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
متطلبات
- المعرفة الأساسية: من الأفضل أن تكون لديك معرفة أساسية بالرياضيات (خصوصًا الجبر والإحصاء) وبرمجة Python.
- أدوات مطلوبة: جهاز حاسوب مع اتصال بالإنترنت وبرنامج Python مُثبت عليه مكتبات مثل Scikit-learn وTensorFlow.
- المهارات البرمجية: الدورة موجهة للمبتدئين في التعلم الآلي، لكن معرفة أساسية بـ Python هتكون مفيدة.
- تطبيق عملي: الدورة هتتضمن تمارين عملية لبناء نماذج تعلم آلي وتطبيقها على مجموعات بيانات حقيقية.
الجمهور المستهدف
- الطلاب: طلاب الهندسة أو علوم الحاسب أو الرياضيات الذين يرغبون في التخصص في الذكاء الاصطناعي وتعلم الآلة.
- المهنيون: المهندسون أو المحللون الذين يرغبون في اكتساب معرفة أعمق في كيفية استخدام الرياضيات لتحسين أداء النماذج الحاسوبية.
- محللو البيانات: الذين يريدون إضافة مهارات التعلم الآلي لتحليل البيانات وإيجاد حلول ذكية.
- المطورون: الذين يرغبون في تعلم كيفية بناء وتطبيق نماذج تعلم آلي باستخدام Python.
- الطلاب: الذين يدرسون علوم البيانات أو الذكاء الاصطناعي ويرغبون في تعلم الأساسيات.
- المهتمون بالتقنيات الحديثة: أي شخص مهتم بمجال التعلم الآلي ويريد تطبيقه في حياتهم المهنية أو الدراسية.
منهاج دراسي
Introduction & Regression Foundations
Foundations of Machine Learning00:33:19
Machine Learning Types Overview00:20:58
Supervised Learning Overview00:12:45
Quiz 1
Linear Regression Part 100:21:14
Linear Regression Part 200:30:58
Cost Function00:14:12
Evaluation Metrics00:14:12
Recap (Linear Regression )00:14:12
Recap (Multiple Linear Regression)00:05:32
How use data from Kaggle00:05:00
Recap00:25:18
Quiz 2
Polynomial Linear Regression00:16:03
Practice Part 100:28:10
Practice Part 200:48:43
Discussion00:29:12
Practice00:59:17
Recap00:17:53
Polynomial Regression ( Algorithms From Scratch ) Practice00:22:14
Practice00:29:05
Recap00:29:05
Quiz 3
Error in Machine Learning Part 100:23:05
Error in Machine Learning Part 200:18:43
Irreducible and Reducible Errors00:18:43
Underfitting Part 100:18:43
Underfitting Part 200:28:57
Quiz 4
Decision Trees and Ensemble Models
Feature Engineering and Logistic Regression
Classification Advanced Models and Imbalanced Data
Unsupervised Learning and Association Rule
احصل على شهادة
أضف هذه الشهادة إلى سيرتك الذاتية لإثبات مهاراتك وزيادة فرصك في لفت الانتباه.
أساتذتك
Ahmed Ashraf
Machine Learning Engineer @ Cybral
Results-driven Machine Learning Engineer with expertise in NLP and MLOps, specializing in optimizing model performance, developing scalable data solutions, and enhancing system security. Skills: • Machine Learning & NLP: supervised, unsupervised algorithms, NN, CNNs, RNNs, LSTMs, Classical NLP, Tokenization, stemming, lemmatization, POS tagging, named entity recognition (NER), Embeddings, Word2Vec, GloVe, BERT, GPT, Attention, Transformer, Pytorch, HuggingFace, LLMs, Prompt Engineering, RAG, Vector Store, Langchain, LLM serving • MLOps & Deployment: Azure Repos - Pipelines, Git, Docker - Compose - Swarm, Mlflow, Weights & Biases, OLLAMA • API Development & Integration: Python, Flask, Flask-RESTx, Http/s, GRPC, Protocol Buffers, Swagger, Postman, SSL/TLS, Authentication, role-based access control, rate limiting, Microservices, Service Registry • Graph Database: Neo4j, Cypher language, APOC: Awesome Procedures on Cypher • Other Tools & Technologies: Numpy, Pandas, Matplotlib, Sklearn, NLTK, Redis, A/B Testing
