شهادة IBM الاحترافية في تحليل البيانات – الإعداد للامتحان والمشاريع العملية

شهادة متضمنة

تدريب بقيادة خبراء

تعلم تطبيقي

دعم في التسجيل

أيام

5 أيام

اللغة

العربية والإنجليزية

ملخص الدورة

اطلب الجدول وعرض السعر

لا يوجد دفع إلكتروني مفتوح لهذه الدورة حالياً. يمكن لفريقنا إرسال عرض السعر المناسب لك.

تاريخ البدء

مرن / متاح دائماً

الشهادة

شهادة معتمدة

أيام

5 أيام

يصلكم العرض عبر البريد وبوابة العملاء

استفسر عبر واتساب

تفاصيل الدورة

نظرة عامة

تُعد دورة "شهادة IBM الاحترافية في تحليل البيانات – الإعداد للامتحان والمشاريع العملية" برنامجًا تدريبيًا متقدمًا يهدف إلى إعداد المشاركين للحصول على شهادة IBM Data Analyst Professional Certificate المعترف بها عالميًا على منصات مثل Coursera و edX و IBM Skills Network)، بالإضافة إلى تطوير المهارات العملية في أدوات تحليل البيانات الشائعة في بيئة IBM: ExcelSQL (IBM Db2)Python (PandasNumpyMatplotlibSeabornScikit-learn)، و IBM Cognos Analytics (أداة ذكاء الأعمال السحابية). الشهادة تغطي سلسلة من 8-10 دورات تدريبية، وهذه الدورة تهدف إلى دمجها في برنامج مكثف مع التركيز على الجوانب العملية والامتحان النهائي

تم تصميم الدورة لتزويد المشاركين بالمعرفة والمهارات اللازمة لاجتياز الامتحان والحصول على الشهادة، والتي تشمل: جمع البيانات من مصادر متعددةملفات CSV، قواعد بيانات، APIs)، تنظيف البيانات باستخدام Excel و Python (Pandas)، تحليل البيانات باستخدام الإحصاء الوصفي والاستدلالي، تصور البيانات باستخدام Excel Charts و Python (MatplotlibSeaborn) و IBM Cognos Analytics، وإنشاء لوحات معلومات تفاعلية (Dashboards) في Cognos Analytics و Excel. سيعمل المشاركون على مشاريع عملية تحاكي سيناريوهات واقعية من قطاعات (المبيعات، التسويق، الموارد البشرية، الصحة، التمويل). بالإضافة إلى ذلك، تتضمن الدورة استراتيجيات الامتحان، ونماذج أسئلة، ومراجعات نهائية

الأهداف

أهداف البرنامج

بنهاية هذه الدورة، سيكون المشارك قادرًا على:

وصف مسار الشهادة ومتطلباتها (IBM Data Analyst Professional Certificate) – فهم هيكل الشهادة (8-10 دورات)، الوقت المقدر لكل دورة، متطلبات التقييم (اختبارات، مشاريع، امتحان نهائي)، وكيفية التسجيل والوصول إلى المواد الرسمية
تطبيق مهارات تحليل البيانات باستخدام أدوات IBM (ExcelSQL (IBM Db2)PythonCognos Analytics) – استخدام Excel لتنظيف البيانات وإنشاء PivotTables وتصورات. كتابة استعلامات SQL لاستخراج البيانات من IBM Db2. استخدام Python (PandasNumpy) لتحليل البيانات وإجراء العمليات الإحصائية. استخدام Matplotlib و Seaborn لإنشاء تصورات متقدمة. بناء لوحات معلومات في IBM Cognos Analytics.
إكمال المشاريع العملية المتكاملة (Capstone Project) – تنفيذ مشروع تحليل بيانات كامل يغطي جميع مراحل التحليل: جمع البيانات، التنظيف، الاستكشاف، التحليل الإحصائي، التصور، وبناء لوحة معلومات
التحضير لامتحان الشهادة النهائي – دراسة المحتوى المطلوب، حل نماذج امتحانات سابقة، وتطبيق استراتيجيات إدارة الوقت والإجابة
بناء محفظة أعمال (Portfolio) من المشاريع – إنشاء محفظة تحتوي على 3-4 مشاريع تحليل بيانات كاملة (بما في ذلك الشيفرات، التقارير، ولوحات المعلومات) لعرضها على أصحاب العمل

