رئيس مجلس الإدارة ورئيس التحرير أحمد حمدي
الرئيسية‹ الكورسات ‹الذكاء الاصطناعي وـ Machine Learning

كورس 100 Days of Machine Learning

👤 CampusX 🎬 134 درس ⏱️ 62 ساعة 50 دقيقة 📶 مبتدئ 🇺🇸 English
What is Machine Learning? | 100 Days of Machine Le
🏆أوائل أكاديمية مصر 24اتعلّم كل يوم ونافس على التاج 👑الترتيب ←
EG-24 ACADEMY
EG24
EG-24ACADEMY
— أكاديمية مصر 24 —
CERTIFICATE
OF COMPLETION
THISCERTIFICATE IS PROUDLY PRESENTED TO
اسمك هنا
FOR SUCCESSFULLY COMPLETING THE COURSE
كورس 100 Days of Machine Learning
ISSUED ON
09 أكتوبر 2026
Ahmed Hamdy
AHMED HAMDY
FOUNDER
VERIFY CERTIFICATE
CERTIFICATE ID
PREVIEW
رقم تحقق الشهادة
EG24
ACADEMY
LEARN GROW
🔒

شاهد 50% من الكورس واحصل على شهادة إتمام باسمك

✅ تتبع تقدمك في الكورس
🏆 شهادة مجانية عند الإتمام
📊 إحصائياتك محفوظة دائماً
🔖 استكمل من حيث توقفت

