من خلال هذا البرنامج الذي يتم بالكامل عبر الإنترنت، ستتمكن من إتقان أحدث تقنيات الذكاء الاصطناعي لزيادة الدقة وتحسين جودة الممارسة السريرية“

يُحسِّن تحليل البيانات الضخمة بشكل كبير الرعاية الطبية والبحث في المجال الصحي. توفر هذه الأنظمة المتقدمة للخبراء فرصة تخصيص العلاجات والوصول الفوري إلى معلومات هامة، مثل التاريخ الطبي، لتحسين النتائج. إضافة إلى ذلك، تساهم هذه الأدوات في إجراء مراقبة مستمرة للمرضى خارج البيئة الصحية، مما يفيد بشكل خاص المستخدمين الذين يعانون من أمراض مزمنة. ومع ذلك، للاستفادة من هذه المزايا، يحتاج المتخصصون إلى تطوير مهارات متقدمة لدمج تقنيات التعلم الآلي المتطورة بنجاح في ممارساتهم اليومية.

لذلك، قامت TECH بتصميم برنامج في الذكاء الاصطناعي في الممارسة السريرية. سيتناول المنهج موضوعات مثل التنقيب في البيانات، سواء في السجلات الصحية أو البيومترية، مع التركيز في الوقت ذاته على طرق تدريب الخوارزميات والتحليل التنبئي.  كما ستتعمق المحتويات التعليمية في التفاعلات التي تحدث داخل الشبكات البيولوجية لتحديد الأنماط المتعلقة بالأمراض المعقدة. إضافة إلى ذلك، سيولي البرنامج الدراسي اهتمامًا دقيقًا للعوامل الأخلاقية والقانونية المتعلقة باستخدام الأنظمة الذكية في السياق الطبي. بهذه الطريقة، سيتمكن الخريجون من إتقان أحدث تقنيات الذكاء الاصطناعي لتحسين جودة حياة المرضى.

تجدر الإشارة إلى أنه، لتعزيز جميع هذه المعارف، تعتمد TECH على منهجيتها الثورية Relearning.  يعتمد هذا النظام على تكرار المفاهيم الأساسية لتعزيز الفهم الأمثل. الشرط الوحيد للمختصين هو امتلاك جهاز إلكتروني (مثل هاتف محمول أو حاسوب أو جهاز لوحي) متصل بالإنترنت، مما يسمح لهم بالوصول إلى الحرم الافتراضي ومتابعة المحتويات في أي وقت. بالإضافة إلى ذلك، سيستفيدون في الحرم الافتراضي من العديد من الوحدات المتعددة الوسائط، مثل مقاطع الفيديو التفصيلية والقراءات المتخصصة والملخصات التفاعلية.

ستتمكن من إتقان برامج متخصصة مثل TensorFlow Datasets لإجراء معالجة مسبقة فعالة للبيانات الصحية“

تحتوي درجة الماجستيرالخاص في الذكاء الاصطناعي في الممارسة السريرية على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصه هي:

تطوير الحالات العملية التي يقدمها الخبراء في مجال الذكاء الاصطناعي في الممارسة السريرية
المحتويات الرسومية والتخطيطية والعملية البارزة التي يتم تصورها بها، تجمع المعلومات العلمية والعملية حول تلك التخصصات الأساسية للممارسة المهنية
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم
تركيزه الخاص على المنهجيات المبتكرة في الذكاء الاصطناعي في الممارسة السريرية
دروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
إمكانية الوصول إلى المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

ستقوم بتنفيذ نماذج التعلم الآلي لتحسين الكشف المبكر عن الأمراض المعقدة مثل السرطان“

يضم الكادر الأكاديمي لهذا البرنامج متخصصين في مجال الذكاء الاصطناعي في الممارسة السريرية، الذين ينقلون خبراتهم العملية إلى هذا البرنامج، بالإضافة إلى خبراء معترف بهم من جمعيات مرجعية وجامعات مرموقة.

إن محتوى الوسائط المتعددة الذي تم تطويره باستخدام أحدث التقنيات التعليمية، والذين سيتيح للمهني فرصة للتعلم الموضوعي والسياقي، أي في بيئة محاكاة ستوفر تعليماً غامرًا مبرمجًا للتدريب في مواقف حقيقية.

يركز تصميم هذا البرنامج على التعلم القائم على المشكلات، والذي يجب على الطالب من خلاله محاولة حل الحالات المختلفة للممارسة المهنية التي تُطرَح على مدار هذه الدورة الأكاديمية. للقيام بذلك، المهني سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مرموقين.

ستضمن الأمان والخصوصية والأخلاقيات في تطبيق الأنظمة الذكية في المجال الصحي"

من خلال نظام Relearning، ستتمكن من استيعاب المفاهيم بشكل طبيعي وتدريجي دون الحاجة إلى الحفظ"

سيتعمق هذا البرنامج الدراسي في جوانب تتراوح بين تفسير البيانات الطبية وتطوير الخوارزميات التنبؤية وتنفيذ الحلول القائمة على الذكاء الاصطناعي في مختلف البيئات الصحية. كذلك، سيتناول المنهج أحدث تقنيات التعلم الآلي machine learning  لتحسين عملية اتخاذ القرارات الاستراتيجية المستنيرة. بالإضافة إلى ذلك، ستغطي المواد التعليمية استخدام برمجيات متطورة مثل TensorFlow، مما سيمكن الخريجين من تطبيق نماذج التعلم الآلي في الكشف المبكر عن الأمراض، وتخصيص العلاجات، وتحسين العمليات السريرية.

ستتمكن من التعامل مع أحدث تقنيات البيانات الضخمة لاستخراج معلومات قيمة لمتابعة الأمراض المزمنة في الوقت الفعلي“

الوحدة 1. أسس الذكاء الاصطناعي

1.1. تاريخ الذكاء الاصطناعي

1.1.1. متى يبدأ الحديث عن الذكاء الاصطناعي؟
2.1.1. مراجع في السينما
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 اللعبة
2.2.1. Minimax و Alfa-Beta
3.2.1. المحاكاة: Monte Carlo

3.1. شبكات الخلايا العصبية

1.3.1. الأسس البيولوجية
2.3.1. نموذج حوسبي
3.3.1. شبكات الخلايا العصبية الخاضعة للإشراف وغير الخاضعة للإشراف
4.3.1. إدراك بسيط
5.3.1. إدراك متعدد الطبقات

4.1. الخوارزميات الوراثية

1.4.1. التاريخ
2.4.1. الأساس البيولوجي
3.4.1. مشكلة الترميز
4.4.1. توليد المجموعة أولية
5.4.1. الخوارزمية الرئيسية ومشغلي الوراثة
6.4.1. تقييم الأفراد: Fitness اللياقة

5.1. معاجم اصطلاحية، مفردات، تصنيفات

1.5.1. المفردات
2.5.1. التصنيفات
3.5.1. المرادفات
4.5.1. علم المعلومات
5.5.1. عرض المعارف الويب الدلالي

