علوم بيانات

دايمًا يحمسني الحديث عن مصائر التخصصات الحديثة، وعلم البيانات فعلاً تحول من كلمة موضة إلى مسار وظيفي ملموس في السعودية.

السوق هنا يتحرك بسرعة: رؤية 2030 والتحول الرقمي خلقا طلب كبير على مهارات تحليل البيانات والذكاء الاصطناعي. الجهات الحكومية الكبيرة مثل الهيئة السعودية للبيانات والذكاء الاصطناعي (SDAIA) والمشاريع الضخمة مثل نيوم ومشروعات السياحة والطاقة والاستثمارات التقنية تجذب فرقًا متخصصة في تحليل البيانات. شركات الاتصالات، البنوك، الشركات النفطية الكبرى، ومؤسسات الرعاية الصحية والتأمين كلها تبحث عن محللين، مهندسي بيانات، وعلماء بيانات قادرين على تحويل الأرقام إلى قرارات. هذا يعني وجود فرص متدرجة من وظائف مبتدئة إلى أدوار قيادية، مع إمكانية انتقال بين القطاعات.

ما لاحظته ميدانيًا هو أن المهارات العملية تهم أكثر من الشهادات النظرية وحدها: إتقان بايثون، SQL، مفاهيم الإحصاء، التعلم الآلي، والأهم نشر مشاريع حقيقية على GitHub أو المشاركة في مسابقات Kaggle يعطيك ميزة كبيرة. أيضاً السحابة (AWS/GCP/Azure) وأدوات الـ MLOps تضيف نقاط قوة. من جهة أخرى، الطلب على معالجة اللغة العربية وزيادة البيانات باللغة العربية تفتح مجالًا خاصًا ومربحًا؛ إذا طورت مهارات في NLP للغة العربية فإنك تبرز بسرعة.

نقطة واقعية أخيرة عن الرواتب وفرص التقدم: الأجور متقلبة حسب الخبرة والقطاع والموقع، لكن المسار قابل للربح بسرعة خاصة في القطاعات الخاصة والمبادرات الحكومية المدعومة. نصيحتي العملية: ركز على مشاريع ملموسة، انضم لمجتمعات محلية، وابنِ محفظة أعمال تعرض قدرة حل مشاكل حقيقية. هذا الطريق قد يبدو طويلًا لكنه فعّال، وبالنهاية الشعور عندما ترى مشروعك يؤثر في قرار تجاري أو خدمة عامة يستحق كل الجهد.

ألاحظ أن المقارنة بين تخصص علم البيانات والذكاء الاصطناعي تتشعب بسرعة لأنهما يلتقيان في كثير من الأدوات ولكن تختلف أهداف كل منهما وطريقة العمل اليومية.

في مشروعي الأول الذي كان يتعلق بتحليل تفاعل المستخدمين مع منتج رقمي، تعلمت بسرعة أن علم البيانات يهتم أولاً بفهم البيانات نفسها: تنظيفها، اكتشاف الأنماط، وبناء قصص مرئية تقنع الإدارة باتخاذ قرار. التركيز هنا يكون على الإحصاء، الاستدلال، الاستكشاف البصري، وإبراز قيمة الأعمال. الأدوات اليومية تكون مثل Python مع Pandas وNumPy وscikit-learn، أو R وSQL وبيئات عرض البيانات مثل Tableau أو Power BI. إذا أردت نتائج سريعة وقابلة للتطبيق تجارياً، علم البيانات هو المسار الذي يقدّم ذلك بوضوح.

