محترف معتمد في علم البيانات

برنامج عالِم البيانات المحترف المعتمد (CDSP) هو رحلة تعليمية شاملة قائمة على المشاريع، صُممت لتزويد المشاركين بالمهارات والأدوات والخبرة العملية اللازمة للنجاح في عالم علم البيانات والذكاء الاصطناعي المتغير باستمرار. يغطي البرنامج الطيف الكامل لمسار علم البيانات—من البرمجة وإدارة قواعد البيانات إلى تعلم الآلة ونشر النماذج—وتمكّن هذه الشهادة المتعلمين من أن يصبحوا محترفين جاهزين لسوق العمل في أدوار عالية الطلب مثل محلل البيانات، وعالِم البيانات، ومهندس تعلم الآلة، وغيرها. يزوّد برنامج CDSP المتعلمين بالمهارات الأساسية في Python وSQL وتحليل البيانات والتصوير المرئي وتعلم الآلة. ومن خلال المشاريع العملية والإرشاد المتخصص، يبني المشاركون خبرة تطبيقية عبر سير العمل الكامل لعلم البيانات. ويُختتم البرنامج بمشروع تخرج (Capstone) يساعد المتعلمين على إبراز قدراتهم وبناء ملف أعمال قوي لمسارات مهنية عالية النمو في مجال البيانات والذكاء الاصطناعي.

لا توجد متطلبات مسبقة محددة للالتحاق بالبرنامج، لكن الإلمام الأساسي بالبرمجة والرياضيات والإحصاء سيعزز تجربتك التعليمية. مهارات برمجة أساسية (اختياري): فهم أساسي للغة برمجة واحدة على الأقل. الرياضيات والإحصاء (اختياري): الإلمام بالمفاهيم الأساسية في الرياضيات والإحصاء.

طريقة التعلّم

• التدريب بقيادة مُدرّب (ILT): شارك في جلسات تفاعلية داخل قاعة التدريب يقودها محترفون ذوو خبرة في الصناعة، لتجربة تعليمية غامرة.
• التدريب الافتراضي بقيادة مُدرّب (VILT): انضم إلى الحصص المباشرة عبر الإنترنت من أي مكان، بما يوفر المرونة دون التفريط في التفاعل والإرشاد.

• الطامحون لأن يصبحوا علماء بياناتمن يتطلعون إلى تطوير مهاراتهم في تعلم الآلة وتحليل البيانات.
• المطوّرون ومهندسو البرمجياتالمحترفون الساعون إلى توسيع قدراتهم في علم البيانات.
• مديرو ومحترفو التحليلاتالأفراد الراغبون في دمج علم البيانات ضمن استراتيجية الأعمال.
• الإحصائيونمن يهتمون باستخدام المعرفة الإحصائية في سياق تعلم الآلة.

• بناء النماذج التنبؤية وتحسينها باستخدام هندسة الخصائص (Feature Engineering).
• تصميم الأنظمة باستخدام تحليلات البيانات والأساليب الإحصائية.
• إجراء التحليلات باستخدام Python وتوصيل الرؤى المستخلصة.
• إنشاء اختبارات A/B ونشر النماذج وإدارة واجهات API.
• إبراز خبرتك في علم البيانات لتعزيز ملفك المهني.

التدريب المؤسسي

24 يومًا كاملًا، مدة كل يوم من 7 إلى 8 ساعات.

المتعلمون الأفراد

برنامج مدته 6 أشهر بواقع جلستين أسبوعيًا، مدة كل جلسة 4 ساعات؛ أو برنامج مدته 7 أشهر بواقع جلسة واحدة أسبوعيًا، مدة كل جلسة 6 ساعات.

