دليلك الشامل: كيف تطور مهاراتك في علم البيانات بفعالية وأنت تعمل من المنزل
Aldawsari 
مع التطورات المتسارعة في بيئة العمل العالمية، أصبح العمل من المنزل أو عن بعد خيارًا شائعًا وضروريًا للكثيرين. هذه الظروف تفتح آفاقًا جديدة لاستغلال الوقت بفعالية، ليس فقط في إنجاز المهام اليومية، بل في تطوير المهارات واكتساب معرفة جديدة. إذا كنت تعمل من المنزل وتقرأ هذا المقال، فاعلم أن هذه فرصة ذهبية لتعزيز قدراتك في مجال علم البيانات.
يهدف هذا الدليل إلى تزويدك باستراتيجية شاملة لتحسين مهاراتك في علم البيانات، بدءًا من الأساسيات وصولاً إلى بناء مشاريع واقعية تعزز محفظتك المهنية، وتعدك للمستقبل. سواء كنت مبتدئًا يتطلع لدخول هذا المجال الواعد أو محترفًا يسعى لتحديث معارفه، ستجد هنا خارطة طريق واضحة ومفيدة. فلتتفضل بتناول قهوتك، ودعنا نبدأ رحلتنا في عالم علم البيانات من راحة منزلك!
مصدر الصورة: Nick Morrison على Unsplash
المتطلبات الأساسية لرحلتك في علم البيانات
للبدء في هذه الرحلة، ستحتاج إلى تغطية بعض المتطلبات الأساسية. بغض النظر عن المجال المحدد الذي تعمل فيه، ستحتاج إلى تعلم هذه المبادئ لعلم البيانات.
المنطق والخوارزميات (Logic/Algorithms)
من المهم معرفة سبب حاجتنا إلى متطلب أساسي معين قبل تعلمه. الخوارزميات هي في الأساس مجموعة من التعليمات المعطاة لجهاز الحاسوب لجعله يؤدي مهمة محددة. يعتمد تعلم الآلة (Machine Learning) على مجموعة متنوعة من الخوارزميات المعقدة. لذلك، تحتاج إلى فهم كيفية عمل Algorithms وLogic على مستوى أساسي قبل القفز إلى الخوارزميات المعقدة اللازمة لتعلم الآلة. إذا كنت قادرًا على كتابة المنطق لأي لغز معين بخطوات صحيحة، فسيكون من السهل عليك فهم كيفية عمل هذه الخوارزميات ويمكنك كتابة واحدة بنفسك.
مصادر مفيدة:
الإحصاء (Statistics)
الإحصاء هو مجموعة من الأدوات التي يمكنك استخدامها للحصول على إجابات لأسئلة مهمة حول البيانات. تعلم الآلة (Machine Learning) وStatistics هما مجالان مترابطان بشكل وثيق لدرجة أن الإحصائيين يشيرون إلى تعلم الآلة على أنه “applied statistics” (إحصاء تطبيقي) أو “statistical learning” (تعلم إحصائي).
مصدر الصورة: me.me
يجب على علماء البيانات الطموحين تغطية المواضيع التالية قبل أن يبدأوا في تعلم الآلة:
- مقاييس النزعة المركزية: مثل
mean(المتوسط)،median(الوسيط)،mode(المنوال)، إلخ. - مقاييس التشتت: مثل
variance(التباين)،standard deviation(الانحراف المعياري)،z-score(الدرجة المعيارية)، إلخ. - الاحتمالات: مثل
probability density function(دالة الكثافة الاحتمالية)،conditional probability(الاحتمال الشرطي)، إلخ. - الدقة: مثل
true positive(الإيجابي الحقيقي)،false positive(الإيجابي الخاطئ)،sensitivity(الحساسية)، إلخ. - اختبار الفرضيات والأهمية الإحصائية: مثل
p-value(القيمة الاحتمالية)،null hypothesis(الفرضية الصفرية)، إلخ.
مصادر مفيدة:
فهم سياق الأعمال (Business Acumen)
يعتمد هذا على المجال الذي ترغب في التركيز عليه. يتضمن أساسًا فهم المجال المحدد واكتساب الخبرة فيه قبل البدء في مشروع علم البيانات. هذا أمر مهم لأنه يساعد في تحديد مشكلتنا بدقة.
مصادر مفيدة:
صقل مهاراتك الأساسية
قد يبدو هذا سهلًا، لكننا نميل إلى نسيان بعض المفاهيم الأساسية المهمة. يصبح من الصعب تعلم مفاهيم أكثر تعقيدًا وأحدث التقنيات في مجال معين دون وجود أساس قوي في الأساسيات. إليك بعض المفاهيم التي يمكنك البدء في مراجعتها:
لغة البرمجة بايثون (Python)
تُستخدم Python على نطاق واسع في علم البيانات. تحقق من هذه المجموعة من دروس Python الرائعة و عينات الكود المفيدة للبدء.
