ستتقنين مستقبل التسويق الرقمي والتحول من خلال هذا البرنامج 100% عبر الإنترنت الذي لا تُقدمه إلا TECH“

من خلال فهم أفضل لتفضيلات وسلوكيات المستخدمين، يعمل الذكاء الاصطناعي على تحسين التقسيم، وتعزيز تجربة العميل، وزيادة فعالية الحملات. ومع ذلك، فإن دمج الذكاء الاصطناعي في التسويق الرقمي يواجه أيضًا العديد من التحديات.

في السنوات الأخيرة، شهد الذكاء الاصطناعي تطورات كبيرة غيّرت مجال التسويق الرقمي. فخوارزميات التعلم الآلي ومعالجة اللغة الطبيعية تتيح الآن إجراء تحليلات بيانات في الوقت الفعلي، وتحسين الحملات الإعلانية، والتنبؤ بسلوك المستهلكين. وقد تبنّى المتخصصون في التسويق الرقمي هذه التقنيات لابتكار تجارب مخصصة، وأتمتة المهام المتكررة، واتخاذ قرارات أكثر وعيًا.
ومع ذلك، أدى ذلك أيضًا إلى الحاجة المستمرة لتدريب خبيرات التسويق على أدوات ومناهج جديدة، نظرًا للتطور السريع للذكاء الاصطناعي والتقنيات المرتبطة به. وفي الوقت الحاضر، لا يكفي أن تفهم المتخصصة استراتيجيات التسويق التقليدية فقط، بل يجب أيضًا أن تعرف كيف تدمج الذكاء الاصطناعي بفعالية في حملاتها. هكذا وُلد هذا الماجيستير الخاص في الذكاء الاصطناعي في

التسويق الرقمي، حيث ستتناول الطالبات موضوع تخصيص المحتوى والتوصيات، من خلال أدوات مثل Adobe Sensei، وتقنيات تقسيم الجمهور، وتحليل السوق، وتوقع الاتجاهات وسلوكيات الشراء. كما سيشمل البرنامج تحسين الحملات وتطبيق الذكاء الاصطناعي في الإعلانات المخصصة، والتقسيم المتقدم للإعلانات، وتحسين الميزانيات الإعلانية، والتحليل التنبؤي لتحسين الحملات.
يُتيح هذا البرنامج، 100% عبر الإنترنت، للخريجة التعلم براحة من أي مكان وفي أي وقت، باستخدام أي جهاز متصل بالإنترنت. ويعتمد على منهجية Relearning، التي تعزز المفاهيم الأساسية لضمان استيعاب أمثل، ويُقدم بأسلوب مرن يتناسب مع المتطلبات الحالية. وبذلك، يُعد هذا البرنامج المتخصصة في التسويق للتميز في قطاع يشهد نموًا مستمرًا وطلبًا مرتفعًا.

ستكتسبين فهمًا عميقًا للذكاء الاصطناعي وتطبقين استراتيجيات متقدمة لتحسين الحملات وتخصيص تجارب فريدة."

يحتوي هذا الماجيستير الخاص في الذكاء الاصطناعي في التسويق الرقمي على البرنامج الجامعي الأكثر اكتمالًا وتحديثًا في السوق. ومن أبرز خصائصه:

• تطوير حالات عملية يقدمها خبراء الذكاء الاصطناعي في التسويق والاتصال
• 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 على المنهجيات المبتكرة في الذكاء الاصطناعي في التسويق الرقمي
• الدروس النظرية، الأسئلة الموجَّهة للخبير، منتديات النقاش حول المواضيع الخلافية، وأعمال التفكير الفردي
• إمكانية الوصول إلى المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

أصبحي مرجعية عالمية من خلال دمج استراتيجيات الذكاء الاصطناعي في التسويق الرقمي داخل أبرز المؤسسات العالمية“

يضم الفريق الأكاديمي لهذا البرنامج مهنيين من مجال الذكاء الاصطناعي في التسويق الرقمي، ينقلون خبراتهم العملية إلى هذا البرنامج، بالإضافة إلى مختصين معروفين 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 مشهورين.