6.1. الويب الدلالي

1.6.1. المواصفات: RDF و RDFS و OWL
2.6.1. الاستدلال/المنطق
3.6.1. Linked Data

7.1. نظم الخبراء وإدارة شؤون السلامة والأمن

1.7.1. نظم الخبراء
2.7.1. نظم دعم القرار

8.1. روبوتات الدردشة Chatbots والمساعدون الافتراضيون

1.8.1. أنواع المساعدين: مساعدي الصوت والنص
2.8.1. الأجزاء الأساسية لتطوير مساعد: النواياIntents والكيانات وتدفق الحوار
3.8.1. التكاملات: الويب، Slack، Whatsapp، Facebook
4.8.1. الأدوات الإنمائية المساعدة: Dialog Flowو Watson Assistant

9.1. استراتيجية تنفيذ الذكاء الاصطناعي
10.1. مستقبل الذكاء الاصطناعي

1.10.1. نحن نفهم كيفية اكتشاف المشاعر من خلال الخوارزميات
2.10.1. إنشاء علامة تجارية شخصية: اللغة والتعابير والمحتوى
3.10.1. اتجاهات الذكاء الاصطناعي
4.10.1. تأملات

الوحدة 2. أنواع البيانات ودورة حياتها

1.2. الإحصاء

1.1.2. الإحصاءات: الإحصاءات الوصفية، والاستنتاجات الإحصائية
2.1.2. المجموعة، العينة، الفرد
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. وفقا للشكل

1.2.2.2. العدد
2.2.2.2. النص
3.2.2.2. المنطق

3.2.2. حسب مصدرها

1.3.2.2. الأولي
2.3.2.2. الثانوية

3.2. دورة حياة البيانات

1.3.2. مراحل الدورة
2.3.2. معالم الدورة
3.3.2. المبادئ FAIR

4.2. المراحل الأولية من الدورة

1.4.2. تعريف الهدف
2.4.2. تحديد الاحتياجات من الموارد
3.4.2. مخطط Gantt
4.4.2. هيكل البيانات

5.2. جمع البيانات

1.5.2. منهجية التحصيل
2.5.2. أدوات التحصيل
3.5.2. قنوات التحصيل

6.2. تنظيف البيانات

1.6.2. مراحل تطهير البيانات
2.6.2. جودة البيانات
3.6.2. معالجة البيانات (مع لغة R)

7.2. تحليل البيانات وتفسيرها وتقييم النتائج

1.7.2. المقاييس الإحصائية
2.7.2. مؤشرات العلاقة
3.7.2. استخراج البيانات

8.2. مستودع البيانات (Datawarehouse)

1.8.2. العناصر التي تتألف منها
2.8.2. التصميم
3.8.2. الجوانب التي ينبغي النظر فيها

9.2. توافر البيانات

1.9.2. الدخول
2.9.2. الفائدة
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 مجموعة بيانات

4.3. استخراج المعلومات من خلال التصور

1.4.3. التصور كأداة تحليل
2.4.3. طرق العرض
3.4.3. عرض مجموعة البيانات

5.3. جودة البيانات

1.5.3. بيانات الجودة
2.5.3. تطهير البيانات
3.5.3. معالجة البيانات الأساسية

6.3. Dataset

1.6.3. تخصيب مجموعة البيانات
2.6.3. لعنة الأبعاد
3.6.3. تعديل مجموعة البيانات الخاصة بنا

7.3. اختلال التوازن

1.7.3. عدم التوازن الطبقي
2.7.3. تقنيات تخفيف الاختلال
3.7.3. موازنة مجموعة البيانات

8.3. نماذج غير خاضعة للرقابة

1.8.3. نموذج غير خاضع للرقابة
2.8.3. مناهج
3.8.3. التصنيف بنماذج غير خاضعة للرقابة

9.3. النماذج الخاضعة للإشراف

1.9.3. نموذج خاضع للإشراف
2.9.3. مناهج
3.9.3. التصنيف مع النماذج الخاضعة للإشراف

10.3. الأدوات والممارسات الجيدة

1.10.3. أفضل الممارسات لعالم البيانات
2.10.3. أفضل نموذج
3.10.3. أدوات مفيدة

الوحدة 4. استخراج البيانات الاختيار والمعالجة التمهيدية والتحول

1.4. الاستدلال الإحصائي

1.1.4. الإحصاءات الوصفية مقابل الاستدلال الإحصائي
2.1.4. إجراءات حدودية
3.1.4. الإجراءات اللامعلمية

2.4. التحليل الاستكشافي

1.2.4. التحليل الوصفي
2.2.4. العرض
3.2.4. إعداد البيانات

3.4. إعداد البيانات

1.3.4. تكامل البيانات وتنقيتها
2.3.4. تطبيع البيانات
3.3.4. سمات التحويل

4.4. القيم المفقودة

1.4.4. معالجة القيم الناقصة
2.4.4. طرق التضمين القصوى
3.4.4. احتساب القيم المفقودة باستخدام التعلم الآلي

5.4. الضجيج في البيانات

1.5.4. فئات وسمات الضجيج
2.5.4. ترشيح الضجيج
3.5.4. تأثير الضجيج

6.4. لعنة الأبعاد

1.6.4. الإفراط في أخذ العينات
2.6.4. Undersampling
3.6.4. تقليل البيانات متعددة الأبعاد

7.4. من الصفات المستمرة إلى المنفصلة

1.7.4. البيانات المستمرة مقابل البيانات المنفصلة
2.7.4. عملية التكتم

8.4. البيانات

1.8.4. اختيار البيانات
2.8.4. وجهات النظر ومعايير الاختيار
3.8.4. مناهج الاختيار

9.4. اختيار المثيل

1.9.4. مناهج اختيار الحالات
2.9.4. اختيار النماذج
3.9.4. مناهج متقدمة لاختيار المثيل

10.4. المعالجة التمهيدية للبيانات في بيئات البيانات الضخمة Big Data

الوحدة 5. الخوارزمية والتعقيد في الذكاء الاصطناعي

1.5. مقدمة لاستراتيجيات تصميم الخوارزميات

1.1.5. التكرار
2.1.5. فرق تسد
3.1.5. استراتيجيات أخرى

2.5. كفاءة وتحليل الخوارزميات

1.2.5. تدابير الكفاءة
2.2.5. قياس حجم المدخلات
3.2.5. قياس وقت التشغيل
4.2.5. أسوأ وأفضل حالة ومابينهما
5.2.5. التدوين المقارب
6.2.5. معايير التحليل الرياضي لخوارزميات السلوك الغيرالمتكرر
7.2.5. التحليل الرياضي للخوارزميات المتكررة
8.2.5. التحليل التجريبي للخوارزميات

3.5. فرز الخوارزميات

1.3.5. مفهوم الإدارة
2.3.5. ترتيب الفقاعة
3.3.5. ترتيب حسب الاختيار
4.3.5. ترتيب الإدراج
5.3.5. الفرز حسب الخليط (Merge_Sort)
6.3.5. الفرز السريع (Quick_Sort)

4.5. خوارزميات بالأشجار

1.4.5. مفهوم الشجرة
2.4.5. أشجار ثنائية
3.4.5. جولات الأشجار
4.4.5. تمثيل التعبيرات
5.4.5. أشجار ثنائية مرتبة
6.4.5. أشجار ثنائية متوازنة

5.5. خوارزميات مع Heaps

1.5.5. heaps
2.5.5. خوارزمية Heapsort
3.5.5. قوائم الانتظار ذات الأولوية

6.5. الخوارزميات ذات الرسوم البيانية

1.6.5. العرض
2.6.5. جولة ضيقة
3.6.5. جولة متعمقة
4.6.5. الترتيب الطوبولوجي

7.5. خوارزميات Greedy

1.7.5. استراتيجية  Greedy
2.7.5. عناصر استراتيجية Greedy
3.7.5. صرف العملات
4.7.5. مشكلة المسافر
5.7.5. مشكلة حقيبة الظهر

