انتقل إلى المحتوى الرئيسي

علم البيانات

المعلومات الأساسية عن التخصص​

تعريف التخصص​

علم البيانات هو تخصص في مجال الحاسب يهدف إلى استخراج معلومات مفيدة من كميات ضخمة من البيانات،. هذا التخصص يجمع بين لغات البرمجة، الإحصاء، والذكاء الاصطناعي. توجد أهميته في أنه يساعد المؤسسات على اتخاذ قرارات مبنية على تحليل دقيق للبيانات.

المراحل الرئيسية الي يمر فيها عالم البيانات:
  1. فهم وتعريف المشكلة (Problem Definition):
  • من أهم الخطوات أنك تعرف ايش الهدف من المشروع أو التحليل بشكل دقيق ومفصل.
  • لازم تعرف تتواصل مع الجهة المعنية/أصحاب المصلحة لفهم المتطلبات.
  1. جمع البيانات (Data Collection):
  • لازم تحدد مصادر البيانات الي بتاخذ منها بياناتك.
  • تبدأ تجمع بياناتك وتنظمها.
  1. تنظيف البيانات (Data Cleaning):
  • لازم تعرف كيف تتعامل مع البيانات خصوصًا لو كانت ناقصة أو مكررة أو فيها قيم غير منطقية.
  • لازم تتأكد أن البيانات جاهزة بحيث تكون نظيفة وصالحة للتحليل.
  • الخطوة هذي هي أساسك للتحليل، لو ما طبقتها بشكل كافي تحليلك ونتائجك ما بيكونون دقيقين.
  1. استكشاف البيانات (Exploratory Data Analysis - EDA):
  • تحليل البيانات بشكل مبدئي باستخدام المبادئ الإحصائية والرسوم البيانية – بشكل برمجي.
  • استكشاف الأنماط، التوزيعات، العلاقات، والمتغيرات المبهمة والغير واضحة.
  1. إعداد البيانات (Data Preprocessing):
  • تحويل البيانات وتجهيزها بالشكل المناسب للنمذجة ("كيف الخوارزمية الي بتسويها قادرة على قراءة بياناتك").
  • أحيانًا تنشئ روابط جديدة (Feature Engineering).
  1. بناء النموذج (Data Modeling):
  • تختار إيش الخوارزمية المناسبة (مثل الانحدار، التصنيف، الشبكات العصبية وغيرها).
  • تدريب النموذج وضبط معاييره حسب بياناتك وحسب المهام أو الهدف الي تبي توصل له.
  1. تقييم النموذج (Model Evaluation):
  • تستخدم مقاييس معينة لتقييم أداء النموذج.
  • تقارن بين النماذج وتختار الأفضل.
  1. نشر النموذج (Deployment):
  • تنقل النموذج لبيئة الإنتاج (مثل تطبيق ويب أو نظام داخلي).
  • تتأكد من أن النموذج شغال بشكل مستمر وفعال.
  1. المتابعة والتحسين (Monitoring & Maintenance):
  • تراقب أداء النموذج مع الوقت.
  • تحدّث النموذج إذا تغيرت البيانات أو الأهداف.

❓هل يناسبني هذا التخصص؟​

إذا كنت مهتم بالبرمجة وتحب تتعلم لغات مثل Python وR وSQL، وعندك حب للتحليل والمنطق، وتحب تفهم وش يصير خلف الأرقام، وكمان تحس إن عندك فضول تستكشف وتحلل، وتحب الأرقام والرياضيات، وتعرف توصل فكرتك للناس، أو على الأقل ودك تتعلم كيف، وفوق كل هذا تحب تطور نفسك وتتعلم أشياء جديدة دايم، فالصفات هذي كلها بتساعدك تصير مميز في تخصص علم البيانات.

