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
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
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
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
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
التعلم العميق (Deep Learning): التعرف على CNNs وتطبيقها في Computer Vision.
Transfer Learning: تعلم كيفية استخدام pre-trained models لتحسين سرعة ودقة التدريب.
الكشف عن الأشياء والتعرف عليها (Object Detection and Recognition).
تحليل الفيديو والتتبع (Video Analysis and Tracking): تعلم تقنيات مثل optical flow و motion estimation.
الرؤية الثلاثية الأبعاد (3D Vision): تطبيق تقنيات deep learning لتحليل الصور والفيديوهات ثلاثية الأبعاد.
مجانا
What you'll learn
مفهوم التعلم العميق: فهم الأساسيات ودوره كأحد فروع تعلم الآلة.
الشبكات العصبية الاصطناعية: التعرف على كيفية محاكاة طريقة عمل الدماغ البشري لمعالجة البيانات.
بناء نموذج البرسيبترون (Perceptron): تعلم بناء أبسط أنواع الشبكات العصبية.
النماذج التوليدية (Generative Models): فهم كيفية تطبيق تقنيات مثل One-Hot Encoding.
تصميم نماذج فعالة: تطوير نماذج تعلم عميق قادرة على تحقيق نتائج دقيقة.
التعامل مع البيانات المعقدة: تعلم كيفية معالجة وتحليل البيانات لاستخدامها في النماذج العميقة.
تطبيقات الذكاء الاصطناعي: تطبيق التعلم العميق في مختلف المجالات لتحقيق حلول مبتكرة.
استخدام الشبكات العصبية: تطوير فهم عملي لبناء شبكات قوية للتنبؤ واتخاذ القرارات.
مجانا
What you'll learn
مقدمة في Computer Vision: تعلم تعريف Computer Vision وتطبيقاته في الحياة الواقعية مثل image recognition، object detection، face recognition، medical imaging، وغيرها.
أساسيات الصور والفيديوهات: تعلم كيفية تمثيل الصور باستخدام color spaces، image representation، pixel operations، و interpolation.
تحسين الصور (Image Filtering): تعلم كيفية تحسين الصور باستخدام تقنيات مثل blurring، sharpening، و edge detection.
تجزئة الصور (Image Segmentation): تعلم كيفية تقسيم الصورة إلى أجزاء ذات دلالة باستخدام تقنيات مثل thresholding و region growing.
استخراج المميزات (Feature Detection and Extraction): تعلم كيفية استخراج المميزات الهامة من الصورة باستخدام تقنيات مثل SIFT و HOG.
مجانا
What you'll learn
قدمة في NLP: تعلم الأساسيات المتعلقة بـ Natural Language Processing وكيفية التعامل مع النصوص باستخدام الخوارزميات المناسبة.
مقدمة في Hugging Face: استكشاف مكتبة Hugging Face وأدواتها الأساسية مثل Transformers و Datasets.
استخدام البيانات وmodels: تعلم كيفية الوصول إلى datasets و pre-trained models من مكتبة Hugging Face واستخدامها في مشاريعك.
التدريب علىmodels: تعلم كيفية تدريب models باستخدام أدوات Hugging Face وتطبيقها على مجموعة متنوعة من مهام NLP.
مشروع تطبيقي: تطبيق ما تعلمته في مشروع حقيقي باستخدام Hugging Face لبناء وتدريب NLP models على بيانات حقيقية.
تتجه
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
التعلم العميق (Deep Learning): التعرف على CNNs وتطبيقها في Computer Vision.
Transfer Learning: تعلم كيفية استخدام pre-trained models لتحسين سرعة ودقة التدريب.
الكشف عن الأشياء والتعرف عليها (Object Detection and Recognition).
تحليل الفيديو والتتبع (Video Analysis and Tracking): تعلم تقنيات مثل optical flow و motion estimation.
الرؤية الثلاثية الأبعاد (3D Vision): تطبيق تقنيات deep learning لتحليل الصور والفيديوهات ثلاثية الأبعاد.
مجانا
What you'll learn
مفهوم التعلم العميق: فهم الأساسيات ودوره كأحد فروع تعلم الآلة.
الشبكات العصبية الاصطناعية: التعرف على كيفية محاكاة طريقة عمل الدماغ البشري لمعالجة البيانات.
بناء نموذج البرسيبترون (Perceptron): تعلم بناء أبسط أنواع الشبكات العصبية.
النماذج التوليدية (Generative Models): فهم كيفية تطبيق تقنيات مثل One-Hot Encoding.
