بفضل هذا البرنامج 100٪ عبر الإنترنت، ستحلل بدقة المبادئ الأساسية للتعلم الآلي وتنفيذه في تحليل البيانات الطبية الحيوية" 

أثناء العلاجات العلاجية، يحتاج المستخدمون إلى المراقبة المستمرة من قبل المهنيين الطبيين للتحقق من فعاليتهم وبهذا المعنى، فإن الذكاء الاصطناعي مفيد لجمع البيانات في الوقت الفعلي حول الحالة السريرية للأشخاص. أيضًا، تكتشف أدواتهم تغييرات طفيفة في الصحة لتنبيه المتخصصين عند الضرورة. وبالتالي، يمكن للأطباء تطبيق التعديلات بناءً على ردود فعل الأفراد ومنع المشاكل المستقبلية التي تعرض حياتهم للخطر.

تدرك TECH أهميتها، وتنفذ درجة الماجستير الخاص التي ستتناول بالتفصيل التطبيقات المحددة للذكاء الاصطناعي في مجال الأبحاث السريرية. صممه خبراء في هذا المجال، سيتعمق المنهج في محاكاة الكمبيوتر في الطب الحيوي وتحليل البيانات السريرية المتقدمة. بهذه الطريقة، سيكتسب الخبراء مهارات متقدمة لتنفيذ التعلم الآلي في سيناريوهات طبية حيوية معقدة. علاوة على ذلك، سيؤكد المنهج الدراسي على الاعتبارات الأخلاقية والقانونية لاستخدام الذكاء الاصطناعي للخريجين لتطوير إجراءاتهم من منظور تأملي للغاية.

وتجدر الإشارة إلى أن منهجية هذا البرنامج تعزز طابعه الابتكاري. توفر TECH بيئة تعليمية بنسبة 100٪ عبر الإنترنت، تتكيف مع احتياجات المهنيين المشغولين الذين يتطلعون إلى التقدم في حياتهم المهنية. وعليه، سيكون بمقدورها أن تخطط فرادى جداولها الزمنية وجداولها الزمنية للتقييم. وبالمثل، يستخدم التدريب النظام الجديد لإعادة التعلم Relearning، بناءً على تكرار المفاهيم الرئيسية لإصلاح المعرفة وتسهيل التعلم. وبهذه الطريقة، فإن الجمع بين المرونة والنهج التربوي القوي يجعله في متناول الجميع. وسيتاح للمهنيين أيضا الوصول إلى مكتبة مليئة بالموارد السمعية البصرية، بما في ذلك الرسوم البيانية أو الموجزات التفاعلية. بالإضافة إلى ذلك، ستشمل الشهادة الجامعية حالات سريرية حقيقية من شأنها أن تقرب تطوير البرنامج من واقع الرعاية الصحية. 

إن قدرة الذكاء الاصطناعي على دمج البيانات من مصادر مختلفة والتنبؤ بالنتائج ستساهم في جعل ممارستك الطبية أكثر دقة وشخصية"

تحتوي درجة الماجستير الخاص في الذكاء الاصطناعي في البحث الإكلينيكي على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصه هي:

تطوير الحالات العملية التي يقدمها الخبراء في مجال الذكاء الاصطناعي في البحث الإكلينيكي. 
المحتويات الرسومية والتخطيطية والعملية البارزة التي يتم تصورها بها، تجمع المعلومات العلمية والعملية حول تلك التخصصات الأساسية للممارسة المهنية. 
تمارين تطبيقية تتيح للطالب القيام بعملية التقييم الذاتي لتحسين التعلم. 
تركيزها الخاص على المنهجيات المبتكرة 
دروس نظرية، أسئلة للخبير، منتديات نقاش حول مواضيع مثيرة للجدلوأعمال التفكير الفردي 
توفر المحتوى من أي جهاز ثابت أو محمول متصلبالإنترنت 

لتحقيق أهدافك الأكاديمية بطريقة مرنة، تقدم لك TECH منهجية تعلم عبر الإنترنت 100%، بناءً على الوصول المجاني إلى المحتوى وتخصيص التدريس" 

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

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، سيتم مساعدته بنظام فيديو تفاعلي مبتكر من صنع خبراء مشهورين.  

