تستهدف هذه الدورة تدريب الأفراد على علوم البيانات من المستويات الأساسية وصولاً إلى المهارات المتقدمة من خلال منهجٍ متكامل وشامل يتضمن جوانب متعددة، من البرمجة بلغة Python إلى التحليل المتقدم باستخدام تقنيات التعلم الآلي. يتم التركيز على التطبيقات العملية، مما يتيح للمتدربين تنفيذ مشاريع حقيقية وممارسة ما تعلموه في بيئة تحاكي التحديات الواقعية في سوق العمل.

تفاصيل محتوى الدورة:

الشهر الأول: أساسيات Python، الإحصاء، والجبر الخطي

يتم التركيز في هذا الشهر على بناء الأساسيات:

برمجة Python: يشمل أساسيات البرمجة وهياكل البيانات وكيفية كتابة البرامج البسيطة.

الإحصاء: يغطي المفاهيم الأساسية مثل المتوسط، الوسيط، التباين، والاحتمالات.

الجبر الخطي: التعمق في المتجهات والمصفوفات وتطبيقاتها في علوم البيانات.

الشهر الثاني والثالث: تحليل البيانات واستكشافها، وإنشاء مشروع باستخدام Streamlit

يتم في هذين الشهرين التركيز على مهارات التحليل والاستكشاف:

تحليل البيانات الاستكشافي (EDA): التلاعب بالبيانات، اكتشاف الأنماط، والتعامل مع البيانات المفقودة.

التصور البياني: استخدام مكتبات مثل Matplotlib وSeaborn وPlotly لتمثيل البيانات بصريًا بشكل تفاعلي.

مشروع إنشاء لوحة معلومات تفاعلية: بناء لوحة بيانات تفاعلية باستخدام Streamlit، تتيح عرض وتحليل البيانات في الوقت الحقيقي.

الشهر الرابع: التعلم الآلي - التصنيف (Supervised Learning)

يقدم هذا الشهر مقدمة مكثفة للتعلم الآلي الإشرافي:

مفاهيم التعلم الآلي الإشرافي: الفرق بين التصنيف والانحدار.

التقييم والنمذجة: تشمل مصفوفة الارتباك، الدقة، استرجاع البيانات، وغيرها من أدوات التقييم.

التعمق في النماذج: بناء نماذج مثل أشجار القرار وطرق الغابات العشوائية وضبط المعلمات.

الشهر الخامس: الانحدار (Supervised Learning - Regression)

يركز هذا الشهر على أساليب الانحدار وتحليل السلاسل الزمنية:

الانحدار الخطي: تطبيق تقنيات الانحدار وتفسير نتائجها.

تطبيقات الانحدار المتعدد: تعلم نماذج متعددة المتغيرات وتقنيات الانتظام مثل Ridge وLasso.

تحليل السلاسل الزمنية: نماذج ARIMA، SARIMA، واستكشاف استخدام الشبكات العصبية (LSTM) لتحليل السلاسل الزمنية.

الشهر السادس: التعلم الآلي غير الإشرافي وعرض المشروع النهائي

ينتقل المشاركون في هذا الشهر إلى أساليب التعلم الآلي غير الإشرافي ويعملون على عرض مشاريعهم النهائية:

التجميع (Clustering): التعمق في K-means، التكتل الهرمي، وDBSCAN.

تقليل الأبعاد: استخدام تقنيات مثل تحليل المكونات الرئيسية (PCA) وt-SNE لتحليل البيانات الكبيرة والمعقدة.

عرض المشروع النهائي: فرصة للمشاركين لعرض مشاريعهم النهائية، تلقي التغذية الراجعة، وتطوير مهارات العرض الوظيفي.

المشاريع العملية:

تحتوي الدورة على مشاريع عملية رئيسية:

1.نموذج للتنبؤ بترك العملاء باستخدام تقنيات التصنيف.

2.تحليل سلة السوق باستخدام التعلم غير الإشرافي لتحليل أنماط التسوق.

3.لوحة معلومات تحليل البيانات في الوقت الفعلي باستخدام Streamlit لعرض بيانات تفاعلية.

هل هذه الدورة تناسبك؟:

الدورة مناسبة للمبتدئين وأصحاب المستويات المتوسطة الراغبين في تعلم مهارات متقدمة في علوم البيانات والتحليل البرمجي وتطبيقات التعلم الآلي.

المخرجات التعليمية: بنهاية الدورة، سيكون المشاركون قادرين على:

تحليل وتفسير البيانات باستخدام Python.

إنشاء نماذج تعلم آلي للتصنيف والانحدار وتحليل السلاسل الزمنية.

تطوير وعرض لوحات بيانات تفاعلية.

تقديم مشاريع علمية جاهزة للتطبيق الوظيفي.

التحضير لسوق العمل:

تشمل الدورة جلسات لإعداد السيرة الذاتية، تطوير محفظة أعمال، والتدريب على المقابلات التقنية لضمان استعداد المشاركين للفرص الوظيفية في مجال علوم البيانات.