشرح هذا الكورس تعلم الآلة Machine Learning باستخدام لغة بايثون، أي كيف تجعل الحاسوب يتعلم من البيانات ويعمل توقعات. تبدأ بتعريف تعلم الآلة وتطبيقاته وتصنيفاته، ولماذا نستخدم بايثون، ثم تثبيت Anaconda. بعد ذلك تنتقل إلى التعلم الخاضع للإشراف، وتتعرف على Regression والانحدار الخطي البسيط والمتعدد والانحدار غير الخطي، مع طرق تقييم النموذج وقياس أدائه. ثم تتعلم التصنيف عبر خوارزمية أقرب الجيران وشجرة القرار والتوقع المنطقي وخوارزمية SVM، وتتعلم التجميع عبر خوارزمية KM والتجميع الهرمي، وتختم بأنظمة التوصية القائمة على المحتوى وعلى التعاون. كل موضوع يأتي بشرح نظري ثم تطبيق عملي بالأكواد على ملفات بيانات جاهزة. يناسب هذا الكورس المبتدئين في تحليل البيانات وكل من يريد دخول مجال الذكاء الاصطناعي، ويفضل أن تكون لديك فكرة بسيطة عن البرمجة. وفي النهاية ستكون قادرا على بناء نماذج تعلم الآلة وتقييمها واستخدامها في عمل توقعات من بياناتك.

نتائج متوقعة من الدورة

القدرة على بناء نماذج تعلم الآلة باستخدام أدوات وتقنيات حديثة.
فهم كيفية تطبيق خوارزميات التعلم الخاضع وغير الخاضع للإشراف.
القدرة على تحليل البيانات واستخدامها لتحسين الأداء والتنبؤ.
إنشاء أنظمة توصية مخصصة لمختلف التطبيقات العملية.
تطوير مشاريع عملية تجعل تعلم الآلة جزءًا من حياتك العملية.

تقييمات المتدربين

التقييمات هنا من المتدربين الذين اشتروا الدورة وأكملوا 50٪ من المحتوى على الأقل — لا توجد تقييمات من شخص لم يطلع على المحتوى.

4.6

★★★★★

80 تقييم

5★

4★

3★

2★

1★

★★★★★عبدالرحمن ع.·منذ 4 شهرشاهد 100٪
كورس فوق الممتاز وملم بكل جوانب تعلم الالة وكافية جدا لاي حد حابب يفهم ويدخل المجال

تم عرض كل التقييمات (1)

محتوى الدورة

مقدمة عن تعلم الآلة

4 درس

تعريف تعلم الآلة وتطبيقاتهيعرف تعلم الآلة Machine Learning كفرع من علوم الحاسب يتعلم فيه الكمبيوتر من البيانات دون برمجة صريحة، ويعرض تطبيقاته مثل توصيات YouTube وAmazon وNetflix وتصفية البريد العشوائي.9:33
تصنيفات تعلم الآلةيشرح تصنيفات تعلم الآلة الثلاثة: التعلم الخاضع للإشراف بالانحدار والتصنيف، والتعلم غير الخاضع للإشراف بالتجميع وتقليل الأبعاد واكتشاف الشذوذ، والتعلم المعزز مثل Q-Learning.12:43
لماذا لغة بايثون؟يشرح سبب استخدام بايثون في تعلم الآلة، ويعرض مكتبات NumPy وSciPy وMatplotlib وPandas وما تقدمه كل منها في العمليات الحسابية والرسم وتحليل البيانات.17:06
تثبيت Anacondaيوضح خطوات تحميل برنامج Anaconda من موقعه وتثبيته على الجهاز، ثم فتح Anaconda Navigator والتأكد من نجاح التثبيت وظهور الأدوات.2:09

