الأكثر شهرة
مجانا
What you'll learn
فهم أساسيات Python: هنتعلم الأساسيات في Python مثل المتغيرات، الحلقات، الدوال، والتعامل مع النصوص.
استخراج البيانات من الويب: هنتعلم كيفية استخدام مكتبات Python مثل BeautifulSoup و Selenium لاستخراج البيانات من صفحات الويب.
تحليل البيانات المستخرجة: تعلم كيفية معالجة وتحليل البيانات المستخرجة باستخدام المهارات الأساسية في Python.
التعامل مع HTML و XML: تعلم كيفية قراءة وتحليل بيانات HTML و XML لاستخراج المعلومات المطلوبة.
تطبيقات عملية: بناء مشاريع لاستخراج البيانات من مواقع متعددة مثل الأخبار والمتاجر الإلكترونية وتحليل هذه البيانات بشكل عملي.
مجانا
What you'll learn
الـ Vectors (المتجهات): تعلم كيفية التعامل مع vectors كأدوات لتمثيل البيانات في الفضاءات متعددة الأبعاد.
المصفوفات (Matrices): فهم كيفية استخدام matrices لتنفيذ العمليات الحسابية المتعلقة بالبيانات، مثل multiplication و addition.
القيم الذاتية والمتجهات الذاتية (Eigenvalues and Eigenvectors): تعلم كيفية حساب eigenvalues و eigenvectors واستخدامها في تقنيات مثل PCA (Principal Component Analysis) لتقليل الأبعاد.
تحليل القيمة المنفردة (Singular Value Decomposition - SVD): تعلم كيفية استخدام SVD لتحليل المصفوفات وتطبيقاتها في dimensionality reduction و data compression.
نظرية بايز (Bayes Theorem): تعلم كيفية استخدام Bayes Theorem في التنبؤات والقرارات بناءً على البيانات المبدئية.
المتغيرات العشوائية (Random Variables): تعلم كيفية التعامل مع random variables التي تعبر عن النتائج المحتملة في التجارب العشوائية.
التوزيع الاحتمالي المنفصل (Discrete Probability Distribution): فهم التوزيعات الاحتمالية التي تحتوي على عدد محدود من القيم مثل Binomial Distribution و Poisson Distribution.
التوزيع الاحتمالي المستمر (Continuous Probability Distribution): تعلم التوزيعات الاحتمالية المستمرة مثل Normal Distribution و Exponential Distribution.
الإحصاء الوصفي (Descriptive Statistics): تعلم كيفية استخدام mean و median و variance و standard deviation لفهم وتلخيص البيانات.
مجانا
What you'll learn
فهم أساسيات التعلم الآلي: هنتعرف على المفاهيم الأساسية للتعلم الآلي مثل الخوارزميات، والتدريب على البيانات، والاختبار.
التعرف على أنواع التعلم الآلي: هنتعلم الفرق بين التعلم supervised وunsupervised والتعلم المعزز.
بناء النماذج باستخدام Scikit-learn: تعلم كيفية بناء وتدريب النماذج باستخدام مكتبة Scikit-learn الشهيرة.
التعامل مع البيانات: هنتعلم كيفية تجهيز البيانات، تنظيفها، وتحليلها قبل تدريب النموذج.
تطبيقات عملية: بناء مشاريع حقيقية باستخدام تقنيات التعلم الآلي مثل تصنيف الصور، التنبؤ بالقيم، وتحليل البيانات.
مجانا
What you'll learn
تعريف AI ودواعي أهميته اليوم
الفارق الموجز بين AI وML وDL
تصوّر عام لفروع CV وNLP واستخداماتهما
أمثلة تطبيقية حديثة في مجالات مختلفة
مجانا
What you'll learn
تنظيف البيانات: تعلم كيفية التعامل مع missing values (القيم المفقودة)، outliers (القيم الغريبة)، و duplicates (البيانات المكررة).
معالجة البيانات: تعلم كيفية استخدام تقنيات مثل Normalization، Standardization، و Scaling لتحويل البيانات وتوحيدها.
التحليل الاستكشافي للبيانات (EDA): تعلم كيفية استكشاف البيانات باستخدام statistical summaries و visualizations.
تصور البيانات (Data Visualization): تعلم كيفية استخدام Matplotlib و Seaborn لإنشاء الرسوم البيانية التي تساعد في فهم البيانات.
استخراج الميزات (Feature Extraction): تعلم كيفية اختيار الميزات الأكثر تأثيرًا والملائمة لبناء models دقيقة.
