ستكون قادرًا على تصميم تجارب المستخدم مخصصة وبديهية من خلال هذه الشهادة الجامعية 100% عبر الإنترنت»

يخدم الذكاء الحسابي المؤسسات لتحسين الإنتاجية في تطوير البرمجيات software. تتمتع أدواتها بالقدرة على التعامل مع البيانات غير المنظمة والتعلم من التجارب السابقة والتكيف مع التغيرات في البيئات الديناميكية. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي التنبؤ بمشاكل التطبيق المحتملة قبل حدوثها، مما يسمح للمحترفين باتخاذ تدابير وقائية لتجنب المشاكل المكلفة في المستقبل. وفي هذا السياق، تسعى شركات الكمبيوتر العالمية المرموقة إلى ضم متخصصين في هندسة البرمجيات لاختبار ضمان الجودة (QA Testing).

لهذا السبب، تطبق TECH برنامجًا مبتكرًا حتى يتمكن المبرمجون من تحقيق أقصى استفادة من تحسين الأداء وإدارته في الأدوات التي تستخدم الذكاء الاصطناعي. تم تصميم المنهج الدراسي من قبل خبراء رفيعي المستوى، وسوف يتعمق في خوارزميات البرمجة لتطوير المنتجات ذات الأنظمة الذكية. بالمثل، سيتعمق المنهج في الامتدادات الأساسية لـ Visual Studio Code، محرر التعليمات البرمجية المصدر الأكثر استخدامًا اليوم. اكتشاف الأخطاء المحتملة وإنشاء اختبارات  test الوحدة. إنها شهادة جامعية تحتوي على محتوى سمعي بصري متنوع بتنسيقات متعددة وشبكة من عمليات المحاكاة الحقيقية لتقريب تطوير البرنامج من واقع التطبيق العملي للكمبيوتر.

لتحقيق أهداف التعلم المقترحة، يتم تدريس هذا البرنامج باستخدام منهجية التدريس عبر الإنترنت. بهذه الطريقة، سيتمكن المهنيون من الجمع بين عملهم ودراساتهم بشكل مثالي. بالإضافة إلى ذلك، ستستمتع بفريق تعليمي رفيع المستوى ومواد أكاديمية متعددة الوسائط ذات دقة تربوية رائعة مثل الفصول الرئيسية أو الملخصات التفاعلية أو التمارين العملية. الشرط الوحيد للدخول إلى الحرم الجامعي الافتراضي هو أن يكون لدى الطلاب جهاز إلكتروني متصل بالإنترنت، ويمكنهم حتى استخدام هواتفهم المحمولة.

سوف تكتسب منظوراً شاملاً حول كيفية تأثير التعلم الآلي وتحسين كل مرحلة من مراحل تطوير البرامج»

يحتويالماجستير الخاص في الذكاء الاصطناعي في البرمجةعلى البرنامج التعليمي الأكثر على البرمجة اكتمالا وحداثة في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها خبراء في الذكاء الاصطناعية في البرمجة 
محتوياتها البيانية والتخطيطية والعملية البارزة التي يتم تصورها بها تجمع المعلومات العلمية والرعاية العملي حول تلك التخصصات الأساسية للممارسة المهنية 
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم 
تركيزها على المنهجيات المبتكرة  
كل هذا سيتم استكماله بدروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية 
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

هل تتطلع إلى تطبيق نماذج المحولات لمعالجة اللغة الطبيعية في ممارستك؟ حقق ذلك بفضل هذا البرنامج المبتكر"

البرنامج يضم أعضاء هيئة تدريس محترفين يصبون في هذا التدريب خبرة عملهم، بالإضافة إلى متخصصين معترف بهم من الشركات الرائدة والجامعات المرموقة.

سيتيح محتوى البرنامج المتعدد الوسائط، والذي صيغ بأحدث التقنيات التعليمية، للمهني التعلم السياقي والموقعي، أي في بيئة محاكاة توفر تدريبا غامرا مبرمجا للتدريب في حالات حقيقية.

يركز تصميم هذا البرنامج على التعلّم القائم على حل المشكلات، والذي يجب على المهني من خلاله محاولة حل مختلف مواقف الممارسة المهنية التي تنشأ على مدار العام الدراسى. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

سوف تتعمق في دورة حياة الاختبار، بدءًا من إنشاء حالات الاختبار وحتى اكتشاف الأخطاء.

ستسمح لك إعادة التعلم بالتعرف بجهد أقل وبأداء أكبر، مما يجعلك أكثر انخراطًا في تخصصك المهني.

