خبير معتمد في علم البيانات (متقدّم)
شهادة علم بيانات متقدّمة من 88 ساعة للممارسين العاملين — تعلّم آلي متقدّم ونماذج مجمّعة، وهندسة خصائص وSQL متقدّمة، وضبط المعاملات الفائقة، ونشر النماذج ومراقبتها في الإنتاج — يُثبتها مشروع تخرّج من الواقع.
الدفعة القادمة
معلومات البرنامج
- النوع
- شهادة احترافية
- المجال
- شهادة فردية واحترافية
- المدة
- 88 Hours
- رمز البرنامج
- CDSE
- المتطلبات المسبقة
- إلمام أساسي بالحاسوب؛ بدون متطلبات متقدّمة.
طرق التسليم
- افتراضي مباشر — دفعات مباشرة عبر الإنترنت بقيادة مدرّب.
- حضوري — حضوريًا في مقرّك أو مقرّنا.
- ذاتي — تعلّم وفق جدولك الخاص.
الأدوات
- Advanced Python & OOP
- web scraping
- big data & DASK
- advanced ML & deployment
ماذا ستتعلم
برنامج خبير علم البيانات المعتمد (CDSE) هو تدريب رفيع المستوى قائم على المشاريع، مصمم للمحترفين المستعدين لإتقان مهارات علم البيانات المتقدمة. يمتد ليشمل برمجة Python على مستوى الخبراء، وتحليل البيانات الضخمة باستخدام Dask، وSQL المتقدم، والتعلم الآلي، والنشر في بيئات العمل الفعلية، ووحدات متخصصة مثل تحليل سلة السوق باستخدام خوارزميات متقدمة كـ Apriori وFP-Growth وEclat. ينجز المشاركون أكثر من 17 مشروعًا واقعيًا، مكتسبين خبرة عملية في بناء حلول قابلة للتوسع، وأتمتة سير العمل، ونشر النماذج، وقيادة مبادرات البيانات في أي قطاع. يتجاوز البرنامج المعرفة التأسيسية، ليتوّج بمشروع تخرّج يُبرز قدرة المشارك على القيادة وتقديم حلول مؤثرة في علم البيانات على نطاق واسع.
للالتحاق ببرنامج خبير علم البيانات المعتمد (CDSE)، يُشترط الحصول على شهادة محترف علم البيانات المعتمد (CDSP) (إلزامي).
طريقة التعلّم
- التدريب بقيادة مدرّب (ILT): شارك في جلسات تفاعلية داخل قاعات الدراسة يقودها محترفون ذوو خبرة في المجال، لتجربة تعلّم غامرة.
- التدريب الافتراضي بقيادة مدرّب (VILT): انضم إلى فصول مباشرة عبر الإنترنت من أي مكان، بما يوفّر المرونة دون التفريط في التفاعل والإرشاد.
- محترفو علم البيانات المعتمدون (خرّيجو CDSP)خرّيجو CDSP الطامحون للارتقاء إلى أدوار علم البيانات على مستوى الخبراء.
- علماء ومحللو البياناتعلماء ومحللو البيانات الباحثون عن خبرة متقدمة وواقعية.
- مهندسو ومطورو البرمجياتمهندسو ومطورو البرمجيات المتجهون نحو قيادة الذكاء الاصطناعي والتعلم الآلي.
- القادة التقنيون والمديرونالقادة التقنيون والمديرون الساعون لدفع الابتكار القائم على البيانات.
- الإحصائيونالإحصائيون الذين يطبّقون خبرتهم في التعلم الآلي على نطاق واسع.
- بناء وتحسين نماذج تنبؤية متقدمة.
- تطبيق هندسة الميزات والأساليب الإحصائية على نطاق واسع.
- إجراء تحليل معمّق للبيانات باستخدام Python ومجموعات بيانات واقعية.
- نشر النماذج باستخدام واجهات برمجة التطبيقات (APIs) وDocker وأدوات السحابة.
- تقديم مشاريع على مستوى الخبراء لإبراز القيادة في علم البيانات.
