نبني مساقات علم البيانات بتعمق رياضي وتعلّم آلي متقدم
Aldawsari إطلاق مساقات متقدمة في علم البيانات والتعلّم الآلي
نعمل على تطوير مساقات متعمقة في Data Science وMachine Learning، مع اعتماد كبير على لغة Python بوصفها الأداة الأساسية للتطبيق العملي. لا يقتصر الهدف على تعليم البرمجة فحسب، بل يمتد إلى شرح الرياضيات الجامعية التي يحتاجها المتعلم حتى يتمكن من إجراء أبحاثه الخاصة وبناء نماذجه بنفسه.
هذه المهارات لا تزال تُدرَّس بصورة متخصصة في عدد محدود من الجامعات حول العالم، لذلك تتمثل الرؤية في إتاحة مفاهيم الرياضيات المتقدمة والتعلّم الآلي لكل شخص، في أي مكان، بشكل مجاني وتفاعلي وممتع.
تحديثات التطوير والتمويل
تقدم واضح في بناء المساقات
في تحديث لاحق، أُعلن عن تحقيق تقدم ملحوظ في هذه المساقات، مع وجود قائمة متكاملة تضم 40 مساقًا يجري تطويرها ضمن برامج تعليمية مجانية على مستوى الدرجات الأكاديمية التأسيسية والمتوسطة.
نجاح حملة الدعم المجتمعي
تمكنت المبادرة من تحقيق هدفها التمويلي بنجاح، إذ جُمعت تبرعات بقيمة $156,667 من 2,519 متبرعًا. ثم جرى مضاعفة جزء مهم من هذا المبلغ عبر مساهمة داعمة إضافية، ليصل الإجمالي إلى $306,667. وقد أتاح ذلك البدء الفعلي في توظيف الموارد لبناء المنهج.
توسيع الفريق التعليمي
من أوائل الخطوات العملية ضم متخصصين جدد إلى الفريق. شارك خبراء في تعليم الرياضيات وعلوم الحاسوب في تصميم المنهج، مع إعداد دفاتر Jupyter Notebooks لتدريس موضوعات أساسية مثل:
- التفاضل والتكامل
- الإحصاء
- الجبر الخطي
- المفاهيم الرياضية المؤسسة لعلم البيانات والتعلّم الآلي
كما يشارك باحثون أكاديميون ومتخصصون في التعلّم الآلي في إعداد محتوى مرئي يرافق المواد التفاعلية، بما يحقق تجربة تعلم أكثر وضوحًا وتسلسلًا.
جرى أيضًا تطوير نموذج أولي باستخدام Jupyter Notebook مع مكتبة SymPy، متضمنًا اختبارات آلية جاهزة للتحقق من الحلول البرمجية. وستُصقل هذه البنية خلال المراحل القادمة قبل إطلاق النسخة الأولى من المنهج.
ماذا ستغطي مساقات علم البيانات؟
سيتمكن المتعلم من إنجاز مئات المشاريع العملية بلغة Python للحصول على شهادات في مجالات متعددة، من أبرزها:
- الحوسبة العلمية باستخدام
Python - الرياضيات التأسيسية: الحساب، الجبر، الهندسة، حساب المثلثات
- حل المشكلات خوارزميًا: هياكل البيانات، القوة الغاشمة، التقسيم والحل، أقصر المسارات، الخوارزميات الجشعة، البرمجة الديناميكية
- الإحصاء الوصفي
- هندسة البيانات: خطوط المعالجة،
ETL، التخزين، تنظيف البيانات، واكتشاف الشذوذ - التحليل الاستكشافي للبيانات
- التفاضل والتكامل أحادي ومتعدد المتغيرات
- الاحتمالات والإحصاء الاستدلالي
- الجبر الخطي وجبر المصفوفات
- خوارزميات التعلم الموجّه: التصنيف والانحدار
- خوارزميات التعلم غير الموجّه: التجميع وتقليل الأبعاد
- خوارزميات التعلم المعزز والشبكات العصبية
بيئة تعلم مرنة وعملية
يمكن تنفيذ المشاريع داخل المتصفح أو محليًا على نظام التشغيل الخاص بالمتعلم. وستعتمد التجربة على دفاتر Jupyter Notebooks المليئة بالرسوم التفاعلية ومجموعات البيانات والاختبارات الآلية التي تساعد على التحقق من صحة الشيفرة فورًا.
