Decision Tree & Random Forest with Python بالعربي

مرحبًا بك في دورة "Decision Trees & Random Forest باستخدام Python" – دورة عملية ومبسطة ستأخذك خطوة بخطوة لفهم خوارزميتين من أهم خوارزميات التعلم الآلي: شجرة القرار (Decision Tree) و الغابة العشوائية (Random Forest).

سنبدأ بشرح الأساسيات: ما هي شجرة القرار؟ كيف تعمل؟ ولماذا تُستخدم في التصنيف والتنبؤ؟ سنتعرف على مكونات الشجرة، وآلية اختيار الأسئلة، وأهمية معايير الانقسام مثل Gini Index وEntropy لبناء نموذج دقيق.

بعد ذلك، سننتقل إلى Random Forest، والتي تعتبر تطويرًا لشجرة القرار من خلال دمج عدة أشجار لزيادة الدقة وتقليل مشكلة Overfitting. ستتعرف على مفهوم Bagging وكيف يساهم في تحسين الأداء.

الدورة لا تقتصر على الشرح النظري فقط، بل تتضمن تطبيقات عملية باستخدام Python ومكتبة Scikit-learn. ستقوم بتحميل البيانات، تقسيمها، بناء النماذج، وتقييمها باستخدام مؤشرات الأداء مثل: الدقة، الاستدعاء، Precision، وF1-score. كما سنتعلم تحسين النموذج (Hyperparameter Tuning) باستخدام GridSearchCV.

بنهاية الدورة ستكون قادرًا على إنشاء نماذج قوية باستخدام Decision Tree وRandom Forest وحل مشكلات حقيقية في مجالات متعددة.

Welcome to “Decision Trees & Random Forest with Python” – a practical, beginner-friendly course designed to teach you the core concepts of two of the most powerful algorithms in machine learning: Decision Trees and Random Forests.

In this course, you will start by understanding the fundamentals of Decision Trees, how they work, and why they are so popular in classification and regression tasks. We will explore how these trees split data using measures like Gini Index and Entropy, and why selecting the right splitting criteria is crucial for building accurate models.

Once you master the basics, we’ll move on to Random Forest, an ensemble learning technique that combines multiple trees to deliver better performance, reduce overfitting, and improve accuracy. You’ll learn why Random Forest is a go-to algorithm for many real-world problems and how it leverages concepts like bagging and feature randomness.

The course includes hands-on Python coding exercises using Scikit-learn, where you’ll implement both algorithms on real datasets, evaluate performance using key metrics such as Accuracy, Precision, Recall, and F1-score, and visualize trees for better interpretability. We’ll also cover hyperparameter tuning with GridSearchCV to optimize your models.

By the end of this course, you’ll be confident in building, evaluating, and deploying Decision Tree and Random Forest models for real-world projects.