TECH تقدم لك أفضل المعرفة في البيانات الضخمة، لتصبح جواز سفرك إلى مسيرة مهنية مليئة بالفرص والتحديات المثيرة“

لقد برزت البيانات الضخمة كحل استراتيجي، مما يمكّن المؤسسات من تحويل البيانات المعقدة إلى فرص قيمة. وتتميز هذه التخصصية بحجمها وتنوعها وسرعتها، مما أدى إلى تغيير الطريقة التي تعمل بها الشركات، وتتخذ القرارات، وتنافس في السوق العالمية. ومع ذلك، للاستفادة القصوى من هذا المورد، هناك حاجة إلى خبراء يفهمون كيفية جمع وتحليل كميات هائلة من المعلومات  

إدراكاً لهذه الحاجة، يعد ماجيستير متقدم في إدارة البيانات الضخمة من TECH بوابة دخول إلى هذا المجال المثير والديناميكي. تم تصميم هذا البرنامج لتأهيل المحترفين الذين سيقودون الثورة الرقمية، حيث يجمع بين المعرفة التقنية المتقدمة والتدريب الشامل، شاملاً دراسة المنصات، والخوارزميات، والأدوات المتطورة إلى جانب إعداد استراتيجي قو في الوقت الحالي، تولّد كل تفاعل في البيئة الرقمية تقريباً بيانات، سواء من خلال عمليات الشراء عبر الإنترنت، أو استخدام شبكات التواصل الاجتماعي، أو أجهزة الاستشعار في الأجهزة المتصلة بإنترنت الأشياء لذلك، أصبح فهم وإدارة البيانات الضخمة عنصرين أساسيين في جميع القطاعات التجارية. 

يشتمل هذا الماجيستير المتقدم في منهاجه الدراسي على دراسة أحدث المنصات والخوارزميات والأدوات المتقدمة في المجال، ويتم تقديمه من خلال منهج التعلم المبتكر Relearning، المصمم ليتكيف مع احتياجات وإيقاع دراسة كل طالب. والأفضل من ذلك، أن البرنامج يتم بالكامل عبر الإنترنت، مما يجعله متاحاً من أي جهاز، ويوفر المرونة اللازمة لتنسيق الجدول الزمني مع الالتزامات المهنية، دون التخلي عن حياة أسرية نشطة، مع التقدم في التخصص المهني. 

مع TECH، عزّز ملفك المهني من خلال معرفة متخصصة تجعلك متميزاً في أي قطاع“ 

هذا الماجستير المتقدم في Big Data يحتوي على البرنامج العلمي الأكثر اكتمالا وحداثة في السوق. أبرز خصائصه هي:

تطوير الحالات العملية التي يقدمها خبراء في نظم المعلومات   
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 بشكل خاص على المنهجيات المبتكرة في الإدارة Big Data 
دروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية 
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت 

أتقن مستقبل تحليل البيانات من خلال التعلم 100% عبر الإنترنت باستخدام منهج Relearning، الأكثر ابتكاراً وفعالية في السوق“

يضم في أعضاء هيئة تدريسه محترفين في مجال الصحافة يصبون في هذا البرنامج خبرة عملهم، بالإضافة إلى متخصصين معترف بهم من الجمعيات المرجعية والجامعات المرموقة. 

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.  

باستخدام أحدث منهجيات التدريس، ابنِ المستقبل الذي تطمح إليه في مجال يشهد طلباً متزايداً على المواهب"

وسّع قدرتك على الابتكار في العالم مع أفضل هيئة تدريس سترافقك خلال هذا الماجيستير المتقدم في إدارة البيانات الضخمة"

يقدم الماجيستير المتقدم في إدارة البيانات الضخمة معرفة شاملة تغطي كل شيء، من أسس البيانات الضخمة إلى أكثر الاستراتيجيات تقدماً لتطبيقها في بيئة الأعمال. على مدار البرنامج، سيكتسب الخريجون مهارات أساسية في مجالات ذات طلب وظيفي مرتفع، مما يمكنهم من تحليل البيانات وتحويلها إلى أصول قيمة. بالإضافة إلى ذلك، تم تصميم البرنامج بحيث يتمكن المحترفون من مواكبة التطورات التكنولوجية المستمرة، مما يؤهلهم لقيادة إدارة البيانات في مختلف القطاعات.  

