محترف معتمد في تحليل البيانات بـ Python

برنامج محترف تحليل البيانات المعتمد باستخدام Python (CPDAP) هو تدريب عملي قائم على المشاريع، مصمم لبناء أساس قوي في Python وSQL والإحصاء وتصوير البيانات. ويغطي البرنامج مسار تحليل البيانات بالكامل، فيزوّد المشاركين بالمهارات التطبيقية اللازمة لتنظيف البيانات وتحليلها وعرضها بفعالية، ويهيئهم لأدوار واقعية مثل محلل البيانات أو محلل الأعمال، أو للتقدّم نحو أدوار علم البيانات مع حقيبة أعمال جاهزة لسوق العمل. ويُختتم البرنامج بمشروع نهائي شامل يمكّن المتعلمين من إثبات قدراتهم وبناء حقيبة أعمال تدعم دخولهم إلى الأدوار المرتكزة على البيانات.

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

طريقة التعلّم

• التدريب بقيادة المدرب (ILT): شارك في جلسات تفاعلية داخل قاعة التدريب يقودها محترفون ذوو خبرة في القطاع للحصول على تجربة تعلّم غامرة.
• التدريب الافتراضي بقيادة المدرب (VILT): انضم إلى فصول مباشرة عبر الإنترنت من أي مكان، بما يوفّر المرونة دون التفريط في التفاعل والإرشاد.

• الطامحون لأن يصبحوا محللي بياناتالراغبون في بناء أساس قوي في Python ومعالجة البيانات والتفكير التحليلي.
• المطوّرون ومهندسو البرمجياتالمحترفون الساعون إلى توسيع مهاراتهم لتشمل تحليل البيانات وتصويرها.
• محترفو الأعمال والتحليلاتالأفراد الراغبون في الاستفادة من تحليل البيانات في صنع القرارات الاستراتيجية واستخلاص رؤى الأعمال.

• إجراء تحليل البيانات والتقييمات الإحصائية باستخدام Python.
• تنظيف البيانات وتحويلها وتصويرها لاستخلاص رؤى ذات مغزى.
• تصميم قواعد البيانات العلائقية والاستعلام عنها باستخدام SQL.
• تطبيق تقنيات هندسة الخصائص لإعداد البيانات للتحليل.
• إجراء اختبارات A/B وتفسير نتائج التجارب.

ساعات البرنامج

84 ساعة

التدريب المؤسسي

11 يومًا كاملًا، تستغرق مدة كل يوم 7-8 ساعات.

المتعلمون الأفراد

برنامج مدته شهران وثلاثة أسابيع بواقع جلستين أسبوعيًا، مدة كل جلسة 4 ساعات؛ أو برنامج مدته ثلاثة أشهر وأسبوع بواقع جلسة واحدة أسبوعيًا، مدة كل جلسة 6 ساعات.

المواقع

الولايات المتحدة (نيوارك، ديلاوير)؛ المملكة العربية السعودية (الحسن بن علي، الرياض)؛ الإمارات العربية المتحدة — بالشراكة مع Elbadya Quantum (أبراج بحيرات جميرا، دبي)؛ مصر (القاهرة الجديدة؛ مدينة نصر، القاهرة؛ المهندسين، الجيزة).

عند إتمام برنامج محترف تحليل البيانات المعتمد باستخدام Python (CPDAP) بنجاح، يحصل المشاركون على شهادة إتمام رسمية صادرة عن Epsilon AI – ولاية ديلاوير الأمريكية، تقر بإتقانهم للبرمجة بـ Python وتحليل البيانات والإحصاء وSQL وتصوير البيانات. 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 تعلّم عالية الجودة ووثيقة الصلة بالقطاع. ويحصل جميع الخريجين على شهادة موثّقة رقميًا تتضمن معرّف شهادة فريدًا ومعرّف EPSILON شخصيًا، بما يتيح التحقق الفوري والآمن عبر الإنترنت. وإضافة إلى الشهادة الرقمية، تُصدر شهادة ورقية مرموقة مطبوعة بميزات أمان وعلامة تجارية متقدمة، تشمل رقمًا تسلسليًا ورمز تحقق فريدين، وختمًا مذهّبًا بارزًا 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.
• الحصول على درجة لا تقل عن 80% في الاختبار النهائي.
• إتمام مشروع التخرّج وعرضه بنجاح.