هل تتطلع إلى تعميق تنفيذ البيانات الضخمة Big Data؟ أدر بشكل أكثر فعالية تقنيات التعلم الآلي بفضل درجة الماجستير الخاص هذه"

يشمل التدريب تحليل الجوانب الأخلاقية والقانونية والتنظيمية، والالتزام بالمسؤولية والوعي بالتحديات المعاصرة"

ستشمل درجة الماجستير الخاص هذه الدقة العلمية للبحوث السريرية مع الابتكارات للذكاء الاصطناعي. يتكون المنهج من 20 وحدة، وسوف يعمق كل من تفسير البيانات الطبية وتطوير الخوارزميات التنبؤية. سيسلط المنهج الدراسي الضوء أيضًا على أهمية تنفيذ الحلول التكنولوجية في السياقات السريرية. من خلال نهج نظري عملي، سيتقن الطلاب أسس التعلم الآلي وتطبيقه الصحيح في المجال الطبي. وبالتالي، سيتمكن الخريجون من قيادة التقدم في إضفاء الطابع الفردي على العلاجات وتحسين الرعاية الصحية. 

صل إلى مكتبة موارد الوسائط المتعددة والمنهج الدراسي بأكمله منذ اليوم الأول. لا مزيد من مواعيد المحاضرات الثابتة أو المحاضرات الحضورية!" 

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    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: 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    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 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 
3.2.2.    أنواع البيانات 
3.2.3    مصادر البيانات 

3.3.    من البيانات إلى المعلومات 

1.3.3    تحليل البيانات 
2.3.3    أنواع التحليل 
3.3.3    استخراج المعلومات من 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    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 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    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    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    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 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    تمهيد: 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 

7.8.    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 الحاسوبية 
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 
1.10.11    كشف الحافة 
1.10.11    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 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 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 

الوحدة 16. أساليب وأدوات الذكاء الاصطناعي للبحوث السريرية 

1.16    أساليب وأدوات الذكاء الاصطناعي للبحوث السريرية 

1.1.16    استخدام التعلم الآلي لتحديد الأنماط في البيانات السريرية 
2.1.16    تطوير خوارزميات تنبؤية للتجارب السريرية 
3.1.16    تنفيذ نظم الذكاء الاصطناعي لتحسين توظيف المرضى 
4.1.16    أدوات الذكاء الاصطناعي لتحليل بيانات البحث في الوقت الفعلي 

2.16    الطرق والخوارزميات الإحصائية في الدراسات السريرية 

1.2.16    تطبيق التقنيات الإحصائية المتقدمة لتحليل البيانات السريرية 
2.2.16    استخدام الخوارزميات للتحقق من نتائج الاختبار والتحقق منها 
3.2.16    تنفيذ نماذج الانحدار والتصنيف في الدراسات السريرية 
4.2.16    تحليل مجموعات البيانات الكبيرة باستخدام الأساليب الإحصائية الحاسوبية 

3.16    تصميم التجارب وتحليل النتائج 

1.3.16    استراتيجيات التصميم الفعال للتجارب السريرية باستخدام الذكاء الاصطناعي 
2.3.16    تقنيات الذكاء الاصطناعي لتحليل وتفسير البيانات التجريبية 
3.3.16    تحسين بروتوكولات البحث من خلال محاكاة الذكاء الاصطناعي 
4.3.16    تقييم فعالية وسلامة المعالجات باستخدام نماذج الذكاء الاصطناعي 

4.16    تفسير الصور الطبية من خلال الذكاء الاصطناعي في البحث 

1.4.16    تطوير نظم الذكاء الاصطناعي للكشف التلقائي عن الأمراض في الصور 
2.4.16    استخدام التعلم العميق للتصنيف والتجزئة في التصوير الطبي 
3.4.16    أدوات الذكاء الاصطناعي لتحسين الدقة في تشخيص التصوير 
4.4.16    تحليل صور الرنين الإشعاعي والمغناطيسي باستخدام الذكاء الاصطناعي 

