ML-For-Beginners/translations/ar

🌐 دعم متعدد اللغات

مدعوم عبر GitHub Action (تلقائي ومحدث دائمًا)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

انضم إلى المجتمع

تعلم الآلة للمبتدئين - منهج دراسي

🌍 سافر حول العالم بينما نستكشف تعلم الآلة من خلال ثقافات العالم 🌍

يسر فريق Cloud Advocates في Microsoft أن يقدم منهجًا دراسيًا مدته 12 أسبوعًا و26 درسًا حول تعلم الآلة. في هذا المنهج، ستتعلم ما يُطلق عليه أحيانًا تعلم الآلة الكلاسيكي، باستخدام مكتبة Scikit-learn بشكل أساسي وتجنب التعلم العميق، الذي يتم تغطيته في منهج الذكاء الاصطناعي للمبتدئين. قم بدمج هذه الدروس مع منهج علم البيانات للمبتدئين أيضًا!

سافر معنا حول العالم بينما نطبق هذه التقنيات الكلاسيكية على بيانات من مناطق مختلفة من العالم. يتضمن كل درس اختبارات قبل وبعد الدرس، وتعليمات مكتوبة لإكمال الدرس، وحلًا، ومهمة، والمزيد. تتيح لك منهجيتنا القائمة على المشاريع التعلم أثناء البناء، وهي طريقة مثبتة لجعل المهارات الجديدة "تلتصق".

✍️ شكر خاص لمؤلفينا Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu و Amy Boyd

🎨 شكر خاص لرسامينا Tomomi Imura, Dasani Madipalli, و Jen Looper

🙏 شكر خاص 🙏 لسفراء الطلاب في Microsoft، المؤلفين والمراجعين والمساهمين في المحتوى، لا سيما Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila، و Snigdha Agarwal

🤩 شكر إضافي لسفراء الطلاب في Microsoft Eric Wanjau, Jasleen Sondhi، و Vidushi Gupta لدروس R الخاصة بنا!

البدء

اتبع هذه الخطوات:

1. قم بعمل Fork للمستودع: انقر على زر "Fork" في الزاوية العلوية اليمنى من هذه الصفحة.
2. استنسخ المستودع: git clone https://github.com/microsoft/ML-For-Beginners.git

اعثر على جميع الموارد الإضافية لهذا الدورة في مجموعة Microsoft Learn الخاصة بنا

الطلاب، لاستخدام هذا المنهج، قم بعمل Fork للمستودع بالكامل إلى حساب GitHub الخاص بك وأكمل التمارين بمفردك أو مع مجموعة:

• ابدأ باختبار قبل المحاضرة.
• اقرأ المحاضرة وأكمل الأنشطة، مع التوقف والتفكير عند كل نقطة تحقق من المعرفة.
• حاول إنشاء المشاريع من خلال فهم الدروس بدلاً من تشغيل كود الحل؛ ومع ذلك، يتوفر هذا الكود في مجلدات /solution في كل درس قائم على المشاريع.
• قم بإجراء الاختبار بعد المحاضرة.
• أكمل التحدي.
• أكمل المهمة.
• بعد إكمال مجموعة من الدروس، قم بزيارة لوحة المناقشة و"تعلم بصوت عالٍ" من خلال ملء نموذج PAT المناسب. PAT هو أداة تقييم تقدمية تساعدك على تعزيز تعلمك. يمكنك أيضًا التفاعل مع PATs الآخرين حتى نتعلم معًا.

لمزيد من الدراسة، نوصي بمتابعة هذه وحدات Microsoft Learn.

المعلمون، لقد قمنا بتضمين بعض الاقتراحات حول كيفية استخدام هذا المنهج.

---

فيديوهات توضيحية

بعض الدروس متوفرة كفيديوهات قصيرة. يمكنك العثور على جميع هذه الفيديوهات داخل الدروس، أو على قائمة تشغيل تعلم الآلة للمبتدئين على قناة Microsoft Developer على YouTube بالنقر على الصورة أدناه.

---

تعرف على الفريق

الرسوم المتحركة بواسطة Mohit Jaisal

🎥 انقر على الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!

---

المنهجية

لقد اخترنا مبدأين تربويين أثناء بناء هذا المنهج: التأكد من أنه عملي قائم على المشاريع وأنه يتضمن اختبارات متكررة. بالإضافة إلى ذلك، يحتوي هذا المنهج على موضوع مشترك يمنحه التماسك.