محتوى التخصص​

ما ستتعلمه في التخصص (مواد/مهارات)​

  • تتعلم لغات برمجة زي Python، R، SQL لأنها أساس التعامل مع البيانات.
  • تتعلم الإحصاء والرياضيات لفهم تحليل البيانات والاستنتاج.
  • تتعلم كيف تنظّف البيانات وتحل مشاكلها (ناقصة، مكررة، غير منطقية).
  • تشتغل على تحليلها وتصويرها برسوم وبيانات واضحة.
  • تبدأ تدخل في تعلم الآلة (Machine Learning) وتبني نماذج ذكية.
مهارات غير تقنية ستكسبها
  • حل المشكلات
  • التفكير التحليلي
  • عرض الأفكار ببساطة
  • الشغل الجماعي

يعني في النهاية، تطلع شخص يقدر يحول الأرقام لقرارات ذكية تفيد أي جهة: شركة، مؤسسة، أو حتى مشروعك الخاص 🚀

خطة التخصص بجامعة أم القرى (توصية 44)​

plan - Copy

معلومات

⚠️ ملاحظة: الخطة الدراسية ممكن تتغير من سنة لسنة، لكن هذي قائمة بأهم المواد الأساسية في التخصص:

🧾 نبذة عن مواد تخصص علم البيانات​

تهدف المادة إلى تمكين الطلاب من استخدام المفاهيم الإحصائية في تحليل البيانات الحقيقية. يتم التركيز على بناء النماذج الوصفية والاستنتاجية باستخدام أدوات مثل التوزيعات، الاحتمالات، الانحدار، وتحليل التباين، بهدف الوصول إلى نتائج قابلة للتفسير والدعم في اتخاذ القرار.

📝 تنويه: بعض التعريفات مأخوذة من مصادر تعليمية موثوقة مثل Coursera وIBM لتبسيط الفهم، وقد تختلف بعض التفاصيل حسب توصيف الجامعة أو تحديث الخطط الدراسية.

مجالات التخصص​

  • تحليل البيانات (Data Analysis)
  • تعلم الآلة (Machine Learning)
  • الذكاء الاصطناعي (Artificial Intelligence)
  • هندسة البيانات (Data Engineering)
  • تصور البيانات (Data Visualization)
  • التحليل الإحصائي (Statistical Analysis)
  • التحليل التنبؤي (Predictive Analytics)
  • تحليل البيانات الضخمة (Big Data Analytics)

📌 المهارات الداعمة:​

المهارات التقنيةالمهارات الشخصية
Python / SQL / Rإدارة الوقت
تحليل البيانات والإحصاءحل المشكلات
تعلم الآلة والذكاء الاصطناعيمهارات التواصل والعمل الجماعي
بناء النماذج وتقييمهاالتفكير التحليلي

الآفاق المستقبلية​

الوظائف المستقبلية وسوق العمل​

سوق العمل في علم البيانات واسع ومتشعّب، وكثير ناس يظنون إن التخصص كله بس "تحليل بيانات"، لكن الواقع أوسع من كذا بكثير.

في الحقيقة، كل جزء من دورة حياة البيانات يعتبر مجال مستقل، وله شغل مختلف، وخبرات وأدوات خاصة. من أول ما يتم جمع البيانات، مرورًا بتنظيفها وتجهيزها، ثم تحليلها، وبعدها بناء النماذج، وأخيرًا عرض النتائج واتخاذ قرارات مبنية عليها — كل مرحلة فيها تخصصات ووظائف مختلفة، لكنها مترابطة وتكمّل بعضها.

ومن أهم المسمّيات:

  • محلل بيانات (Data Analyst)
  • عالم بيانات (Data Scientist)
  • مهندس بيانات (Data Engineer)
  • محلل ذكاء أعمال (BI Analyst)
  • مهندس تعلم آلي (ML Engineer)

📊 سوق العمل في السعودية:​

  • الطلب عالي جدًا.
  • الوظائف منتشرة في قطاعات مثل: البنوك، الصحة، التجارة، الجهات الحكومية، والمشاريع الكبرى مثل نيوم.