8.5. البحث عن الحد الأدنى من المسارات

1.8.5. مشكلة المسار الأدنى
2.8.5. الأقواس والدورات السلبية
3.8.5. خوارزمية Dijkstra

9.5. خوارزميات Greedyعلى الرسوم البيانية

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

10.5. Backtracking

1.10.5. backtracking
2.10.5. التقنيات البديلة

الوحدة 6. أنظمة ذكية

1.6. نظرية الوكلاء

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

2.6. بناء الوكلاء

1.2.6. عملية التفكير في عامل ما
2.2.6. عوامل تفاعلية
3.2.6. العوامل الاستنتاجية
4.2.6. عوامل هجينة
5.2.6. مقارنة

3.6. المعلومات والمعارف

1.3.6. التمييز بين البيانات والمعلومات والمعارف
2.3.6. تقييم جودة البيانات
3.3.6. طرائق جمع البيانات
4.3.6. طرائق الحصول على المعلومات
5.3.6. طرائق اكتساب المعرفة

4.6. تمثيل المعارف

1.4.6. أهمية تمثيل المعارف
2.4.6. تعريف تمثيل المعرفة من خلال أدوارها
3.4.6. خصائص تمثيل المعرفة

5.6. علم المعلومات

1.5.6. مقدمة للبيانات الوصفية
2.5.6. المفهوم الفلسفي لعلم الأنطولوجيا
3.5.6. مفهوم الحاسوب لعلم الأنطولوجيا
4.5.6. أنطولوجيات المجال وأنطولوجيات المستوى الأعلى
5.5.6. كيف تبني أنطولوجيا؟

6.6. اللغات الوجودية والبرمجيات لإنشاء الأنطولوجيا

1.6.6. قوائم RDF و Turtle و N
2.6.6. RDF مخطط 
3.6.6. OWL
4.6.6. SPARQL
5.6.6. مقدمة إلى الأدوات المختلفة لإنشاء الأنطولوجيا
6.6.6. تركيب واستخدام Protégé

7.6. الويب الدلالي

1.7.6. الحالة الحالية والمستقبلية للشبكة الدلالية
2.7.6. تطبيقات الشبكة الدلالية

8.6. نماذج أخرى لتمثيل المعرفة

1.8.6. المفردات
2.8.6. نظرة عامة
3.8.6. التصنيفات
4.8.6. المرادفات
5.8.6. فولكسونومي
6.8.6. مقارنة
7.8.6. خرائط العقل

9.6. تقييم وإدماج التمثيلات المعرفية

1.9.6. منطق الترتيب الصفري
2.9.6. المنطق من الدرجة الأولى
3.9.6. المنطق الوصفي
4.9.6. العلاقة بين مختلف أنواع المنطق
5.9.6. المقدمة: البرمجة على أساس منطق الدرجة الأولى

10.6. المعقولات الدلالية والأنظمة القائمة على المعرفة وأنظمة الخبراء

1.10.6. مفهوم المنطق
2.10.6. طلبات المعقل
3.10.6. النظم القائمة على المعرفة
4.10.6. MYCIN، تاريخ أنظمة الخبراء
5.10.6. عناصر وبناء نظام الخبراء
6.10.6. إنشاء الأنظمة المتخصصة

الوحدة 7. التعلم الآلي واستخراج البيانات

1.7. مقدمة لعمليات اكتشاف المعرفة وأساسيات التعلم الآلي

1.1.7. المفاهيم الرئيسية 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. ميزات نماذج التعلم الآلي الجيدة
6.1.7. أنواع معلومات التعلم الآلي
7.1.7. المفاهيم الأساسية للتعلم
8.1.7. المفاهيم الأساسية للتعلم غير الخاضع للإشراف

2.7. مسح البيانات ومعالجتها مسبقا

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

3.7. أشجار القرار

1.3.7. معرف الخوارزمية
2.3.7. الخوارزمية C
3.3.7. الإفراط في التدريب والتشذيب
4.3.7. تحليل النتائج

4.7. تقييم المصنفات

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 لتقييم القواعد
2.5.7. مقدمة للتمثيل البياني
3.5.7. خوارزمية الطبقات المتسلسلة

6.7. الشبكات العصبية

1.6.7. مفاهيم أساسية
2.6.7. منحنى ROC
3.6.7. خوارزمية backpropagation
4.6.7. مقدمة إلى الشبكات العصبية المتكررة

7.7. الأساليب البايزية

1.7.7. أساسيات الاحتمال
2.7.7. مبرهنة Bayes
3.7.7. Naive Bayes
4.7.7. مقدمة إلى الشبكات البايزية

8.7. نماذج الانحدار والاستجابة المستمرة

1.8.7. الانحدار الخطي البسيط
2.8.7. الانحدار الخطي المتعدد
3.8.7. الانحدار السوقي
4.8.7. أشجار الانحدار
5.8.7. مقدمة إلى آلات دعم ناقلات
6.8.7. مقاييس جودة الملاءمة

9.7. Clustering

1.9.7. مفاهيم أساسية
2.9.7. Clustering الهرمي
3.9.7. الأساليب الاحتمالية
4.9.7. خوارزمية EM
5.9.7. الطريقة B-Cubed
6.9.7. الأساليب الضمنية

10.7. استخراج النصوص وتجهيز اللغات الطبيعية

1.10.7. مفاهيم أساسية
2.10.7. إنشاء المجموعة
3.10.7. التحليل الوصفي
4.10.7. مقدمة لتحليل المشاعر

الوحدة 8. الشبكات العصبية وأساس 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. مجموع
2.2.8. المنتج
3.2.8. نقل

3.8. الطبقات

1.3.8. طبقة المدخلات
2.3.8. طبقة مخيفة
3.3.8. طبقة الإخراج

4.8. اتحاد الطبقات والعمليات

1.4.8. التصميم البناء
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. مدرب ومحسن

1.6.8. اختيار المحسّن
2.6.8. إنشاء وظيفة الخسارة
3.6.8. وضع مقياس

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. بناء علاقات بين الاثنين

9.8. تنفيذ برنامج MLP (Perceptron متعدد الطبقات) مع Keras

1.9.8. تعريف هيكل الشبكة
2.9.8. تجميع النماذج
3.9.8. التدريب النموذجي

10.8. ضبط فرط بارامامترات الشبكات العصبية Fine tuning 

1.10.8. اختيار وظيفة التنشيط
2.10.8. تحديد Learning rate
3.10.8. تعديل الأوزان

الوحدة 9. تدريب الشبكات العصبونية 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 المميزات
3.2.9. التعلم العميق

3.9. المحسنات

1.3.9. محسنات الانحدار العشوائي
2.3.9. محسنات 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. تخفيف الشروط

5.9. الإفراط في التكيف

1.5.9. التحقق المتبادل
2.5.9. تسوية الأوضاع
3.5.9. مقاييس التقييم

6.9. مبادئ توجيهية عملية

1.6.9. تصميم النموذج
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 المميزات
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 Transfer Learning

