Skip to content
Badr Academy Education
العربية
Badr Academy Education

Browse by topic

AI & Data

مشروعات تعلم الآلة التطبيقية

Applied Machine Learning Projects

تحويل المعرفة إلى مشروعات حقيقية: صياغة المشكلة ومقاييس النجاح والكلفة، جمع البيانات ووسمها وتوثيقها، استراتيجية التحقق وخط الأساس وتحليل الأخطاء، تتبع التجارب وإعادة الإنتاج، النشر بالدفعات أو كخدمة، المراقبة والانجراف وإعادة التدريب، ثم الحوكمة والتواصل مع أصحاب المصلحة ومشروع تخرج.

Turn knowledge into real projects: problem scoping, success metrics and cost, data collection, labelling and documentation, validation strategy, baselines and error analysis, experiment tracking and reproducibility, batch or online deployment, monitoring, drift and retraining, governance, stakeholder communication and a capstone.

  • Eng. Abdelmaksoud Badr
  • No reviews yet
  • AdvancedFor learners with hands-on experience
  • 40 hTotal content time
  • In ArabicWith technical terms in English

About this course

ثلاث دراسات حالة خيالية تتكرر عبر الدورة: توقع الطلب لمخبز، فرز تذاكر الدعم، وكشف التأخر عن سداد الأقساط — ثم مشروع تخرج يختاره المتعلم.

Estimated duration: 40 hours (6 modules, 18 lessons + capstone)

تفاصيل الكورس (بالإنجليزية)

What you will learn

  • Scope an ML project: business goal, ML framing, success and guardrail metrics, costs of errors and feasibility
  • Collect, label and document data with quality checks, consent and licensing
  • Choose a validation strategy matching deployment, build baselines and iterate with error analysis
  • Run reproducible, tracked experiments with versioned code, data and models
  • Deploy models as batch jobs or services and monitor quality, drift and fairness, with retraining plans
  • Govern and communicate: model cards, risk reviews, stakeholder reporting and project retrospectives

Who it is for: learners ready to deliver real ML projects for organisations, portfolios or freelance work

Prerequisites: CRS-GEN-SKLEARN (pipelines, model selection); Git basics help

محتوى من إعداد أكاديمية بدر. / Academy-authored content.

Turn knowledge into real projects: problem scoping, success metrics and cost, data collection, labelling and documentation, validation strategy, baselines and error analysis, experiment tracking and reproducibility, batch or online deployment, monitoring, drift and retraining, governance, stakeholder communication and a capstone.

What you will learn

  • Scope an ML project: business goal, ML framing, success and guardrail metrics, costs of errors and feasibility
  • Collect, label and document data with quality checks, consent and licensing
  • Choose a validation strategy matching deployment, build baselines and iterate with error analysis
  • Run reproducible, tracked experiments with versioned code, data and models
  • Deploy models as batch jobs or services and monitor quality, drift and fairness, with retraining plans
  • Govern and communicate: model cards, risk reviews, stakeholder reporting and project retrospectives

Who it is for: learners ready to deliver real ML projects for organisations, portfolios or freelance work

Prerequisites: CRS-GEN-SKLEARN (pipelines, model selection); Git basics help

Academy-authored content.

The practical result

What you’ll build

تحويل المعرفة إلى مشروعات حقيقية: صياغة المشكلة ومقاييس النجاح والكلفة، جمع البيانات ووسمها وتوثيقها، استراتيجية التحقق وخط الأساس وتحليل الأخطاء، تتبع التجارب وإعادة الإنتاج، النشر بالدفعات أو كخدمة، المراقبة والانجراف وإعادة التدريب، ثم الحوكمة والتواصل مع أصحاب المصلحة ومشروع تخرج.

Final lesson: 6.3 المراجعة البعدية

Course content

The whole outline is shown here with the length of each session; sessions open once you have the course and it is activated in your account.