5.16    تحليل البيانات السريرية والطبية الحيوية 

1.5.16    الذكاء الاصطناعي في معالجة وتحليل البيانات الجينية والبروتينية 
2.5.16    أدوات التحليل المتكامل للبيانات السريرية والطبية الحيوية 
3.5.16    استخدام الذكاء الاصطناعي لتحديد المؤشرات الحيوية في البحث السريري 
4.5.16    التحليل التنبؤي للنتائج السريرية بناءً على البيانات الطبية الحيوية 

6.16    تصور البيانات المتقدمة في البحث السريري 

1.6.16    تطوير أدوات تصور تفاعلية للبيانات السريرية 
2.6.16    استخدام الذكاء الاصطناعي لإنشاء تمثيلات بيانات رسومية معقدة 
3.6.16    تقنيات التصور لسهولة تفسير نتائج البحوث 
4.6.16    أدوات الواقع المعزز والافتراضي لتصور البيانات الطبية الحيوية 

7.16    معالجة اللغة الطبيعية في التوثيق العلمي والسريري 

1.7.16    تطبيق برنامج العمل الوطني لتحليل المؤلفات العلمية والسجلات السريرية 
2.7.16    أدوات الذكاء الاصطناعي لاستخراج المعلومات ذات الصلة من النصوص الطبية 
3.7.16    نظم الذكاء الاصطناعي لتلخيص وتصنيف المنشورات العلمية 
4.7.16    استخدام البرامج غير المحدودة في تحديد الاتجاهات والأنماط في التوثيق السريري 

8.16    معالجة البيانات غير المتجانسة في الأبحاث السريرية 

1.8.16    تقنيات الذكاء الاصطناعي لدمج وتحليل البيانات من مختلف المصادر السريرية 
2.8.16    أدوات لإدارة البيانات السريرية غير المنظمة 
3.8.16    نظم الذكاء الاصطناعي لربط البيانات السريرية والديموغرافية 
4.8.16    تحليل البيانات متعددة الأبعاد للرؤى السريرية insights 

9.16    تطبيقات الشبكات العصبية في البحوث الطبية الحيوية 

1.9.16    استخدام الشبكات العصبية لنمذجة الأمراض والتنبؤ بالعلاج 
2.9.16    تنفيذ الشبكات العصبية في تصنيف الأمراض الوراثية 
3.9.16    تطوير نظم التشخيص القائمة على الشبكات العصبية 
4.9.16    تطبيق الشبكات العصبية في تكييف العلاجات الطبية 

10.16    النمذجة التنبؤية وتأثيرها على البحث السريري 

1.10.16    وضع نماذج تنبؤية لتوقع النتائج السريرية 
2.10.16    استخدام الذكاء الاصطناعي في التنبؤ بالآثار الجانبية والتفاعلات السلبية 
3.10.16    تنفيذ نماذج تنبؤية في تحسين التجارب السريرية 
4.10.16    تحليل المخاطر في العلاجات الطبية باستخدام النمذجة التنبؤية 

الوحدة 17. البحث الطبي الحيوي مع الذكاء الاصطناعي 

1.17    تصميم وتنفيذ دراسات قائمة على الملاحظة بالاشتراك مع منظمة العفو الدولية 

1.1.17    تنفيذ الذكاء الاصطناعي لاختيار السكان وتجزئتهم في الدراسات 
2.1.17    استخدام الخوارزميات لرصد بيانات الدراسات القائمة على الملاحظة في الوقت الحقيقي 
3.1.17    أدوات الذكاء الاصطناعي لتحديد النمط والارتباط في الدراسات القائمة على الملاحظة 
4.1.17    التشغيل الآلي لعملية جمع البيانات وتحليلها في الدراسات القائمة على الملاحظة 

