Data Science Feature Engineering - Practice Questions 2026

أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :

غالبًا ما يكون إتقان هندسة الميزات هو الفرق بين النموذج المتوسط ​​والنموذج عالي الأداء. تم تصميم هذه الدورة، هندسة ميزات علوم البيانات - أسئلة الممارسة 2026، خصيصًا لسد الفجوة بين المعرفة النظرية والتطبيق العملي. سواء كنت تستعد لمقابلة فنية أو للحصول على شهادة، توفر هذه الاختبارات بيئة صارمة لاختبار مهاراتك. لماذا يختار المتعلمون الجادون هذه الاختبارات التدريبية يختار المتعلمون الجادون هذه الدورة لأنها تتجاوز الأسئلة البسيطة القائمة على التعريف. نحن نركز على "لماذا" و"كيف" تحويلات البيانات. في عام 2026، سينتشر التعلم الآلي الآلي (AutoML)، لكن القدرة على هندسة الميزات المفيدة يدويًا تظل المهارة الأكثر طلبًا لكبار علماء البيانات. تضمن لك هذه الاختبارات التدريبية فهم الحدس الرياضي وراء التحويلات وعواقب اختياراتك الهندسية على أنواع النماذج المختلفة. هيكل الدورة ينقسم المنهج الدراسي إلى ستة مستويات متميزة لضمان التقدم المنطقي للصعوبة.

• الأساسيات / الأسس: تركز على الخطوات الأولية لتنظيف البيانات والتحويلات البسيطة. سيتم اختبارك في التعامل مع القيم المفقودة، وتحديد أنواع البيانات، وفهم المبادئ الأساسية لجمع البيانات المهملة وإخراج البيانات المهملة.
• المفاهيم الأساسية: تغطي التقنيات الأساسية مثل One-Hot Encoding مقابل Label Encoding، والقياس القياسي، والتطبيع بالحد الأدنى. يضمن هذا القسم معرفة التقنيات المناسبة للنماذج الخطية مقابل النماذج المستندة إلى الشجرة.
• المفاهيم المتوسطة: تتعمق في العمليات الأكثر تعقيدًا مثل التعامل مع المتغيرات الفئوية ذات الأعداد العالية، والتجميع، والميزات متعددة الحدود. ويغطي أيضًا معالجة النص الأساسية واستخراج ميزات التاريخ والوقت.
• المفاهيم المتقدمة: يستكشف التقنيات المتطورة بما في ذلك تشفير الهدف ووزن الأدلة (WoE) وطرق تقليل الأبعاد مثل PCA أو t-SNE المستخدمة خصيصًا لإنشاء الميزات.
• سيناريوهات العالم الحقيقي: تقدم مجموعات بيانات فوضوية وواقعية. يجب عليك أن تقرر كيفية التعامل مع القيم المتطرفة في البيانات المالية، والتعامل مع تسرب البيانات في التنبؤ بالسلاسل الزمنية، وهندسة الميزات للتصنيف غير المتوازن.
• المراجعة المختلطة / الاختبار النهائي: محاكاة شاملة للامتحان المهني أو بيئة المقابلة. يتم خلط الأسئلة من جميع الفئات السابقة لاختبار قدرتك على تبديل السياقات بسرعة.

نموذج لأسئلة التدريب السؤال 1 أنت تقوم ببناء نموذج شجرة قرارات معززة بالتدرج (GBDT) للتنبؤ بأسعار المنازل. إحدى ميزاتك هي "الجوار"، وهو متغير تصنيفي يشتمل على 150 مستوى فريدًا. أي من الطرق التالية هي الأكثر فعالية بشكل عام لهذا النوع المحدد من النماذج مع تقليل مخاطر لعنة الأبعاد؟

• الخيار 1: تطبيق تشفير واحد سريع على عمود الجوار.
• الخيار 2: تطبيق تشفير الهدف مع التجانس على عمود الجوار.
• الخيار 3: استخدام الحد الأدنى والأقصى على معرفات الجوار.
• الخيار 4: اترك التسميات كما هي أولية السلاسل.
• الخيار 5: إجراء تحليل المكونات الرئيسية (PCA) مباشرة على السلاسل الفئوية.

