---
title: "الجلسة الثانية | Machine Learning — From Fundamentals to Product"
aliases:
  - "Session 02 - Machine Learning"
  - "AI Camp v2 - Session 02"
tags:
  - AI-Camp-v2
  - Models
  - Machine-Learning
  - FastAPI
  - Streamlit
session: 2
duration: "3 hours"
duration_minutes: 180
track: Models
status: planned
language: ar
---

# الجلسة الثانية: Machine Learning — From Fundamentals to Product

> [!info] معلومات الجلسة
> - **المسار:** Models — بناء النماذج
> - **المدة:** 3 ساعات
> - **نوع الجلسة:** مراجعة مفاهيم + مشروع تطبيقي متكامل
> - **المشروع:** Employee Attrition Predictor
> - **الأدوات الأساسية:** Python · Scikit-learn · XGBoost · FastAPI · Streamlit · Docker

##  نظرة عامة

تركز هذه الجلسة على **الانتقال من مفاهيم تعلم الآلة إلى منتج برمجي قابل للتشغيل**. تبدأ بمراجعة نظرية مركزة لأهم مراحل تطوير نماذج Machine Learning، ثم ينتقل الطلاب إلى بناء مشروع عملي يبدأ من البيانات وينتهي بواجهة مستخدم وخدمة تنبؤ محلية.

> [!abstract] الهدف الرئيسي
> أن يفهم الطالب دورة حياة مشروع تعلم الآلة، وأن يطبّقها خطوة بخطوة: **تحليل البيانات → إعدادها → تدريب النموذج → تقييمه → تقديمه عبر API → ربطه بواجهة مستخدم → تغليفه للتشغيل**.

##  مخرجات التعلّم

بنهاية الجلسة، يُتوقع أن يصبح الطالب قادرًا على:

- التمييز بين مشكلات **Regression** و**Classification**.
- تنفيذ خطوات أساسية في تنظيف البيانات وتحليلها استكشافيًا (**EDA**).
- تدريب نموذجين أو أكثر ومقارنة نتائجهما.
- تقييم نموذج تصنيف باستخدام مقاييس مناسبة تتجاوز Accuracy وحدها.
- فهم دور **Cross-Validation** وخطورة **Data Leakage**.
- حفظ نموذج مدرّب واستخدامه في خدمة تنبؤ مبنية باستخدام **FastAPI**.
- إنشاء واجهة تفاعلية بسيطة باستخدام **Streamlit**.
- التعرف عمليًا إلى دور **Docker** في تشغيل مكونات التطبيق ضمن بيئة موحدة.

---

## المحاور النظرية

### 1. أنواع مشكلات تعلم الآلة

| المفهوم | الشرح | مثال |
|---|---|---|
| **Regression** | التنبؤ بقيمة رقمية مستمرة. | توقع استهلاك الطاقة. |
| **Classification** | إسناد مدخل إلى فئة أو أكثر. | توقع ما إذا كان العميل سيغادر الخدمة. |

### 2. تجهيز البيانات وفهمها

- **Data Cleaning:** معالجة القيم المفقودة، والبيانات غير المتسقة، والفئات والأنواع المختلفة.
- **Exploratory Data Analysis (EDA):** استكشاف التوزيعات والعلاقات والأنماط واختلال التوازن بين الفئات.
- **Train / Validation / Test Split:** فصل البيانات للتدريب وضبط النموذج وتقييم أدائه النهائي.
- **Data Leakage:** تجنب إدخال معلومات أثناء التدريب لم تكن لتتوفر فعليًا وقت التنبؤ، أو تسرب معلومات من مجموعة الاختبار إلى خطوات التحضير والتدريب.

> [!warning] قاعدة مهمة: منع تسرب البيانات
> تُجرى عمليات الملاءمة (**Fit**) للمعالجة المسبقة باستخدام بيانات التدريب فقط، ثم تُطبَّق التحويلات المتعلمة على بيانات التحقق والاختبار. ويمكن استخدام **Pipeline** لتقليل أخطاء التسرب وإعادة استخدام خطوات المعالجة مع النموذج.

### 3. النماذج والخوارزميات

| الخوارزمية | الفكرة الأساسية |
|---|---|
| **Random Forest** | تجميع تنبؤات عدد من أشجار القرار لتحسين الاستقرار والأداء. |
| **XGBoost** | نموذج تعزيز تدريجي يبني الأشجار بطريقة متتابعة لتحسين الأخطاء. |

### 4. تقييم النماذج

- **Confusion Matrix:** فهم النتائج الصحيحة والخاطئة بحسب كل فئة.
- **Precision:** نسبة التنبؤات الإيجابية الصحيحة من جميع التنبؤات الإيجابية.
- **Recall:** نسبة الحالات الإيجابية الحقيقية التي استطاع النموذج اكتشافها.
- **F1-Score:** مقياس يوازن بين Precision وRecall.
- **Cross-Validation:** تقدير أداء النموذج عبر تقسيمات متعددة لبيانات التدريب.

> [!tip] مبدأ هندسي
> لا تختَر النموذج اعتمادًا على أعلى Accuracy فقط؛ بل انظر إلى طبيعة المشكلة، وتوازن الفئات، وتكلفة الأخطاء المختلفة، وقدرة النموذج على التعميم على بيانات جديدة.

---

##  المشروع العملي: Employee Attrition Predictor

### فكرة المشروع

تطوير تطبيق تعليمي يُقدّر **احتمالية مغادرة الموظف لوظيفته** اعتمادًا على خصائص متاحة ضمن مجموعة بيانات مناسبة.

