علوم البيانات وتعلم الآلة (الذكاء الاصطناعي)

مخطط الدورة:

مقدمة في الذكاء الاصطناعي:

• فك رموز الذكاء الاصطناعي.
• أساسيات تعلم الآلة والتعلم العميق.
• سير العمل في تعلم الآلة.
• مقاييس الأداء.

الإحصاءات و أساسيات الجبر الخطي:

• بيانات العينة والسكان؟
• أساسيات الإحصاء الوصفي
• قياسات الميل المركزي وعدم التماثل والتباين
• مثال عملي: الإحصاء الوصفي
• التوزيعات
• المقدرين والتقديرات
• فترات الثقة: مواضيع متقدمة
• مثال عملي: الإحصاء الاستنتاجي
• اختبار الفرضيات: مقدمة
• مقدمة في الاحتمال
• الاحتمال الشرطي.
• قانون بايز.
• الفيكتورات مقابل المصفوفات.
• قياسات فيكتورات واتجاهها.
• تشابه كوس بين الفيكتورات.
• عمليات المصفوفات (الضرب النقطي، والضرب، والجمع، والطرح، والعكس).
• مصفوفة التباين.
• القيم والقيم الذاتية.

Python لعلوم البيانات:

أساسيات البرمجة بلغة Python:

• الشروط والحلقات.
• وظائف Python.
• التكرار في Python.
• الفئات في Python.

هياكل بيانات في Python:

• المتغيرات
• القوائم
• التايبل (Tuple)
• المجموعة (Set)
• القواميس (Dictionaries).

العمل مع البيانات في Python:

• قراءة وكتابة البيانات في الملفات.
• حفظ البيانات بتقنية Data Pickling.

علوم البيانات باستخدام لغة Python:

• نظرة عامة على علوم البيانات
• نظرة عامة على تحليل البيانات
• التحليل الإحصائي وتطبيقات الأعمال
• إعداد بيئة Python والأساسيات
• الحوسبة الرياضية باستخدام Python (NumPy)
• الفيكتورات والمصفوفات.
• ضرب المصفوفات والضرب النقطي.
• انعكاس المصفوفات والمصفوفة العكسية.
• عمليات إحصائية على الصفائف.
• الحوسبة العلمية باستخدام Python
• تلاعب البيانات باستخدام Pandas
• سلاسل باندا وإطارات البيانات.
• التحليل الإحصائي باستخدام Pandas.
• تنظيف البيانات باستخدام باندا.
• البيانات الوهمية والبيانات الفئوية.
• قراءة وكتابة في ملفات csv و excel.
• تصور البيانات باستخدام Python باستخدام matplotlib.
• الرسم البياني الخطي والشريطي والمبعثر.
• رسم الهستوغرام.
• جمع البيانات من الويب باستخدام Beautiful Soup.

تعلم الآلة:

• مقدمة في الذكاء الاصطناعي وتعلم الآلة

• تحضير البيانات:

• • توحيد الميزات.
  • البيانات المفقودة.
  • المتغيرات الوهمية.
  • البيانات غير المتوازنة.

• تهنيج الميزات.

• التخلص من المتغيرات غير المرغوب فيها.
• التخلص من المتغيرات بشكل تدريجي.
• تحقق من النموذج.

التعلم الفعال:

• التعلم الخاضع للإشراف:
• الانحدار الخطي.
• الانحدار اللوجستي.
• Naive Bayes.
• مقاييس الانحدار والتصنيف ومصفوفة الالتباس و ROC و AUC.
• تعلم الجماعة
• شجرة القرار.
• غابة عشوائية.
• نماذج التجميع.
• التعلم غير الخاضع للإشراف
• تجميع K-means.
• تحليل المكونات الرئيسية PCA.
• أنظمة التوصية
• القائم على المحتوى.
• التصفية التعاونية.
• قاعدة الرابطة
• تحليل سلة السوق
• الدعم.
• الثقة.
• الرفع.
• معالجة النص
• تحويل النص إلى شكل منظم.
• طرق الترميز النصي.
• تجسيد النص.
• تصنيف النص.
• الشبكة العصبية الاصطناعية
• نشر النموذج.

