جهز شركتك للمستقبل مع TECH! سوف تقوم بدمج أحدث إجراءات الذكاء الاصطناعي (IA) مع كل الضمانات للمضي قدمًا نحو النجاح" 

إن جامعة TECH هي أكبر كلية إدارة أعمال في العالم 100٪ عبر الإنترنت. إنها مدرسة إدراة أعمال النخبة، ذات نموذج الحد الأقصى من المتطلبات الأكاديمية. ومركز دولي عالي الأداء، يتمتع بتدريب مكثف على المهارات الإدارية.

TECH هي جامعة تكنولوجية حديثة، تضع جميع مصادرها في متناول الطلاب لمساعدتهم على تحقيق نجاح الأعمال"

في TECH الجامعة التكنولوجية

الابتكار

تقدم لك الجامعة نموذجًا تعليميًا عبر الإنترنت يجمع بين أحدث التقنيات التعليمية وأعلى دقة تربوية. طريقة فريدة من نوعها تتمتع بأكبر قدر من الاعتراف الدولي والتي ستوفر للطالب مفاتيح التطور في عالم يتغير باستمرار، حيث يجب أن يكون الابتكار هو الرهان الأساسي لكل رائد أعمال.

"قصة نجاح Microsoft Europe" وذلك لدمج نظام الفيديو التفاعلي الجديد في البرامج. 

أقصى قدر من المتطلبات

معايير القبول جامعة TECH ليست مادية. ليس هناك حاجة إلى القيام باستثمار كبير للدراسة معنا. بالطبع، للتخرج من TECH، ستتمكن من اختبار حدود الذكاء وقدرة الطالب..  معاييرالأكاديمية لهذه المؤسسة مرتفعة للغاية...

95% من طلاب جامعة TECH يكملون دراساتهم بنجاح.

التواصل الشبكي

يشارك المحترفون من جميع أنحاء العالم في جامعة TECH، بطريقة يمكن للطالب من خلالها إنشاء شبكة كبيرة من الاتصالات المفيدة لمستقبله.

+100.000 إداري مًؤهَّل كل عام, +200 جنسية مختلفة

التمكين

سينمو الطالب جنبًا إلى جنب مع أفضل الشركات والمهنيين ذوي المكانة والتأثير الكبير. طورت  جامعة TECH تحالفات استراتيجية وشبكة قيمة من الاتصالات مع الممثلين الاقتصاديين الرئيسيين في القارات السبع.

+500 اتفاقيات تعاون مع أفضل الشركات. 

الموهبة

هذا البرنامج هو عرض فريد لإبراز موهبة الطالب في مجال الأعمال. إنها فرصة يمكنه من خلالها التعريف بمخاوفه ورؤية عمله. 

تساعد جامعة TECH الطالب على إظهار موهبته للعالم في نهاية هذا البرنامج. 

سياق متعدد الثقافات

عند الدراسة في جامعة TECH، سيتمكن الطالب من الاستمتاع بتجربة فريدة من نوعها. سوف يدرس في سياق متعدد الثقافات. في برنامج ذي رؤية عالمية، سيتمكن بفضله من تعلم كيفية العمل في أنحاء مختلفة من العالم، وتجميع أحدث المعلومات التي تناسب فكرة عمله. .

طلاب جامعة TECH يأتون من أكثر من 200 جنسية.

تعلم مع الأفضل

يشرح فريق تدريس جامعة TECH  في الفصل ما أدى إلى النجاح في شركاتهم، والعمل من سياق حقيقي وحيوي وديناميكي. يقدم المعلمون المشاركون بشكل كامل تخصصًا عالي الجودة يسمح بالتقدم في حياته المهنية والتميز في عالم الأعمال.

مدرسين من 20 جنسية مختلفة. 

تسعى جامعة TECH إلى التميز ولهذا لديها سلسلة من الخصائص التي تجعلها جامعة فريدة من نوعها: 

التحليلات

في جامعة TECH، يتم استكشاف الجانب النقدي للطالب وقدرته على طرح الأسئلة ومهارات حل المشكلات ومهارات التعامل مع الآخرين.

التميز الأكاديمي

في جامعة TECH يتم توفير أفضل منهجية تعلم عبر الإنترنت للطالب. تجمع الجامعة بين طريقة إعادة التعلم  Relearning (منهجية التعلم للدراسات العليا مع أفضل تصنيف دولي) مع دراسة الحالة. التقاليد والريادة في توازن صعب، وفي سياق مسار الرحلة الأكاديمية الأكثر تطلبًا.

الإقتصاد الكلي

الإقتصاد الكلي 
تعد جامعة TECH أكبر جامعة أونلاين في العالم. تمتلك مجموعة من أكثر من 7000 درجة دراسات عليا. وفي الاقتصاد الجديد، الحجم + التكنولوجيا = السعر المسبب للاضطراب. بهذه الطريقة، يتم التأكد من أن الدراسة ليست باهظة الثمن كما هو الحال في جامعات أخرى.

في جامعة TECH، ستتمكن من الوصول إلى دراسات الحالة الأكثر صرامة وحداثة في المشهد الأكاديمي "

إن الماجستير الخاص في الذكاء الاصطناعي هو برنامج مخصص يتم تدريسه 100% عبر الإنترنت حتى تتمكن من اختيار الوقت والمكان الذي يناسب توفرك وجداولك واهتماماتك. برنامج يستمر على مدار 12 شهر ويهدف إلى أن يكون تجربة فريدة ومحفزة تضع الأسس لنجاحك المهني.

