تعلم الآلة

عمل توقعات وفقًا على تحليل البيانات

4.6(79)9 ساعة و54 دقيقة52 درس5 قسم

ماذا ستتعلم؟

  • تعلم أساسيات تعلم الآلة
  • فهم تقنيات الانحدار
  • تصميم أنظمة التوصية
  • تحليل البيانات لاستخلاص الأنماط
  • تطبيق مشاريع عملية
  • استخدام بايثون في التوقعات

عن الدورة

ابدأ رحلتك في تعلم الآلة مع هذه الدورة المتكاملة التي تغطي كل الجوانب الأساسية والمتقدمة. ستتعلم كيفية بناء نماذج تعلم الآلة، تطبيق تقنيات الانحدار والتصنيف والتجميع، وإنشاء أنظمة التوصية. الدورة مصممة لتزويدك بالمهارات العملية من خلال مشاريع وأكواد تطبيقية مشروحة خطوة بخطوة.

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
★★★★★
79 تقييم
5★
49
4★
28
3★
2
2★
0
1★
0

    محتوى الدورة

    1

    مقدمة عن تعلم الآلة

    4 درس
    1. تعريف تعلم الآلة وتطبيقاته9:33
    2. تصنيفات تعلم الآلة12:43
    3. لماذا لغة بايثون؟17:06
    4. تثبيت Anaconda2:09
    2

    التعلم الخاضع للاشراف - الانحدار Regression

    15 درس
    1. مقدمة عن التعلم الخاضع للاشراف3:41
    2. ماهو الـ Regression ؟5:13
    3. الانحدار الخطي البسيط25:43
    4. المثال العملي16:17
    5. 1FuelConsumptionCo2
    6. تقييم النموذج7:06
    7. قياس أداء النموذج10:12
    8. التطبيق العملي على الانحدار الخطي البسيط33:24
    9. الانحدار الخطي المتعدد (الجزء الأول)6:19
    10. الانحدار الخطي المتعدد (الجزء الثانى)11:31
    11. التطبيق العملي على الانحدار الخطي المتعدد27:31
    12. 1china_gdp
    13. أسئلة عن الانحدار الخطي المتعدد9:03
    14. الانحدار الغير خطي (الجزء الأول)18:01
    15. الانحدار الغير خطي (الجزء الثانى)29:22
    3

    التعلم الخاضع للاشراف - التصنيف Classification

    17 درس
    1. مقدمة عن التصنيف6:16
    2. KNN خوارزمية اقرب الجيران5:47
    3. تحديد وحساب القيم9:19
    4. مقاييس تقييم النموذج18:13
    5. التطبيق العملي على خوارزمية اقرب الجيران32:45
    6. 1teleCust1000t
    7. خوارزمية شجرة القرار7:28
    8. بناء شجرة القرار18:37
    9. التطبيق العملي على شجرة القرار25:26
    10. 1drug200
    11. مقدمة عن التوقع المنطقي9:53
    12. فهم مرحلة تدريب التموذج11:17
    13. التطبيق العملي على شجرة القرار وتدريب النموذج20:54
    14. 1ChurnData
    15. SVM خوارزمية13:50
    16. SVM التطبيق العملي28:01
    17. 1cell_samples
    4

    التعلم الغير خاضع للإشراف - التجميع Clustering

    10 درس
    1. مقدمة عن التجميع7:07
    2. الفرق بين التجميع والتصنيف10:41
    3. KM خوارزمية12:47
    4. قياس دقة الخوارزمية3:06
    5. التطبيق العملي على الخوارزمية19:58
    6. 1cust
    7. مقدمة التجميع الهرمي9:09
    8. التجميع الهرمي والتجميع الكتلي4:43
    9. Agglomerative التطبيق العملي على خوارزمية22:55
    10. 1cars_clus
    5

    نظام التوصية Recommender System

    6 درس
    1. مقدمة عن نظام التوصيات5:58
    2. النظام القائم على المحتوى11:46
    3. التطبيق العملي المحتوى21:40
    4. ملفات المشروع
    5. النظام القائم على التعاون11:45
    6. التطبيق العملى على نظام التوصيات

    المحاضر

    م/عمرو عبد الفتاح

    م/عمرو عبد الفتاح

    مهندس أنظمة حاسوب متخصص في تطوير تطبيقات الهواتف ومواقع الإنترنت، عمل على تطوير منصات ومواقع شهيرة.
    7,145 متعلم20 دورة