دورة مكثّفة في تعلّم الآلة
ابنِ نماذج تعلّم آلة صادقة، واختبرها وأطلقها باستخدام scikit-learn.
- 4.9 (1,090 تقييمًا)
- 9,600 متعلّم
- متوسط
- 7 س 25 د إجمالًا
- حُدّثت في أغسطس 2026
ما ستتعلّمه
- صياغة سؤال عملي كمسألة تعلّم موجَّه
- تدريب النماذج ومقارنتها بـ fit وpredict وscore
- اختيار مقاييس تناسب كلفة كل نوع من الأخطاء
- بناء pipelines خالية من التسرّب بـ ColumnTransformer والتحقق المتقاطع
- ضبط الـ hyperparameters وهندسة features ترفع النتيجة
- فحص النموذج بحثًا عن الانحياز ومراقبة الانجراف وإطلاقه خلف API
لمن هذه الدورة
تتوقف معظم دروس تعلّم الآلة عند رقم accuracy مرتفع. أما هذه الدورة فتبدأ من حيث تبدأ المشاريع الحقيقية: سؤال عملي من الإدارة، وجدول بيانات غير مرتّب، وخط أساس (baseline) يجب على أي نموذج أن يتفوّق عليه. ستتنبأ بعملاء متجر Cartwheel الإلكتروني الذين سيتوقفون عن الشراء، وستتعلّم الانحدار والتصنيف والأشجار والنماذج المجمّعة والشبكات العصبية ببنائها بنفسك في scikit-learn.
كل فكرة تأتي مع رسم توضيحي، وبضعة أسطر من الكود تشغّلها في المتصفّح، ووقفة عند ما تعنيه الأرقام فعلًا. ستكتسب العادات التي تفرّق بين عرض تجريبي ونموذج يثق به الناس: التحقق المتقاطع، والـ pipelines، وتعقّب تسرّب البيانات، واختيار العتبات، وفحص الإنصاف، والمراقبة بعد الإطلاق. الرياضيات تُعرض بالكود والرسوم، لا بصفحات من الرموز.
- لمن هذه الدورة
- محلّلو البيانات والمطوّرون الذين يعرفون شيئًا من Python وpandas ويريدون بناء نماذج تعلّم آلة يستطيعون الدفاع عنها.
- قبل أن تبدأ
- أساسيات Python وpandas: تحميل ملف CSV واختيار الأعمدة وتصفية الصفوف. لا رياضيات أبعد من جبر المدرسة.
تدريب عملي
- تمارين موجَّهة: اكتشف الخطأ، وأكمل الأمر، ورتّب الخطوات.
- شغّل Python وpandas حقيقيين في متصفّحك، بلا تثبيت.
محتوى الدورة
5 وحدات · 23 درسًا · 7 س 25 د إجمالًا
- التعلّم من الأمثلة14 دقيقة
- سير العمل وتقسيم بيانات التدريب والاختبار18 دقيقة
- النماذج في scikit-learn: fit وpredict وscore18 دقيقة
- خطوط الأساس: النموذج الذي يجب التغلّب عليه17 دقيقة
- اختبار الوحدة5 أسئلة
- الانحدار الخطي ومقاييسه22 دقيقة
- كيف تتعلّم النماذج: دالة الخسارة والـ Gradient Descent22 دقيقة
- الـ Polynomial Features والإفراط في التوافق20 دقيقة
- الـ Regularization باستخدام Ridge وLasso20 دقيقة
- اختبار الوحدة5 أسئلة
- الانحدار اللوجستي: التنبؤ بالاحتمالات20 دقيقة
- أشجار القرار18 دقيقة
- الغابات العشوائية والـ Gradient Boosting20 دقيقة
- مقاييس التصنيف أبعد من الـ Accuracy22 دقيقة
- العتبات وعدم توازن الفئات20 دقيقة
- اختبار الوحدة5 أسئلة
- التحقق المتقاطع18 دقيقة
- الـ Pipelines وColumnTransformer22 دقيقة
- البحث عن الـ Hyperparameters20 دقيقة
- تسرّب البيانات18 دقيقة
- هندسة الـ Features للتنبؤ بانقطاع العملاء20 دقيقة
- اختبار الوحدة5 أسئلة
- العنقدة وPCA21 دقيقة
- الشبكات العصبية والتعلّم العميق20 دقيقة
- أين تقع النماذج اللغوية الكبيرة والـ Embeddings17 دقيقة
- تعلّم الآلة المسؤول: الانحياز والإنصاف والانجراف20 دقيقة
- إطلاق النموذج18 دقيقة
- اختبار الوحدة5 أسئلة
مدرّبك
ليام باتيل
قائد فريق علم البيانات · Datawheel
- تقييم المدرّب 4.7
- 32,900 متعلّم
- 3 دورات
بدأ ليام محلّلًا للأعمال، ثم ملّ من نسخ الأرقام بين جداول البيانات، فتعلّم SQL ثم Python ثم ما يكفي من الإحصاء ليعرف متى يكذب الرسم البياني. يقود اليوم في Datawheel الفريق الذي يبني نماذج التنبؤ بالمبيعات وتوقّف العملاء لعملاء في قطاع التجزئة.
ماذا يقول المتعلّمون
4.9
1,090 تقييم
Dina Mostafa
قبل 7 أشهر
كشف درس تسرّب البيانات (data leakage) خطأً ظللت أرتكبه عامًا كاملًا: تطبيع البيانات قبل تقسيمها إلى تدريب واختبار. انخفضت الـ accuracy عندي، لكنها صارت لأول مرة تعني شيئًا.
Rafael Costa
قبل 4 أشهر
بناء نموذج للتنبؤ بتوقّف العملاء (churn) باستخدام Pipeline في scikit-learn، ثم شرح الفرق بين precision وrecall لفريق تسويق افتراضي، هو أكثر تمرين عملي في تعلّم الآلة مررت به.
Mei Lin
قبل شهرين
بناء حدس ممتاز لأشجار القرار والـ regularization والـ cross-validation. الشبكات العصبية تحظى بلمحة قصيرة فقط، فلا تأتِ متوقعًا دورة في التعلّم العميق (deep learning).