تعمق في البيانات كجزء من الذكاء الاصطناعي، بدءًا من استخراجها وتجميعها حسب النوع، وحتى معالجتها وتحليلها لاحقًا" 

خطة الدراسة

تم تصميم خطة الدراسة للماجستير الخاص هذا بهدف تزويد الخريجين بأحدث المعارف في مجال الذكاء الاصطناعي. لذلك، سيكتسب المهنيون الأدوات اللازمة لتطوير عمليات التحسين المستوحاة من التطور البيولوجي. يمكنهم بعد ذلك تحديد وتنفيذ حلول فعالة للمشاكل المعقدة مع فهم عميق للذكاء الاصطناعي.

هذا مؤهل علمي أكاديمية حصري يستكشف فيه الطلاب الأسس الأساسية للذكاء الاصطناعي. بهذه الطريقة، ستدمج استخدامه في تطبيقات الاستخدام الشامل، مما يسمح لها بفهم كيف يمكن لهذه المنصات إثراء تجربة المستخدم وزيادة الكفاءة التشغيلية إلى أقصى حد.

وبالمثل، لتسهيل استيعاب جميع المفاهيم والاحتفاظ بها، تعتمد TECH جميع درجاتها على منهجية إعادة التعلم Relearning المبتكرة والفعالة. في إطار هذا النهج، سيعزز الطلاب فهمهم من خلال تكرار المفاهيم الرئيسية في جميع أنحاء البرنامج، والتي يتم تقديمها بأشكال سمعية بصرية مختلفة لتحقيق اكتساب المهارات بشكل طبيعي وتدريجي.

منهج دراسي  يركز على التحسين المهني لتحقيق أهداف العمل يتم تقديمه من خلال نظام تعلم مبتكر ومرن عبر الإنترنت يسمح للخريجين بالجمع بين التدريس ومهامهم الأخرى.

الوحدة 1 أسس الذكاء الاصطناعي
الوحدة 2 أنواع ودورة حياة البيانات
الوحدة 3 البيانات في الذكاء الاصطناعي
الوحدة 4 تعدين البيانات الاختيار والمعالجة المسبقة والتحول
الوحدة 5 الخوارزمية والتعقيد في الذكاء الاصطناعي
الوحدة 6 الأنظمة الذكية
الوحدة 7 التعلم الآلي واستخراج البيانات
الوحدة 8 الشبكات العصبية، أساس التعلم العميق (Deep Learning)
الوحدة 9 تدريب الشبكات العصبية العميقة
الوحدة 10 تخصيص النموذج والتدريب باستخدام TensorFlow
الوحدة 11 رؤية الكمبيوتر العميقة (Deep Computer Vision) بشبكات عصبية ملتفة
الوحدة 12 معالجة اللغة الطبيعية (NLP) مع الشبكات الطبيعية المتكررة (RNN) والرعاية
الوحدة 13 أجهزة التشفير التلقائي (Autoencoders) وشبكات الخصومة التوليدية (GANs) ونماذج الانتشار
الوحدة 14 الحوسبة الحيوية
الوحدة 15 الذكاء الاصطناعي: الاستراتيجيات والتطبيقات

أين ومتى وكيف يتم تدريسها؟

توفر TECH إمكانية تطوير الماجستير الخاص في الذكاء الاصطناعي بالكامل عبر الإنترنت. خلال 12 شهر من التدريب، ستتمكن من الوصول إلى جميع محتويات هذا البرنامج في أي وقت، مما يتيح لك إدارة وقت الدراسة بنفسك. 

الوحدة 1. أسس الذكاء الاصطناعي

1.1    تاريخ الذكاء الاصطناعي 

1.1.1    متى تبدأ الحديث عن الذكاء الاصطناعي ؟
2.1.1    متى يبدأ الحديث عن الذكاء الاصطناعي ؟ 
3.1.1    أهمية الذكاء الاصطناعي 
4.1.1    التقنيات التي تمكن وتدعم الذكاء الاصطناعي 

2.1    الذكاء الاصطناعي في الألعاب 

1.2.1    نظرية الألعاب 
2.2.1    Minimax وتقليم Alpha-Beta 
3.2.1    المحاكاة: Monte Carlo 

3.1    شبكات الخلايا العصبية 

1.3.1    الأسس البيولوجية 
2.3.1    النموذج الحسابي 
3.3.1    الشبكات العصبية الخاضعة للإشراف وغير الخاضعة للرقابة 
4.3.1    الإدراك البسيط 
5.3.1    إدراك متعدد الطبقات 

4.1    الخوارزميات الجينية 

1.4.1    التاريخ 
2.4.1    الأساس البيولوجي 
3.4.1    ترميز المشكلة 
4.4.1    جيل السكان الأولي 
5.4.1    الخوارزمية الرئيسية والمشغلين الجينيين 
6.4.1    تقييم الأفراد: Fitness 

5.1    المرادفات، المفردات، التصنيفات 

1.5.1    المفردات 
2.5.1    التصنيفات 
3.5.1    المرادفات 
4.5.1    الأنطولوجيات 
5.5.1    تمثيل المعرفة: الويب الدلالي 

6.1    الويب الدلالي 

1.6.1    الخصائص: RDF, RDFS و OWL 
2.6.1    الاستدلال/المنطق 
3.6.1    Linked Data 

7.1    الأنظمة الخبيرة و DSS 

1.7.1    النظم الخبيرة 
2.7.1    أنظمة دعم القرار 

8.1    روبوتات الدردشة (Chatbots) والمساعدون الافتراضيون

1.8.1    أنواع الحضور: مساعدو الصوت والنص
8.2.1    الأجزاء الأساسية لتطوير مساعد: Intents والهيئات وتدفق الحوار 
8.3.1    التكاملات: الويب، Whatsapp، Facebook ,Slack 
8.4.1    الأدوات الإنمائية المساعدة: Dialog Flow, Watson Assistant