مع منهجية TECH، تعلّم كيفية فك رموز البيانات وكن في طليعة الثورة الرقمية“ 

وحدة 1. تحليلات البيانات في المؤسسة التجارية

1.1. تحليل الأعمال

1.1.1. تحليل الأعمال
2.1.1. هيكل البيانات
3.1.1. المراحل والعناصر

2.1. تحليلات البيانات في المؤسسة التجارية

1.2.1. وثائق التقييم ومؤشرات الأداء الرئيسية حسب الأقسام
2.2.1. التقارير التشغيلية والتكتيكية والاستراتيجية
3.2.1. تطبيق تحليلات البيانات على كل قسم

3.1.2.1. التسويق (Marketing) والتواصل    
2.3.2.1. تجاري
3.3.2.1. خدمة العملاء
4.3.2.1. المشتريات
5.3.2.1. الإدارة
6.3.2.1. الموارد البشرية الموارد البشرية
7.3.2.1. الإنتاج
8.3.2.1. IT

3.1. التسويق والاتصال

1.3.1. مؤشرات الأداء الرئيسية للقياس والتطبيقات والفوائد
2.3.1. أنظمة التسويق ومستودعات البيانات
3.3.1. تنفيذ هيكل تحليل البيانات في التسويق
4.3.1. خطة التسويق والاتصال
5.3.1. الإستراتيجيات والتنبؤ وإدارة الحملات

4.1. التجارة والمبيعات

1.4.1. مساهمات تحليلات البيانات في المجال التجاري
2.4.1. احتياجات قسم المبيعات
3.4.1. دراسات السوق

5.1. خدمة العملاء

1.5.1. الولاء
2.5.1. الجودة الشخصية والذكاء العاطفي
3.5.1. رضا العملاء

6.1. المشتريات

1.6.1. تحليلات البيانات لأبحاث السوق
2.6.1. تحليلات البيانات لدراسات المنافسة
3.6.1. التطبيقات الأخرى

7.1. الإدارة

1.7.1. الاحتياجات في قسم الإدارة
2.7.1. مستودع البيانات Data Warehouse  وتحليل المخاطر المالية
3.7.1. مستودع البيانات Data Warehouse  وتحليل مخاطر الائتمان

8.1. الموارد البشرية

1.8.1. الموارد البشرية HH. وفوائد تحليل البيانات
2.8.1. أدوات تحليل البيانات في قسم الموارد البشرية. البشرية
3.8.1. تطبيق تحليلات البيانات في RR. البشرية

9.1. الإنتاج

1.9.1. تحليل البيانات في قسم الإنتاج
2.9.1. التطبيقات
3.9.1. الفوائد

10.1. IT

1.10.1. قسم تكنولوجيا المعلومات
2.10.1. تحليلات البيانات والتحول الرقمي
3.10.1. الابتكار والإنتاجية

وحدة 2. إدارة ومعالجة البيانات والمعلومات لعلوم البيانات

1.2. إحصائيات. المتغيرات والمؤشرات والنسب

1.1.2. الإحصاء
2.1.2. الأبعاد الإحصائية
3.1.2. المتغيرات والمؤشرات والنسب

2.2. نوع البيانات

1.2.2. نوعية
2.2.2. كمية
3.2.2. التوصيف والفئات

3.2. معرفة البيانات من القياسات

1.3.2. المقاييس المركزية
2.3.2. مقاييس التشتت
3.3.2. الارتباطات

4.2. رؤى حول البيانات من الرسوم البيانية

1.4.2. التصور حسب نوع البيانات
2.4.2. تفسير المعلومات الرسومية
3.4.2. تخصيص الرسومات باستخدام برنامج آر.