🚀 الاتجاهات الحديثة في المجال:​

  • الذكاء الاصطناعي والتعلم الآلي
  • تحليل البيانات الضخمة
  • التحليل في الوقت الحقيقي (Real-time Analytics)

⚠️ التحديات والصعوبات​

تخصص علم البيانات فيه فرص كبيرة، لكنه يواجه تحديات حقيقية سواء في الدراسة أو بعد التخرج.

🎓 التحديات الأكاديمية (أثناء الدراسة)

1. تعدد المهارات المطلوبة​

تحتاج تجمع بين البرمجة، الإحصاء، أدوات التحليل، وتعلم الآلة… وكلها تُدرّس بتوازي.

2. المشاريع المعقدة​

مشاريع تحتوي على بيانات ناقصة أو غير واضحة وتتطلب حلولًا إبداعية.

3. ضعف المحتوى العربي​

أغلب المحتوى متاح باللغة الإنجليزية، مما يتطلب تطوير المهارات اللغوية.

4. صعوبة البداية​

كثرة الأدوات والمفاهيم قد تسبب ارتباكًا في البداية، لكن مع الاستمرار تبدأ تتضح الصورة.

👨‍💻 التحديات العملية (بعد التخرج)

1. البيانات الواقعية فوضوية​

نادراً ما تكون جاهزة أو نظيفة، مما يجعل مرحلة التحضير طويلة.

2. التواصل مع فرق غير تقنية​

لازم تترجم التحليلات بلغة مفهومة للمديرين والعملاء.

3. التوقعات المبالغ فيها​

أحياناً تتوقع المؤسسات حلولًا شبه سحرية من علم البيانات.

4. تغيّر الأدوات بسرعة​

لازم تستمر في التعلم لتواكب الأدوات والتقنيات الجديدة.

تجارب ونصائح عملية​

💡 معلومات مغلوطة وتصحيحها​

❌ المعلومة المغلوطة✅ الحقيقة
علم البيانات كله Excel وتحليل بسيطExcel ممكن يُستخدم بالبدايات أو في التقارير البسيطة، لكن الشغل الحقيقي يعتمد على Python وR، وأدوات مثل SQL وPandas وNumPy.
علم البيانات ما فيه برمجة، بس تقارير وبيانات جاهزةالبرمجة جزء أساسي من المجال، خصوصًا في تنظيف البيانات، بناء النماذج، وتحليل النتائج.
لازم تكون دكتور رياضيات عشان تفهم علم البياناتالرياضيات والإحصاء مهمين، لكن ما تحتاج تكون عبقري. يكفي فهم جيد واستخدام سليم للأدوات.
المجال كله عن الذكاء الاصطناعي والتعلم العميقكثير من الشغل في علم البيانات يكون في التحليل الوصفي، النماذج البسيطة، واتخاذ قرارات مبنية على البيانات.
تتعلم خوارزمية وحدة وتطبقها على كل شيءهذا المفهوم غلط. كل مشكلة لها تحليل مناسب، وتحتاج تفهم البيانات قبل اختيار النموذج الصحيح.
إذا خلصت كورس أو شهادة تصير محترفالكورسات تعطيك الأساس، لكن الاحتراف يجي من التطبيق العملي، التجربة، والمشاريع الواقعية.

نصائح عامة وأغلاط لاتطيح فيها​

ابدأ بالأساسيات ولا تستعجل التخصص​

فهمك للأساسيات مثل Python، الإحصاء، وSQL راح يبني لك قاعدة قوية وتسهّل عليك كل شيء بعدين.

خذ مشروع صغير واشتغل عليه​

المشاريع الواقعية تعلّمك أكثر من ألف كورس. حتى لو كانت فكرة بسيطة، جرب وطبق بنفسك.

لا تتعلق بالأدوات​

الأدوات كثيرة وتتغير، ركّز على المفاهيم. اللي يتقن المفهوم يقدر يتعلم أي أداة بسهولة.

لا تقارن نفسك بالناس​

كل واحد له رحلته، خلك واقعي واشتغل على مستواك وخططك.