9.1    استراتيجية تنفيذ الذكاء الاصطناعي 
10.1    مستقبل الذكاء الاصطناعي

1.10.1    نفهم كيفية اكتشاف المشاعر باستخدام الخوارزميات
2.10.1    خلق شخصية: اللغة والتعبيرات والمحتوى
3.10.1    اتجاهات الذكاء الاصطناعي
4.10.1    خواطر

الوحدة 2. أنواع ودورة حياة البيانات

1.2    الإحصائية

1.1.2    الإحصائية: الإحصاءات الوصفية، والاستنتاجات الإحصائية
2.1.2    السكان، العينة، الأفراد
3.1.2    المتغيرات: التعريف ومقاييس القياس

2.2    أنواع البيانات الإحصائية

1.2.2    حسب النوع

1.1.2.2 البيانات الكمية: بيانات مستمرة ومنفصلة
2.1.2.2 النوعية: البيانات ذات الحدين والبيانات الاسمية والبيانات الترتيبية 

2.2.2    حسب شكله 

1.2.2.2 رقمي
2.2.2.2 النص 
2.2.32 منطقي

3.2.2    حسب مصدرها

1.3.2.2 أساسيين
2.3.22 ثانويين

3.2    دورة حياة البيانات

1.3.2    مراحل الدورة
2.3.2    معالم الدورة
3.3.2    مبادئ FAIR

4.2    المراحل الأولية من الدورة

1.4.2    تحديد الأهداف
2.4.2    تحديد الاحتياجات من الموارد
3.4.2    مخطط Gantt
4.4.2    بنية البيانات

5.2    جمع البيانات

1.5.2    منهجية جمع
2.5.2    أدوات الجمع
3.5.2    قنوات التجميع

6.2    تنظيف البيانات

1.6.2    مراحل تنظيف البيانات
2.6.2    جودة البيانات
3.6.2    مناولة البيانات (باستخدام R)

7.2    تحليل البيانات وتفسيرها وتقييم النتائج

1.7.2    المقاييس الإحصائية
2.7.2    مؤشرات العلاقة
7.32    تعدين البيانات

8.2    مستودع البيانات (Datawarehouse)

1.8.2    العناصر التي تتألف منها
2.8.2    التصميم
3.8.2    الاعتبارات الواجب مراعاتها

9.2    جاهزية البيانات

1.9.2    الولوج
2.9.2    الجدوى
3.9.2    الأمان

10.2    الجوانب التنظيمية 

1.10.2    قانون حماية البيانات
2.10.2    الممارسات الجيدة
3.10.2    الجوانب الأخرى المتعلقة بالسياسات

الوحدة 3. البيانات في الذكاء الاصطناعي

1.3    علم البيانات 

1.1.3    علم البيانات 
2.1.3    أدوات متقدمة لعالم البيانات 

2.3    البيانات والمعلومات والمعرفة 

1.2.3    البيانات والمعلومات والمعرفة
2.2.3    أنواع البيانات 
3.2.3    مصادر البيانات 

3.3    من البيانات إلى المعلومات

1.3.3    تحليل البيانات 
2.3.3    أنواع التحليل 
3.3.3    استخراج المعلومات من Dataset 

4.3    استخراج المعلومات عن طريق التصور 

1.4.3    التصور كأداة تحليل 
2.4.3    أساليب التصور
3.4.3    عرض مجموعة بيانات 

5.3    جودة البيانات 

1.5.3    البيانات الجيدة 
2.5.3    تنظيف البيانات
3.5.3    التجهيز المسبق الأساسي للبيانات 

6.3    Dataset 

1.6.3    إثراء Dataset 
2.6.3    لعنة الأبعاد 
3.6.3    تعديل مجموعة بياناتنا 

7.3    اختلال التوازن

1.7.3    اختلال التوازن الطبقي 
2.7.3    تقنيات التخفيف من اختلال التوازن 
3.7.3    تدحرج Dataset 

8.3    النماذج غير مشرف عليه

1.8.3    النموذج غير مشرف عليه 
2.8.3    مناهج 
3.8.3    التصنيف مع النماذج غير الخاضعة للإشراف 

9.3    النماذج الخاضعة للإشراف 

1.9.3    نموذج تحت الإشراف 
2.9.3    مناهج 
3.9.3    التصنيف مع النماذج الخاضعة للإشراف 

10.3    الأدوات والممارسات الجيدة 

1.10.3    الممارسات الجيدة لعالم البيانات 
2.10.3    أفضل نموذج
3.10.3    الأدوات المفيدة

الوحدة 4. تعدين البيانات. الاختيار والمعالجة المسبقة والتحول

1.4    الاستدلال الإحصائي 

1.1.4    الإحصاءات الوصفية مقابل الاستدلال الإحصائي 
2.1.4    الإجراءات البارامترية 
3.1.4    إجراءات غير قياسية 

2.4    تحليل استكشافي 

1.2.4    التحليل الوصفي
2.2.4    المشاهدة 
3.2.4    إعداد البيانات 

3.4    إعداد البيانات 

1.3.4    دمج البيانات وتنظيفها
2.3.4    تطبيع البيانات 
3.3.4    تحويل السمات

4.4    القيم المفقودة 

1.4.4    معالجة القيم المفقودة 
2.4.4    طرق احتساب الاحتمالية القصوى 
3.4.4    إسناد القيم المفقودة باستخدام التعلم الآلي 