5.2. الاحتمال

1.5.2. الاحتمال
2.5.2. وظيفة الاحتمال
3.5.2. التوزيعات

6.2. جمع البيانات

1.6.2. منهجية التحصيل
2.6.2. أدوات التحصيل
3.6.2. قنوات التحصيل

7.2. تنظيف البيانات

1.7.2. مراحل تطهير البيانات
2.7.2. جودة البيانات
3.7.2. معالجة البيانات (مع لغة R)

8.2. تحليل البيانات وتفسيرها وتقييم النتائج

1.8.2. المقاييس الإحصائية
2.8.2. مؤشرات العلاقة
3.8.2. استخراج البيانات

9.2. مستودع البيانات (Datawarehouse)

1.9.2. العوامل
2.9.2. التصميم

10.2. توافر البيانات

1.10.2. الدخول
2.10.2. الوصول
3.10.2. الأمان

وحدة 3. أجهزة ومنصات IoT كأساس لعلوم البيانات

1.3. انترنت الأشياء

1.1.3. إنترنت المستقبل،  Internet of Things
2.1.3. اتحاد الإنترنت الصناعي

2.3. الهندسة المعمارية المرجعية

1.2.3. العمارة المرجعية
2.2.3. الطبقات
3.2.3. المكونات

3.3. المجسّات وأجهزة IoT

1.3.3. المكونات الرئيسية
2.3.3. المستشعرات والمشغلات الميكانيكية

43. الاتصالات والبروتوكولات

1.4.3. بروتوكولات. نموذج اللوحة القماشية
2.4.3. تكنولوجيات الاتصال

5.3. الأنظمة الأساسية السحابية لإنترنت الأشياء وإنترنت الأشياء IoT و IIoT

1.5.3. منصات الأغراض العامة
2.5.3. منصات صناعية
3.5.3. منصات مفتوحة المصدر

6.3. إدارة البيانات في منصات إنترنت الأشياء IoT

1.6.3. آليات إدارة البيانات. البيانات المفتوحة
2.6.3. تبادل البيانات والتصور

7.3. الأمن في إنترنت الأشياء IoT

1.7.3. المتطلبات ومجالات الأمان
2.7.3. استراتيجيات أمان الإنترنت الصناعي للأشياء IIoT

8.3. تطبيقات إنترنت الأشياء IoT

1.8.3. المدن الذكية
2.8.3. الصحة و اللياقة
3.8.3. المنزل الذكي
4.8.3. التطبيقات الأخرى

9.3. تطبيقات إنترنت الصناعي للأشياء IIoT

1.9.3. التصنيع
2.9.3. النقل
3.9.3. طاقة
4.9.3. الزراعة وتربية المواشي
5.9.3. قطاعات أخرى

10.3. الصناعة 4.0

1.10.3. IoRT (Internet of Robotics Things)
2.10.3. تصنيع المواد المضافة ثلاثية الأبعاد
3.10.3. تحليلات البيانات الضخمة

وحدة 4. العرض البياني لتحليل البيانات

1.4. التحليل الاستكشافي

1.1.4. العرض من أجل تحليل المعلومات
2.1.4. قيمة التمثيل البياني
3.1.4. نماذج جديدة للتمثيل البياني

2.4. تحسين علوم البيانات

1.2.4. نطاق اللون والتصميم
2.2.4. نظرية الغَشتَلت في التمثيل البياني
3.2.4. تجنب الأخطاء والنصائح

3.4. مصادر البيانات الأساسية

1.3.4. من أجل عرض الجودة
2.3.4. من أجل عرض الكمية
3.3.4. من أجل عرض الوقت

4.4. مصادر البيانات المعقدة

1.4.4. الملفات والقوائم و BB. DD.
2.4.4. البيانات المفتوحة
3.4.4. إنشاء البيانات المستمرة

5.4. أنواع المخططات

1.5.4. العروض الأساسية
2.5.4. العروض الكتلية
3.5.4. العروض لتحليل التشتت
4.5.4. العروض الدائرية
5.5.4. عروض الفقاعة
6.5.4. العروض الجغرافية