2.17    التحقق من صحة النماذج ومعايرتها في البحوث السريرية 

1.2.17    تقنيات الذكاء الاصطناعي لضمان دقة وموثوقية النماذج السريرية 
2.2.17    استخدام الذكاء الاصطناعي في معايرة النماذج التنبؤية في الأبحاث السريرية 
3.2.17    طرق التحقق المتبادل المطبقة على النماذج السريرية باستخدام الذكاء الاصطناعي 
4.2.17    أدوات الذكاء الاصطناعي لتقييم تعميم النموذج السريري 

3.17    طرق دمج البيانات غير المتجانسة في البحوث السريرية 

1.3.17    تقنيات الذكاء الاصطناعي للجمع بين البيانات السريرية والجينومية والبيئية 
2.3.17    استخدام الخوارزميات لإدارة وتحليل البيانات السريرية غير المنظمة 
3.3.17    أدوات الذكاء الاصطناعي لتوحيد وتوحيد البيانات السريرية 
4.3.17    نظم الذكاء الاصطناعي لربط أنواع مختلفة من البيانات في البحث 

4.17    دمج البيانات الطبية الحيوية المتعددة التخصصات 

1.4.17    أنظمة الذكاء الاصطناعي لجمع البيانات من مختلف التخصصات الطبية الحيوية 
2.4.17    خوارزميات للتحليل المتكامل للبيانات السريرية والمختبرية 
3.4.17    أدوات الذكاء الاصطناعي لتصور البيانات الطبية الحيوية المعقدة 
4.4.17    استخدام الذكاء الاصطناعي لإنشاء نماذج صحية شاملة من البيانات متعددة التخصصات 

5.17    خوارزميات التعلم العميق في تحليل البيانات الطبية الحيوية 

1.5.17    تنفيذ الشبكات العصبية في تحليل البيانات الجينية والبروتيومية 
2.5.17    استخدام التعلم العميق لتحديد الأنماط في البيانات الطبية الحيوية 
3.5.17    تطوير نماذج تنبؤية في الطب الدقيق مع التعلم العميق 
4.5.17    تطبيق الذكاء الاصطناعي في تحليل التصوير الطبي الحيوي المتقدم 

6.17    تحسين عمليات البحث مع التشغيل الآلي 

1.6.17    أتمتة الروتين المختبري باستخدام أنظمة الذكاء الاصطناعي 
2.6.17    استخدام الذكاء الاصطناعي لإدارة الموارد والوقت بكفاءة في البحث 
3.6.17    أدوات الذكاء الاصطناعي لتحسين سير العمل في البحث السريري 
4.6.17    النظم الآلية لتتبع التقدم المحرز في البحوث والإبلاغ عنه 

7.17    المحاكاة والنمذجة الحاسوبية في الطب باستخدام الذكاء الاصطناعي 

1.7.17    تطوير نماذج حسابية لمحاكاة السيناريوهات السريرية 
2.7.17    استخدام الذكاء الاصطناعي لمحاكاة التفاعلات الجزيئية والخلوية 
3.7.17    أدوات الذكاء الاصطناعي في النمذجة التنبؤية للأمراض 
4.7.17    تطبيق الذكاء الاصطناعي في محاكاة آثار الأدوية وعلاجها 

8.17    استخدام الواقع الافتراضي والمعزز في الدراسات السريرية 

1.8.17    تنفيذ الواقع الافتراضي للتدريب والمحاكاة في الطب 
2.8.17    استخدام الواقع المعزز في العمليات الجراحية والتشخيص 
3.8.17    أدوات الواقع الافتراضي للدراسات السلوكية والنفسية 
4.8.17    تطبيق التكنولوجيات الغامرة في إعادة التأهيل والعلاج 

9.17    أدوات استخراج البيانات المطبقة على البحوث الطبية الحيوية 

1.9.17    استخدام تقنيات استخراج البيانات لاستخلاص المعرفة من قواعد البيانات الطبية الحيوية 
2.9.17    تنفيذ خوارزميات الذكاء الاصطناعي لاكتشاف الأنماط في البيانات السريرية 
3.9.17    أدوات الذكاء الاصطناعي لتحديد الاتجاهات في مجموعات البيانات الكبيرة 
4.9.17    تطبيق استخراج البيانات في توليد فرضيات البحث 