5.4    الضوضاء في البيانات

1.5.4    أنواع الضوضاء والسمات 
2.5.4    ترشيح الضوضاء
3.5.4    تأثير الضوضاء 

6.4    لعنة الأبعاد 

1.6.4    Oversampling 
2.6.4    Undersampling 
3.6.4    تخفيض البيانات المتعددة الأبعاد 

7.4    من السمات المستمرة إلى السمات المنفصلة 

1.7.4    بيانات مستمرة مقابل بيانات منفصلة 
2.7.4    عملية التكتم 

8.4    البيانات

1.8.4    اختيار البيانات
2.8.4    المنظورات ومعايير الاختيار 
3.8.4    أساليب الانتقاء

9.4    اختيار الحالة 

1.9.4    طرق اختيار الحالات 
2.9.4    اختيار النماذج الأولية 
3.9.4    الطرق المتقدمة للاختيار على سبيل المثال 

10.4    بيانات المعالجة المسبقة في بيئات البيانات الضخمة

الوحدة 5. الخوارزمية والتعقيد في الذكاء الاصطناعي

1.5    مقدمة لاستراتيجيات تصميم الخوارزمية 

1.1.5    العودية 
2.1.5    فرق تسد 
3.1.5    استراتيجيات أخرى 

2.5    كفاءة الخوارزمية والتحليل 

1.2.5    تدابير الكفاءة 
2.2.5    قياس حجم المدخل 
3.2.5    قياس وقت التنفيذ 
4.2.5    الحالة الأسوأ والأفضل والوسطى 
5.2.5    تدوين مقارب 
6.2.5    معايير التحليل الرياضي للخوارزميات غير العودية 
7.2.5    التحليل الرياضي للخوارزميات العودية 
8.2.5    التحليل التجريبي للخوارزميات 

3.5    خوارزميات الفرز 

1.3.5    مفهوم المنظمة 
2.3.5    فقاعة الفرز 
3.3.5    فرز حسب الاختيار 
4.3.5    ترتيب بالإدراج 
5.3.5    دمج الفرز (merge_sort) 
6.3.5    فرز سريع (quick_sort) 

4.5    خوارزميات مع الأشجار 

1.4.5    مفهوم الشجرة 
2.4.5    الأشجار الثنائية 
3.4.5    جولات الشجرة 
4.4.5    تمثيل التعبيرات 
5.4.5    فرز الأشجار الثنائية 
6.4.5    الأشجار الثنائية المتوازنة 

5.5    الخوارزميات مع Heaps 

1.5.5    Heaps 
2.5.5    خوارزمية Heapsort 
3.5.5    طوابير الأولوية 

6.5    الخوارزميات مع الرسوم البيانية 

1.6.5    العرض 
2.6.5    طريق العرض 
3.6.5    جولة متعمقة 
4.6.5    الفرز الطوبولوجي 

7.5    خوارزميات Greedy 

1.7.5    استراتيجية Greedy 
2.7.5    عناصر استراتيجية Greedy 
3.7.5    تبادل العملات 
4.7.5    مشكلة البائع 
5.7.5    مشكلة حقيبة الظهر 

8.5    الحد الأدنى للبحث عن المسار 

1.8.5    مشكلة أقصر الطرق 
2.8.5    الأقواس والدورات السلبية 
3.8.5    خوارزمية Dijkstra 

9.5    خوارزمياتGreedyعلى الرسوم البيانية 

1.9.5    الحد الأدنى من شجرة التغطية 
2.9.5    خوارزمية Prim 
3.9.5    خوارزمية Kruskal 
4.9.5    تحليل التعقيد 

10.5    Backtracking (التراجع) 

1.10.5    Backtracking (التراجع)  
2.10.5    تقنيات بديلة

الوحدة 6. الأنظمة الذكية

1.6    نظرية الوكيل 

1.1.6    تاريخ المفهوم 
2.1.6    تعريف الوكيل 
3.1.6    وكلاء في الذكاء الاصطناعي 
4.1.6    وكلاء في هندسة البرمجيات 

2.6    بنيات الوكيل 

1.2.6    عملية التفكير للوكيل 
2.2.6    عوامل رد الفعل 
3.2.6    عوامل استنتاجية 
4.2.6    وكلاء هجينة 
5.2.6    مقارنة 

3.6    المعلومات والمعرفة 

1.3.6    التمييز بين البيانات والمعلومات والمعرفة 
2.3.6    تقييم جودة البيانات 
3.3.6    طرق التقاط البيانات 
4.3.6    طرق الحصول على المعلومات 
5.3.6    أساليب اكتساب المعرفة 

4.6    تمثيل المعرفة 

1.4.6    أهمية التمثيل المعرفي 
2.4.6    تعريف التمثيل المعرفي من خلال أدواره 
3.4.6    خصائص التمثيل المعرفي 

5.6    الأنطولوجيات 

1.5.6    مقدمة إلى البيانات الوصفية 
2.5.6    المفهوم الفلسفي للأنطولوجيا 
3.5.6    مفهوم الحوسبة الأنطولوجية 
4.5.6    أنطولوجيات المجال وأنطولوجيات المستوى الأعلى 
5.5.6    كيفية بناء الأنطولوجيا? 