6.4. أنواع العرض

1.6.4. المقارنة والعلائقية
2.6.4. التوزيع
3.6.4. الهرمية

7.4. تصميم التقارير مع العرض البياني

1.7.4. تطبيق الرسوم البيانية في تقارير التسويق
2.7.4. تطبيق الرسوم البيانية في لوحات المعلومات ومؤشرات الأداء الرئيسية
3.7.4. تطبيق الرسوم البيانية في الخطط الاستراتيجية
4.7.4. استخدامات أخرى: العلوم والصحة والأعمال

8.4. السرد التصويري

1.8.4. السرد التصويري
2.8.4. التطور
3.8.4. الوصول

9.4. أدوات موجهة للتصور

1.9.4. ادوات متطورة
2.9.4. برامج عبر الإنترنت
3.9.4. Open Source

10.4. التقنيات الجديدة في تصور البيانات

1.10.4. أنظمة لافتراضية الواقع
2.10.4. أنظمة تكبير وتقوية الواقع
3.10.4. أنظمة ذكية

وحدة 5. أدوات علوم البيانات

1.5. علم البيانات

1.1.5. علم البيانات
2.1.5. أدوات متقدمة لعالم البيانات

2.5. البيانات والمعلومات والمعرفة

1.2.5. البيانات والمعلومات والمعرفة
2.2.5. أنواع البيانات
3.2.5. مصادر البيانات

3.5. من البيانات إلى المعلومات

1.3.5. تحليل البيانات
2.3.5. أنواع التحليل
3.3.5. استخراج المعلومات من مجموعة البيانات Dataset

4.5. استخراج المعلومات من خلال التصور

1.4.5. التصور كأداة تحليل
2.4.5. طرق العرض
3.4.5. عرض مجموعة البيانات

5.5. جودة البيانات

1.5.5. بيانات الجودة
2.5.5. تطهير البيانات
3.5.5. معالجة البيانات الأساسية

6.5. Dataset

1.6.5. تخصيب مجموعة البيانات
2.6.5. لعنة الأبعاد
3.6.5. تعديل مجموعة البيانات الخاصة بنا

7.5. اختلال التوازن

1.7.5. عدم التوازن الطبقي
2.7.5. تقنيات تخفيف الاختلال
3.7.5. موازنة مجموعة البيانات

8.5. نماذج غير خاضعة للرقابة

1.8.5. نموذج غير خاضع للرقابة
2.8.5. مناهج
3.8.5. التصنيف بنماذج غير خاضعة للرقابة

9.5. النماذج الخاضعة للإشراف

1.9.5. نموذج خاضع للإشراف
2.9.5. مناهج
3.9.5. التصنيف مع النماذج الخاضعة للإشراف

10.5. الأدوات والممارسات الجيدة

1.10.5. أفضل الممارسات لعالم البيانات
2.10.5. أفضل نموذج
3.10.5. أدوات مفيدة

وحدة 6. استخراج البيانات الاختيار والمعالجة التمهيدية والتحول

1.6. الاستدلال الإحصائي

1.1.6. الإحصاء الوصفي مقابل. الاستدلال الإحصائي
2.1.6. إجراءات حدودية
3.1.6. الإجراءات اللامعلمية

2.6. التحليل الاستكشافي

1.2.6. التحليل الوصفي
2.2.6. العرض
3.2.6. إعداد البيانات

3.6. إعداد البيانات

1.3.6. تكامل البيانات وتنقيتها
2.3.6. تطبيع البيانات
3.3.6. سمات التحويل

4.6. القيم المفقودة

1.4.6. معالجة القيم الناقصة
2.4.6. طرق التضمين القصوى
3.4.6. احتساب القيم المفقودة باستخدام التعلم الآلي

5.6. الضجيج في البيانات

1.5.6. فئات وسمات الضجيج
2.5.6. ترشيح الضجيج
3.5.6. تأثير الضجيج

6.6. لعنة الأبعاد

1.6.6. الإفراط في أخذ العينات
2.6.6. Undersampling
3.6.6. تقليل البيانات متعددة الأبعاد