إنشاء حساب مجاني يأخذ ثوانٍ فقط

📋 محتوى الكورس 134 درس · 62 ساعة 50 دقيقة
  • 1 What is Machine Learning? | 100 Days of Machine Learning 20:00
  • 2 AI Vs ML Vs DL for Beginners in Hindi 16:02
  • 3 Types of Machine Learning for Beginners | Types of Machine learning in Hindi | Types of ML in Depth 27:42
  • 4 Batch Machine Learning | Offline Vs Online Learning | Machine Learning Types 11:28
  • 5 Online Machine Learning | Online Learning | Online Vs Offline Machine Learning 19:28
  • 6 Instance-Based Vs Model-Based Learning | Types of Machine Learning 16:44
  • 7 Challenges in Machine Learning | Problems in Machine Learning 23:40
  • 8 Application of Machine Learning | Real Life Machine Learning Applications 29:02
  • 9 Machine Learning Development Life Cycle | MLDLC in Data Science 25:13
  • 10 Data Engineer Vs Data Analyst Vs Data Scientist Vs ML Engineer | Data Science Job Roles 26:23
  • 11 What are Tensors | Tensor In-depth Explanation | Tensor in Machine Learning 41:29
  • 12 Installing Anaconda For Data Science | Jupyter Notebook for Machine Learning | Google Colab for ML 37:06
  • 13 End to End Toy Project | Day 13 | 100 Days of Machine Learning 30:43
  • 14 How to Frame a Machine Learning Problem | How to plan a Data Science Project Effectively 22:22
  • 15 Working with CSV files | Day 15 | 100 Days of Machine Learning 36:30
  • 16 Working with JSON/SQL | Day 16 | 100 Days of Machine Learning 17:00
  • 17 Fetching Data From an API | Day 17 | 100 Days of Machine Learning 22:50
  • 18 Fetching data using Web Scraping | Day 18 | 100 Days of Machine Learning 37:49
  • 19 Understanding Your Data | Day 19 | 100 Days of Machine Learning 15:23
  • 20 EDA using Univariate Analysis | Day 20 | 100 Days of Machine Learning 30:31
  • 21 EDA using Bivariate and Multivariate Analysis | Day 21 | 100 Days of Machine Learning 38:03
  • 22 Pandas Profiling | Day 22 | 100 Days of Machine Learning 13:04
  • 23 What is Feature Engineering | Day 23 | 100 Days of Machine Learning 24:52
  • 24 Feature Scaling - Standardization | Day 24 | 100 Days of Machine Learning 32:38
  • 25 Feature Scaling - Normalization | MinMaxScaling | MaxAbsScaling | RobustScaling 23:31
  • 26 Encoding Categorical Data | Ordinal Encoding | Label Encoding 19:53
  • 27 One Hot Encoding | Handling Categorical Data | Day 27 | 100 Days of Machine Learning 30:12
  • 28 Column Transformer in Machine Learning | How to use ColumnTransformer in Sklearn 15:41
  • 29 Machine Learning Pipelines A-Z | Day 29 | 100 Days of Machine Learning 45:39
  • 30 Function Transformer | Log Transform | Reciprocal Transform | Square Root Transform 32:13
  • 31 Power Transformer | Box - Cox Transform | Yeo - Johnson Transform 21:28
  • 32 Binning and Binarization | Discretization | Quantile Binning | KMeans Binning 38:25
  • 33 Handling Mixed Variables | Feature Engineering 12:10
  • 34 Handling Date and Time Variables | Day 34 | 100 Days of Machine Learning 14:18
  • 35 Handling Missing Data | Part 1 | Complete Case Analysis 24:54
  • 36 Handling missing data | Numerical Data | Simple Imputer 31:21
  • 37 Handling Missing Categorical Data | Simple Imputer | Most Frequent Imputation | Missing Category Imp 13:34
  • 38 Missing Indicator | Random Sample Imputation | Handling Missing Data Part 4 37:05
  • 39 KNN Imputer | Multivariate Imputation | Handling Missing Data Part 5 24:27
  • 40 Multivariate Imputation by Chained Equations for Missing Value | MICE Algorithm | Iterative Imputer 18:31
  • 41 What are Outliers | Outliers in Machine Learning 17:07
  • 42 Outlier Detection and Removal using Z-score Method | Handling Outliers Part 2 17:46
  • 43 Outlier Detection and Removal using the IQR Method | Handing Outliers Part 3 14:05
  • 44 Outlier Detection using the Percentile Method | Winsorization Technique 16:23
  • 45 Feature Construction | Feature Splitting 12:22
  • 46 Curse of Dimensionality 15:25
  • 47 Principle Component Analysis (PCA) | Part 1 | Geometric Intuition 33:54
  • 48 Principle Component Analysis (PCA) | Part 2 | Problem Formulation and Step by Step Solution 56:17
  • 49 Principle Component Analysis(PCA) | Part 3 | Code Example and Visualization 43:26
  • 50 Simple Linear Regression | Code + Intuition | Simplest Explanation in Hindi 33:36
  • 51 Simple Linear Regression | Mathematical Formulation | Coding from Scratch 53:31
  • 52 Regression Metrics | MSE, MAE & RMSE | R2 Score & Adjusted R2 Score 43:56
  • 53 Multiple Linear Regression | Geometric Intuition & Code 20:57
  • 54 Multiple Linear Regression | Part 2 | Mathematical Formulation From Scratch 48:11
  • 55 Multiple Linear Regression | Part 3 | Code From Scratch 16:01
  • 56 What are the main Assumptions of Linear Regression? | Top 5 Assumptions of Linear Regression 17:38
  • 57 Gradient Descent From Scratch | End to End Gradient Descent | Gradient Descent Animation 1:57:56
  • 58 Batch Gradient Descent with Code Demo | Simple Explanation in Hindi 1:04:49
  • 59 Stochastic Gradient Descent 49:35
  • 60 Mini-Batch Gradient Descent 22:10
  • 61 Polynomial Regression | Machine Learning 26:46
  • 62 Bias Variance Trade-off | Overfitting and Underfitting in Machine Learning 8:05
  • 63 Ridge Regression Part 1 | Geometric Intuition and Code | Regularized Linear Models 19:58
  • 64 Ridge Regression Part 2 | Mathematical Formulation & Code from scratch | Regularized Linear Models 43:41
  • 65 Ridge Regression Part 3 | Gradient Descent | Regularized Linear Models 18:43