من خلال برنامج 100% عبر الإنترنت، ستتمكنين من التزود بالأدوات والمعارف اللازمة لتحويل التحديات العالمية إلى مزايا تنافسية"

اطلعي على مناهج دراسية شاملة ومُحدَّثة، مصممة لإتقان الذكاء الاصطناعي في التسويق الرقمي والتفوق في سوق تنافسي"

يجمع المنهاج الدراسي بين النظريات المتقدمة والتطبيقات العملية للذكاء الاصطناعي في التسويق. طوال البرنامج، ستتقن الطالبات أدوات تحليل البيانات المتقدمة، وتبتكرن استراتيجيات مخصصة باستخدام الذكاء الاصطناعي، وتُحسِّن الحملات في الوقت الفعلي. ومن خلال وحدات رئيسية في تقسيم الجمهور، والأتمتة، والتحليل التنبؤي، وتوليد الرؤى، ستكون الطالبات مستعدات لمواجهة تحديات السوق. كما يتناول البرنامج موضوع الأخلاقيات والخصوصية في التعامل مع البيانات، مما يضمن تعلماً شاملاً وقابلاً للتكيف مع متطلبات العصر الرقمي الحالي.

يربطك هذا البرنامج بفرص حصرية في القطاع من خلال مشاريع عملية وحالات واقعية“

حدة 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. 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

وحدة 2. أنواع البيانات ودورة حياتها

1.2. الإحصاءات.

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. الوصول
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

وحدة 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 البيانات Dataset

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. إثراء مجموعة البيانات Dataset
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 Dataset

8.3. نماذج غير خاضعة للرقابة

1.8.3. نموذج غير خاضع للرقابة
3.8.2. التصنيف بنماذج غير خاضعة للرقابة

9.3. النماذج الخاضعة للإشراف

1.9.3. نموذج خاضع للإشراف
2.9.3. 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

وحدة 4. استخراج البيانات الاختيار والمعالجة التمهيدية والتحول

1.4. الاستدلال الإحصائي

1.1.4. الإحصاء الوصفي 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

وحدة 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. الفرز 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 السلبية والدورات
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

وحدة 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 Schema
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. تمهيد Prolog: 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 وهندسة النظم الخبيرة
6.10.6. إنشاء الأنظمة المتخصصة

وحدة 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 (SVM)
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. التنقيب عن النصوص ومعالجة اللغات الطبيعية (NLP)

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

وحدة 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

وحدة 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

وحدة 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 التمهيدية باستخدام TensorFlow

1.5.10. تحميل مجموعات البيانات باستخدام TensorFlow
2.5.10. بيانات المعالجة التمهيدية 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 التمهيدية مع Keras
3.8.10. استخدام واجهة برمجة التطبيقات للمعالجة المسبقة لـ Keras للتدريب النموذجي

9.10. مشروع TensorFlow Datasets

1.9.10. استخدام TensorFlow Datasets لتحميل البيانات
2.9.10. المعالجة التمهيدية للبيانات باستخدام TensorFlow Datasets
3.9.10. استخدام Datasets  TensorFlow لتدريب النماذج

10.10. بناء تطبيق Deep Learning  باستخدام TensorFlow

1.10.10. بناء تطبيق Deep Learning  باستخدام TensorFlow
2.10.10. تدريب نموذج مع TensorFlow
3.10.10. استخدام التطبيق للتنبؤ بالنتائج

وحدة 11. الرؤية الحاسوبية العميقة باستخدام الشبكات العصبية التلافيفية

1.11. الهندسة المعمارية 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. هندسة 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

وحدة 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 الترميز-فك الترميز (Encoder-Decoder) للترجمة التلقائية
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 Hugging Face

1.8.12. استخدام مكتبة محولات Transformers Hugging Face
2.8.12. تطبيق مكتبة محولات Transformers Hugging Face
3.8.12. مزايا مكتبة محولات Transformers 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. التطبيق العملي

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

وحدة 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 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. تنفيذ النماذج
2.10.13. استخدام البيانات الحقيقية
3.10.13. تقييم النتائج

وحدة 14. الحوسبة المستوحاة بيولوجيًا

1.14. مقدمة في الحوسبة المستوحاة بيولوجيًا

1.1.14. مقدمة في الحوسبة المستوحاة بيولوجيًا

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 (EDA)
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