عند إتمام برنامج عالِم البيانات المحترف المعتمد (CDSP) بنجاح، يحصل المشاركون على شهادة إتمام رسمية صادرة عن EPSILON AI – ولاية ديلاوير، الولايات المتحدة الأمريكية، تقديرًا لإتقانهم علم البيانات وتعلم الآلة ونشر النماذج. ويُقدَّم البرنامج بما يتوافق مع المعايير الدولية، بما في ذلك ISO 21001 وISO 9001، ويتبع أطرًا معترفًا بها عالميًا مثل IACET وCPD، بما يضمن تجربة تعليمية عالية الجودة وذات صلة بالصناعة. ويحصل جميع الخريجين على شهادة موثّقة رقميًا تحتوي على معرّف شهادة فريد (Certificate ID) ومعرّف EPSILON شخصي، مما يتيح التحقق الفوري والآمن عبر الإنترنت. وتُعد هذه الشهادة مثالية لملفات الأعمال المهنية وملفات LinkedIn والتحقق من قبل أصحاب العمل. وإلى جانب الشهادة الرقمية، تُصدر نسخة ورقية مرموقة مطبوعة بميزات أمنية وعلامات تجارية متقدمة، تشمل رقمًا تسلسليًا فريدًا ورمز تحقق، وختمًا ذهبيًا بارزًا وتوقيعات معتمدة من EPSILON AI، وعناصر أمنية مطبوعة بالأشعة فوق البنفسجية (UV) لتعزيز الأصالة والحماية من التزوير.

• حضور ما لا يقل عن 80% من الجلسات التدريبية المباشرة.
• الحصول على درجة لا تقل عن 80% في الاختبار النهائي.
• إتمام مشروع التخرج (Capstone) وعرضه بنجاح.

• مقدمة في علم البيانات ومشهد الذكاء الاصطناعي — نظرة عامة على مفاهيم الذكاء الاصطناعي وتحليل البيانات وتعلم الآلة وعلم البيانات؛ ومقدمة في المجالات الأساسية للذكاء الاصطناعي: الرؤية الحاسوبية (Computer Vision)، والأنظمة ذاتية القيادة، ومعالجة اللغة الطبيعية (NLP)
• عملية علم البيانات: نهج منظم — فهم كل مرحلة من مراحل عملية علم البيانات بدءًا من جمع البيانات وحتى نشر النموذج؛ والخطوات الرئيسية في إنشاء رؤى وحلول قائمة على البيانات
• الأدوار والمسارات المهنية في علم البيانات — استكشاف الأدوار الرئيسية في علم البيانات: مهندس البيانات، ومحلل البيانات، وعالِم البيانات، ومهندس تعلم الآلة (ML Engineer)، ومهندس MLOps؛ ومتطلبات المهارات والمسؤوليات والإسهامات الفريدة لكل دور
• خارطة طريق التطوير المهني في علم البيانات والذكاء الاصطناعي — بناء مسار مهني في علم البيانات والذكاء الاصطناعي: المهارات والشهادات والتدرّج الوظيفي؛ والأدوات والموارد لتسريع النمو المهني

• إعداد بيئة عمل Python — تثبيت Anaconda؛ والبيئات الافتراضية؛ وأساسيات سطر الأوامر؛ وإدارة الحزم باستخدام Conda وPip؛ ومقدمة في Jupyter Notebook؛ وأهمية Python في علم البيانات
• أساسيات Python: الإدخال/الإخراج؛ والمتغيرات؛ وأنواع البيانات (الأرقام والرياضيات؛ والقيم المنطقية والمقارنة والعمليات الثنائية والمنطق؛ والنصوص Strings وطرق التعامل معها)؛ وهياكل التحكم (جمل If؛ وحلقات For وWhile)؛ وهياكل البيانات (Lists وTuples وSets وDictionaries)
• الاختصارات الإنشائية للقوائم والقواميس (List and Dictionary Comprehensions)
• معالجة الاستثناءات (Exception Handling)
• عمليات الملفات (File Operations)
• الدوال وتعبيرات Lambda
• الدوال والمعاملات المدمجة (zip، enumerate، range)
• البرمجة الوظيفية باستخدام Map وFilter وReduce
• الوحدات والحزم (Modules & Packages)
• المشروع 1: حجر ورقة مقص
• المشروع 2: لعبة الرجل المشنوق (Hangman)
• Git وGitHub (إدارة الإصدارات) — GitKraken؛ ورفع المشروع إلى ملفك الشخصي

