We may earn an affiliate commission when you visit our partners.
Coursat.ai Dr. Ahmad ElSallab
This course is a comprehensive introduction to AI and Machine Learning, targeting Data Scientists and Machine Learning engineers. It starts with setting the boundaries of Artificial Intelligence, Machine Learning, Deep Learning, and their relation to Data Science. What is expected as a member an AI team, and how to speak the same language. What is possible and what is not, and what defines a good AI project. The basics of supervised learning are covered, including the main ingredients of the Machine Learning problem, and the different solution setups. We cover both Linear models (Linear Regression, Logistic Regression, Support Vector Machines (SVM)) and Non-linear models (Polynomial Regression, Kernel SVM, Deep Neural Networks (DNN)). A universal approach is given to tackle any ML problem in a systematic way, covering data preparation, Exploratory Data Analysis (EDA), Model selection, Model evaluation, Model design, Fine tuning and Regularization. An end-to-end is given to illustrate this process with code in Google Colab Notebooks. We also cover the Machine Learning Meta algorithms and Ensemble methods: Voting, BAGGing, Boosting Decision Trees and Random Forests. Finally, we introduce unsupervised learning, covering dimensionality reduction algorithms, like Manifold Learning like Locally Linear Embedding (LLE) and Projection methods like Principal Component Analysis (PCA) and Clustering, like K-Means. Throughout the course, Python language is used. Popular Machine Learning libraries are used, like scikit-learn, in addition to pandas and keras.
Register for this course and see more details by visiting:
OpenCourser.com/course/yt3ub4/practical
What's inside
Learning objectives
- Build solid knowledge necessary for data scientists about ai, machine learning and deep learning
- Understand the basics and underlying dynamics of supervised learining models: linearregression, logisiticregression, svm, dnn, decisiontrees and randomforests.
- Get introduced to unsupervised learning approaches for dimensionality reduction and clustering.
- Build practical machine learning models and pipelines using python, scikit-learn, pandas, keras and tensorflow
- Solve practical problems like image classification, text classification, price prediction.
- Build solid knowledge necessary for data scientists about ai, machine learning and deep learning
- Understand the basics and underlying dynamics of supervised learining models: linearregression, logisiticregression, svm, dnn, decisiontrees and randomforests.
- Get introduced to unsupervised learning approaches for dimensionality reduction and clustering.
- Build practical machine learning models and pipelines using python, scikit-learn, pandas, keras and tensorflow
- Solve practical problems like image classification, text classification, price prediction.
Syllabus
Introduction
- What is AI? - Working in an AI team - AI & Society - How AI works?
What is AI
Working in an AI team
Read more
Syllabus
Introduction
- What is AI? - Working in an AI team - AI & Society - How AI works?
What is AI
Working in an AI team
Read more
Traffic lights
Traffic lights
Read about what's good
what should give you pause and
possible dealbreakers
Uses Python and popular Machine Learning libraries like scikit-learn, pandas, keras, and tensorflow, which are standard tools in the field
Covers both linear and non-linear models, providing a comprehensive understanding of different machine learning approaches
Includes an end-to-end example with code in Google Colab Notebooks, offering practical experience with real-world applications
Explores ensemble methods like Voting, BAGGing, Boosting Decision Trees, and Random Forests, which are essential for advanced machine learning tasks
Introduces unsupervised learning techniques, such as dimensionality reduction and clustering, which are valuable for data exploration and analysis
Requires familiarity with Python and machine learning libraries, which may necessitate prior coursework or experience for some learners
Save this course
Create your own learning path.
Save this course to your list so you can find it easily later.
