0. مشاريع تحضيرية لتعلم الآلة

هذه الدورة عبارة عن مجموعة من المحتوى المنظم لتعلم الآلة المُراقب وغير المُراقب.

مهم: تحتوي هذه الدورة على مواد سبق استخدامها في دورتين سابقتين متاحتين في ملفي الشخصي على Udemy. إذا كنت قد أكملتهما، فاعلم أن هذه النسخة مدمجة ومعاد تنظيمها لتوفير تجربة تعليمية موحدة دون الحاجة إلى الانتقال بين دورات متعددة.

1. مشاريع عملية وتطبيقات واقعية

المشروع 1: اختبار A/B على حركة مرور الويب

في هذا المشروع، ستعمل على بيانات حقيقية لحركة المرور على الويب من إحدى الشركات لتقييم تأثير نسختين من صفحة على معدلات تحويل المستخدمين. ستتعلم أن:

• تنظف وتستكشف بيانات المرور باستخدام مكتبة Pandas.

• تطبّق اختبارات إحصائية مثل اختبار t واختبار الفرضيات لمقارنة معدلات التحويل.

• تصوّر النتائج وتتخذ قرارات قائمة على البيانات.

• تنشئ تقريرًا يتضمن رؤى قابلة للتنفيذ لتحسين أداء الموقع.

المشروع 2: استكشاف بيانات البنوك لتعلم الآلة

في هذا التطبيق العملي، ستحلل مجموعة بيانات مالية تحتوي على معلومات عملاء البنوك لاكتشاف الأنماط وتحضير البيانات لنماذج تعلم الآلة. ستركّز على:

• تنظيف وتحويل البيانات باستخدام Pandas وNumPy.

• الاستكشاف البصري باستخدام Seaborn لتحديد الاتجاهات والارتباطات.

• استخدام الإحصاء الوصفي لفهم سلوك العملاء.

• تحضير البيانات للنمذجة التنبؤية.

المشروع 3: تحليل بيانات التأمين

ستعمل على بيانات من شركة تأمين لتحديد العوامل الأساسية التي تؤثر على تكاليف السياسات ومخاطر العملاء. ستتعلم أن:

• تنظف وتحول بيانات العملاء والمطالبات.

• تطبق تقنيات تحليل البيانات الاستكشافية لاكتشاف الاتجاهات والشذوذ.

• تستخدم الإحصاءات الوصفية والتصورات لدعم القرارات.

• تجهز البيانات لنماذج التنبؤ بالمخاطر.

المشروع 4: تحليل بيانات البرمجيات الخبيثة

في هذا المشروع، ستحلل مجموعة بيانات تحتوي على معلومات حول البرمجيات الخبيثة لاكتشاف أنماط الهجمات الإلكترونية والمساعدة في منع الثغرات. ستركّز على:

• تنظيف وهيكلة بيانات البرمجيات الخبيثة.

• الاستكشاف البصري لتحديد الخصائص ذات الصلة.

• تطبيق تقنيات المعالجة المسبقة لتحسين جودة البيانات.