وحدة 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/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

2.15. آثار الذكاء الاصطناعي في الخدمة الصحية

1.2.15. الآثار المترتبة على الذكاء الاصطناعي في القطاع الصحي. الفرص والتحديات
2.2.15. حالات الاستخدام

3.15. المخاطر المتعلقة باستخدام الذكاء الاصطناعي في الخدمة الصحية

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

4.15. البيع بالتجزئة Retail

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

7.15. الإدارة العامة

1.7.15. الآثار المترتبة على الذكاء الاصطناعي في الإدارة العامة. الفرص والتحديات
2.7.15. حالات الاستخدام
3.7.15. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.7.15. التطورات/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

8.15. التعليم

1.8.15. الآثار المترتبة على الذكاء الاصطناعي في التعليم. الفرص والتحديات
2.8.15. حالات الاستخدام
3.8.15. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.8.15. التطورات/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

9.15. الغابات والزراعة

1.9.15. الآثار المترتبة على الذكاء الاصطناعي في الغابات والزراعة. الفرص والتحديات
2.9.15. حالات الاستخدام
3.9.15. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.9.15. التطورات/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

10.15. الموارد البشرية

1.10.15. الآثار المترتبة على 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/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

وحدة 16. تطبيقات الذكاء الاصطناعي في التسويق الرقمي والتجارة الإلكترونية

1.16. تطبيقات الذكاء الاصطناعي في التسويق الرقمي والتجارة الإلكترونية

1.1.16. تخصيص المحتوى والتوصيات باستخدام Adobe Sensei
2.1.16. تقسيم الجمهور وتحليل السوق
3.1.16. توقع الاتجاهات وسلوكيات الشراء

2.16. الاستراتيجية الرقمية باستخدام Optimizely

1.2.16. دمج الذكاء الاصطناعي في التخطيط الاستراتيجي
2.2.16. أتمتة العمليات
3.2.16. القرارات الاستراتيجية

3.16. التكيف المستمر مع التغيرات في البيئة الرقمية

1.3.16. استراتيجية إدارة التغيير
2.3.16. التكيف استراتيجيات التسويق
3.3.16. الابتكار

4.16. تكييف استراتيجيات التسويق

1.4.16. تسويق المحتوى والذكاء الاصطناعي باستخدام Hub Spot
2.4.16. تحسين العناوين والوصف
3.4.16. تجزئة الجمهور
4.4.16. تحليل المشاعر
5.4.16. استراتيجية تسويق (Marketing) المحتوى

5.16. إنشاء المحتوى تلقائيًا

1.5.16. تحسين المحتوى لمحركات البحث (SEO)
2.5.16. إرتباط
3.5.16. تحليل المشاعر والعواطف في المحتوى

6.16. الذكاء الاصطناعي في استراتيجيات التسويق الداخلي باستخدام Evergage

1.6.16. استراتيجيات النمو المعتمدة على الذكاء الاصطناعي
2.6.16. تحديد فرص المحتوى وتوزيعه
3.6.16. استخدام الذكاء الاصطناعي في تحديد فرص الأعمال

7.16. أتمتة تدفقات العمل وتتبع العملاء المحتملين باستخدام Segment

1.7.16. التقاط المعلومات
2.7.16. تقسيم العملاء المحتملين وتقييمهم
3.7.16. المتابعة متعددة القنوات
4.7.16. التحليل والتحسين

8.16. تخصيص تجارب المستخدم بناءً على دورة الشراء باستخدام Ortto

1.8.16. محتوى مخصص
2.8.16. أتمتة وتحسين تجربة المستخدم
3.8.16. إعادة الاستهداف

9.16. الذكاء الاصطناعي وريادة الأعمال الرقمية

1.9.16. استراتيجيات النمو المعتمدة على الذكاء الاصطناعي
2.9.16. تحليل البيانات المتقدم
3.9.16. تحسين الأسعار
4.9.16. تطبيقات مخصصة للقطاعات

10.16. تطبيقات الذكاء الاصطناعي للشركات الناشئة والمشروعات الصاعدة

1.10.16. التحديات والفرص
2.10.16. تطبيقات قطاعية محددة
3.10.16. دمج الذكاء الاصطناعي في المنتجات القائمة