  • 66 5 Key Points - Ridge Regression | Part 4 | Regularized Linear Models 30:17
  • 67 Lasso Regression | Intuition and Code Sample | Regularized Linear Models 28:37
  • 68 Why Lasso Regression creates sparsity? 24:30
  • 69 ElasticNet Regression | Intuition and Code Example | Regularized Linear Models 11:41
  • 70 Logistic Regression Part 1 | Perceptron Trick 47:06
  • 71 Logistic Regression Part 2 | Perceptron Trick Code 17:07
  • 72 Logistic Regression Part 3 | Sigmoid Function | 100 Days of ML 40:44
  • 73 Logistic Regression Part 4 | Loss Function | Maximum Likelihood | Binary Cross Entropy 29:03
  • 74 Derivative of Sigmoid Function 5:57
  • 75 Logistic Regression Part 5 | Gradient Descent & Code From Scratch 36:42
  • 76 Accuracy and Confusion Matrix | Type 1 and Type 2 Errors | Classification Metrics Part 1 34:08
  • 77 Precision, Recall and F1 Score | Classification Metrics Part 2 42:42
  • 78 ROC Curve in Machine Learning | ROC-AUC in Machine Learning Simplified | CampusX 1:11:15
  • 79 Softmax Regression || Multinomial Logistic Regression || Logistic Regression Part 6 38:21
  • 80 Polynomial Features in Logistic Regression | Non Linear Logistic Regression | Logistic Regression 7 9:11
  • 81 Logistic Regression Hyperparameters || Logistic Regression Part 8 13:07
  • 82 Naive Bayes Classifier | Part 1 | Conditional Probability 9:26
  • 83 Naive Bayes Classifier | Part 2 | Independent Events in Probability 7:59
  • 84 Naive Bayes Classifier | Part 3 | Mutually Exclusive Events 1:49
  • 85 Naive Bayes Classifier | Part 4 | Bayes Theorem in Probability 4:27
  • 86 Naive Bayes Classifier | Part 5 | Problem based upon Bayes Theorem 9:00
  • 87 Naive Bayes Classifier | Part 6 | Intuition 14:44
  • 88 Naive Bayes Classifier | Part 7 | Mathematics behind Naive Bayes Algorithm 19:09
  • 89 Naive Bayes Classifier | Part 8 | Simple Example Code 16:03
  • 90 Naive Bayes Part 9 | Handling Numerical Data 8:47
  • 91 What is K Nearest Neighbors? | KNN Explained in Hindi | Simple Overview in 1 Video | CampusX 52:01
  • 92 Support Vector Machines | Geometric Intuition 11:46
  • 93 Mathematics of SVM | Support Vector Machines | Hard margin SVM 34:54
  • 94 Mathematics of Support Vector Machine | Soft Margin SVM 14:38
  • 95 Kernel Trick in SVM | Geometric Intuition 6:18
  • 96 Kernel Trick in SVM | Code Example 14:04
  • 97 Decision Trees Geometric Intuition | Entropy | Gini impurity | Information Gain 58:29
  • 98 Decision Trees - Hyperparameters | Overfitting and Underfitting in Decision Trees 27:23
  • 99 Regression Trees | Decision Trees Part 3 35:15
  • 100 Awesome Decision Tree Visualization using dtreeviz library 18:36
  • 101 Introduction to Ensemble Learning | Ensemble Techniques in Machine Learning 37:43
  • 102 Voting Ensemble | Introduction and Core Idea | Part 1 16:30
  • 103 Voting Ensemble | Classification | Voting Classifier | Hard Voting Vs Soft Voting | Part 2 23:50
  • 104 Voting Ensemble | Regression | Part 3 10:57
  • 105 Bagging | Introduction | Part 1 31:13
  • 106 Bagging Ensemble | Part 2 | Bagging Classifiers 22:32
  • 107 Bagging Ensemble | Part 3 | Bagging Regressor 10:55
  • 108 Introduction to Random Forest | Intuition behind the Algorithm 33:55
  • 109 How Random Forest Performs So Well? Bias Variance Trade-Off in Random Forest 12:52
  • 110 Bagging Vs Random Forest | What is the difference between Bagging and Random Forest | Very Important 12:02
  • 111 Random Forest Hyper-parameters 15:17
  • 112 Hyperparameter Tuning Random Forest using GridSearchCV and RandomizedSearchCV | Code Example 11:44
  • 113 OOB Score | Out of Bag Evaluation in Random Forest | Machine Learning 6:45
  • 114 Feature Importance using Random Forest and Decision Trees | How is Feature Importance calculated 27:20
  • 115 How Adaboost Classifier Works? | Geometric Intuition 17:14
  • 116 AdaBoost - A Step by Step Explanation 19:23
  • 117 AdaBoost Algorithm | Code from Scratch 16:27
  • 118 AdaBoost Hyperparameters | GridSearchCV in Adaboost 11:13
  • 119 Bagging Vs Boosting | What is the difference between Bagging and Boosting 6:17
  • 120 Gradient Boosting Explained | How Gradient Boosting Works? 32:49
  • 121 Gradient Boosting Regression Part 2 | Mathematics of Gradient Boosting 56:42
  • 122 Gradient Boosting for Classification | Geometric Intuition | CampusX 1:04:33
  • 123 Introduction to XGBOOST | Machine Learning | CampusX 1:19:37
  • 124 XGBoost for Regression | XGBoost Part 2 | CampusX 47:17
  • 125 XGBoost For Classification | How XGBoost works on Classification Problems | CampusX 39:08
  • 126 The Maths Behind XGBoost | Machine Learning | CampusX 1:57:28
  • 127 Stacking and Blending Ensembles 35:20
  • 128 K-Means Clustering Algorithm | Geometric Intuition | Clustering | Unsupervised Learning 23:58
  • 129 K-Means Clustering Algorithm in Python | Practical Example | Student Clustering Example | sklearn 10:13
  • 130 K-Means Clustering Algorithm From Scratch In Python | ML Algorithms From Scratch 33:53
  • 131 Agglomerative Hierarchical Clustering | Python Code Example 37:23
  • 132 DBSCAN Clustering Algorithms | Density Based Clustering | How DBSCAN Works | CampusX 34:16
  • 133 Imbalanced Data in Machine Learning | Undersampling | Oversampling | SMOTE 57:17
  • 134 Hyperparameter Tuning using Optuna | Bayesian Optimization using Optuna 59:23
▶ يُشغَّل الآن
What is Machine Learning? | 100 Days of Machine Learning