مصدر الصورة: memecrunch.com
يمكنك أيضًا الاطلاع على ورقة الغش Python3 Cheatsheet التي ستساعدك على تعلم بناء الجملة الجديد الذي تم إصداره في Python3. ستساعدك أيضًا على صقل بناء الجملة الأساسي. وإذا كنت تريد دورة مجانية رائعة، تحقق من دورة Python for Everybody من الدكتور تشاك.
مهارات علم البيانات العامة
هل ترغب في أخذ دورة رائعة حول مفاهيم علم البيانات؟ إليك مجموعة من دورات علم البيانات التي يمكنك أخذها عبر الإنترنت، مصنفة وفقًا لآلاف نقاط البيانات.
مصادر مفيدة:
جمع البيانات: أين تكمن كنوزك؟
الآن حان الوقت لاستكشاف جميع الطرق التي يمكنك من خلالها جمع بياناتك. لا تعرف أبدًا أين قد تختبئ بياناتك. فيما يلي بعض الطرق التي يمكنك من خلالها جمع بياناتك:
استخلاص البيانات من الويب (Web Scraping)
يساعدك Web scraping على جمع بيانات منظمة من الويب، واختيار بعض تلك البيانات، والاحتفاظ بما اخترته لأي استخدام تحتاجه. يمكنك البدء في تعلم BeautifulSoup4 الذي يساعدك على استخلاص البيانات من مواقع الويب وإنشاء مجموعات البيانات الخاصة بك. نصيحة متقدمة: يمكنك أتمتة المتصفحات والحصول على البيانات من صفحات الويب التفاعلية مثل Firebase باستخدام Selenium. إنه مفيد لأتمتة تطبيقات الويب وأتمتة المهام الإدارية المملة المستندة إلى الويب.
مصادر مفيدة:
الخوادم السحابية (Cloud Servers)
إذا كانت بياناتك مخزنة على خوادم سحابية مثل S3، فقد تحتاج إلى التعرف على كيفية الحصول على البيانات من هناك. سيساعدك الرابط التالي على فهم كيفية تنفيذها باستخدام Amazon S3.
مصادر مفيدة:
واجهات برمجة التطبيقات (APIs)
هناك ملايين مواقع الويب التي توفر البيانات من خلال APIs مثل فيسبوك وتويتر، إلخ. لذلك من المهم تعلم كيفية استخدامها والحصول على فكرة جيدة عن كيفية تنفيذها.
مصادر مفيدة:
معالجة البيانات المسبقة (Data Preprocessing)
يشمل هذا الموضوع كل شيء بدءًا من تنظيف البيانات (data cleaning) وحتى هندسة الميزات (feature engineering). يتطلب الكثير من الوقت والجهد، لذلك نحتاج إلى تخصيص الكثير من الوقت لتعلمه بالفعل.
مصدر الصورة: Pinterest
تنظيف البيانات (Data Cleaning)
يتضمن Data cleaning تقنيات مختلفة بناءً على المشكلة ونوع البيانات. يجب تنظيف البيانات من البيانات غير ذات الصلة، أخطاء بناء الجملة، عدم اتساق البيانات، والبيانات المفقودة. سيساعدك الدليل التالي على البدء في تنظيف البيانات.
مصادر مفيدة:
تحويل وتشفير البيانات
تعد Data Preprocessing خطوة مهمة يتم فيها تحويل البيانات أو ترميزها، بحيث يمكن للآلة تحليلها بسهولة. يتطلب الأمر وقتًا وجهدًا لمعالجة أنواع مختلفة من البيانات التي تشمل البيانات الرقمية والنصية والصورية.
مصادر مفيدة:
- معالجة البيانات المسبقة: المفاهيم
- كل ما تحتاج لمعرفته حول معالجة النصوص المسبقة لـ
NLPوتعلم الآلة - المعالجة المسبقة للتعلم العميق (
deep learning)
تعلم الآلة (Machine Learning): جوهر علم البيانات
أخيرًا نصل إلى الجزء المفضل لدينا في علم البيانات: Machine Learning.