من خلال ضمان توافق المحتوى مع المشاريع، يصبح التعلم أكثر جاذبية للطلاب ويتم تعزيز الاحتفاظ بالمفاهيم. بالإضافة إلى ذلك، يحدد الاختبار منخفض المخاطر قبل الفصل نية الطالب لتعلم موضوع معين، بينما يضمن اختبار آخر بعد الفصل مزيدًا من الاحتفاظ. تم تصميم هذا المنهج ليكون مرنًا وممتعًا ويمكن تناوله بالكامل أو جزئيًا. تبدأ المشاريع صغيرة وتصبح أكثر تعقيدًا بحلول نهاية الدورة التي تستمر 12 أسبوعًا. يتضمن هذا المنهج أيضًا ملحقًا حول التطبيقات الواقعية لتعلم الآلة، والذي يمكن استخدامه كائتمان إضافي أو كأساس للنقاش.

اعثر على مدونة قواعد السلوك، المساهمة، وإرشادات الترجمة. نرحب بملاحظاتك البناءة!

يتضمن كل درس

• رسم توضيحي اختياري
• فيديو إضافي اختياري
• فيديو توضيحي (بعض الدروس فقط)
• اختبار تمهيدي قبل المحاضرة
• درس مكتوب
• بالنسبة للدروس القائمة على المشاريع، إرشادات خطوة بخطوة حول كيفية بناء المشروع
• نقاط تحقق من المعرفة
• تحدي
• قراءة إضافية
• مهمة
• اختبار بعد المحاضرة

ملاحظة حول اللغات: تم كتابة هذه الدروس بشكل أساسي بلغة Python، ولكن العديد منها متاح أيضًا بلغة R. لإكمال درس R، انتقل إلى مجلد /solution وابحث عن دروس R. تحتوي على امتداد .rmd الذي يمثل ملف R Markdown، والذي يمكن تعريفه ببساطة على أنه تضمين لـ كتل الكود (بلغة R أو لغات أخرى) ورأس YAML (الذي يوجه كيفية تنسيق المخرجات مثل PDF) في مستند Markdown. وبالتالي، فإنه يعمل كإطار عمل تأليفي مثالي لعلم البيانات لأنه يسمح لك بدمج الكود الخاص بك، ومخرجاته، وأفكارك عن طريق كتابتها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى تنسيقات مخرجات مثل PDF أو HTML أو Word.

ملاحظة حول الاختبارات: جميع الاختبارات موجودة في مجلد تطبيق الاختبار، بإجمالي 52 اختبارًا يحتوي كل منها على ثلاثة أسئلة. يتم ربطها من داخل الدروس، ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع التعليمات في مجلد quiz-app لاستضافته محليًا أو نشره على Azure.

