Tibixa
العربية

متوسط · مجانية

Applied AI for Developers and IT Professionals

From Python basics to production LLM apps, with an optional GeoAI specialization.

موجّهة إلى: working developers and IT professionals (software, web, database, sysadmin, support and data analyst roles) with intermediate programming or IT experience and no prior machine learning or advanced math background.

ابدأ الدورة اعرض كل الدروس

Foundations for AI

ابدأ من هنا

درس واحد
  1. Welcome to the course: what you will learn مرحبًا 6 دقائق

الوحدة 1: Python for AI

8 دروس · المتاح منها: 2
  1. Track overview: Foundations for AI مقدمة 5 دقائق
  2. Setting up your AI workstation (conda, VS Code, Jupyter) الدرس 1 9 دقائق اختبار 3 تمارين
  3. Python refresher for data work الدرس 2 قريبًا
  4. NumPy: arrays, broadcasting, vectorization الدرس 3 قريبًا
  5. Pandas: loading, cleaning, joining tabular data الدرس 4 قريبًا
  6. Working with real data: CSV, JSON, Excel, SQL and web APIs الدرس 5 قريبًا
  7. Visualization with Matplotlib and Plotly الدرس 6 قريبًا
  8. Project: exploring an online store's sales dataset الدرس 7 قريبًا

الوحدة 2: Math Essentials for ML

6 دروس · قريبًا
  1. Vectors and matrices: the language of data الدرس 1 قريبًا
  2. Dot products, norms and distance الدرس 2 قريبًا
  3. Derivatives and gradients, intuitively الدرس 3 قريبًا
  4. Probability basics: distributions, expectation الدرس 4 قريبًا
  5. Bayes' rule and conditional probability الدرس 5 قريبًا
  6. Statistics you actually need: mean, variance, correlation, p-values الدرس 6 قريبًا

الوحدة 3: Data Handling and Preparation

6 دروس · قريبًا
  1. Data types, missing values and outliers الدرس 1 قريبًا
  2. Feature scaling and encoding الدرس 2 قريبًا
  3. Train, validation and test splits الدرس 3 قريبًا
  4. Data leakage and other silent pitfalls الدرس 4 قريبًا
  5. Building a reproducible data pipeline الدرس 5 قريبًا
  6. Project: preparing a customer churn dataset for modelling الدرس 6 قريبًا

Classical Machine Learning

الوحدة 4: Supervised Learning

8 دروس · قريبًا
  1. Track overview: Classical Machine Learning مقدمة قريبًا
  2. What is machine learning: a working definition الدرس 1 قريبًا
  3. Linear regression from scratch الدرس 2 قريبًا
  4. Logistic regression and classification الدرس 3 قريبًا
  5. Decision trees and random forests الدرس 4 قريبًا
  6. Gradient boosting (XGBoost, LightGBM) الدرس 5 قريبًا
  7. K-nearest neighbours and support vector machines الدرس 6 قريبًا
  8. Project: predicting house prices الدرس 7 قريبًا

الوحدة 5: Model Evaluation and Tuning

6 دروس · قريبًا
  1. Overfitting, underfitting and bias-variance الدرس 1 قريبًا
  2. Metrics: accuracy, precision, recall, F1, ROC-AUC الدرس 2 قريبًا
  3. Regression metrics: MAE, RMSE, R2 الدرس 3 قريبًا
  4. Cross-validation: k-fold, stratified and time-based splits الدرس 4 قريبًا
  5. Hyperparameter tuning: grid, random, Bayesian الدرس 5 قريبًا
  6. Explaining models: feature importance and SHAP الدرس 6 قريبًا

الوحدة 6: Unsupervised Learning

5 دروس · قريبًا
  1. Clustering: K-means and DBSCAN الدرس 1 قريبًا
  2. Hierarchical clustering الدرس 2 قريبًا
  3. Dimensionality reduction: PCA, t-SNE, UMAP الدرس 3 قريبًا
  4. Anomaly detection الدرس 4 قريبًا
  5. Project: customer segmentation from purchase behaviour الدرس 5 قريبًا