التعلم الخاضع للاشراف - الانحدار Regression

15 درس

مقدمة عن التعلم الخاضع للاشرافمقدمة عن التعلم الخاضع للإشراف Supervised Learning الذي يتعلم من أمثلة مدخلات ومخرجاتها، وشكليه: التصنيف Classification والانحدار Regression، مع أمثلة وخطة الجزء التالي.3:41
ماهو الـ Regression ؟يعرف الانحدار Regression وتنبؤه بقيمة مستمرة، ويفرق بين المتغير التابع Dependent والمتغير المستقل Independent، ويعرض أنواعه: Simple وMultiple، الخطي Linear وغير الخطي Non-Linear، مع مثال انبعاث CO2 للسيارات.5:13
الانحدار الخطي البسيطيشرح الانحدار الخطي البسيط Simple Linear Regression بمتغير مستقل واحد، وإيجاد معاملي الخط theta 0 وtheta 1 بتقليل الخطأ بين القيمة الفعلية والمتوقعة، وحسابها يدويا لتوقع انبعاث CO2.25:43
المثال العمليتطبيق عملي على الانحدار الخطي باستخدام Anaconda وSpyder، يحسب معاملي المعادلة ثيتا صفر وثيتا واحد بمكتبة scikit-learn ويتنبأ بانبعاثات CO2 من حجم المحرك.16:17
1FuelConsumptionCo2
تقييم النموذجيشرح نوعي تقييم نموذج الانحدار، التدريب والاختبار على نفس البيانات وتقسيم البيانات إلى تدريب واختبار، ويوضح حساب الخطأ ومشكلة الإفراط في التعلم Overfitting.7:06
قياس أداء النموذجيشرح مقاييس قياس أداء نموذج الانحدار، وهي متوسط الخطأ المطلق والمربع والجذر التربيعي له والخطأ المطلق والمربع النسبيان، مع صيغة كل مقياس.10:12
التطبيق العملي على الانحدار الخطي البسيطتطبيق عملي على الانحدار الخطي البسيط بمكتبة scikit-learn، يستخدم بيانات انبعاثات CO2 ويقسمها إلى تدريب واختبار ثم يقيّم الموديل بمقياس R2 score.33:24
الانحدار الخطي المتعدد (الجزء الأول)مقدمة في الانحدار الخطي المتعدد، ويختلف عن البسيط باستخدام أكثر من متغير مستقل للتنبؤ بمتغير تابع، مع أمثلة مثل انبعاثات CO2 وأداء الطالب وضغط الدم.6:19
الانحدار الخطي المتعدد (الجزء الثانى)يشرح معادلة الانحدار الخطي المتعدد ومعاملاتها ثيتا، وحساب الخطأ بين القيمة المتوقعة والفعلية، والهدف من إيجاد أفضل قيم للمعاملات تقلل هذا الخطأ.11:31
التطبيق العملي على الانحدار الخطي المتعددتطبيق عملي على الانحدار الخطي المتعدد بمكتبة scikit-learn على بيانات انبعاثات CO2، يقسم البيانات إلى تدريب واختبار ويدرب الموديل ثم يتنبأ بالقيم.27:31
1china_gdp
أسئلة عن الانحدار الخطي المتعدديجيب عن أسئلة شائعة حول الانحدار الخطي المتعدد: متى يُستخدم بدل البسيط، وكم متغيرا مستقلا نختار، وكيف نعامل القيم النصية، وما العلاقة الخطية وغير الخطية.9:03
الانحدار الغير خطي (الجزء الأول)يميز بين المعادلات الخطية وغير الخطية للانحدار، ويرسم في Python أمثلة لدالة خطية وكثيرة حدود من الدرجة الثالثة ودالة تربيعية ولوغاريتمية مع بيانات عشوائية.18:01
الانحدار الغير خطي (الجزء الثانى)يطبق الانحدار غير الخطي على بيانات الناتج المحلي للصين عبر السنوات، ويستخدم دالة سيجمويد Sigmoid لتمثيل المنحنى وضبط معاملاته ليطابق البيانات.29:22