على الجانب الآخر، عندما انغمست في مشروع يتطلب نموذجاً قادراً على التعرف على الصور والنصوص، شعرت بأنني دخلت إلى عالم الذكاء الاصطناعي: هنا الحديث يدور حول تصميم الشبكات العصبية، فهم التعقيدات الحسابية، تحسين الخسائر، وتجربة بنى معمارية مختلفة. الذكاء الاصطناعي غالباً ما يتطلب معرفة عميقة بالرياضيات (جبر خطي، تفاضل وتكامل، احتمالات) وبنية تحتية قوية للتدريب (GPU، أطر مثل TensorFlow وPyTorch). الهدف ليس فقط تفسير البيانات، بل بناء نظم قادرة على أداء مهام ذكية — وقد يمتد ذلك إلى أبحاث جديدة أو ابتكارات في خوارزميات التعلم.

الواقع العملي أن هناك تداخل كبير: نماذج تعلم الآلة هي جزء من علم البيانات، وعمليات الإنتاج والتشغيل (MLOps) تربط بين الاثنين. إذا كنت تميل للمجال التجاري وتحليل البيانات لصنع القرار، فابدأ بمهارات التحليل والإحصاء وقصص البيانات. أما إن كنت مولعاً بتصميم نماذج جديدة أو تطبيقات رؤية حاسوبية أو معالجة لغة طبيعية متقدمة، فاتجه نحو الذكاء الاصطناعي وتعمّق في التعلم العميق.

في النهاية، رأيي المتواضع أن الخيار يعتمد على ما تستمتع بفعله يومياً: هل تحب تنظيف البيانات ورواية القصص بالداتا؟ أم تفضّل التلاعب بالمعماريات والشبكات العصبية ومحاولة بناء شيء ذكي؟ كلاهما ممتع ومطلوب، ولكل منهما طريق تعلّم ومجالات وظيفية واسعة يمكنك الغوص فيها والاستمتاع بالتحدي.

ما جذبني أصلاً في 'علوم البيانات' هو أنها ليست مسارًا واحدًا ثابتًا، بل مجموعة من الطرق المتاحة حسب الجامعة والبلد والبرنامج. عمومًا، دراسات البكالوريوس في معظم الجامعات العربية تتراوح بين ثلاث إلى أربع سنوات؛ كثير من الكليات التقنية والجامعات العربية تعتمد نظام الأربع سنوات (120-160 ساعة معتمدة تقريبًا) بحيث تتضمن مقررات أساسية في الرياضيات، والإحصاء، والبرمجة، وقواعد البيانات، ومقررات اختيارية في التعلم الآلي وتحليل البيانات، وغالبًا مشروع تخرج أو تدريب عملي في السنة الأخيرة. في بعض الأماكن قد تجد برامج تطبيقية أو هندسية تمتد إلى خمس سنوات، وهنا المحتوى يصبح أعمق ويتضمن مواد هندسية أو تدريبًا أطول.

الماجستير في 'ماجستير علوم البيانات' أو التخصصات القريبة عادة يأخذ سنة إلى سنتين بدوام كامل؛ أنظمة البلدان تختلف: بعض الجامعات تقدم برنامجًا بحثيًا مع أطروحة يستغرق غالبًا سنتين، بينما برامج مهنية أو تعليم مستمر قد تكتمل في سنة مع تركيز على مشاريع تطبيقية وشهادات مهنية. الدكتوراه تتطلب عادة من ثلاث إلى خمس سنوات بعد الماجستير، وتشمل بحثًا أصيلاً ونشرًا علميًا، وقد تطول أكثر حسب طبيعة البحث والتمويل.

لا تنسَ أن هناك طرقًا أسرع وأكثر عملية للخوض في المجال خارج الهيكل الجامعي التقليدي: بوتكامبات مكثفة تستمر من ثلاثة إلى ستة أشهر، ودورات معتمدة عبر الإنترنت (مندمجة أو منفصلة) قد تستغرق من بضعة أشهر إلى سنة لإتقان أساسيات البرمجة، الإحصاء، وتعلم الآلة. أيضًا، إذا كنت تدرس بدوام جزئي أو تعمل أثناء الدراسة، فالمدة قد تمتد بصورة كبيرة — بكالوريوس قد يأخذ خمس إلى ست سنوات في بعض الحالات. أما المتطلبات السابقة: إذا لم تكن لديك قاعدة قوية في الرياضيات والبرمجة فقد تحتاج لدورات تمهيدية تضيف أشهرًا إلى مسار الدراسة.