Deep Learning

الوحدة 7: Neural Network Fundamentals

8 دروس · قريبًا
  1. Track overview: Deep Learning مقدمة قريبًا
  2. From linear models to neurons الدرس 1 قريبًا
  3. Activation functions and layers الدرس 2 قريبًا
  4. Loss functions and gradient descent الدرس 3 قريبًا
  5. Backpropagation explained الدرس 4 قريبًا
  6. PyTorch basics: tensors, autograd, modules الدرس 5 قريبًا
  7. Training loop, batches, epochs الدرس 6 قريبًا
  8. Project: your first neural network on tabular data الدرس 7 قريبًا

الوحدة 8: Computer Vision with CNNs

7 دروس · قريبًا
  1. Convolutions and pooling الدرس 1 قريبًا
  2. Building a CNN in PyTorch الدرس 2 قريبًا
  3. Transfer learning with pretrained backbones الدرس 3 قريبًا
  4. Data augmentation الدرس 4 قريبًا
  5. Object detection: YOLO and Faster R-CNN الدرس 5 قريبًا
  6. Semantic segmentation: U-Net الدرس 6 قريبًا
  7. Project: classifying product photos with transfer learning الدرس 7 قريبًا

الوحدة 9: Sequences and Training at Scale

6 دروس · قريبًا
  1. RNNs, LSTMs and where they still matter الدرس 1 قريبًا
  2. Time series forecasting with deep learning الدرس 2 قريبًا
  3. Regularization: dropout, batch norm, weight decay الدرس 3 قريبًا
  4. Learning rate schedules and optimizers الدرس 4 قريبًا
  5. GPU training, mixed precision, checkpoints الدرس 5 قريبًا
  6. Debugging a training run الدرس 6 قريبًا

LLMs and Generative AI

الوحدة 10: Transformers and LLM Foundations

7 دروس · قريبًا
  1. Track overview: LLMs and Generative AI مقدمة قريبًا
  2. Tokens, embeddings and attention الدرس 1 قريبًا
  3. The transformer architecture الدرس 2 قريبًا
  4. How LLMs are trained: pretraining, SFT, RLHF الدرس 3 قريبًا
  5. Model landscape: open vs closed, sizes, context windows الدرس 4 قريبًا
  6. Calling an LLM API: parameters that matter الدرس 5 قريبًا
  7. Prompt engineering patterns for developers الدرس 6 قريبًا

الوحدة 11: Retrieval-Augmented Generation

6 دروس · قريبًا
  1. Embeddings and vector similarity الدرس 1 قريبًا
  2. Vector databases: pgvector, Chroma, FAISS الدرس 2 قريبًا
  3. Chunking strategies الدرس 3 قريبًا
  4. Building a RAG pipeline end to end الدرس 4 قريبًا
  5. Evaluating RAG: faithfulness, relevance الدرس 5 قريبًا
  6. Project: chat with your company's internal documentation الدرس 6 قريبًا

الوحدة 12: Agents and Tool Use

6 دروس · قريبًا
  1. Function calling and structured outputs الدرس 1 قريبًا
  2. Agent loops: plan, act, observe الدرس 2 قريبًا
  3. Model Context Protocol (MCP) الدرس 3 قريبًا
  4. Multi-agent patterns and when to avoid them الدرس 4 قريبًا
  5. Guardrails, safety and cost control الدرس 5 قريبًا
  6. Project: an IT helpdesk agent that queries a database and a REST API الدرس 6 قريبًا

الوحدة 13: Fine-tuning and Custom Models

5 دروس · قريبًا
  1. When to fine-tune vs prompt vs RAG الدرس 1 قريبًا
  2. LoRA and parameter-efficient fine-tuning الدرس 2 قريبًا
  3. Preparing a fine-tuning dataset الدرس 3 قريبًا
  4. Running a fine-tune with Hugging Face الدرس 4 قريبًا
  5. Evaluating and deploying a fine-tuned model الدرس 5 قريبًا