1.9.9. التدريب على نقل التعلم
2.9.9. استخراج المميزات
3.9.9. التعلم العميق

10.9. تسوية الأوضاع

1.10.9. L و L
2.10.9. وضع القواعد بالقصور الحراري العظمي
3.10.9. Dropout

الوحدة 10. تخصيص النموذج والتدريب باستخدام TensorFlow

1.10. TensorFlow

1.1.10. استخدام مكتبة TensorFlow
2.1.10. نموذج التدريب 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. باستخدام مصفوفات NumPy باستخدام TensorFlow
3.2.10. عمليات NumPy لرسومات TensorFlow

3.10. إضفاء الطابع الشخصي على النماذج والخوارزميات 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. بيانات المعالجة 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 tfdataللتدريب النموذجي

7.10. تنسيق 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 التمهيدية Keras

1.8.10. استخدام واجهة برمجة التطبيقات المعالجة مسبقًا Keras
2.8.10. البناء المكون من pipelinedالمعالجة المسبقة مع Keras
3.8.10. استخدام واجهة برمجة التطبيقات للمعالجة المسبقة لـ Keras للتدريب النموذجي

9.10. مشروع مجموعات بيانات TensorFlow Datasets

1.9.10. استخدام مجموعات بيانات TensorFlow Datasets لتحميل البيانات
2.9.10. معالجة البيانات مسبقًا باستخدام مجموعات بيانات TensorFlow Datasets
3.9.10. استخدام مجموعات بيانات TensorFlow Datasets للتدريب على النماذج

10.10. بناء تطبيق التعلم العميق باستخدام Deep Learning مع TensorFlow

1.10.10. تطبيقات عملية
2.10.10. بناء تطبيق التعلم العميق باستخدام Deep Learning مع TensorFlow
3.10.10. تدريب نموذج مع TensorFlow
4.10.10. استخدام التطبيق للتنبؤ بالنتائج

الوحدة 11. الرؤية الحاسوبية العميقة باستخدام الشبكات العصبية التلافيفية

1.11. تنفيذ بنية Visual 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. التلاقي D
3.2.11. وظائف التنشيط

3.11. طبقات التجميع وتنفيذ طبقات التجميع مع Keras

1.3.11. Poolingو Striding
2.3.11. Flattening
3.3.11. أنواع Pooling

4.11. بناء CNN

1.4.11. بناء VGG
2.4.11. بناء AlexNet
3.4.11. بناء ResNet

5.11. تنفيذ CNN ResNet باستخدام Keras

1.5.11. استهلال الأوزان
2.5.11. تعريف طبقة المدخلات
3.5.11. تعريف الناتج

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 ما قبل التدريب للتعلم في مجال النقل

1.7.11. التعلم عن طريق النقل
2.7.11. عملية التعلم عن طريق النقل
3.7.11. فوائد التعلم التحويلي

8.11. تصنيف الرؤية العميقة للحاسوب وتوطينها Deep Computer Vision

1.8.11. تصنيف الصورة
2.8.11. موقع الأشياء في الصور
3.8.11. كشف الأشياء

9.11. كشف الأشياء وتتبعها

1.9.11. طرائق الكشف عن الأشياء
2.9.11. خوارزميات لتتبع الأشياء
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 شبكة RNN على الترجمة الآلية
2.4.12. استخدام شبكة فك تشفيرencoder-decoder للترجمة الآلية
3.4.12. تحسين دقة الترجمة الآلية باستخدام RNN

5.12. آليات الرعاية

1.5.12. تطبيق آليات الرعاية في RNN
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 المحولات Transformers لمعالجة اللغة الطبيعية
2.6.12. تطبيق نماذج المحولات Transformers للرؤية
3.6.12. مزايا نماذج المحولات Transformers

7.12. محولات للرؤية Transformers

1.7.12. استخدام نماذج المحولات Transformers للرؤية
2.7.12. المعالجة التمهيدية لبيانات الصورة
3.7.12. تدريب نموذج المحولات Transformersعلى الرؤية

8.12. مكتبة Transformers من Hugging Face

1.8.12. استخدام مكتبة محولات Transformers Hugging Face
2.8.12. تطبيق إنترنت مكتبة Transformers لـ Hugging Face
3.8.12. مزايا مكتبة Transformers لـ Hugging Face

9.12. مكتبات أخرى من Transformers. مقارنة

1.9.12. مقارنة بين مكتبات المحولات المختلفة Transformers
2.9.12. استخدام مكتبات المحولات الأخرى Transformers
3.9.12. مزايا مكتبات المحولات الأخرى Transformers

10.12. تطوير تطبيق NLP مع RNN والرعاية. تطبيقات عملية

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

الوحدة 13. أجهزة التشفير التلقائي و GANs ونماذج الانتشار Autoencoders, GANs,

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 باستخدام مشفر أوتوماتيكي خطي غير كامل

1.2.13. عملية التدريب
2.2.13. تنفيذ Python
3.2.13. استخدام بيانات الاختبار

3.13. مشفّرات أوتوماتيكية مكدسة

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. مشفّرات أوتوماتيكية مشتتة

1.6.13. زيادة كفاءة الترميز
2.6.13. التقليل إلى أدنى حد من عدد البارامترات
3.6.13. استخدام تقنيات التسوية

7.13. مشفرات متباينة تلقائية

1.7.13. استخدام التحسين المتغير
2.7.13. التعلم العميق غير الخاضع للإشراف
3.7.13. التمثيلات الكامنة العميقة

8.13. جيل من صور MNIST

1.8.13. التعرف على الأنماط
2.8.13. توليد الصورة
3.8.13. تدريب الشبكات العصبونية 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 النماذج

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

الوحدة 14. الحوسبة المستوحاة من البيولوجيا

1.14. مقدمة في الحوسبة المستوحاة من البيولوجيا

1.1.14. مقدمة في الحوسبة المستوحاة من البيولوجيا

2.14. خوارزميات التكيف الاجتماعي

1.2.14. حساب بيولوجي مستوحى من مستعمرة النمل
2.2.14. متغيرات خوارزميات مستعمرة النمل
3.2.14. الحوسبة القائمة على سحب الجسيمات

3.14. الخوارزميات الوراثية

1.3.14. الهيكل العام
2.3.14. تنفيذ المتعهدين الرئيسيين

4.14. استراتيجيات استكشاف الفضاء واستغلاله من أجل الخوارزميات الوراثية

1.4.14. خوارزمية CHC
2.4.14. مشاكل النقل المتعدد الوسائط

5.14. نماذج الحوسبة التطورية (1)

1.5.14. الاستراتيجيات التطورية
2.5.14. البرمجة التطورية
3.5.14. الخوارزميات القائمة على التطور التفاضلي

6.14. نماذج الحوسبة التطورية (2)

1.6.14. نماذج التطور القائمة على تقدير التوزيع
2.6.14. البرمجة الوراثية

7.14. البرمجة التطورية المطبقة على مشاكل التعلم

1.7.14. التعلم القائم على القواعد
2.7.14. طرق التطور في مشاكل الاختيار على سبيل المثال

8.14. المشاكل المتعددة الأهداف

1.8.14. مفهوم الهيمنة
2.8.14. تطبيق الخوارزميات التطورية على المسائل المتعددة الأهداف

9.14. الشبكات العصبية (1)

1.9.14. مقدمة إلى الشبكات العصبية
2.9.14. مثال عملي مع الشبكات العصبية

10.14. الشبكات العصبية (2)