مجانا
What you'll learn
أساسيات Neural Networks وPerceptron.
أنواع Activation Functions ودورها في التعلم.
خوارزميات Backpropagation وweights update .
التعرف على أنواع Optimizers المختلفة وتحليل أدائها.
التعامل مع Deep Learning Frameworks زي TensorFlow وKeras.
بناء شبكات عصبية للتصنيف (Classification) والانحدار (Regression).
تطبيق عملي على بيانات حقيقية باستخدام TensorFlow.
مجانا
What you'll learn
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.
مجانا
What you'll learn
فهم التعلم العميق ومعالجة اللغة الطبيعية: التعرف على مفهوم التعلم العميق وتطبيقاته في معالجة النصوص.
معالجة النصوص وتحويلها إلى بيانات رقمية: تعلم خطوات تحويل النصوص إلى أرقام واتجاهات تفهمها الآلة.
تطبيق النماذج المولدة (Generative Models): استكشاف نماذج مثل LAMA وChatGPT وفهم طريقة عملها.
التعامل مع النماذج اللغوية الكبيرة (Large Language Models): التعرف على كيفية استخدام هذه النماذج في التطبيقات العملية.
بناء تطبيقات معالجة اللغة الطبيعية: تطوير حلول مبتكرة لمعالجة النصوص والترجمة الآلية وإنشاء المحتوى.
تحليل البيانات النصية باستخدام التعلم العميق: تطبيق تقنيات الذكاء الاصطناعي لتحليل النصوص وفهم البيانات النصية.
التفاعل مع النماذج التوليدية: اكتساب مهارات إنشاء محتوى توليدي باستخدام نماذج اللغة المتقدمة.
دمج تقنيات الذكاء الاصطناعي في التطبيقات العملية: فهم كيفية استخدام التعلم العميق لتطوير حلول ذكية.
استخدام التقنيات الحديثة في الذكاء الاصطناعي: تعلم كيفية التعامل مع أحدث تقنيات الذكاء الاصطناعي وتطبيقاتها.
تحليل وتطبيق النماذج اللغوية في مختلف المجالات: استخدام النماذج المتطورة لحل مشكلات معقدة في المجالات المتعددة.
مجانا
What you'll learn
فهم أساسيات رؤية الكمبيوتر: التعرف على معنى الصورة ومكوناتها وأساسيات معالجة الصور.
خطوات معالجة الصور: تعلم كيفية تطبيق خطوات معالجة الصور باستخدام تقنيات متعددة.
التعرف على تقنيات معالجة الصور: استكشاف الطرق المختلفة لمعالجة الصور وتطبيقاتها.
دمج رؤية الكمبيوتر والتعلم العميق: فهم كيفية تفاعل رؤية الكمبيوتر مع التعلم العميق لتطوير نماذج متقدمة.
تطبيق الرؤية ثلاثية الأبعاد: التعرف على تقنيات الرؤية ثلاثية الأبعاد واستخدامها في تحسين النماذج الذكية.
تطوير مهارات تحليل الصور: اكتساب القدرة على تحليل الصور وحل مشكلات حقيقية باستخدام أدوات حديثة.
استخدام تقنيات الذكاء الاصطناعي في رؤية الكمبيوتر: تطبيق تقنيات الذكاء الاصطناعي لتحسين الأداء في معالجة الصور.
إنشاء نماذج ذكية أكثر تطوراً: تعلم كيفية بناء نماذج رؤية الكمبيوتر التي تلبي متطلبات التطبيقات المتقدمة.
اكتساب مهارات عملية: التعرف على أدوات وتطبيقات عملية لتطوير حلول مبتكرة في رؤية الكمبيوتر.
التعامل مع بيانات الصور: تعلم كيفية تحليل وتفسير الصور في سياقات متعددة.
مجانا
What you'll learn
تنظيف البيانات: تعلم كيفية التعامل مع missing values (القيم المفقودة)، outliers (القيم الغريبة)، و duplicates (البيانات المكررة).
معالجة البيانات: تعلم كيفية استخدام تقنيات مثل Normalization، Standardization، و Scaling لتحويل البيانات وتوحيدها.
التحليل الاستكشافي للبيانات (EDA): تعلم كيفية استكشاف البيانات باستخدام statistical summaries و visualizations.
تصور البيانات (Data Visualization): تعلم كيفية استخدام Matplotlib و Seaborn لإنشاء الرسوم البيانية التي تساعد في فهم البيانات.