Save
Save
Reviews summary
تعلم الآلة العملي لعلماء البيانات
يقول المتعلمون أن الدورة توفر مقدمة شاملة وعملية للتعلم الآلي مصممة خصيصًا لعلماء البيانات ومهندسي تعلم الآلة. يثنون على التغطية الواسعة للمفاهيم الأساسية والمتقدمة، من الانحدار الخطي إلى الشبكات العصبية والتجميع. تُعتبر التطبيقات العملية باستخدام Python ومكتبات مثل scikit-learn وKeras نقطة قوة رئيسية تساعد على التطبيق الفعلي. ومع ذلك، يشير بعض المراجعين إلى أن الدورة تفترض وجود أساسيات في البرمجة والرياضيات، وأن الوتيرة قد تكون سريعة للمبتدئين تمامًا. يذكر قليلون أن بعض أمثلة الكود قد تحتاج إلى تحديث، وأن الدورة تركز على تغطية واسعة بدلًا من التعمق الشديد في كل موضوع.
تغطي مواضيع كثيرة ولكن ليس بعمق كبير.
"مقدمة ممتازة لكن لا تتعمق في التفاصيل الدقيقة للخوارزميات."
"إذا كنت تبحث عن تعمق شديد في نظرية ML، فقد تحتاج مصادر إضافية."
"توفر أساسًا جيدًا لكن ليس كافيًا لتصبح خبيرًا في موضوع معين."
تغطي الدورة مجموعة واسعة من خوارزميات ML.
"تغطية رائعة لمجموعة متنوعة من مواضيع تعلم الآلة من البداية..."
"من Regression إلى Clustering، الدورة شاملة حقًا."
"تعرفت على العديد من الخوارزميات الهامة في مكان واحد."
"المحتوى منظم بشكل جيد ويغطي الأساسيات والمفاهيم المتقدمة بشكل مناسب."
توفر تمارين عملية قوية باستخدام Python.
"الجزء العملي هو الأفضل، ساعدني في فهم كيفية تطبيق النظريات."
"الدفاتر (Notebooks) مفيدة جدًا لتطبيق المفاهيم التي تعلمتها."
"أعطتني الدورة الأدوات اللازمة لبناء نماذج تعلم آلة حقيقية..."
"التطبيق العملي باستخدام sklearn و Keras كان ممتازًا."
الوتيرة قد تكون تحديًا لبعض المتعلمين.
"الدورة تنتقل بسرعة بين المواضيع، قد تحتاج إلى إعادة بعض الأجزاء."
"كان من الممكن أن يكون الشرح أبطأ قليلًا في بعض النقاط."
"كمبتدئ، شعرت أن الوتيرة كانت سريعة جدًا."
الدورة تتطلب معرفة مسبقة بالبرمجة والرياضيات.
"إذا لم تكن لديك خلفية في Python، فقد تواجه صعوبة."
"الرياضيات خلف الخوارزميات لم يتم شرحها بالكامل، تحتاج لمعرفة مسبقة."
"ليست للمبتدئين من الصفر في البرمجة أو الرياضيات."
"يجب أن يكون لديك أساسيات قوية قبل البدء في هذه الدورة."
Activities
Be better prepared
before
your course. Deepen your understanding
during
and
after
it. Supplement your coursework and achieve mastery of the topics covered
in Practical Machine Learning for Data Scientists with these
activities:
مراجعة كتاب: مقدمة في تعلم الآلة
Show steps
قراءة كتاب تمهيدي لتعلم الآلة لتوفير أساس متين قبل البدء في الدورة.
View
Melania
on Amazon
Show steps
-
اقرأ الفصول التمهيدية التي تغطي المفاهيم الأساسية.
-
ركز على الأمثلة العملية والتمارين الموجودة في الكتاب.
تدرب على خوارزميات الانحدار
Show steps
التدرب على خوارزميات الانحدار المختلفة لتعزيز الفهم العملي وتطوير المهارات.
Show steps
-
طبق خوارزمية الانحدار الخطي على مجموعة بيانات بسيطة.
-
جرب خوارزميات الانحدار الأخرى مثل الانحدار متعدد الحدود وانحدار الدعم المتجهي.
-
قارن بين أداء الخوارزميات المختلفة باستخدام مقاييس التقييم المناسبة.