في النهاية أقيّم مدة التعلم بعينين: الزمن الرسمي في الشهادة والزمن الفعلي لتصبح جاهزًا لسوق العمل. من واقع تجاربي وتجارب من أعرفهم، سرعة التقدم مرتبطة بالشغف، بالمشروعات العملية، وبالتدريب الداخلي أكثر مما هي مرتبطة بكم سنة مكتوبة في الخريطة الدراسية — وهذا ما يهمني حقًا عندما أنظر لمسار أي طالب.

هذا الموضوع يحمّسني لأن علم البيانات فعلاً يجمع بين فضولي عن العالم والقدرة على تحويل الأرقام لقصص مفهومة.

أول شيء أهمّه بصدق هو إتقان لغة برمجة واحدة على الأقل بدرجة جيدة: أغلب الناس يدخلون المجال عبر 'بايثون'، فتعلم قواعد اللغة، التحكم في البيانات، والبرمجة الكائنية البسيطة يكفي لبدء تطبيقات قوية. بعد ذلك أحتاج إلى مكتبات أساسية: 'pandas' لتنظيف ومعالجة البيانات، 'numpy' للحسابات العددية، و'scikit-learn' للنمذجة الأولية. بجانب ذلك، أرى أن 'SQL' لا غنى عنه؛ التعامل مع قواعد البيانات وكتابة الاستعلامات وجمع الجداول عبر الانضمامات (joins) من المهارات اليومية.

أقدّر أن يكون لدى المرء معرفة بأدوات العرض والشرح: 'matplotlib' أو 'seaborn' للرسم الأساسي، و'plotly' وتبسيط الرسوم التفاعلية عندما نحتاج توصيل نتائج لغير المتخصّصين. كذلك، الفهم العملي للإحصاء والاحتمالات (اختبار الفرضيات، الانحدار، التوزيعات) وخطوط الرياضيات الأساسية (جبر خطّي وحساب التفاضل والتكامل بنظرة عملية) يسهل عليك اختيار النماذج وتفسيرها. لا أنسَ أساسيات هندسة البرمجيات: التحكم بالإصدارات عبر 'git'، كتابة اختبارات بسيطة، والعمل مع بيئات افتراضية.

على مستوى متقدم، عندما تتطور إلى نماذج أكبر، تحتاج لإلمام بأساسيات التعلم العميق (مكتبات مثل 'tensorflow' أو 'pytorch')، ونشر النماذج باستخدام واجهات برمجة تطبيقات بسيطة (مثل 'FastAPI' أو 'Flask')، وفهم مبادئ الأداء والذاكرة. عملياً أنصح بتقسيم التعلم إلى مشاريع صغيرة: تنظيف مجموعة بيانات، بناء نموذج بسيط، ثم نشره كخدمة صغيرة. هذه الدورة تعلمك كتابة الكود المقروء، الاستدلال على الأخطاء، وكيفية توثيق العمل — وهي المهارات التي لا تُكتسب بالمشاهدة فقط.

أختصرها: مستوى البداية يحتاج لبايثون، SQL، مكتبات المعالجة، وتصوّر إحصائي؛ ثم تتدرج إلى أدوات العرض والنشر ومفاهيم هندسية. أحب أن أقول إن التعلم يصبح ممتعاً عندما تبدأ مشروعاً صغيراً تفتخر به، لأن الكتابة العملية للكود هي المختبر الحقيقي للمهارات، وهذا ما جعل عملي مع البيانات مجزياً بالنسبة لي.

هذا سؤال يطرحه كثيرون داخل وخارج قاعات الدراسة، وله أكثر من جواب عملي ونفسي في نفس الوقت.

