يهيّئ تكوين Machine Learning من NEXT DATA لمهنة Data Scientist: معالجة بيانات من طبائع مختلفة بخوارزميات ملائمة للإجابة عن أسئلة القرار. يعلّم اختيار النموذج الأفضل أداءً بين الخوارزميات الموجَّهة وغير الموجَّهة والشبكات العصبية العميقة (Deep Learning).
مهنة Data Scientist شغف قبل كل شيء، يتجسد في معالجة بيانات من طبائع مختلفة بالاستعانة بخوارزميات ملائمة، للاستجابة لتحديات اتخاذ القرار. وهكذا ستتولى، ضمن فريق Data، اختيار النموذج الأفضل أداءً من بين مجموعة من الخوارزميات: الخاضعة للإشراف، وغير الخاضعة للإشراف، والشبكات العصبية العميقة (Deep Learning). وتكمن أهمية هذا النوع من الخوارزميات في قدرتها على جعل الآلات تتصرف دون برمجتها صراحةً، وإتقان هذه الخوارزميات هو بالضبط ما أتاح تصنيع السيارات ذاتية القيادة، والاستفادة من التعرّف على الصوت، وإجراء أبحاث فعالة على الويب، وبناء معرفة أفضل بكثير بالجينوم البشري.
يستند Machine Learning في الواقع إلى كفاءات متعددة التخصصات، مثل الإحصاء والجبر الخطي والاستمثال والمعلوميات، لتطوير أنظمة آلية قادرة على فرز أحجام كبيرة من البيانات من أجل اتخاذ القرارات مع تقليص التدخل البشري إلى أدنى حد. أما مجالات التطبيق، فقد أصبح Machine Learning حاضرًا في كل مكان، بتطبيقات تمتد من ذكاء الأعمال إلى أمن الدول، ومن تحليل التفاعلات البيوكيميائية إلى المراقبة البنيوية لتقادم الجسور، وغير ذلك.
شهادة التكوين:
- شهادة « Data Science ».
- إمكانية اجتياز شهادات IBM في علم البيانات.
طرق التسجيل ومعلومات عملية
السعر: 5 500 MAD
الصيغة: حضوريًا بالمحمدية-المغرب أو عن بُعد مباشرةً.
المدة: 6 أيام (6 ساعات/اليوم)
الدورات المقبلة عن بُعد مباشرةً:
- التوقيت: من 9h00 إلى 15h00
الدورات الحضورية المقبلة (المحمدية):
- المكان: angle boulevard Hassan II, rue El Jahid, Mohammedia
للتواصل:
المحمدية: (+212) 0652-073560 | (+212) 0608 06 89 89
سجّل الآن في تكوين Machine Learning
تعرّف هذه الوحدة، ومدتها 5 أيام عبر الإنترنت، المتعلّم بأساسيات بيئة البرمجة python، ومنها تقنيات البرمجة الأساسية مثل دوال lambda وقراءة ملفات csv ومعالجتها ومكتبة numpy. ويعرض الدرس تقنيات معالجة البيانات وتنظيفها باستخدام pandas، مكتبة python الشهيرة في علم البيانات، ويقدّم مفهومَي Series و DataFrame بوصفهما بنيتَي البيانات المحوريتين في تحليل البيانات. ويتناول الدرس كذلك Seaborn و Matplotlib، وهما من أقوى مكتبات التمثيل البصري في Python. وفي نهاية هذا الدرس، سيكون المتعلّمون قادرين على أخذ بيانات جدولية وتنظيفها ومعالجتها وإجراء تحليلات إحصائية استدلالية أساسية. أهداف الوحدة:
- إتقان لغة البرمجة python.
- معالجة البيانات وتحليلها باستخدام مكتبة Pandas.
- معالجة المصفوفات أو الجداول متعددة الأبعاد باستخدام مكتبة Pandas.
- إنشاء تمثيلات بصرية باستخدام Seaborn و Matplotlib، وهما من أقوى مكتبات التمثيل البصري في Python.