سيزود هذا الماجستير خاص الخريجين بنهج شمولي يمنحهم ميزة كبيرة في تطوير الكمبيوتر من خلال تزويدهم بمهارات محددة. لتحقيق ذلك، سيتراوح التدريب بين إعداد بيئة التطوير وتحسين البرمجيات  software وتنفيذ الذكاء الاصطناعي في المشاريع الحقيقية. سوف يتعمق المنهج الدراسي في جوانب مثل تصميم الواجهات غير الرمزية (no-code)، أو استخدام ChatGPT لتحسين الرموز أو تطبيق التعلم الآلي في اختبار ضمان الجودة. بهذه الطريقة، سيقوم الخريجون بتنفيذ حلول مبتكرة بشكل فعال في تطبيقات مختلفة مثل مشاريع الويب والهواتف المحمولة. 

قم بتحديث معلوماتك حول الذكاء الاصطناعي في البرمجة من خلال محتوى الوسائط المتعددة المبتكر"

الوحدة 1 أسس الذكاء الاصطناعي

11    تاريخ الذكاء الاصطناعي 

1.11    متى تبدأ الحديث عن الذكاء الاصطناعي ؟
211    متى يبدأ الحديث عن الذكاء الاصطناعي ؟ 
311    أهمية الذكاء الاصطناعي 
411    التقنيات التي تمكن وتدعم الذكاء الاصطناعي 

21    الذكاء الاصطناعي في الألعاب 

1.21    نظرية الألعاب 
2.21    Minimax وتقليم Alpha-Beta 
2.31    المحاكاة: Monte Carlo 

31    شبكات الخلايا العصبية 

1.31    الأسس البيولوجية 
2.31    النموذج الحسابي 
3.31    الشبكات العصبية الخاضعة للإشراف وغير الخاضعة للرقابة 
3.41    الإدراك البسيط 
531    إدراك متعدد الطبقات 

41    الخوارزميات الجينية 

4.11    التاريخ 
4.21    الأساس البيولوجي 
4.31    ترميز المشكلة 
4.41    جيل السكان الأولي 
4.51    الخوارزمية الرئيسية والمشغلين الجينيين 
641    تقييم الأفراد: Fitness 

51    المرادفات، المفردات، التصنيفات 

1.51    المفردات 
5.21    التصنيفات 
5.31    المرادفات 
5.41    الأنطولوجيات 
5.51    تمثيل المعرفة: الويب الدلالي 

61    الويب الدلالي 

6.11    الخصائص: RDF, RDFS و OWL 
6.21    الاستدلال/المنطق 
6.31    Linked Data 

71    الأنظمة الخبيرة و DSS 

1.71    النظم الخبيرة 
721    أنظمة دعم القرار 

81    روبوتات الدردشة (Chatbots) والمساعدون الافتراضيون

1.81    أنواع الحضور: مساعدو الصوت والنص
821    الأجزاء الأساسية لتطوير مساعد: Intents والهيئات وتدفق الحوار 
8.31    التكاملات: الويب،، Whatsapp، Facebook ,Slack 
8.41    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

1.2.2    الإحصائية: الإحصاءات الوصفية، والاستنتاجات الإحصائية
2.2.2    السكان، العينة، الأفراد
3.2.2   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 
2.3.2.2 منطقي

3.2.2    حسب مصدرها

1.3.2.2 أساسيين
2.3.2.2 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
3.7.2    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 

3.2.    البيانات والمعلومات والمعرفة 

1.2.3    البيانات والمعلومات والمعرفة
3.2.2.    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 

3.4.    استخراج المعلومات عن طريق التصور 

1.4.3    التصور كأداة تحليل 
2.4.3    أساليب التصور
3.4.3    عرض مجموعة بيانات 

3.5.    جودة البيانات 

1.5.3    البيانات الجيدة 
2.5.3    تنظيف البيانات
3.5.3    التجهيز المسبق الأساسي للبيانات 

3.6.    Dataset 

1.6.3    إثراء Dataset 
2.6.3    لعنة الأبعاد 
3.6.3    تعديل مجموعة بياناتنا 

3.7.    اختلال التوازن

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

3.8.    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 

6.2.    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 

6.3.    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 

6.4.    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 
8.76    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 

7.8.    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) 

8.1.    التعلم العميق 

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

8.2.    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 

01.8    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 

9.2.    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 
3.210    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 

01.10    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 

1.01.11    التعلم العميق للتجزئة الدلالية 
2.01.11    كشف الحواف 
3.01.11    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 

1.4.3    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 العدائية 

01.13    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 

6.4    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 

01.14    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 51 الذكاء الاصطناعي الاستراتيجيات والتطبيقات

1.51    الخدمات المالية

1.1.15    الآثار المترتبة على الذكاء الاصطناعي (AI) في الخدمات المالية. رابعا - الفرص والتحديات 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

الوحدة 16 تحسين الإنتاجية في تطوير البرمجيات باستخدام الذكاء الاصطناعي 

1.16    إعداد بيئة التطوير المناسبة 

1.1.16    اختيار أدوات التطوير الأساسية باستخدام الذكاء الاصطناعي
2.1.16    تكوين الأدوات المختارة 
3.1.16    تنفيذ خطوط أنابيب CI/CD المتكيفة مع المشاريع ذات الذكاء الاصطناعي 
4.1.16    الإدارة الفعالة للوحدات والنسخ في بيئات التنمية 