أقدر أبدأ بقصة قصيرة من أيام الجامعة: دخلت كلية تختص بتقنية المعلومات وكانت التخصصات متغيرة، فلاحظت أن معظم الكليات الآن بالفعل توفر مسارات أو مواد مرتبطة بـ'الذكاء الاصطناعي' و'علوم البيانات'، سواء كتخصص مستقل أو كتركيز ضمن 'علوم الحاسب' أو 'تقنية المعلومات'. بعض الجامعات تطرح برنامج بكالوريوس واضح باسم 'علوم البيانات' أو 'الذكاء الاصطناعي'، وفي جامعات أخرى تكون المواد موزعة ضمن مسار تعلم الآلة، قواعد البيانات الضخمة، تحليل البيانات، وبرمجة الشبكات العصبية. المهم أن تتأكد من الخطة الدراسية: هل تشمل مقررات في الإحصاء، تعلم الآلة، معالجة البيانات، قواعد البيانات، والتعلم العميق؟ وهل هناك مشاريع تطبيقية ومعامل جيدة؟

لو كنت أفكر باختيار مسار كهذا، أبحث عن فرص التدريب الصيفي، التعاون مع أساتذة لمشاريع بحثية، وفرص تطبيق الواقع الصناعي. سوق العمل يطلب مهارات عملية أكثر من مجرد شهادة: نمذجة، تنظيف بيانات، استخدام مكتبات مثل TensorFlow وPyTorch، وإتقان لغات مثل Python. باختصار، نعم، الكثير من كليات الـIT توفر هذه التخصصات أو مسارات قريبة منها، لكن الجودة والاسم يختلفان بين الجامعات، فاختر على أساس المقررات والفرص العملية والبُنى التحتية، وليس فقط عنوان التخصص. هذه كانت تجربتي وانطباعي بعد متابعة عدة برامج وزيارات لمعامل، وأعتقد أنها خطوة واعدة إذا كانت الجامعة تدعمها بشكل عملي واحترافي.

ألاحظ أن الاعتماد على علوم البيانات صار جزءًا لا يتجزأ من منظومة صنع المحتوى، وليس مجرد صيحة عابرة. كصانع محتوى صغير بدأت بمراقبة أرقام بسيطة—مشاهدات، مدة المشاهدة، ومعدّل النقر على الصور المصغرة—فجأة تحولت تلك الأرقام إلى خريطة طريق. البيانات تخبرك متى يتوقف الناس عن المشاهدة بالضبط، أي مقاطع الفيديو تُحفّز الناس للتعليق والمشاركة، وما هي الكلمات المفتاحية التي تجذب جمهورك المستهدف. هذا النوع من الفهم يغيّر القرارات من مجرد تخمين إلى خطوات مدروسة.

أستخدم البيانات اليوم لاختبار أفكار جديدة بسرعة: صورة مصغرة A مقابل B، عنوانين مختلفين لنفس الفيديو، وتوقيت نشر على منصات متعددة. أتعلم من التجارب الصغيرة ثم أوسع ما ينجح. كذلك تُسهِم التحليلات في تخصيص المحتوى—فمثلاً أكتشف شريحة من جمهوري تفضّل الفيديوهات القصيرة، وشريحة أخرى تفضّل الحلقات الطويلة والمفصلة—فتتنوع إستراتيجيتي بدل أن أطلق صيغة واحدة للجميع. هذه المرونة تزيد التفاعل وتبني قاعدة متابعين أوفياء.

أريد التنبيه إلى شيء مهم أيضًا: الاعتماد على البيانات لا يعني أن تتحول إلى ماكينة تنتج للرقم فقط. الإبداع والصدق مع الجمهور هما ما يجعل النتائج مستدامة. لذا أستخدم الأرقام كمرشد لا كسيد، وأبقي مساحة للحدس والتجريب، وهكذا أحافظ على روح المحتوى بينما أزيد فرص انتشاره وارتباط الجمهور به.