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

الوحدة 15. الذكاء الاصطناعي: الاستراتيجيات والتطبيقات

1.15. الخدمات المالية

1.1.15. الآثار المترتبة على الذكاء الاصطناعي في الخدمات المالية.  الفرص والتحديات
2.1.15. حالات الاستخدام
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 الاستخدام

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. البيع بالتجزئة Retail

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

5.15. الصناعة

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

6.15. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي في الصناعة

1.6.15. حالات الاستخدام
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 الاستخدام
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 الاستخدام
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 الاستخدام
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 الاستخدام
3.10.15. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.10.15. التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

الوحدة 16. التشخيص في  الممارسات الإكلينيكية باستخدام الذكاء الاصطناعي

1.16. تقنيات وأدوات التشخيص بمساعدة الذكاء الاصطناعي

1.1.16. تطوير برامج للتشخيص بمساعدة الذكاء الاصطناعي في مختلف التخصصات الطبية خلال ChatGPT
2.1.16. استخدام الخوارزميات المتقدمة للتحليل السريع والدقيق للأعراض والعلامات السريرية
3.1.16. تكامل الذكاء الاصطناعي في أجهزة التشخيص لتحسين الكفاءة
4.1.16. أدوات الذكاء الاصطناعي للمساعدة في تفسير نتائج الاختبارات المختبرية من خلال IBM Watson Health

2.16. دمج البيانات السريرية المتعددة الوسائط للتشخيص

1.2.16. أنظمة الذكاء الاصطناعي للجمع بين التصوير والمختبر والسجلات السريرية من خلال AutoML
2.2.16. أدوات للربط بين البيانات متعددة الوسائط في تشخيصات أكثر دقة من خلال Enlitic Curie
3.2.16. استخدام الذكاء الاصطناعي لتحليل الأنماط المعقدة من أنواع مختلفة من البيانات السريرية من خلال Flatiron Health’s OncologyCloud
4.2.16. دمج البيانات الجينية والجزيئية في التشخيص بمساعدة الذكاء الاصطناعي

3.16. إنشاء مجموعات بيانات datasets في الصحة وتحليلها باستخدام الذكاء الاصطناعي من خلال Google Cloud Healthcare API

1.3.16. وضع قواعد بيانات سريرية للتدريب على نموذج الذكاء الاصطناعي
2.3.16. استخدام الذكاء الاصطناعي لتحليل واستخراج الرؤىinsights من مجموعات البيانات datasetsالكبيرة
3.3.16. أدوات الذكاء الاصطناعي لتنظيف وإعداد البيانات السريرية
4.3.16. نظم الذكاء الاصطناعي لتحديد الاتجاهات والأنماط في البيانات الصحية

4.16. تصور وإدارة البيانات الصحية باستخدام الذكاء الاصطناعي

1.4.16. أدوات الذكاء الاصطناعي للتصور التفاعلي والمفهوم للبيانات الصحية
2.4.16. أنظمة الذكاء الاصطناعي للإدارة الفعالة لأحجام كبيرة من البيانات السريرية
3.4.16. استخدام dashboards القائمة على الذكاء الاصطناعي لرصد المؤشرات الصحية
4.4.16. تكنولوجيات الذكاء الاصطناعي لإدارة البيانات الصحية وأمنها

5.16. التعرف على الأنماط والتعلم الآلي machine learning في التشخيص السريري باستخدام PathAI

1.5.16. تطبيق تقنيات التعلم الآلي machine learning للتعرف على الأنماط في البيانات السريرية
2.5.16. استخدام الذكاء الاصطناعي في التعرف المبكر على الأمراض من خلال تحليل الأنماط باستخدام PathAI
3.5.16. تطوير نماذج تنبؤية لتشخيص أكثر دقة
4.5.16. تنفيذ خوارزميات التعلم الآلي في تفسير البيانات الصحية

6.16. تفسير الصور الطبية من خلال الذكاء الاصطناعي بمساعدة Aidoc

1.6.16. نظم الذكاء الاصطناعي للكشف عن حالات الشذوذ في التصوير الطبي وتصنيفها
2.6.16. استخدام التعلم العميق في تفسير الصور الشعاعية والرنين والتصوير المقطعي
3.6.16. أدوات الذكاء الاصطناعي لتحسين الدقة والسرعة في التصوير
4.6.16. تنفيذ الذكاء الاصطناعي للمساعدة في اتخاذ القرارات السريرية على أساس التصوير

7.16. معالجة اللغة الطبيعية للسجلات الطبية في التشخيص السريري من خلال ChatGPT و Amazon Buy Medical

1.7.16. استخدام معالجة اللغة الطبيعية لاستخراج المعلومات ذات الصلة بالسجلات السريرية
2.7.16. أنظمة الذكاء الاصطناعي لتحليل ملاحظات الأطباء وتقارير المرضى
3.7.16. أدوات الذكاء الاصطناعي لتلخيص وتصنيف معلومات التاريخ الطبي
4.7.16. تطبيق NLP في تحديد الأعراض والتشخيصات من النصوص السريرية

8.16. التحقق من صحة نماذج التشخيص بمساعدة الذكاء الاصطناعي من خلال ConcertAI

1.8.16. طرق التحقق من صحة نماذج الذكاء الاصطناعي واختبارها في البيئات السريرية الحقيقية
2.8.16. تقييم الأداء ودقة أدوات التشخيص المدعومة بالذكاء الاصطناعي
3.8.16. استخدام الذكاء الاصطناعي لضمان الموثوقية والأخلاق في التشخيص السريري
4.8.16. تنفيذ بروتوكولات التقييم المستمر لنظم الذكاء الاصطناعي الصحي

9.16. الذكاء الاصطناعي في تشخيص الأمراض النادرة باستخدام Face2Gene

1.9.16. تطوير أنظمة الذكاء الاصطناعي المتخصصة في تحديد الأمراض النادرة
2.9.16. استخدام الذكاء الاصطناعي لتحليل الأنماط غير النمطية وعلم الأعراض المعقد
3.9.16. أدوات الذكاء الاصطناعي للتشخيص المبكر والدقيق للأمراض النادرة
4.9.16. تنفيذ قواعد بيانات عالمية مع الذكاء الاصطناعي لتحسين تشخيص الأمراض النادرة

10.16. قصص النجاح والتحديات في التنفيذ التشخيصي للذكاء الاصطناعي

1.10.16. تحليل دراسات الحالة حيث أدى الذكاء الاصطناعي إلى تحسين التشخيص السريري بشكل كبير
2.10.16. تقييم التحديات في اعتماد الذكاء الاصطناعي في البيئات السريرية
3.10.16. مناقشة حول العوائق الأخلاقية والعملية في تنفيذ الذكاء الاصطناعي التشخيصي
4.10.16. استعراض استراتيجيات التغلب على العقبات في إدماج الذكاء الاصطناعي في التشخيص الطبي

الوحدة 17. علاج ومراقبة مرضى الذكاء الاصطناعي

1.17. أنظمة العلاج بمساعدة الذكاء الاصطناعي

1.1.17. تطوير نظم الذكاء الاصطناعي للمساعدة في اتخاذ القرارات العلاجية
2.1.17. استخدام الذكاء الاصطناعي لتخصيص العلاجات بناءً على الملفات الشخصية الفردية
3.1.17. تنفيذ أدوات الذكاء الاصطناعي في جداول الجرعات والأدوية
4.1.17. دمج الذكاء الاصطناعي في رصد العلاج وتعديله في الوقت الحقيقي

