كل الدورات
عن الدورة
يعتمد عمل نماذج التعلم الآلي على جودة البيانات المُعدة، لذا يُعد تحضير البيانات من المهارات الحيوية في هذا المجال. في هذا المساق، ستتعلم كيفية استيراد وتنظيف البيانات، والتعامل مع القيم المفقودة باستخدام تعويض القيم (imputation). ستتعلم أيضاً استخدام الرسوم البيانية مثل التوزيعات البيانية والمبعثرات ومخططات الصندوق لاكتشاف الاتجاهات المهمة قبل اختيار أهم الميزات. تتناول الدورة تقنيات هندسة الميزات مثل الترميز الثنائي (one hot encoding)، التقسيم (binning)، والمعايرة (scaling) لتعديل هيكل البيانات وتحسين جودة النموذج. يتضمن المساق تمارين تفاعلية، تحديات، وحالة دراسة شاملة في بايثون، بالإضافة إلى اختبار نهائي لتقييم المهارات المكتسبة.
ماذا ستتعلم
- استيراد وتنظيف البيانات باستخدام بايثون
- تطبيق تعويض القيم غير الموجودة (imputation)
- إجراء التحليل الاستكشافي للبيانات للكشف عن الاتجاهات
- اختيار الميزات الأكثر أهمية للنماذج
- تطبيق تقنيات هندسة الميزات المناسب للنماذج المختلفة
المتطلبات المسبقة
- خبرة سابقة في المفاهيم الأساسية المتعلقة بالدورة
- القدرة على استخدام الأدوات أو الطرق بشكل مستقل
المدرسون
C
CFI (Corporate Finance Institute)
المواضيع
تمويل
أعمال
تحليل البيانات
علوم البيانات
تعلّم الآلة
تحويل البيانات
مكتبة Pandas
هندسة الميزات
معلومات الدورة
المنصةCoursera
المستوىغير محدد
طريقة التعلمغير محدد
السعرمجاني
المهارات
تمويل
أعمال
تحليل البيانات
علوم البيانات
تعلّم الآلة
تحويل البيانات
مكتبة Pandas
هندسة الميزات
Data Manipulation
Statistical Visualization
إعلان
إعلان