سوف تتقن الأنواع الرئيسية لطبقات الشبكات العصبونية الالتفافية CNN وتحديد أجزاء أكبر من الصور بفضل هذا البرنامج المتاح عبر الإنترنت 100%"

لقد أثبتت الشبكات التلافيفية نفسها كأداة متعددة الاستخدامات في مجال الرؤية الاصطناعية. تكمن أهميتها في قدرتها على تحليل وفهم ومعالجة الصور أو مقاطع الفيديو بطريقة آلية وفعالة. ومن بين تطبيقاتها المتنوعة، تبرز أهميتها في مجال التوثيق الطبي الحيوي عند تحليل خصائص الوجه الفريدة للشخص ومقارنتها بقاعدة بيانات. ومقارنتها بقاعدة بيانات للتحقق من هويته. وهذا أمر لا غنى عنه في جوانب مثل أمن المطارات أو مراقبة الدخول في المباني وغيرها.

وفي هذا السياق، تعمل جامعة تيك على تطوير برنامج شهادة الخبرة الجامعية الذي سيتناول بشكل شامل التعلم العميق التطبيقي للرؤية الحاسوبية. سيتعمق المنهج في استخدام التعلم الآلي، Machine learning نظراً لأهميته في التعرف على الأنماط وتنفيذ مهام تحليلية محددة. سيغطي المنهج أيضًا الدورة الكاملة لإنشاء شبكة عصبية، مع إيلاء اهتمام دقيق لتدريبها والتحقق من صحتها. بالإضافة إلى ذلك، سيتعلم الطلاب الاستراتيجيات الأكثر تقدمًا لاكتشاف العناصر وتتبعها. وتماشياً مع ذلك، سيطبقون أحدث مقاييس التقييم، بما في ذلك التقاطع بما في ذلك التقاطع على الاتحاد أو درجة الثقةIntersection Over Union أو Confidence Score.

من ناحية أخرى، ولتعزيز إتقان المحتويات، تطبق هذه الشهادة الجامعية نظام إعادة التعلم الثوري Relearning. وتعد TECH رائدة في استخدام هذا النموذج التعليمي الذي يعزز استيعاب المفاهيم المعقدة من خلال التكرار الطبيعي والتدريجي لها. وبهذه الطريقة، لا يضطر الطلاب إلى اللجوء إلى تقنيات معقدة مثل الحفظ التقليدي. وعلى هذا المنوال، يستخدم البرنامج أيضًا مواد بصيغ مختلفة مثل الرسوم البيانية والملخصات التفاعلية ومقاطع الفيديو التوضيحية. كل هذا في وضع مريح عبر الإنترنت %100، مما يسمح للطلاب بتعديل جداولهم وفقًا لمسؤولياتهم وظروفهم الشخصية.

تعمّق أكثر في مقاييس تقييم خوارزمية التتبع بفضل TECH، أفضل جامعة رقمية في العالم وفقاً لمجلة Forbes".

تحتوي شهادة الخبرة الجامعية في التعلم العميق المطبق على الرؤية الحاسوبية على البرنامج التعليمي الأكثر اكتمالاً وحداثة في السوق. أبرز خصائصه هي:

تطوير دراسات الحالة التي يقدمها خبراء في التعلم العميق deep learning وعلوم الحاسوب والرؤية الحاسوبية.على البرنامج التعليمي الأكثر اكتمالاً وحداثة في السوق
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 للجدل وأعمال التفكير الفردي
توفر المحتوى على ي جهاز ثابت أو محمول متصل بالإنترنت

هل تريد أن تصبح خبيراً في التعلم الآلي؟ حقق ذلك في 6 أشهر فقط بفضل هذا البرنامج المبتكر"

يتضمن البرنامج في هيئة تدريسه المهنيين من القطاع الذين يصبون في هذا التدريب خبرة في عملهم، بالإضافة إلى متخصصين معترف بهم من جمعيات مرجعية وجامعات مرموقة.

سيتيح محتوى الوسائط المتعددة، الذي تم تطويره باستخدام أحدث التقنيات التعليمية، للمهنيين التعلم بطريقة واقعية وسياقية، أي في بيئة محاكاة توفر تدريبًا غامرًا مبرمجًا للتدريب في مواقف حقيقية. 

يركز تصميم هذا البرنامج على التعلّم القائم على حل المشكلات، حيث سيتعين على المحترف محاولة حل مواقف الممارسة المهنية المختلفة التي يتم طرحها خلال الدورة الأكاديمية. وللقيام بذلك، سيحصلون على مساعدة من نظام فيديو تفاعلي مبتكر تم إنشاؤه بواسطة خبراء معترف بهم. 

