المعالجة المسبقة للبيانات لعلم البيانات

تقدّم دورة «المعالجة المسبقة للبيانات لعلم البيانات» مدخلاً شاملاً إلى الخطوات الأساسية اللازمة لتجهيز البيانات قبل التحليل وبناء نماذج تعلّم الآلة. تركّز الدورة على كيفية التعامل مع البيانات الخام وتحويلها إلى بيانات منظّمة وقابلة للاستخدام، بما يضمن الوصول إلى نتائج أدق ونماذج أكثر موثوقية. تغطي الدورة أهم التقنيات والأدوات المستخدمة في تنظيف البيانات ومعالجة المشكلات الشائعة مثل القيم المفقودة، والتكرارات، وعدم اتساق الصيغ، إضافةً إلى تحويل البيانات وتجهيزها لتناسب خوارزميات التعلّم الآلي. كما تتناول أساليب التطبيع والمعايرة مثل Min-Max Scaling والتوحيد القياسي باستخدام Z-Score، بهدف جعل المقاييس متقاربة وتحسين أداء النماذج. كما تركّز الدورة على تقليل البيانات من خلال تقنيات تقليل المجال (Domain Reduction) لتقليص حجم مجال البيانات وتقليل التعقيد، إلى جانب تطبيق طرق تقليل الأبعاد (Dimensionality Reduction) لتحسين قابلية الاستخدام والتصوّر البصري للبيانات. وتشمل هذه الطرق أساليب شائعة مثل تحليل المكوّنات الرئيسية (PCA) وt-SNE، والتي تساعد على تمثيل البيانات عالية الأبعاد بصورة أبسط وأكثر وضوحاً. تمنحك الدورة خبرة عملية باستخدام لغة بايثون ومكتبات شائعة مثل NumPy وscikit-learn، مع التركيز على تجهيز البيانات بالشكل الأمثل لبناء نماذج دقيقة وموثوقة في سياقات علم البيانات وتعلّم الآلة.

• فهم كيفية استيراد مجموعات البيانات من مصادر متعددة مع التركيز على ملفات CSV وكيفية التعامل مع اختلاف هياكل الملفات
• فهم مفهومي المجال والمدى (Domain وRange) في علم البيانات
• تقسيم البيانات إلى مجموعات تدريب واختبار
• تحديد دقة نماذج تعلّم الآلة الخاصة بك
• تطبيق التحجيم بطريقة Min-Max والتوحيد القياسي باستخدام Z-Score
• استخدام تقليل المجال (Domain Reduction) لتقليل حجم مجال بياناتك

• معرفة أساسية بالبرمجة
• يُفضّل الإلمام بلغة بايثون لكنه غير مطلوب