> [!important] الاستخدام المسؤول
> يُستخدم المثال **للتعليم فقط** وعلى بيانات عامة مناسبة أو بيانات اصطناعية. لا ينبغي استخدام مخرجاته لاتخاذ قرارات توظيف أو فصل أو تقييم موظفين حقيقيين. كما يجب مناقشة التحيز في البيانات والفرق بين **التنبؤ الإحصائي** وتفسير الأسباب الفعلية لمغادرة الموظف.

### مراحل تنفيذ المشروع — End-to-End Pipeline

#### المرحلة 1: Dataset & EDA

- [ ] تحميل مجموعة البيانات وفهم الحقول والهدف المراد التنبؤ به.
- [ ] فحص القيم المفقودة والأنواع والتوزيعات الأساسية.
- [ ] تقسيم البيانات إلى تدريب واختبار قبل ملاءمة أي تحويلات متعلمة.
- [ ] بناء خطوات معالجة أولية قابلة لإعادة الاستخدام.

#### المرحلة 2: Model Training

- [ ] إعداد نموذج **Random Forest** كنقطة انطلاق.
- [ ] تدريب نموذج **XGBoost** للمقارنة عند توفر الوقت.
- [ ] تنفيذ تدريب وتحسين أولي للمعاملات عند الحاجة.
- [ ] حفظ النموذج وخطوات المعالجة معًا لاستخدامهما لاحقًا.

#### المرحلة 3: Evaluation

- [ ] حساب **Precision وRecall وF1-Score**.
- [ ] مراجعة **Confusion Matrix**.
- [ ] مقارنة النتائج وتبرير اختيار النموذج.
- [ ] التأكد من أن التقييم النهائي يتم على بيانات لم تُستخدم في التدريب أو ضبط النموذج.

#### المرحلة 4: FastAPI — Model Serving

- [ ] إنشاء endpoint لاستقبال بيانات الإدخال.
- [ ] التحقق من شكل البيانات المطلوبة.
- [ ] تحميل النموذج المدرب ومعالجة المدخلات بالطريقة نفسها المستخدمة في التدريب.
- [ ] إرجاع التنبؤ والاحتمالية عندما يدعمها النموذج.

#### المرحلة 5: Streamlit — User Interface

- [ ] إنشاء نموذج إدخال تفاعلي للخصائص المطلوبة.
- [ ] إرسال الطلب إلى خدمة FastAPI.
- [ ] عرض نتيجة التنبؤ وتوضيح أنها تقدير إحصائي تعليمي.

#### المرحلة 6: Docker — Packaging

- [ ] التعرف إلى ملفات إعداد الحاوية الخاصة بالتطبيق.
- [ ] بناء صورة Docker وتشغيل التطبيق محليًا باستخدام الإعدادات المجهزة.
- [ ] التحقق من وصول الواجهة إلى API وعمل تدفق التنبؤ من البداية إلى النهاية.

### تدفق الاستخدام النهائي

`User → Streamlit UI → FastAPI → Preprocessing + Trained Model → Prediction → UI`

> [!success] النتيجة المستهدفة
> بدلاً من الاكتفاء بـ **Jupyter Notebook** للتدريب، يصبح لدى الطالب نموذج تعلم آلة مدمج ضمن **تطبيق محلي قابل للتشغيل والتجربة**.

---

##  التسليم المطلوب (Deliverables)

- [ ] Notebook أو Script يوضح مراحل تحميل البيانات وتحضيرها وتدريب النموذج.
- [ ] تقرير مختصر يتضمن المقاييس الأساسية ومقارنة النماذج.
- [ ] نموذج مدرّب مع خطوات معالجة المدخلات.
- [ ] **FastAPI Endpoint** يستقبل بيانات ويعيد تنبؤًا.
- [ ] **Streamlit UI** متصلة بالخدمة وتعمل محليًا.
- [ ] ملفات تشغيل وتغليف واضحة، بما فيها Docker عند استكمال المرحلة.
- [ ] `README.md` يحتوي خطوات تشغيل المشروع وملخص نتائجه.
- [ ] تسليم التعديلات عبر **Pull Request** في مستودع المعسكر.

##  ملاحظة لإدارة وقت الجلسة

> [!note] لجلسة مدتها 3 ساعات
> المشروع واسع نسبيًا؛ لذا يُفضّل تجهيز **مجموعة البيانات، واعتماديات البيئة، وقوالب FastAPI وStreamlit وDocker** قبل بدء الجلسة. يُخصص الوقت المباشر للقرارات الهندسية والتدريب والتقييم والربط بين المكونات، مع نقل التوسعات والتحسينات إلى الواجب المنزلي.

## 🔗 مراجع تقنية

- [Scikit-learn — User Guide](https://scikit-learn.org/stable/user_guide.html)
- [XGBoost — Documentation](https://xgboost.readthedocs.io/)
- [FastAPI — Documentation](https://fastapi.tiangolo.com/)
- [Streamlit — Documentation](https://docs.streamlit.io/)
- [Docker — Documentation](https://docs.docker.com/)

---

##  خلاصة الجلسة

تعرّف الجلسة الثانية الطلاب على كيفية انتقال مشروع **Machine Learning** من بيانات خام إلى نموذج قابل للاستخدام داخل تطبيق فعلي. لا يقتصر النجاح على تدريب خوارزمية تحقق نتيجة جيدة، بل يشمل **جودة تجهيز البيانات، وصحة التقييم، وسلامة الربط بين النموذج والواجهة البرمجية، وإمكانية إعادة تشغيل المشروع**.

> [!success] الرسالة الأساسية
> **AI Engineering لا يعني تدريب النموذج فقط؛ بل يعني تحويله إلى جزء موثوق وقابل للتشغيل ضمن منتج برمجي.**