تهدف هذه الوحدة، ومدتها 5 أيام، إلى عرض التفاصيل اللازمة لاستيعاب Machine Learning بفعالية ولبناء المعرفة انطلاقًا من بيانات قد تكون من طبائع متعددة. ومن المواضيع المتناولة:
- فهم النظرية الأساسية التي يقوم عليها التعلم الآلي.
- القدرة على صياغة مسائل التعلم الآلي الموافقة لتطبيقات مختلفة.
- فهم مجموعة من خوارزميات التعلم الآلي ونقاط قوتها وضعفها.
- القدرة على تطبيق خوارزميات التعلم الآلي لحل مسائل متوسطة التعقيد.
- تطبيق الخوارزميات على مسألة واقعية، وتحسين النماذج المتعلَّمة، وبيان الدقة المنتظرة عند تطبيق النماذج.
- إدراك أهمية التمثيل البصري في حلول تحليل البيانات
- تطبيق التفكير المنظَّم على المسائل غير المنظَّمة
- فهم مجموعة واسعة جدًا من خوارزميات التعلم الآلي ومسائله
- تعلّم المواضيع الخوارزمية للتعلم الآلي بعمق كافٍ للتمهيد للجانب النظري
- إدراك ما ينطوي عليه التعلم انطلاقًا من البيانات
يعتمد التكوين كذلك على دراسات حالة وتطبيقات عديدة، حتى يتسنى تطبيق الخوارزميات على مسائل جديدة مثل تصنيف النصوص.
.
- مكوّن Machine Learning والإحصاء: مهندس دولة ومستشار إحصائي، خريج المعهد الوطني للإحصاء والاقتصاد التطبيقي (INSEA)، وحاصل على دكتوراه في الإحصاء. يملك مكوّننا أكثر من 13 سنة من الخبرة المهنية (في القطاعين الخاص والعام)، مع خبرة في معالجة البيانات ونمذجتها ومعرفة جيدة بالقطاعات الاقتصادية. وهو في الوقت نفسه أستاذ جامعي بجامعة الأخوين (AUI). وقد أطّر كذلك دورات تكوينية عديدة في Machine Learning ضمن مجموعات عمل متعددة، لفائدة طلبة الجامعات وكبريات المؤسسات مثل: Inwi.
البرنامج المفصّل لتكوين Machine Learning & Artificial Intelligence في 05 أيام حضوريًا وعن بُعد مباشرةً + 05 أيام عبر الإنترنت
كلمة ترحيب، وتقديم عام للتكوين والمتطلبات المسبقة والمفاهيم الأساسية في Machine Learning
يهدف هذا اليوم إلى التعريف بالمفاهيم الأساسية في Machine Learning. سيكوّن المتدربون فكرة دقيقة عن المتطلبات المسبقة، وعن Data Analytics Lifecycle، وعن المعايير والمواصفات المعتمدة في Machine Learning. وعليهم إتقان بعض التقنيات لاستعلام قواعد بياناتهم. وهكذا سيتمكنون من التمييز بين أنواع متعددة من المتغيرات ووصفها، ومن التمييز بين المسألة الحتمية والمسألة الاحتمالية. وستُتناول حالات تطبيقية خلال هذه الحصة الأولى. وبرنامج اليوم كالتالي:
- الأهداف وتحديد الحاجيات
- مدخل إلى التعلم الآلي
- التعلم الخاضع للإشراف، غير الخاضع للإشراف، والتعلم بالتعزيز
- تطبيقات ML وحالات الاستعمال
- Data analytics LifeCycle
- بيئة العمل (Python Fundamentals)
- نظرة عامة على python
- إعداد بيئة العمل
- اكتب أول سكربت لك
الموضوع 2.1 تحضير البيانات.
- تحليل البيانات باستخدام Pandas.
- Pandas DataFrame و Series.
- استيراد البيانات وتصديرها.
- تصفية البيانات وتقطيعها.
- تنظيف البيانات.
الموضوع 2.2 تحويل البيانات.
- ربط البيانات.
- تحويل البيانات.
- تجميع البيانات.
الموضوع 2.3 التمثيل البصري للبيانات.
- التمثيل البصري للبيانات باستخدام Matplotlib و Seaborn.
