التعلم العميق
الذكاء الاصطناعي · المستوى 2
مشروع كشف كوفيد-19 بالتعلم العميق
مشروع تطبيقي كامل في التعلم العميق تبنيه خطوة بخطوة: تجمع بنفسك قاعدة بيانات صور أشعة سينية للصدر (حالات كوفيد-19 من GitHub وحالات سليمة من Kaggle) باستخدام Python وPandas، ثم تتبع ثماني خطوات مفتاحية من تقسيم البيانات بـ split-folders، ورفعها إلى Google Drive، والعمل على Google Colab بالـ GPU، إلى بناء شبكة CNN بـ Keras وTensorFlow طبقةً طبقة (Conv2D وMaxPooling وDropout وDense وSigmoid)، وتهيئة الصور بـ ImageDataGenerator، ثم التدريب بـ fit وقراءة منحنيات Loss وAccuracy، وتقييم النموذج بمصفوفة الالتباس وتقرير التصنيف. المشروع لأغراض تعليمية فقط وليس أداة تشخيص طبي.
- متوسط
- 26 درساً
- 5 وحدة
- 3+ ساعات
ستتعلم
- بناء قاعدة بيانات صور
- Pandas
- Jupyter
- split-folders
- Google Drive
- Google Colab
- GPU
- Keras
- TensorFlow
- ImageDataGenerator
- Data Augmentation
- Conv2D
- MaxPooling
- Dropout
- Dense وSigmoid
- Binary Cross-Entropy
- Adam
- منحنيات التدريب
- Confusion Matrix
- Classification Report
محتوى الدورة
1 الوحدة 1: بناء قاعدة بيانات كوفيد-19 من صور الأشعة6 دروس
2 الوحدة 2: الخطوتان 1 و2: تنظيم البيانات وتجهيز بيئة العمل5 دروس
- 2.1 الخطوات الثماني: من البيانات إلى تقييم النموذج
- 2.2 تنظيم البيانات قبل التدريب
- 2.3 خريطة الأدوات
- 2.4 تثبيت Anaconda وفتح Spyder
- 2.5 تقسيم البيانات بـ split-folders
3 الوحدة 3: الخطوات 3 إلى 5: Google Drive وColab والمكتبات5 دروس
- 3.1 رفع البيانات إلى Google Drive
- 3.2 دفتر جديد على Google Colab
- 3.3 تفعيل GPU وربط Drive
- 3.4 استيراد المكتبات
- 3.5 مسارات بيانات التدريب والاختبار
4 الوحدة 4: الخطوة 6: بناء نموذج CNN طبقةً طبقة6 دروس
- 4.1 مخطط نموذج CNN
- 4.2 تهيئة الصور قبل التدريب
- 4.3 طبقة الإدخال وطبقات Conv2D
- 4.4 طبقة MaxPooling
- 4.5 Dropout ومحاربة الـ Overfitting
- 4.6 طبقات Dense ومخرج Sigmoid
5 الوحدة 5: الخطوتان 7 و8: التدريب والتقييم4 دروس
- 5.1 model.summary وcompile
- 5.2 تدريب النموذج بـ fit
- 5.3 منحنيات التدريب
- 5.4 مصفوفة الالتباس وتقرير التصنيف