استخراج الميزات (Feature Extraction): تعلم كيفية اختيار الميزات الأكثر تأثيرًا والملائمة لبناء models دقيقة.
تتجه
مجانا
What you'll learn
فهم المفاهيم الأساسية في Deep Learning.
بناء وتدريب أول شبكة عصبية (Perceptron, Feed Forward Network).
التعامل مع مكتبات TensorFlow و PyTorch.
فهم خوارزميات Backpropagation وطرق التحسين (Optimizers).
بناء AutoEncoder و Variational AutoEncoder (VAE).
تصميم وتدريب Generative Adversarial Networks (GANs).
تطبيق عملي على بيانات حقيقية وتحليل نتائج الـ models.
مجانا
What you'll learn
فهم أساسيات Python: هنتعلم الأساسيات في Python مثل المتغيرات، الحلقات، الدوال، والتعامل مع النصوص.
استخراج البيانات من الويب: هنتعلم كيفية استخدام مكتبات Python مثل BeautifulSoup و Selenium لاستخراج البيانات من صفحات الويب.
تحليل البيانات المستخرجة: تعلم كيفية معالجة وتحليل البيانات المستخرجة باستخدام المهارات الأساسية في Python.
التعامل مع HTML و XML: تعلم كيفية قراءة وتحليل بيانات HTML و XML لاستخراج المعلومات المطلوبة.
تطبيقات عملية: بناء مشاريع لاستخراج البيانات من مواقع متعددة مثل الأخبار والمتاجر الإلكترونية وتحليل هذه البيانات بشكل عملي.
مجانا
What you'll learn
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.
مجانا
What you'll learn
فهم أساسيات التعلم الآلي: هنتعرف على المفاهيم الأساسية للتعلم الآلي مثل الخوارزميات، والتدريب على البيانات، والاختبار.
التعرف على أنواع التعلم الآلي: هنتعلم الفرق بين التعلم supervised وunsupervised والتعلم المعزز.
بناء النماذج باستخدام Scikit-learn: تعلم كيفية بناء وتدريب النماذج باستخدام مكتبة Scikit-learn الشهيرة.
التعامل مع البيانات: هنتعلم كيفية تجهيز البيانات، تنظيفها، وتحليلها قبل تدريب النموذج.
تطبيقات عملية: بناء مشاريع حقيقية باستخدام تقنيات التعلم الآلي مثل تصنيف الصور، التنبؤ بالقيم، وتحليل البيانات.
مجانا
What you'll learn
تعريف AI ودواعي أهميته اليوم
الفارق الموجز بين AI وML وDL
تصوّر عام لفروع CV وNLP واستخداماتهما
أمثلة تطبيقية حديثة في مجالات مختلفة
مجانا
What you'll learn
الـ Vectors (المتجهات): تعلم كيفية التعامل مع vectors كأدوات لتمثيل البيانات في الفضاءات متعددة الأبعاد.
المصفوفات (Matrices): فهم كيفية استخدام matrices لتنفيذ العمليات الحسابية المتعلقة بالبيانات، مثل multiplication و addition.
القيم الذاتية والمتجهات الذاتية (Eigenvalues and Eigenvectors): تعلم كيفية حساب eigenvalues و eigenvectors واستخدامها في تقنيات مثل PCA (Principal Component Analysis) لتقليل الأبعاد.
تحليل القيمة المنفردة (Singular Value Decomposition - SVD): تعلم كيفية استخدام SVD لتحليل المصفوفات وتطبيقاتها في dimensionality reduction و data compression.
نظرية بايز (Bayes Theorem): تعلم كيفية استخدام Bayes Theorem في التنبؤات والقرارات بناءً على البيانات المبدئية.
المتغيرات العشوائية (Random Variables): تعلم كيفية التعامل مع random variables التي تعبر عن النتائج المحتملة في التجارب العشوائية.
التوزيع الاحتمالي المنفصل (Discrete Probability Distribution): فهم التوزيعات الاحتمالية التي تحتوي على عدد محدود من القيم مثل Binomial Distribution و Poisson Distribution.
التوزيع الاحتمالي المستمر (Continuous Probability Distribution): تعلم التوزيعات الاحتمالية المستمرة مثل Normal Distribution و Exponential Distribution.
الإحصاء الوصفي (Descriptive Statistics): تعلم كيفية استخدام mean و median و variance و standard deviation لفهم وتلخيص البيانات.