الفئة المستهدفة

يستهدف هذا البرنامج التدريبي الفئات التالية:

محللو البيانات الطموحون (Aspiring Data Analysts) الذين يرغبون في الحصول على شهادة مهنية من IBM.
خريجو الجامعات في تخصصات (علوم الحاسوب، الهندسة، الرياضيات، الإحصاء، إدارة الأعمال) الراغبون في دخول مجال تحليل البيانات
المحللون الحاليون الذين يستخدمون أدوات أخرى ويريدون تحديث مهاراتهم وفقًا لمنهجية IBM.
أي شخص مهتم بالحصول على شهادة معترف بها دوليًا في تحليل البيانات

الكفاءات

الكفاءات الأساسية

إكمال مشروع Capstone كامل

تنفيذ مشروع تحليل بيانات من البداية إلى النهاية يشمل: تحديد سؤال العمل، جمع البيانات من مصدرين على الأقلمثل CSV وقاعدة بيانات، تنظيف البيانات باستخدام Python (Pandas)، تحليل إحصائي (متوسطات، ارتياطات)، تصور البيانات (مخططات)، وبناء لوحة معلومات في IBM Cognos Analytics.

اجتياز امتحان المحاكاة النهائي

تحقيق درجة 80% أو أكثر في اختبار محاكاة نهائي يغطي جميع مواضيع الشهادة (ExcelSQLPythonCognos، الإحصاء.

بناء محفظة أعمال (Portfolio)

إنشاء مستودع (GitHub) يحتوي على 3 مشاريع تحليل بيانات مكتملة، مع ملفات README توضح سؤال العمل، البيانات، الخطوات، النتائج، وروابط لوحات المعلومات

التمييز بين دورات IBM المختلفة

معرفة الفرق بين شهادة "IBM Data Analyst Professional Certificate" وشهادة "IBM Data Science Professional Certificate"، وفهم المسار الوظيفي لكل منهما

التحدث بلغة مهنية عن تحليل البيانات

استخدام المصطلحات الصحيحة (ETLData WranglingDescriptive StatisticsInferential StatisticsCorrelationDashboardKPI).

رحلة التعلم

محتوى البرنامج

مقدمة المحاور المتقدمة للبرنامج

تصميم البرنامج ومدته

تم تصميم الدورة على مدى 5 أيام (25 ساعة تدريبية) لتغطية المهارات الأساسية والامتحان

اليوم الأول: نظرة عامة على شهادة IBM Data Analyst وأساسيات Excel و SQL

مقدمة في شهادة IBM Data Analyst Professional Certificate

نظرة عامة على سلسلة الدورات (8-10 دورات)الدورات الرئيسية: (1) مقدمة في تحليل البيانات، (2) Excel لتحليل البيانات، (3) أساسيات SQL لتحليل البياناتباستخدام IBM Db2)(4) Python لتحليل البيانات (PandasNumpy)(5) Python لتصور البيانات (MatplotlibSeaborn)(6) IBM Cognos Analytics(7) المشروع النهائي (Capstone). الوقت المقدر: 4-6 أشهر بمعدل 5-10 ساعات أسبوعيًاالتقييم: اختبارات قصيرة، تمارين عملية، مشاريع أسبوعية، امتحان نهائيالشهادة: تصدر من IBM، معترف بها من قبل العديد من الشركات

Excel لتحليل البياناتمراجعة وفق منهج IBM)

(1) تنظيف البيانات: إزالة التكرارات، معالجة القيم المفقودة (استبدال، إزالة)، توحيد التنسيقات. (2) دوال النص (CONCATENATETEXTTRIM). (3) الدوال الشرطية (IFIFSSUMIFCOUNTIF). (4) PivotTables و PivotCharts. (5) إنشاء لوحات معلومات بسيطة باستخدام Excel. تطبيق عملي: تنظيف مجموعة بيانات مبيعات (تحتوي على قيم مفقودة وتنسيقات غير موحدة) وإنشاء PivotTable لتلخيص المبيعات حسب المنطقة والشهر

