4. التحليل الاستكشافي للبيانات - كتاب علم البيانات - الصف 11 - الفصل 1 - المملكة العربية السعودية

📚 التحليل الاستكشافي للبيانات وتصويرها

المفاهيم الأساسية

التحليل الاستكشافي للبيانات (Exploratory Data Analysis): المرحلة التي يتم فيها تحليل مجموعة البيانات واستنباط الإجابات المطلوبة لأسئلتك باستخدام أدوات تحليل البيانات والأكواد والمكتبات البرمجية المتخصصة.

تصوير البيانات (Data Visualization): تقديم البيانات التي تم تحليلها بصورة مرئية (كالجداول والرسوم البيانية والمخططات والخرائط) لاستخلاص رؤى وتوصيات ذات جودة أفضل وفهم أنماط البيانات واتجاهاتها.

خريطة المفاهيم

```markmap

مقدمة في علم البيانات

العمليات

دورة حياة علم البيانات

#### 1. تعريف المشكلة وصياغتها

• فهم ماهية المشكلة وبيئتها والمتغيرات المؤثرة.
• تحديد الغاية المرجوة من الحل.

#### 2. جمع البيانات

• توفير مجموعة البيانات بعد تحديد الأهداف.
• جمع بيانات كافية للمعالجة.
• المصادر: أجهزة الاستشعار، تطبيقات الهاتف، منصات الويب.
• التخزين التلقائي في قواعد البيانات.

#### 3. تجهيز البيانات وتصحيحها

• أحد أهم المراحل في دورة حياة علم البيانات.
• تصحيح وتجهيز البيانات المجمعة للتأكد من مناسبتها للتحليل.
• معالجة مشاكل: التكرار، التداخل، التلف، التنسيق غير الصحيح، الأخطاء، النقص.
• أهمية التصحيح: تجنب استنتاجات خاطئة وصعوبة تحديد مصدر المشكلة (التحليل أم البيانات).

#### 4. التحليل الاستكشافي للبيانات

• تحليل مجموعة البيانات بعد جمعها وتصحيحها.
• استخدام أدوات تحليل البيانات والأكواد والمكتبات المتخصصة.
• قد يكون بسيطاً (دراسة متغيرة واحدة) أو معقداً (عمليات إحصائية متقدمة).
• تعلم الآلة: طريقة شائعة للتحليل باستخدام خوارزميات التعلم الآلي.

- تحديد نموذج لتعلم الآلة.

- اختيار أفضل النماذج وتدريبها.

- تجريب النماذج واختيارها.

- استخدام البيانات الناتجة للوصول للإجابات.

#### 5. تصوير البيانات

• تقديم البيانات المحللة بصورة مرئية (جداول، رسوم بيانية، مخططات، خرائط).
• الهدف: استخلاص رؤى وتوصيات ذات جودة أفضل.
• يساعد في فهم أنماط البيانات واتجاهاتها.
• ضروري لاتخاذ قرارات مستندة إلى البيانات مع كميات هائلة من المعلومات.

التعامل مع البيانات الضخمة

الحوكمة والسياسات

إدارة البيانات

مبادئ حوكمة البيانات

المخرجات

المهارات والأدوات المطلوبة

المهن والفرص الوظيفية

أهمية المجتمعات الرقمية

مجالات التطبيق

• التطبيقات التجارية والصناعية
• الرعاية الصحية والمعلوماتية الحيوية
• الاقتصاد الرقمي وتحليل وسائل التواصل
• المنازل والمدن والمواصلات الذكية
• التعليم الإلكتروني والترفيه
• الطاقة والاستدامة والمناخ

مثال تطبيقي

• منصة استشراف (مركز المعلومات الوطني)

مثال: أرامكو السعودية

```

نقاط مهمة

• التحليل الاستكشافي هو الخطوة التي تلي جمع البيانات وتصحيحها.
• يمكن أن يكون التحليل بسيطاً (دراسة متغير واحد) أو معقداً (عمليات إحصائية متقدمة).
• تعلم الآلة هو إحدى الطرق الشائعة للتحليل، وتتضمن خطوات: تحديد النموذج، اختياره وتدريبه، ثم تجريبه واختياره.
• تصوير البيانات (مثل الرسم البياني في الصفحة) يقدم طريقة فعالة لفهم أنماط واتجاهات البيانات.
• التمثيل المرئي للنتائج ضروري لاتخاذ قرارات مستندة إلى البيانات، خاصة مع الكميات الهائلة من المعلومات.