جدد معلوماتك عن اكتشاف العناصر من خلال محتوى الوسائط المتعددة المبتكر"

فلتنسى حفظ المناهج الدراسية!" مع نظام إعادة التعلم Relearning، ستدمج المفاهيم بطريقة طبيعية وتقدمية"

تتكون هذه الخطة الدراسية من 3 وحدات كاملة، صممها متخصصون حقيقيون في الذكاء الاصطناعي. ولذلك، ستقدم المواد التعليمية أحدث الابتكارات في مقاييس تقييم الشبكات العصبية، وأنواع طبقات CNN، والتدريب على التنظيم. لطبقات CNN والتدريب مع التنظيم. وبالإضافة إلى ذلك، سيكتسب الطلاب مهارات جديدة للتعامل بفعالية مع الأدوات الأكثر تقدماً في الكشف عن العناصر. سيشمل التدريب تحليل الحالات الحقيقية وحل المواقف المعقدة في بيئات محاكاة الكشف عن العناصر. حالات معقدة في بيئات محاكاة التعلم. سيكون الخريجون مستعدين للتغلب على أي تحدٍ قد يواجهونه خلال أنشطتهم. أنشطتهم.

المنهج الدراسي المتخصص والمواد التدريبية عالية المستوى هي مفتاح النجاح المهني الناجح"

الوحدة 1. التعلم العميق 

1.1    الذكاء الاصطناعي

1.1.1    التعلّم الآلي
2.1.1    التعلم العميق
3.1.1    إندفاع deep learning. لماذا الآن

2.1    الشبكات العصبية

1.2.1    الشبكة العصبية
2.2.1    استخدامات الشبكات العصبية
3.2.1    الانحدار الخطي والبيرسبترون Perceptron
4.2.1    الانتشار الأمامي Forward propagation
5.2.1    الانتشار الخلفي Backpropagation
6.2.1    متجهات السمات Feature vectors

3.1    دوال الخسارة Loss Functions

1.3.1    دالة الخسارة Loss function
2.3.1    أنواع دوال الخسارة Loss function
3.3.1    اختيار دالة الخسارة loss function

4.1    دوال التفعيل

1.4.1    دالة التفعيل
2.4.1    الدوال الخطية
3.4.1    الدوال غير الخطية
4.4.1    المخرجات مقابل دوال تنشيط الطبقة المخفية 

5.1    التنظيم والتسوية

1.5.1    التنظيم والتسوية
2.5.1    الإفراط في التركيب وزيادة البيانات Overfitting and Data Augmentation
3.5.1    طرق التنظيم: L1 و L2 dropout
4.5.1    Normalization methods: Batch, Weight, Layer

6.1    التحسين

1.6.1    نزول التدرج Gradient Descent
2.6.1    نزول التدرج العشوائي Stochastic Gradient Descent
3.6.1    نزول التدرج الدفعي المصغر Mini Batch Gradient Descent
4.6.1    Momentum
5.6.1    Adam

7.1    Hyperparameter Tuning والأوزان

1.7.1    المعلمات الفائقة
2.7.1    Batch Size مقابل Learning Rate مقابل Step Decay 
3.7.1    الأوزان

8.1    مقاييس تقييم الشبكة العصبية

1.8.1    مدى الدقة
2.8.1    معامل النرد Dice coefficient
3.8.1    الحساسية مقابل الخصوصية / التذكر مقابل الدقة Sensitivity مقابل Specificity / Recall مقابلprecision
4.8.1    منحنى ROC (AUC)
5.8.1    F1-score
6.8.1    مصفوفة الإرباك Confusion matrix
7.8.1    التحقق التبادلي Cross-validation

9.1    الأطر والأدوات Frameworks و Hardware

1.9.1    تدفق الموتر Tensor Flow
2.9.1    Pytorch
3.9.1    Caffe
4.9.1    Keras
5.9.1    الأدوات لمرحلة التدريب

10.1    إنشاء الشبكة العصبية - التدريب والتحقق من الصحة

1.10.1    مجموعة البيانات Dataset
2.10.1    إنشاء الشبكة
3.10.1    التدريب
4.10.1    عرض النتائج