• مقدمة في الذكاء الاصطناعي
  • المعنى، الغرض، النطاق، المراحل، التطبيقات، وتأثيرات الذكاء الاصطناعي
  • المفاهيم الأساسية لتعلم الآلة والتعلم العميق
  • سير العمل في تعلم الآلة وكيفية تنفيذ الخطوات بفعالية
  • دور مقاييس الأداء وكيفية تحديد طرقها الأساسية
• إحصاءات وأساسيات الجبر الخطي
  • فهم الأساسيات في الإحصاء
  • العمل مع أنواع مختلفة من البيانات
  • كيفية رسم أنواع مختلفة من البيانات
  • حساب مقاييس الميل المركزي وعدم التماثل والتباين
  • حساب الارتباط و مصفوفة التباين
  • تمييز والعمل مع أنواع مختلفة من التوزيع
  • إجراء اختبار فرضيات
  • اتخاذ قرارات استنادًا إلى البيانات
  • فهم ميكانيكيات تحليل الانحدار
  • إجراء تحليل الانحدار
  • استخدام وفهم المتغيرات الوهمية
    • فهم المفاهيم اللازمة لعلوم البيانات حتى مع استخدام لغة Python.
  • علوم البيانات باستخدام لغة Python
    • اكتساب فهم عميق لعمليات علوم البيانات، وتجهيز البيانات، واستكشاف البيانات، وتصور البيانات، وبناء الفرضيات، واختبارها. ستتعلم أيضًا أساسيات الإحصاء
    • تثبيت البيئة اللازمة للغة Python وأدواتها والمكتبات الإضافية
    • فهم المفاهيم الأساسية لبرمجة Python مثل أنواع البيانات، والتايبل، والقوائم، والقوائم القاموسية، والعمليات الأساسية، والوظائف
    • أداء الحوسبة الرياضية على مستوى عالٍ باستخدام حزمة NumPy، Pandas ومكتبتها الواسعة من الوظائف الرياضية
    • أداء الحوسبة العلمية والتقنية باستخدام حزمة SciPy وتحت فئاتها مثل Integrate، Optimize، Statistics، IO، وWeave
    • أداء تحليل البيانات والتلاعب باستخدام الهياكل البيانية والأدوات المقدمة في حزمة Pandas
    • اكتساب خبرة في تعلم الآلة باستخدام حزمة Scikit-Learn
    • اكتساب فهم عميق لنماذج التعلم الخاضع للإشراف وغير الخاضع للإشراف مثل الانحدار الخطي، والانحدار اللوجستي، والتجميع، وتقليل الأبعاد، والتصنيف، و K-NN، والخطوط الأنابيب
    • استخدام حزمة Scikit-Learn لمعالجة اللغة الطبيعية
    • استخدام مكتبة matplotlib في Python لتصور البيانات
    • استخراج بيانات مفيدة من مواقع الويب من خلال تنفيذ الحصول على البيانات باستخدام لغة Python.

تعلم الآلة:

• استيعاب مفاهيم التعلم الخاضع للإشراف وغير الخاضع للإشراف، ونظام توصية المحرك، ونمذجة السلاسل الزمنية
• اكتساب إتقان عملي لمبادئ وخوارزميات وتطبيقات تعلم الآلة من خلال نهج عملي يتضمن العمل على أربعة مشاريع رئيسية من البداية إلى النهاية وأكثر من 25 تمرينًا عمليًا
• اكتساب معرفة شاملة الجوانب الإحصائية والهيورستيكية gتعلم الآلة
• تنفيذ نماذج مثل آلة الدعم القطبية، ونواة SVM، وNaive Bayes، ومصنف شجرة القرار، ومصنف غابة العشوائية، والانحدار اللوجستي، وتجميع K-means وغيرها في Python
• تحقق من نماذج تعلم الآلة وفك شيفرة مقاييس الدقة المختلفة. تحسين النماذج النهائية باستخدام مجموعة أخرى من خوارزميات التحسين، والتي تشمل تقنيات التعزيز والتجميع

• فهم المفاهيم النظرية وكيفية ارتباطها بالجوانب العملية لتعلم الآلة.

• المطورون الطموحون الذين يتطلعون لأن يصبحوا ‘مهندسي ذكاء اصطناعي’ أو مهندسي تعلم الآلة.
• مديرو التحليلات الذين يقودون فرقًا من المحللين.
• مهندسو المعلومات الذين يرغبون في اكتساب الخبرة في خوارزميات الذكاء الاصطناعي.
• الخريجون الذين يسعون إلى بناء مسار مهني في مجال الذكاء الاصطناعي وتعلم الآلة.