SQL لتحليل البيانات باستخدام IBM Db2

(1) الاتصال بقاعدة بيانات Db2 على السحابة (IBM Cloud). (2) استيراد بيانات من ملف CSV إلى جدول في Db2. (3) كتابة استعلامات SELECT مع JOINs (INNERLEFT)GROUP BY، والاستعلامات الفرعية. (4) استخدام الدوال التجميعية (COUNTSUMAVG). (5) تصدير نتائج الاستعلام إلى CSV لاستخدامها في Excel أو Python. تطبيق عملي: إنشاء جدولين (العملاء، الطلبات) في Db2، وتحميل البيانات، وكتابة استعلام لاستخراج إجمالي المبيعات لكل عميل مع معلومات العميل

بيئة IBM Cloud و IBM Watson Studio

مقدمة إلى IBM Cloud. إنشاء حساب مجاني. استكشاف Watson Studio منصة تحليل بيانات متكاملة تدعم Jupyter Notebooks و SPSS Modeler و Data Refinery). إنشاء مشروع جديد وإضافة Notebook وبيانات

ورشة عمل عملية (مقدمة إلى المشروع النهائي)

طرح متطلبات المشروع النهائي (Capstone Project). اختيار مجموعات البيانات (سيتم توفيرها من IBM أو يمكن للمشاركين اختيار مجموعات بيانات عامة من Kaggle أو Data.gov. تحديد سؤال العمل. تقسيم المشروع إلى مراحل

اليوم الثاني: تحليل البيانات باستخدام Python (Pandas و Numpy) وفقًا لمنهج IBM

مقدمة في Pandas و Numpy

(1) Numpy: المصفوفات (Arrays)، العمليات الرياضية، الإحصائيات الأساسية. (2) Pandas: Series و DataFrame. قراءة البيانات من CSVExcel، و SQL باستخدام SQLAlchemy). (3) استكشاف DataFrame: head()info()describe()shapecolumns

تنظيف البيانات باستخدام Pandas (Data Wrangling)

(1) التعامل مع القيم المفقودة: isnull()dropna()fillna() (ملء بالمتوسط، الوسيط، أو قيمة محددة). (2) إزالة التكرارات: duplicated()drop_duplicates(). (3) تحويل أنواع البيانات: astype(). (4) إعادة تسمية الأعمدة: rename(). (5) تصفية البيانات: استخدام Boolean indexing. (6) دمج البيانات: merge()مشابه ل SQL JOIN)concat()

التحليل الإحصائي باستخدام Pandas

(1) دوال التجميع: groupby() مع agg() (SUMMEANCOUNTMINMAX). (2) حساب الإحصائيات الوصفية لكل مجموعة. (3) استخدام pivot_table() لإنشاء جداول محوريةبديل ل PivotTables في Excel). (4) حساب معامل الارتباط (Correlation) باستخدام corr()

تطبيق عملي (ورشة عمل) – تحليل بيانات المبيعات باستخدام Pandas

المطلوبفي Jupyter Notebook): (1) تحميل بيانات المبيعاتملف CSV) إلى DataFrame. (2) تنظيف البياناتمعالجة القيم المفقودة، إزالة التكرارات، تحويل التاريخ إلى datetime). (3) حساب إجمالي المبيعات لكل فئة منتج (GroupBy). (4) حساب متوسط قيمة الطلب لكل عميل. (5) حساب معامل الارتباط بين سعر المنتج والكمية المباعة. (6) تصدير النتائج إلى ملف CSV جديد

اليوم الثالث: تصور البيانات باستخدام Python (MatplotlibSeaborn) و IBM Cognos Analytics

مقدمة في Matplotlib

(1) أساسيات Matplotlib: plt.plot()plt.bar()plt.hist()plt.scatter(). (2) تخصيص المخططات: العناوين، تسميات المحاور، الأسطورة (Legend)، الشبكة (Grid). (3) إنشاء مخططات متعددة في شكل شبكة (Subplots).