10.17    تطوير المؤشرات الحيوية والتحقق من صحتها باستخدام الذكاء الاصطناعي 

1.10.17    استخدام الذكاء الاصطناعي لتحديد وتوصيف المؤشرات الحيوية الجديدة 
2.10.17    تنفيذ نماذج الذكاء الاصطناعي للتحقق من صحة العلامات الحيوية في التجارب السريرية 
3.10.17    أدوات الذكاء الاصطناعي في ارتباط المؤشرات الحيوية بالنتائج السريرية 
4.10.17    تطبيق الذكاء الاصطناعي في تحليل العلامات الحيوية للطب الشخصي 

الوحدة 18. البحث الطبي الحيوي مع الذكاء الاصطناعي 

1.18    تقنيات التسلسل الجيني وتحليل البيانات باستخدام الذكاء الاصطناعي 

1.1.18    استخدام الذكاء الاصطناعي لتحليل التسلسل الجيني السريع والدقيق 
2.1.18    تنفيذ خوارزميات التعلم الآلي في تفسير البيانات الجينية 
3.1.18    أدوات الذكاء الاصطناعي لتحديد المتغيرات والطفرات الجينية 
4.1.18    تطبيق الذكاء الاصطناعي في الارتباط الجيني بالأمراض والسمات 

2.18    الذكاء الاصطناعي في تحليل التصوير الطبي الحيوي 

1.2.18    تطوير نظم الذكاء الاصطناعي للكشف عن تشوهات التصوير الطبي 
2.2.18    استخدام التعلم العميق في تفسير الصور الشعاعية والرنين والتصوير المقطعي 
3.2.18    أدوات الذكاء الاصطناعي لتحسين الدقة في التصوير 
4.2.18    تنفيذ الذكاء الاصطناعي في تصنيف وتقسيم الصور الطبية الأحيائية 

3.18    الروبوتات والأتمتة في المختبرات السريرية 

1.3.18    استخدام الروبوتات في الاختبار والتشغيل الآلي للعمليات في المختبرات 
2.3.18    تنفيذ نظم آلية لإدارة العينات البيولوجية 
3.3.18    تطوير التقنيات الروبوتية لتحسين الكفاءة والدقة في التحليل السريري 
4.3.18    تطبيق الذكاء الاصطناعي في تحسين سير العمل في المختبرات 

4.18    الذكاء الاصطناعي في تخصيص العلاجات والطب الدقيق 

1.4.18    تطوير نماذج الذكاء الاصطناعي لتخصيص العلاجات الطبية 
2.4.18    استخدام الخوارزميات التنبؤية في اختيار العلاجات القائمة على الملامح الجينية 
3.4.18    أدوات الذكاء الاصطناعي لضبط الجرعات وتركيبات الأدوية 
4.4.18    تطبيق الذكاء الاصطناعي في تحديد العلاجات الفعالة لفئات محددة 

5.18    الابتكارات في التشخيص بمساعدة الذكاء الاصطناعي 

1.5.18    تطبيق أنظمة الذكاء الاصطناعي للتشخيص السريع والدقيق 
2.5.18    استخدام الذكاء الاصطناعي في التعرف المبكر على الأمراض من خلال تحليل البيانات 
3.5.18    تطوير أدوات الذكاء الاصطناعي لتفسير التجارب السريرية 
4.5.18    تطبيق الذكاء الاصطناعي في مزيج من البيانات السريرية والطبية الحيوية للتشخيص الشامل 

6.18    تطبيقات الذكاء الاصطناعي في دراسات الميكروبيوم وعلم الأحياء الدقيقة 

1.6.18    استخدام الذكاء الاصطناعي في تحليل الميكروبيوم البشري ورسم الخرائط 
2.6.18    تنفيذ الخوارزميات لدراسة العلاقة بين الميكروبيوم والأمراض 
3.6.18    أدوات الذكاء الاصطناعي في تحديد الأنماط في الدراسات الميكروبيولوجية 
4.6.18    تطبيق الذكاء الاصطناعي في أبحاث العلاج القائمة على الميكروبيوم 