وحدة 17. تحسين الحملات وتطبيق الذكاء الاصطناعي

1.17. الذكاء الاصطناعي والإعلانات المخصصة باستخدام Emarsys

1.1.17. تقسيم دقيق للجمهور باستخدام الخوارزميات
2.1.17. أنظمة التوصية بالمنتجات والخدمات
3.1.17. تحسين مسار التحويل (التحويلات البيعية)

2.17. التقسيم والاستهداف المتقدم للإعلانات باستخدام Eloqua

1.2.17. التقسيم حسب شرائح الجمهور المخصصة
2.2.17. التقسيم حسب الأجهزة والمنصات
3.2.17. التقسيم حسب مراحل دورة حياة العميل

3.17. تحسين الميزانيات الإعلانية باستخدام الذكاء الاصطناعي

1.3.17. التحسين المستمر القائم على البيانات
2.3.17. استخدام بيانات أداء الإعلانات في الوقت الفعلي
3.3.17. التقسيم والاستهداف

4.17. إنشاء وتوزيع الإعلانات المخصصة تلقائيًا باستخدام Cortex

1.4.17. إنتاج الإبداعات الديناميكية
2.4.17. تسويق المحتوى والذكاء الاصطناعي باستخدام Hub Spot
3.4.17. تحسين التصميم

5.17. الذكاء الاصطناعي وتحسين حملات التسويق باستخدام Adobe Target

1.5.17. التوزيع متعدد المنصات
2.5.17. تحسين التكرار
3.5.17. المتابعة والتحليل المؤتمتان

6.17. التحليل التنبؤي لتحسين الحملات

1.6.17. توقع اتجاهات السوق
2.6.17. تقدير أداء الحملة
3.6.17. تحسين الميزانية

7.17. اختبار A/B مؤتمت ومتكيّف

1.7.17. اختبار A/B مؤتمت
2.7.17. تحديد الجماهير ذات القيمة العالية
3.7.17. تحسين المحتوى الإبداعي

8.17. التحسين في الوقت الفعلي القائم على البيانات باستخدام Evergage

1.8.17. الضبط في الوقت الفعلي
2.8.17. توقع دورة حياة العميل
3.8.17. اكتشاف أنماط السلوك

9.17. الذكاء الاصطناعي في تحسين محركات البحث (SEO) والإعلانات المدفوعة (SEM) باستخدام BrightEdge

1.9.17. تحليل الكلمات المفتاحية باستخدام الذكاء الاصطناعي
2.9.17. تقسيم متقدم للجمهور باستخدام أدوات الذكاء الاصطناعي
3.9.17. تخصيص الإعلانات باستخدام الذكاء الاصطناعي

10.17. أتمتة مهام تحسين محركات البحث التقنية وتحليل الكلمات المفتاحية باستخدام Spyfu

1.10.17. تحليل الإسناد متعدد القنوات
2.10.17. أتمتة الحملات باستخدام الذكاء الاصطناعي
3.10.17. التحسين التلقائي لبنية الموقع الإلكتروني بفضل الذكاء الاصطناعي

وحدة 18. الذكاء الاصطناعي وتجربة المستخدم في التسويق الرقمي

1.18. تخصيص تجربة المستخدم بناءً على السلوك والتفضيلات

1.1.18. تخصيص المحتوى بفضل الذكاء الاصطناعي
2.1.18. المساعدون الافتراضيون وروبوتات المحادثة باستخدام Cognigy
3.1.18. التوصيات الذكية

2.18. تحسين التصفح وقابلية الاستخدام للموقع الإلكتروني من خلال الذكاء الاصطناعي

1.2.18. تحسين واجهة المستخدم
2.2.18. التحليل التنبؤي لسلوك المستخدم
3.2.18. أتمتة العمليات المتكررة

3.18. المساعدة الافتراضية وخدمة العملاء المؤتمتة باستخدام Dialogflow

1.3.18. تحليل المشاعر والعواطف باستخدام الذكاء الاصطناعي
2.3.18. الكشف عن المشكلات والوقاية منها
3.3.18. أتمتة دعم العملاء باستخدام الذكاء الاصطناعي