تخيّل أن كل فيديو قصير يظهر لي مُصمَّم خصيصًا لي — هذا ليس سحرًا بل نتيجة علوم بيانات متقدمة تعمل خلف الكواليس. أنا أتابع هذه الأشياء بشغف، والواقع أن منصات البث القصير توظف مجموعة من تقنيات علم البيانات: جمع سلوك المشاهد (مشاهدات، مدة المشاهدة، الإعادات، الإعجابات، التعليقات)، ثم تحويل ذلك إلى تمثيلات رقمية ('embeddings') لكل مستخدم ومقطع فيديو. بعد ذلك تأتي مرحلة توليد المرشحين؛ النظام يختار آلاف الفيديوهات المحتملة بسرعة ويصنّفها بحسب احتمالية التفاعل، غالبًا باستخدام شبكات عصبية عميقة ونماذج تسطيح الارتباط (collaborative filtering) ونماذج توقع النقر (CTR).

يتداخل تحليل الصورة والصوت والنص أيضًا: تقنيات رؤية حاسوبية تُعرّف العناصر المرئية، ومعالجة لغوية للنصوص والعناوين والهاشتاغات، وتحليل صوتي للتعرف على الموسيقى أو الكلام. الأنظمة لا تكتفي بمعادلات ثابتة؛ هناك اختبارات A/B مستمرة، وتعلم معزَّز أحيانًا لاختيار ما يعرض للمستخدمين في الوقت الفعلي. كوني أتابع الكثير من صانعي المحتوى، ألاحظ أيضًا استخدام سياسات توزيع مُعدّلة للمحتوى الجديد (cold-start) تجعل الفيديوهات الجديدة تحصل على دفعة تجريبية قصيرة لقياس مدى جاذبيتها.

التأثير؟ هائل: تحسّن الاكتشاف لكن ينشأ تضخيم للفيديوهات التي تُبقي المستخدمين أطول وقت ممكن، مما قد يولد فقاعات توصية 'فلتر بابل' ويؤثر في تفضيلات المصلحة العامة. وحينما نفكر في الخصوصية، فهناك قيود تنظيمية وتطبيقات للتعلّم على الجهاز edge ML لتقليل تسريب البيانات. بالنسبة لي، كل مشاهدة تبدو بسيطة، لكنها جزء من منظومة معقّدة هدفها واحد: إبقائي مُنخرطًا قدر الإمكان، مع تحديات أخلاقية وتقنية ليست بالهينة.

من خلال قراءات كثيرة في منهجيات البحث، لاحظت أن 'كتاب البحث العلمي' غالبًا ما يكون مدخلاً عمليًا ومنهجيًا لتحليل البيانات الكمية. في الطبعات الجيدة ستجد فصولًا تشرح أساسيات الإحصاء الوصفي—المقاييس المركزية، التشتت، الجداول والرسوم البيانية—ثم تنتقل إلى الإحصاء الاستدلالي مثل اختبارات الفرضيات، فترات الثقة، اختبارات t، ANOVA، واختبارات كاي تربيع. كما تتضمن الفصول المتقدمة مواضيع كالنمذجة الخطية والانحدار البسيط والمتعدد، وتحليل الانحدار اللوجستي، وربما تحليل البقاء أو السلاسل الزمنية في بعض النسخ.

بجانب الصيغ الرياضية، الكتب الجيدة توازن بين النظرية والتطبيق عبر أمثلة عملية، وجداول تفسيرية، وتمارين محلولة. ستجد أيضًا فصولًا عن تصميم الدراسة، أخذ العينات، صلاحية وموثوقية المقاييس، وإجراءات تنظيف البيانات والتعامل مع القيم المفقودة والشاذة—وهي أمور حاسمة في التحليل الكمي الحقيقي. بعض الطبعات تضيف ملحقات أو فصولًا تعليمية عن استخدام برامج مثل SPSS أو R أو Excel لتطبيق الاختبارات، وهذا يسهل الانتقال من الفهم النظري إلى التطبيق العملي.