تعلّم التوثيق والتواصل​

مو بس تحلل، لازم تشرح شغلك وتعرضه بطريقة واضحة. التوصيل أهم من التحليل أحيانًا.

اشتغل على لغة إنجليزية قوية​

أغلب المحتوى، الوظايف، والأدوات باللغة الإنجليزية. حتى لو مو ممتاز، حاول تطوّرها شوي شوي.

لا تخاف من الرياضيات​

الرياضيات في علم البيانات مو متعمقة ولا مرعبة، بالعكس، أغلبها مفاهيم بسيطة مثل المتوسط، الانحراف المعياري، والاحتمالات.
تفهمها مرة وحدة وتستخدم أدوات تساعدك تطبقها بدون تعقيد.

تتعلم كل شيء دفعة وحدة​

علم البيانات بحر، خذ خطوة خطوة ولا تحاول تشربه كله بيوم.

تشتغل على أدوات بدون ما تفهم ليه تستخدمها​

لا تستخدم أداة أو خوارزمية لأن الكل يستخدمها. افهم وش تسوي أول.

تركز على الكود وتنسى التحليل​

التحليل هو الجوهر، والكود مجرد وسيلة. لازم تفهم البيانات قبل ما تبرمج.

تسوي Dashboard بدون ما تفهم هدفك​

قبل ما تعرض النتائج، اسأل نفسك: وش الهدف؟ وش الرسالة اللي أبغى أوصلها؟

تعتمد على دورات فقط بدون تطبيق​

التعلم يصير فعّال إذا طبّقت. لا تكتفي بالمشاهدة، لازم تشتغل بإيدك.

دعم إضافي​

مصادر خارجية​

ملاحظة

بعض المصادر المذكورة أعلاه مدفوعة أو تتطلب اشتراك (مثل دورات Coursera وDataCamp)، بينما البعض الآخر مجاني تمامًا أو يوفر محتوى مجاني جزئيًا.

الأسئلة الشائعة​

كيف يفيدنا الإحصاء في تخصص علم البيانات؟ وهل هو نفسه اللي ندرسه الآن؟

نعم، إلى حد كبير الإحصاء المستخدم في علم البيانات مشابه لمادة الإحصاء التي ندرسها حاليًا.
لكن الفرق الجوهري أنَّنا لا نحتاج لحساب المعادلات يدويًا، بل نستخدم أكواد وأدوات برمجية تُظهر النتائج مباشرة.

🎯 الدور الحقيقي لمختص علم البيانات؟
فهم وتفسير هذه النتائج بالشكل الصحيح، لأنها أساسية في:

  • مرحلة ما قبل التحليل (فهم طبيعة البيانات)
  • أثناء التحليل (فحص العلاقات)
  • بعد التحليل (تقييم النموذج ونتائجه)

🧩 مثال من مرحلة ما قبل التحليل:​

نقوم بعرض إحصائيات مثل:

  • المتوسط (Mean): يعكس الاتجاه العام للقيم.
  • الانحراف المعياري (Standard Deviation): يوضح مدى تشتت البيانات.
  • القيم الربعية (25%, 50%, 75%): تعطي صورة عن توزيع البيانات.

📷 مثال عملي:

Image

📊 أثناء التحليل:​

نستخدم أدوات مثل مصفوفة الارتباط لتحليل العلاقة بين المتغيرات.
على سبيل المثال:

Image

✅ بعد التحليل:​

نعتمد على أدوات مثل مصفوفة الالتباس (Confusion Matrix) لقياس أداء النماذج التنبؤية:

Image

🧪 في اختبار الفرضيات:​

نطبق اختبارات إحصائية لمعرفة ما إذا كانت الفروقات بين مجموعات البيانات ذات دلالة إحصائية أو لا، مثل:

  • T-Test
  • ANOVA
  • Chi-Squared Test

📷 توضيح مبسّط:

Image

الخلاصة:
أنت كمختص بيانات، قد تكتب سطر أو سطرين فقط من الكود لتحصل على كل هذه النتائج،
لكن القيمة الحقيقية تكمن في تفسيرك لها وربطها بهدف التحليل، وهذا ما يصنع الفرق 👌

هل لعالم البيانات دور في بناء نماذج مثل ChatGPT؟ وهل هو التخصص الأساسي فيها؟

نموذج مثل ChatGPT هو نتيجة تعاون بين عدة تخصصات، كلٌ منهم يؤدي دورًا محوريًا في نجاح النموذج.