MLOps and AI Engineering

الوحدة 14: From Notebook to Service

7 دروس · قريبًا
  1. Track overview: MLOps and AI Engineering مقدمة قريبًا
  2. Project structure and packaging الدرس 1 قريبًا
  3. Serving a model with FastAPI الدرس 2 قريبًا
  4. Containerizing with Docker الدرس 3 قريبًا
  5. Model registries and versioning (MLflow) الدرس 4 قريبًا
  6. CI/CD for ML projects الدرس 5 قريبًا
  7. Project: deploy the house-price model as an API الدرس 6 قريبًا

الوحدة 15: Data and Model Operations

6 دروس · قريبًا
  1. Experiment tracking الدرس 1 قريبًا
  2. Data versioning (DVC) and feature stores الدرس 2 قريبًا
  3. Monitoring drift and performance الدرس 3 قريبًا
  4. Scheduling pipelines with Airflow or Prefect الدرس 4 قريبًا
  5. Cloud options: AWS, Azure, GCP, on-prem الدرس 5 قريبًا
  6. Cost, latency and scaling trade-offs الدرس 6 قريبًا

الوحدة 16: LLM Application Engineering

6 دروس · قريبًا
  1. LLM app architecture patterns الدرس 1 قريبًا
  2. Caching, batching and streaming الدرس 2 قريبًا
  3. Observability for LLM apps الدرس 3 قريبًا
  4. Evaluation pipelines and regression tests الدرس 4 قريبًا
  5. Security: prompt injection and data leakage الدرس 5 قريبًا
  6. Project: production RAG service with monitoring الدرس 6 قريبًا

GeoAI Specialization

الوحدة 17: Spatial Machine Learning

8 دروس · قريبًا
  1. Track overview: GeoAI Specialization مقدمة قريبًا
  2. GIS primer for AI developers: coordinates, projections, vector and raster الدرس 1 قريبًا
  3. GeoPandas and Rasterio: spatial data in Python الدرس 2 قريبًا
  4. Spatial autocorrelation and why it breaks standard ML الدرس 3 قريبًا
  5. Spatial features: distance, density, neighbourhood stats الدرس 4 قريبًا
  6. Geographically weighted models الدرس 5 قريبًا
  7. Spatial interpolation with ML الدرس 6 قريبًا
  8. Project: predicting service demand across districts الدرس 7 قريبًا

الوحدة 18: Imagery and Remote Sensing AI

7 دروس · قريبًا
  1. Satellite and aerial data sources الدرس 1 قريبًا
  2. Preprocessing rasters for deep learning الدرس 2 قريبًا
  3. TorchGeo and Esri pretrained models الدرس 3 قريبًا
  4. Land cover classification الدرس 4 قريبًا
  5. Change detection الدرس 5 قريبًا
  6. Object detection on imagery: vehicles, roofs, encroachments الدرس 6 قريبًا
  7. Project: detecting unauthorized construction between two dates الدرس 7 قريبًا

الوحدة 19: LLMs for GIS Workflows

5 دروس · قريبًا
  1. Text-to-SQL and text-to-query over spatial databases الدرس 1 قريبًا
  2. LLM agents for ArcGIS and QGIS الدرس 2 قريبًا
  3. Extracting locations and entities from documents الدرس 3 قريبًا
  4. Automating cadastral and metadata QC with LLMs الدرس 4 قريبًا
  5. Project: natural language assistant for a municipal geoportal الدرس 5 قريبًا

الوحدة 20: GeoAI in Production

5 دروس · قريبًا
  1. Deploying models inside ArcGIS Enterprise الدرس 1 قريبًا
  2. Raster inference at scale الدرس 2 قريبًا
  3. Integrating AI outputs into web maps and dashboards الدرس 3 قريبًا
  4. Governance, accuracy reporting and ethics الدرس 4 قريبًا
  5. Capstone: end-to-end GeoAI project الدرس 5 قريبًا