إنشاء مدونة حول تعلم الآلة
Show steps
إنشاء مدونة حول تعلم الآلة لتعزيز الفهم وتطوير مهارات الكتابة والتواصل.
Show steps
-
اختر موضوعًا يتعلق بتعلم الآلة واكتب مقالًا مفصلًا عنه.
-
استخدم أمثلة عملية ورسوم توضيحية لجعل المقال أكثر جاذبية.
-
شارك المقال على وسائل التواصل الاجتماعي للحصول على تعليقات.
Three other activities
Expand to see all activities and additional details
Show all six activities
مراجعة كتاب: تعلم الآلة العملي باستخدام سكي-ليرن وتينسورفلو
Show steps
قراءة كتاب عملي لتعلم الآلة باستخدام سكي-ليرن وتينسورفلو لتطبيق المفاهيم النظرية.
View
Melania
on Amazon
Show steps
-
اقرأ الفصول التي تغطي الخوارزميات المستخدمة في الدورة.
-
طبق الأمثلة الموجودة في الكتاب على مجموعات بيانات مختلفة.
مشروع: تصنيف الصور باستخدام الشبكات العصبية
Show steps
العمل على مشروع تصنيف الصور باستخدام الشبكات العصبية لتطبيق المفاهيم النظرية وتطوير المهارات العملية.
Show steps
-
اجمع مجموعة بيانات مناسبة للصور.
-
قم بتصميم وتدريب شبكة عصبية لتصنيف الصور.
-
قيم أداء النموذج وقم بتحسينه.
إنشاء عرض تقديمي حول خوارزميات التجميع
Show steps
إنشاء عرض تقديمي حول خوارزميات التجميع لتعزيز الفهم وتطوير مهارات العرض.
Show steps
-
اختر خوارزمية تجميع وقم بإعداد عرض تقديمي عنها.
-
اشرح المفاهيم الأساسية للخوارزمية وقدم أمثلة عملية.
-
تدرب على العرض التقديمي لضمان سلاسة العرض.
مراجعة كتاب: مقدمة في تعلم الآلة
Show steps
قراءة كتاب تمهيدي لتعلم الآلة لتوفير أساس متين قبل البدء في الدورة.
View
Melania
on Amazon
Show steps
Show steps
Show steps
- اقرأ الفصول التمهيدية التي تغطي المفاهيم الأساسية.
- ركز على الأمثلة العملية والتمارين الموجودة في الكتاب.
تدرب على خوارزميات الانحدار
Show steps
التدرب على خوارزميات الانحدار المختلفة لتعزيز الفهم العملي وتطوير المهارات.
Show steps
Show steps
Show steps
- طبق خوارزمية الانحدار الخطي على مجموعة بيانات بسيطة.
- جرب خوارزميات الانحدار الأخرى مثل الانحدار متعدد الحدود وانحدار الدعم المتجهي.
- قارن بين أداء الخوارزميات المختلفة باستخدام مقاييس التقييم المناسبة.
إنشاء مدونة حول تعلم الآلة
Show steps
إنشاء مدونة حول تعلم الآلة لتعزيز الفهم وتطوير مهارات الكتابة والتواصل.
Show steps
Show steps
Show steps
- اختر موضوعًا يتعلق بتعلم الآلة واكتب مقالًا مفصلًا عنه.
- استخدم أمثلة عملية ورسوم توضيحية لجعل المقال أكثر جاذبية.
- شارك المقال على وسائل التواصل الاجتماعي للحصول على تعليقات.
Three other activities
Expand to see all activities and additional details
Show all six activities
مراجعة كتاب: تعلم الآلة العملي باستخدام سكي-ليرن وتينسورفلو
Show steps
قراءة كتاب عملي لتعلم الآلة باستخدام سكي-ليرن وتينسورفلو لتطبيق المفاهيم النظرية.
View
Melania
on Amazon
Show steps
Show steps
Show steps
- اقرأ الفصول التي تغطي الخوارزميات المستخدمة في الدورة.
- طبق الأمثلة الموجودة في الكتاب على مجموعات بيانات مختلفة.
