دبلومة تعلم الآلة مع بايثون Python

الرئيسية / الدورات التدريبية / دبلومة تعلم الآلة مع بايثون Python

مقدمة :

رفع مستوى مهاراتك من خلال تعلم كيفية تطبيق تقنيات التعلم الآلي باستخدام Python. ارفع مستوى مهاراتك من خلال التعلم العميق والتقنيات المتقدمة للتعلم الآلي عند الانتهاء من هذه الدورة ،

سوف تتعلم بايثون من الصفر وتتدرب من خلال التدريبات المعملية والأساليب العملية.

علاوة على ذلك ، ستحصل على المعرفة النظرية إلى جانب المعرفة العملية اللازمة لتطبيق هذه التقنيات والمنهجيات في العديد من المجالات.

 

لماذا دراسة التعلم الآلي؟

  • الفرص الوظيفية: تم اختيار وظائف التعلم الآلي كواحدة من أفضل الوظائف في عام 2020 باعتبارها الوظائف الأسرع وتيرة.
  • وظائف ذات رواتب عالية: تعد وظائف التعلم الآلي واحدة من الوظائف ذات الأجور المرتفعة.
  • ارتفاع الطلب: سينمو الطلب على وظائف التعلم الآلي بسرعة في الوقت المناسب.

لماذا دراسة بايثون كلغة تعلم الآلة؟

  • سهلة القراءة: يتم وصف كود Python بشكل افتراضي ومرئي للمستخدمين.
  • سهلة التعلم: تحتوي لغة Python على عدد قليل من الكلمات الرئيسية وهيكل سهل وصيغة موصوفة بوضوح.
  • سهولة الصيانة: من السهل الحفاظ على شفرة مصدر بايثون.
  • مكتبة قياسية واسعة: مكتبة Python متوافقة عبر الأنظمة الأساسية مع Windows و Macintosh.
  • الوضع التفاعلي: يتيح Python إجراء فحص تفاعلي لمقتطفات التعليمات البرمجية.
  • محمول: يمكن تشغيل Python على مجموعة واسعة من هياكل الأجهزة ولها واجهة متساوية على جميع الأنظمة الأساسية.
  • قواعد البيانات: تقدم Python واجهات لجميع الأعمال الأساسية.
  • قابلة للتطوير: توفر Python بنية ودعمًا أفضل للتطبيقات الكبيرة من البرمجة النصية للقذيفة.
  • يمكن الوصول إليها: Python هي لغة مفتوحة المصدر مجانية ومرنة وقوية.

أهداف الدبلومة :

عند الانتهاء من الدبلومة سوف:

الجزء 1:  التعلم الآلي مع لغة البايثون

1. إتقان أساسيات تعلم الآلة.

2- تعلم جميع أساسيات Python للتعلم الآلي.

3- تعلم OOP وهياكل البيانات فيPython

Python. 4- تعرف على الموضوعات المهمة في الإحصاء والرياضيات للتعلم الآلي.

5- تعلم خوارزميات التعلم الآلي الأكثر حاجة.

6. كن قادرًا على التعامل مع جميع الملفات باستخدام

Python. 7- كن قادرًا على تنفيذ مشاريع التعلم الآلي باستخدام Python.

الجزء 2:التعلم الآلي المتقدم والتعلم العميق

1- قم بمراجعة سريعة لأساسيات بايثون والإحصاء والرياضيات.

2- تعلم تقنيات التعلم الآلي المتقدمة.

3- تعلم تقنيات التعلم العميق المتقدمة.

4- كن قادرًا على تنفيذ مشاريع التعلم العميق باستخدام Python

مواعيد الدورات التدريبية:

إلى جانب الدورات التدريبية التي يتم تنفيذها في المكتب الرئيسي لـ IMP في مصر؛ يتم تقديم دورات IMP أيضًا بنظام البث المباشر (أونلاين لايف) من خلال محاضرات تفاعلية كاملة تُتيح التفاعل وطرح الأسئلة وبما يضمن الحصول على أفضل تجربة تعليمية على الإطلاق.

