ماذا ستتعلم من خلال الدورة :
- إتقان تعلم الآلة على بايثون
- القيام بعمل تنبؤات دقيقة
- صناعة نماذج قوية للتعلم الآلي
- استخدام التعلم الآلي للأغراض الشخصية
- التعرف على نموذج التعلم الآلي الذي يجب اختياره لكل نوع من المشكلات
- استخدام SciKit-Learn لمهام التعلم الآلي
- القيام بعمل تنبؤات باستخدام الانحدار الخطي والانحدار متعدد الحدود والانحدار المتعدد
- تصنيف البيانات باستخدام مجموعات K-Means ، وآلات المتجهات الداعمة (SVM) ، و KNN ، وشجرات القرار ، و Naive Bayes ، وما إلى ذلك.
متطلبات الدورة
- بعض الخبرة الأساسية في برمجة بايثون.
- الفهم الأساسي لمكتبات بايثون مثل numpy و pasdas و matplotlib (اختياري)
- بعض الرياضيات في المدرسة الثانوية.
هل أنت مهتم بمجال تعلم الآلة؟ ثم وهذا بالطبع هو لك!
تم تصميم هذه الدورة بواسطة Code Warriors ، عشاق ML حتى نتمكن من مشاركة معرفتنا ومساعدتك على تعلم النظريات المعقدة والخوارزميات ومكتبات الترميز بطريقة بسيطة.
سنرشدك خطوة بخطوة إلى عالم التعلم الآلي. مع كل برنامج تعليمي ، ستقوم بتطوير مهارات جديدة وتحسين فهمك لهذا المجال الفرعي المربح والتحدي في علوم البيانات.
هذه الدورة التدريبية ممتعة ومثيرة ، ولكن في الوقت نفسه ، نتعمق في التعلم الآلي. تم تنظيمه بالطريقة التالية:
يمكنك فعل الكثير في 21 يومًا. في الواقع ، إنه العدد المثالي للأيام المطلوبة لتبني عادة جديدة!
ماذا ستتعلم:
- أي شخص مهتم بالتعلم الآلي.
- الطلاب الذين لديهم على الأقل معرفة بالرياضيات في المدرسة الثانوية والذين يرغبون في بدء تعلم التعلم الآلي.
- أي أشخاص من المستوى المتوسط يعرفون أساسيات التعلم الآلي ، بما في ذلك الخوارزميات الكلاسيكية مثل الانحدار الخطي أو الانحدار اللوجستي ، ولكنهم يرغبون في معرفة المزيد عنها واستكشاف جميع مجالات التعلم الآلي المختلفة.
- أي شخص لا يشعر بالراحة تجاه الترميز ولكن يهتم بالتعلم الآلي ويرغب في تطبيقه بسهولة على مجموعات البيانات.
- أي طلاب في الكلية يرغبون في بدء حياة مهنية في علوم البيانات.
- أي شخص يرغب في إنشاء قيمة مضافة لأعمالهم باستخدام أدوات التعلم الآلي القوية.
لمن هذه الدورة:
- نظرة عامة على التعلم الآلي
- خوارزميات الانحدار في مجموعة بيانات الوقت الحقيقي
- مشروع الانحدار الصغير
- خوارزميات التصنيف في مجموعة بيانات الوقت الحقيقي
- تصنيف المشروع المصغر
- نموذج الضبط الدقيق
- انتشار نموذج ML