- تمثيل العلاقات الإحصائية بمخطط الانتشار.
- تمثيل البيانات الفئوية باستخدام Bar Plot.
- تمثيل الارتباط باستخدام Pair Plot و Heatmap.
- تمثيل العلاقات الخطية بالانحدار.
الموضوع 2.4 تحليل البيانات.
- تحليل البيانات الإحصائية.
- تحليل السلاسل الزمنية.
المحور 2.5 التحليل المتقدم للبيانات.
- مسارات معالجة البيانات (pipelines).
- التجميع حسب (group by) وتطبيق دوال مخصَّصة.
- الانحدار الخطي.
المحور 3.1 تقديم التعلم الآلي و Scikit Learn
- مدخل إلى التعلم الآلي
- التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف
- تطبيقات التعلم الآلي ودراسات الحالة
- ما هو Scikit Learn؟
- تثبيت Scikit-Learn
الموضوع 3.2 التصنيف
- ما هو التصنيف؟
- خوارزميات التصنيف
- سير عمل التصنيف
- مصفوفة الالتباس
- مقاييس التصنيف الثنائي
- ROC و AUC
الموضوع 3.3 الانحدار
- ما هو الانحدار؟
- خوارزميات الانحدار
- سير عمل الانحدار
- مقاييس الانحدار
- فرط التخصيص وأساليب التنظيم
المحور 3.4 التجميع العنقودي
- ما هو التجميع العنقودي؟
- التجميع العنقودي K-Means
- تحليل Silhouette
- المخطط الشجري والتجميع العنقودي الهرمي
الموضوع 3.5 تحليل المكوّنات الرئيسية
- مشكلة لعنة الأبعاد
- ما هو تحليل المكوّنات الرئيسية (ACP)؟
- تقليص الأبعاد باستخدام ACP
- مراجعة التصنيف
- التصنيف بالتفصيل
- تقديم حالة الاستعمال
- تطبيق دورة الحياة (LifeCycle)
- تحضير البيانات
- التحليل الاستكشافي
- النمذجة: Machine Learning
- النشر
- مراجعة التنبؤ
- التنبؤ بالتفصيل
- تقديم حالة الاستعمال
- تطبيق دورة الحياة (LifeCycle)
- تحضير البيانات
- التحليل الاستكشافي
- النمذجة: Machine Learning
- النشر
البرنامج المفصّل لدورة Python for datascience - عن بُعد - 5 أيام
Python part 1
الهدف من هذا الجزء هو بلوغ مستوى متوسط في البرمجة بلغة Python. ويشمل الوحدات التالية:
- مقدمة
- Why Python?
- HELLO WORLD
- INDENTATION
- VARIABLES
- DATA TYPES
- NUMBERS
- CASTING
- STRINGS
- BOOLEAN
- LISTS
- TUPLES
- Set
- Dictionaries
Python part 2
الهدف من هذا الجزء هو بلوغ مستوى متوسط في البرمجة بلغة Python. ويشمل الوحدات التالية:
- If … Else
- Loops
- Functions
- Lambda Functions
- Array
- Classes/Objects
- Inheritance
- Iterators
- Scope
- Modules
- Datetime
- JSON
- RegEx
- PIP
- Try … Except
- User Input
- String Formatting
Numpy
تتناول هذه الوحدة استخدام مكتبة numpy لإنشاء المصفوفات ومعالجتها.
- مقدمة
- Creating arrays
- Lab 1 – Creating array
- NumPy Array Indexing
- Array Slicing
- Lab 2 – Array Slicing
- Data Types
- Lab 3 – Data Type
- Array Shape
- Array Reshape
- Lab 4 – Array reshape
- Array Iterating
- Lab 5 – Array iterating
- Joining Array
- Lab 6 – Joining array
- Splitting Array
- Lab 7 – Splitting array
- Searching Arrays
- Lab 8 – Searching array
- Sorting Arrays
- Lab 9 – Sorting array
- Filter Array
- Random Numbers
- Lab 10 – Random number
Pandas
تتناول هذه الوحدة استخدام مكتبة pandas مع Python لإنشاء البيانات وهيكلتها.
