المرحلة الثانية: تعلم الآلة الكلاسيكي

ML-للمبتدئين: وصف تفصيلي للمشروع

نظرة عامة على المشروع

ML-للمبتدئين هو مشروع تعليمي شامل للمبتدئين في مجال تعلم الآلة، تم تطويره بواسطة فريق مناصري السحابة في Microsoft. وهو عبارة عن نظام دورة تدريبية كلاسيكية لتعلم الآلة لمدة 12 أسبوعًا، تتضمن 26 درسًا و 52 اختبارًا قصيرًا، وتركز على استخدام البيانات الثقافية من جميع أنحاء العالم لاستكشاف تعلم الآلة.

الميزات الأساسية

• 🌍 منظور عالمي: تعلم الآلة من خلال البيانات الثقافية من جميع أنحاء العالم.
• 📚 دورة تدريبية منهجية: نظام دورة تدريبية كاملة لمدة 12 أسبوعًا، مع 26 درسًا تفصيليًا.
• 🧪 موجه نحو الممارسة: منهجية تعليمية قائمة على المشاريع، تعلم أثناء العمل.
• 🔍 نظام تقييم: يتضمن 52 اختبارًا قصيرًا، تقييم مزدوج قبل وبعد الدرس.
• 🎯 تعلم الآلة الكلاسيكي: يستخدم بشكل أساسي مكتبة Scikit-learn، ويتجنب محتوى التعلم العميق.

فلسفة التدريس

مبدآن أساسيان للتدريس

1. التطبيق العملي: التأكد من أن جميع المحتويات تعتمد على التعلم العملي القائم على المشاريع.
2. التقييم المتكرر: ضمان فعالية التعلم من خلال الاختبارات قبل وبعد الدرس.

هيكل الدورة

يتضمن كل درس المكونات التالية:

• ملاحظات مرسومة باليد اختيارية (sketchnote).
• مقاطع فيديو تكميلية اختيارية.
• عروض فيديو (بعض الدروس).
• اختبار إحماء قبل الدرس.
• محتوى الدرس المكتوب.
• دليل تفصيلي قائم على المشاريع.
• نقاط فحص المعرفة.
• تمارين التحدي.
• مواد قراءة إضافية.
• واجب منزلي.
• اختبار بعد الدرس.

مخطط الدورة التدريبية الكامل

الدروس 1-4: مقدمة أساسية لتعلم الآلة

• الدرس 1: مقدمة في تعلم الآلة.
• الدرس 2: تاريخ تعلم الآلة.
• الدرس 3: العدالة في تعلم الآلة.
• الدرس 4: تقنيات تعلم الآلة.

الدروس 5-8: تحليل الانحدار

• الدرس 5: مقدمة في الانحدار الخطي.
• الدرس 6: توقع أسعار اليقطين في أمريكا الشمالية (الانحدار الخطي).
• الدرس 7: توقع أسعار اليقطين (الانحدار متعدد الحدود).
• الدرس 8: مقدمة في الانحدار اللوجستي.

الدرس 9: تطوير تطبيقات الويب

• الدرس 9: بناء تطبيقات الويب.

الدروس 10-13: خوارزميات التصنيف

• الدرس 10: مقدمة في خوارزميات التصنيف.
• الدرس 11: تصنيف المأكولات الآسيوية والهندية.
• الدرس 12: المزيد من خوارزميات التصنيف.
• الدرس 13: أنظمة التوصية.

الدروس 14-15: خوارزميات التجميع

• الدرس 14: مقدمة في خوارزميات التجميع.
• الدرس 15: استكشاف الأذواق الموسيقية النيجيرية.

الدروس 16-20: معالجة اللغة الطبيعية

• الدرس 16: مقدمة في معالجة اللغة الطبيعية.
• الدرس 17: مهام شائعة في معالجة اللغة الطبيعية.
• الدرس 18: الترجمة وتحليل المشاعر.
• الدرس 19: تحليل تقييمات الفنادق الرومانسية (1).
• الدرس 20: تحليل تقييمات الفنادق الرومانسية (2).