2.16    ملحقات الذكاء الاصطناعي الأساسية Visual Studio Code

1.2.6    استكشاف وتحديد امتدادات الذكاء الاصطناعي لـ Visual Studio Code 
2.2.16    دمج أدوات التحليل الثابتة والديناميكية في IDE 
3.2.16    أتمتة المهام المتكررة مع ملحقات محددة 
4.2.16    تخصيص بيئة التطوير لتحسين الكفاءة 

3.16    تصميم بدون كود (no-code) برمجية لواجهات المستخدم مع عناصر الذكاء الاصطناعي 

1.3.16    مبادئ التصميم بدون كود (No-code) وتطبيقاتها في واجهات المستخدم 
2.3.16    دمج عناصر الذكاء الاصطناعي في التصميم المرئي للواجهات 
3.3.16    أدوات ومنصات لإنشاء واجهات ذكية بدون كود (No-code) برمجية 
4.3.16    التقييم المستمر والتحسين للواجهات بدون كود (No-code) برمجية مع الذكاء الاصطناعي 

4.16    تحسين الكود باستخدام ChatGPT

1.4.16    تحديد التعليمات البرمجية المكررة
2.4.16    إعادة البناء 
3.4.16    إنشاء رموز قابلة للقراءة
4.4.16    فهم ما يفعله الرمز
5.4.16    تحسين أسماء المتغيرات والوظائف
6.4.16    إنشاء الوثائق تلقائيا

5.16    إدارة المستودعات باستخدام الذكاء الاصطناعي

1.5.16    أتمتة عمليات التحكم في الإصدار باستخدام تقنيات الذكاء الاصطناعي 
2.5.16    اكتشاف النزاعات وحلها تلقائيًا في البيئات التعاونية
3.5.16    التحليل التنبؤي للتغيرات والاتجاهات في مستودعات التعليمات البرمجية 
4.5.16    تحسينات في تنظيم وتصنيف المستودعات باستخدام الذكاء الاصطناعي 

6.16    دمج الذكاء الاصطناعي في إدارة قواعد البيانات

1.6.16    الاستعلام وتحسين الأداء باستخدام تقنيات الذكاء الاصطناعي 
2.6.16    التحليل التنبؤي لأنماط الوصول إلى قاعدة البيانات 
3.6.16    تنفيذ أنظمة التوصية لتحسين هيكل قاعدة البيانات 
4.6.16    المراقبة والكشف الاستباقي عن المشاكل المحتملة في قواعد البيانات 

7.16    العثور على الأخطاء وإنشاء اختبارات الوحدة باستخدام الذكاء الاصطناعي

1.7.16    التوليد التلقائي لحالات الاختبار باستخدام تقنيات الذكاء الاصطناعي 
2.7.16    الكشف المبكر عن نقاط الضعف والأخطاء باستخدام التحليل الثابت مع الذكاء الاصطناعي 
3.7.16    تحسين تغطية الاختبار من خلال تحديد المجالات الحرجة بواسطة الذكاء الاصطناعي 

8.16    البرمجة الزوجية (Pair Programming) مع GitHub Copilot

1.8.16    التكامل والاستخدام الفعال لـ GitHub Copilot في جلسات البرمجة الزوجية (Pair Programming) 
2.8.16    التكامل: تحسينات في التواصل والتعاون بين المطورين باستخدام GitHub Copilot 
3.8.16    استراتيجيات التكامل لتحقيق أقصى استفادة من اقتراحات التعليمات البرمجية التي تم إنشاؤها بواسطة GitHub Copilot 
4.8.16    دراسات حالة التكامل والممارسات الجيدة في البرمجة الزوجية (Pair Programming) بمساعدة الذكاء الاصطناعي 

9.16    الترجمة الآلية بين لغات البرمجة

1.9.16    أدوات وخدمات محددة للترجمة الآلية للغات البرمجة 
2.9.16    تكييف خوارزميات الترجمة الآلية مع سياقات التطوير 
3.9.16    تحسين إمكانية التشغيل البيني بين اللغات المختلفة من خلال الترجمة الآلية 
4.9.16    تقييم وتخفيف التحديات والقيود المحتملة في الترجمة الآلية

10.16    أدوات الذكاء الاصطناعي الموصى بها لتحسين الإنتاجية 

1.10.16    تحليل مقارن لأدوات الذكاء الاصطناعي لتطوير البرمجيات 
2.10.16    دمج أدوات الذكاء الاصطناعي في سير العمل
3.10.16    أتمتة المهام الروتينية باستخدام أدوات الذكاء الاصطناعي
4.10.16    تقييم واختيار الأدوات بناء على سياق ومتطلبات المشروع 