6.6    لغات الأنطولوجيات وبرامج إنشاء الأنطولوجيات 

1.6.6    ثلاثية RDF, Turtle و N3 
2.6.6    RDF Schema 
3.6.6    OWL 
4.6.6    SPARQL 
5.6.6    مقدمة إلى الأدوات المختلفة لإنشاء الأنطولوجيات 
6.6.6    تركيب واستخدام Protégé 

7.6    الويب الدلالي 

1.7.6    الحالة الحالية والمستقبلية للويب الدلالي 
2.7.6    تطبيقات الويب الدلالية 

8.6    نماذج أخرى لتمثيل المعرفة 

1.8.6    المفردات 
2.8.6    الرؤية العالمية 
3.8.6    التصنيفات 
4.8.6    المرادفات 
5.8.6    فولكسونومي 
6.8.6    مقارنة 
7.8.6    الخرائط الذهنية 

9.6    تقييم وتكامل تمثيلات المعرفة 

1.9.6    منطق النظام صفر 
2.9.6    منطق الطلب الأول 
3.9.6    المنطق الوصفي 
4.9.6    العلاقة بين أنواع المنطق المختلفة 
5.9.6    Prolog: برمجة تعتمد على منطق الدرجة الأولى 

10.6    المسببون الدلاليون والأنظمة المبنية على المعرفة والأنظمة الخبيرة 

1.10.6    مفهوم المنطق 
2.10.6    تطبيقات المنطق 
3.10.6    الأنظمة المبنية على المعرفة 
4.10.6    MYCIN، تاريخ الأنظمة الخبيرة 
5.10.6    عناصر وهندسة النظم الخبيرة 
6.10.6    إنشاء الأنظمة المتخصصة

الوحدة 7. التعلم الآلي واستخراج البيانات

1.7    مقدمة لعمليات اكتشاف المعرفة والمفاهيم الأساسية للتعلم الآلي 

1.1.7    المفاهيم الأساسية لعمليات اكتشاف المعرفة 
2.1.7    المنظور التاريخي لعمليات اكتشاف المعرفة 
3.1.7    مراحل عمليات اكتشاف المعرفة 
4.1.7    التقنيات المستخدمة في عمليات اكتشاف المعرفة 
5.1.7    خصائص نماذج التعلم الآلي الجيدة 
6.1.7    أنواع معلومات التعلم الآلي 
7.1.7    أساسيات التعلم 
8.1.7    أساسيات التعلم غير الخاضع للرقابة 

2.7    استكشاف البيانات والمعالجة المسبقة 

1.2.7    معالجة البيانات 
2.2.7    معالجة البيانات في تدفق تحليل البيانات 
3.2.7    أنواع البيانات 
4.2.7    تحويلات البيانات 
5.2.7    عرض واستكشاف المتغيرات المستمرة 
6.2.7    عرض واستكشاف المتغيرات الفئوية 
7.2.7    تدابير الارتباط 
8.2.7    التمثيلات الرسومية الأكثر شيوعًا 
9.2.7    مقدمة للتحليل متعدد المتغيرات والحد من الأبعاد 

3.7    أشجار القرار 

1.3.7    خوارزمية ID 
2.3.7    خوارزمية C 
3.3.7    الإفراط في التدريب والتقليم 
4.3.7    تحليل النتائج 

4.7    تقييم المصنف 

1.4.7    مصفوفات الارتباك 
2.4.7    مصفوفات التقييم العددي 
3.4.7    إحصائي Kappa 
4.4.7    منحنى ROC 

5.7    قواعد التصنيف 

1.5.7    تدابير تقييم القاعدة 
2.5.7    مقدمة في التمثيل الرسومي 
3.5.7    خوارزمية الطلاء التسلسلي 

6.7    الشبكات العصبية 

1.6.7    مفاهيم أساسية 
2.6.7    الشبكات العصبية البسيطة 
3.6.7    خوارزمية backpropagation 
4.6.7    مقدمة إلى الشبكات العصبية المتكررة 

7.7    الأساليب البايزية 

1.7.7    أساسيات الاحتمالية 
2.7.7    مبرهنة Bayes 
3.7.7    Naive Bayes 
4.7.7    مقدمة إلى شبكات استدلال بايزي 

8.7    نماذج الانحدار والاستجابة المستمرة 

1.8.7    الانحدار الخطي البسيط 
2.8.7    الانحدار الخطي المتعدد 
3.8.7    الانحدار اللوجستي 
4.8.7    أشجار الانحدار 
5.8.7    مقدمة لدعم الأجهزة المتجهة (SVM) 
6.8.7    مقاييس صلاح اللياقة 

9.7    Clustering 

1.9.7    مفاهيم أساسية 
2.9.7    Clustering الهرمية 
3.9.7    الأساليب الاحتمالية 
4.9.7    خوارزمية EM 
5.9.7    طريقة B-Cubed 
6.9.7    الأساليب الضمنية 

10.7    التنقيب عن النصوص ومعالجة اللغات الطبيعية (NLP) 

1.10.7    مفاهيم أساسية 
2.10.7    خلق corpus 
3.10.7    التحليل الوصفي 
4.10.7    مقدمة لتحليل المشاعر

الوحدة 8. الشبكات العصبية، أساس التعلم العميق (Deep Learning)

1.8    التعلم العميق 

1.1.8    أنواع التعلم العميق 
2.1.8    تطبيقات التعلم العميق 
3.1.8    مزايا وعيوب التعلم العميق 

2.8    المعاملات 

1.2.8    إضافة 
2.2.8    المنتج 
3.2.8    تحويل 

3.8    طبقات 

1.3.8    طبقة الإدخال 
2.3.8    طبقة مخفية 
3.3.8    طبقة الإخراج 

4.8    اتحاد الطبقات والعمليات 

1.4.8    التصميم المعماري 
2.4.8    الاتصال بين الطبقات 
3.4.8    الانتشار إلى الأمام 

5.8    بناء أول شبكة عصبية 

1.5.8    تصميم الشبكة 
2.5.8    تحديد الأوزان 
3.5.8    التدريب الشبكي 

6.8    المدرب والمحسن 

1.6.8    اختيار المحسن 
2.6.8    إنشاء وظيفة الخسارة 
3.6.8    إنشاء المقياس 

7.8    تطبيق مبادئ الشبكات العصبية 

1.7.8    وظائف التنشيط 
2.7.8    الانتشار إلى الوراء 
3.7.8    تعديل البارامتر 

8.8    من الخلايا البيولوجية إلى الخلايا العصبية الاصطناعية 

1.8.8    عمل الخلايا العصبية البيولوجية 
2.8.8    نقل المعرفة إلى الخلايا العصبية الاصطناعية 
3.8.8    إقامة علاقات بين الاثنين 