- مقدمة
- Creating Data
- Lab 1 – Creating data
- Naive accessors
- Indexing in Pandas
- Lab 2 – Indexing
- Summary Functions and Maps
- Lab 3 – Summary Functions and Maps
- Grouping and Sorting
- Lab 4 – Grouping and Sorting
- Data Types & Missing Values
- Lab 5 – Data Types & Missing Values
- Renaming and Combining
Data Visualization
تتناول هذه الوحدة إنشاء تمثيلات مرئية للبيانات باستخدام matplotlib و seaborn مع Python.
- مقدمة
- Line chart
- Lab 1 – Line Charts – Los Angeles City Museums
- Bar chart & Heatmap
- Lab 2 – Bar chart & Heatmap
- Scatter Plots
- Lab 3 – Scatter plots
- Distributions
- Lab 4 – Distributions
- Pairplot
- Boxplot
الأسئلة الشائعة (FAQ)
مهنة Data Scientist شغف قبل كل شيء، يتجسد في معالجة بيانات من طبائع مختلفة بالاستعانة بخوارزميات ملائمة، للاستجابة لتحديات اتخاذ القرار. وهكذا ستتولى، ضمن فريق Data، اختيار النموذج الأفضل أداءً من بين مجموعة من الخوارزميات: الخاضعة للإشراف، وغير الخاضعة للإشراف، والشبكات العصبية العميقة (Deep Learning). وتكمن أهمية هذا النوع من الخوارزميات في قدرتها على جعل الآلات تتصرف دون برمجتها صراحةً، وإتقان هذه الخوارزميات هو بالضبط ما أتاح تصنيع السيارات ذاتية القيادة، والاستفادة من التعرّف على الصوت، وإجراء أبحاث فعالة على الويب، وبناء معرفة أفضل بكثير بالجينوم البشري.
يستند Machine Learning في الواقع إلى كفاءات متعددة التخصصات، مثل الإحصاء والجبر الخطي والاستمثال والمعلوميات، لتطوير أنظمة آلية قادرة على فرز أحجام كبيرة من البيانات من أجل اتخاذ القرارات مع تقليص التدخل البشري إلى أدنى حد. أما مجالات التطبيق، فقد أصبح Machine Learning حاضرًا في كل مكان، بتطبيقات تمتد من ذكاء الأعمال إلى أمن الدول، ومن تحليل التفاعلات البيوكيميائية إلى المراقبة البنيوية لتقادم الجسور، وغير ذلك.
في السياق نفسه، صمّم المشرفون على هذا التكوين برنامج Mini Master Machine Learning ليستفيد المتدربون من تكوين شامل يستجيب للمعايير الدولية. وأول نتيجة منتظرة هي تزويدكم بالأدوات اللازمة لإتقان أنجع تقنيات Machine Learning، حتى تتمرّنوا على تطبيقها وتشغيلها بأنفسكم. والأهم من ذلك أنكم لن تكتشفوا الأسس النظرية للتعلّم فحسب، بل ستكتسبون أيضاً الخبرة العملية اللازمة لتطبيق التقنيات المعروضة بفعالية على مشكلات جديدة في حالات واقعية.
بعد ذلك، يهدف التكوين إلى عرض التفاصيل اللازمة لاستيعاب Machine Learning بفعالية وبناء المعرفة انطلاقاً من بيانات قد تكون من طبائع متعددة. ومن بين المواضيع المتناولة:
- التعلّم الموجَّه (خوارزميات بارامترية/غير بارامترية)؛
- التعلّم غير الموجَّه (clustering، تقليص الأبعاد، أنظمة التوصية)؛
- الممارسات الجيدة في Machine Learning (نظرية الانحياز/التباين، مسار الابتكار والذكاء الاصطناعي).
يعتمد التكوين كذلك على دراسات حالة وتطبيقات عديدة، حتى يتسنى تطبيق الخوارزميات على مسائل جديدة مثل تصنيف النصوص.