ومن بين الأدوات التي سيستخدمها الدارس:
SQLNumPySciPySymPyMatplotlibPandasTensorFlowKerasscikit-learn
الفكرة الجوهرية هنا هي تمكين المتعلم من دراسة الرياضيات المتقدمة وعلوم الحاسوب عبر تطبيق مباشر، بدل الاكتفاء بالشرح النظري المنفصل عن الواقع العملي.
هل المشروع طموح أكثر من اللازم؟
قد يبدو هذا المشروع واسع النطاق، لكنه يستند إلى خبرة تعليمية حقيقية ومحتوى سابق يغطي كثيرًا من هذه الموضوعات. التحدي الأكبر ليس إنتاج المحتوى نفسه، بل دمجه في منهج مترابط، متسلسل، وتفاعلي، مع اختبارات آلية تضمن الفهم والممارسة.
النهج المعتمد أثبت كفاءته سابقًا، خصوصًا مع الوصول إلى أرقام استخدام ضخمة وبتكلفة تشغيلية فعالة. وهذا يعزز إمكانية تحويل المحتوى المتفرق إلى مسار تعليمي متكامل يخدم المتعلم بوضوح أكبر.
كيف يمكن تدريس الرياضيات وعلم البيانات داخل المتصفح؟
التركيز على المطورين أولًا
أحد أهم القرارات التصميمية في هذا المنهج هو توجيهه أساسًا إلى المتعلمين البالغين الذين يمتلكون قاعدة أولية في البرمجة وتطوير الويب. هذا الافتراض يغيّر طريقة التدريس بالكامل؛ فبدل البدء من الصفر، يمكن الانتقال مباشرة إلى توظيف البرمجة لفهم المفاهيم الرياضية.
تعليم الرياضيات عبر البرمجة
بدل الاعتماد الكامل على المحاضرات التقليدية أو التمارين الورقية، يمكن استخدام Python لحل المعادلات، تمثيل الدوال، اختبار الفرضيات، وبناء النماذج. هذا الأسلوب يجعل المفاهيم الرياضية أكثر قربًا من التطبيق، ويمنح المتعلم سببًا عمليًا لفهمها بعمق.
عندما تتحول المفاهيم مثل المصفوفات أو المشتقات أو الاحتمالات إلى أدوات تُستخدم فعليًا في تحليل البيانات وبناء النماذج، يصبح التعلم أكثر إقناعًا وأسرع ترسيخًا.
ماذا لو كنت تعرف بعض هذه الموضوعات مسبقًا؟
إذا كان لدى المتعلم معرفة سابقة ببعض المحاور، فلن يكون مضطرًا للالتزام الخطي الكامل بجميع الدروس. يمكنه التقدم مباشرة إلى مشاريع الشهادات، وإذا أثبت كفاءته عمليًا فسيكون بإمكانه الحصول على الشهادة دون الحاجة لإعادة دراسة ما يعرفه مسبقًا.
ومع ذلك، سيبقى المنهج نفسه منظمًا في مسار واضح، حتى يستفيد منه من يفضل التعلم المنهجي المتدرج، مع إمكانية الرجوع إلى أي جزء عند الحاجة للمراجعة.
هل تكفي الدورات المرئية وحدها؟
توجد بالفعل دورات مجانية طويلة تغطي معظم هذه الموضوعات عبر الفيديو، لكنها تمثل خطوة أولى فقط. فالفيديو ممتاز للفهم العام والمراجعة السريعة، لكنه لا يكفي وحده لبناء تجربة تعليمية متكاملة قائمة على التطبيق والاختبار والتقييم.