مع ذلك يجب الحذر: ليس كل 'كتاب البحث العلمي' يغطي التفاصيل البرمجية أو الأساليب الحديثة مثل التعلم الآلي أو تحليل البيانات الكبيرة. لذلك أراها نقطة انطلاق ممتازة لبناء الأساس العلمي، ثم أكمل بالتدريب العملي عبر مجموعات بيانات وبرمجيات متخصصة لتصبح قادرًا على إجراء تحليلات متقدمة بثقة.

أرى أن أفضل بداية لمسيرتك في تحليل البيانات هي بناء أساس متين قبل القفز إلى الأدوات الرائجة.

أول ما فعلته عندما دخلت المجال كان التركيز على الإحصاء والاحتمالات والخوارزميات البسيطة، لأن فهم لماذا تعمل الطريقة وليس فقط كيف تنفذها يفرق كثيرًا في الحلول المبتكرة. بعد ذلك تعلّمت لغات برمجة عملية: SQL لاسترجاع البيانات، وPython لمعالجة البيانات والنمذجة. أخطّط لبرنامج تعليمي لنفسي يقسم الوقت بين الدراسة النظرية والتطبيق العملي—أي مشروع صغير كل أسبوع لتثبيت المفاهيم.

ثم بدأت أركّز على بناء محفظة أعمال حقيقية: تقارير تشرح القصة خلف الأرقام، لوحات بيانات تفاعلية، ومشروعات نُشرت على GitHub. شاركت في مسابقات ووركشوبات ووضعت مشاريع واقعية من بيانات مفتوحة على الويب، وهذا ما جذب فرص تدريبية وعملية لاحقًا. لا تقلل من قوة السيرة الذاتية المصحوبة برابط لمشروع عملي واضح.

أخيرًا، تعلمت أن التواصل مهم بنفس قدر المعرفة التقنية؛ القدرة على رواية القصة التحليلية لمدير غير تقني سِرّ الترقّي. استمر في القراءة، تابع أدواة جديدة، واحصل على مرشد إن أمكن. بهذه الطريقة تحوّل من متعلّم إلى محلّل يُطلب وجوده في الفريق، وهذه خطوة تشعرني دائماً بالفخر.

لدي قائمة مفصلة بأماكن وجدتها مفيدة لو كنت تبحث عن دورة تحليل بيانات باللغة العربية مع دعم مدرّب.

أول خيار أبدأ به دائماً هو منصات MOOCs العربية مثل إدراك ورواق؛ كلاهما يقدّم دورات مجانية ومدفوعة بالعربية، وبعض المساقات تكون بنظام المجموعات أو الدفعات مع مدرس يجيب عن الأسئلة ويقيم المشاريع. عادةً تبحث عن كلمة 'دعم مدرّب' أو 'cohort' في وصف الدورة لتعرف إن كانت فيها متابعة فعلية.

ثانيًا، هناك أكاديميات إقليمية مثل GoMyCode وأكاديميات تدريب محلية (خصوصاً بالساحل الشمالي وشمال أفريقيا والخليج) التي تنظم بوتكامبات باللغة العربية أو مزيج عربي/فرنسي وتأتي مع مدرّبين يعملون مباشرة مع الطلبة ويضمنون مراجعة مشاريع واقعية. أما إذا أردت مرونة أكبر فموقع Udemy يحتوي على دورات عربية كثيرة حيث يوفّر بعض المدرّبين دعمًا شخصيًا عبر الرسائل أو جلسات مدفوعة.

أنصحك بتدقيق ما إذا كان الدعم 'مباشرًا' (جلسات حية، مراجعة مشروع) أو مجرد منتدى تلقّي أسئلة. في تجربتي، الفرق الكبير يظهر عندما يكون هناك تقييم عملي لمشروعك من قِبل المدرب، لأنك حينها لا تتعلم النظرية وحدها بل تتقن التطبيق. هذا ما يجعلني أفضّل الدورات ذات الدفعات والمدرّب النشط.