اكتشاف طرق التعلم غير الخاضع للإشراف باستخدام Python
تتيح هذه الدورة اكتشاف طرق التعلم غير الخاضع للإشراف باستخدام Python. وهي تساعد على فهم خوارزميات التجميع، وتقليل الأبعاد، وتحديد البنى الخفية في البيانات. ومن خلال أمثلة تطبيقية
أنشئ حسابك المجاني
كيف تسير الدورة التدريبية
كل درس نص منظّم، مدعَّم بأمثلة ومخططات، ويتبعه اختبار قصير يُصحَّح تلقائيًا. تتقدّم وفق وتيرتك، وتبقى ملاحظاتك مرتبطة بالدرس الذي دوّنتها فيه.
-
اكتساب فهم متين لـالمبادئ الأساسية للتعلم غير الخاضع للإشراف
-
فهم طريقة عمل أهم خوارزميات التجميع وتقليص الأبعاد
-
معرفة كيفية تطبيق طرق التعلم غير الخاضع للإشراف باستخدام Python لتحليل مجموعات البيانات
-
تعلّم تحديد المجموعات والاتجاهات والبنى الخفية ضمن البيانات
-
تنمية القدرة على تفسير النتائج واختيار الطرق المناسبة للإشكاليات المرتبطة بتحليل البيانات
-
محلل بيانات: جمع البيانات ومعالجتها وتحليلها لتحديد الاتجاهات وتسهيل اتخاذ القرار.
-
عالم بيانات: تصميم وتطبيق الأساليب الإحصائية وخوارزميات التعلم الآلي لاستخراج المعلومات ذات الصلة.
-
مهندس في التعلم الآلي: تطوير نماذج التعلم الآلي وتحسينها بما يتناسب مع احتياجات المؤسسات.
-
محلل الذكاء الاصطناعي: دراسة البيانات واستخدام الطرق الخوارزمية لحل المشكلات المعقدة.
-
مستشار في علم البيانات: مرافقة الشركات في اختيار طرق تحليل البيانات وتطبيقها.
-
متخصص في تجزئة البيانات: تحديد مجموعات متجانسة بمساعدة خوارزميات التجميع.
-
محلل كشف الشذوذ: رصد السلوكيات غير المعتادة أو البيانات الشاذة في مجموعات بيانات مختلفة.
-
مطور Python موجّه نحو البيانات: إنشاء نصوص برمجية وأدوات لإعداد البيانات وتحليلها واستغلالها.
-
مكلف بالدراسات الإحصائية: استكشاف مجموعات البيانات وتفسير النتائج للإجابة عن إشكاليات محددة.
إمكانية الوصول

إذا كنتم في وضعية إعاقة وترغبون في متابعة تكوين معنا، فالبريد الإلكتروني التالي مخصص لكم: contact@datagoz.com . لأي وضع آخر، لا تتردّدوا في الاتصال بنا لتقييم كيفية ضمان تجربة تعلّم.
كيف أمول تكويني؟
شهادة الإتمام: في نهاية هذه الدورة، تُسلَّم لك شهادة إتمام DATAGOZ، باسمك وقابلة للتحقق منها عبر الإنترنت.
يتمنى لكم فريق DATAGOZ تكويناً مثمراً!