مشروع: تصنيف الصور باستخدام الشبكات العصبية
Show steps
العمل على مشروع تصنيف الصور باستخدام الشبكات العصبية لتطبيق المفاهيم النظرية وتطوير المهارات العملية.
Show steps
Show steps
Show steps
- اجمع مجموعة بيانات مناسبة للصور.
- قم بتصميم وتدريب شبكة عصبية لتصنيف الصور.
- قيم أداء النموذج وقم بتحسينه.
إنشاء عرض تقديمي حول خوارزميات التجميع
Show steps
إنشاء عرض تقديمي حول خوارزميات التجميع لتعزيز الفهم وتطوير مهارات العرض.
Show steps
Show steps
Show steps
- اختر خوارزمية تجميع وقم بإعداد عرض تقديمي عنها.
- اشرح المفاهيم الأساسية للخوارزمية وقدم أمثلة عملية.
- تدرب على العرض التقديمي لضمان سلاسة العرض.
Career center
Learners who complete Practical Machine Learning for Data Scientists will develop knowledge and skills
that may be useful to these careers:
عالم بيانات
عالم بيانات
يعتبر دور عالم البيانات أمرًا بالغ الأهمية لاستخلاص رؤى قيمة من البيانات. يدرس علماء البيانات مجموعات البيانات الكبيرة، ويحددون الاتجاهات، ويطورون نماذج تنبؤية. يوفر هذا المساق مقدمة شاملة للذكاء الاصطناعي وتعلم الآلة، ويغطي نماذج التعلم الخاضعة للإشراف وغير الخاضعة للإشراف، وتقنيات تقليل الأبعاد، وعملية تعلم الآلة الشاملة. تتيح الخبرة العملية في Python ومكتبات تعلم الآلة للمرء معالجة مشاكل العالم الحقيقي، مما يجعل هذا المساق ذا قيمة خاصة لعالم البيانات الطموح. يمكن لعالم البيانات استخدام هذه المعرفة لتحسين أدائه.
مهندس تعلم الآلة
مهندس تعلم الآلة
يلعب مهندس تعلم الآلة دورًا حيويًا في تطوير ونشر نماذج تعلم الآلة. يركز مهندس تعلم الآلة على جوانب التنفيذ والبنية التحتية لعمليات تعلم الآلة. إن فهم أساسيات الذكاء الاصطناعي وتعلم الآلة العميق، جنبًا إلى جنب مع الخبرة العملية في استخدام مكتبات Python مثل scikit-learn وkeras، يساعد المرء على بناء خطوط أنابيب قوية لتعلم الآلة. يساعد هذا المساق في تعلم تقنيات مثل تجميع النماذج، وأشجار القرارات، والغابات العشوائية، والتي تعد ضرورية لمهندس تعلم الآلة.
مهندس الذكاء الاصطناعي
مهندس الذكاء الاصطناعي
يركز مهندس الذكاء الاصطناعي على تطوير وتنفيذ حلول الذكاء الاصطناعي. ويتضمن ذلك تصميم نماذج تعلم الآلة، ودمجها في التطبيقات، وتحسين الأداء. يعد فهم أساسيات الذكاء الاصطناعي وتعلم الآلة العميق أمرًا ضروريًا لمهندس الذكاء الاصطناعي. إن الخبرة العملية المكتسبة في هذا المساق باستخدام مكتبات Python مثل scikit-learn وkeras، بالإضافة إلى المعرفة بتقنيات التعلم الخاضعة للإشراف وغير الخاضعة للإشراف، تساعد في بناء حلول ذكاء اصطناعي فعالة.
معالج لغة طبيعية
معالج لغة طبيعية
يعمل معالج اللغة الطبيعية على تمكين أجهزة الكمبيوتر من فهم اللغة البشرية ومعالجتها. يعد هذا المساق مفيدًا بشكل خاص لمعالجي اللغة الطبيعية المهتمين بتصنيف النصوص. إن القدرة على بناء نماذج تعلم الآلة وعمل خطوط أنابيب باستخدام Python وscikit-learn تتيح معالجة فعالة للغة الطبيعية. هذا المساق يمنح ممارس معالجة اللغة الطبيعية الأدوات المطلوبة.