Exploratory Data Analysis

بعد أن جمعت البيانات وقمت بتصحيحها، يمكنك تحليل مجموعة البيانات واستنباط الإجابات المطلوبة لأسئلتك، ويتم إجراء تحليل البيانات باستخدام أدوات تحليل البيانات والأكواد والمكتبات البرمجية المتخصصة. وقد يكون التحليل بسيطًا وذلك بدراسة متغيرة واحدة أو أكثر، وقد يتسع ليشمل عمليات أكثر تعقيدًا تتضمن عمليات إحصائية متقدمة. يُعد تعلم الآلة من أكثر الطرائق شيوعًا في الوقت الحالي لتحليل البيانات باستخدام باحث علمي، حيث يتم استخدام خوارزميات التعلم الآلي. ففي البداية يجب تحديد نموذج لتعلم الآلة، ثم يتم اختيار أفضل النماذج وتدريبها، وبعد الانتهاء من ذلك يتم تجريب النماذج واختياره، وعند اكتمال هاتين المرحلتين يمكن استخدام البيانات الناتجة منه للوصول للإجابات المرغوبة عن عمليات التحليل.

Data Visualization

يتم تقديم البيانات التي يتم تحليلها عادة بصورة جداول بيانات، مما يتيح لحالي البيانات ذوي الخبرة استخدامها. ويقدم التمثيل المرئي لتحليل البيانات إمكانية استخلاص رؤى وتوصيات ذات جودة أفضل. بينما توفر الرسوم البيانية والمخططات وحتى الخرائط، وكذلك التقارير المنشورة طريقة فعالة لفهم أنماط البيانات واتجاهاتها أي ما توحي به تلك البيانات. يُعد تمثيل النتائج أمرًا ضروريًا لاتخاذ قرارات مستندة إلى البيانات عند التعامل مع كميات هائلة من المعلومات.

وزارة التعليم 2025 - 1447

16

--- SECTION: 4. التحليل الاستكشافي للبيانات --- Exploratory Data Analysis بعد أن جمعت البيانات وقمت بتصحيحها، يمكنك تحليل مجموعة البيانات واستنباط الإجابات المطلوبة لأسئلتك، ويتم إجراء تحليل البيانات باستخدام أدوات تحليل البيانات والأكواد والمكتبات البرمجية المتخصصة. وقد يكون التحليل بسيطًا وذلك بدراسة متغيرة واحدة أو أكثر، وقد يتسع ليشمل عمليات أكثر تعقيدًا تتضمن عمليات إحصائية متقدمة. يُعد تعلم الآلة من أكثر الطرائق شيوعًا في الوقت الحالي لتحليل البيانات باستخدام باحث علمي، حيث يتم استخدام خوارزميات التعلم الآلي. ففي البداية يجب تحديد نموذج لتعلم الآلة، ثم يتم اختيار أفضل النماذج وتدريبها، وبعد الانتهاء من ذلك يتم تجريب النماذج واختياره، وعند اكتمال هاتين المرحلتين يمكن استخدام البيانات الناتجة منه للوصول للإجابات المرغوبة عن عمليات التحليل. --- SECTION: 5. تصوير البيانات --- Data Visualization يتم تقديم البيانات التي يتم تحليلها عادة بصورة جداول بيانات، مما يتيح لحالي البيانات ذوي الخبرة استخدامها. ويقدم التمثيل المرئي لتحليل البيانات إمكانية استخلاص رؤى وتوصيات ذات جودة أفضل. بينما توفر الرسوم البيانية والمخططات وحتى الخرائط، وكذلك التقارير المنشورة طريقة فعالة لفهم أنماط البيانات واتجاهاتها أي ما توحي به تلك البيانات. يُعد تمثيل النتائج أمرًا ضروريًا لاتخاذ قرارات مستندة إلى البيانات عند التعامل مع كميات هائلة من المعلومات. وزارة التعليم 2025 - 1447 16 --- VISUAL CONTEXT --- **GRAPH**: 2019-20 Novel Coronavirus Outbreak Description: A dashboard-style visualization showing the prevalence of COVID-19 cases over time, grouped by country/region. The y-axis represents prevalence percentage, and the x-axis represents the number of days since the 10th case. Multiple lines represent different countries/regions. X-axis: Number of Days Since 10th Case Y-axis: Prevalence (%) by Variable Dimension Data (EP) Data: The graph shows the trend of COVID-19 prevalence over time for various countries/regions. Different colored lines represent different countries. The prevalence generally increases from the start, with variations in the rate of increase and peak prevalence across regions. Key Values: Prevalence values range from approximately 0.05% to over 1.5%. Context: This figure illustrates the application of data visualization in tracking and understanding the spread of infectious diseases like COVID-19, showing how different regions experienced varying prevalence rates over time.