4.18. الذكاء الاصطناعي وتخصيص تجربة العميل باستخدام دردشة Zendesk

1.4.18. نظام توصية مخصص للمنتجات
2.4.18. المحتوى المخصص والذكاء الاصطناعي
3.4.18. التواصل الشخصي

5.18. إنشاء ملفات تعريف العملاء في الوقت الفعلي

1.5.18. عروض وتخفيضات مخصصة
2.5.18. تحسين تجربة المستخدم
3.5.18. التقسيم المتقدم للجماهير

6.18. عروض مخصصة وتوصيات للمنتجات

1.6.18. أتمتة المتابعة وإعادة الاستهداف
2.6.18. التعليقات والاستبيانات المخصصة
3.6.18. تحسين خدمة العملاء

7.18. متابعة وتوقع رضا العملاء

1.7.18. تحليل المشاعر باستخدام أدوات الذكاء الاصطناعي
2.7.18. متابعة المقاييس الرئيسية لرضا العملاء
3.7.18. تحليل التعليقات باستخدام أدوات الذكاء الاصطناعي

8.18. الذكاء الاصطناعي وروبوتات المحادثة في خدمة العملاء باستخدام Ada Support

1.8.18. اكتشاف العملاء غير الراضين
2.8.18. توقع رضا العملاء
3.8.18. تخصيص خدمة العملاء باستخدام الذكاء الاصطناعي

9.18. تطوير وتدريب روبوتات المحادثة لخدمة العملاء باستخدام Intercom

1.9.18. أتمتة الاستبيانات واستطلاعات الرضا
2.9.18. تحليل تفاعل العميل مع المنتج أو الخدمة
3.9.18. دمج التغذية الراجعة في الوقت الفعلي باستخدام الذكاء الاصطناعي

10.18. أتمتة الردود على الاستفسارات المتكررة باستخدام Chatfuel

1.10.18. تحليل المنافسة
2.10.18. التعليقات والردود
3.10.18. إنشاء الاستفسارات/الردود باستخدام أدوات الذكاء الاصطناعي

وحدة 19. تحليل بيانات التسويق الرقمي باستخدام الذكاء الاصطناعي

1.19. الذكاء الاصطناعي في تحليل البيانات للتسويق باستخدام Google Analytics

1.1.19. التقسيم المتقدم للجمهور
2.1.19. التحليل التنبؤي للاتجاهات باستخدام الذكاء الاصطناعي
3.1.19. تحسين الأسعار باستخدام أدوات الذكاء الاصطناعي

2.19. معالجة وتحليل كميات كبيرة من البيانات تلقائيًا باستخدام RapidMiner

1.2.19. تحليل العلامة التجارية
2.2.19. تحسين الحملات التسويقية
3.2.19. تخصيص المحتوى والرسائل باستخدام أدوات الذكاء الاصطناعي

3.19. اكتشاف الأنماط والاتجاهات الخفية في بيانات التسويق

1.3.19. اكتشاف أنماط السلوك
2.3.19. الكشف للاتجاهات باستخدام الذكاء الاصطناعي
3.3.19. تحليل الإسناد متعدد القنوات

4.19. توليد الرؤى والتوصيات المستندة إلى البيانات باستخدام Data Robot

1.4.19. التحليل التنبؤي للاتجاهات باستخدام الذكاء الاصطناعي
2.4.19. التقسيم المتقدم للجماهير
3.4.19. التوصيات الشخصية

5.19. الذكاء الاصطناعي في التحليل التنبؤي للتسويق باستخدام Sisense

1.5.19. تحسين الأسعار والعروض
2.5.19. تحليل المشاعر والآراء باستخدام الذكاء الاصطناعي
3.5.19.   أتمتة التقارير والتحليلات

6.19. توقع نتائج الحملات ومعدلات التحويل

1.6.19. اكتشاف الشذوذات
2.6.19. تحسين تجربة المستخدم
3.6.19. تحليل الأثر الإسناد

7.19. تحليل مخاطر وفرص تغير المناخ Marketing

1.7.19. التحليل التنبؤي في الاتجاهات الأسواق
2.7.19. تقييم الكفاءة
3.7.19. تحليل المخاطر لإدارة السمعة