📘 نظرة عامة على الكورس

يتكوّن الكورس من 134 درسًا من تقديم CampusX بإجمالي مدة 62 ساعة و50 دقيقة. المحتوى موجّه إلى المبتدئين في مجال الذكاء الاصطناعي وـ Machine Learning. بمعدل نصف ساعة يوميًا يمكنك إتمام الكورس في 126 يومًا. تبدأ الرحلة بدرس «What is Machine Learning? - Days of Machine Learning» وتنتهي بدرس «Hyperparameter Tuning using Optuna - Bayesian Optimization using…». أطول الدروس «Gradient Descent From Scratch - End to End Gradient Descent…» بمدة ساعة و57 دقيقة، ومتوسط مدة الدرس 28 دقيقة.

لماذا تتعلم 100 Days of Machine Learning؟

  • الذكاء الاصطناعي من أسرع المجالات نمواً في سوق العمل، مع زيادة الطلب على المتخصصين بنسبة 300% خلال السنوات الأخيرة.
  • مجاني بالكامل — ابدأ الآن دون أي رسوم
  • شهادة إتمام باسمك من أكاديمية مصر 24 — أضفها لـ CV وLinkedIn
  • تعلّم في أي وقت — بالسرعة التي تناسبك
  • مجالات الذكاء الاصطناعي: رؤية الحاسب، معالجة اللغة الطبيعية، الروبوتيات، الألعاب، التنبؤ والتوصية.

مسار التعلم في هذا الكورس

يسير الكورس بترتيب متدرّج: What is Machine Learning? - Days of Machine Learning ← Handling Date and Time Variables - Day - Days of Machine… ← Why Lasso Regression creates sparsity? ← Introduction to Ensemble Learning - Ensemble Techniques in… ← Hyperparameter Tuning using Optuna - Bayesian Optimization….

المتطلبات السابقة

لا يحتاج الكورس خبرة سابقة في الذكاء الاصطناعي وـ Machine Learning؛ يبدأ معك من الأساسيات. كل ما تحتاجه: جهاز متصل بالإنترنت، ووقت ثابت للتطبيق بعد كل درس.

