الدورة الشاملة: الذكاء الاصطناعي وتعلم الآلة (ML)
الدورة الشاملة: الذكاء الاصطناعي وتعلم الآلة (ML)
رحلة شاملة من القواعد الأساسية للذكاء الاصطناعي إلى خوارزميات تعلم الآلة المتقدمة. تغطي هذه الدورة برمجة Python، والأسس الرياضية، والتعلم الخاضع للإشراف وغير الخاضع للإشراف، والتعلم العميق، والنشر في بيئات العمل الحقيقية. صُممت هذه الدورة للمبتدئين لردم الفجوة بين النظرية والتطبيق العملي باستخدام أدوات قياسية في المجال مثل Scikit-Learn و TensorFlow و Pandas.
الدروس
- مقدمة في الذكاء الاصطناعي
- ما هو تعلم الآلة؟
- تاريخ وتطور الذكاء الاصطناعي
- أنواع تعلم الآلة
- إعداد بيئة عمل Python
- أساسيات Python لعلوم البيانات
- الجبر الخطي: الكميات القياسية والمتجهات
- المصفوفات والموترات (Matrices and Tensors)
- التفاضل والتكامل: المشتقات للتحسين
- الإحصاء: المتوسط والوسيط والمنوال
- أساسيات الاحتمالات للذكاء الاصطناعي
- NumPy: العمل مع البيانات الرقمية
- Pandas: تحليل البيانات بسهولة
- تصوير البيانات باستخدام Matplotlib
- رسوم بيانية متقدمة باستخدام Seaborn
- تنظيف البيانات: التعامل مع القيم المفقودة
- تحليل البيانات الاستكشافي (EDA)
- الانحدار الخطي البسيط
- دالة التكلفة و Gradient Descent
- الانحدار الخطي المتعدد
- تقسيم البيانات (تدريب/اختبار) وتقييم النموذج
- ترميز البيانات الفئوية
- تحجيم الميزات: التقييس مقابل التطبيع
- الانحدار اللوجستي للتصنيف
- شرح دالة الـ Sigmoid
- مصفوفة الارتباك والدقة
- Precision، Recall، و F1-Score
- الجيران الأقرب (KNN)
- أشجار القرار: النظرية
- الاعتلاج (Entropy) وكسب المعلومات
- الغابة العشوائية: التعلم الجماعي
- آلات المتجهات الداعمة (SVM)
- خدعة النواة (Kernel Trick) في SVM
- مصنف نايف بايز (Naive Bayes)
- المقايضة بين الانحياز والتباين
- التنظيم (Regularization): Lasso و Ridge
- ضبط المعلمات الفائقة باستخدام Grid Search
- التحقق المتقاطع (K-Fold Cross-Validation)
- مقدمة في التعلم غير الخاضع للإشراف
- تجميع الوسائل الكيّة (K-Means Clustering)
- طريقة المرفق (The Elbow Method)
- التجميع الهرمي
- DBSCAN: التجميع القائم على الكثافة
- تحليل المكونات الرئيسية (PCA)
- تعلم قواعد الارتباط
- مقدمة في أنظمة التوصية
- التصفية التعاونية مقابل التصفية القائمة على المحتوى
- مقدمة في الشبكات العصبية
- البيرسيبترون: الخلية العصبية الواحدة
- دوال التنشيط: ReLU و Sigmoid
- البيرسيبترون متعدد الطبقات (MLP)
- خوارزمية الانتشار العكسي (Backpropagation)
- دوال الخسارة في التعلم العميق
- المحسنات: SGD و Adam
- فرط التناسب في التعلم العميق
- إسقاط البيانات (Dropout) والتوقف المبكر
- مقدمة في الشبكات العصبية الالتفافية (CNN)
- الـ Pooling والـ Stride في شبكات CNN
- بناء مصنف للصور
- مقدمة في الشبكات العصبية المتكررة (RNN)
- خلايا LSTM و GRU
- أساسيات معالجة اللغات الطبيعية (NLP)
- تمثيل الكلمات (Word Embeddings): Word2Vec
- مشروع تحليل المشاعر
- التعلم بنقل المعرفة (Transfer Learning)
- مقدمة في المحولات (Transformers)
- GANs: الشبكات التنافسية التوليدية
- الأخلاقيات في الذكاء الاصطناعي: الانحياز والعدالة
- نشر النماذج باستخدام Flask
- استخدام Streamlit لتطبيقات البيانات
- مقدمة في MLOps
- مقدمة في التنبؤ بالسلاسل الزمنية
- التعلم التعزيزي: Q-Learning
- تقليل الأبعاد: t-SNE
- تحسين المعلمات الفائقة باستخدام Optuna
- الذكاء الاصطناعي السحابي: مقدمة في AWS SageMaker
- اكتشاف الكائنات مقابل تصنيف الصور
- مقدمة في PyTorch
- توجهات المستقبل: الذكاء الاصطناعي التوليدي و LLMs
- دليل مشروع التخرج النهائي