منذ سنة
أهلا بك عزيزي المتابع لموقع (Journey of Learn) نقدم دورات مجانيه 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 :
تسلط دورة الدبلوم هذه في التعلم الآلي باستخدام Python الضوء على الفوائد العديدة التي تتمتع بها Python ضمن أطر الذكاء الاصطناعي (AI). التعلم الآلي هو فرع محدد من التعلم الاصطناعي المرتبط بعلوم الكمبيوتر. يتعلق الأمر بجعل التطبيقات البرمجية تتنبأ بالنتائج بشكل أكثر دقة دون أي برمجة صريحة مسبقة. يوفر لأجهزة الكمبيوتر القدرة على التعلم دون أن تكون مبرمجة بشكل واضح. ستغطي هذه الدورة نوعين من التعلم الآلي: تحت الإشراف وغير خاضع للإشراف. يعد الانحدار الخطي المستخدم في حل مشكلة الانحدار مثالًا ممتازًا للتعلم الآلي الخاضع للإشراف. من ناحية أخرى ، يعد تسليط الضوء على مجموعات العملاء المختلفة لوضع استراتيجية للتسويق مثالًا عمليًا على التعلم غير الخاضع للإشراف. ضمن هذين النوعين من التعلم الآلي ، تعتمد النماذج المختلفة على الغرض الذي ترغب في تحقيقه. على سبيل المثال ، هناك نماذج بارامترية وغير بارامترية ، كما تم تناولها في هذه الدورة. أثناء العمل من خلال المحتوى ، سترى أنك تلجأ إلى نموذج حدودي عندما تعرف بدقة النموذج الذي يناسب البيانات. على العكس من ذلك ، في نموذج غير معلمي ، توجهك البيانات إلى الشكل الذي يجب أن يبدو عليه الانحدار. على سبيل المثال ، مفتاح أقرب جيران (KNN) هو طريقة غير بارامترية تستخدمها للتصنيف والانحدار. أدت KNN إلى مجموعة متنوعة من التطبيقات ، لا سيما في تعدين النصوص والزراعة والتمويل. كما هو الحال مع أي نظام نمذجة ، فإن KNN لها مزاياها وعيوبها. ستلاحظ أن KNN سهل الشرح وسهل الفهم وقوي للغاية. علاوة على ذلك ، لا تتطلب KNN أي افتراضات بشأن توزيع البيانات ولا تطلب أي معرفة مسبقة. ومع ذلك ، فإن كفاءة الخوارزمية تنخفض بسرعة كبيرة مع نمو مجموعة البيانات. علاوة على ذلك ، لا يمكن لـ KNN العمل إذا كان هناك أي قيم مفقودة. موضوع مهم آخر تم تناوله هو استخدام الخوارزميات. سيتم فحص العديد من الخوارزميات ، ولكل منها ، كنماذج ، مزاياها وعيوبها. في هذه الدورة ، يتم تعليمك عن الغابة العشوائية. إنها خوارزمية تعبئة معدلة قليلاً ، وهي عبارة عن مجموعة من شجرة القرار ذات الصلة بالديكور. يتم استخدام الغابة العشوائية لأنها تعمل بشكل جيد مع البيانات غير الخطية ، وتقلل من مخاطر التجهيز الزائد وتعمل بكفاءة على مجموعات البيانات الكبيرة. على العكس من ذلك ، فهو متحيز أثناء التعامل مع المتغيرات الفئوية. وبالتالي ، فهي بعيدة كل البعد عن كونها مناسبة للطرق الخطية مع الكثير من الميزات المتفرقة. طرق أخرى ، مثل النماذج والخوارزميات ذات الصلة ، باستخدام Python كلغة برمجة خلفية ، يتم البحث فيها أيضًا. تعد هذه الدورة بمثابة مكسب غير متوقع لطلاب علوم الكمبيوتر والمهنيين الذين هم بالفعل على دراية ببايثون ويرغبون في أن يصبحوا خبيرين في مجال التعلم الآلي. ابدأ الدورة الآن
عند الانتهاء بنجاح من هذه الدورة ، سوف تكون قادرًا على:
- تحديد التعلم الآلي
- شرح تحجيم الميزات وتنظيف البيانات
- هندسة ميزات المخطط التفصيلي
- التمييز بين النماذج البارامترية وغير البارامترية
- ناقش تحليل البيانات الاستكشافية في مجموعة بيانات Iris
- المتغيرات الفئوية المتناقضة مع المتغيرات العددية
- شرح أشجار القرار والتنفيذ
- تحديد التعلم الجماعي
- مخطط أخذ عينات تمهيد التشغيل
- قارن الهوامش الصلبة لـ SVM (آلات المتجهات الداعمة) بهامش SVM الناعم
- ضع قائمة بالعيوب المختلفة لـ PCA (تحليل المكونات الرئيسية)
- استدعاء التطبيقات الرئيسية لـ PCA
ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة تعليمية:
(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)
