تخطَّ إلى المحتوى
ابدأ مجاناً
تعلم الآلة الذكاء الاصطناعي · المستوى 3

Python للذكاء الاصطناعي: مهارات متقدمة

دورة تطبيقية تكمّل دورة Deep Learning بلغة Python بالمهارات التي يحتاجها الباحث عند العمل على بياناته الحقيقية: تجهيز البيانات وتحويلها (MinMaxScaler وStandardScaler وRobustScaler، والفرق بين fit وtransform وfit_transform، وتحويلات Log وBox-Cox)، ثم تقييم النماذج بالـ Hold-out وK-Fold وLeave-One-Out على بيانات حقيقية في Google Colab، ثم مشروع CNN مع طبقة SVM على صور الأشعة مع الـ Data Augmentation، وأخيراً شبكات RNN وLSTM والتنبؤ بالسلاسل الزمنية خطوة بخطوة.

  • متوسط
  • 33 درساً
  • 4 وحدة
  • ساعتان و36 دقيقة
جرّب مجاناً 48 ساعة الدروس المجانية

ستتعلم

  • تجهيز البيانات
  • StandardScaler وMinMaxScaler
  • fit_transform
  • Box-Cox
  • K-Fold وLeave-One-Out
  • Google Colab وDrive
  • Data Augmentation
  • CNN مع SVM
  • RNN
  • LSTM
  • Time Series Forecasting

محتوى الدورة

1 الوحدة 1: تجهيز البيانات وتحويلها10 دروس
  1. 1.1 لماذا نحوّل البيانات قبل التدريب؟ مجاني
  2. 1.2 MinMaxScaler وStandardScaler مجاني
  3. 1.3 fit وtransform وfit_transform
  4. 1.4 لماذا نحتاج الـ Standardization؟
  5. 1.5 بيانات Titanic: التحميل والتنظيف
  6. 1.6 Train/Test Split ثم StandardScaler
  7. 1.7 MinMaxScaler عملياً
  8. 1.8 RobustScaler والـ IQR
  9. 1.9 هل بياناتك تتبع التوزيع الطبيعي؟
  10. 1.10 تحويلات Log وExponential وBox-Cox
2 الوحدة 2: الـ Cross Validation عملياً6 دروس
  1. 2.1 الـ Hold-out Validation
  2. 2.2 Google Colab وربطه بـ Google Drive
  3. 2.3 تجهيز بيانات سرطان الثدي بـ Pandas
  4. 2.4 Hold-out بالكود مع Decision Tree
  5. 2.5 K-Fold Cross Validation بالكود
  6. 2.6 Leave-One-Out
3 الوحدة 3: CNN مع SVM والـ Data Augmentation8 دروس
  1. 3.1 مشروع CNN مع SVM: البيانات
  2. 3.2 ImageDataGenerator
  3. 3.3 الـ Data Augmentation
  4. 3.4 Data Augmentation في Keras
  5. 3.5 بناء الـ CNN بـ Keras
  6. 3.6 طبقة SVM في آخر الشبكة
  7. 3.7 تدريب CNN-SVM
  8. 3.8 رسم النتائج وحفظ النموذج
4 الوحدة 4: RNN وLSTM والتنبؤ بالسلاسل الزمنية9 دروس
  1. 4.1 ما هي RNN ولماذا نحتاجها؟
  2. 4.2 أنواع RNN
  3. 4.3 رياضيات RNN وVanishing Gradient
  4. 4.4 خلية LSTM
  5. 4.5 معادلات LSTM خطوة بخطوة
  6. 4.6 التنبؤ بالسلاسل الزمنية بـ LSTM
  7. 4.7 تقسيم السلسلة الزمنية بالكود
  8. 4.8 Reshape وبناء نموذج LSTM
  9. 4.9 التدريب والتنبؤ بالأيام العشرة القادمة

في المسار نفسه

دورة الشبكات العصبية التلافيفية CNN

متقدم · 27 درساً · ساعتان و11 دقيقة

أساسيات الذكاء الاصطناعي: من المفاهيم إلى الشبكات العصبية

مبتدئ · 22 درساً · ساعتان و11 دقيقة

مفاهيم التعلم العميق ببساطة

مبتدئ · 71 درساً · 9+ ساعات
Python للذكاء الاصطناعي: مهارات متقدمة
33 درساً · متوسط
جرّب مجاناً 48 ساعة