جدول مليان أرقام مبيفيدش كتير لحد ما حد يقدر يحوّله لرسم بياني بيحكي قصة، أو إحصائية بتدعم قرار، أو نموذج بيتنبأ بإيه اللي جاي. ودي بالظبط المهارة اللي البرنامج ده بيبنيها. في الأعمال، الرعاية الصحية، المالية، وغيرها، المحترفين اللي بيقدروا ينتقلوا بثقة من بيانات خام لاستنتاج واضح وقابل للدفاع عنه هما اللي بيقودوا قرارات النهاردة — والفجوة دي بين امتلاك البيانات واستخدامها كويس هي اللي البرنامج ده بيسدها.

المشاركون هيمروا بثلاث مراحل مترابطة: السرد البصري بالبيانات، الإحصاء الوصفي والاستنتاجي لتلخيص واختبار اللي البيانات بتقوله، والتعلم الآلي العملي لبناء نماذج تنبؤية من مجموعات بيانات معقدة. كل مرحلة بتبني على اللي قبلها مباشرة، فبنهاية البرنامج، المشارك هيقدر ياخد بيانات حقيقية من أول نظرة لحد رؤية نهائية متكاملة.

الفئة المستهدفة

• محللو البيانات وعلماء البيانات الطموحون اللي عايزين يوسعوا مهاراتهم في التحليل والتصور البياني.
• محترفون في الأعمال أو الرعاية الصحية أو المالية أو التسويق محتاجين يستخدموا البيانات في اتخاذ القرار.
• أي حد هدفه إتقان تقنيات تحليل بيانات متقدمة وقابلة للتطبيق فعليًا.

المعرفة والفوائد
بعد إتمام البرنامج، هيكون المشاركون قادرين على:

• تطبيق أساسيات وتقنيات متقدمة في التصور البياني والإحصاء والتحليل مع بعض، مش كمهارات منفصلة.
• إجراء تحليل استكشافي للبيانات وتفسير النتائج باستخدام الإحصاء الوصفي والاستنتاجي.
• بناء إتقان فعلي لأدوات Python وR وبرامج التصور البياني المتخصصة.
• استخدام تقنيات التعلم الآلي للتحليلات التنبؤية على بيانات واقعية.
• تحويل التحليل لرؤية بتدعم قرار فعلي، وعرض النتائج المعقدة بوضوح لجمهور غير تقني.

المحور الأول: من البيانات الخام للصورة الواضحة

• ليه تحليل البيانات مهم في القرارات الواقعية، والفرق بين البيانات المنظمة وغير المنظمة والكمية والنوعية.
• أفضل الممارسات في جمع وتنظيف وتجهيز البيانات قبل ما يبدأ أي تحليل.
• مبادئ السرد البصري الواضح، وأنواع الرسوم البيانية الرئيسية: خطي، عمودي، مدرج تكراري، متناثر، دائري، خريطة حرارية.
• اختيار التصور البياني المناسب حسب مجموعة البيانات والسؤال اللي بنحاول نجاوب عليه.

المحور الثاني: وصف اللي البيانات بتقوله

• الإحصاءات الوصفية الأساسية: المتوسط، الوسيط، المنوال، النطاق، التباين، الانحراف المعياري.
• تقنيات التحليل الاستكشافي للبيانات (EDA) لتلخيص أهم خصائص مجموعة البيانات.
• تطبيق التقنيات دي عمليًا باستخدام Python (Pandas، NumPy) وR.
• اكتشاف القيم الشاذة والأنماط، وتصور توزيع البيانات.

المحور الثالث: اختبار استنتاجاتك والوثوق فيها

• أساسيات الإحصاء الاستنتاجي: العينة، توزيعات الاحتمالات، والاستدلال الإحصائي.
• اختبار الفرضيات: الفرضية الصفرية والبديلة، قيم p، وفترات الثقة.
• اختيار الاختبار المناسب: اختبار T، تحليل التباين ANOVA، اختبار كاي-مربع، واختبارات الارتباط.

المحور الرابع: النمذجة الإحصائية المتقدمة

• تحليل الانحدار: الخطي البسيط، المتعدد، واللوجستي.
• تحليل السلاسل الزمنية: المفاهيم الأساسية، طرق التنبؤ، والأدوات الخاصة بالبيانات الزمنية.
• التقنيات متعددة المتغيرات: تحليل المكونات الرئيسية (PCA)، تحليل العناقيد، وتحليل العوامل.
• تقييم أداء النموذج باستخدام RMSE وR-squared ومصفوفات الارتباك ومنحنيات ROC.

المحور الخامس: من الإحصاء للتعلم الآلي

• التعلم تحت الإشراف مقابل التعلم غير الخاضع للإشراف، وفين بيتطبق كل نوع.
• الخوارزميات الشائعة: أشجار القرار، الغابات العشوائية، آلات الدعم الشعاعي، وتجميع K-means.
• مقدمة في الشبكات العصبية والتعلم العميق للتحليل الأكثر تقدمًا.