الدروس 21-23: تحليل السلاسل الزمنية

• الدرس 21: مقدمة في التنبؤ بالسلاسل الزمنية.
• الدرس 22: التنبؤ بالسلاسل الزمنية باستخدام ARIMA.
• الدرس 23: التنبؤ بالسلاسل الزمنية باستخدام دعم متجه الانحدار.

الدروس 24-25: التعلم المعزز

• الدرس 24: التعلم المعزز و Q-Learning.
• الدرس 25: استخدام Gym للتعلم المعزز.

الدرس 26: تطبيقات العالم الحقيقي

• الدرس 26: تطبيقات تعلم الآلة في العالم الحقيقي.

المكدس التقني والأدوات

لغات البرمجة الرئيسية

• Python: تستخدم Python بشكل أساسي للتدريس.
• R: يتم توفير إصدار R لبعض الدورات.

المكتبات والأطر الأساسية

• Scikit-learn: مكتبة تعلم الآلة الرئيسية.
• نظام Python البيئي لعلوم البيانات: pandas, numpy, matplotlib، إلخ.

أدوات الدعم

• Jupyter Notebook: بيئة برمجة تفاعلية.
• R Markdown: يستخدم لدورات لغة R.
• Quiz App: تطبيق اختبار مخصص.

مصادر التعلم

دعم الوسائط المتعددة

• تساعد الملاحظات المرسومة باليد على فهم المفاهيم.
• توفر دروس الفيديو توضيحات إضافية.
• عروض توضيحية للمشاريع العملية.

نظام التقييم

• 52 اختبارًا قصيرًا (يتضمن كل منها 3 أسئلة).
• اختبارات ما قبل الدرس.
• اختبارات ما بعد الدرس.
• تقييم المشاريع العملية.

دعم المجتمع

• منطقة مناقشة GitHub.
• أداة تقييم التقدم في التعلم (PAT).
• التعلم من الأقران والتغذية الراجعة.

اقتراحات للتعلم

الجمهور المستهدف

• مبتدئين في تعلم الآلة.
• المتعلمون ذوو الخبرة الأساسية في البرمجة.
• الأفراد الذين يرغبون في دراسة تعلم الآلة الكلاسيكي بشكل منهجي.

طريقة التعلم

1. قم بعمل Fork للمشروع إلى حساب GitHub الشخصي.
2. أكمل كل درس بالترتيب.
3. أكمل جميع المشاريع العملية.
4. شارك في مناقشات المجتمع والتعلم من الأقران.

الدورات المصاحبة

• AI for Beginners: محتوى التعلم العميق.
• Data Science for Beginners: أساسيات علم البيانات.

فريق المشروع

المؤلفون الرئيسيون

• Jen Looper, Stephen Howell, Francesca Lazzeri
• Tomomi Imura, Cassie Breviu, Dmitry Soshnikov
• Chris Noring, Anirban Mukherjee, Ornella Altunyan
• Ruth Yakubu, Amy Boyd

تصميم الرسوم التوضيحية

• Tomomi Imura, Dasani Madipalli, Jen Looper

مساهمات سفراء الطلاب

• Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj
• Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum
• Ioan Samuila, Snigdha Agarwal

كيفية الاستخدام

الحصول على المشروع

git clone https://github.com/microsoft/ML-For-Beginners.git

تشغيل الوثائق محليًا

npm i docsify-cli -g
docsify serve

الوصول عبر الإنترنت

• الوصول مباشرة إلى مستودع GitHub.
• عرض مجموعة Microsoft Learn.
• مشاهدة دروس الفيديو على YouTube.

الترخيص والمساهمة

يتبع هذا المشروع ترخيصًا مفتوح المصدر، والمساهمات المجتمعية مرحب بها. يوفر المشروع إرشادات تفصيلية للمساهمة ومدونة لقواعد السلوك، ويدعم الترجمة متعددة اللغات وتحسين المحتوى.