تعلم الآلة: النماذج غير الخاضعة للإشراف

تقدّم هذه الدورة مدخلاً تفصيلياً إلى التعلم غير الخاضع للإشراف، وهو أحد الفروع الأساسية في تعلم الآلة الذي يركّز على اكتشاف الأنماط والرؤى داخل البيانات دون الحاجة إلى مخرجات أو تسميات مسبقة. ستتعلّم كيفية التعامل مع مجموعات بيانات لا تحتوي على متغير هدف (Target Variable)، وذلك عبر تطبيق تقنيات قوية تساعدك على فهم بنية البيانات واستخلاص معلومات ذات معنى منها. ستتعمّق في طريقتين محوريتين: التجميع (Clustering) وخفض الأبعاد (Dimensionality Reduction). تُعد هذه الأساليب ضرورية لتحديد البنية الداخلية للبيانات، واكتشاف التجمعات أو المجموعات المخفية، وتبسيط مجموعات البيانات المعقدة مع الحفاظ على المعلومات المهمة. كما ستتعرّف على كيفية استخدام هذه التقنيات لاستكشاف البيانات غير المعلّمة، وتحويلها إلى تمثيلات أوضح تدعم التحليل واتخاذ القرار. خلال الدورة، ستستكشف خوارزميات شائعة الاستخدام مثل k-means، والتجميع الهرمي (Hierarchical Clustering)، وDBSCAN، وتحليل المكوّنات الرئيسية (PCA). وستتعلّم أيضاً كيفية اختيار المنهج الأنسب بناءً على طبيعة بياناتك، مثل شكل التوزيع، والكثافة، ووجود الضوضاء أو القيم الشاذة، وحجم الأبعاد. بالإضافة إلى ذلك، ستكتسب فهماً لتحديات العمل مع البيانات عالية الأبعاد، بما في ذلك «لعنة الأبعاد» (Curse of Dimensionality)، وكيف تؤثر على المسافات، والتجميع، وجودة النتائج، وما الاستراتيجيات التي تساعد على التعامل معها عند بناء نماذج غير خاضعة للإشراف في سيناريوهات واقعية.

• تعريف المفاهيم الأساسية للتعلم غير الخاضع للإشراف وتحديد متى يُستخدم التجميع وخفض الأبعاد مع مجموعات بيانات غير معلّمة
• تطبيق خوارزميات مثل k-means والتجميع الهرمي وDBSCAN وPCA باستخدام أدوات مثل NumPy لاكتشاف الأنماط المخفية وتبسيط البيانات المعقدة
• تحليل نتائج التجميع وتفسير مخرجات خفض الأبعاد وتقييم أداء النموذج مع معالجة تحديات مثل لعنة الأبعاد
• اختيار وتبرير تقنية التعلم غير الخاضع للإشراف الأنسب لمشكلات واقعية لاستخلاص رؤى ذات معنى من البيانات

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