حول هذه الدورة
تعلم الآلة (Machine Learning) هو أحد أهم وأشهر مجالات الذكاء الاصطناعي. تهدف هذه الدورة إلى تقديم فهم شامل لهذا المجال، بداية من تعريف تعلم الآلة وأهميته، وصولاً إلى تطبيقاته المتنوعة في حل المشكلات. خلال الدورة، ستتعلم كيفية بناء نماذج قادرة على محاكاة الذكاء البشري والتنبؤ بالنتائج بناءً على البيانات المدخلة. سيتم أيضاً توضيح الفرق بين التعلم الموجه (Supervised Learning) و التعلم غير الموجه (Unsupervised Learning)، بالإضافة إلى كيفية تطبيق كل منهما في حالات مختلفة.
أهداف التعلم
بناء models: تعلم كيفية بناء models باستخدام Supervised Learning و Unsupervised Learning.
فهم الأساسيات: تعلم الأساسيات وفهم Machine Learning وكيفية استخدامه لحل المشكلات المعقدة.
التعلم من البيانات: تعلم كيفية التعامل مع البيانات وتنظيفها وتجهيزها لبناء models دقيقة.
تحليل البيانات وتصورها: تعلم كيفية تحليل البيانات واستخراج الأنماط باستخدام تقنيات مثل Exploratory Data Analysis (EDA) و Data Visualization.
تطبيق تقنيات التحسين: تعلم كيفية تحسين models باستخدام تقنيات مثل cross-validation و hyperparameter tuning.
المواد
- Introduction to Machine Learning
- Data Preprocessing and Exploratory Data Analysis
- Supervised learning
- Regression
- Linear Regression, Polynomial regression
- Decision tree ,Random forest
- Classification
- Logistic Regression ,KNN, Naïve bay’s , SVM
- Decision tree, Random forest, XGBoost
- Dimensionality Reduction (Feature selection , Feature extraction)
- Unsupervised learning
- Clustering
- k-means , agglomerative, divisive , BDSCAN
- Recommendation systems, Apriori
- Model Evaluation, Training, validation, and testing sets
- Performance metrics (e.g., accuracy, precision, recall)
- Cross-validation, Hyperparameter tuning.
متطلبات
- Python: إتقان Python واستخدامه في بناء Machine Learning models.
- معالجة البيانات: القدرة على معالجة البيانات باستخدام مكتبات مثل Pandas و NumPy.
- الرياضيات الأساسية: إلمام بالمفاهيم الرياضية الأساسية اللازمة لتعلم Machine Learning.
الجمهور المستهدف
- طلاب الهندسة أو علوم الحاسب الذين يرغبون في التخصص في Machine Learning.
- المهنيون الذين يعملون في Data Science أو AI ويريدون تحسين مهاراتهم.
- المهتمون بتعلم كيفية تطبيق Machine Learning على مشاكل حقيقية واكتساب المهارات المطلوبة في هذا المجال.
منهاج دراسي
16 دروس40h 20m
Machine Learning
Introduction to Machine Learning: Supervised Learning, Linear Regression, and Gradient Descent02:00:43
Quiz1
Advanced Regression Techniques: Hypothesis Testing, Multiple Linear Regression, and Model Evaluation03:36:56
Quiz2
Regression Task 1
Understanding Errors in Machine Learning: Bias, Variance, and Decision Trees03:25:49
Quiz3
Decision Tree Practice and Introduction to Ensemble Models02:32:58
Quiz4
Exploring Bagging, Boosting, and Stacking with Hyperparameter Tuning02:41:08
Quiz5
Feature Selection Techniques: Filter, Wrapper, and Embedded Methods02:46:40
Quiz6
Regression Task 2
Introduction to Classification: Logistic Regression and Evaluation Metrics03:01:42
Quiz7
Data Preprocessing and Assignment Review: WeatherAUC Dataset Practice01:58:33
Modeling and Hyperparameter Tuning with the WeatherAUC Dataset02:45:18
Quiz8
Classification with Decision Trees and Random Forest: Income Evaluation Dataset Practice02:22:56
Quiz9
Handling Imbalanced Data and Cross-Validation Techniques02:25:54
Quiz10
Exploring XGBoost and Naïve Bayes for Machine Learning02:26:47
Quiz11
Support Vector Machines and Clustering: An Introduction to Unsupervised Learning03:16:50
Quiz12
Classification Task 1
Hierarchical Clustering: Practice on the Mall-Customer Dataset02:18:27
Quiz13
Advanced Clustering: DBSCAN and Association Rule Mining with Apriori02:23:24
Quiz14
Clustering Evaluation Metrics, PCA, and Practice on the Iris Dataset02:37:44
Quiz15
احصل على شهادة
أضف هذه الشهادة إلى سيرتك الذاتية لإثبات مهاراتك وزيادة فرصك في لفت الانتباه.
أساتذتك
Nourhan Sharaf
Dedicated data scientist
Dedicated data scientist with a Master’s degree in Data Science and Artificial Intelligence. Passionate about data-driven solutions, analytical thinking to drive impactful business outcomes, and building models to fix problems. Committed to continuous learning and staying up-to-date with the latest trends in data science and AI
مجانا
المواد
- Introduction to Machine Learning
- Data Preprocessing and Exploratory Data Analysis
- Supervised learning
- Regression
- Linear Regression, Polynomial regression
- Decision tree ,Random forest
- Classification
- Logistic Regression ,KNN, Naïve bay’s , SVM
- Decision tree, Random forest, XGBoost
- Dimensionality Reduction (Feature selection , Feature extraction)
- Unsupervised learning
- Clustering
- k-means , agglomerative, divisive , BDSCAN
- Recommendation systems, Apriori
- Model Evaluation, Training, validation, and testing sets
- Performance metrics (e.g., accuracy, precision, recall)
- Cross-validation, Hyperparameter tuning.