مهندس رؤية حاسوبية
مهندس رؤية حاسوبية
يركز مهندس الرؤية الحاسوبية على تمكين أجهزة الكمبيوتر من "الرؤية" وتفسير الصور ومقاطع الفيديو. يغطي هذا المساق نماذج التعلم العميق، وهي ضرورية لمهام الرؤية الحاسوبية مثل تصنيف الصور واكتشاف الكائنات. إن الخبرة العملية في استخدام مكتبات Python مثل keras، وخاصة في مشاكل تصنيف الصور، تساعد المرء على التفوق في هذا المجال. إن هذا المساق يساعد مهندس الرؤية الحاسوبية على التفوق في هذا المجال.
محلل بيانات
محلل بيانات
يقوم محلل البيانات بفحص البيانات لتحديد الاتجاهات واستخلاص النتائج لتقديم توصيات مستنيرة. على الرغم من أن محلل البيانات قد لا يصمم نماذج تعلم آلي بشكل كامل، إلا أن فهم أساسيات الذكاء الاصطناعي وتعلم الآلة يساعد في فهم قدرات النماذج وحدودها. تساعد المعرفة بتقنيات مثل تحليل المكونات الرئيسية (PCA) والتجميع في استكشاف البيانات وتحديد الأنماط ذات المغزى. يزود هذا المساق محلل البيانات بالأدوات اللازمة لتحليل البيانات بشكل فعال وتوصيل الأفكار.
مهندس أبحاث
مهندس أبحاث
يقوم مهندس الأبحاث بإجراء البحوث والتطوير في مختلف المجالات التكنولوجية. يوفر هذا المساق أساسًا متينًا للبحث في تعلم الآلة. يغطي الفهم الشامل للذكاء الاصطناعي وتقنيات تعلم الآلة، إلى جانب الخبرة العملية في بناء النماذج، رؤى قيمة لأبحاث وتعليم الآلة.
باحث تعلم الآلة
باحث تعلم الآلة
يقوم باحث تعلم الآلة بتحقيقات متقدمة في خوارزميات ونماذج تعلم الآلة. غالبًا ما يتطلب هذا الدور درجة متقدمة (دكتوراه أو ماجستير) في مجال ذي صلة. يوفر هذا المساق، من خلال تقديمه الشامل للذكاء الاصطناعي وتعلم الآلة والنماذج المختلفة، أساسًا متينًا للبحث في تعلم الآلة. يوفر فهم المبادئ الأساسية والتجربة العملية في بناء النماذج رؤى قيمة للبحث والتطوير في هذا المجال.
مهندس روبوتات
مهندس روبوتات
يقوم مهندس الروبوتات بتصميم وبناء وصيانة الروبوتات لمختلف التطبيقات. يمكن استخدام تقنيات تعلم الآلة لتمكين الروبوتات من التكيف مع البيئات المتغيرة واتخاذ قرارات مستنيرة. إن فهم أساسيات الذكاء الاصطناعي وتعلم الآلة، وخاصة نماذج التعلم الخاضعة للإشراف وغير الخاضعة للإشراف، يساعد المرء على تطوير روبوتات ذكية. يساعد هذا المساق مهندس الروبوتات على تطوير روبوتات ذكية.
محلل أمن سيبراني
محلل أمن سيبراني
يقوم محلل الأمن السيبراني بحماية أنظمة الكمبيوتر والشبكات من التهديدات السيبرانية. يمكن استخدام تقنيات تعلم الآلة للكشف عن الحالات الشاذة وتحديد الأنشطة الضارة. يزود هذا المساق محلل الأمن السيبراني بالمعرفة اللازمة لتطبيق نماذج تعلم الآلة للأمن السيبراني، مما يحسن قدرات الكشف عن التهديدات والاستجابة لها.
