تعلم الآلة: التصنيف

تقدّم هذه الدورة مدخلاً عملياً إلى «التصنيف»، وهو أحد أهم أساليب تعلّم الآلة الخاضع للإشراف (Supervised ML) والمستخدم للتنبؤ بمخرجات فئوية مثل: نعم/لا، أو نوع الفئة، أو مستوى الخطر. ستتعرّف على كيفية بناء نماذج تنبؤية وتدريبها وتقييمها اعتماداً على بيانات واقعية، مع التركيز على فهم متى ولماذا نختار كل خوارزمية. ستتعلّم تطبيق تقنيات تصنيف أساسية مثل الانحدار اللوجستي (Logistic Regression) وأشجار القرار (Decision Trees)، ثم تنتقل إلى أساليب أكثر قوة ضمن «طرق التجميع» (Ensemble Methods) مثل الغابات العشوائية (Random Forests) وتعزيز التدرّج (Gradient Boosting) لتحسين الدقة والقدرة على التعميم. كما تركّز الدورة على ممارسات تعلم الآلة الصحيحة أثناء التدريب والاختبار، بما في ذلك تقسيم البيانات بشكل سليم إلى مجموعات تدريب واختبار لتقليل خطر فرط التكيّف (Overfitting) وضمان أن أداء النموذج يعكس قدرته على العمل في العالم الحقيقي. وستكتسب خبرة عملية في التعامل مع مشكلة شائعة في بيانات التصنيف وهي عدم توازن الفئات (Unbalanced Datasets)، عبر استخدام تقنيات مثل الإفراط في أخذ العينات (Oversampling) وتقليل العينات (Undersampling) لتحسين تعلّم النموذج للفئات النادرة. وأخيراً، ستتعلّم تقييم النماذج باستخدام مجموعة من مقاييس الأداء ومقاييس الخطأ، ما يساعدك على مقارنة نماذج التصنيف المختلفة واختيار الحل الأكثر فاعلية وملاءمة لمشكلات واقعية.

• بناء وتقييم نماذج تصنيف باستخدام الانحدار اللوجستي وأشجار القرار والغابات العشوائية وتعزيز التدرّج
• تطبيق أفضل الممارسات في تدريب النماذج واختبارها لتحسين التعميم ومنع فرط التكيّف
• معالجة مجموعات البيانات غير المتوازنة باستخدام تقنيات مثل الإفراط في أخذ العينات وتقليل العينات
• مقارنة نماذج التصنيف باستخدام مقاييس الأداء لاختيار الحل الأكثر فاعلية للمشكلات الواقعية

• الإلمام بالبرمجة ضمن بيئة تطوير بايثون
• فهم أساسي للتفاضل والتكامل والجبر الخطي والاحتمالات والإحصاء