مشاريع Python المتقدمة والبرمجة كائنية التوجه (OOP)
- المشروع 1: نظام إدارة مكتبة باستخدام OOP
- المشروع 2: محاكاة نظام مصرفي باستخدام OOP
استخلاص بيانات الويب وقواعد البيانات
- المشروع 3: أداة استخلاص إعلانات وظائف Wuzzuf باستخدام خدمات الويب
- المشروع 4: نظام جمع بيانات مكتبة ديوان
- المشروع 5: تصميم وتحليل قاعدة بيانات للتجارة الإلكترونية
- المشروع 6: تحليل دورات Lynda باستخدام SQL
البيانات الضخمة وDask
- المشروع 7: تحليل مجموعة بيانات الرحلات الجوية باستخدام Dask
- المشروع 8: مشروع Stanford Open Policing – خط بيانات كامل باستخدام Dask
المعالجة المسبقة المتقدمة للبيانات والأتمتة
- المشروع 9: خط معالجة مسبقة متكامل للتنبؤ بالقروض
التعلم الآلي المتقدم وهندسة الميزات
- المشروع 10: التنبؤ بفقدان العملاء (تصنيف)
- المشروع 11: تقسيم العملاء بأسلوب RFM باستخدام DBSCAN (تجميع)
- المشروع 12: التعرف على أرقام MNIST باستخدام PCA والتعلم الآلي التقليدي
- المشروع 13: تصنيف صور الأشعة السينية (حالة استخدام في الرعاية الصحية)
- المشروع 14: تحليل سلة السوق
- المشروع 15: تحليل سلة السوق باستخدام Apriori
- المشروع 16: تحليل سلة السوق باستخدام Eclat
نشر النماذج
- المشروع 17: النشر عبر Flask وDocker والسحابة
مشروع التخرّج
- مشروع خبير متكامل من البداية إلى النهاية – جمع البيانات والنمذجة والنشر والعرض التقديمي.
- ساعات البرنامج
- 88 ساعة
- التدريب المؤسسي
- 11 يومًا كاملًا، مدة كل يوم من 7 إلى 8 ساعات.
- المتعلمون الأفراد
- برنامج مدته 3 أشهر بجلستين أسبوعيًا (4 ساعات لكل جلسة)، أو برنامج مدته 4 أشهر بجلسة واحدة أسبوعيًا (6 ساعات لكل جلسة).
عند إتمام برنامج خبير علم البيانات المعتمد (CDSE) بنجاح، يُمنح المشاركون شهادة إتمام رسمية صادرة عن EPSILON AI – ديلاوير، الولايات المتحدة، تقديرًا لكفاءتهم المتقدمة في علم البيانات والتعلم الآلي ونشر النماذج. يُقدَّم البرنامج بما يتوافق مع المعايير الدولية، بما في ذلك ISO 21001 وISO 9001، ويتّبع أطرًا معترفًا بها عالميًا مثل IACET وCPD. يحصل جميع الخرّيجين على شهادة موثّقة رقميًا تتضمّن معرّف شهادة فريدًا ومعرّف EPSILON شخصيًا للتحقق الفوري والآمن عبر الإنترنت، بالإضافة إلى شهادة ورقية مرموقة مطبوعة بميزات أمان وعلامة تجارية متقدمة: رقم تسلسلي فريد ورمز تحقق، وختم مذهّب بارز مع توقيعات EPSILON AI المعتمدة، وعناصر أمان مطبوعة بالأشعة فوق البنفسجية لتعزيز الأصالة والحماية من التزوير.
- حضور ما لا يقل عن 80% من الجلسات التدريبية المباشرة (ساعات التواصل المباشر).
- الحصول على درجة لا تقل عن 80% في الاختبار النهائي.
- إتمام مشروع التخرّج وعرضه بنجاح.
منهج البرنامج
- البرمجة كائنية التوجه (OOP)
- الأصناف والكائنات
- إخفاء البيانات والتغليف
- الوراثة
- المشروع رقم 1: نظام مكتبة باستخدام OOP
- المشروع رقم 2: نظام مصرفي باستخدام OOP
- مواقع مجموعات البيانات العامة
- طبولوجيا الشبكات
- الإنترنت وخوادم الويب
- دورة الطلب/الاستجابة في HTTP
- خدمات الويب وJSON
- مقدمة في HTML وCSS (قائمة تشغيل عبر الإنترنت)
- مفهوم الاستخلاص
- تنزيل الملفات
- مكتبة Beautiful Soup
- المشروع رقم 3: جمع بيانات وظائف Wuzzuf باستخدام خدمات الويب
- المشروع رقم 4: نظام جمع بيانات كتب ديوان
- عمليات الربط المتقدمة: الربط الخارجي الكامل، والربط الذاتي، والربط التقاطعي
- دوال النوافذ: استخدام ROW_NUMBER() وRANK() وDENSE_RANK() وNTILE()؛ وتطبيق عبارة OVER() للتحليل المتقدم للبيانات
- تعبيرات الجداول العامة (CTEs): مقدمة عن CTEs وفوائدها؛ وتعبيرات CTE التعاودية للبيانات الهرمية
- المشغّلات والإجراءات المخزّنة: كتابة واستخدام المشغّلات للإجراءات الآلية؛ وإنشاء إجراءات مخزّنة لمنطق قابل لإعادة الاستخدام