• مقدمة في علم البيانات ومشهد الذكاء الاصطناعي: نظرة عامة على مفاهيم الذكاء الاصطناعي وتحليل البيانات والتعلم الآلي وعلم البيانات؛ ومقدمة في مجالات الذكاء الاصطناعي الأساسية: الرؤية الحاسوبية والأنظمة ذاتية القيادة ومعالجة اللغة الطبيعية (NLP).
• عملية علم البيانات: نهج منظّم — فهم كل مرحلة من مراحل عملية علم البيانات من جمع البيانات إلى نشر النموذج؛ والخطوات الرئيسية لإنشاء الرؤى والحلول المستندة إلى البيانات.
• الأدوار والمسارات المهنية في علم البيانات: استكشاف الأدوار الرئيسية في علم البيانات — مهندس البيانات، ومحلل البيانات، وعالم البيانات، ومهندس التعلم الآلي، 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 والعمليات الحسابية؛ القيم المنطقية والمقارنة وعمليات البِت والمنطق؛ السلاسل النصية وطرق التعامل معها).
• هياكل التحكم: جمل If، وحلقات For وWhile.
• هياكل البيانات: القوائم (Lists) والصفوف (Tuples) والمجموعات (Sets) والقواميس (Dictionaries).
• الاختزالات في القوائم والقواميس (List and Dictionary Comprehensions).
• معالجة الاستثناءات.
• عمليات الملفات.
• الدوال وتعبيرات Lambda.
• الدوال والمعامِلات المدمجة (zip وenumerate وrange).
• 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): استخدام GitKraken لرفع مشروع إلى ملفك الشخصي.

• مفاهيم قواعد البيانات العلائقية - RDBMS: تصميم قواعد البيانات؛ الجداول والأعمدة وأنواع البيانات؛ العلاقات (واحد إلى متعدد ومتعدد إلى متعدد).
• MySQL لعلم البيانات: MySQL Workbench، وعمليات CRUD، وتحديد البيانات، وتصفية البيانات، وترتيب البيانات، وتحديد عدد النتائج، ودوال التجميع، وتجميع البيانات، والاستعلامات الفرعية، 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 لمتجر إلكتروني.
• المشروع 4: تحليل قاعدة بيانات نظام متجر إلكتروني.
• المشروع 5: تحليل قاعدة بيانات دورات Lynda.

• الجبر الخطي: عمليات المتجهات، وعمليات المصفوفات، ومعيار المتجه (Vector Norm)، والقيم الذاتية والمتجهات الذاتية والتحليل الذاتي (Eigendecomposition).
• أساسيات الإحصاء — الإحصاء الوصفي: فهم البيانات، ومقاييس النزعة المركزية، ومقاييس التشتت، والارتباط، والتوزيعات الطبيعية، والتوزيعات الطبيعية المعيارية، وتوزيع العيّنة.
• الإحصاء الاستدلالي: نظرية النهاية المركزية، والدلالة الإحصائية، واختبار الفرضيات، واختبار A/B، وفترة الثقة.
• الاحتمالات: أساسيات الاحتمال، والاحتمال الشرطي، ونظرية بايز.
• 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، والعمليات الحسابية والمنطقية، ودوال المصفوفات العامة (Universal Array Functions).
• أساسيات الإحصاء — الإحصاء الوصفي: فهم البيانات، ومقاييس النزعة المركزية، ومقاييس التشتت، والارتباط، والتوزيعات الطبيعية، والتوزيعات الطبيعية المعيارية، وتوزيع العيّنة.
• الإحصاء الاستدلالي: نظرية النهاية المركزية، والدلالة الإحصائية، واختبار الفرضيات، واختبار A/B، وفترة الثقة.
• Pandas: السلاسل (Series)، وأُطُر البيانات (Data Frames)، وإدخال البيانات وإخراجها، وتنظيف البيانات وتحويلها، والطرق المفيدة، ودالة apply، وتجميع البيانات ودوال التجميع، والدمج والربط والتسلسل، ومحورة البيانات (Pivoting).
• المشروع 6: مجموعة بيانات الأفلام من Kaggle.
• المشروع 7: مجموعة بيانات FIFA من Kaggle.

• Plotly: رسوم التوزيع، والرسوم الفئوية، والرسوم المصفوفية.
• Streamlit: تخصيص الرسوم (ضبط الألوان والعلامات وأنماط الخطوط والحدود ومفاتيح البيانات والتخطيطات)؛ والنصوص والتعليقات التوضيحية؛ وبناء لوحات المعلومات والتصوير التفاعلي.
• المشروع 6: مجموعة بيانات الأفلام من Kaggle (تابع).
• المشروع 7: مجموعة بيانات FIFA من Kaggle (تابع).

• هندسة الخصائص واستخراجها: خصائص معرفة المجال، وخصائص التاريخ والوقت، وعمليات السلاسل النصية، 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 الفئات غير المتوازنة، وتقسيم البيانات إلى مجموعتَي تدريب واختبار، وقياس 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 التعلم الآلي.
• إنشاء خدمة ويب باستخدام Streamlit.
• النشر إلى السحابة باستخدام Streamlit.
• المشروع 10: النشر على Streamlit.

• مشروع متكامل من البداية إلى النهاية يطبّق فيه المشاركون تنظيف البيانات، والتحليل الاستكشافي للبيانات (EDA)، والتصوير، واستخلاص الرؤى لحل مشكلة بيانات واقعية وإبراز مجموعة مهاراتهم التحليلية الكاملة.