بناء النماذج 3 ساعات8 مهام تسليم

حوّل البيانات إلى تطبيقتعلم الآلة من الأساسيات إلى المنتج

ابدأ بالبيانات، قارن النماذج، ثم قدّم التنبؤ عبر API وواجهة تفاعلية ضمن مشروع تعليمي متكامل.

Scikit-learnXGBoostFastAPIStreamlit
02
ماذا ستبني؟

Employee Attrition Predictor

نموذج تعلم آلة يمكن تشغيله وتجربته.

ماذا ستتعلم في هذه الجلسة؟

التمييز بين مشكلات Regression وClassification.
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.

تعمّق قبل الجلسة وبعدها

4 فيديو مختار
3 كورس

كيف تتقدم في التطبيق؟

  1. 01

    البيانات وEDA

  2. 02

    التدريب والتقييم

  3. 03

    FastAPI وStreamlit

  4. 04

    التغليف بـDocker

أسئلة الجلسة وإجاباتها

كيف نحول نموذج تعلم آلة إلى تطبيق؟+

نجهز البيانات ونقسمها، ندرب النموذج ونقيمه، ثم نحفظه مع المعالجة المسبقة ونقدمه عبر FastAPI وواجهة Streamlit مع تغليف التشغيل باستخدام Docker.

لماذا لا تكفي Accuracy لتقييم النموذج؟+

قد تخفي اختلال الفئات وتكلفة الأخطاء. تراجع الجلسة Precision وRecall وF1 وConfusion Matrix، مع تقييم على بيانات منفصلة.

هل مشروع توقع مغادرة الموظفين مناسب لقرارات التوظيف؟+

لا. المثال تعليمي على بيانات عامة مناسبة أو اصطناعية، ولا يستخدم لاتخاذ قرارات توظيف أو فصل أو تقييم موظفين حقيقيين.

مشروع تعليمي

تطبيق توقع مغادرة الموظفين للتعلم على بيانات عامة أو اصطناعية. لا يُستخدم لاتخاذ قرارات توظيف أو فصل أو تقييم موظفين حقيقيين.

فيديوهات مختارة

شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.

StatQuest with Josh Starmer

XGBoost Part 1 (of 4): Regression

يبسّط آلية عمل XGBoost خطوة بخطوة قبل استخدامه في مشروع التنبؤ.

متوسط

كورسات للتعمّق

مسارات أطول لمن يريد بناء الأساس بعد الجلسة.

Google for Developers

Machine Learning Crash Course

دورة Google المجانية المحدّثة بتمارين تفاعلية لأساسيات تعلم الآلة وتقييم النماذج.

مجانيEnglish
Kaggle Learn

Intermediate Machine Learning

دروس عملية على دفاتر جاهزة: القيم المفقودة والـ Pipelines وXGBoost وتسرّب البيانات.

مجانيEnglish
DeepLearning.AI & Stanford / Coursera

Machine Learning Specialization (Andrew Ng)

التخصص الأشهر لأساسيات تعلم الآلة؛ الشهادة مدفوعة وقد يتاح جزء من المحتوى مجاناً.

مدفوع / تجربةEnglish

روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.

المنهج الكامل · دون اختصارتنزيل المصدر
فهرس محتوى الجلسة

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.

مخرجات التعلّم#

بنهاية الجلسة، يُتوقع أن يصبح الطالب قادرًا على:

  • التمييز بين مشكلات Regression وClassification.
  • 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#

المفهومالشرحمثال
Regressionالتنبؤ بقيمة رقمية مستمرة.توقع استهلاك الطاقة.
Classificationإسناد 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.

3. النماذج والخوارزميات#

الخوارزميةالفكرة الأساسية
Random Forestتجميع تنبؤات عدد من أشجار القرار لتحسين الاستقرار والأداء.
XGBoostنموذج 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.

المشروع العملي: Employee Attrition Predictor#

فكرة المشروع#

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

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


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#

🔗 مراجع تقنية#


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.

حوّل التعلّم إلى إنجاز.

مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.

0 / 8

مهامي الخاصة 0

أفكارك تستحق أن تُحفظ.

دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.

ما الذي تريد تعلّمه؟

بحث في محتوى الجلسات العشر. استخدم Esc للإغلاق.