6 فصول، 54 درسًا
- 2. التعلم غير الخاضع للإشرافمفتوح
- 2. تحديد العدد الأمثل للمجموعاتمفتوح
- 2. تجميع النقاط في بعدينمفتوح
- 2. تحليل نتائج التجميعمفتوح
- 2. قياس جودة المجموعات الناتجةمفتوح
- 2. اختيار عدد المجموعات للبذورمفتوح
- 2. تقييم المجموعات المشكّلة انطلاقًا من البذورمفتوح
- 2. تحضير المتغيرات للحصول على تجميعات أفضلمفتوح
- 2. توحيد بيانات الأسماك قبل التجميعمفتوح
- 2. تحديد مجموعات بين الأسماكمفتوح
- 2. تصنيف الأسهم في مجموعات باستخدام K-meansمفتوح
- 2. تحديد الأسهم ذات التطورات المتشابهةمفتوح
- 3. تصوّر البنى الهرمية للبياناتالمشتركون
- 3. تحديد عدد عمليات الدمج اللازمةالمشتركون
- 3. تجميع بيانات البذور بالتصنيف الهرميالمشتركون
- 3. تحليل العلاقات الهرمية بين الإجراءاتالمشتركون
- 3. إسناد تسميات إلى المجموعات الناتجة عن التجميع الهرميالمشتركون
- 3. تحديد مجموعات البيانات الأقرب بعضها إلى بعضالمشتركون
- 3. مقارنة التجميعات الهرمية وفقًا لطرق الربطالمشتركون
- 3. دراسة التجميعات على مستويات مختلفة من الهرمالمشتركون
- 3. استخراج تسميات المجموعات المكوَّنةالمشتركون
- 3. إسقاط البيانات في بُعدين باستخدام t-SNEالمشتركون
- 3. تصوّر بيانات الحبوب باستخدام t-SNEالمشتركون
- 3. رسم خريطة التشابهات بين الأسهم باستخدام t-SNEالمشتركون
- 4. تصوّر آلية عمل تحليل المكونات الرئيسية (PCA)المشتركون
- 4. تحديد الارتباطات الطبيعية بين البياناتالمشتركون
- 4. إزالة الارتباط بين قياسات البذور باستخدام PCAالمشتركون
- 4. تحديد المكونات الرئيسيةالمشتركون
- 4. تحديد البعد الداخلي للبياناتالمشتركون
- 4. تحليل دور المكون الرئيسي الأولالمشتركون
- 4. دراسة التباين المفسَّر بواسطة مكونات PCAالمشتركون
- 4. تقدير البعد الداخلي للبيانات المتعلقة بالأسماكالمشتركون
- 4. تقليل عدد الأبعاد باستخدام PCAالمشتركون
- 4. تبسيط قياسات الأسماك بفضل تقليل الأبعادالمشتركون
- 4. تمثيل الكلمات باستخدام درجات TF-IDFالمشتركون
- 4. تجميع مقالات ويكيبيديا، الجزء الأولالمشتركون
- 4. متابعة تجميع مقالات ويكيبيديا، الجزء الثانيالمشتركون
- 5. اكتشاف تحليل المصفوفات غير السالبة (NMF)المشتركون
- 5. تحديد البيانات المكوّنة من قيم غير سالبةالمشتركون
- 5. تطبيق NMF على مقالات ويكيبيدياالمشتركون
- 5. استخراج الخصائص من مقالات ويكيبيديا باستخدام NMFالمشتركون
- 5. إعادة بناء البيانات انطلاقًا من مكوّنات NMFالمشتركون
- 5. تفكيك البيانات إلى عناصر قابلة للتفسير باستخدام NMFالمشتركون
- 5. تحديد مواضيع المستندات باستخدام NMFالمشتركون
- 5. استكشاف مجموعة بيانات الأرقام الممثلة بمصابيح LEDالمشتركون
- 5. استخراج مكوّنات الصور باستخدام NMFالمشتركون
- 5. فهم سبب عجز تحليل المكونات الرئيسية (ACP) عن تحديد أجزاء متمايزةالمشتركون
- 5. إنشاء أنظمة توصية باستخدام NMFالمشتركون
- 5. العثور على مقالات مشابهة لمقال كريستيانو رونالدوالمشتركون
- 5. توصية الفنانين الموسيقيين، الجزء الأولالمشتركون
- 5. تحسين توصيات الفنانين الموسيقيين، الجزء الثانيالمشتركون
- 5. مراجعة شاملة لطرق اكتشاف الميزات القابلة للتفسيرالمشتركون
كل ما يرافق الدروس
Combien de temps, selon votre disponibilité
ما الذي تحصلون عليه في نهاية الدورة
عندما ينتهي الدورة، تُسلَّم لك شهادة الحضور باسمك. ويتيح رمزها لأي مسؤول توظيف التحقق منها في بضع ثوانٍ.
هذه الشهادة ليست دبلومًا ولا شهادة مهنية معتمدة؛ بل هي دليل قابل للتحقق على أنك تابعت هذه الدورة واجتزتها بنجاح.
من يكتب هذه الدورة
بيداغوجيا واضحة ومطبّقة، مع أمثلة ملموسة لتتعلّم بفعالية.
قبل أن تبدأ
ابدأ هذه الدورة اليوم
13 درسًا مفتوحًا، دون بطاقة بنكية. سترى المستوى والأسلوب قبل أن تقرر.