Machine Learning for Everybody – Full Course
دورة شاملة تشرح خوارزميات التعلم الآلي الأساسية وتطبيقها عملياً ببايثون.
مبتدئابدأ بالبيانات، قارن النماذج، ثم قدّم التنبؤ عبر API وواجهة تفاعلية ضمن مشروع تعليمي متكامل.
نموذج تعلم آلة يمكن تشغيله وتجربته.
نجهز البيانات ونقسمها، ندرب النموذج ونقيمه، ثم نحفظه مع المعالجة المسبقة ونقدمه عبر FastAPI وواجهة Streamlit مع تغليف التشغيل باستخدام Docker.
قد تخفي اختلال الفئات وتكلفة الأخطاء. تراجع الجلسة Precision وRecall وF1 وConfusion Matrix، مع تقييم على بيانات منفصلة.
لا. المثال تعليمي على بيانات عامة مناسبة أو اصطناعية، ولا يستخدم لاتخاذ قرارات توظيف أو فصل أو تقييم موظفين حقيقيين.
تطبيق توقع مغادرة الموظفين للتعلم على بيانات عامة أو اصطناعية. لا يُستخدم لاتخاذ قرارات توظيف أو فصل أو تقييم موظفين حقيقيين.
شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.
دورة شاملة تشرح خوارزميات التعلم الآلي الأساسية وتطبيقها عملياً ببايثون.
مبتدئيبسّط آلية عمل XGBoost خطوة بخطوة قبل استخدامه في مشروع التنبؤ.
متوسطيوضح تحويل النموذج إلى واجهة API بـ FastAPI وتغليفه بـ Docker للنشر.
متوسطدورة عربية مفصّلة تغطي مفاهيم تعلم الآلة وخوارزمياتها مع أكواد بايثون.
مبتدئمسارات أطول لمن يريد بناء الأساس بعد الجلسة.
دورة Google المجانية المحدّثة بتمارين تفاعلية لأساسيات تعلم الآلة وتقييم النماذج.
دروس عملية على دفاتر جاهزة: القيم المفقودة والـ Pipelines وXGBoost وتسرّب البيانات.
التخصص الأشهر لأساسيات تعلم الآلة؛ الشهادة مدفوعة وقد يتاح جزء من المحتوى مجاناً.
روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.
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.
بنهاية الجلسة، يُتوقع أن يصبح الطالب قادرًا على:
| 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. |
| الخوارزمية | الفكرة الأساسية |
|---|---|
| Random Forest | تجميع تنبؤات عدد من أشجار القرار لتحسين الاستقرار والأداء. |
| XGBoost | نموذج تعزيز تدريجي يبني الأشجار بطريقة متتابعة لتحسين الأخطاء. |
تطوير تطبيق تعليمي يُقدّر احتمالية مغادرة الموظف لوظيفته اعتمادًا على خصائص متاحة ضمن مجموعة بيانات مناسبة.
User → Streamlit UI → FastAPI → Preprocessing + Trained Model → Prediction → UI
README.md يحتوي خطوات تشغيل المشروع وملخص نتائجه.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.
مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.
لا توجد مهام تطابق هذا الفلتر.
دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.