الوحدة 17 هندسة برمجيات الذكاء الاصطناعي

1.17    التحسين وإدارة الأداء في الأدوات باستخدام الذكاء الاصطناعي

1.1.17    تحليل الأداء والتوصيف في أدوات الذكاء الاصطناعي 
2.1.17    خوارزمية الذكاء الاصطناعي واستراتيجيات تحسين النماذج 
3.1.17    تنفيذ تقنيات التخزين (caching) المؤقت والموازاة لتحسين الأداء 
4.1.17    أدوات ومنهجيات لمراقبة الأداء المستمر في الوقت الحقيقي 

2.17    قابلية التوسع في تطبيقات الذكاء الاصطناعي

1.2.17    تصميم بنيات قابلة للتطوير لتطبيقات الذكاء الاصطناعي 
2.2.17    تنفيذ تقنيات التقسيم وتوزيع الأحمال 
3.2.17    إدارة سير العمل وعبء العمل في أنظمة قابلة للتطوير 
4.2.17    استراتيجيات التوسع الأفقي والرأسي في البيئات ذات الطلب المتغير 

3.17    إمكانية صيانة التطبيق باستخدام الذكاء الاصطناعي

1.3.17    مبادئ التصميم لتسهيل الصيانة في مشاريع الذكاء الاصطناعي 
2.3.17    استراتيجيات التوثيق المحددة لنماذج وخوارزميات الذكاء الاصطناعي 
3.3.17    تنفيذ اختبارات الوحدة والتكامل لتسهيل الصيانة 
4.3.17    طرق إعادة الهيكلة والتحسين المستمر في الأنظمة ذات مكونات الذكاء الاصطناعي

4.17    تصميم نظام واسع النطاق

1.4.17    المبادئ المعمارية لتصميم الأنظمة واسعة النطاق 
2.4.17    تحليل الأنظمة المعقدة إلى خدمات صغيرة 
3.4.17    تنفيذ أنماط تصميم محددة للأنظمة الموزعة 
4.4.17    استراتيجيات لإدارة التعقيد في البنى واسعة النطاق باستخدام مكونات الذكاء الاصطناعي

5.17    تخزين البيانات على نطاق واسع لأدوات الذكاء الاصطناعي

1.5.17    اختيار تقنيات تخزين البيانات القابلة للتطوير 
2.5.17    تصميم مخططات قاعدة البيانات للإدارة الفعالة لكميات كبيرة من البيانات 
3.5.17    استراتيجيات التقسيم والنسخ في بيئات تخزين البيانات الكبيرة 
4.5.17    تنفيذ أنظمة إدارة البيانات لضمان النزاهة والتوافر في المشاريع ذات الذكاء الاصطناعي 

6.17    هياكل البيانات مع الذكاء الاصطناعي

1.6.17    تكييف هياكل البيانات الكلاسيكية لاستخدامها في خوارزميات الذكاء الاصطناعي 
2.6.17    تصميم وتحسين هياكل البيانات المحددة لنماذج التعلم الآلي 
3.6.17    دمج هياكل البيانات الفعالة في أنظمة كثيفة البيانات 
4.6.17    استراتيجيات معالجة البيانات وتخزينها في الوقت الفعلي في هياكل بيانات الذكاء الاصطناعي

7.17    خوارزميات البرمجة للمنتجات ذات الذكاء الاصطناعي

1.7.17    تطوير وتنفيذ خوارزميات محددة لتطبيقات الذكاء الاصطناعي 
2.7.17    استراتيجيات اختيار الخوارزميات بناءً على نوع المشكلة ومتطلبات المنتج 
3.7.17    تكييف الخوارزميات الكلاسيكية للاندماج في أنظمة الذكاء الاصطناعي 
4.7.17    تقييم ومقارنة الأداء بين الخوارزميات المختلفة في سياقات تطوير الذكاء الاصطناعي

8.17    أنماط التصميم للتطوير باستخدام الذكاء الاصطناعي

1.8.17    تحديد وتطبيق أنماط التصميم الشائعة في المشاريع التي تحتوي على مكونات الذكاء الاصطناعي 
2.8.17    تطوير أنماط محددة لدمج النماذج والخوارزميات في الأنظمة الحالية 
3.8.17    استراتيجيات تنفيذ الأنماط لتحسين قابلية إعادة الاستخدام وقابلية الصيانة في مشاريع الذكاء الاصطناعي 
4.8.17    دراسات الحالة والممارسات الجيدة في تطبيق أنماط التصميم في البنى باستخدام الذكاء الاصطناعي 

9.17    تنفيذ الهندسة المعمارية النظيفة (Clean Architecture)