الإجابة الصحيحة: الخيار 2 شرح الإجابة الصحيحة: يقوم ترميز الهدف بتحويل المستويات الفئوية إلى متوسط المتغير الهدف. بالنسبة للميزات ذات الترابط العالي (150 مستوى) في النماذج المستندة إلى الشجرة، فإن هذا يلتقط العلاقة مع الهدف بكفاءة دون إضافة 150 عمودًا متفرقًا جديدًا. تؤدي إضافة التجانس إلى منع التناسب الزائد للعينات الصغيرة داخل الحي. شرح الإجابات الخاطئة:

• الخيار 1: سيؤدي التشفير السريع الواحد إلى إنشاء 150 عمودًا جديدًا، مما يؤدي إلى أبعاد عالية وبيانات متفرقة، مما قد يؤدي إلى إبطاء تدريب GBDT ومن المحتمل أن يؤدي إلى التجهيز الزائد.
• الخيار 3: القياس مخصص للقيم الرقمية. إن معاملة المعرفات الفئوية كأرقام مستمرة يعني وجود علاقة ترتيبية خاطئة (على سبيل المثال، الجوار 150 "أكبر" من الجوار 1).
• الخيار 4: لا تستطيع معظم مكتبات التعلم الآلي معالجة السلاسل الأولية؛ يجب تحويلها إلى تنسيق رقمي.
• الخيار 5: تم تصميم PCA للمتغيرات الرقمية المستمرة ولا يمكن تطبيقه مباشرة على السلاسل الفئوية دون تشفير رقمي مسبق.

السؤال 2 عند إجراء تحويل السجل على ميزة تمثل "إجمالي المعاملات" لتقليل الانحراف الأيمن، ما هو السبب الرئيسي لاستخدام $log(x + 1)$ بدلاً من المعيار $log(x)$?

• الخيار 1: للتأكد من أن قيم المخرجات إيجابية دائمًا.
• الخيار 2: للتعامل مع وجود قيم صفرية في مجموعة البيانات.
• الخيار 3: لتسريع حساب التدرج.
• الخيار 4: لجعل الميزة تتبع توزيعًا موحدًا تمامًا.
• الخيار 5: لزيادة وزن القيم المتطرفة.

الإجابة الصحيحة: الخيار 2 شرح الإجابة الصحيحة: الدالة الرياضية $log(0)$ غير محددة ($-\infty$). في بيانات المعاملة، قد تكون العديد من الملاحظات 0. إضافة 1 ($log(1) = 0$) يضمن تعيين جميع نقاط البيانات إلى عدد حقيقي محدود مع الاستمرار في ضغط مقياس القيم الأكبر. شرح الإجابات الخاطئة:

• الخيار 1: يمكن أن تؤدي تحويلات السجل إلى قيم سالبة إذا كان الإدخال بين 0 و1؛ لا يضمن "+1" الإيجابية في جميع السياقات الرياضية، على الرغم من أنه ينطبق على الأعداد الصحيحة غير السالبة.
• الخيار 3: تحويلات السجل لا تغير بطبيعتها سرعة حساب التدرج؛ إنها تغير مشهد الخسارة.
• الخيار 4: تساعد تحويلات السجل على تحقيق توزيع عادي (غاوسي)، وليس توزيعًا موحدًا.
• الخيار 5: تعمل تحويلات السجل في الواقع على تقليل تأثير القيم المتطرفة عن طريق تقريبها من المتوسط.

ميزات الدورة مرحبًا بك في أفضل اختبارات الممارسات لمساعدتك في الاستعداد لهندسة ميزات علوم البيانات.

• يمكنك إعادة إجراء الاختبارات عدة مرات كما تريد .
• هذا بنك أسئلة أصلي ضخم.
• يمكنك الحصول على الدعم من المدربين إذا كانت لديك أسئلة.
• يحتوي كل سؤال على شرح مفصل.
• متوافق مع الهاتف المحمول مع تطبيق Udemy.
• ضمان استرداد الأموال لمدة 30 يومًا إذا لم تكن راضيًا.

نأمل أن تكون مقتنعًا الآن! وهناك الكثير من الأسئلة داخل الدورة.

ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:

(احصل على الدورة للدخول إلى الموقع والتسجيل)

يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)