تصور البيانات باستخدام Seaborn

(1) تحسين المخططات الإحصائية: sns.barplot()sns.boxplot()sns.histplot()sns.kdeplot(). (2) رسم علاقات الارتباط: sns.heatmap(correlation_matrix). (3) رسم أزواج المتغيرات: sns.pairplot(). (4) ضبط أنماط Seaborn sns.set_style().

مقدمة في IBM Cognos Analytics

(1) ما هو Cognos Analytics؟ أداة ذكاء الأعمال السحابية من IBM لإنشاء التقارير ولوحات المعلومات والقصص البيانات (Data Stories). (2) الاتصال بمصادر البيانات: تحميل ملفات CSV و Excel، الاتصال بقواعد بيانات Db2. (3) إنشاء تقارير بسيطة: إضافة الجداول، المخططات (الأعمدة، الخطوط، الدائرية). (4) إضافة المرشحات (Filters) والتنسيق

بناء لوحات المعلومات (Dashboards) في Cognos Analytics

(1) إنشاء لوحة معلومات جديدة (Dashboard). (2) إضافة مصادر بيانات متعددة. (3) إضافة عناصر مرئية (Visualizations) بنظام السحب والإفلات. (4) إضافة عوامل تصفية تفاعلية (Interactive Filters). (5) إضافة عناصر نصية (Text boxes) لعناوين وتفسيرات. (6) ربط لوحة المعلومات بقصة بيانات (Data Story) لإيصال النتائج. (7) مشاركة لوحة المعلومات مع الآخرين عبر رابط أو تصديرها إلى PDF.

تطبيق عملي (ورشة عمل) – إنشاء لوحة معلومات في Cognos Analytics

المطلوب: (1) تحميل ملف البيانات النظيفة (من يوم الأمس) إلى Cognos. (2) إنشاء لوحة معلومات تحتوي على: بطاقات (KPIs) لإجمالي المبيعات وعدد الطلبات. مخطط عمودي لأفضل 10 منتجات. مخطط خطي للمبيعات الشهرية. مخطط دائري لتوزيع المبيعات حسب فئة المنتج. خريطة للمبيعات حسب المنطقة (إذا توفرت بيانات جغرافية). إضافة مرشحات (Slicers) للسنة وفئة المنتج. تنسيق لوحة المعلومات واستخدام ألوان متناسقة

اليوم الرابع: الإحصاء لتحليل البياناتحسب منهج IBM) وتحليل الارتباط والانحدار

الإحصاء الوصفي (Descriptive Statistics)

(1) مقاييس النزعة المركزية (Measures of Central Tendency): المتوسط (Mean)، الوسيط (Median)، المنوال (Mode). متى تستخدم كل منها؟ (المتوسط حساس للقيم المتطرفة). (2) مقاييس التشتت (Measures of Dispersion): المدى (Range)، التباين (Variance)، الانحراف المعياري (Standard Deviation)، المدى الربيعي (IQR). (3) مقاييس الشكل (Shape): الالتواء (Skewness)، والتفرطح (Kurtosis). تطبيق عملي باستخدام Python df.describe()scipy.stats.skew().

الإحصاء الاستدلالي (Inferential Statistics)

(1) فترات الثقة (Confidence Intervals): تقدير متوسط المجتمع (Population Mean) من عينة. (2) اختبار الفرضيات (Hypothesis Testing): الفرضية الصفرية (Null Hypothesis) والفرضية البديلة (Alternative Hypothesis). قيمة (p-value). مستوى الدلالةα = 0.05). رفض أو قبول الفرضية الصفرية. (3) اختبار t-test اختبار t لعينة واحدة واختبار t لعينتين مستقلتين. تطبيق: اختبار ما إذا كان متوسط سعر منتج يساوي قيمة محددة، أو ما إذا كان متوسط المبيعات في منطقتين مختلفتين

تحليل الارتباط (Correlation Analysis)

(1) معامل ارتباط بيرسون (Pearson Correlation Coefficient) (للعلاقات الخطية بين متغيرين عدديين). (2) تفسير قيمة معامل الارتباط (r). (3) اختبار أهمية الارتباط (p-value). (4) الفرق بين الارتباط والسببية (Causation). تطبيق عملي: حساب الارتباط بين الإنفاق الإعلاني والمبيعات، وبين سعر المنتج والكمية المباعة