1.9.17    المبادئ والمفاهيم الأساسية للهندسة المعمارية النظيفة (Clean Architecture)
2.9.17    تكييف العمارة النظيفة (Clean Architecture) مع المشاريع التي تحتوي على مكونات الذكاء الاصطناعي 
3.9.17    تنفيذ الطبقات والتبعيات في الأنظمة ذات البنية النظيفة 
4.9.17    فوائد وتحديات تنفيذ البنية النظيفة (Clean Architecture) في تطوير البرمجيات باستخدام الذكاء الاصطناعي 

10.17    تطوير البرمجيات الآمنة في تطبيقات الويب باستخدام الذكاء الاصطناعي

1.10.17    مبادئ الأمن في تطوير البرمجيات بمكونات الذكاء الاصطناعي 
2.10.17    تحديد وتخفيف نقاط الضعف المحتملة في نماذج وخوارزميات الذكاء الاصطناعي 
3.10.17    تحديد وتخفيف نقاط الضعف المحتملة في نماذج وخوارزميات الذكاء الاصطناعي 
4.10.17    استراتيجيات حماية البيانات الحساسة ومنع الهجمات في المشاريع ذات الذكاء الاصطناعي 

الوحدة 18 مشاريع الويب مع الذكاء الاصطناعي

1.18    إعداد بيئة العمل لتطوير الويب باستخدام الذكاء الاصطناعي

1.1.18    تكوين بيئات تطوير الويب للمشاريع ذات الذكاء الاصطناعي 
2.1.18    اختيار وإعداد الأدوات الأساسية لتطوير الويب باستخدام الذكاء الاصطناعي 
3.1.18    تكامل مكتبات وأطر(frameworks) حددة لمشاريع الويب مع الذكاء الاصطناعي 
4.1.8    تنفيذ الممارسات الجيدة في تكوين بيئات التطوير التعاونية 

2.18    إنشاء مساحة عمل (Workspace) لمشاريع الذكاء الاصطناعي

1.2.18    التصميم والتنظيم الفعال لمساحات العمل (workspaces) لمشاريع الويب بمكونات الذكاء الاصطناعي
2.2.18    استخدام أدوات إدارة المشاريع والتحكم في الإصدار في مساحة العمل (workspace) 
3.2.18    استراتيجيات التعاون والتواصل الفعال في فريق التطوير 
4.2.18    تكييف مساحة العمل (workspace) مع الاحتياجات المحددة لمشاريع الويب باستخدام الذكاء الاصطناعي 

3.18    أنماط التصميم في المنتجات باستخدام الذكاء الاصطناعي

1.3.18    تحديد وتطبيق أنماط التصميم الشائعة في واجهات المستخدم مع عناصر الذكاء الاصطناعي 
2.3.18    تطوير أنماط محددة لتحسين تجربة المستخدم في مشاريع الويب باستخدام الذكاء الاصطناعي 
3.3.18    دمج أنماط التصميم في البنية العامة لمشاريع الويب باستخدام الذكاء الاصطناعي 
4.3.18    تقييم واختيار أنماط التصميم المناسبة وفقًا لسياق المشروع 

4.18    تطوير الواجهة الأمامية (frontend) باستخدام الذكاء الاصطناعي

1.4.18    دمج نماذج الذكاء الاصطناعي في طبقة العرض لمشاريع الويب
2.4.18    تطوير واجهات المستخدم التكيفية مع عناصر الذكاء الاصطناعي 
3.4.18    تنفيذ وظائف معالجة اللغة الطبيعية (NLP) في الواجهة الأمامية 
4.4.18    استراتيجيات تحسين الأداء في تطوير الواجهة الأمامية باستخدام الذكاء الاصطناعي

5.18    إنشاء قاعدة البيانات

1.5.18    اختيار تقنيات قواعد البيانات لمشاريع الويب ذات الذكاء الاصطناعي 
2.5.18    تصميم مخططات قاعدة البيانات لتخزين وإدارة البيانات المتعلقة بالذكاء الاصطناعي 
3.5.18    تنفيذ أنظمة تخزين فعالة لكميات كبيرة من البيانات الناتجة عن نماذج الذكاء الاصطناعي 
4.5.18    استراتيجيات أمن وحماية البيانات الحساسة في قواعد بيانات مشاريع الويب باستخدام الذكاء الاصطناعي 

6.18    تطوير الواجهة الخلفية (backend) باستخدام الذكاء الاصطناعي

1.6.18    دمج خدمات ونماذج الذكاء الاصطناعي في الواجهة الخلفية (backend) 
2.6.18    تطوير واجهات برمجة التطبيقات ونقاط النهاية المحددة للتواصل بين مكونات الواجهة الأمامية (Frontend) والذكاء الاصطناعي 
3.6.18    تنفيذ منطق معالجة البيانات واتخاذ القرار في الواجهة الخلفية (backend) باستخدام الذكاء الاصطناعيمية 
4.6.18    استراتيجيات قابلية التوسع والأداء في تطوير الواجهة الخلفية لمشاريع الويب باستخدام الذكاء الاصطناعي