مصدر الصورة: Pinterest
اقتراحي هنا هو أن تقوم أولاً بمراجعة الخوارزميات الأساسية:
تصنيف البيانات (Classification)
Logistic Regression،RandomForest،SVM،Naive Bayes،Decision Trees
مصادر مفيدة:
الانحدار (Regression)
Linear Regression،RandomForest،Polynomial Regression
مصادر مفيدة:
- مقدمة في الانحدار الخطي (
Linear Regression) - استخدام نماذج الانحدار الخطي للتنبؤ بالدوال التربيعية والجذرية والمتعددة الحدود
- 7 تقنيات انحدار يجب أن تعرفها
- اختيار أفضل خوارزمية تعلم آلة لمشكلة الانحدار الخاصة بك
التجميع (Clustering)
K-Means Clustering،DBSCAN،Agglomerative Hierarchical Clustering
مصادر مفيدة:
تعزيز التدرج (Gradient Boosting)
XGBoost،Catboost،AdaBoost
مصادر مفيدة:
أحثكم جميعًا على فهم الرياضيات وراء هذه الخوارزميات لتكون لديكم فكرة واضحة عن كيفية عملها بالفعل. يمكنك الرجوع إلى هذه المدونة حيث قمت بتطبيق XGBoost من الصفر: تطبيق XGBoost من الصفر.
الشبكات العصبية والتعلم العميق (Neural Networks & Deep Learning)
الآن يمكنك الانتقال إلى Neural Networks والبدء في رحلتك في Deep Learning.
مصادر مفيدة:
- التعلم العميق للمطورين
- مقدمة في التعلم العميق مع
Tensorflow - كيفية تطوير الشبكات العصبية باستخدام
Tensorflow - تعلم كيفية عمل الشبكات العصبية العميقة
يمكنك بعد ذلك التعمق أكثر في كيفية عمل LSTM، Siamese Networks، CapsNet، وBERT.
المسابقات التقنية (Hackathons): صقل مهاراتك تنافسياً
مصدر الصورة: me.me
الآن نحتاج إلى تطبيق هذه الخوارزميات على مستوى تنافسي. يمكنك البدء في البحث عن مسابقات Data Science Hackathons عبر الإنترنت. إليك قائمة بمواقع الويب التي أحاول فيها التنافس مع علماء البيانات الآخرين:
للاطلاع على حل فائز، إليك رابط لحلي الفائز في إحدى مسابقات الهاكاثون عبر الإنترنت على Analytics Vidhya: حل مسابقة Analytics Vidhya.
المشاريع الواقعية: من البيانات الوهمية إلى الحقيقية
نرى أشخاصًا يعملون على بيانات وهمية ولا يحصلون على فكرة حقيقية عن شكل البيانات الفعلية. في رأيي، العمل على بيانات واقعية يمنحك فكرة واضحة جدًا عن شكل البيانات في الحياة الحقيقية. يستغرق مقدار الوقت والجهد المطلوبين لتنظيف البيانات الواقعية حوالي 70% من وقت مشروعك. إليك أفضل مصادر البيانات المفتوحة المجانية التي يمكن لأي شخص استخدامها:
- بيانات الحكومة المفتوحة (
Open Government Data) - بيانات حول العالم الحقيقي ساهم بها آلاف المستخدمين والمنظمات
- 19 مجموعة بيانات عامة مجانية لمشاريع علم البيانات
ذكاء الأعمال (Business Intelligence): تحويل البيانات إلى قرارات
بعد الحصول على النتائج من مشروعك، حان الوقت الآن لاتخاذ قرارات عمل بناءً على تلك النتائج. ذكاء الأعمال (Business Intelligence) هو مجموعة من البرامج والخدمات التي تساعد في تحويل البيانات إلى معلومات قابلة للتنفيذ ومعرفة. يمكن القيام بذلك عن طريق إنشاء لوحة تحكم (dashboard) من مخرجات نموذجنا. Tableau هي أداة قوية وسريعة النمو لتصور البيانات تُستخدم في صناعة ذكاء الأعمال. تساعد في تبسيط البيانات الخام إلى تنسيق سهل الفهم للغاية. تحليل البيانات سريع جدًا باستخدام Tableau، وتكون التصورات التي يتم إنشاؤها في شكل لوحات تحكم وأوراق عمل.
مصادر مفيدة:
مصدر الصورة: Imgflip
الخلاصة التقنية
تُعد فترة العمل من المنزل فرصة لا تقدر بثمن لتعزيز مهاراتك في علم البيانات. من خلال الالتزام بخارطة الطريق هذه، التي تبدأ من صقل الأساسيات في المنطق والإحصاء والبرمجة (خاصة Python)، مروراً بإتقان جمع البيانات ومعالجتها مسبقاً، وصولاً إلى التعمق في خوارزميات تعلم الآلة والتعلم العميق، ستكون قد وضعت نفسك على المسار الصحيح. لا تنسَ أهمية التطبيق العملي من خلال المشاريع الواقعية والمشاركة في المسابقات التقنية (Hackathons)، فهي تمنحك الخبرة الحقيقية وتصقل قدراتك التنافسية. أخيرًا، تذكر أن الهدف الأسمى هو تحويل هذه البيانات والمعارف إلى قيمة عملية من خلال ذكاء الأعمال (Business Intelligence)، مما يجعلك محترفًا متكاملًا في هذا المجال الحيوي.