تصميم نماذج فعالة: تطوير نماذج تعلم عميق قادرة على تحقيق نتائج دقيقة.
التعامل مع البيانات المعقدة: تعلم كيفية معالجة وتحليل البيانات لاستخدامها في النماذج العميقة.
تطبيقات الذكاء الاصطناعي: تطبيق التعلم العميق في مختلف المجالات لتحقيق حلول مبتكرة.
استخدام الشبكات العصبية: تطوير فهم عملي لبناء شبكات قوية للتنبؤ واتخاذ القرارات.
مجانا
What you'll learn
مقدمة في Computer Vision: تعلم تعريف Computer Vision وتطبيقاته في الحياة الواقعية مثل image recognition، object detection، face recognition، medical imaging، وغيرها.
أساسيات الصور والفيديوهات: تعلم كيفية تمثيل الصور باستخدام color spaces، image representation، pixel operations، و interpolation.
تحسين الصور (Image Filtering): تعلم كيفية تحسين الصور باستخدام تقنيات مثل blurring، sharpening، و edge detection.
تجزئة الصور (Image Segmentation): تعلم كيفية تقسيم الصورة إلى أجزاء ذات دلالة باستخدام تقنيات مثل thresholding و region growing.
استخراج المميزات (Feature Detection and Extraction): تعلم كيفية استخراج المميزات الهامة من الصورة باستخدام تقنيات مثل SIFT و HOG.
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 الشبكات العصبية (Neural Networks): تعلم الأساسيات والمكونات الرئيسية للشبكات العصبية.
التغذية الأمامية والخلفية (Feedforward and Backpropagation): تعلم كيفية استخدام Feedforward و Backpropagation لتدريب الشبكات العصبية.
تقنيات التحسين (Optimization Techniques): تعلم تقنيات التحسين المستخدمة لتدريب الشبكات العصبية.
فهم Autoencoders و Variational Autoencoders (VAE): تعلم كيفية تطبيق Autoencoders في تقليل الأبعاد واكتشاف الأنماط.
فهم Generative Adversarial Networks (GANs): تعلم كيفية بناء واستخدام GANs لتوليد بيانات جديدة.
تحليل models: تعلم كيفية تقييم أداء الشبكات العصبية و generative models.
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
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
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
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
فهم الشبكات العصبية (Neural Networks): تعلم الأساسيات والمكونات الرئيسية للشبكات العصبية.
التغذية الأمامية والخلفية (Feedforward and Backpropagation): تعلم كيفية استخدام Feedforward و Backpropagation لتدريب الشبكات العصبية.
تقنيات التحسين (Optimization Techniques): تعلم تقنيات التحسين المستخدمة لتدريب الشبكات العصبية.
فهم Autoencoders و Variational Autoencoders (VAE): تعلم كيفية تطبيق Autoencoders في تقليل الأبعاد واكتشاف الأنماط.
فهم Generative Adversarial Networks (GANs): تعلم كيفية بناء واستخدام GANs لتوليد بيانات جديدة.
تحليل models: تعلم كيفية تقييم أداء الشبكات العصبية و generative models.
مجانا
What you'll learn
مقدمة في Computer Vision: تعلم تعريف Computer Vision وتطبيقاته في الحياة الواقعية مثل image recognition، object detection، face recognition، medical imaging، وغيرها.
أساسيات الصور والفيديوهات: تعلم كيفية تمثيل الصور باستخدام color spaces، image representation، pixel operations، و interpolation.
تحسين الصور (Image Filtering): تعلم كيفية تحسين الصور باستخدام تقنيات مثل blurring، sharpening، و edge detection.
تجزئة الصور (Image Segmentation): تعلم كيفية تقسيم الصورة إلى أجزاء ذات دلالة باستخدام تقنيات مثل thresholding و region growing.
استخراج المميزات (Feature Detection and Extraction): تعلم كيفية استخراج المميزات الهامة من الصورة باستخدام تقنيات مثل SIFT و HOG.
مجانا
What you'll learn
التعلم العميق (Deep Learning): التعرف على CNNs وتطبيقها في Computer Vision.
Transfer Learning: تعلم كيفية استخدام pre-trained models لتحسين سرعة ودقة التدريب.
الكشف عن الأشياء والتعرف عليها (Object Detection and Recognition).
تحليل الفيديو والتتبع (Video Analysis and Tracking): تعلم تقنيات مثل optical flow و motion estimation.
الرؤية الثلاثية الأبعاد (3D Vision): تطبيق تقنيات deep learning لتحليل الصور والفيديوهات ثلاثية الأبعاد.