9.8    تنفيذ MLP (Perceptron متعدد الطبقات) مع Keras 

1.9.8    تعريف هيكل الشبكة 
2.9.8    تجميع النماذج 
3.9.8    التدريب النموذجي 

10.8    بارامترات Fine tuning للشبكات العصبية 

1.10.8    اختيار وظيفة التنشيط 
2.10.8    ضبط Learning rate 
3.10.8    تعديل الأوزان

الوحدة 9. تدريب الشبكات العصبية العميقة

1.9    مشاكل التدرج 

1.1.9    تقنيات التحسين الأمثل للتدرج 
2.1.9    التدرجات العشوائية 
3.1.9    تقنيات استهلال الأوزان 

2.9    إعادة استخدام الطبقات المشكّلة مسبقاً 

1.2.9    التدريب على نقل التعلم 
2.2.9    استخراج الميزة 
3.2.9    التعلم العميق 

3.9    التحسين 

1.3.9    محسنات الانحدار العشوائي 
2.3.9    المحسنات Adam و RMSprop 
3.3.9    المحسنات في الوقت الحالي 

4.9    برمجة معدل التعلم 

1.4.9    التحكم في معدل التعلم الآلي 
2.4.9    دورات التعلم 
3.4.9    شروط التخفيف 

5.9    الإفراط في التكيف 

1.5.9    المصادقة المتقاطعة 
2.5.9    التسوية 
3.5.9    مقاييس التقييم 

6.9    توجيهات عملية 

1.6.9    تصميم النماذج 
2.6.9    اختيار المقاييس وبارامترات التقييم 
3.6.9    اختبارات الفرضية 

7.9    Transfer Learning 

1.7.9    التدريب على نقل التعلم 
2.7.9    استخراج الميزة 
3.7.9    التعلم العميق 

8.9    Data Augmentation 

1.8.9    تحولات الصورة 
2.8.9    توليد البيانات الاصطناعية 
3.8.9    تحويل النص 

9.9    التطبيق العملي ل Transfer Learning 

1.9.9    التدريب على نقل التعلم 
2.9.9    استخراج الميزة 
3.9.9    التعلم العميق 

10.9    التسوية 

1.10.9    L و L 
2.10.9    التسوية بالانتروبيا القصوى 
3.10.9    Dropout

الوحدة 10. تخصيص النموذج والتدريب باستخدام TensorFlow

1.10    TensorFlow 

1.1.10    استخدام مكتبة TensorFlow 
2.1.10    تدريب النموذج مع TensorFlow 
3.1.10    العمليات بالرسومات في TensorFlow 

2.10    TensorFlow و NumPy 

1.2.10    بيئة الحوسبة NumPy لـ TensorFlow 
2.2.10    استخدام صفائف NumPy مع TensorFlow 
3.2.10    عمليات NumPy لرسومات TensorFlow 

3.10    تكييف نماذج وخوارزميات التدريب 

1.3.10    بناء نماذج مخصصة باستخدام TensorFlow 
2.3.10    إدارة بارامترات التدريب 
3.3.10    استخدام تقنيات التحسين الأمثل للتدريب 

4.10    ميزات ورسومات TensorFlow 

1.4.10    وظائف مع TensorFlow 
2.4.10    استخدام الرسوم البيانية للتدريب على النماذج 
3.4.10    تحسين الرسومات باستخدام عمليات TensorFlow 

5.10    بيانات التحميل والمعالجة المسبقة باستخدام TensorFlow 

1.5.10    تحميل مجموعات البيانات باستخدام TensorFlow 
2.5.10    معالجة البيانات المسبقة باستخدام TensorFlow 
3.5.10    استخدام أدوات TensorFlow للتلاعب بالبيانات 

6.10    واجهة برمجة التطبيقات tfdata 

1.6.10    استخدام واجهة برمجة التطبيقات tfdata لمعالجة البيانات 
2.6.10    بناء تدفقات البيانات مع tfdata 
3.6.10    استخدام واجهة برمجة التطبيقات tfdata للتدريب النموذجي 

7.10    نموذج TFRecord 

1.7.10    استخدام واجهة برمجة التطبيقات TFRecord لتسلسل البيانات 
2.7.10    تحميل ملف TFRecord باستخدام TensorFlow 
3.7.10    استخدام ملفات TFRecord للتدريب النموذجي 

8.10    طبقات المعالجة المسبقة لـ keras 

1.8.10    استخدام واجهة برمجة التطبيقات للمعالجة المسبقة  Keras 
2.8.10    بناء pipelineed للمعالجة المسبقة مع Keras 
3.8.10    استخدام واجهة برمجة التطبيقات Keras المعالجة المسبقة للتدريب النموذجي 

9.10    مشروع TensorFlow Datasets 

1.9.10    استخدام TensorFlow Datasets لتحميل البيانات 
2.9.10    معالجة البيانات المسبقة باستخدام TensorFlow Datasets 
3.9.10    استخدام TensorFlow Datasets للتدريب على النماذج 

10.10 بناء تطبيق Deep Learning باستخدام TensorFlow 

1.10.10 التطبيق العملي 
2.10.10 بناء تطبيق Deep Learning  باستخدام TensorFlow 
3.10.10 تدريب النموذج مع TensorFlow 
4.10.10 استخدام التطبيق للتنبؤ بالنتائج