مجانا
Mastering NLP: From Text Processing to Gen AI
What you'll learn
مقدمة في NLP: تعلم الأساسيات مثل تعريف NLP وتطبيقاته، والتحديات التي قد تواجهها.
معالجة النصوص (Text Processing): تعلم Tokenization، Stop word removal، Stemming و Lemmatization.
تمثيل النصوص (Text Representation): تعلم كيفية استخدام TF-IDF، Word Embeddings و Bag of Words.
تصنيف النصوص (Text Classification): تعلم كيفية استخدام Logistic Regression و Naive Bayes لتصنيف النصوص.
تجميع النصوص وتحليل المواضيع (Clustering and Topic Modeling): تعلم تقنيات مثل LDA لتحليل المواضيع.
أنظمة التوصية (Recommendation Systems): تعلم كيفية بناء Content-based recommendation و Collaborative filtering.
نماذج التسلسل (Sequence Models): تعلم كيفية بناء RNN و LSTM و GRU لتحليل البيانات المتسلسلة.
نماذج الترجمة (Sequence-to-sequence models): تعلم كيفية استخدام Statistical Machine Translation و Neural Machine Translation.
النماذج التحويلية (Transformers): تعلم كيفية استخدام BERT و GPT في Question Answering Systems.
RAG: تعلم كيفية دمج retrieval و generation لتحسين الإجابات في question answering systems.
deploy النماذج (Deploy): تعلم كيفية deploy NLP models باستخدام Flask و Streamlit لإنشاء تطبيقات ويب تفاعلية يمكن استخدامها من قبل الآخرين.
مجانا
What you'll learn
فهم التعلم العميق ومعالجة اللغة الطبيعية: التعرف على مفهوم التعلم العميق وتطبيقاته في معالجة النصوص.
معالجة النصوص وتحويلها إلى بيانات رقمية: تعلم خطوات تحويل النصوص إلى أرقام واتجاهات تفهمها الآلة.
تطبيق النماذج المولدة (Generative Models): استكشاف نماذج مثل LAMA وChatGPT وفهم طريقة عملها.
التعامل مع النماذج اللغوية الكبيرة (Large Language Models): التعرف على كيفية استخدام هذه النماذج في التطبيقات العملية.
بناء تطبيقات معالجة اللغة الطبيعية: تطوير حلول مبتكرة لمعالجة النصوص والترجمة الآلية وإنشاء المحتوى.
تحليل البيانات النصية باستخدام التعلم العميق: تطبيق تقنيات الذكاء الاصطناعي لتحليل النصوص وفهم البيانات النصية.
التفاعل مع النماذج التوليدية: اكتساب مهارات إنشاء محتوى توليدي باستخدام نماذج اللغة المتقدمة.
دمج تقنيات الذكاء الاصطناعي في التطبيقات العملية: فهم كيفية استخدام التعلم العميق لتطوير حلول ذكية.
استخدام التقنيات الحديثة في الذكاء الاصطناعي: تعلم كيفية التعامل مع أحدث تقنيات الذكاء الاصطناعي وتطبيقاتها.
تحليل وتطبيق النماذج اللغوية في مختلف المجالات: استخدام النماذج المتطورة لحل مشكلات معقدة في المجالات المتعددة.
مجانا
Computer Vision Mastery: From Fundamentals to 3D Reconstruction
What you'll learn
مقدمة في الصور الرقمية:
ما هي الصورة (Image) وكيف يتم تمثيلها عدديًا (Pixels, Channels, Color Spaces).
المفاهيم الأساسية مثل Resolution، Histogram، و Noise.
Image Processing:
العمليات الأساسية مثل Filtering، Thresholding، Edge Detection.
تقنيات تحسين الصور (Image Enhancement) واستخراج الملامح (Feature Extraction).
تحويلات هندسية (Scaling, Rotation, Affine Transformations).
Deep Learning for Computer Vision:
مدخل إلى DNN (Deep Neural Networks) وأسس عملها.
الشبكات الالتفافية CNN (Convolutional Neural Networks) ودورها في تحليل الصور.
Transfer Learning: الاستفادة من النماذج الجاهزة وتخصيصها لتطبيقات جديدة.
Data Augmentation: تحسين أداء النماذج عبر توليد بيانات إضافية.
المهام الأساسية في Computer Vision:
Object Detection: اكتشاف الأجسام باستخدام نماذج مثل YOLO و Faster R-CNN.