- معالجة الأخطاء في SQL: تنفيذ كتل TRY...CATCH لمعالجة الأخطاء
- الاستعلامات الفرعية المتقدمة: الاستعلامات الفرعية المترابطة وحالات استخدامها العملية
- أمن البيانات والصلاحيات: منح وإلغاء حقوق الوصول؛ وضمان سلامة البيانات عبر القيود وأفضل الممارسات
- المشروع رقم 5: تحليل قاعدة بيانات نظام التجارة الإلكترونية
- Python وMySQL
- المشروع رقم 6: تحليل قاعدة بيانات دورات Lynda
- نظرة عامة على Dask: مقدمة عن Dask وغرضه في الحوسبة المتوازية والموزّعة؛ والفروق بين Dask وأدوات Python التقليدية
- هياكل بيانات Dask: استخدام Dask Arrays وDask DataFrames لمعالجة البيانات واسعة النطاق؛ ومقارنة عمليات Dask DataFrame بـ pandas
- التقييم الكسول: شرح وفوائد نموذج التقييم الكسول في Dask؛ وكيفية تشغيل الحساب باستخدام .compute()
- المعالجة المتوازية باستخدام Dask: إنشاء وتنفيذ حسابات Dask بالتوازي؛ وجدولة المهام باستخدام Dask Scheduler؛ وإعداد Dask وإجراء الحسابات المتوازية
- المشروع رقم 7: تحليل مجموعة بيانات الرحلات الجوية باستخدام Dask
- تحسين أداء Dask: أفضل الممارسات لتقسيم البيانات؛ وفهم ومراقبة أداء Dask باستخدام لوحة معلومات Dask
- التعامل مع مجموعات البيانات الكبيرة: قراءة ومعالجة البيانات التي لا تتسع في الذاكرة؛ وتقسيم البيانات إلى أجزاء واستخدام Dask للحسابات خارج النواة
- Dask Delayed وFutures: استخدام dask.delayed لسير عمل متوازٍ مخصّص؛ وفهم واجهة Future للحسابات غير المتزامنة
- مشروع عملي: بناء وتشغيل خط معالجة بيانات باستخدام Dask للتعامل مع مجموعة بيانات كبيرة، لإبراز الحوسبة الموزّعة وتقنيات التحسين
- المشروع رقم 8: مشروع Stanford Open Policing باستخدام Dask
- تقنيات تعزيز البيانات المتقدمة: توليد بيانات اصطناعية لمجموعات البيانات غير المتوازنة باستخدام SMOTE أو ADASYN؛ وتطبيق استراتيجيات تعزيز البيانات لنمذجة أكثر متانة
- التعامل مع أنواع البيانات المعقدة: العمل مع البيانات النصية باستخدام تقنيات تحويل متجهية متقدمة (مثل TF-IDF وWord2Vec)؛ والتعامل مع بيانات السلاسل الزمنية: ميزات الإزاحة، والإحصاءات المتحركة، واستخلاص الاتجاهات
- مشروع عملي رقم 9: بناء وتنفيذ خط معالجة مسبقة للبيانات متكامل مع الأتمتة لمجموعة بيانات معقدة (التنبؤ بالقروض)
- الأساليب التجميعية
- التجميع (Bagging) والتعزيز (Boosting)
- XGBoost
- تقييم النماذج
- المشروع رقم 10: مشكلة فقدان العملاء
- مسائل التجميع
- DBSCAN
- المشروع رقم 11: تقسيم العملاء بالتجميع بأسلوب RFM
- قواعد الارتباط
- خوارزمية Apriori
- تقليل الأبعاد: التحويلات الخطية؛ والقيم الذاتية، والمتجهات الذاتية، والتفكيك الذاتي؛ وPCA
- المشروع رقم 12: بيانات MNIST باستخدام PCA والتعلم الآلي التقليدي
- المشروع رقم 13: بيانات الأشعة السينية
- تقنيات اختيار الميزات: أساليب التصفية (مثل الارتباط واختبار مربع كاي)؛ وأساليب التغليف (مثل الحذف التعاودي للميزات)؛ والأساليب المدمجة (مثل أهمية الميزات باستخدام النماذج الشجرية)
- أنشطة عملية: تطبيق تقنيات هندسة الميزات على مجموعة بيانات
- تحليل سلة السوق: مفاهيم تحليل سلة السوق؛ وقواعد الارتباط
- المشروع رقم 14: تحليل سلة السوق
- خوارزمية Apriori
- المشروع رقم 15: تحليل سلة السوق باستخدام Apriori
- خوارزمية FP-Growth
- خوارزمية Eclat
- المشروع رقم 16: تحليل سلة السوق باستخدام Eclat
- مقدمة في نشر النماذج
- تجهيز النموذج للنشر
- إنشاء واجهة برمجة تطبيقات Flask للنموذج
- كتابة ملف Dockerfile
- نشر النموذج باستخدام Docker
- اختبار واجهة برمجة التطبيقات المنشورة
- النشر على منصة سحابية
- المراقبة والصيانة
- المشروع رقم 17: نشر النموذج باستخدام Flask وDocker والسحابة
- مناقشة مشروع التخرّج وعرضه التقديمي وتقييمه.
