من خلال درجة الماجستير الخاص هذه، ستكتشف كيف يحول الذكاء الاصطناعي الصناعات وتستعد لقيادة التغيير" 

يقوم الذكاء الاصطناعي بتحويل العديد من الصناعات، من الرعاية الصحية إلى الخدمات اللوجستية إلى السيارات والتجارة الإلكترونية. ولدت قدرتها على أتمتة المهام المتكررة وتحسين الكفاءة طلبًا متزايدًا على المحترفين القادرين على إتقان أنواع مختلفة من خوارزميات التعلم الآلي. وفي مثل هذا القطاع الجديد الذي يتطور باستمرار، لا بد من أن يظل مستكملا من أجل التنافس داخل سوق عمل متزايد التوجه نحو التكنولوجيا. 

لهذا السبب على وجه التحديد، طورت TECH برنامجًا يتم تقديمه كاستجابة استراتيجية لتحسين آفاق العمل وإمكانية ترقية المهندسين. وبهذه الطريقة، طورت منهجًا جديدًا يتعمق فيه الطلاب في أسس الذكاء الاصطناعي ويتعمقون في استخراج البيانات.

طوال فترة تطوير درجة الماجستير الخاص هذه، سينغمس الخريجين في الأسس الأساسية، وتتبع التطور التاريخي للذكاء الاصطناعي واستكشاف توقعاته المستقبلية. وبهذه الطريقة، سيعمقون دمج الذكاء الاصطناعي في تطبيقات الاستخدام الشامل لفهم كيفية تحسين هذه المنصات لتجربة المستخدم وتحسين الكفاءة التشغيلية.

لذلك فهي شهادة أكاديمية حصرية، وبفضلها يمكن للمهنيين تطوير عمليات تحسين مستوحاة من التطور البيولوجي، وإيجاد وتطبيق حلول فعالة للمشاكل المعقدة من خلال الإتقان المتعمق للذكاء الاصطناعي.

ولتيسير تكامل المعرفة الجديدة، أنشأت TECH هذا البرنامج الكامل بناءً على منهجية إعادة التعلم الحصرية  Relearning. في إطار هذا النهج، سيعزز الطلاب الفهم من خلال تكرار المفاهيم الرئيسية في جميع أنحاء البرنامج، والتي سيتم تقديمها في مختلف الوسائط السمعية البصرية لاكتساب المعرفة بشكل تدريجي وفعال. كل هذا من نظام مبتكر ومرن، عبر الإنترنت تمامًا، يسمح بتكييف التعلم مع جداول المشاركين.

عزز سيرتك المهنية من خلال تطوير حلول متقدمة قائمة على الذكاء الاصطناعي من خلال البرنامج الأكثر شمولاً في المشهد الأكاديمي الرقمي" 

تحتوي درجة الماجستير الخاص ذكاء الاصطناعي هذه على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها الخبراء في مجال الذكاء الاصطناعي 
جمع المعلومات المحدثة والتطبيقية المتعلقة بالتخصصات الضرورية من أجل الممارسة المهنية، والتي تشكل جزءا من المحتويات الرسومية والتخطيطية والعملية البارزة التي صمم بها 
تمارين تطبيقية تتيح للطالب القيام بعملية التقييم الذاتي لتحسين التعلم 
تركيزها الخاص على المنهجيات المبتكرة
دروس نظرية، أسئلة للخبير، منتديات نقاش حول مواضيع مثيرة للجدل وأعمال التفكير الفردي 
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

سوف تتعامل من تطور الشبكات العصبية إلى التعلم العميق وستكتسب كفاءات قوية في تنفيذ حلول الذكاء الاصطناعي" 

ويشمل البرنامج في هيئة التدريس المهنيين في القطاع الذين يسكبون في هذا التدريب خبرة عملهم، بالإضافة إلى المتخصصين المعترف بهم في الجمعيات المرجعية والجامعات المرموقة.

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

يركز تصميم هذا البرنامج على التعلم القائم على المشكلات، والذي من خلاله يجب على المهني محاولة حل المواقف المختلفة للممارسة المهنية التي تنشأ خلال العام الدراسي. للقيام بذلك، ستحظى بمساعدة نظام فيديو تفاعلي مبتكر تم إنشاؤه من قبل خبراء مشهورين.