7.18    الأجهزة القابلة للارتداء والمراقبة عن بعد في التجارب السريرية 

1.7.18    تطوير الأجهزة القابلة للارتداء مع الذكاء الاصطناعي للمراقبة الصحية المستمرة 
2.7.18    استخدام الذكاء الاصطناعي في تفسير البيانات التي تجمعها الأجهزة القابلة للارتداء 
3.7.18    تنفيذ نظم الرصد عن بعد في التجارب السريرية 
4.7.18    تطبيق الذكاء الاصطناعي في التنبؤ بالأحداث السريرية من خلال البيانات القابلة للارتداء 

8.18    الذكاء الاصطناعي في إدارة التجارب السريرية 

1.8.18    استخدام أنظمة الذكاء الاصطناعي لتحسين إدارة التجارب السريرية 
2.8.18    تنفيذ منظمة العفو الدولية في اختيار المشاركين ومتابعتهم 
3.8.18    أدوات الذكاء الاصطناعي لتحليل البيانات ونتائج التجارب السريرية 
4.8.18    تطبيق الذكاء الاصطناعي في تحسين الكفاءة وخفض تكاليف الاختبار 

9.18    تطوير اللقاحات والعلاجات بمساعدة الذكاء الاصطناعي 

1.9.18    استخدام الذكاء الاصطناعي في تسريع تطوير اللقاحات 
2.9.18    تنفيذ نماذج تنبؤية في تحديد المعالجات المحتملة 
3.9.18    أدوات الذكاء الاصطناعي لمحاكاة الاستجابات للقاحات والأدوية 
4.9.18    تطبيق الذكاء الاصطناعي في تكييف اللقاحات والعلاجات 

10.18    تطبيقات الذكاء الاصطناعي في دراسات المناعة والاستجابة المناعية 

1.10.18    تطوير نماذج الذكاء الاصطناعي لفهم آليات المناعة 
2.10.18    استخدام الذكاء الاصطناعي في تحديد الأنماط في الاستجابات المناعية 
3.10.18    تنفيذ الذكاء الاصطناعي في أبحاث اضطرابات المناعة الذاتية 
4.10.18    تطبيق الذكاء الاصطناعي في تصميم العلاجات المناعية الشخصية 

الوحدة 19. تحليل البيانات الضخمة Big Data والتعلم الآلي في الأبحاث السريرية 

1.19    البيانات الضخمة Big Data في الأبحاث السريرية: المفاهيم والأدوات 

1.1.19    استغلال البيانات في مجال الأبحاث السريرية 
2.1.19    مفهوم البيانات الضخمة Big Data والأدوات الرئيسية 
3.1.19    تطبيقات البيانات الضخمة Big Data في الأبحاث السريرية 

2.19    استخراج البيانات في السجلات السريرية والطبية الحيوية 

1.2.19    المنهجيات الرئيسية لاستخراج البيانات 
2.2.19    دمج البيانات السريرية وبيانات السجل الطبي الأحيائي 
3.2.19    الكشف عن الأنماط والحالات الشاذة في السجلات السريرية والطبية الأحيائية 

3.19    خوارزميات التعلم الآلي في الأبحاث الطبية الحيوية 

1.3.19    تقنيات التصنيف في البحوث الطبية الحيوية 
2.3.19    تقنيات الانحدار في البحوث الطبية الحيوية 
4.3.19    التقنيات غير الخاضعة للإشراف في الأبحاث الطبية الحيوية 

4.19    تقنيات التحليل التنبؤي في البحث السريري 

1.4.19    تقنيات التصنيف في البحوث السريرية 
2.4.19    تقنيات الانحدار في البحث السريري 
3.4.19    التعلم العميق Deep Learning في الأبحاث السريرية 

5.19    نماذج الذكاء الاصطناعي في علم الأوبئة والصحة العامة 

1.5.19    تقنيات تصنيف علم الأوبئة والصحة العامة 
2.5.19    تقنيات الانحدار في علم الأوبئة والصحة العامة 
3.5.19    التقنيات غير الخاضعة للإشراف لعلم الأوبئة والصحة العامة 