تحليل الانحدار (Regression Analysis)

(1) الانحدار الخطي البسيط (Simple Linear Regression): معادلة الخط Y = a + bX. (2) الانحدار الخطي المتعدد (Multiple Linear Regression): أكثر من متغير مستقل. (3) تفسير المخرجات: معامل التحديد (R-squared)، معاملات الانحدار (Coefficients)، القيمة p، فترات الثقة للمعاملات. (4) استخدام الانحدار للتنبؤ (Prediction). تطبيق عملي: بناء نموذج انحدار متعدد للتنبؤ بالمبيعات بناءً على الإنفاق الإعلاني (تلفزيون، راديو، إنترنت) باستخدام scikit-learn (LinearRegression).

تطبيق عملي (ورشة عمل) – تحليل إحصائي ونمذجة انحدار

المطلوب: (1) استخدام مكتبة scipy.stats لإجراء اختبار t-test لمقارنة متوسط أرباح فرعين. (2) حساب معامل الارتباط بين جميع المتغيرات العددية في مجموعة البيانات (correlation matrix) وعرضها ك Heatmap باستخدام Seaborn. (3) بناء نموذج انحدار خطي متعدد للتنبؤ بالربح (Profit) باستخدام متغيرات (المبيعات، عدد الطلبات، عدد العملاء). (4) تقييم النموذج: حساب R-squared و RMSE.

اليوم الخامس: مراجعة شاملة، امتحان محاكاة، والمشروع النهائي (Capstone)

مراجعة شاملة لجميع المهارات المطلوبة للامتحان

(1) Excel: PivotTables، الدوال الشرطية، التنظيف. (2) SQL: JOINsGROUP BY، الدوال التجميعية. (3) Python: Pandas تنظيف، تحويل، تجميعNumpyMatplotlib/Seaborn. (4) Cognos Analytics: إنشاء لوحات المعلومات. (5) الإحصاء: المتوسط، الوسيط، الانحراف المعياري، الارتباط، الانحدار. (6) عملية تحليل البيانات: تحديد سؤال العمل ← جمع البيانات ← التنظيف ← الاستكشاف ← التحليل ← التصور ← تقديم التوصيات

امتحان محاكاة (Mock Exam)

اختبار عبر الإنترنت يحتوي على 60 سؤالاً (اختيار من متعدد، صح/خطأ، أسئلة سيناريو)، مدته 90 دقيقة، يحاكي الامتحان النهائي للشهادة. مواضيع الأسئلة: ExcelSQLPythonCognos، الإحصاء، منهجية التحليل

مراجعة إجابات الامتحان ومناقشة الأخطاء الشائعة

مناقشة كل سؤال من أسئلة الامتحان، شرح الإجابات الصحيحة، وتصحيح المفاهيم الخاطئة الشائعة

العمل على المشروع النهائي (Capstone Project) – الجزء العملي

المطلوب من المشاركين (فرق عمل صغيرة): إكمال المشروع النهائي الذي بدأ في اليوم الأول. يجب أن يتضمن المشروع جميع المراحل: (1) تحديد سؤال العمل واختيار مجموعة البيانات (أو دمج مجموعتين). (2) تنظيف البيانات باستخدام Excel أو Python (Pandas). (3) تحليل البيانات: حساب إحصائيات وصفية، اختبار فرضيات، حساب ارتباطات، نموذج انحدار (إذا كان مناسبًا). (4) تصور البيانات: إنشاء مخططات باستخدام Python (Matplotlib/Seaborn) أو Excel. (5) بناء لوحة معلومات في IBM Cognos Analytics. (6) كتابة تقرير (ملخص تنفيذي، منهجية، نتائج، توصيات). (7) تقديم المشروع في عرض تقديمي (5-7 دقائق)

تقديم المشاريع النهائية وتغذية راجعة

عرض كل فريق لمشروعه. تقديم ملاحظات بناءة من المدرب ومن الزملاء. مناقشة نقاط القوة والتحسينات المحتملة