ستعمل على تحسين إمكانات تخزين البيانات في أفضل جامعة رقمية في العالم وفقًا لمجلة فوربس"

يمكنك الوصول إلى محتوى حصري في الحرم الجامعي الافتراضي على مدار 24 ساعة في اليوم، دون قيود جغرافية أو زمنية"

تم تصميم هذا المنهج من قبل فريق من الخبراء في مجال الذكاء الاصطناعي، مع التركيز بشكل خاص على عمليات اكتشاف المعرفة والتعلم الآلي. بفضل هذا، سيعمل الطالب على تعميق تطوير الخوارزميات والنماذج التي تسمح للآلات بتعلم الأنماط وأداء المهام دون أن تتم برمجتها صراحة لهذه المهمة. بالإضافة إلى ذلك، تستخدم TECH منهجية إعادة التعلم الرائدة،Relearning والتي بفضل ذلك سيدمج المهنيون المعرفة القوية في تقييم النماذج بطريقة تقدمية وفعالة.

ستتعمق في صياغة الخوارزميات الجينية خلال 12 شهرًا من أفضل تدريس رقمي. عزز تطورك المهني مع TECH!"

الوحدة 1. أسس الذكاء الاصطناعي

1.1 تاريخ الذكاء الاصطناعي 

1.1.1 متى تبدأ 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 المكنز، مفردات، تصنيفات 

1.5.1 مفردات 
2.5.1 التصنيفات 
3.5.1 المكنز 
4.5.1 علم المعلومات 
5.5.1 تمثيل المعرفة: الشبكة الدلالية 

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 الحضور: مساعدو الصوت والنص
2.8.1 الأجزاء الأساسية لتطوير مساعد: تدفق النوايا Intents والكيانات والحوار 
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 خلق شخصية: اللغة والتعبيرات والمحتوى
3.10.1 اتجاهات الذكاء الاصطناعي
4.10.1 تأملات

الوحدة 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 الثانوي

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 برنامج آر)

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 الوصول
3.9.2 الأمن

10.2 الجوانب المعيارية 

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 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 
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 المسبقة 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 المسبقة 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 فرز 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 التقديم 
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 ابحث 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 قصة مفهوم 
2.1.6 تعريف الوكلاء 
3.1.6 عملاء 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 مقارن 

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 Protégéواستخدامها 

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 مفردات 
2.8.6 نظرة عامة 
3.8.6 التصنيفات 
4.8.6 المكنز 
5.8.6 الفولكسونوميات 
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 مقدمة: 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 نظم خبراء 

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 (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 استخراج النصوص وتجهيز اللغات الطبيعية (NLP) 

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، أساس التعلم العميق Deep Learning 

1.8 التعلم العميق 

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

2.8 العمليات 

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 العصبية العميقة 

1.9 مشاكل التدرج 

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

2.9 إعادة استخدام الطبقات المشكّلة مسبقاً 

1.2.9 التدريب على نقل التعلم 
2.2.9 استخراج 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 بالانتروبيا 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 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 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 المسبقة 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 التطبيق العملي 
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. Deep Computer Vision بشبكات عصبية ملتفة 

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 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 الحافة 
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 على الشبكة الوطنية للموارد الطبيعية 
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 تشفير 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 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 المسبقة 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 

الوحدة 13. أجهزة التشفير التلقائيو  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 العصبية العميقة 

9.13 شبكات الخصومة المولدة ونماذج النشر 

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

10.13 تنفيذ 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 الحيوية

1.14 مقدمة الحوسبة المستوحاة من الحيوية 

1.1.14 مقدمة الحوسبة المستوحاة من الحيوية 

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 (I) 

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

6.14 نماذج الحوسبة التطورية (II) 

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 (I) 

1.9.14 مقدمة إلى الشبكات العصبية 
2.9.14 مثال عملي مع الشبكات العصبية 

10.14 الشبكات العصبية (II) 

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 (AI) 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

ضع نفسك في سوق العمل ببرنامج عبر الإنترنت 100% يتكيف مع احتياجاتك ويسمح لك بتعلم غامر وقوي"