- تكوين تصوّر واضح لما يعنيه تعلّم النماذج انطلاقاً من البيانات؛
- إتقان مفاهيم مجموعة واسعة من خوارزميات Machine Learning؛
- نمذجة بيانات كلاسيكية ومعقّدة وتطبيق الخوارزميات على مشكلة واقعية؛
- استخلاص المعرفة اعتماداً على الخوارزميات والنتائج المستمدّة من بياناتكم؛
- القدرة على تقييم النماذج المولَّدة انطلاقاً من البيانات؛
- الاختيار بين عدة مقاربات وتدريب النماذج؛
- تحسين النماذج مع مراعاة النتائج المنتظرة (الدقة، الموثوقية، الصحة، إلخ).
يشهد سوق تحليل Big Data نمواً عبر العالم، وهذا النمو القوي يمثّل فرصة ممتازة لجميع مهنيي المعلوميات. ويبحث مسؤولو التوظيف عن مهنيين حاصلين على شهادات Big Data Hadoop و Spark. تساعدكم دورتنا التكوينية في Machine Learning على اغتنام هذه الفرصة وتسريع مساركم المهني. ويمكن أن يتابع دورتنا Big Data Hadoop و Spark المهنيون والمبتدئون على حد سواء. وهي الأنسب لـ:
- المهتمون بشغف بمجال Big Data
- مطوّرو البرمجيات ورؤساء المشاريع
- مهندسو معمارية البرمجيات
- مستشار BI
- مهندسو البيانات
- Data Analyst
- Data scientist
- DBA ومهنيو قواعد البيانات
- مهندسو المعلوميات
- الخريجون الراغبون في بناء مسار مهني في مجال Big Data
ماذا يقول عملاؤنا عنا
Youssef Harrak
Harrak، عالم بيانات متمرّس متخصص في نماذج التعلم الآلي للتحليل التنبؤي. خبير في التحليل الإحصائي، يرصد الاتجاهات في مجموعات البيانات الكبيرة، مما يوجّه الاستراتيجية التجارية.
Mohammed El Amrani
Mohammed، عالم بيانات خبير في NLP والتعلم العميق. يجمع بين اللسانيات و machine learning لاستخلاص المعلومات من البيانات النصية. شغوف بالحلول المبتكرة لفهم اللغة وتوليدها.
Sanaa Bouazza
Bouazza، محللة بيانات متخصصة في ذكاء الأعمال (BI) والتقارير. خبيرة في Tableau و Power BI، تحوّل البيانات المعقدة إلى تمثيلات مرئية سهلة الفهم. Amily توصل الاتجاهات بفعالية، مما يسهّل اتخاذ قرارات مستنيرة لنجاح المؤسسة.
Karim El Mansouri
El Mansouri، مهندس بيانات متمرّس في cloud و DevOps. خبير في AWS و Azure، يصمّم حلول بيانات قابلة للتوسّع. بتركيزه على الأتمتة، يضمن Karim إيصال البيانات بفعالية في cloud.
Achraf Imrani
Achraf Imrani، محلل بيانات متخصص في التسويق وتصنيف العملاء. خبير في استخلاص المعلومات، يحسّن الحملات من أجل تفاعل فعّال مع العملاء.
Soufiane Tabrikt
Tabrikt، مهندس بيانات متمرّس في معالجة البيانات الضخمة والأنظمة الموزعة. خبير في Apache Hadoop و Spark، يصمّم Soufiane بنيات قابلة للتوسّع. دوره المحوري في بناء بنيات تحتية متينة للبيانات يستجيب للحاجات المتنوعة والمعقدة للمؤسسات.
يثقون بنا
Next Data مركز للموارد البشرية في مجالات IT و Data و Digital: توظيف واستقطاب الكفاءات وتكوين واستشارة لمهن المعلوميات والبيانات والمجال الرقمي. نحن روافد للأداء، ونضع الإنسان في صميم نجاحنا. فالمهم ليس ما نقوم به بقدر ما هو الطريقة التي نقوم به بها. وإلى جانب أنشطتنا الرئيسية، نقترح أيضًا دورات تكوينية لمواكبة شركائنا والعاملين معنا في تطوير كفاءاتهم.
روابط مفيدة
©2026. NEXT DATA. جميع الحقوق محفوظة.