7.6. من الصفات المستمرة إلى المنفصلة

1.7.6. البيانات المستمرة مقابل البيانات المنفصلة
2.7.6. عملية التكتم

8.6. البيانات

1.8.6. اختيار البيانات
2.8.6. وجهات النظر ومعايير الاختيار
3.8.6. مناهج الاختيار

9.6. تحديد المثيل

1.9.6. مناهج اختيار الحالات
2.9.6. اختيار النماذج
3.9.6. مناهج متقدمة لاختيار المثيل

10.6. المعالجة التمهيدية للبيانات في بيئات البيانات الضخمة Big Data

1.10.6. Big Data
2.10.6. المعالجة "الكلاسيكية" مقابل المعالجة المسبقة السائبة
3.10.6. البيانات الذكية

وحدة 7. القدرة على التنبؤ وتحليل الظواهر العشوائية

1.7. السلاسل الزمنية

1.1.7. السلاسل الزمنية
2.1.7. المنفعة والتطبيق
3.1.7. الحالات ذات الصلة

2.7. السلسلة الزمنية

1.2.7. اتجاه الموسمية ST
2.2.7. الاختلافات النموذجية
3.2.7. تحليل المخلفات

3.7. الأنماط

.1.3.7. الثابتة
2.3.7. الغير ثابتة
3.3.7. التحولات والتعديلات

4.7. مخططات السلاسل الزمنية

1.4.7. مخطط (نموذج) مضاف
2.4.7. مخطط مضاعف (نموذج)
3.4.7. إجراءات تحديد نوع النموذج

5.7. طرق التنبؤ الأساسية forecast

1.5.7. إعلام
2.5.7. Naïve
3.5.7. Naïve موسمية
4.5.7. مقارنة المناهج

6.7. تحليل المخلفات

1.6.7. الارتباط التلقائي
2.6.7. النفايات ACF
3.6.7. اختبار الارتباط

7.7. الانحدار في سياق السلاسل الزمنية

1.7.7. ANOVA
2.7.7. الأساسيات
3.7.7. تطبيق عملي

8.7. النماذج التنبؤية للسلاسل الزمنية

1.8.7. ARIMA
2.8.7. تجانس الأسي

9.7. معالجة وتحليل السلاسل الزمنية باستخدام R.

1.9.7. إعداد البيانات
2.9.7. تحديد النمط
3.9.7. تحليل النموذج
4.9.7. التنبؤ

10.7. الجمع بين التحليل البياني مع R

1.10.7. المواقف الإعتيادية
2.10.7. تطبيق عملي لحل المشاكل البسيطة
3.10.7. تطبيق عملي لحل المشاكل المتقدمة

وحدة 8. تصميم وتطوير الأنظمة الذكية

1.8. المعالجة المسبقة للبيانات

1.1.8. المعالجة المسبقة للبيانات
2.1.8. تحويل البيانات
3.1.8. استخراج البيانات

2.8. التعلم الالي

1.2.8. التعلم الخاضع للإشراف وغير الخاضع للإشراف
2.2.8. التعليم المعزز
3.2.8. نماذج أخرى للتعلم

3.8. خوارزميات التصنيف

1.3.8. التعلم الآلي الاستقرائي
2.3.8. SVM و KNN
3.3.8. مقاييس ودرجات الترتيب

4.8. خوارزميات التراجع

1.4.8. التراجع الخطي والتراجع اللوجستي والنماذج غير الخطية
2.4.8. التسلسل الزمني
3.4.8. مقاييس ودرجات التراجع

5.8. خوارزميات التجميع

1.5.8. تقنيات التجميع الهرمي
2.5.8. تقنيات التجميع الجزئي
3.5.8. المقاييس والنتائج للتجميع (clustering)

6.8. تقنيات قواعد الجمعية

1.6.8. مناهج استخراج القواعد
2.6.8. المقاييس والنتائج لخوارزميات قاعدة الارتباط

7.8. تقنيات التصنيف المتقدمة. المصنفات المتعددة

1.7.8. خوارزميات التعبئة (Bagging)
2.7.8. مصنف الغابات العشوائية (Random Forest Classifier)
3.7.8. التعزيز (Boosting)" لأشجار القرار