2.17. تحديد مؤشرات رصد الحالة الصحية للمريض

1.2.17. وضع معايير رئيسية من خلال الذكاء الاصطناعي لمراقبة صحة المريض
2.2.17. استخدام الذكاء الاصطناعي لتحديد مؤشرات الصحة والأمراض التنبؤية
3.2.17. وضع نظم للإنذار المبكر تستند إلى المؤشرات الصحية
4.2.17. تنفيذ الذكاء الاصطناعي للتقييم المستمر للحالة الصحية للمرضى

3.17. أدوات لرصد ومراقبة المؤشرات الصحية

1.3.17. تطوير تطبيقات الأجهزة المحمولة والأجهزة القابلة للارتداء باستخدام الذكاء الاصطناعي للتتبع الصحي
2.3.17. تنفيذ نظم الذكاء الاصطناعي لتحليل البيانات الصحية في الوقت الحقيقي
3.3.17. استخدام dashboards القائمة على الذكاء الاصطناعي لعرض وتتبع المؤشرات الصحية
4.3.17. دمج أجهزة إنترنت الأشياء في الرصد المستمر للمؤشرات الصحية مع الذكاء الاصطناعي

4.17. الذكاء الاصطناعي في تخطيط وتنفيذ الإجراءات الطبية باستخدام نظام الجراحة da Vinci من Intuitive Surgical

1.4.17. استخدام أنظمة الذكاء الاصطناعي لتحسين تخطيط العمليات الجراحية والإجراءات الطبية
2.4.17. تنفيذ الذكاء الاصطناعي في محاكاة الإجراءات الجراحية وممارستها
3.4.17. استخدام الذكاء الاصطناعي لتحسين الدقة والفعالية في إجراء الإجراءات الطبية
4.4.17. تطبيق الذكاء الاصطناعي في تنسيق وإدارة الموارد الجراحية

5.17. خوارزميات التعلم الآلي لإنشاء علاجات علاجية

1.5.17. استخدام التعلم الآلي machine learning لتطوير بروتوكولات العلاج المخصصة
2.5.17. تنفيذ خوارزميات تنبؤية لاختيار العلاجات الفعالة
3.5.17. تطوير نظم الذكاء الاصطناعي لتكييف المعالجة في الوقت الحقيقي
4.5.17. تطبيق الذكاء الاصطناعي في تحليل فعالية الخيارات العلاجية المختلفة

6.17. التكيف والتحديث المستمر للبروتوكولات العلاجية باستخدام الذكاء الاصطناعي مع IBM Watson for Oncology

1.6.17. تنفيذ نظم الذكاء الاصطناعي لاستعراض المعالجة الدينامية وتحديثها
2.6.17. استخدام الذكاء الاصطناعي في تكييف البروتوكولات العلاجية مع الاكتشافات والبيانات الجديدة
3.6.17. تطوير أدوات الذكاء الاصطناعي لمواصلة تكييف العلاجات
4.6.17. دمج الذكاء الاصطناعي في الاستجابة التكيفية لحالات المرضى المتغيرة

7.17. تحسين خدمات الرعاية الصحية بتقنية الذكاء الاصطناعي مع Optum

1.7.17. استخدام الذكاء الاصطناعي لتحسين كفاءة ونوعية الخدمات الصحية
2.7.17. تنفيذ نظم الذكاء الاصطناعي لإدارة الموارد الصحية
3.7.17. تطوير أدوات الذكاء الاصطناعي لتحسين سير العمل في المستشفيات
4.7.17. تطبيق الذكاء الاصطناعي في تقليل أوقات الانتظار وتحسين رعاية المرضى

8.17. تطبيق الذكاء الاصطناعي استجابة لحالات الطوارئ الصحية

1.8.17. تنفيذ أنظمة الذكاء الاصطناعي لإدارة الأزمات الصحية بسرعة وكفاءة باستخدام BlueDot
2.8.17. استخدام الذكاء الاصطناعي في التوزيع الأمثل للموارد في حالات الطوارئ
3.8.17. تطوير أدوات الذكاء الاصطناعي للتنبؤ بتفشي الأمراض والتصدي لها
4.8.17. دمج الذكاء الاصطناعي في نظم الإنذار والاتصال في حالات الطوارئ الصحية

9.17. التعاون متعدد التخصصات في العلاجات بمساعدة الذكاء الاصطناعي

1.9.17. تعزيز التعاون بين مختلف التخصصات الطبية من خلال أنظمة الذكاء الاصطناعي
2.9.17. استخدام الذكاء الاصطناعي لدمج المعرفة والتقنيات من مختلف التخصصات في العلاج
3.9.17. وضع منابر للذكاء الاصطناعي لتيسير الاتصال والتنسيق بين التخصصات
4.9.17. تنفيذ الذكاء الاصطناعي في إنشاء أفرقة علاج متعددة التخصصات

10.17. تجارب الذكاء الاصطناعي الناجحة في علاج الأمراض

1.10.17. تحليل قصص النجاح في استخدام الذكاء الاصطناعي للعلاج الفعال للأمراض
2.10.17. تقييم تأثير الذكاء الاصطناعي على تحسين نتائج العلاج
3.10.17. توثيق التجارب المبتكرة في استخدام الذكاء الاصطناعي في مختلف المجالات الطبية
4.10.17. مناقشة حول أوجه التقدم والتحديات في تنفيذ الذكاء الاصطناعي في العلاجات الطبية

الوحدة 18. تخصيص الصحة من خلال الذكاء الاصطناعي

1.18. تطبيقات الذكاء الاصطناعي في علم الجينوم للطب الشخصي باستخدام DeepGenomics

1.1.18. تطوير خوارزميات الذكاء الاصطناعي لتحليل التسلسلات الجينية وعلاقتها بالأمراض
2.1.18. استخدام الذكاء الاصطناعي في تحديد العلامات الجينية للعلاجات الشخصية
3.1.18. تنفيذ الذكاء الاصطناعي للتفسير السريع والدقيق للبيانات الجينية
4.1.18. أدوات الذكاء الاصطناعي في الارتباط بين النمط الجيني والاستجابات الدوائية

2.18. الذكاء الاصطناعي في علم الصيدلة الجينومية وتصميم الأدوية باستخدام AtomWise

1.2.18. تطوير نماذج الذكاء الاصطناعي للتنبؤ بفعالية الأدوية وسلامتها
2.2.18. استخدام الذكاء الاصطناعي في تحديد الأهداف العلاجية وتصميم الأدوية
3.2.18. تطبيق الذكاء الاصطناعي في تحليل التفاعلات بين الجينات والأدوية لتكييف العلاج
4.2.18. تنفيذ خوارزميات الذكاء الاصطناعي لتسريع اكتشاف الأدوية الجديدة

3.18. المراقبة المخصصة بالأجهزة الذكية والذكاء الاصطناعي

1.3.18. تطوير الأجهزة القابلة للارتداء مع منظمة العفو الدولية من أجل الرصد المستمر للمؤشرات الصحية
2.3.18. استخدام الذكاء الاصطناعي في تفسير البيانات التي تجمعها الأجهزة الذكية باستخدام FitBit
3.3.18. تنفيذ نظم الإنذار المبكر القائمة على الذكاء الاصطناعي فيما يتعلق بالأحوال الصحية
4.3.18. أدوات الذكاء الاصطناعي لتكييف نمط الحياة والتوصيات الصحية