• مفاهيم قواعد البيانات العلائقية - RDBMS — تصميم قواعد البيانات؛ والجداول والأعمدة وأنواع البيانات؛ والعلاقات (واحد-إلى-متعدد ومتعدد-إلى-متعدد)
• MySQL لعلم البيانات — MySQL Workbench؛ وعمليات CRUD؛ واختيار البيانات؛ وتصفية البيانات؛ وترتيب البيانات؛ وتحديد عدد النتائج؛ والدوال التجميعية (Aggregate Functions)؛ وتجميع البيانات؛ والاستعلامات الفرعية (Subqueries)؛ وإدارة التاريخ والوقت؛ وإدراج بيانات جديدة؛ وتحديث البيانات؛ وحذف البيانات
• الاتصال بقواعد البيانات ومعالجة البيانات باستخدام Python
• نشاط: تصميم هيكل قاعدة بيانات مماثل لـ Facebook وTalabat وYouTube
• المشروع 3: تصميم قاعدة بيانات للتجارة الإلكترونية
• المشروع 4: تحليل قاعدة بيانات نظام التجارة الإلكترونية
• المشروع 5: تحليل قاعدة بيانات دورات Lynda

• الجبر الخطي — عمليات المتجهات؛ وعمليات المصفوفات؛ ومعيار المتجه (Vector Norm)؛ والقيم الذاتية والمتجهات الذاتية والتحليل الذاتي (Eigen decomposition)
• أساسيات الإحصاء — الإحصاء الوصفي: فهم البيانات؛ ومقاييس النزعة المركزية؛ ومقاييس التشتت؛ والارتباط؛ والتوزيعات الطبيعية؛ والتوزيع الطبيعي المعياري؛ وتوزيع العينة
• الإحصاء الاستدلالي — نظرية النهاية المركزية؛ والدلالة الإحصائية؛ واختبار الفرضيات؛ واختبار A/B؛ وفترة الثقة
• الاحتمالات — أساسيات الاحتمالات؛ والاحتمال الشرطي؛ ونظرية Bayes
• التفاضل والتكامل — معدل التغير؛ والمشتقات من الرتبة الأولى والثانية؛ والمشتقات الجزئية؛ وقاعدة السلسلة

• عملية التحليل الاستكشافي للبيانات (EDA)
• الجبر الخطي باستخدام NumPy — عمليات المتجهات؛ وعمليات المصفوفات؛ ومعيار المتجه (Vector Norm)
• NumPy — إنشاء مصفوفة NumPy؛ والفهرسة (Indexing)؛ والعمليات الحسابية والمنطقية؛ ودوال المصفوفات الشاملة (Universal Array Functions)
• أساسيات الإحصاء — الإحصاء الوصفي: فهم البيانات؛ ومقاييس النزعة المركزية؛ ومقاييس التشتت؛ والارتباط؛ والتوزيعات الطبيعية؛ والتوزيع الطبيعي المعياري؛ وتوزيع العينة
• الإحصاء الاستدلالي — نظرية النهاية المركزية؛ والدلالة الإحصائية؛ واختبار الفرضيات؛ واختبار A/B؛ وفترة الثقة
• Pandas — السلاسل (Series)؛ وإطارات البيانات (DataFrames)؛ وإدخال البيانات وإخراجها؛ وتنظيف البيانات وتحويلها؛ والطرق المفيدة؛ ودالة Apply؛ وتجميع البيانات والدوال التجميعية؛ والدمج والوصل والربط (Merging, Joining, Concatenating)؛ والاستدارة المحورية للبيانات (Pivoting)
• المشروع 6: مجموعة بيانات الأفلام من Kaggle
• المشروع 7: مجموعة بيانات FIFA من Kaggle