نصائح التسجيل في الشهادة والخطوات التالية

كيفية التسجيل في الشهادة على Coursera أو IBM Skills Network. تفعيل النسخة التجريبية المجانية (7 أيام أو شهر). جدولة الدراسة. الاستفادة من المنتديات والمجتمعات. بناء محفظة الأعمال على GitHub و LinkedIn. البحث عن وظائف تحليل البيانات

اختبار ختامي ومراجعة الدورة الخامسة

ملخص لأهم النقاط. أسئلة وأجوبة مفتوحة. توزيع الشهادات

ملخص التسجيل

تسجيل آمن في الدورة

اطلب الجدول وعرض السعر

لا يوجد دفع إلكتروني مفتوح لهذه الدورة حالياً. يمكن لفريقنا إرسال عرض السعر المناسب لك.

اسم الشركة

الاسم الكامل

البريد الإلكتروني

رقم الهاتف

+966

المقاعد

المنصب الوظيفي / المسمى

مكان التدريب المفضل

نوع الشهادة المطلوبة

عدد الدورات المطلوبة

التاريخ المتوقع لعقد الدورة

رسالة (اختياري)

تحقق أمني سريع — أكمله لتفعيل الإرسال

يصلكم العرض عبر البريد وبوابة العملاء

استفسر عبر واتساب

شهادة IBM الاحترافية في تحليل البيانات – الإعداد للامتحان والمشاريع العملية

شهادة متضمنة

تدريب بقيادة خبراء

تعلم تطبيقي

دعم في التسجيل

أيام

5 أيام

اللغة

العربية والإنجليزية

نظرة عامة

أهداف البرنامج

بنهاية هذه الدورة، سيكون المشارك قادرًا على:

وصف مسار الشهادة ومتطلباتها (IBM Data Analyst Professional Certificate) – فهم هيكل الشهادة (8-10 دورات)، الوقت المقدر لكل دورة، متطلبات التقييم (اختبارات، مشاريع، امتحان نهائي)، وكيفية التسجيل والوصول إلى المواد الرسمية
تطبيق مهارات تحليل البيانات باستخدام أدوات IBM (ExcelSQL (IBM Db2)PythonCognos Analytics) – استخدام Excel لتنظيف البيانات وإنشاء PivotTables وتصورات. كتابة استعلامات SQL لاستخراج البيانات من IBM Db2. استخدام Python (PandasNumpy) لتحليل البيانات وإجراء العمليات الإحصائية. استخدام Matplotlib و Seaborn لإنشاء تصورات متقدمة. بناء لوحات معلومات في IBM Cognos Analytics.
إكمال المشاريع العملية المتكاملة (Capstone Project) – تنفيذ مشروع تحليل بيانات كامل يغطي جميع مراحل التحليل: جمع البيانات، التنظيف، الاستكشاف، التحليل الإحصائي، التصور، وبناء لوحة معلومات
التحضير لامتحان الشهادة النهائي – دراسة المحتوى المطلوب، حل نماذج امتحانات سابقة، وتطبيق استراتيجيات إدارة الوقت والإجابة
بناء محفظة أعمال (Portfolio) من المشاريع – إنشاء محفظة تحتوي على 3-4 مشاريع تحليل بيانات كاملة (بما في ذلك الشيفرات، التقارير، ولوحات المعلومات) لعرضها على أصحاب العمل

الفئة المستهدفة

يستهدف هذا البرنامج التدريبي الفئات التالية:

محللو البيانات الطموحون (Aspiring Data Analysts) الذين يرغبون في الحصول على شهادة مهنية من IBM.
خريجو الجامعات في تخصصات (علوم الحاسوب، الهندسة، الرياضيات، الإحصاء، إدارة الأعمال) الراغبون في دخول مجال تحليل البيانات
المحللون الحاليون الذين يستخدمون أدوات أخرى ويريدون تحديث مهاراتهم وفقًا لمنهجية IBM.
أي شخص مهتم بالحصول على شهادة معترف بها دوليًا في تحليل البيانات

الكفاءات الأساسية