8.8. النماذج الرسومية الاحتمالية

1.8.8. النماذج الاحتمالية
2.8.8. شبكة بايزية. الخصائص والتمثيل والمعلمات
3.8.8. نماذج بيانية احتمالية أخرى

9.8. الشبكات العصبية

1.9.8. التعلم الآلي باستخدام الشبكات العصبية الاصطناعية
2.9.8. شبكات التغذية (feedforward)

10.8. التعلم العميق

1.10.8. شبكات التغذية (feedforward) العميقة
2.10.8. الشبكات العصبونية التلافيفية ونماذج التسلسل
3.10.8. أدوات لتنفيذ الشبكات العصبية العميقة

وحدة 9. الهندسة وأنظمة الاستخدام المكثف للمعلومات في علوم البيانات

1.9. المتطلبات الغير التشغيلية ركائز تطبيقات البيانات الضخمة

1.1.9. المصداقية
2.1.9. القدرة على التكيف
3.1.9. قابلية الصيانة

2.9. نماذج البيانات

1.2.9. نموذج العلائقية
2.2.9. نموذج وثائقي
3.2.9. نموذج بيانات الرسم البياني

3.9. قواعد بيانات. تخزين البيانات وإدارة استرجاعها

1.3.9. فهارس التجزئة
2.3.9. تخزين السجل المنظم
3.3.9. الأشجار ب

4.9. تنسيقات ترميز البيانات

1.4.9. تنسيقات خاصة باللغة
2.4.9. تنسيقات موحدة
3.4.9. تنسيقات الترميز الثنائي
4.4.9. تدفق البيانات بين العمليات

5.9. النسخ

1.5.9. أهداف النسخ المتماثل
2.5.9. نماذج النسخ المتماثل
3.5.9. قضايا النسخ المتماثل

6.9. المعاملات الموزعة

1.6.9. العملية
2.6.9. بروتوكولات المعاملات الموزعة
3.6.9. المعاملات القابلة للتسلسل

7.9. التقسيم

1.7.9. أشكال التقسيم
2.7.9. تفاعل الفهارس الثانوية والتقسيم
3.7.9. إعادة موازنة الأقسام

8.9. معالجة البيانات دون اتصال بالإنترنت

1.8.9. تجهيز الدفعات
2.8.9. أنظمة الملفات الموزعة
3.8.9. MapReduce

9.9. معالجة البيانات في الوقت الحقيقي

1.9.9. أنواع وسيط الرسائل
2.9.9. تمثيل قواعد البيانات كتدفقات البيانات
3.9.9. معالجة دفق البيانات

10.9. تطبيقات عملية في المؤسسة التجارية

1.10.9. الاتساق في القراءات
2.10.9. نهج شامل للبيانات
3.10.9. توسيع نطاق الخدمة الموزعة

وحدة 10. التطبيق العملي لعلوم البيانات في قطاعات النشاط التجاري

1.10. قطاع الصحة

1.1.10. تداعيات الذكاء الاصطناعي وتحليلات البيانات في قطاع الرعاية الصحية
2.1.10. الفرص والتحديات

2.10. المخاطر والاتجاهات في قطاع الرعاية الصحية

1.2.10. استخدامها في قطاع الصحة
2.2.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

3.10. الخدمات المالية

1.3.10. تداعيات الذكاء الاصطناعي وتحليلات البيانات في صناعة الخدمات المالية
2.3.10. الاستخدام في الخدمات المالية
3.3.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

410. البيع بالتجزئة Retail

1.410. تداعيات الذكاء الاصطناعي وتحليلات البيانات في قطاع Retail
2.410. الاستخدام في Retail
3.410. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

5.10. الصناعة 4.0

1.5.10. تداعيات الذكاء الاصطناعي وتحليلات البيانات في الصناعة 4.0
2.5.10. استخدم في الصناعة 4.0

6.10. المخاطر والاتجاهات في الصناعة 4.0

1.6.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

7.10. الإدارة العامة

1.7.10. تداعيات الذكاء الاصطناعي وتحليلات البيانات فيفي الإدارة العامة.
2.7.10. استخدامها في الإدارة العامة
3.7.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