6.19    تحليل الشبكات البيولوجية وأنماط الأمراض 

1.6.19    استكشاف التفاعلات في الشبكات البيولوجية لتحديد أنماط الأمراض 
2.6.19    دمج بيانات الأوميكس في تحليل الشبكة لتوصيف التعقيدات البيولوجية 
3.6.19    تطبيق خوارزميات التعلم الآلي machine learning لاكتشاف أنماط المرض 

7.19    استحداث أدوات للتشخيص السريري 

1.7.19    إنشاء أدوات تشخيص سريرية مبتكرة تستند إلى بيانات متعددة الأبعاد 
2.7.19    دمج المتغيرات السريرية والجزيئية في تطوير الأدوات التنبؤية 
3.7.19    تقييم فعالية الأدوات التنبؤية في مختلف السياقات السريرية 

8.19    التصور المتقدم ونقل البيانات المعقدة 

1.8.19    استخدام تقنيات التصور المتقدمة لتمثيل البيانات الطبية الحيوية المعقدة 
2.8.19    وضع استراتيجيات اتصال فعالة لعرض نتائج التحليل المعقدة 
3.8.19    تنفيذ أدوات التفاعل في التصورات لتحسين الفهم 

9.19    تحديات أمن البيانات وإدارة البيانات الضخمة Big Data 

1.9.19    معالجة تحديات أمن البيانات في سياق البيانات الطبية الحيوية الضخمة Big Data 
1.9.19    استراتيجيات لحماية الخصوصية في إدارة مجموعات كبيرة من البيانات الطبية الحيوية 
3.9.19    تنفيذ تدابير أمنية للتخفيف من المخاطر في التعامل مع البيانات الحساسة 

10.19    التطبيقات العملية ودراسات الحالة في مجال البيانات البيولوجية الطبية الضخمة Big Data 

1.10.19    استكشاف قصص النجاح في تنفيذ البيانات الطبية الحيوية الضخمة Big Data في البحوث السريرية 
2.10.19    وضع استراتيجيات عملية لتطبيق البيانات الضخمة Big Data في صنع القرارات السريرية 
3.10.19    تقييم الأثر والدروس المستفادة من خلال دراسات الحالة الطبية الأحيائية 

الوحدة 20. الجوانب الأخلاقية والقانونية والمستقبلية للذكاء الاصطناعي في البحث السريري

1.20    الأخلاقيات في تطبيق الذكاء الاصطناعي في الأبحاث السريرية 

1.1.20    التحليل الأخلاقي لصنع القرار بمساعدة الذكاء الاصطناعي في أماكن البحث السريري 
2.1.20    الأخلاقيات في استخدام خوارزميات الذكاء الاصطناعي لاختيار المشاركين في التجارب السريرية 
3.1.20    الاعتبارات الأخلاقية في تفسير النتائج الناتجة عن أنظمة الذكاء الاصطناعي في البحث السريري 

2.20    الاعتبارات القانونية والتنظيمية في مجال الذكاء الاصطناعي الطبي الأحيائي 

1.2.20    تحليل اللوائح القانونية في تطوير وتطبيق تكنولوجيات الذكاء الاصطناعي في المجال الطبي الأحيائي 
2.2.20    تقييم الامتثال للوائح محددة لضمان سلامة وفعالية الحلول القائمة على الذكاء الاصطناعي 
3.2.20    معالجة التحديات التنظيمية الناشئة المرتبطة باستخدام الذكاء الاصطناعي في البحوث الطبية الحيوية 

3.20    الموافقة المستنيرة والجوانب الأخلاقية في استخدام البيانات السريرية

1.3.20    وضع استراتيجيات لضمان الموافقة المستنيرة الفعالة في المشاريع المتعلقة بالذكاء الاصطناعي 
2.3.20    الأخلاقيات في جمع واستخدام البيانات السريرية الحساسة في سياق البحوث القائمة على الذكاء الاصطناعي 
3.3.20    معالجة القضايا الأخلاقية المتعلقة بالملكية والحصول على البيانات السريرية في مشاريع البحوث 