Object Tracking: تتبع الأجسام عبر الفيديو باستخدام خوارزميات كلاسيكية وحديثة.
Image Classification & Recognition: تصنيف الصور والتعرف على الكائنات والوجوه.
Semantic Segmentation: تقسيم الصور إلى مكوّناتها الدلالية.
المستوى المتقدم:
3D Reconstruction: إعادة بناء الأجسام والمشاهد ثلاثية الأبعاد من صور ثنائية.
مجانا
What you'll learn
فهم أساسيات رؤية الكمبيوتر: التعرف على معنى الصورة ومكوناتها وأساسيات معالجة الصور.
خطوات معالجة الصور: تعلم كيفية تطبيق خطوات معالجة الصور باستخدام تقنيات متعددة.
التعرف على تقنيات معالجة الصور: استكشاف الطرق المختلفة لمعالجة الصور وتطبيقاتها.
دمج رؤية الكمبيوتر والتعلم العميق: فهم كيفية تفاعل رؤية الكمبيوتر مع التعلم العميق لتطوير نماذج متقدمة.
تطبيق الرؤية ثلاثية الأبعاد: التعرف على تقنيات الرؤية ثلاثية الأبعاد واستخدامها في تحسين النماذج الذكية.
تطوير مهارات تحليل الصور: اكتساب القدرة على تحليل الصور وحل مشكلات حقيقية باستخدام أدوات حديثة.
استخدام تقنيات الذكاء الاصطناعي في رؤية الكمبيوتر: تطبيق تقنيات الذكاء الاصطناعي لتحسين الأداء في معالجة الصور.
إنشاء نماذج ذكية أكثر تطوراً: تعلم كيفية بناء نماذج رؤية الكمبيوتر التي تلبي متطلبات التطبيقات المتقدمة.
اكتساب مهارات عملية: التعرف على أدوات وتطبيقات عملية لتطوير حلول مبتكرة في رؤية الكمبيوتر.
التعامل مع بيانات الصور: تعلم كيفية تحليل وتفسير الصور في سياقات متعددة.
مجانا
What you'll learn
فهم أساسيات رؤية الكمبيوتر: التعرف على معنى الصورة ومكوناتها وأساسيات معالجة الصور.
خطوات معالجة الصور: تعلم كيفية تطبيق خطوات معالجة الصور باستخدام تقنيات متعددة.
التعرف على تقنيات معالجة الصور: استكشاف الطرق المختلفة لمعالجة الصور وتطبيقاتها.
دمج رؤية الكمبيوتر والتعلم العميق: فهم كيفية تفاعل رؤية الكمبيوتر مع التعلم العميق لتطوير نماذج متقدمة.
تطبيق الرؤية ثلاثية الأبعاد: التعرف على تقنيات الرؤية ثلاثية الأبعاد واستخدامها في تحسين النماذج الذكية.
تطوير مهارات تحليل الصور: اكتساب القدرة على تحليل الصور وحل مشكلات حقيقية باستخدام أدوات حديثة.
استخدام تقنيات الذكاء الاصطناعي في رؤية الكمبيوتر: تطبيق تقنيات الذكاء الاصطناعي لتحسين الأداء في معالجة الصور.
إنشاء نماذج ذكية أكثر تطوراً: تعلم كيفية بناء نماذج رؤية الكمبيوتر التي تلبي متطلبات التطبيقات المتقدمة.
اكتساب مهارات عملية: التعرف على أدوات وتطبيقات عملية لتطوير حلول مبتكرة في رؤية الكمبيوتر.
التعامل مع بيانات الصور: تعلم كيفية تحليل وتفسير الصور في سياقات متعددة.
مجانا
What you'll learn
تعريف AI ودواعي أهميته اليوم
الفارق الموجز بين AI وML وDL
تصوّر عام لفروع CV وNLP واستخداماتهما
أمثلة تطبيقية حديثة في مجالات مختلفة
مجانا
What you'll learn
فهم أساسيات Python: هنتعلم الأساسيات في Python مثل المتغيرات، الحلقات، الدوال، والتعامل مع النصوص.
استخراج البيانات من الويب: هنتعلم كيفية استخدام مكتبات Python مثل BeautifulSoup و Selenium لاستخراج البيانات من صفحات الويب.
تحليل البيانات المستخرجة: تعلم كيفية معالجة وتحليل البيانات المستخرجة باستخدام المهارات الأساسية في Python.
