Start a conversation ↗

الوصف

التعلّم الآلي (Machine Learning) بلغة Python: تجهيز البيانات وتدريب النموذج وتقييمه

ابنِ أول نموذج تنبؤي متكامل وكُن قادرًا على الحكم بموضوعية على مدى موثوقيته

  • 1 يوم — 7 ساعة
  • حضوري أو عن بُعد
  • متقدم
  • حتى 6 مشاركين

الانتقال من التحليل الوصفي إلى التنبؤ يصطدم عادةً بالعقبات نفسها: بيانات غير مجهّزة بشكل سليم، ونموذج يُدرَّب ويُختبر على الصفوف نفسها، ونسبة دقة (Accuracy) مضللة عند وجود متغير هدف غير متوازن، وغياب فهم حقيقي لما تعلّمه النموذج فعلاً. الشيفرة تعمل، لكن التنبؤ لا يصمد في بيئة التشغيل.

يتناول هذا البرنامج الذي تمتد مدته إلى سبع ساعات السلسلة الكاملة على مجموعة بيانات حقيقية باستخدام Python وscikit-learn: تجهيز الخصائص (Features)، وتقسيم العيّنات، وتدريب نماذج التصنيف والانحدار، ثم التقييم المستند إلى الأدلة. ويخرج كل مشارك بدفتر شيفرة (Notebook) قابل لإعادة الاستخدام.

أهداف التعلّم

  • تجهيز مجموعة بيانات للتعلّم الخاضع للإشراف (Supervised Learning)
  • تقسيم عيّنات التدريب والاختبار وتبرير المنهجية المختارة
  • تدريب نموذج تصنيف ونموذج انحدار باستخدام scikit-learn
  • اختيار مقاييس التقييم الملائمة للمشكلة المطروحة
  • تشخيص الإفراط في المطابقة (Overfitting) وضبط معاملات النموذج
  • عرض النتائج وحدود النموذج على جمهور غير تقني

ما الذي يميّز هذا البرنامج

مجموعة بيانات حقيقية واحدة ترافق اليوم التدريبي بأكمله من التجهيز إلى التقييم
استعراض مباشر داخل الشيفرة لمأزق مقياس الدقة على البيانات غير المتوازنة
يخرج كل مشارك بدفتر Python موثّق بالملاحظات وقابل للتكييف مع بياناته الخاصة

البرنامج

1تجهيز البيانات وتأطير المشكلة

لا يعوّض النموذج أبدًا عن بيانات سيئة التجهيز

  • تأطير المشكلة كمسألة تصنيف أو انحدار
  • معالجة القيم المفقودة والقيم الشاذة
  • ترميز المتغيرات الفئوية وتوحيد مقاييس الخصائص الرقمية
  • تقسيم مجموعتي التدريب والاختبار دون تسرّب للبيانات (Data Leakage)
  • بناء نموذج مرجعي بسيط (Baseline) يُستخدم كنقطة مقارنة

2تدريب نماذجك الأولى

الخوارزميات البسيطة قبل النماذج المركّبة

  • تدريب نموذج انحدار خطي ونموذج انحدار لوجستي
  • استخدام شجرة القرار والغابة العشوائية (Random Forest)
  • فهم أثر المعاملات الفائقة (Hyperparameters) الرئيسية
  • تنظيم خطوات المعالجة في مسار عمل (Pipeline) قابل للتكرار
  • مقارنة النماذج على التقسيم نفسه للبيانات

3التقييم والتشخيص وعرض النتائج

أن تعرف القيمة الحقيقية لتنبؤك

  • الاختيار بين الدقة (Accuracy) والإحكام (Precision) والاستدعاء (Recall) والخطأ التربيعي وفقًا للهدف
  • قراءة مصفوفة الالتباس (Confusion Matrix) ومنحنى الأداء
  • استخدام التحقق المتقاطع (Cross-Validation) لتثبيت التقييم
  • تحديد الإفراط في المطابقة ومعالجته
  • تفسير المتغيرات المؤثرة وحدود النموذج

لمن هذا البرنامج

محللو البيانات والإحصائيون والمطوّرون ومسؤولو الرقابة الإدارية الراغبون في بناء أول نماذجهم التنبؤية.

المتطلبات المسبقة

القدرة على كتابة نص برمجي بلغة Python والتعامل مع جدول بيانات باستخدام pandas

المواعيد والمواقع

36 موعدًا مجدولًا بين نوفمبر 2026 وديسمبر 2027. تُؤكَّد المقاعد حسب ترتيب ورود الطلبات.

نوفمبر 2026

ديسمبر 2026

يناير 2027

فبراير 2027

مارس 2027

أبريل 2027

مايو 2027

يونيو 2027

سبتمبر 2027

أكتوبر 2027

نوفمبر 2027

ديسمبر 2027

لا يناسبكم أيٌّ من هذه المواعيد؟ نفتح دورات إضافية عند الطلب، ويمكن تنفيذ أي برنامج بشكل خاص لفريقكم.

التفاصيل العملية

قبل البرنامج
استبيان تحديد المستوى عبر الإنترنت. تُرسَل أهداف التطوير الخاصة بك إلى المدرب الذي يكيّف الحالات التطبيقية بما يتناسب مع بيئة عملك.
أساليب التدريب
مفاهيم نظرية وورش عمل وحالات تطبيقية. تُقدَّم مواد تدريبية رقمية وبطاقات منهجية.
التقييم
أسئلة اختيار من متعدد وتمارين محاكاة واقعية. تقييم المكتسبات في بداية البرنامج ونهايته، مع تقييم فوري وآخر بعد 60 يومًا.
بعد البرنامج
سنة كاملة من الوصول إلى منصة التعلم الإلكتروني. تقييم ذاتي للمهارات المكتسبة وجلسة متابعة بعد 30 يومًا مع المدرب.
طريقة التسجيل
التسجيل إلكترونيًا أو بناءً على عرض سعر.
مهلة الالتحاق
11 يوم عمل بعد تأكيد التسجيل.
إمكانية الوصول
البرنامج متاح لأصحاب الهمم (أصحاب الاحتياجات الخاصة). يُرجى التواصل مع مسؤول الدعم والتهيئة لدينا لتصميم حل مناسب لاحتياجاتكم: contact@mpf-academy.ae
مواعيد البدء
التحاق مستمر: إضافةً إلى الدورات المجدولة، يمكن بدء هذا البرنامج عند الطلب.