4.18. أنظمة دعم القرار السريري مع الذكاء الاصطناعي

1.4.18. تنفيذ الذكاء الاصطناعي لمساعدة الأطباء في اتخاذ القرارات السريرية باستخدام Oracle Cerner
2.4.18. تطوير أنظمة الذكاء الاصطناعي التي تقدم توصيات بناءً على البيانات السريرية
3.4.18. استخدام الذكاء الاصطناعي في تقييم مخاطر وفوائد الخيارات العلاجية المختلفة
4.4.18. أدوات الذكاء الاصطناعي لتكامل البيانات الصحية وتحليلها في الوقت الفعلي

5.18. اتجاهات التخصيص الصحي مع الذكاء الاصطناعي

1.5.18. تحليل أحدث اتجاهات الذكاء الاصطناعي لتخصيص الرعاية الصحية
2.5.18. استخدام الذكاء الاصطناعي في وضع نهج وقائية وتنبؤية في مجال الصحة
3.5.18. تنفيذ الذكاء الاصطناعي في تكييف الخطط الصحية مع الاحتياجات الفردية
4.5.18. استكشاف تقنيات الذكاء الاصطناعي الجديدة في مجال الصحة الشخصية

6.18. التطورات في الجراحة الروبوتية بمساعدة الذكاء الاصطناعي باستخدام da Vinci Surgical System من Intuitive Surgical

1.6.18. تطوير الروبوتات الجراحية مع الذكاء الاصطناعي للإجراءات الدقيقة والطفيفة التوغل
2.6.18. استخدام الذكاء الاصطناعي لإنشاء نماذج تنبؤية للأمراض بناءً على البيانات الفردية باستخدام Oncora Medical
3.6.18. تنفيذ نظم الذكاء الاصطناعي للتخطيط الجراحي ومحاكاة العمليات
4.6.18. التقدم في دمج feedback اللمسية والبصرية في الروبوتات الجراحية مع الذكاء الاصطناعي

7.18. تطوير نماذج تنبؤية للممارسة السريرية الشخصية

1.7.18. استخدام الذكاء الاصطناعي لإنشاء نماذج أمراض تنبؤية بناءً على البيانات الفردية
2.7.18. تنفيذ الذكاء الاصطناعي في التنبؤ بالاستجابات العلاجية
3.7.18. تطوير أدوات الذكاء الاصطناعي لتوقع المخاطر الصحية
4.7.18. تطبيق نماذج تنبؤية في تخطيط التدخلات الوقائية

8.18. الذكاء الاصطناعي في إدارة وعلاج الألم المخصص باستخدام Kaia Health

1.8.18. تطوير أنظمة الذكاء الاصطناعي لتقييم الألم ومعالجته بشكل شخصي
2.8.18. استخدام الذكاء الاصطناعي في تحديد أنماط الألم والاستجابات للعلاجات
3.8.18. تطبيق أدوات الذكاء الاصطناعي في تخصيص علاجات الألم
4.8.18. تطبيق الذكاء الاصطناعي في مراقبة وتعديل خطط علاج الألم

9.18. استقلالية المريض ومشاركته النشطة في إضفاء الطابع الشخصي

1.9.18. تعزيز استقلالية المريض من خلال أدوات الذكاء الاصطناعي لإدارة صحته باستخدام Ada Health
2.9.18. تطوير أنظمة الذكاء الاصطناعي التي تمكن المرضى من صنع القرار
3.9.18. استخدام الذكاء الاصطناعي لتوفير معلومات شخصية وتثقيف للمرضى
4.9.18. أدوات الذكاء الاصطناعي التي تسهل المشاركة النشطة للمريض في العلاج

10.18. دمج الذكاء الاصطناعي في السجلات الطبية الإلكترونية باستخدام Oracle Cerner

1.10.18. تنفيذ الذكاء الاصطناعي من أجل تحليل السجلات الطبية الإلكترونية وإدارتها بكفاءة
2.10.18. تطوير أدوات الذكاء الاصطناعي لاستخراج الرؤىinsights  السريرية من السجلات الإلكترونية
3.10.18. استخدام الذكاء الاصطناعي لتحسين دقة البيانات في السجلات الطبية وإمكانية الوصول إليها
4.10.18. تطبيق الذكاء الاصطناعي لربط بيانات التاريخ السريري بخطط العلاج

الوحدة 19. تحليل البيانات الضخمة (Big Data) في قطاع الصحة باستخدام الذكاء الاصطناعي

1.19. أساسيات البيانات الضخمة Big Data  في الصحة

1.1.19. انفجار البيانات في مجال الصحة
2.1.19. مفهوم البيانات الضخمة Big Data والأدوات الرئيسية
3.1.19. تطبيقات البيانات الضخمة Big Data  في الصحة

2.19. معالجة وتحليل النصوص في بيانات الصحة باستخدام KNIME و Python

1.2.19. مفاهيم معالجة اللغة الطبيعية
2.2.19. تقنيات embeding
3.2.19. تطبيق معالجة اللغة الطبيعية في مجال الصحة

3.19. أساليب متقدمة لاسترجاع البيانات في مجال الصحة باستخدام KNIME و Python

1.3.19. استكشاف تقنيات مبتكرة لاستعادة البيانات الصحية بكفاءة
2.3.19. وضع استراتيجيات متقدمة لاستخراج وتنظيم المعلومات في البيئات الصحية
3.3.19. تنفيذ أساليب لاسترداد البيانات قابلة للتكيف ومخصصة لمختلف السياقات السريرية

4.19. تقييم الجودة في تحليل بيانات الصحة باستخدام KNIME و Python

1.4.19. وضع مؤشرات للتقييم الدقيق لنوعية البيانات في البيئات الصحية
2.4.19. تنفيذ أدوات وبروتوكولات لضمان جودة البيانات المستخدمة في التحليلات السريرية
3.4.19. التقييم المستمر لدقة وموثوقية النتائج في مشاريع تحليل البيانات الصحية

5.19. تنقيب البيانات والتعلم الآلي في مجال الصحة باستخدام KNIME و Python

1.5.19. المنهجيات الرئيسية لاستخراج البيانات
2.5.19. دمج البيانات الصحية
3.5.19. الكشف عن الأنماط والحالات الشاذة في البيانات الصحية

6.19. مجالات مبتكرة للبيانات الضخمة Big Data والذكاء الاصطناعي في الصحة

1.6.19. استكشاف حدود جديدة في البيانات الضخمة Big Data والذكاء الاصطناعي لتحويل قطاع الصحة
2.6.19. تحديد الفرص المبتكرة لدمج تقنيات البيانات الضخمة Big Data والذكاء الاصطناعي في الممارسات الطبية
3.6.19. تطوير أساليب متطورة لتعظيم إمكانات البيانات الضخمة (Big Data) والذكاء الاصطناعي في مجال الرعاية الصحية

