📢 فرصة للانضمام لفريق باي داتا جدة: إذا كنت مهتم في مجال علم البيانات وودك تترك أثر ايجابي على المجتمع بنشر العلم وتطوير مهارات الجيل القادم من علماء البيانات في جدة، عبي هذا الفورم قبل نهاية يوم ٣٠ يونيو: docs.google.com/forms/d/e/1F…

#كل_عام_وانتم_بخير #عيد_الفطر_المبارك

#رمضان_كريم #RamadanMubarak

نادرًا ما نحصل على بيانات كاملة، فما نجده غالبًا هو قِطعة منها أو عينة 🍰 لكن الخبر السار أنه يمكننا اختيار هذه العينة بعناية، بحيث تمثل عالمنا وتحقق أهدافنا 🎯 في مقالتنا الأولى، حنتكلم عن أخذ العينات في الإحصاء، وأساليبه، مع أمثلة تطبيقة بالبايثون 📝 : link.medium.com/W7Rb6DUXaxb

ونشكر أيضًا شركة مُزن @Mozn_ai على دعمها الدائم في رعاية هذا الحدث!

شكرًا للمهندس إياد على الحوار الممتع والمعلومات الشيقة المفيدة 🙌🏽

الحمد لله أنهينا يوم السبت لقائنا المثري مع @eyadsibai واللي كان بعنوان: "أنابيب تعلم الآلة باستخدام pandas و scikit-learn" شكراً لكم ، أبهرتمونا بجميل حضوركم ولنا لقاءات مثمرة قادمة إن شاء لله ✨

نشوفكم بكرة الساعة 7 مساءً ✨

انضموا معانا السبت الجاي في لقائنا الحضوري الثاني في جدة! ✨ حنستضيف إياد السباعي @eyadsibai عشان يشارك معانا خبرته في بناء أنابيب تعلم الآلة باستخدام مكتبتي pandas و scikit-learn 🚀 في انتظاركم يوم ١٤ يناير من الساعة ٧ إلى ٩ مساءً 🗓️ بادروا بالتسجيل🔗: meetup.com/pydata_jeddah/eve…

المراجع 🗒️: facebook.github.io/prophet/ البيانات (محدثة) 💹 : drive.google.com/file/d/1Guj… الكود 🔗: colab.research.google.com/dr…

وأخيرا، يجب توضيح أن أداة Prophet تمكننا من نمذجة العديد من السلاسل الزمنية في وقت قياسي وبمقدار معقول من الخطأ، وقد تكون الأداة الأفضل عند التعامل مع البيانات الفوضوية او المفقودة أو ذات تأثيرات موسمية قوية. 🌦️

بعد ذلك، نقوم بحفظ قيم التنبؤ الخاصة بكل نموذج ومن ثم مقارنتها بالقيم الحقيقية (بالأزرق). وأيضا مقارنة نتائج متوسط الخطأ التربيعي (MSE) و الجذر له (RMSE)، حيث يتضح تفوق ARIMA (بالأحمر) على نموذج Prophet (بالأصفر).

ثانيًا، نقوم بنمذجة البيانات أيضا بعد تقسيمها إلى بيانات للتدريب وللاختبار. باستخدام Prophet ، يمكن رسم قيم النموذج بالإضافة إلى فترات الثقة والتي تحدد افتراضيًا ب 80%.

أولًا، نقوم ببناء نموذج ARIMA باستخدام دالة auto_arima. اتضح أن نموذج ARIMA(2,1,2) هو الأفضل وتحتوي البيانات على اتجاه واضح بعد إضافة قيم السنوات من 2019 إلى 2022 ↗️↗️ يمكن الرجوع للثريد السابق لتوضيح كيفية إيجاد الاتجاه في البيانات: xitter.cf/PyDataJeddah/status/15…

أداة Prophet تقوم بعملية النمذجة والتنبؤ تلقائيًا بدون تدخل مباشر من المستخدم. 🧑‍💻 البيانات المستخدمة في هذا المثال هي بيانات المؤشر العام للسوق السعودي (TASI) محدثة للعام 2022 🪙

استكمالا لحديثنا السابق عن تحليل السلاسل الزمنية 📈 تعرفنا أولًا على نماذج ARIMA والتي تعد من أهم طرق التحليل والتنبؤ بالسلاسل الزمنية. اليوم سنقوم بمقارنة هذه النماذج مع أداة حديثة هي Prophet ، والتي أطلقتها #Meta أو ما تعرف سابقًا ب Facebook وكيفية تطبيقها باستخدام #Python

انضموا إلى لقائنا غدًا عن Transfer Learning واستخداماته في مجال NLP مع تطبيق عملي، في ورشة ذكاء: مقدمة للتعلّم الانتقالي في مجال معالجة اللغة الطبيعية ✨ بالتعاون مع @Thakaa_Center. 🗓️ 26 نوفمبر 🕔 7:00 - 8:00 م 🌐 عبر الإنترنت 🔗 سجّل الآن thakaa.sa/events/an-introduc…

رابط الكود 🔗: kaggle.com/hassanalsawadi/co…

في هذه السلسلة، تكلمنا عن الترابط وأنواعه وبعض المقاييس الإحصائية التي تحسبه. لكننا لم نتطرق إلى الشق الآخر من الموضوع: هل من الممكن أن نقيس ونكشف عن العلاقات السَببية causal relationships ؟ ↩️ خليكم قريبين عشان ما تفوتكم سلاسلنا القادمة، وأعطونا رأيكم عن هذا الثريد 🤗

إذا شغلنا الآن دالة ال Mutual Information على بيانات درجات الطلاب، سوف نجد أنها حَسبت العلاقة بين جميع بيانات الطلاب وبين درجاتهم النهائية، كما أننا سنلاحظ أن العمر هو صاحب أقوى علاقة مع الدرجة النهائية. تذكر 📝: أن قيم هذا المقياس تتراوح بين صفر (ليس هناك علاقة) وما لانهاية.