تاريخ البدء                    الأيام                                     التوقيت

18-مارس-2022                              الجمعة                      5:00 مساءا الي 10:00

الأحكام والشروط:

شهادة إتمام

أن تكتمل بنجاح ؛ يجب على المتدرب:

  • لديك معدل حضور لا يقل عن 80٪ (أو متطلبات حضور أعلى كما هو مقرر للدورة) ؛
  • اجتياز التقييمات العملية والمشاريع الخاصة بالدورة التدريبية في 70٪ على الأقل من إجمالي عدد المهام كما هو مطلوب في كل دورة تدريبية.

 

قم الآن بتحميل مخطط المحتوى الخاص بالدبلومة

1- Introduction

What is data? Data types?

Data vs. Information

What‘s Data science?

Data Analysis vs. Data Analytics

What’s Machine Learning and deep learning?

What’s Artificial Intelligence?

Difference between Excel Data Analysis and Programming

Why Python?

Different fields Python can fit

Different Python Versions

Environment setup

2- Statistics and Mathematics Review

Descriptive Statistics: Population vs samples

Descriptive Statistics : Measures of Central Tendency

Descriptive Statistics : Measures of Variability

Descriptive Statistics : Detection of Outliers

Probability : Probability Laws

Probability : Probability Distribution

Probability : Bayesian Theorem

Probability : Central Limit Theorem

Probability : Confidence Interval

Inferential Statistics : ANOVA

Inferential Statistics : Pearson Correlation Coefficient

Inferential Statistics : Spearman Correlation Coefficient

Inferential Statistics : Regression Analysis

Inferential Statistics : Hypothesis Testing

Linear Algebra : Matrix Operations, Inverse and Decomposition

Linear Algebra : Vectors

3- Python Basics

Basic Syntax

Data Types

Operators

Control flow statements

Decisions

Loops

Functions

4-OOP

Classes

Objects

Data members

Overloading

Inheritance

5-Data Structures

List and tuples

Sets

Dictionaries

Strings

6- Files and Databases

Reading from Files

Writing into files

Database connections

Pandas

7- Most Needed Libraries for Data Science and Machine Learning :

Numpy

Matplotlib

Plotly

Seaborn

Pandas

Sklearn

8- Machine Learning & Data Science Techniques:

Machine Learning & Data Science Overview :Machine Learning vs. Deep Learning vs. Data Science

Machine Learning & Data Science Overview : Supervised Learning vs. Unsupervised Learning vs. Reinforcement Learning

Supervised Learning :Multiple Linear Regression in Python

Supervised Learning :Simple Linear Regression in Python

Supervised Learning :Logistic Regression in Python

Supervised Learning : Nearest neighbor

Unsupervised Learning: Kmeans clustering

9- Introduction To Related Topics:

Big data

NLP

Cloud computing

Deep Learning

Neural Network Architecture and How it works

Tensor Flow & keras

Recommender System

10- Advanced Machine Learning-Refreshment:

Statistics refreshment

Linear Algebra Refreshment

11- Supervised Learning:

Linear Regression Review

Logistics Regression Review

SVM Review

K-Nearest Neighbor (K-NN) classification

Decision Tree Classification

Naive Bayes

Random Forest Classification

12- Unsupervised Learning :

K Means clustering : K-Means Random Initialization Trap

K Means clustering : K-Means Selecting The Number Of Clusters

Hierarchical clustering : Hierarchical Clustering How Dendrograms Work

Hierarchical clustering : Hierarchical Clustering Using Dendrograms

Principal Component Analysis (PCA)

DB scan

13- Reinforcement Learning:

Upper Confidence Bound

Thompson Sampling

14- Deep Learning Part:

Neural Network Architecture and How it works

Neural Network : Artificial Neural Network

Neural Network : Convolutional Neural Networks

Neural Network : Recurrent neural network

Natural Language Processing (NLP)

Tensor Flow

Recommender System

مستوي:advanced
100 ساعات