التعامل مع HTML و XML: تعلم كيفية قراءة وتحليل بيانات HTML و XML لاستخراج المعلومات المطلوبة.
تطبيقات عملية: بناء مشاريع لاستخراج البيانات من مواقع متعددة مثل الأخبار والمتاجر الإلكترونية وتحليل هذه البيانات بشكل عملي.
مجانا
دورة Math for Machine Learning تهدف إلى تعليم الأساسيات ... …
What you'll learn
الـ Vectors (المتجهات): تعلم كيفية التعامل مع vectors كأدوات لتمثيل البيانات في الفضاءات متعددة الأبعاد.
المصفوفات (Matrices): فهم كيفية استخدام matrices لتنفيذ العمليات الحسابية المتعلقة بالبيانات، مثل multiplication و addition.
القيم الذاتية والمتجهات الذاتية (Eigenvalues and Eigenvectors): تعلم كيفية حساب eigenvalues و eigenvectors واستخدامها في تقنيات مثل PCA (Principal Component Analysis) لتقليل الأبعاد.
تحليل القيمة المنفردة (Singular Value Decomposition - SVD): تعلم كيفية استخدام SVD لتحليل المصفوفات وتطبيقاتها في dimensionality reduction و data compression.
نظرية بايز (Bayes Theorem): تعلم كيفية استخدام Bayes Theorem في التنبؤات والقرارات بناءً على البيانات المبدئية.
المتغيرات العشوائية (Random Variables): تعلم كيفية التعامل مع random variables التي تعبر عن النتائج المحتملة في التجارب العشوائية.
التوزيع الاحتمالي المنفصل (Discrete Probability Distribution): فهم التوزيعات الاحتمالية التي تحتوي على عدد محدود من القيم مثل Binomial Distribution و Poisson Distribution.
التوزيع الاحتمالي المستمر (Continuous Probability Distribution): تعلم التوزيعات الاحتمالية المستمرة مثل Normal Distribution و Exponential Distribution.
الإحصاء الوصفي (Descriptive Statistics): تعلم كيفية استخدام mean و median و variance و standard deviation لفهم وتلخيص البيانات.
مجانا
What you'll learn
فهم أساسيات Python: هنتعلم الأساسيات في Python مثل المتغيرات، الحلقات، الدوال، والتعامل مع النصوص.
استخراج البيانات من الويب: هنتعلم كيفية استخدام مكتبات Python مثل BeautifulSoup و Selenium لاستخراج البيانات من صفحات الويب.
تحليل البيانات المستخرجة: تعلم كيفية معالجة وتحليل البيانات المستخرجة باستخدام المهارات الأساسية في Python.
التعامل مع HTML و XML: تعلم كيفية قراءة وتحليل بيانات HTML و XML لاستخراج المعلومات المطلوبة.
تطبيقات عملية: بناء مشاريع لاستخراج البيانات من مواقع متعددة مثل الأخبار والمتاجر الإلكترونية وتحليل هذه البيانات بشكل عملي.
مجانا
What you'll learn
تنظيف البيانات: تعلم كيفية التعامل مع missing values (القيم المفقودة)، outliers (القيم الغريبة)، و duplicates (البيانات المكررة).
معالجة البيانات: تعلم كيفية استخدام تقنيات مثل Normalization، Standardization، و Scaling لتحويل البيانات وتوحيدها.
التحليل الاستكشافي للبيانات (EDA): تعلم كيفية استكشاف البيانات باستخدام statistical summaries و visualizations.
تصور البيانات (Data Visualization): تعلم كيفية استخدام Matplotlib و Seaborn لإنشاء الرسوم البيانية التي تساعد في فهم البيانات.
استخراج الميزات (Feature Extraction): تعلم كيفية اختيار الميزات الأكثر تأثيرًا والملائمة لبناء models دقيقة.
مجانا
تعلم الآلة (Machine Learning) هو أحد أهم وأشهر مجالات ال... …
What you'll learn
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.
مجانا
What you'll learn
فهم المفاهيم الأساسية في Deep Learning.
بناء وتدريب أول شبكة عصبية (Perceptron, Feed Forward Network).
التعامل مع مكتبات TensorFlow و PyTorch.
فهم خوارزميات Backpropagation وطرق التحسين (Optimizers).
بناء AutoEncoder و Variational AutoEncoder (VAE).
تصميم وتدريب Generative Adversarial Networks (GANs).
تطبيق عملي على بيانات حقيقية وتحليل نتائج الـ models.