• Plotly — مخططات التوزيع؛ والمخططات الفئوية؛ ومخططات المصفوفات
• Streamlit — تخصيص المخططات (ضبط الألوان والعلامات وأنماط الخطوط والحدود والمفاتيح والتخطيطات)؛ والنصوص والتعليقات التوضيحية؛ وبناء لوحات المعلومات والتصورات التفاعلية
• المشروع 6: مجموعة بيانات الأفلام من Kaggle (تابع)
• المشروع 7: مجموعة بيانات FIFA من Kaggle (تابع)

• هندسة الخصائص واستخلاصها — خصائص المعرفة المجالية؛ وخصائص التاريخ والوقت؛ وعمليات النصوص؛ وبيانات الويب؛ والخصائص الجغرافية المكانية
• تحويلات الخصائص — تنظيف البيانات؛ والتعامل مع البيانات المكررة؛ واكتشاف القيم الشاذة ومعالجتها؛ والتعامل مع البيانات المفقودة؛ والتعامل مع البيانات الفئوية؛ ومعالجة عدم توازن الفئات؛ وتقسيم البيانات إلى مجموعتَي التدريب والاختبار؛ وتحجيم الخصائص (Feature Scaling)؛ والخريطة الذهنية للمعالجة المسبقة للبيانات
• المشروع 8: متجر Google Play
• المشروع 9: تحليل Uber

• Python كلغة للواجهة الخلفية (Backend)
• Streamlit كإطار عمل لتطبيقات البيانات
• دمج نموذج تعلم الآلة
• إنشاء خدمة ويب باستخدام Streamlit
• النشر باستخدام Streamlit على السحابة
• المشروع 10: النشر على Streamlit

• مشروع متكامل من البداية إلى النهاية يوضح تنظيف البيانات والتحليل الاستكشافي (EDA) والتصوير المرئي وعرض الرؤى المستخلصة

• مقدمة في تعلم الآلة
• التفاضل والتكامل — معدل التغير؛ والمشتقات من الرتبة الأولى والثانية؛ والمشتقات الجزئية؛ وقاعدة السلسلة
• التعلم الخاضع للإشراف — الانحدار: الانحدار الخطي البسيط؛ والانحدار الخطي المتعدد؛ وطرق الانحدار الأخرى (متعدد الحدود)؛ وتقنيات التنظيم (Regularization)؛ وتقييم أداء نموذج الانحدار
• المشروع 11: التنبؤ بأسعار السيارات المستعملة
• المشروع 12: التنبؤ بأسعار تذاكر الطيران
• التعلم الخاضع للإشراف — التصنيف: الانحدار اللوجستي (Logistic Regression)؛ وأقرب الجيران K (KNN)؛ وتقييم النموذج (الدقة)؛ وSVM؛ والاحتمالات؛ ونظرية Bayes؛ وNaive Bayes؛ وأشجار القرار (Decision Trees)؛ والغابات العشوائية (Random Forests)؛ وتقييم النموذج (ROC)
• المشروع 13: مسألة رضا ركاب شركات الطيران
• المشروع 14: مسألة الموافقة على بطاقات الائتمان
• التعلم غير الخاضع للإشراف — التجميع: K-Means؛ والتجميع الهرمي (Hierarchical Clustering)
• المشروع 15: تجميع المنازل
• المشروع 16: تجميع بيانات التجزئة عبر الإنترنت
• اختيار النموذج وتقييمه — التحقق المتقاطع (Cross Validation)؛ وضبط المعاملات الفائقة (Hyperparameter Tuning): البحث الشبكي (Grid Search)؛ والبحث العشوائي (Randomized Search)

• المشروع 17: نشر تطبيق ويب للتنبؤ بأسعار السيارات المستعملة على Streamlit

• التطوير المهني — بناء حضور رقمي: Kaggle وGitHub وMedium وLinkedIn؛ وإعداد السيرة الذاتية، واستراتيجيات التواصل المهني لمحترفي علم البيانات، والبحث عن الوظائف

• مناقشة المشروع النهائي — مشروع شامل يجمع بين المهارات في جمع البيانات والتحليل الاستكشافي (EDA) وبناء النماذج ونشرها