7.18    تحسين عملية نشر موقع الويب الخاص بك

1.7.18    أتمتة عمليات البناء والنشر لمشاريع الويب باستخدام الذكاء الاصطناعي 
2.7.18    تنفيذ خطوط أنابيب CI/CD المتكيفة مع تطبيقات الويب مع مكونات الذكاء الاصطناعي 
3.7.18    استراتيجيات الإدارة الفعالة للإصدارات والتحديثات في عمليات النشر المستمر 
4.7.18    مراقبة وتحليل ما بعد النشر من أجل التحسين المستمر للعملية

8.18    الذكاء الاصطناعي في الحوسبة السحابية

1.8.18    دمج خدمات الذكاء الاصطناعي في منصات الحوسبة السحابية 
2.8.18    تطوير حلول قابلة للتطوير وموزعة باستخدام الخدمات السحابية مع قدرات الذكاء الاصطناعي 
3.8.18    استراتيجيات لإدارة الموارد والتكاليف بكفاءة في البيئات السحابية باستخدام تطبيقات الويب الخاصة بالذكاء الاصطناعي 
4.8.18    تقييم ومقارنة مقدمي الخدمات السحابية لمشاريع الويب مع الذكاء الاصطناعي

9.18    إنشاء مشروع باستخدام الذكاء الاصطناعي لبيئات LAMP

1.9.18    تكييف مشاريع الويب بناءً على حزمة LAMP لتشمل مكونات الذكاء الاصطناعي 
2.9.18    تكامل مكتبات وأطر (frameworks) الذكاء الاصطناعي المحددة في بيئات LAMP 
3.9.18    تطوير وظائف الذكاء الاصطناعي التي تكمل بنية LAMP التقليدية
4.9.18    استراتيجيات التحسين والصيانة في مشاريع الويب باستخدام الذكاء الاصطناعي في بيئات LAMP

10.18    إنشاء مشروع باستخدام الذكاء الاصطناعي لبيئات MEVN

1.10.18    دمج التقنيات والأدوات من مكدس MEVN مع مكونات الذكاء الاصطناعي 
2.10.18    تطوير تطبيقات الويب الحديثة والقابلة للتطوير في بيئات MEVN بقدرات الذكاء الاصطناعي 
3.10.18    تنفيذ وظائف معالجة البيانات والتعلم الآلي في مشاريع MEVN 
4.10.18    استراتيجيات لتحسين الأداء والأمان في تطبيقات الويب باستخدام الذكاء الاصطناعي في بيئات MEVN 

الوحدة 19 تطبيقات الهاتف المحمول مع الذكاء الاصطناعي  

1.19    إعداد بيئة العمل لتطوير الأجهزة المحمولة باستخدام الذكاء الاصطناعي

1.1.19    تكوين بيئات التطوير المتنقلة للمشاريع ذات الذكاء الاصطناعي
2.1.19    اختيار وإعداد أدوات محددة لتطوير تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 
3.1.19    تكامل مكتبات وأطر (frameworks) الذكاء الاصطناعي في بيئات التطوير المتنقلة 
4.1.19    تكوين المحاكيات والأجهزة الحقيقية لاختبار تطبيقات الهاتف المحمول بمكونات الذكاء الاصطناعي 

2.19    إنشاء مساحة عمل (Workspace) باستخدام GitHub Copilot

1.2.19    تكامل GitHub Copilot في بيئات تطوير الأجهزة المحمولة 
2.2.19    الاستخدام الفعال لـ GitHub Copilot لإنشاء التعليمات البرمجية في مشاريع الذكاء الاصطناعي 
3.2.19    استراتيجيات التعاون بين المطورين عند استخدام GitHub Copilot في مساحة العمل (Workspace) 
4.2.19    الممارسات الجيدة والقيود في استخدام GitHub Copilot في تطوير تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي

3.19    إعدادات Firebase

1.3.19    الإعداد الأولي لمشروع في Firebase لتطوير الأجهزة المحمولة 
2.3.19    تكامل Firebase في تطبيقات الهاتف المحمول مع وظائف الذكاء الاصطناعي 
3.3.19    استخدام خدمات Firebase كقاعدة بيانات ومصادقة وإشعارات في مشاريع الذكاء الاصطناعي 
4.3.19    استراتيجيات إدارة البيانات والأحداث في الوقت الحقيقي في تطبيقات الهاتف المحمول باستخدام Firebase

4.19    مفاهيم الهندسة المعمارية النظيفة (Clean Architecture) ومصادر البيانات (DataSources) والمستودعات (Repositories)