8.10. التعليم

1.8.10. تداعيات الذكاء الاصطناعي وتحليلات البيانات في التعليم
2.8.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

9.10. الغابات والزراعة

1.9.10. الآثار المترتبة على الذكاء الاصطناعي وتحليلات البيانات في قطاع الغابات والزراعة
2.9.10. الاستخدم في الغابات والزراعة
3.9.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

10.10. الموارد البشرية

1.10.10. آثار الذكاء الاصطناعي وتحليلات البيانات في إدارة الموارد البشرية
2.10.10. تطبيقات عملية في عالم الأعمال
3.10.10. المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

وحدة 11. التحليلات المرئية(Visual Analytics) في السياق الاجتماعي والتكنولوجي 

1.11. موجات تكنولوجية في مجتمعات مختلفة. نحو «مجتمع بيانات“Data Society’
2.11. العولمة السياق الجيوسياسي والاجتماعي العالمي
3.11. بيئة VUCA. العيش دائما في الماضي
4.11. التعرف على التقنيات الجديدة: الجيل الخامس وإنترنت الأشياء
5.11. التعرف على التقنيات الجديدة: الحوسبة السحابية والحافة
6.11.  التفكير النقدي(Critical Thinking) والتحليلات البصرية(Visual Analytics)
7.11. Los know-mads. الرحل بين البيانات
8.11. تعلم كيفية إجراء التحليلات المرئيةVisual Analytics
9.11. نظريات التوقع المطبقة على التحليلات البصريةVisual Analytics
10.11. بيئة الأعمال الجديدة. التحول الرقمي

وحدة 12. التحليلات وتفسير البيانات

1.12. مقدمة في الإحصاء
2.12. التدابير المطبقة على معالجة المعلومات
3.12. الارتباط الإحصائي
4.12. نظرية الاحتمالية المشروطة
5.12. المتغيرات العشوائية والتوزيعات الاحتمالية
6.12. استنتاج بايزي
7.12. نظرية العينة
8.12. فترات الثقة
9.12. تباين الفرضيات
10.12. تحليل الانحدار

وحدة 13. تقنيات تحليل البيانات و IA الذكاء الاصطناعي

1.13. التحليلات ألتنبؤيه
2.13. تقنيات التقييم واختيار النماذج
3.13. تقنيات التحسين الخطي
4.13. محاكاة مونتي كارلو
5.13. تحليل السيناريو
6.13. تقنيات التعلم الآليMachine Learning
7.13. تحليلات الويب
8.13. تقنيات التعدين النصي Text Mining
9.13. أساليب معالجة اللغة الطبيعية (PNL)
10.13. تحليلات وسائل التواصل الاجتماعي

وحدة 14. أدوات تحليل البيانات

1.14.  علوم البيانات R البيئة
2.14. علوم البيانات بيئة python
3.14. الرسوم البيانية الثابتة والإحصائية
4.14. معالجة البيانات بأشكال مختلفة ومصادر مختلفة
5.14. تنقية البيانات وإعدادها
6.14. الدراسات الاستكشافية
7.14. أشجار القرار
8.14. قواعد التصنيف والارتباط
9.14. الشبكات العصبية
10.14. التعلم العميق

وحدة 15. نظم إدارة قواعد البيانات وموازاة البيانات

1.15. قواعد البيانات التقليدية
2.15. قواعد البيانات غير التقليدية
3.15. Cloud computing: إدارة البيانات الموزعة
4.15. أدوات استلام البيانات الضخمة
5.15. أنواع المتوازيات
6.15. معالجة البيانات في البث المباشر وفي الوقت الفعلي
7.15. المعالجة المتوازية: هادوب
8.15. المعالجة المتوازية: Spark
9.15. Apache Kafka

1.9.15. مقدمة عن Apache Kafka
2.9.15. البنيات
3.9.15. هيكل البيانات
4.9.15. APIs Kafka
5.9.15. حالات الاستخدام