  • 7units
  • 18sessions
M1 — صياغة المشروع3 sessions
  1. 1.1 من هدف العمل إلى مسألة تعلم Introduction video coming soon
  2. 1.2 مقاييس النجاح والحماية والكلفة
  3. 1.3 الجدوى وهل نحتاج ML أصلًا؟
M2 — البيانات: الجمع والوسم والتوثيق3 sessions
  1. 2.1 مصادر البيانات والموافقة والترخيص
  2. 2.2 الوسم وجودته
  3. 2.3 توثيق البيانات وفحص الجودة
M3 — التحقق وخط الأساس والتكرار3 sessions
  1. 3.1 استراتيجية التحقق المطابقة للواقع
  2. 3.2 خطوط الأساس
  3. 3.3 تحليل الأخطاء والتكرار
M4 — التجارب وإعادة الإنتاج3 sessions
  1. 4.1 تنظيم المستودع
  2. 4.2 تتبع التجارب
  3. 4.3 إصدار البيانات والنماذج
M5 — النشر والمراقبة3 sessions
  1. 5.1 الدفعات أم الخدمة؟
  2. 5.2 المراقبة والانجراف
  3. 5.3 إعادة التدريب والتسليم الآمن
M6 — الحوكمة والتواصل3 sessions
  1. 6.1 بطاقة النموذج ومراجعة المخاطر
  2. 6.2 التواصل مع أصحاب المصلحة
  3. 6.3 المراجعة البعدية
المشاريع والواجبات / Projects and assignments0 sessions
  1. MS1 — «خطة المشروع»
  2. MS2 — «نموذج مُقيَّم»
  3. Capstone

The lecturer

Lecturer

Eng. Abdelmaksoud Badr

  • 72 published courses at the academy
Profile

Ratings and reviews

No ratings yet – be the first to rate.

No written reviews yet

Written reviews come from enrolled students after studying. We don’t display reviews that real students didn’t write.

Discussion (0)

Commenting is for signed-in members. Comments from people not enrolled in the course are reviewed by the lecturer or the academy before they appear.

No comments yet – be the first to join in.

Your next step

This course is part of the trackAI & DataLanguage models, AI agents, and data analysis and science, hands-on. 10 courses

Courses close to this one

AI & Data

معالجة اللغات الطبيعية

Natural Language Processing

تعليم الحاسوب فهم اللغة: النص كبيانات وخصوصيات العربية (التطبيع، التشكيل، الصرف، اللهجات)، التمثيلات الكلاسيكية و TF-IDF والتشابه، التصنيف واستخراج الكيانات، التضمينات والشبكات،…

  • Advanced
  • 36 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

أساسيات التعلم العميق

Deep Learning Foundations

من العصبون إلى الشبكات العميقة: الدوال التنشيطية والشبكات متعددة الطبقات، الانتشار العكسي والتدرجات التلقائية في PyTorch، حلقات التدريب والمحسِّنات ومعدل التعلم، التنظيم…

  • Advanced
  • 36 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

الرؤية الحاسوبية

Computer Vision

تعليم الحاسوب أن «يرى»: الصور كبيانات وألوانها، المعالجة الكلاسيكية بالمرشحات والحواف والكنتورات، الشبكات الالتفافية وتدريبها في PyTorch، التعلم بالنقل والتقييم، اكتشاف الأجسام…

  • Advanced
  • 36 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

Scikit-learn

إتقان مكتبة scikit-learn: واجهة المقدِّرات، خطوط المعالجة و ColumnTransformer، اختيار النموذج بالتحقق المتقاطع والبحث عن المعاملات، النماذج المجمعة والتعزيز، الهندسة واختيار السمات…

  • Intermediate
  • 30 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

الانحدار والتصنيف

Regression & Classification

تعمق في المهمتين الأساسيتين للتعلم الإشرافي: الانحدار الخطي المتعدد وافتراضاته وتشخيصه، التحويلات والحدود متعددة الحدود والتنظيم Ridge و Lasso، الانحدار اللوجستي والاحتمالات…

  • Intermediate
  • 30 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

أساسيات تعلم الآلة

Machine Learning Fundamentals

ما تعلم الآلة وكيف يتعلم النموذج من البيانات: أنواع التعلم، تجهيز البيانات، الانحدار والتصنيف، التقييم والتحقق المتقاطع والإفراط في التكيف، النزول بالتدرج،…

  • Intermediate
  • 32 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

هندسة الأوامر (Prompt Engineering)

Prompt Engineering

اكتب أوامر واضحة تعطيك نتائج موثوقة: تشريح الأمر، الأمثلة، التفكير خطوة بخطوة، الهيكلة والمخرجات المنظمة، سلاسل الأوامر والمستندات الطويلة، الأوامر للتعلم والكتابة…

  • Beginner
  • 18 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more
AI & Data

الذكاء الاصطناعي التوليدي

Generative AI

افهم كيف تعمل النماذج التوليدية من الداخل: الرموز والتضمينات والانتباه وأخذ العينات، توليد الصور والصوت والتزييف العميق، بناء مساعد معرفي بالاسترجاع (RAG)…

  • Beginner
  • 24 h
  • Taught in Arabic · all content in Arabic
Eng. Abdelmaksoud
Coming soon – learn more