الوحدة 2. الشبكات التلافيفية وتصنيف الصور

1.2    الشبكات العصبية التلافيفية 

1.1.2    مقدمة
2.1.2    التلافيف
3.3.2    لبنات بناء شبكة CNN

2.2    أنواع طبقات الـ CNN 

1.2.2    التلافيف Convolutional 
2.2.2    التنشيط Activation
3.2.2    التسوية الدفعية Batch normalization 
4.2.2    الاقتراع Polling
5.2.2    متصل بالكامل Fully connected 

3.2    المقاييس

1.3.2    مصفوفة الارباك 
2.3.2    مدى الدقة 
3.3.2    الدقة 
4.3.2    الاسترجاع
5.3.2    F1 Score 
6.3.2    ROC Curve 
7.3.2    AUC

4.2    المعماريات الرئيسية 

1.4.2    AlexNet
2.4.2    VGG 
3.4.2    Resnet 
4.4.2    GoogleLeNet

5.2    تصنيف الصور 

1.5.2    مقدمة
2.5.2    تحليل البيانات 
3.5.2    إعداد البيانات 
4.5.2    تدريب النموذج 
5.5.2    التحقق من صحة النموذج

6.2    الاعتبارات العملية لتدريب شبكة CNN 

1.6.2    اختيار المُحسِّن
2.6.2    جدولة معدل التعلم Learning Rate Scheduler
3.6.2    اختبار خط أنابيب التدريب 
4.6.2    التدريب مع الانتظام

7.2    أفضل الممارسات في التعلم العميق Deep Learning 

1.7.2    Transfer learning
2.7.2    Fine Tuning
3.7.2    Data Augmentation

8.2    التقييم الإحصائي للبيانات 

1.8.2    عدد مجموعات البيانات
2.8.2    عدد العلامات 
3.8.2    عدد الصور 
4.8.2    موازنة البيانات

9.2    Deployment

1.9.2    حفظ وتحميل النماذج
2.9.2    Onnx
3.9.2    الاستدلال

10.2    دراسة حالة: تصنيف الصور

1.10.2     تحليل البيانات وإعدادها
2.10.2     اختبار خط أنابيب pipeline التدريب
3.10.2     تدريب النموذج
4.10.2     التحقق من صحة النموذج

الوحدة 3. كشف العناصر

1.3    كشف العناصر وتتبعها

1.1.3    كشف العناصر
2.1.3    حالات الاستخدام
3.1.3    تتبّع العناصر
4.1.3    حالات الاستخدام
5.1.3    الانسدادات والوضعيات الجامدة وغير الجامدة Rigid and No Rigid Poses

2.3    مقاييس التقييم

1.2.3    IOU - التقاطع على الاتحاد - Intersection Over Union
2.2.3    Confidence Score
3.2.3    الاسترجاع
4.2.3    الدقة
5.2.3    منحنى الاستعادة Precision Curve - الدقة
6.2.3    متوسط الدقة المتوسطة Mean Average Precision (mAP)

3.3    الطرق التقليدية

1.3.3    النافذة المنزلقة Sliding window
2.3.3    كاشف فيولا Viola detector
3.3.3    HOG
4.3.3    نظام الكبح اللامحدود (NMS)

4.3    Datasets

1.4.3    Pascal VC
2.4.3    MS Coco
3.4.3    ImageNet (2014)
4.4.3    MOTA Challenge

5.3    Two Shot Object Detector

1.5.3    R-CNN
2.5.3    Fast R-CNN
3.5.3    Faster R-CNN
4.5.3    Mask R-CNN

6.3    Single Shot Object Detector

1.6.3    SSD
2.6.3    YOLO
3.6.3    RetinaNet
4.6.3    CenterNet
5.6.3    EfficientDet

7.3    Backbones

1.7.3    VGG
2.7.3    ResNet
3.7.3    Mobilenet
4.7.3    Shufflenet
5.7.3    Darknet

8.3    Object Tracking

1.8.3    المقاربات الكلاسيكية
2.8.3    مرشحات الجسيمات
3.8.3    Kalman
4.8.3    Sort tracker
5.8.3    Deep Sort

9.3    الفرز

1.9.3    منصة الحوسبة
2.9.3    اختيار Backbone
3.9.3    اختيار Framework
4.9.3    تحسين النموذج
5.9.3    إصدار النموذج

10.3    الدراسة: اكتشاف الأشخاص وتتبعهم

1.10.3    الكشف عن الأشخاص
2.10.3    رصد الأشخاص
3.10.3    إعادة تحديد الهوية
4.10.3    عد الأشخاص في الحشود

تدريب يتميز بمرونته وحرية مواعيده وتوافره على مدار 24 ساعة. سارع بالتسجيل"