الوحدة 11. رؤية الكمبيوتر العميقة (Deep Computer Vision) بشبكات عصبية ملتفة

1.11    الهندسة البصرية Cortex 

1.1.11    وظائف القشرة البصرية 
2.1.11    نظريات الرؤية الحسابية 
3.1.11    نماذج معالجة الصور 

2.11    طبقات تلافيفية 

1.2.11    إعادة استخدام الأوزان في الالتفاف 
2.2.11    الالتفاف D 
3.2.11    وظائف التنشيط 

3.11    طبقات التجميع وتنفيذ طبقات التجميع مع Keras 

1.3.11    Pooling وStriding 
2.3.11    Flattening 
3.3.11    أنواع Pooling 

4.11    بنية CNN 

1.4.11    بنية VGG 
2.4.11    بنية AlexNet 
3.4.11    بنية ResNet 

5.11    تنفيذ CNN ResNet - باستخدام Keras 

1.5.11    تهيئة الوزن 
2.5.11    تعريف طبقة المدخلات 
3.5.11    تعريف المخرج 

6.11    استخدام نماذج Keras المدربة مسبقا 

1.6.11    خصائص النماذج السابقة التدريب 
2.6.11    استخدامات النماذج المدربة مسبقا 
3.6.11    مزايا النماذج المدربة مسبقا 

7.11    نماذج مدربة مسبقًا لنقل التعلم 

1.7.11    نقل التعلم 
2.7.11    نقل عملية التعلم 
3.7.11    مزايا نقل التعلم 

8.11    التصنيف والتوطين في الرؤية الحاسوبية العميقة 

1.8.11    تصنيف الصور 
2.8.11    تحديد موقع الكائنات في الصور 
3.8.11    كشف الأجسام 

9.11    الكشف وتتبع الأجسام 

1.9.11    طرق الكشف عن الأجسام 
2.9.11    خوارزميات لتتبع الأجسام 
3.9.11    تقنيات التتبع والتعقب 

10.11    التجزئة الدلالية 

1.10.11    التعلم العميق للتجزئة الدلالية 
2.10.11    كشف الحواف 
3.10.11    طرائق التجزئة القائمة على القواعد

الوحدة 12. معالجة اللغة الطبيعية (NLP) مع الشبكات الطبيعية المتكررة (RNN) والرعاية

1.12    توليد النص باستخدام RNN 

1.1.12    تدريب RNN لتوليد النص 
2.1.12    توليد اللغة الطبيعية مع RNN 
3.1.12    تطبيقات توليد النصوص باستخدام RNN 

2.12    إنشاء مجموعة بيانات التدريب 

1.2.12    إعداد البيانات للتدريب RNN 
2.2.12    تخزين مجموعة بيانات التدريب 
3.2.12    تنظيف البيانات وتحويلها 
4.2.12    تحليل المشاعر 

3.12    تصنيف المراجعات مع RNN 

1.3.12    الكشف عن المواضيع الواردة في التعليقات 
2.3.12    تحليل المشاعر مع خوارزميات التعلم العميق 

4.12    شبكة فك تشفير للترجمة الآلية العصبية 

1.4.12    تدريب RNN للترجمة الآلية 
2.4.12    استخدام شبكة encoder-decoder للترجمة الآلية 
3.4.12    تحسين دقة الترجمة الآلية باستخدام RNN 

5.12    آليات الرعاية 

1.5.12    تطبيق آليات الرعاية في NRN 
2.5.12    استخدام آليات الرعاية لتحسين دقة النماذج 
3.5.12    مزايا آليات الانتباه في الشبكات العصبية 

6.12    نماذج Transformers 

1.6.12    استخدام نماذج Transformers لمعالجة اللغة الطبيعية 
2.6.12    تطبيق نماذج Transformers للرؤية 
3.6.12    مزايا النماذج Transformers 

7.12    Transformers للرؤية 

1.7.12    الاستخدام نماذج Transformers للرؤية 
2.7.12    المعالجة المسبقة لبيانات الصورة 
3.7.12    تدريب نموذج Transformersعلى الرؤية 

8.12    مكتبة Transformers ل Hugging Face 

1.8.12    استخدام تقنيات مكتبة Transformers لHugging Face 
2.8.12    تطبيق إنترنت مكتبة Transformers لHugging Face 
3.8.12    مزايا مكتبة Transformers لHugging Face 

9.12    مكتبات أخرى من Transformers. مقارنة 

1.9.12    مقارنة بين المكتبات المختلفة ل Transformers 
2.9.12    استخدام المكتبات الأخرى ل Transformers 
3.9.12    مزايا المكتبات الأخرى ل Transformers 

10.12    تطوير تطبيق NLP مع RNN والرعاية. التطبيق العملي 

1.10.12    تطوير تطبيق معالجة اللغة الطبيعية مع RNN والرعاية 
2.10.12    استخدام RNN وآليات الانتباه ونماذج Transformers في التطبيق 
3.10.12    تقييم التنفيذ العملي

الوحدة 13. أجهزة التشفير التلقائي (Autoencoders)وشبكات الخصومة التوليدية (GANs) ونماذج الانتشار 

1.13    كفاءة تمثيل البيانات 

1.1.13    الحد من الأبعاد 
2.1.13    التعلم العميق 
3.1.13    التمثيلات المدمجة 

2.13    تحقيق PCA مع مشفر آلي خطي غير مكتمل 

1.2.13    عمليات التدريب 
2.2.13    التنفيذ في Python 
3.2.13    استخدام بيانات الاختبار 

3.13    أجهزة الترميز التلقائي المكدسة 

1.3.13    الشبكات العصبية العميقة 
2.3.13    بناء هياكل الترميز 
3.3.13    استخدام التسوية 