الأسئلة الشائعة
كم تبلغ تكلفة البرنامج؟
تعتمد التكلفة على النمط الذي تختاره — عبر الإنترنت أو حضوريًا أو دفعة مؤسسية — وأي عروض حالية. املأ نموذج التسجيل في هذه الصفحة وسيتواصل معك أحد أعضاء فريق ابسلون بالسعر الدقيق والخيارات الأنسب لك.
متى تبدأ الدفعة القادمة؟
تُفتَح دفعات جديدة بانتظام عبر الإنترنت وحضوريًا. املأ نموذج التسجيل وسيتواصل معك فريقنا بأقرب مواعيد بدء تناسب جدولك.
هل البرنامج عبر الإنترنت أم حضوريًا، وبأي لغة؟
كلاهما — تقدّم ابسلون جلسات مباشرة بإشراف المدرّبين عبر الإنترنت وحضوريًا، إضافةً إلى دفعات مؤسسية مخصّصة. وتُقدَّم البرامج بالعربية والإنجليزية مع مواد ودعم ثنائيَّي اللغة. أخبرنا بتفضيلك في نموذج التسجيل.
ما الشهادة التي سأحصل عليها؟
شهادة معتمدة عالميًا من ابسلون لحلول التعلم والذكاء الاصطناعي — الولايات المتحدة، تحمل معرّف شهادة ومعرّف EPSILON فريدين. وتُمنح بنسبة حضور 80% واختبار نهائي 80% ومشروع تخرّج مكتمل، وهي قابلة للتحقّق عبر الإنترنت.
حمّل كتيّب البرنامج
أدخل بياناتك وسنفتح الكتيّب الكامل (PDF) — المنهج والمشاريع والشهادة والجدول.
واصل مسارك
في أكاديمية Epsilon AI، نؤمن بأن التعلّم يجب أن يكون معياريًا وعمليًا وقابلًا للتوسّع. يتيح لك نموذج الشهادات التكميلية (Top-Up) البدء بأساس متين ومواصلة التقدّم نحو تخصصات متقدمة قائمة على الأدوار. كل شهادة تحصل عليها تبني على سابقتها — لتمكينك من التقدّم خطوة بخطوة نحو أدوار عالية الطلب عبر مختلف القطاعات.
عالم بيانات / MLOps
- محترف معتمد في علم البيانات
- برنامج CDSP للتدريب المهني التطبيقي
- خبير معتمد في علم البيانات (متقدّم)
- مهندس MLOps معتمد
بعد 3 مشاريع تعلّم آلي متكاملة
مهندس أنظمة توصية
- محترف معتمد في علم البيانات
- خبير معتمد في علم البيانات (متقدّم)
- ماستر كلاس التعلّم العميق
- ماستر كلاس أنظمة التوصية
محلّل سلاسل زمنية
- محترف معتمد في علم البيانات
- خبير معتمد في علم البيانات (متقدّم)
- ماستر كلاس التعلّم العميق
- ماستر كلاس السلاسل الزمنية
بقيادة نخبة مدرّبي ابسلون
يُقدَّم كل برنامج على يد ممارسين ينفّذون أعمال الذكاء الاصطناعي والتحليلات في القطاع — الفريق نفسه عبر كل برامج ابسلون.
أين يعمل خرّيجونا
نماذج من جهات العمل التي توظّف خرّيجي ابسلون لحلول التعلم والذكاء الاصطناعي في المنطقة وخارجها.
الحصول على شهادتك المعتمدة
للحصول على الشهادة المعتمدة يجب اجتياز كلٍّ من اختبار تحديد المستوى والاختبار العملي بنسبة لا تقلّ عن 80%، مع سداد رسوم البرنامج.
التسجيل — خبير معتمد في علم البيانات (متقدّم)
أخبرنا قليلًا عنك وسنؤكّد مقعدك وجدولك وطريقة التسليم.