أول درس في الكورس: «What is Machine Learning? - Days of Machine Learning».

الأدوات المستخدمة في الكورس

  • Python
  • Jupyter

أدوات أخرى شائعة في مجال الذكاء الاصطناعي وـ Machine Learning: TensorFlow، PyTorch، Scikit، Keras، Hugging Face.

ما تحتاجه لتطبيق الكورس

  • لابتوب برام 16 جيجا
  • كارت شاشة NVIDIA مفيد في تدريب النماذج، ويمكن الاستغناء عنه بـ Google Colab المجاني

الوظائف المرتبطة بهذا الكورس

  • عالم بيانات: بناء نماذج التعلم الآلي واستخراج التوقعات من البيانات
  • محلل بيانات: تنظيف البيانات وتحليلها وعرضها في تقارير ولوحات تحكم
  • مبرمج بايثون: تطوير البرامج والأتمتة وتحليل البيانات بلغة بايثون

متوسط رواتب عالم بيانات في 2026

  • مصر: 12,829 – 81,126 جنيه شهريًا
  • السعودية: 6,960 – 27,851 ريال شهريًا
  • الإمارات: 13,590 – 45,459 درهم شهريًا

وللمقارنة: محلل بيانات في مصر 10,564 – 44,689 جنيه، ومبرمج بايثون في مصر 11,258 – 41,679 جنيه.

أرقام شهرية تقريبية من بيانات Paylab، آخر مراجعة سبتمبر 2026. الراتب الفعلي يختلف حسب الخبرة والمدينة والشركة.

كم من الوقت تحتاج لإتقان 100 Days of Machine Learning؟

إجمالي مدة الدروس الفعلية: 62 ساعة و50 دقيقة. إذا خصصت 30 دقيقة يوميًا ستنهيه في 126 يومًا، وبساعة يوميًا في 63 يومًا. ومع التطبيق العملي وإعادة المشاهدة احسب ضعف المدة تقريبًا، فالإتقان يأتي من التطبيق وليس من المشاهدة وحدها.

شهادات مهنية يمكنك التقدم لها لاحقًا في مجال الذكاء الاصطناعي وـ Machine Learning

شهادات دولية مستقلة لا يمنحها هذا الكورس، لكنه خطوة نحوها.

  • Google Cloud Professional Machine Learning Engineer
  • Microsoft Certified: Azure AI Engineer Associate
  • AWS Certified Machine Learning Engineer – Associate

مشاريع شائعة في مجال الذكاء الاصطناعي وـ Machine Learning

  • Image Classifier
  • Chatbot
  • Recommendation System
  • Object Detection
  • Sentiment Analysis

ماذا بعد هذا الكورس؟

بعد ما تنهي الكورس وتطبّق ما تعلمته، كمّل رحلتك بواحد من هذه الكورسات:

الأقسام الجامعية ذات الصلة

  • كلية الحاسبات والمعلومات (قسم الذكاء الاصطناعي)
  • كليات الذكاء الاصطناعي
  • كلية الهندسة (قسم الحاسبات)
C
المدرّس / القناة
CampusX
🎬
عدد الدروس
134 درس
⏱️
المدة الإجمالية
62 ساعة 50 دقيقة
📶
المستوى
مبتدئ
🌍
اللغة
English
🎓
الشهادة
شهادة إتمام باسمك
✅
المتطلبات
لا توجد متطلبات مسبقة
📂
التصنيف
الذكاء الاصطناعي وـ Machine Learning

🎯 ماذا ستتعلم في هذا الكورس

✓
What is Machine Learning? - Days of Machine Learning
✓
AI Vs ML Vs DL for Beginners in Hindi
✓
Types of Machine Learning for Beginners - Types of Machine learning in Hindi - Types of…
✓
Batch Machine Learning - Offline Vs Online Learning - Machine Learning Types
✓
Online Machine Learning - Online Learning - Online Vs Offline Machine Learning
✓
Instance-Based Vs Model-Based Learning - Types of Machine Learning
✓
Challenges in Machine Learning - Problems in Machine Learning
✓
Application of Machine Learning - Real Life Machine Learning Applications
✓
+ 126 موضوعًا آخر داخل الكورس