1.4.19    المبادئ الأساسية للهندسة المعمارية النظيفة في تطوير الأجهزة المحمولة باستخدام الذكاء الاصطناعي 
2.4.19    تنفيذ طبقات مصادر البيانات والمستودعات في بنيات نظيفة
3.4.19    تصميم وهيكلة المكونات في المشاريع المتنقلة مع التركيز على الهندسة المعمارية النظيفة 
4.4.19    فوائد وتحديات تنفيذ البنية النظيفة (Clean Architecture) تطبيقات الهاتف المحمول باستخدام الذكاء لاصطناعي

5.19    إنشاء شاشة المصادقة

1.5.19    تصميم وتطوير واجهات المستخدم لشاشات التوثيق في تطبيقات الجوال بالذكاء الاصطناعي 
2.5.19    دمج خدمات المصادقة مع Firebase على شاشة تسجيل الدخول
3.5.19    استخدام تقنيات الأمان وحماية البيانات على شاشة المصادقة 
4.5.19    تخصيص وتكييف تجربة المستخدم على شاشة المصادقة 

6.19    إنشاء لوحات المعلومات (Dashboard) والملاحة

1.6.19    تصميم وتطوير لوحات المعلومات (Dashboards) بعناصر الذكاء الاصطناعي 
2.6.19    تنفيذ أنظمة الملاحة الفعالة في تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 
3.6.19    دمج وظائف الذكاء الاصطناعي في لوحة المعلومات (Dashboards) لتحسين تجربة المستخدم

7.19    إنشاء الشاشة مع القائمة

1.7.19    تطوير واجهات المستخدم للشاشات مع القوائم في تطبيقات الهاتف المحمول بتقنية الذكاء الاصطناعي 
2.7.19    دمج خوارزميات التوصية والتصفية في شاشة القائمة 
3.7.19    استخدام أنماط التصميم للعرض الفعال للبيانات في القائمة 
4.7.19    استراتيجيات لتحميل البيانات في الوقت الحقيقي بكفاءة على شاشة القائمة 

8.19    إنشاء شاشة التفاصيل

1.8.19    تصميم وتطوير واجهات المستخدم التفصيلية لعرض معلومات محددة
2.8.19    دمج وظائف الذكاء الاصطناعي لإثراء شاشة التفاصيل 
3.8.19    تنفيذ التفاعلات والرسوم المتحركة على شاشة التفاصيل 
4.8.19    استراتيجيات تحسين الأداء في تحميل وعرض التفاصيل في تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 

9.19    إنشاء شاشة الإعدادات (Settings)

1.9.19    تطوير واجهات المستخدم للتكوين والتعديلات في تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 
2.9.19    تكامل الإعدادات المخصصة المتعلقة بمكونات الذكاء الاصطناعي 
3.9.19    تنفيذ خيارات التخصيص والتفضيلات على شاشة الإعدادات 
4.9.19    استراتيجيات سهولة الاستخدام والوضوح في عرض الخيارات على شاشة الإعدادات (Settings) 

10.19    إنشاء أيقونات Splash وموارد رسومية وأيقونات لتطبيقك باستخدام الذكاء الاصطناعي     

1.10.19    تصميم وإنشاء أيقونات جذابة لتمثيل تطبيق الهاتف المحمول بتقنية الذكاء الاصطناعي 
2.10.19    تطوير شاشات البداية (splash) مع عناصر بصرية ملفتة للنظر 
3.10.19    اختيار وتكييف الموارد الرسومية التي تعمل على تحسين جماليات تطبيقات الهاتف المحمول 
4.10.19    استراتيجيات الاتساق والعلامة التجارية المرئية في العناصر الرسومية للتطبيق باستخدام الذكاء الاصطناعي 

الوحدة 20 الذكاء الاصطناعي لاختبار ضمان الجودة (QA Testing) 

1.20    دورة حياة الاختبار (testing)

1.1.20    وصف وفهم دورة حياة الاختبار (testing) في تطوير البرمجيات
2.1.20    مراحل دورة حياة الاختبار (testing) وأهميتها في ضمان الجودة 
3.1.20    دمج الذكاء الاصطناعي في المراحل المختلفة من دورة حياة الاختبار (testing) 
4.1.20    استراتيجيات التحسين المستمر لدورة حياة الاختبار (testing) من خلال استخدام الذكاء الاصطناعي

2.20    حالات الاختبار واكتشاف الأخطاء (bugs)

1.2.20    تصميم وكتابة حالات اختبار فعالة في سياق اختبار (Testing) ضمان الجودة 
2.2.20    تحديد الأخطاء والأخطاء أثناء تنفيذ حالات الاختبار 
3.2.20    تطبيق تقنيات الكشف المبكر عن الأخطاء من خلال التحليل الثابت 
4.2.20    استخدام أدوات الذكاء الاصطناعي للتعرف التلقائي على الأخطاء في حالات الاختبار

3.20    أنواع الاختبار (testing)