رقم الدرس	الموضوع	مجموعة الدروس	أهداف التعلم	الدرس المرتبط	المؤلف
01	مقدمة في تعلم الآلة	المقدمة	تعلم المفاهيم الأساسية وراء تعلم الآلة	الدرس	محمد
02	تاريخ تعلم الآلة	المقدمة	تعلم التاريخ الكامن وراء هذا المجال	الدرس	جين وأيمي
03	الإنصاف وتعلم الآلة	المقدمة	ما هي القضايا الفلسفية المهمة حول الإنصاف التي يجب على الطلاب أخذها في الاعتبار عند بناء وتطبيق نماذج تعلم الآلة؟	الدرس	تومومي
04	تقنيات تعلم الآلة	Introduction	ما هي التقنيات التي يستخدمها الباحثون في تعلم الآلة لبناء نماذج تعلم الآلة؟	Lesson	كريس وجين
05	مقدمة في الانحدار	Regression	البدء باستخدام Python و Scikit-learn لنماذج الانحدار	Python • R	جين • إريك وانجاو
06	أسعار القرع في أمريكا الشمالية 🎃	Regression	تصور وتنظيف البيانات استعدادًا لتعلم الآلة	Python • R	جين • إريك وانجاو
07	أسعار القرع في أمريكا الشمالية 🎃	Regression	بناء نماذج الانحدار الخطي والانحدار متعدد الحدود	Python • R	جين وديمتري • إريك وانجاو
08	أسعار القرع في أمريكا الشمالية 🎃	Regression	بناء نموذج انحدار لوجستي	Python • R	جين • إريك وانجاو
09	تطبيق ويب 🔌	Web App	بناء تطبيق ويب لاستخدام النموذج المدرب	Python	جين
10	مقدمة في التصنيف	Classification	تنظيف البيانات وتحضيرها وتصورها؛ مقدمة في التصنيف	Python • R	جين وكاسي • إريك وانجاو
11	المأكولات الآسيوية والهندية اللذيذة 🍜	Classification	مقدمة في المصنفات	Python • R	جين وكاسي • إريك وانجاو
12	المأكولات الآسيوية والهندية اللذيذة 🍜	Classification	المزيد من المصنفات	Python • R	جين وكاسي • إريك وانجاو
13	المأكولات الآسيوية والهندية اللذيذة 🍜	Classification	بناء تطبيق ويب للتوصيات باستخدام النموذج الخاص بك	Python	جين
14	مقدمة في التجميع	Clustering	تنظيف البيانات وتحضيرها وتصورها؛ مقدمة في التجميع	Python • R	جين • إريك وانجاو
15	استكشاف الأذواق الموسيقية النيجيرية 🎧	Clustering	استكشاف طريقة التجميع باستخدام K-Means	Python • R	جين • إريك وانجاو
16	مقدمة في معالجة اللغة الطبيعية ☕️	Natural language processing	تعلم الأساسيات حول معالجة اللغة الطبيعية من خلال بناء روبوت بسيط	Python	ستيفن
17	مهام معالجة اللغة الطبيعية الشائعة ☕️	Natural language processing	تعميق المعرفة بمعالجة اللغة الطبيعية من خلال فهم المهام الشائعة المطلوبة عند التعامل مع الهياكل اللغوية	Python	ستيفن
18	الترجمة وتحليل المشاعر ♥️	Natural language processing	الترجمة وتحليل المشاعر باستخدام أعمال جين أوستن	Python	ستيفن
19	الفنادق الرومانسية في أوروبا ♥️	Natural language processing	تحليل المشاعر باستخدام مراجعات الفنادق 1	Python	ستيفن
20	الفنادق الرومانسية في أوروبا ♥️	Natural language processing	تحليل المشاعر باستخدام مراجعات الفنادق 2	Python	ستيفن
21	مقدمة في التنبؤ بالسلاسل الزمنية	Time series	مقدمة في التنبؤ بالسلاسل الزمنية	Python	فرانشيسكا
22	⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام ARIMA	Time series	التنبؤ بالسلاسل الزمنية باستخدام ARIMA	Python	فرانشيسكا
23	⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام SVR	Time series	التنبؤ بالسلاسل الزمنية باستخدام Support Vector Regressor	Python	أنيربان
24	مقدمة في التعلم المعزز	Reinforcement learning	مقدمة في التعلم المعزز باستخدام Q-Learning	Python	ديمتري
25	مساعدة بيتر لتجنب الذئب! 🐺	Reinforcement learning	التعلم المعزز باستخدام Gym	Python	ديمتري
Postscript	سيناريوهات وتطبيقات تعلم الآلة في العالم الحقيقي	ML in the Wild	تطبيقات مثيرة وكاشفة لتعلم الآلة الكلاسيكي	Lesson	الفريق
Postscript	تصحيح نماذج تعلم الآلة باستخدام لوحة تحكم الذكاء الاصطناعي المسؤول	ML in the Wild	تصحيح نماذج تعلم الآلة باستخدام مكونات لوحة تحكم الذكاء الاصطناعي المسؤول	Lesson	روث ياكوبو

ابحث عن جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا

الوصول دون اتصال

يمكنك تشغيل هذا التوثيق دون اتصال باستخدام Docsify. قم باستنساخ هذا المستودع، تثبيت Docsify على جهازك المحلي، ثم في المجلد الجذري لهذا المستودع، اكتب docsify serve. سيتم تشغيل الموقع على المنفذ 3000 على جهازك المحلي: localhost:3000.

ملفات PDF

ابحث عن ملف PDF للمناهج مع الروابط هنا.

🎒 دورات أخرى

فريقنا يقدم دورات أخرى! تحقق من:

• الذكاء الاصطناعي التوليدي للمبتدئين
• الذكاء الاصطناعي التوليدي للمبتدئين .NET
• الذكاء الاصطناعي التوليدي باستخدام JavaScript
• الذكاء الاصطناعي التوليدي باستخدام Java
• الذكاء الاصطناعي للمبتدئين
• علم البيانات للمبتدئين
• تعلم الآلة للمبتدئين
• الأمن السيبراني للمبتدئين
• تطوير الويب للمبتدئين
• إنترنت الأشياء للمبتدئين
• تطوير الواقع الممتد للمبتدئين
• إتقان GitHub Copilot للبرمجة الزوجية
• إتقان GitHub Copilot لمطوري C#/.NET
• اختر مغامرتك الخاصة مع Copilot

---

إخلاء المسؤولية:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.