مهارات الذكاء الاصطناعي والتعلّم الآلي
استكشف خوارزميات التعلّم الآلي ومبادئ الشبكات العصبية وتطبيقاتها العملية في استخراج الأنماط، والتنبؤ الذكي، وبناء النماذج التنبؤية.
سجّل في الدورة
١٩٩
تبدأ الدفعة القادمة الأحد القادم · مقاعد محدودة لكل دفعة
- الوحدات
- ٣ وحدات
- المدة
- ٤ أيام | ٢٠ ساعة
- طريقة الحضور
- مباشر عبر Zoom
- عند الإتمام
- شهادة إتمام معتمدة
ما الذي ستتعلمه
- فهم خوارزميات التعلّم الخاضع وغير الخاضع للإشراف (Supervised & Unsupervised).
- تجهيز وتنظيف البيانات الكبيرة وهندسة السمات (Feature Engineering).
- تدريب وتقييم النماذج التنبؤية باستخدام مقاييس الدقة ومصفوفة الالتباس.
- نشر نماذج التعلم الآلي كواجهات برمجية (APIs) ودمجها في التطبيقات الحية.
المهارات التي ستكتسبها
Python لعلوم البيانات
Scikit-Learn
Feature Engineering
تدريب النماذج التنبؤية
تقييم النماذج Model Evaluation
محتوى الدورة
٣ وحدات · ٩ جلسة تدريبية · ٢٠ ساعة معتمدة
٠١ أساسيات البيانات ومكتبات التحليل
- مباشر مقدمة في منظومة التعلم الآلي وسير عمل البيانات 90 دقيقة
- تطبيق عملي استكشاف البيانات باستخدام Pandas و Matplotlib 90 دقيقة
- تطبيق عملي تنظيف البيانات ومعالجة القيم المفقودة والمتطرفة 90 دقيقة
٠٢ خوارزميات التنبؤ والتصنيف
- مباشر الانحدار الخطي واللوجستي (Linear & Logistic Regression) 90 دقيقة
- تطبيق عملي أشجار القرار وغابات التوزيع (Random Forests & XGBoost) 100 دقيقة
- تطبيق عملي مصفوفة الدقة ومنحنيات ROC لقياس كفاءة النموذج 80 دقيقة
٠٣ مشروع متكامل ونشر النموذج
- تطبيق عملي بناء نموذج تنبؤي لسلوك العملاء من الألف إلى الياء 120 دقيقة
- تطبيق عملي حفظ النموذج وتجهيزه للنشر عبر API سريع 90 دقيقة
- اختبار قصير الاختبار والمراجعة النهائية وتسليم المشروع 90 دقيقة
المدرب
ب.ع
م. بندر العتيبي
كبير مهندسي البيانات والذكاء الاصطناعي ومطور حلول MLOps
قاد مشاريع ذكاء اصطناعي وتنقيب عن البيانات في كبرى شركات التقنية المالية وحلول الحوسبة السحابية.
الشهادة والاعتماد
أسئلة شائعة
هل يشترط معرفة عميقة بالرياضيات؟
نركز على الفهم الحدسي والتطبيق العملي، مع شرح مبسط للمفاهيم الرياضية الضرورية.