Start a conversation ↗

الوصف

التعلّم الآلي باستخدام Python وScikit-learn: التحضير والتدريب والتقييم

بناء أول نموذج تنبؤي قابل للاستخدام على بيانات مصرفية وتأمينية

  • 2 أيام — 14 ساعة
  • حضوري أو عن بُعد
  • أساسي
  • حتى 6 مشاركين

تتوفر لدى الفرق بيانات وفيرة وأدوات في متناول اليد، ومع ذلك يتعثر الانتقال إلى نموذج تنبؤي فعّال. فتُحضَّر البيانات يدويًا، ويُقيَّم النموذج على السجلات نفسها التي دُرِّب عليها، ثم تتراجع النتائج بمجرد وصول النموذج إلى بيئة التشغيل.

يرسي هذان اليومان أساسيات التعلّم الآلي (Machine Learning) باستخدام Python وScikit-learn. يقوم المشاركون بتحضير مجموعة بيانات، وتدريب نماذج الانحدار والتصنيف، وتقييم الأداء بصورة صادقة، وبناء مسار عمل (Pipeline) قابل للتكرار. وتُستمد الأمثلة من التصنيف الائتماني (Credit Scoring) وكشف الحالات الشاذة.

أهداف التعلّم

  • تحضير مجموعة بيانات جدولية باستخدام pandas جاهزة لتدريب النماذج
  • تدريب نماذج الانحدار والتصنيف باستخدام Scikit-learn
  • تقييم النموذج بمقاييس ملائمة لطبيعة المسألة
  • كشف الإفراط في المطابقة (Overfitting) وإرساء التحقق المتقاطع (Cross-validation)
  • بناء مسار عمل قابل للتكرار من البيانات الأولية إلى النتيجة النهائية

ما الذي يميّز هذا البرنامج

يُنفَّذ العمل على مجموعة بيانات للتصنيف الائتماني من التحميل الأول حتى التقييم
تُستعرض مزالق التقييم بشكل مباشر على نماذج مضلِّلة بشكل مقصود
يخرج كل مشارك بدفتر أكواد (Notebook) كامل ومشروح

البرنامج

1البيانات والتحضير

العمل الذي يحدد كل ما يليه

  • تحميل مجموعة بيانات واستكشافها باستخدام pandas
  • معالجة القيم المفقودة والقيم الشاذة
  • ترميز المتغيرات الفئوية وتوحيد مقاييس السمات
  • تقسيم البيانات إلى مجموعتي تدريب واختبار
  • تسرّب البيانات (Data Leakage) والاحتياطات عند بناء السمات

2النماذج الخاضعة للإشراف

التنبؤ بقيمة أو بفئة

  • الانحدار الخطي والانحدار المنظَّم (Regularised Regression)
  • الانحدار اللوجستي وتفسير المعاملات
  • أشجار القرار والغابات العشوائية (Random Forests)
  • أساليب Bagging وBoosting
  • اختيار النموذج وفق قيود قابلية التفسير

3التقييم والتحقق

تجنّب الثقة الزائفة في الأداء

  • مقاييس الانحدار ومقاييس التصنيف
  • مصفوفة الالتباس والموازنة بين أنواع الأخطاء
  • منحنيات الأداء واختيار حد القرار
  • التحقق المتقاطع (Cross-validation) واستقرار النتائج
  • معالجة الفئات غير المتوازنة

4مسار العمل والنشر

جعل النتائج قابلة للتكرار

  • بناء مسار عمل للتحويل والتدريب
  • البحث عن المعاملات الفائقة بالشبكة والتحقق
  • حفظ النموذج ومجموعة التحويلات
  • مراقبة انحراف البيانات (Data Drift) بمرور الوقت
  • عرض النتائج على جمهور غير تقني

لمن هذا البرنامج

المحللون والاكتواريون ومسؤولو الدراسات ومراقبو المخاطر ومهنيو تقنية المعلومات في القطاع المصرفي أو التأمين الراغبون في البدء بالتعلّم الآلي.

المتطلبات المسبقة

القدرة على كتابة وتشغيل نص برمجي بسيط بلغة Python والتعامل مع البيانات الجدولية.

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.