لكن إذا أردنا تحديد دور عالم البيانات (Data Scientist) بشكل دقيق:

🔹 يقوم بـ:

  • تجميع وتنظيف البيانات التي يتعلم منها النموذج.
  • فهم سلوك النموذج وتحليل نتائجه.
  • تصميم تجارب واختبارات لضمان أن النموذج يتفاعل مع المستخدمين بشكل ذكي.
  • تحسين جودة البيانات باستمرار لضمان تعلم النموذج من بيانات سليمة وآمنة.

🧪 مثال عملي:​

في بدايات تطوير ChatGPT، كان النموذج يرد على جميع الأسئلة حتى لو كانت ضارة أو غير مناسبة.

هنا يأتي دور عالم البيانات:

  • يكتشف هذا النوع من السلوك في النموذج.
  • يصنّف الأسئلة (مثل ضار، آمن، غير مناسب...).
  • يُعدّل أو يعيد ترتيب البيانات التي يتعلم منها النموذج.
  • يقدم توصيات واضحة للفريق لتحسين الأداء وضبط السلوك.

👥 التخصصات الأخرى المشاركة:​

بجانب علماء البيانات، يشارك في بناء هذه النماذج:

  • مهندسو تعلم الآلة (Machine Learning Engineers)
  • مهندسو الذكاء الاصطناعي (AI Engineers)
  • مهندسو البيانات (Data Engineers)
  • مهندسو البرمجيات (Software Engineers)
  • متخصصو تجربة المستخدم (UX Designers)

كل هذه التخصصات تعمل معًا لبناء نموذج قوي، فعال، وآمن مثل ChatGPT.

من فين تجي البيانات؟ وهل نستخدمها مباشرة؟ وإيش دور عالم البيانات فيها؟

غالبًا البيانات تجي من المستخدمين أنفسهم عن طريق:

  • التطبيقات
  • المواقع
  • الاستبيانات
  • أجهزة الاستشعار (مثل الـ IoT)

لكن دورنا كعلماء بيانات مو إننا نستخدمها مباشرة، خصوصًا إذا ما تم تنظيفها أو تنظيمها.

🎯 وش يسوي عالم البيانات بالضبط؟​

  1. نحلل البيانات
  2. نستخرج منها أنماط أو رؤى
  3. نحوّلها إلى معرفة قابلة للفهم والاستخدام

ثم العميل أو الفريق أو النظام يوظّف هذه المعرفة حسب احتياجه.

👇 مثال 1: مشروع تحليل بيانات التايتنك​

Image

  • نبدأ بتنظيف البيانات (Data Processing)
  • ندرب النموذج (Model Training)
  • نبني API ونربطه بالواجهة (Frontend)
  • نعرض النتيجة بشكل بسيط للمستخدم النهائي

👇 مثال 2: تحليل بيانات الصحة النفسية​

Image

هنا البيانات صارت لوحة معلومات تفاعلية، تقدر الشركات أو الجهات الصحية تستخدمها لاتخاذ قرارات مهمة مثل:

  • دعم مناطق معينة
  • تخصيص حملات توعوية
  • التعرف على أسباب الضغوط

💡 طيب وبعدين؟​

العميل يوظف المعرفة حسب احتياجه، مثل:

  • شركة تبغى تعرف أكثر منتج مبيعًا وأسباب النجاح
  • تطبيق مثل أمازون أو هنقرستيشن يبغى يقدم اقتراحات:
    • "اللي اشترى هذا اشترى معه ذاك"
    • "تبغى تطلب نفس الطلب مرة ثانية؟"

كل هذا ناتج من تحليل سلوك المستخدمين.