1.3.20    استكشاف أنواع مختلفة من الاختبارات (testing) في مجال ضمان الجودة 
2.3.20    .اختبار الوحدة والتكامل والوظيفية والقبول: الميزات والتطبيقات 
3.3.20    استراتيجيات الاختيار والجمع المناسب لأنواع الاختبارات (testing) في المشاريع باستخدام الذكاء الاصطناعي 
4.3.20    تكييف أنواع الاختبارات (testing) التقليدية مع المشاريع التي تحتوي على مكونات الذكاء الاصطناعي 

4.20    إنشاء خطة الاختبار

1.4.20    تصميم وبناء خطة اختبار شاملة 
2.4.20    تحديد المتطلبات وسيناريوهات الاختبار في المشاريع باستخدام الذكاء الاصطناعي 
3.4.20    استراتيجيات التخطيط للاختبارات اليدوية والآلية 
4.4.20    التقييم المستمر وتعديل خطة الاختبار بناءً على تطور المشروع 

5.20    اكتشاف الأخطاء (Bugs) والإبلاغ عنها باستخدام الذكاء الاصطناعي

1.5.20    تنفيذ تقنيات الكشف التلقائي عن الأخطاء باستخدام خوارزميات التعلم الآلي
2.5.20    استخدام أدوات الذكاء الاصطناعي لتحليل الكود الديناميكي بحثًا عن الأخطاء المحتملة
3.5.20    استراتيجيات التوليد التلقائي للتقارير التفصيلية عن الأخطاء التي اكتشفها الذكاء الاصطناعي 
4.5.20    التعاون الفعال بين فرق التطوير وضمان الجودة في إدارة الأخطاء التي يحددها الذكاء الاصطناعي

6.20    إنشاء اختبارات آلية باستخدام الذكاء الاصطناعي

1.6.20    تطوير نصوص الاختبار الآلي للمشاريع التي تحتوي على مكونات الذكاء الاصطناعي 
2.6.20    تكامل أدوات أتمتة الاختبار القائمة على الذكاء الاصطناعي
3.6.20    استخدام خوارزميات التعلم الآلي (machine learning) للتوليد الديناميكي لحالات الاختبار الآلي 
4.6.20    استراتيجيات التنفيذ الفعال وصيانة الاختبارات الآلية في المشاريع ذات الذكاء الاصطناعي

7.20    اختبار واجهة برمجة التطبيقات (API Testing)

1.7.20    المفاهيم الأساسية لاختبار (testing) API وأهميتها في ضمان الجودة 
2.7.20    تطوير اختبارات للتحقق من واجهات برمجة التطبيقات في البيئات التي تحتوي على مكونات الذكاء الاصطناعي 
3.7.20    استراتيجيات التحقق من صحة البيانات والنتائج في اختبار (testing) واجهة برمجة التطبيقات (API) باستخدام الذكاء الاصطناعي 
4.7.20    استخدام أدوات محددة لاختبار (testing) واجهات برمجة التطبيقات في المشاريع ذات الذكاء الاصطناعي

8.20    أدوات الذكاء الاصطناعي لاختبار (testing) الويب

1.8.20    استكشاف أدوات الذكاء الاصطناعي لأتمتة الاختبار في بيئات الويب 
2.8.20    دمج تقنيات التعرف على العناصر والتحليل البصري في اختبار (testing) الويب 
3.8.20    استراتيجيات الكشف التلقائي عن التغييرات ومشاكل الأداء في تطبيقات الويب باستخدام الذكاء الاصطناعي 
4.8.20    تقييم أدوات محددة لتحسين الكفاءة في اختبار الويب باستخدام الذكاء الاصطناعي

9.20    اختبار المحمول (Mobile Testing) باستخدام الذكاء الاصطناعي

1.9.20    تطوير استراتيجيات اختبار (testing) تطبيقات الهاتف المحمول بمكونات الذكاء الاصطناعي 
2.9.20    دمج أدوات اختبار (testing) محددة لمنصات الهاتف المحمول القائمة على الذكاء الاصطناعي 
3.9.20    استخدام خوارزميات التعلم الآلي لاكتشاف مشكلات أداء تطبيقات الهاتف المحمول 
4.9.20    استراتيجيات للتحقق من صحة واجهات ووظائف محددة لتطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 

10.20    أدوات ضمان الجودة مع الذكاء الاصطناعي

1.10.20    استكشاف أدوات ومنصات ضمان الجودة التي تتضمن وظائف الذكاء الاصطناعي
2.10.20    تقييم أدوات الإدارة الفعالة وتنفيذ الاختبارات في المشاريع باستخدام الذكاء الاصطناعي 
3.10.20    استخدام خوارزميات التعلم الآلي (machine learning) لتوليد حالات الاختبار وتحسينها
4.10.20    استراتيجيات الاختيار والاعتماد الفعال لأدوات ضمان الجودة بقدرات الذكاء الاصطناعي

إنها تجربة تدريبية فريدة ومهمة وحاسمة لتعزيز تطورك المهني"