💼 وظائف مرتبطة بهذا الكورس

💼
عالم بيانات
بناء نماذج التعلم الآلي واستخراج التوقعات من البيانات
💰 مصر: 13–81 ألف ج.م · السعودية: 7–28 ألف ر.س
💼
محلل بيانات
تنظيف البيانات وتحليلها وعرضها في تقارير ولوحات تحكم
💰 مصر: 11–45 ألف ج.م · السعودية: 6–18 ألف ر.س
💼
مبرمج بايثون
تطوير البرامج والأتمتة وتحليل البيانات بلغة بايثون
💰 مصر: 11–42 ألف ج.م · السعودية: 7.5–30 ألف ر.س

❓ أسئلة شائعة عن الكورس

كم عدد دروس كورس 100 Days of Machine Learning؟ +
يضم كورس 100 Days of Machine Learning 134 درسًا بإجمالي مدة 62 ساعة و50 دقيقة. تتراوح مدة الدرس بين دقيقة وساعة و57 دقيقة.
من يقدم كورس 100 Days of Machine Learning؟ +
يقدمه CampusX، وتعرض مصر 24 دروسه مرتبة في صفحة واحدة مع حفظ تقدمك درسًا بدرس.
هل الكورس مناسب للمبتدئين؟ +
نعم، الكورس موجّه للمبتدئين ولا يحتاج خبرة سابقة. ويبدأ بدرس «What is Machine Learning? - Days of Machine Learning».
كم يستغرق إتمام الكورس؟ +
إجمالي مدة الدروس 62 ساعة و50 دقيقة. بمعدل 30 دقيقة يوميًا تنهيه في 126 يومًا، وبساعة يوميًا في 63 يومًا.
هل أحصل على شهادة بعد الكورس؟ +
نعم، تحصل على شهادة إتمام باسمك من أكاديمية مصر 24، وتُفتح بعد مشاهدة نصف الدروس على الأقل.
هل الكورس مجاني؟ +
نعم، كل الدروس متاحة للمشاهدة دون أي رسوم أو اشتراك.
ما الذي أحتاجه لتطبيق الكورس؟ +
لابتوب برام 16 جيجا، وكارت شاشة NVIDIA مفيد في تدريب النماذج، ويمكن الاستغناء عنه بـ Google Colab المجاني.
ما الوظائف المرتبطة بهذا الكورس؟ +
من الوظائف المرتبطة: عالم بيانات (من 12,829 إلى 81,126 جنيه شهريًا في مصر)، ومحلل بيانات (من 10,564 إلى 44,689 جنيه شهريًا في مصر)، ومبرمج بايثون (من 11,258 إلى 41,679 جنيه شهريًا في مصر). الأرقام تقريبية من بيانات Paylab لعام 2026.
ما لغة الشرح في الكورس؟ +
الشرح باللغة الإنجليزية.

كورسات مشابهة في الذكاء الاصطناعي وـ Machine Learning

كورس CampusX Data Science Mentorship Program -23 للمتقدمين

👤 CampusX🎬 200 درسًا

كورس RNN

👤 CampusX🎬 10 دروس

كورس فن هندسة المطالبات مع ChatGPT

👤 Emad Eid عماد عيد🎬 22 درسًا

كورس Data Science in Arabic

👤 Data & Code🎬 58 درسًا
✕
🎓 أكاديمية مصر 24
EG24
EG-24 ACADEMY
EG24
EG-24ACADEMY
— أكاديمية مصر 24 —
CERTIFICATE
OF COMPLETION
THISCERTIFICATE IS PROUDLY PRESENTED TO
اسمك هنا
FOR SUCCESSFULLY COMPLETING THE COURSE
اسم الكورس هنا
ISSUED ON
09 أكتوبر 2026
Ahmed Hamdy
AHMED HAMDY
FOUNDER
VERIFY CERTIFICATE
CERTIFICATE ID
PREVIEW
رقم تحقق الشهادة
EG24
ACADEMY
LEARN GROW
أقرب طريق لحلمك — سواء مشروعك الجديد أو وظيفة أحلامك — يبدأ من هنا، بكورسات مجانية 100% للأبد.