مهندس برمجيات
مهندس برمجيات
يقوم مهندس البرمجيات بتصميم وتطوير وصيانة تطبيقات البرمجيات. في عالم اليوم الذي يعتمد على البيانات بشكل متزايد، أصبح فهم أساسيات الذكاء الاصطناعي وتعلم الآلة ذا قيمة متزايدة لمهندسي البرمجيات. إن القدرة على دمج نماذج تعلم الآلة في التطبيقات، وفهم الاعتبارات المتعلقة بالأداء وقابلية التوسع، تميز مهندس البرمجيات. يساعد التعرض العملي لمكتبات Python على تطوير تطبيقات برمجيات متطورة.
مطور ذكاء الأعمال
مطور ذكاء الأعمال
يقوم مطور ذكاء الأعمال بتصميم وتطوير حلول لجمع البيانات وتحليلها وتقديمها لمساعدة المؤسسات على اتخاذ قرارات مستنيرة. إن فهم أساسيات الذكاء الاصطناعي وتعلم الآلة يمكن أن يعزز بشكل كبير قدرات مطور ذكاء الأعمال. على سبيل المثال، يمكن استخدام تقنيات تعلم الآلة لأتمتة عملية تنظيف البيانات، وتحديد القيم المتطرفة، وإنشاء نماذج تنبؤية. يتيح هذا المساق لمطور ذكاء الأعمال دمج الذكاء الاصطناعي في حلوله.
مستشار
مستشار
يقدم المستشارون الخبرة المتخصصة للعملاء في مختلف الصناعات. مع تزايد أهمية الذكاء الاصطناعي وتعلم الآلة، هناك طلب متزايد على الاستشاريين الذين يمكنهم تقديم التوجيه بشأن استراتيجيات الذكاء الاصطناعي وتنفيذها. يزود هذا المساق المستشارين بالمعرفة اللازمة لتقييم احتياجات العملاء، والتوصية بحلول الذكاء الاصطناعي المناسبة، والإشراف على التنفيذ. يساعد الفهم الشامل الذي يقدمه هذا المساق المستشارين في تقديم المشورة القيمة لعملائهم.
مهندس أتمتة
مهندس أتمتة
يقوم مهندس الأتمتة بتصميم وتطوير وتنفيذ أنظمة أتمتة العمليات المختلفة. يمكن أن يكون فهم أساسيات الذكاء الاصطناعي وتعلم الآلة ذا قيمة كبيرة لمهندس الأتمتة، حيث يمكن استخدام تقنيات تعلم الآلة لأتمتة المهام المعقدة وتحسين أداء الأنظمة الآلية. يمكن لمهندس الأتمتة استخدام هذه المعرفة لأتمتة الأنظمة المعقدة بفعالية.
مدير المنتج
مدير المنتج
يقوم مدير المنتج بتحديد وإطلاق منتجات جديدة. يوفر هذا المساق الأساس اللازم لمدير المنتج لفهم المفاهيم الأساسية للذكاء الاصطناعي. تسمح معرفة قدرات الذكاء الاصطناعي لمدير المنتج بتحديد الفرص المحتملة لدمج الذكاء الاصطناعي في المنتجات.
For more career information including salaries, visit:
OpenCourser.com/course/yt3ub4/practical
Reading list
We've selected one books
that we think will supplement your
learning. Use these to
develop background knowledge, enrich your coursework, and gain a
deeper understanding of the topics covered in
Practical Machine Learning for Data Scientists.
For more information about how these books relate to this course, visit:
OpenCourser.com/course/yt3ub4/practical
Share
Similar courses
Similar courses are unavailable at this time. Please try again later.
Our mission
OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.
Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.
Find this site helpful? Tell a friend about us.
Affiliate disclosure
We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.
Your purchases help us maintain our catalog and keep our servers humming without ads.
Thank you for supporting OpenCourser.
© 2016 - 2025 OpenCourser