8.19. توقعات المبيعات والطلب على المنتجات باستخدام ThoughtSpot

1.8.19. تحسين العائد على الاستثمار (ROI)
2.8.19. تحليل مخاطر الامتثال
3.8.19. فرص الابتكار

9.19. الذكاء الاصطناعي وتحليلات الشبكات الاجتماعية باستخدام Brandwatch

1.9.19. تحليل الفئات السوقية المتخصصة باستخدام الذكاء الاصطناعي
2.9.19. مراقبة الاتجاهات الناشئة

10.19. تحليل المشاعر والعواطف على الشبكات الاجتماعية باستخدام Clarabridge

1.10.19. تحديد المؤثرين وقادة الرأي
2.10.19. رصد سمعة العلامة التجارية والكشف عن الأزمات

وحدة 20. الذكاء الاصطناعي لأتمتة العمليات في التجارة الإلكترونية

1.20. أتمتة التجارة الإلكترونية باستخدام Algolia

1.1.20. أتمتة خدمة العملاء
2.1.20. تحسين الأسعار
3.1.20. تخصيص توصيات المنتجات

2.20. أتمتة عمليات الشراء وإدارة المخزون باستخدام Shopify Flow

1.2.20. إدارة المخزون واللوجستيات
2.2.20. الكشف عن الاحتيال ومنعه
3.2.20. تحليل المشاعر

3.20. دمج الذكاء الاصطناعي في مسار التحويل

1.3.20. تحليل بيانات المبيعات والأداء
2.3.20. تحليل البيانات في المراحل شؤون الوعي
3.3.20. تحليل البيانات في المراحل شؤون التحويل

4.20. روبوتات المحادثة والمساعدون الافتراضيون لخدمة العملاء

1.4.20. الذكاء الاصطناعي والدعم المتواصل على مدار الساعة
2.4.20. التعليقات والردود
3.4.20. إنشاء الاستفسارات/الردود باستخدام أدوات الذكاء الاصطناعي

5.20. تحسين الأسعار وتوصية المنتجات في الوقت الفعلي بفضل الذكاء الاصطناعي باستخدام Google Cloud AI Platform  

1.5.20. تحليل الأسعار التنافسية والتقسيم
2.5.20. تحسين الأسعار الديناميكية
3.5.20. توقع حساسية السعر

6.20. الكشف عن الاحتيال ومنعه في المعاملات التجارية الإلكترونية باستخدام e-CommerceSift

1.6.20. اكتشاف الشذوذات بمساعدة الذكاء الاصطناعي
2.6.20. التحقق من الهوية
3.6.20. المراقبة في الوقت الفعلي باستخدام الذكاء الاصطناعي
4.6.20. تطبيق القواعد والسياسات المؤتمتة

7.20. تحليل باستخدام الذكاء الاصطناعي لاكتشاف السلوكيات المشبوهة

1.7.20. تحليل الأنماط المشبوهة
2.7.20. نمذجة السلوك باستخدام أدوات الذكاء الاصطناعي
3.7.20. الكشف عن الاحتيال في الوقت الفعلي

8.20. الأخلاقيات والمسؤولية في استخدام الذكاء الاصطناعي في التجارة الإلكترونية

1.8.20. الشفافية في جمع البيانات واستخدامها باستخدام أدوات الذكاء الاصطناعي مع Watson  
2.8.20. أمن البيانات
3.8.20. المسؤولية في التصميم والتطوير باستخدام الذكاء الاصطناعي

9.20. اتخاذ القرارات المؤتمتة باستخدام الذكاء الاصطناعي مع Watson Studio

1.9.20. الشفافية في عملية اتخاذ القرار
2.9.20. المسؤولية عن النتائج
3.9.20. الأثر الاجتماعي

10.20. الاتجاهات المستقبلية للذكاء الاصطناعي في مجال التسويق والتجارة الإلكترونية باستخدام REkko

1.10.20. أتمتة التسويق والإعلانات
2.10.20. التحليل التنبؤي والوَصفي
3.10.20. التجارة الإلكترونية البصرية والبحث
4.10.20. مساعدو التسوق الافتراضيون

إنها تجربة تدريبية فريدة ومهمة وحاسمة لتعزيز تطورك المهني"