4.13    أجهزة الترميز التلقائي التلافيفية 

1.4.13    تصميم النماذج التلافيفية 
2.4.13    تدريب نماذج التلافيف 
3.4.13    تقييم النتائج 

5.13    إزالة الضوضاء من المشفرات التلقائية 

1.5.13    تطبيق المرشح 
2.5.13    تصميم نماذج الترميز 
3.5.13    استخدام تقنيات التسوية 

6.13    أجهزة الترميز التلقائي المتفرقة 

1.6.13    زيادة كفاءة الترميز 
2.6.13    تقليل عدد المعلمات 
3.6.13    استخدام تقنيات التنظيم 

7.13    أجهزة الترميز التلقائي المتغيرة 

1.7.13    باستخدام التحسين المتغير 
2.7.13    التعلم العميق غير الخاضع للرقابة 
3.7.13    التمثيلات الكامنة العميقة 

8.13    جيل من صور MNIST للأزياء 

1.8.13    التعرف على الأنماط 
2.8.13    توليد الصورة 
3.8.13    تدريب الشبكات العصبية العميقة 

9.13    شبكات الخصومة المولدة ونماذج النشر 

1.9.13    توليد المحتوى من الصور 
2.9.13    نمذجة توزيع البيانات 
3.9.13    استخدام الشبكات المتواجهة 

10.13    تنفيذ النموذج 

1.10.13    التطبيق العملي 
2.10.13    تنفيذ النماذج 
3.10.13    استخدام البيانات الحقيقية 
4.10.13    تقييم النتائج

الوحدة 14. الحوسبة الحيوية 

1.14    مقدمة إلى الحوسبة الحيوية 

1.1.14    مقدمة إلى الحوسبة الحيوية 

2.14    خوارزميات التكيف الاجتماعي 

1.2.14    الحوسبة المستوحاة من الحياة الحيوية والمبنية على مستعمرة النمل 
2.2.14    المتغيرات من خوارزميات مستعمرة النمل 
3.2.14    الحوسبة على أساس السحب الجسيمات 

3.14    الخوارزميات الجينية 

1.3.14    الهيكل العام 
2.3.14    تنفيذ المشغلين الرئيسيين 

4.14    استراتيجيات استكشاف واستغلال الفضاء للخوارزميات الجينية 

1.4.14    خوارزمية CHC 
2.4.14    مشاكل الوسائط المتعددة 

5.14    نماذج الحوسبة التطورية (1) 

1.5.14    الاستراتيجيات التطورية 
2.5.14    البرمجة التطورية 
3.5.14    الخوارزميات على أساس التطور التفاضلي 

6.14    نماذج الحوسبة التطورية (2) 

1.6.14    نماذج التطور المبنية على تقدير التوزيع (EDA) 
2.6.14    البرمجة الجينية 

7.14    البرمجة التطورية المطبقة على مشاكل التعلم 

1.7.14    التعلم المبني على القواعد 
2.7.14    الأساليب التطورية في مشاكل اختيار المثال 

8.14    مشاكل متعددة الأهداف 

1.8.14    مفهوم الهيمنة 
2.8.14    تطبيق الخوارزميات التطورية على مشاكل متعددة الأهداف 

9.14    الشبكات العصبية (1) 

1.9.14    مقدمة إلى الشبكات العصبية 
2.9.14    مثال عملي على الشبكات العصبية 

10.14    الشبكات العصبية (2) 

1.10.14    حالات استخدام الشبكات العصبية في الأبحاث الطبية 
2.10.14    حالات استخدام الشبكات العصبية في الاقتصاد 
3.10.14    حالات استخدام الشبكات العصبية في الرؤية الاصطناعية 

الوحدة 15. الذكاء الاصطناعي: الاستراتيجيات والتطبيقات

1.15    الخدمات المالية 

1.1.15    الآثار المترتبة على الذكاء الاصطناعي (AI) في الخدمات المالية. رابعا - الفرص والتحديات
2.1.15    حالات استخدام
3.1.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 
4.1.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي 

2.15    آثار الذكاء الاصطناعي في الخدمة الصحية

1.2.15    آثار الذكاء الاصطناعي في قطاع الصحة. الفرص والتحديات
2.2.15    حالات استخدام 

3.15    المخاطر المتعلقة باستخدام الذكاء الاصطناعي في الرعاية الصحية 

1.3.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 
2.3.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

4.15    Retail

1.4.15    آثار الذكاء الاصطناعي في Retail. الفرص والتحديات
2.4.15    حالات استخدام
3.4.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.4.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي 

5.15    الصناعات 

1.5.15    الآثار المترتبة على الذكاء الاصطناعي في الصناعة. الفرص والتحديات 
2.5.15    حالات استخدام 

6.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي في الصناعة 

1.6.15    حالات استخدام 
2.6.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 
3.6.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

7.15    الإدارة العامة

1.7.15    آثار الذكاء الاصطناعي على الإدارة العامة. الفرص والتحديات 
2.7.15    حالات استخدام
3.7.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.7.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

8.15    التعليم

1.8.15    آثار الذكاء الاصطناعي على التعليم. الفرص والتحديات 
2.8.15    حالات استخدام
3.8.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.8.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي 

9.15    الغابات والزراعة

1.9.15    آثار الذكاء الاصطناعي على الغابات والزراعة الفرص والتحديات
2.9.15    حالات استخدام 
3.9.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 
4.9.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

10.15    الموارد البشرية

1.10.15    آثار الذكاء الاصطناعي في الموارد البشرية.. الفرص والتحديات 
2.10.15    حالات استخدام
3.10.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.10.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

إنها تجربة تدريبية فريدة ومهمة وحاسمة لتعزيز تطورك المهني