4.20    الذكاء الاصطناعي والمسؤولية في الأبحاث السريرية 

1.4.20    تقييم المسؤولية الأخلاقية والقانونية في تنفيذ نظم الذكاء الاصطناعي في بروتوكولات البحوث السريرية 
2.4.20    وضع استراتيجيات لمعالجة الآثار السلبية المحتملة لتطبيق الذكاء الاصطناعي في البحوث الطبية الحيوية 
3.4.20    الاعتبارات الأخلاقية في المشاركة النشطة للذكاء الاصطناعي في صنع القرار في البحوث السريرية 

5.20    تأثير الذكاء الاصطناعي على الإنصاف والحصول على الرعاية الصحية 

1.5.20    تقييم تأثير حلول الذكاء الاصطناعي على الإنصاف في المشاركة في التجارب السريرية 
2.5.20    وضع استراتيجيات لتحسين الوصول إلى تقنيات الذكاء الاصطناعي في أماكن سريرية متنوعة 
3.5.20    الأخلاقيات في توزيع الاستحقاقات والمخاطر المرتبطة بتطبيق الذكاء الاصطناعي في مجال الرعاية الصحية 

6.20    الخصوصية وحماية البيانات في مشاريع البحث 

1.6.20    ضمان خصوصية المشاركين في المشاريع البحثية التي تنطوي على استخدام الذكاء الاصطناعي 
2.6.20    وضع سياسات وممارسات لحماية البيانات في مجال البحوث الطبية الحيوية 
3.6.20    معالجة تحديات الخصوصية والأمان المحددة في التعامل مع البيانات الحساسة سريريًا 

7.20    الذكاء الاصطناعي والاستدامة في البحوث الطبية الحيوية 

1.7.20    تقييم الأثر البيئي والموارد المرتبطة بتنفيذ الذكاء الاصطناعي في البحوث الطبية الحيوية 
2.7.20    تطوير ممارسات مستدامة في إدماج تكنولوجيات الذكاء الاصطناعي في مشاريع البحوث السريرية 
3.7.20    الأخلاقيات في إدارة الموارد والاستدامة في اعتماد الذكاء الاصطناعي في البحوث الطبية الحيوية 

8.20    مراجعة نماذج الذكاء الاصطناعي السريرية وقابليتها للتفسير

1.8.20    وضع بروتوكولات تدقيق لتقييم موثوقية ودقة نماذج الذكاء الاصطناعي في البحوث السريرية 
2.8.20    الأخلاقيات في إمكانية تفسير الخوارزميات لضمان فهم القرارات التي تتخذها أنظمة الذكاء الاصطناعي في السياقات السريرية 
3.8.20    تؤدي معالجة التحديات الأخلاقية في تفسير نموذج الذكاء الاصطناعي إلى البحث الطبي الحيوي 

9.20    الابتكار وريادة الأعمال في مجال الذكاء الاصطناعي السريري 

1.9.20    الأخلاقيات في الابتكار المسؤول عند تطوير حلول الذكاء الاصطناعي للتطبيقات السريرية 
2.9.20    وضع استراتيجيات عمل أخلاقية في مجال الذكاء الاصطناعي السريري 
3.9.20    الاعتبارات الأخلاقية في تسويق واعتماد حلول الذكاء الاصطناعي في القطاع السريري 

10.20    الاعتبارات الأخلاقية في التعاون الدولي في البحوث السريرية 

1.10.20    وضع اتفاقات أخلاقية وقانونية للتعاون الدولي في المشاريع البحثية القائمة على الذكاء الاصطناعي 
2.10.20    الأخلاقيات في مشاركة مؤسسات وبلدان متعددة في البحوث السريرية باستخدام تكنولوجيات الذكاء الاصطناعي 
3.10.20    التصدي للتحديات الأخلاقية الناشئة المرتبطة بالتعاون العالمي في مجال البحوث الطبية الحيوية

اغتنم الفرصة للتعرف على أحدث التطورات في هذه المادة لتطبيقها في ممارستك اليومية"