حول هذه الدورة
دورة Math for Machine Learning تهدف إلى تعليم الأساسيات الرياضية والإحصائية التي تدعم Machine Learning و Data Science. ستتعلم المفاهيم الأساسية في الجبر الخطي (Linear Algebra)، الإحصاء (Statistics)، و احتمالية (Probability)، والتي تعتبر أساسًا لفهم كيفية عمل خوارزميات Machine Learning وتطبيقاتها. الدورة ستغطي المواضيع المهمة مثل Vectors، Matrices، Eigenvalues، Eigenvectors، بالإضافة إلى Bayes Theorem و Descriptive Statistics.
أهداف التعلم
المواد
- Vector, Matrix
- Eigen Values and Eigen Vectors
- Singular Value Decomposition.
- NumPy
- Probability Introduction ,Probability Basic’s
- Bay’s Theorem
- Random Variable
- Probability Distribution
- Expectation and Variance
- Descriptive Statistics
- Pandas
- Matplotlib , Seaborn
متطلبات
- معلومات أساسية عن البرمجة: من الأفضل أن تكون لديك معرفة بـ Python أو لغة برمجة أخرى، حيث ستحتاج إليها لتطبيق بعض المفاهيم في الدورة.
- الاستعداد لتعلم المفاهيم الرياضية: الاستعداد للتعامل مع المواضيع الرياضية والإحصائية التي تعتبر الأساس في Machine Learning.
الجمهور المستهدف
- طلاب علوم الكمبيوتر وعلوم البيانات: الذين يريدون تعلم الأساسيات الرياضية والإحصائية التي تدعم خوارزميات Machine Learning.
- المطورون والمبرمجون: الذين يرغبون في تحسين فهمهم للجوانب الرياضية التي تستخدمها Machine Learning.
- المهنيون في مجالات الذكاء الاصطناعي وعلوم البيانات: الذين يحتاجون إلى فهم رياضي قوي لدعم تطبيقاتهم العملية.
- المهتمون بتطوير مهاراتهم في Machine Learning: الذين يرغبون في فهم أسس الرياضيات والإحصاء في Machine Learning
منهاج دراسي
Math for Machine Learning
Introduction to Math for Machine Learning (Vectors and Matrices)02:45:41
Eigen Values, Singular Value Decomposition02:28:27
NumPy02:54:56
Quiz 1
Probability Basics, Baye’s Theorem, Random Variable02:13:26
Probability Distribution, Expectation and Variance02:47:23
Quiz 2
Descriptive Statistics03:03:52
Third Party Libraries03:27:47
Quiz 3
Data Prepration03:02:18
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
المواد
- Vector, Matrix
- Eigen Values and Eigen Vectors
- Singular Value Decomposition.
- NumPy
- Probability Introduction ,Probability Basic’s
- Bay’s Theorem
- Random Variable
- Probability Distribution
- Expectation and Variance
- Descriptive Statistics
- Pandas
- Matplotlib , Seaborn