لهذا، ستظل المواد المرئية موردًا داعمًا مهمًا، لكنها لن تكون البديل عن المنهج التفاعلي الذي يربط الشرح بالمشاريع العملية والاختبارات المباشرة.
ماذا عن المتعلمين الموجودين داخل المنهج الحالي؟
لن يفقد المتعلمون تقدمهم الحالي. بعض الشهادات القديمة قد تتحول إلى مسارات أرشيفية أو Legacy Certifications، لكن ذلك لن يلغي ملكية المتعلم لهذه الشهادات أو قدرته على المطالبة بها لاحقًا. الهدف هو التطوير دون الإضرار بمسار المستخدم الحالي.
خريطة الإطلاق المتوقعة
بدل تحديد مواعيد إطلاق عامة صارمة، يعتمد المشروع على نشر المحتوى عندما يصبح جاهزًا فعلًا، ثم تحسينه بصورة مستمرة. وتتوزع الخطة على مراحل واضحة:
- المرحلة الأولى: نشر مشاريع الشهادات، إلى جانب دورات مرئية تساعد المتعلم على فهم المفاهيم المطلوبة.
- المرحلة الثانية: نشر مشاريع تدريب اختيارية لكل شهادة، لتصبح البديل العملي الأكثر تكاملًا من الاعتماد على الفيديو فقط.
- المرحلة الثالثة: إضافة المزيد من المشاريع التدريبية الاختيارية لتوسيع نطاق الممارسة والتكرار، بما يجعل المنهج ثريًا على المدى الطويل.
هذه الرؤية تعكس فهمًا عميقًا لطبيعة التعلم التقني: فالإتقان لا يأتي من المشاهدة وحدها، بل من التكرار والممارسة وحل المشكلات في سياقات متعددة.
هل سيكون المنهج مفتوح المصدر؟
نعم، سيُتاح المنهج كمشروع مفتوح المصدر، تمامًا مثل بقية المشاريع التعليمية المرتبطة به. وسيُستخدم ترخيص BSD-3 للشيفرة البرمجية، إلى جانب ترخيص CC-BY-SA 4.0 للمحتوى التعليمي.
هذا يعني أن المحتوى يتمتع بدرجة عالية من الانفتاح وإمكانية إعادة الاستخدام، وهو ما ينسجم مع فلسفة نشر المعرفة التقنية مجانًا ودون قيود تجارية معقدة.
كيف يمكن المساهمة في هذا المنهج؟
يمكن للمعلمين، ومتخصصي علم البيانات، والمهتمين بالرياضيات، تقديم ملاحظاتهم ومقترحاتهم للمساهمة في تحسين المحتوى. كما أن الدعم المجتمعي والتمويل يظلان عنصرين أساسيين لتسريع التطوير وتوسيع نطاق الوصول.
مثل هذه المبادرات لا تبني مجرد دورات تعليمية، بل تؤسس لمسار معرفي مفتوح يمكن أن يستفيد منه الأفراد والعائلات والمجتمعات في مختلف أنحاء العالم.
الخلاصة التقنية
يتميز هذا المشروع بأنه لا يقدّم Data Science بوصفه مجموعة أدوات منعزلة، بل يربطه بجذوره الرياضية والبرمجية في مسار تعليمي متكامل. ومن الناحية التقنية، فإن الدمج بين Python ودفاتر Jupyter والاختبارات الآلية يوفّر نموذجًا تعليميًا قويًا يجمع بين الفهم النظري والتطبيق العملي. هذا النوع من المناهج مرشح لأن يكون أكثر فاعلية من المحتوى التقليدي، لأنه يدرّب المتعلم على التفكير والتنفيذ معًا، لا على الحفظ فقط.