10.15. Cloudera Impala

وحدة 16. االمهارات اللينة المستندة إلى البيانات في التسيير الاستراتيجي في التحليلات البصرية

1.16. ملف تعريف Drive للمؤسسات التي تعتمد على البيانات
2.16. المهارات الإدارية المتقدمة في المنظمات القائمة على البيانات
3.16. استخدام البيانات لتحسين أداء الاتصالات الاستراتيجية
4.16. الذكاء العاطفي المطبق على الإدارة في التحليلات المرئيةVisual Analytics
5.16. عروض تقديمية فعالة
6.16. تحسين الأداء من خلال الإدارة التحفيزية
7.16.  القيادة في المنظمات القائمة على البيانات
8.16.  المواهب الرقمية في المؤسسات القائمة على البيانات
9.16. منظمة رشيقة تعتمد على البيانات I
10.16. المنظمة الرشيقة الثانية القائمة على البيانات II

وحدة 17. الإدارة الاستراتيجية لمشاريع التحليلات المرئية والبيانات الضخمة

1.17. مقدمة إلى الإدارة الاستراتيجية للمشاريع
2.17. أفضل الممارسات في وصف عملية البيانات الضخمة (PMI)
3.17. منهجية Kimball
4.17. منهجية SQuID

1.4.17. مقدمة لمنهجية SQuID لمعالجة مشاريع البيانات الضخمة Big Data
2.4.17. المرحلة الأولى - المصادر
3.4.17. المرحلة الثانية. جودة البيانات
4.4.17. المرحلة الثالثة. أسئلة مستحيلة
5.4.17. المرحلة الرابعة. اكتشاف
6.4.17. أفضل الممارسات في تطبيق SQuID على مشاريع البيانات الضخمة

5.17. الجوانب القانونية لعالم البيانات
6.17. الخصوصية في البيانات الضخمة Big Data
7.17. الأمن السيبراني في البيانات الضخمة Big Data
8.17. التعرف على كميات كبيرة من البيانات وعدم تحديد هويتها
9.17. أخلاقيات البيانات 1
10.17. أخلاقيات البيانات II

وحدة 18. تحليل العملاء. تطبيق ذكاء البيانات على التسويق

1.18. مفاهيم التسويق. التسويق الاستراتيجي
2.18. التسويق عبر العلاقات
3.18. إدارة علاقات العملاء كمركز تنظيمي لتحليل العملاء
4.18. تكنولوجيات الويب
5.18. مصادر بيانات الشبكة
6.18. الحصول على البيانات على شبكة الإنترنت
7.18. أدوات لاستخراج البيانات من الويب
8.18. الويب الدلالي
9.18. OSINT ذكاء مفتوح المصدر
10.18.  MasterLead أو كيفية تحسين التحويل إلى المبيعات باستخدام البيانات الضخمة

وحدة 19. عرض تفاعلي للبيانات

1.19. مقدمة لفن جعل البيانات مرئية
2.19. كيفية سرد القصص بالبيانات
3.19. تمثيل بيانات
4.19. قابلية التوسع في التمثيلات المرئية
5.19. التحليلات البصرية مقابل تصور المعلومات فهم أنه ليس نفس الشيء
6.19. عملية التحليل البصري (Keim)
7.19. التقارير الاستراتيجية والتشغيلية والإدارية
8.19. أنواع الرسوم البيانية ووظيفتها
9.19. تفسير التقارير والرسوم البيانية. لعب دور المتلقي
10.19. تقييم نظم التحليلات المرئية Visual Analytics

وحدة 20. أدوات التصور

1.20. مقدمة في أدوات تصور البيانات
2.20. عيون كثيرة
3.20. مخططات جوجل
4.20. jQuery
5.20. المستندات القائمة على البيانات I
6.20. المستندات القائمة على البيانات II
7.20. Matlab
8.20. Tableau
9.20. التحليلات المرئية من SAS
10.20. Microsoft Power BI

منهاج متكامل سيأخذك نحو إتقان مجال البيانات الضخمة ويجعلك مهندساً لاستراتيجيات أعمال ناجحة“