تعلم الآلة عملياً: التعلم الخاضع للإشراف وغير الخاضع

أحدث تعلّم الآلة (Machine Learning - ML، أو التعلّم الآلي) ثورة في طريقة تفاعلنا مع البيانات واتخاذ القرارات. يقدّم هذا المقرر التمهيدي المفاهيم الأساسية لتعلّم الآلة مع توضيح الفروق الجوهرية بين النماذج الخاضعة للإشراف والنماذج غير الخاضعة للإشراف. في البداية ستتعرّف إلى الركائز الأساسية لتعلّم الآلة، مثل: أنواع مشكلات التعلّم الآلي، مجموعة التدريب ومجموعة الاختبار، المعاملات (Parameters) والهايبر باراميترز (Hyperparameters)، وأساليب تقييم نماذج التصنيف والانحدار. كما ستتعلّم تقنيات تحسين النماذج والتحقق من جودتها مثل التحقق المتقاطع (Cross-Validation) والبحث الشبكي (Grid Search)، إلى جانب مفاهيم مهمة تساعدك على بناء نماذج أكثر موثوقية وتجنّب فرط التكيّف. بعد ذلك ستستكشف تقنيات محورية في التصنيف، بما في ذلك خوارزمية أقرب الجيران (kNN)، والانحدار اللوجستي، وأشجار القرار. وستتعرّف أيضاً إلى بعض نماذج الانحدار وكيفية استخدامها للتنبؤ بقيم رقمية من بيانات واقعية. وأخيراً ستنتقل إلى التعلّم غير الخاضع للإشراف عبر دراسة نماذج التجميع (Clustering) المستخدمة في التقسيم والتجزئة، مع التركيز على نموذجين شائعين: K-Means وDBSCAN. يهدف هذا المساق إلى تزويدك بفهم عملي متوازن بين المفاهيم والتطبيق، بحيث تصبح قادراً على تدريب النماذج والتحقق منها وتقييم أدائها باستخدام أدوات بايثون، وبالأخص مكتبة Scikit-learn، لبناء حلول مبتكرة قائمة على البيانات.

• فهم أساسيات تعلّم الآلة وتأثيره في صناعات متعددة
• التمييز بين التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف
• تنفيذ نماذج الانحدار والتصنيف باستخدام بايثون
• استكشاف تقنيات التجميع (Clustering) لأغراض التقسيم والشرائح
• استخدام Scikit-learn لتدريب نماذج تعلّم الآلة والتحقق منها
• تقييم أداء النماذج وتجنّب فرط التكيّف (Overfitting)

• معرفة أساسية بالبرمجة باستخدام بايثون
• أساسيات في الإحصاء