7.19. جمع البيانات الطبية ومعالجتها مسبقًا باستخدام KNIME و Python

1.7.19. وضع منهجيات فعالة لجمع البيانات الطبية في البيئات السريرية والبحثية
2.7.19. تنفيذ تقنيات متقدمة للمعالجة المسبقة لتحسين جودة وفائدة البيانات الطبية
3.7.19. تصميم استراتيجيات لجمع المعلومات الطبية ومعالجتها مسبقا تضمن سرية المعلومات الطبية وخصوصيتها

8.19. تصور البيانات والتواصل في مجال الصحة باستخدام أدوات مثل PowerBI و Python

1.8.19. تصميم أدوات مبتكرة للتصور الصحي
2.8.19. استراتيجيات مبتكرة للاتصال الصحي
3.8.19. دمج التكنولوجيات التفاعلية في مجال الصحة

9.19. أمن البيانات والحوكمة في قطاع الصحة

1.9.19. وضع استراتيجيات شاملة لأمن البيانات لحماية السرية والخصوصية في قطاع الصحة
2.9.19. تنفيذ أطر الحوكمة الفعالة لضمان الإدارة الأخلاقية والمسؤولة للبيانات في البيئات الطبية
3.9.19. وضع سياسات وإجراءات لضمان سلامة البيانات الطبية وتوافرها، والتصدي للتحديات المحددة التي يواجهها قطاع الصحة

10.19. التطبيقات العملية للبيانات الضخمةBig Data في مجال الصحة

1.10.19. وضع حلول متخصصة لإدارة وتحليل مجموعات كبيرة من البيانات في البيئات الصحية
2.10.19. استخدام الأدوات العملية القائمة على البيانات الضخمة Big Data لدعم اتخاذ القرارات السريرية
3.10.19. تطبيق نهج مبتكرة للبيانات الضخمة Big Data لمواجهة تحديات محددة في قطاع الصحة

الوحدة 20. الأخلاقيات والتنظيم في الذكاء الاصطناعي الطبي

1.20. المبادئ الأخلاقية في استخدام الذكاء الاصطناعي في الطب

1.1.20. تحليل واعتماد المبادئ الأخلاقية في تطوير واستخدام نظم الذكاء الاصطناعي الطبي
2.1.20. دمج القيم الأخلاقية في عملية صنع القرار بمساعدة الذكاء الاصطناعي في البيئات الطبية
3.1.20. وضع إرشادات أخلاقية لضمان الاستخدام المسؤول للذكاء الاصطناعي في الطب

2.20. خصوصية البيانات والموافقة عليها في السياقات الطبية

1.2.20. تطوير سياسات الخصوصية لحماية البيانات الحساسة في تطبيقات الذكاء الاصطناعي الطبية
2.2.20. ضمان الموافقة المستنيرة في جمع البيانات الشخصية واستخدامها في المجال الطبي
3.2.20. تنفيذ تدابير أمنية لحماية خصوصية المريض في بيئات الذكاء الاصطناعي الطبية

3.20. أخلاقيات البحث والتطوير في نظم الذكاء الاصطناعي الطبي

1.3.20. التقييم الأخلاقي لبروتوكولات البحث في تطوير نظم الذكاء الاصطناعي للصحة
2.3.20. ضمان الشفافية والصرامة الأخلاقية في تطوير نظم الذكاء الاصطناعي الطبية والتحقق من صحتها
3.3.20. الاعتبارات الأخلاقية في نشر وتقاسم نتائج الذكاء الاصطناعي الطبي

4.20. الأثر الاجتماعي والمسؤولية في مجال الصحة في منظمة العفو الدولية

1.4.20. تحليل الأثر الاجتماعي للذكاء الاصطناعي على تقديم الخدمات الصحية
2.4.20. وضع استراتيجيات للتخفيف من المخاطر والمسؤولية الأخلاقية في تطبيقات الذكاء الاصطناعي الطبي
3.4.20. التقييم المستمر للأثر الاجتماعي وتكييف نظم الذكاء الاصطناعي للإسهام بشكل إيجابي في الصحة العامة

5.20. التنمية المستدامة للذكاء الاصطناعي في قطاع الصحة

1.5.20. دمج الممارسات المستدامة في تطوير وصيانة نظم الذكاء الاصطناعي في مجال الصحة
2.5.20. تقييم الأثر البيئي والاقتصادي لتكنولوجيات الذكاء الاصطناعي في مجال الصحة
3.5.20. وضع نماذج أعمال مستدامة لضمان استمرارية وتحسين حلول الذكاء الاصطناعي في قطاع الصحة

6.20. إدارة البيانات والأطر التنظيمية الدولية في مجال الذكاء الاصطناعي الطبي

1.6.20. وضع أطر حوكمة للإدارة الأخلاقية والفعالة للبيانات  في تطبيقات الذكاء الاصطناعي الطبي
2.6.20. التكيف مع الأنظمة والأنظمة الدولية لضمان الامتثال الأخلاقي والقانوني
3.6.20. المشاركة النشطة في المبادرات الدولية لوضع معايير أخلاقية في تطوير نظم الذكاء الاصطناعي الطبي

7.20. الجوانب الاقتصادية للذكاء الاصطناعي في مجال الصحة

1.7.20. تحليل الآثار الاقتصادية والفوائد من حيث التكلفة في تنفيذ نظم الذكاء الاصطناعي في مجال الصحة
2.7.20. تطوير نماذج الأعمال والتمويل لتسهيل اعتماد تقنيات الذكاء الاصطناعي في قطاع الرعاية الصحية
3.7.20. تقييم الكفاءة الاقتصادية والإنصاف في الحصول على الخدمات الصحية القائمة على الذكاء الاصطناعي

8.20. التصميم المرتكز على الإنسان لأنظمة الذكاء الاصطناعي الطبية

1.8.20. دمج مبادئ التصميم المتمحورة حول الإنسان لتحسين قابلية استخدام وقبول أنظمة الذكاء الاصطناعي الطبية
2.8.20. مشاركة المهنيين الصحيين والمرضى في عملية التصميم لضمان جدوى وفعالية الحلول
3.8.20. التقييم المستمر لتجربة المستخدم والتغذية المرتدة لتحسين التفاعل مع أنظمة الذكاء الاصطناعي في البيئات الطبية

9.20. الإنصاف والشفافية في التعلم الآلي الطبي

1.9.20. تطوير نماذج التعلم الآلي الطبي التي تعزز الإنصاف والشفافية
2.9.20. تنفيذ ممارسات للتخفيف من التحيزات وضمان الإنصاف في تطبيق خوارزميات الذكاء الاصطناعي في مجال الصحة
3.9.20. التقييم المستمر للإنصاف والشفافية في تطوير ونشر حلول التعلم الآلي في الطب

10.20. السلامة والسياسات في تنفيذ الذكاء الاصطناعي في الطب

1.10.20. وضع سياسات أمنية لحماية سلامة البيانات وسريتها في تطبيقات الذكاء الاصطناعي الطبي
2.10.20. تنفيذ تدابير السلامة في نشر نظم الذكاء الاصطناعي لمنع المخاطر وضمان سلامة المرضى
3.10.20. التقييم المستمر لسياسات السلامة للتكيف مع التطورات التكنولوجية والتحديات الجديدة في تنفيذ الذكاء الاصطناعي في الطب

ستستخدم الخوارزميات خلال مختلف الفحوصات التصويرية مثل التصوير المقطعي المحوسب لتحسين دقة التشخيص وتقليل هامش الخطأ في تفسير النتائج“