أساسيات التعلم العميق باستخدام كيراس

يرجى الملاحظة: يمكن للمتعلمين الذين يُكملون هذه الدورة من IBM بنجاح الحصول على شارة مهارية (Skill Badge) — وهي اعتماد رقمي موثّق وقابل للتحقق يوضح بالتفصيل المعرفة والمهارات التي اكتسبتها خلال هذه الدورة. سجّل لتعرف المزيد، وأكمل الدورة ثم اطلب شارتك. هل ترغب في إطلاق مسارك المهني في مجال التعلم العميق؟ هذه الدورة هي نقطة انطلاق مناسبة. ستقدّم لك مقدمة شاملة إلى مجال التعلم العميق وتعلّمك الأساسيات التي تحتاجها لفهمه وتطبيقه عملياً. ستتعرّف على بعض التطبيقات المثيرة للتعلم العميق ولماذا يُعد اكتساب مهاراته استثماراً مجزياً. كما ستتعلم أساسيات الشبكات العصبية: كيف تتعلم من البيانات، وكيف تُحدّث الأوزان (Weights) والانحيازات (Biases) أثناء التدريب. وستتناول الدورة أيضاً مفاهيم مهمة مثل مشكلة تلاشي التدرّج (Vanishing Gradient) التي قد تؤثر على تدريب الشبكات العميقة. بعد بناء الأساس النظري، ستنتقل إلى التطبيق العملي باستخدام مكتبة Keras السهلة والقوية. ستتعلم كيفية بناء نموذج انحدار (Regression) ونموذج تصنيف (Classification) باستخدام Keras، بالإضافة إلى التعرف على نماذج التعلم العميق المُراقَب مثل الشبكات العصبية الالتفافية (CNN) والشبكات العصبية المتكررة (RNN). وفي النهاية ستقوم ببناء شبكة عصبية التفافية باستخدام Keras. تقدّم الدورة شروحات مبسطة لعدد من أكثر موضوعات علم البيانات رواجاً اليوم، وتساعدك على فهم ما هو التعلم العميق وكيف تعمل الشبكات العصبية، مع التركيز على تحويل المعرفة إلى نماذج قابلة للتنفيذ.

• التعرّف على تطبيقات التعلم العميق ولماذا يُعد تعلم مهاراته مجزياً ومفيداً.
• فهم الشبكات العصبية وكيف تتعلم وتحدّث الأوزان والانحيازات أثناء التدريب.
• فهم مشكلة تلاشي التدرّج (Vanishing Gradient) وتأثيرها على تدريب النماذج العميقة.
• بناء نموذج انحدار (Regression) باستخدام مكتبة Keras.
• بناء نموذج تصنيف (Classification) باستخدام مكتبة Keras.
• التعرّف على نماذج التعلم العميق المُراقَب مثل CNN وRNN، وبناء شبكة عصبية التفافية باستخدام Keras.

• برمجة بايثون (مثال: دورة Python Basics for Data Science على edX).
• تعلم الآلة باستخدام بايثون (مثال: دورة Machine Learning with Python: A Practical Introduction على edX).
• المشتقات الجزئية (يمكن العثور على شروحات لها على Khan Academy).