التعلم الخاضع للاشراف - التصنيف Classification

17 درس

مقدمة عن التصنيفمقدمة عن التصنيف Classification كنوع من التعلم الخاضع للإشراف، يبني نموذجا يحدد فئة المدخلات، كتصنيف البريد إلى Spam أو Not Spam، وصور الكلاب، والتشخيص الطبي.6:16
KNN خوارزمية اقرب الجيرانيشرح خوارزمية KNN أقرب الجيران للتصنيف، حيث يصنف عميل جديد بحسب أغلبية أقرب K جار من البيانات القديمة، بمثال خدمات شركة اتصالات، ويطرح سؤالي اختيار K وقياس التشابه.5:47
تحديد وحساب القيميجيب عن سؤالين في KNN: كيف تُحسب المسافة بين حالتين بقانون المسافة الإقليدية على الخصائص، وكيف يُختار K المناسب بتجنب الإفراط والتقصير باختبار الدقة على بيانات محجوزة.9:19
مقاييس تقييم النموذجيشرح مقاييس تقييم النموذج باستخدام مجموعة الاختبار، ومنها الدقة وF1 score ومصفوفة الارتباك والـ Precision والـ Recall، ومقياس Log Loss عندما تكون المخرجات احتمالات.18:13
التطبيق العملي على خوارزمية اقرب الجيرانتطبيق عملي على خوارزمية أقرب الجيران KNN لتصنيف العملاء، يشمل تقسيم البيانات إلى تدريب واختبار واختيار أفضل قيمة K بمقارنة الدقة والتنبؤ بتصنيف عميل جديد.32:45
1teleCust1000t
خوارزمية شجرة القراريعرّف شجرة القرار Decision Tree كخوارزمية تصنيف، ويشرح عقدها وفروعها وأوراقها بمثال مرضى ودواء مناسب، وخطوات بنائها باختيار أهم الميزات وتقسيم البيانات.7:28
بناء شجرة القراريشرح بناء شجرة القرار باختيار الميزة التي تقلل الشوائب، ويعرّف الإنتروبي وحساب المعلومات المكتسبة Information Gain لتحديد أفضل تقسيم للعقد.18:37
التطبيق العملي على شجرة القرارتطبيق عملي على شجرة القرار لتصنيف أنواع الأدوية من بيانات مرضى، يشمل تحويل القيم النصية إلى أرقام وتدريب الموديل واختباره وقياس دقته.25:26
1drug200
مقدمة عن التوقع المنطقيمقدمة في الانحدار اللوجستي Logistic Regression كخوارزمية تصنيف، تتنبأ بالفئة واحتمالها لا برقم، مع أمثلة على مشاكله وحالات استخدامه ومقارنته بالانحدار الخطي.9:53
فهم مرحلة تدريب التموذجيشرح مرحلة تدريب نموذج الانحدار اللوجستي، من دالة التكلفة Cost Function وإيجاد أفضل قيم ثيتا بالانحدار التدريجي، إلى خطوات التدريب والتقييم والتنبؤ.11:17
التطبيق العملي على شجرة القرار وتدريب النموذجتطبيق عملي على الانحدار اللوجستي لبيانات عملاء شركة اتصالات للتنبؤ بإيقاف الخدمة، يشمل اختيار الميزات وتقسيم البيانات وحساب الاحتمالات وقياس الدقة.20:54
1ChurnData
SVM خوارزميةيشرح خوارزمية Support Vector Machine للتصنيف: تحويل البيانات بدوال Kernel لفصلها بمستوى، وإيجاد أفضل فاصل بنقاط الدعم، وتطبيقاتها مثل الصور والرسائل المزعجة وتحليل المشاعر.13:50
SVM التطبيق العمليتطبيق عملي على Support Vector Machine لتصنيف أورام حميدة وخبيثة من خصائص الخلايا، يشمل رسم البيانات وتدريب الموديل بدالة Kernel واختباره.28:01
1cell_samples

