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 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
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
1. فهم المبادئ الأساسية لقواعد البيانات وعلاقاتها مع SQL.
2. إتقان استرجاع البيانات وتصفيتها باستخدام الاستعلامات المختلفة.
3. تعلم كيفية استخدام دوال التجميع مثل SUM و AVG و COUNT لتحليل البيانات.
4. إتقان استخدام التوصيل (Joins) لدمج البيانات من جداول متعددة.
5. تعلم كيفية كتابة استعلامات فرعية ونماذج معقدة باستخدام الاستعلامات المتداخلة.
6. معرفة كيفية التلاعب بالبيانات (إضافة، تعديل، حذف) باستخدام SQL.
7. فهم كيفية تعريف البيانات وتحديد القيود لضمان سلامتها.
8. تعلم كيفية إنشاء العروض والفهارس لتحسين أداء الاستعلامات.
9. إتقان إدارة المعاملات والتعامل مع الأخطاء في بيئات العمل.
10. اكتساب مهارات تحسين استعلامات SQL واتباع أفضل الممارسات لضمان الأداء الأمثل.
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
فهم الجبر الخطي: هنتعرف على المفاهيم الأساسية للجبر الخطي مثل المصفوفات، المتجهات، والتحويلات، وكيفية استخدامها في نماذج التعلم الآلي.
الإحصاء: هنتعلم أهم المفاهيم الإحصائية مثل التوزيعات، المتوسطات، الانحراف المعياري، وأهمية هذه المفاهيم في معالجة البيانات وتحليلها.
الاحتمالات: هنتعرف على أساسيات الاحتمالات وكيفية تطبيقها في بناء النماذج التي تتعامل مع عدم اليقين والقرارات الاحتمالية.
المكتبات الخارجية: هنتعلم كيفية استخدام مكتبات Python مثل NumPy، Pandas، Matplotlib، وScikit-learn لتحسين الأداء وتحليل البيانات.
إعداد البيانات: هنتعلم كيف نحضر البيانات بشكل مناسب لنماذج التعلم الآلي، بما في ذلك التنظيف، التحويل، والتعامل مع القيم المفقودة.
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
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.