🤖 وماذا عن ChatGPT؟​

نرجع لمثالنا السابق: شات جي بي تي

  • يتم تجميع كميات ضخمة من البيانات
  • متخصصو الذكاء الاصطناعي يطورون خوارزميات معقدة
  • النموذج يتعلم منها ويتفاعل معك بشكل ذكي

وفي كل هذا، دور عالم البيانات هو التأكد من جودة البيانات، وتحويلها إلى معرفة حيّة، تُستخدم بأفضل شكل ممكن.

ليش يسمون تخصص علم البيانات "نفط المستقبل"؟ وهل هذا مجرد تشبيه مبالغ فيه؟

في الواقع، هذا التشبيه شائع جدًا ووراءه أسباب منطقية وعلمية قوية.
يُطلق على علم البيانات "نفط المستقبل" بسبب مجموعة من العوامل الجوهرية:

1. البيانات = مورد غير ملموس لكن ذو قيمة ضخمة​

مثل ما كان النفط يعتبر من أغلى الموارد في القرن العشرين، اليوم البيانات أصبحت من أغلى الموارد في القرن الواحد والعشرين.

الشركات العملاقة مثل Google، Amazon، ByteDance وغيرها تعتمد كليًا على البيانات لبناء منتجاتها واتخاذ قراراتها.

2. الطلب العالمي على تحليل البيانات بازدياد​

كل الصناعات تقريبًا تعتمد على البيانات بشكل متزايد، مثل:

  • الرعاية الصحية
  • الأمن والدفاع
  • البنوك والتمويل
  • التسويق والتجارة
  • الرياضة
  • القطاع الحكومي

البيانات تساعدهم في اتخاذ قرارات استراتيجية، تحسين الأداء، والتنبؤ بالمستقبل.

3. قدرة البيانات على التنبؤ والتأثير​

البيانات تمنح الشركات والجهات الحكومية القدرة على:

  • التنبؤ بسلوك العملاء
  • تحسين العمليات
  • اتخاذ قرارات دقيقة
  • التأثير على الرأي العام

4. التحول من "المادة" إلى "المعلومة"​

زي ما النفط غيّر العالم ماديًا... البيانات غيرت العالم رقميًا.

اللي ما يملك بيانات أو ما يعرف كيف يستخدمها، راح يخسر قدرته على المنافسة.

5. البيانات تشبه النفط في عدة نواحي:​

المقارنةالنفط الخامالبيانات الخام
القيمةبلا قيمة حتى يُكرّربلا قيمة حتى تُحلّل وتُنظّف
مصدر الاستخراجالأرضالأجهزة، الإنترنت، التطبيقات، الكاميرات
التحكم والسيطرةمن يملك النفط يملك القوةمن يملك البيانات يملك السوق والرأي العام
الاستخداميشغّل الطاقة والصناعةيشغّل الذكاء الاصطناعي والتقنية الحديثة
يخلق صناعات جديدةالطاقة، البتروكيماوياتالأمن السيبراني، التوصيات، التوأم الرقمي

6. ندرة الكفاءات​

رغم كل هذا الطلب الكبير، إلا أن:

  • عدد المتخصصين قليل نسبيًا
  • الطلب أكبر من المعروض

وهذا يخلي علم البيانات من أعلى التخصصات أجرًا وتأثيرًا في سوق العمل اليوم.

البيانات اليوم هي المحرّك الأساسي للعالم الرقمي، والتخصص فيها يعطيك فرصة تكون جزء من هذا التحوّل الكبير.

وفي النهاية:​

﴿ وَأَنْ لَيْسَ لِلْإِنْسَانِ إِلَّا مَا سَعَى وَأَنَّ سَعْيَهُ سَوْفَ يُرَى﴾