التعلم الغير خاضع للإشراف - التجميع Clustering

10 درس

مقدمة عن التجميعمقدمة عن التجميع Clustering كأول نوع في التعلم غير الخاضع للإشراف، وكيف يقسم البيانات إلى مجموعات متشابهة الخصائص، كتقسيم العملاء، ويطرح الفرق بينه وبين التصنيف.7:07
الفرق بين التجميع والتصنيفيوضح الفرق بين التجميع Clustering والتصنيف Classification: الأول تعلم غير خاضع للإشراف على بيانات بلا تسميات، والثاني خاضع للإشراف على بيانات مصنفة، ويعرض أنواع التجميع الثلاثة.10:41
KM خوارزميةيشرح خوارزمية K-Means للتجميع بتقسيم العملاء إلى K مجموعة: اختيار مراكز عشوائية، وحساب المسافات، وإسناد كل نقطة لأقرب مركز، ثم تحديث المراكز، مع التنبيه لتأثير الاختيار العشوائي.12:47
قياس دقة الخوارزميةيشرح طريقتي قياس دقة خوارزمية K-Means، الخارجية والداخلية، وكيفية اختيار عدد المجموعات K باستخدام نقطة الكوع Elbow Point.3:06
التطبيق العملي على الخوارزميةتطبيق عملي على خوارزمية K-Means لتجميع بيانات العملاء، يشمل تجهيز البيانات وتطبيعها وتدريب الموديل وإسناد المجموعة لكل عميل ورسم المجموعات بشكل ثلاثي الأبعاد.19:58
1cust
مقدمة التجميع الهرمييقدم التجميع الهرمي Hierarchical Clustering ونوعيه التقسيمي والتكتلي، ويشرح بمثال مدن كيف تُدمج المجموعات حسب أقل مسافة ويُرسم الناتج كمخطط Dendrogram.9:09
التجميع الهرمي والتجميع الكتلييشرح خطوات خوارزمية التجميع التكتلي من الأسفل للأعلى ومصفوفة المسافات، وطرق قياس المسافة بين المجموعات: الرابط الواحد والكامل والمتوسط والمركزي.4:43
Agglomerative التطبيق العملي على خوارزميةتطبيق عملي على خوارزمية Agglomerative لتجميع السيارات حسب تشابه خصائصها، يشمل تنظيف البيانات وحساب مصفوفة المسافات وعرض المجموعات في مخطط شجري.22:55
1cars_clus

نظام التوصية Recommender System

6 درس

مقدمة عن نظام التوصياتمقدمة عن أنظمة التوصية Recommendation Systems وفائدتها في منصات مثل Amazon وNetflix، ونوعيها Content-Based وCollaborative Filtering، وطريقتي التنفيذ بالذاكرة Memory-Based وبالنموذج Model-Based.5:58
النظام القائم على المحتوىيشرح نظام التوصية القائم على المحتوى Content-Based، وكيف يبني ملف المستخدم User Profile من تقييماته وأنواع الأفلام التي شاهدها لترشيح أفلام مشابهة، ويذكر عيبه ويمهد للتصفية التعاونية.11:46
التطبيق العملي المحتوىتطبيق عملي بلغة Python لبناء نظام توصية أفلام قائم على المحتوى من ملفات movies وratings وtags، بتحويل أنواع الأفلام إلى مصفوفة وبناء ملف المستخدم لترشيح الأفلام.21:40
ملفات المشروع
النظام القائم على التعاونيشرح التصفية التعاونية في أنظمة التوصية بنوعيها، القائمة على المستخدم والقائمة على العنصر، مع مثال أفلام يحسب فيه التشابه بين المستخدمين ويتنبأ بتقييم الأفلام.11:45
التطبيق العملى على نظام التوصيات