من أساسيات تحليل البيانات إلى التعلم الآلي: برنامج تطبيقي (أونلاين / عن بعد) – نسخة الذكاء الفائق

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.