كن خبيرًا في الرؤية الحاسوبيةالروبوتات والرؤية الحاسوبية خلال 24 شهرًا مع الماجستير المتقدم ل TECH. سجل الآن"

يؤدي ظهور الذكاء الاصطناعي والروبوتات إلى تغيير المشهد التكنولوجي والاقتصادي والاجتماعي على مستوى العالم. وفي هذا السياق، يعد التخصص في مجالات مثل الرؤية الحاسوبية أمرًا بالغ الأهمية للبقاء على اطلاع دائم في بيئة تتسم بالتقدم السريع والتغيرات المدمرة. يتطلب التفاعل المتزايد بين البشر والآلات، والحاجة إلى معالجة المعلومات المرئية بكفاءة، متخصصين مدربين تدريباً عالياً لقيادة الابتكار والمعالجة التحديات. 

سيناريو مناسب لمحترفي الهندسة الذين يرغبون في التقدم في قطاع مزدهر. لهذا السبب، صممت TECH هذا الماجستير المتقدم في الرؤية الحاسوبيةالروبوتات والرؤية الحاسوبية، والذي يوفر تدريبًا شاملاً في هذه التخصصات الناشئة، ويغطي موضوعات مثل الواقع المعزز والذكاء الاصطناعي ومعالجة المعلومات المرئية في الآلات، من بين أمور أخرى. 

برنامج يقدم منهجًا نظريًا وعمليًا يسمح للخريجين بتطبيق معارفهم في بيئات حقيقية. كل هذا في شهادة جامعية 100٪ عبر الإنترنت، والتي تسمح للطلاب بتكييف تعلمهم مع مسؤولياتهم الشخصية والمهنية. وبالتالي، سيتمكنون من الوصول إلى مواد تعليمية عالية الجودة، مثل مقاطع الفيديو والقراءات الأساسية والموارد التفصيلية، مما يوفر لهم رؤية عالمية للروبوتات والرؤية الحاسوبية.

وبالمثل، وبفضل أسلوب إعادة التعلم، القائم على التكرار المستمر للمحتوى الأكثر تميزًا، سيرى الطالب انخفاض ساعات الدراسة وسيتمكن بسهولة أكبر من دمج المفاهيم الأكثر تميزًا. 

درجة فريدة من نوعها في البانوراما الأكاديمية التي تتميز أيضًا بفريق العمل المتميز من المتخصصين في هذا المجال. تتجلى معرفته وخبرته الممتازة في هذا القطاع في المنهج الدراسي المتقدم الذي تقدمه شركة TECH فقط. 

كن رائدا في مجال الابتكار ومواجهة التحديات الأخلاقية وتحديات السلامة من خلال إيجاد حلول مبتكرة وفعالة في قطاعات الصناعة المختلفة " 

تحتوي درجة ماجستير متقدم في الرؤية الحاسوبيةالروبوتات والرؤية الحاسوبية على البرنامج التعليمي الأكثر ميكانيكي اكتمالا وحداثة في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها الخبراء في تكنولوجيا المعلومات 
تجمع المحتويات الرسومية والتخطيطية والعملية البارزة التي صممت بها معلومات علمية وعملية حول التخصصات الضرورية للممارسة المهنية 
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم 
تركيزها بشكل خاص على المنهجيات المبتكرة في تطوير الرؤية الحاسوبيةالروبوتات والرؤية الحاسوبية 
كل هذا سيتم استكماله بدروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت 

اغتنم الفرصة للدراسة في برنامج 100% عبر الإنترنت، يكيف وقت دراستك مع ظروفك الشخصية والمهنية "

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

بفضل محتوى البرنامج من الوسائط المتعددة المُعد بأحدث التقنيات التعليمية، سوف يسمحون للمهني بتعلم سياقي، أي بيئة محاكاة ستوفر دراسة غامرة مبرمجة للتدريب في مواقف حقيقية. 

يركز تصميم هذا البرنامج على التعلم القائم على حل المشكلات، والذي يجب على الطالب من خلاله محاولة حل مواقف الممارسة المهنية المختلفة التي تنشأ على مدار العام الدراسي. للقيام بذلك، المحترف سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

حلل، من خلال أفضل المواد التعليمية، كيفية إجراء الضبط وتحديد المعلمات لخوارزميات SLAM"

تعمق أكثر متى وأينما تريد في التقدم المحرز في Deep learning"

يتم تقديم الماجستير المتقدم في الروبوتات والرؤية الحاسوبية الحاسوبية  كخيار ممتاز لمحترفي الهندسة الذين يسعون للتخصص في هذا المجال المتطور. يتم تطوير وحدات البرنامج بترتيب تدريجي، مما يسمح للطلاب باكتساب المعرفة تدريجيًا وبكفاءة. بالإضافة إلى ذلك، فهي تتيح الفرصة للتعرف على تصميم وبرمجة الروبوتات والتحكم فيها، وكذلك التعرف على خوارزميات الرؤية الحاسوبية وتقنيات التعلم الآلي، وهي المهارات الأساسية للنجاح في هذا المجال الذي يتطور باستمرار، كل هذا بالإضافة إلى مكتبة افتراضي، يمكن الوصول إليه على مدار 24 ساعة يوميًا، من أي جهاز رقمي متصل إلى الإنترنت.

احصل على رؤية عالمية حول الروبوتات والرؤية الحاسوبية، وذلك بفضل الوصول إلى مواد تعليمية عالية الجودة "

الوحدة 1. علم الروبوتات. تصميم ونمذجة الروبوتات 

1.1    الروبوتات والصناعة 4.0 

1.1.1    الروبوتات والصناعة 4.0 
2.1.1    مجالات التطبيق وحالات الاستخدام 
3.1.1    مجالات التخصص الفرعية في الروبوتات 

2.1    بنيات أجهزة وبرمجيات الروبوت 

1.2.1    بنيات الأجهزة والوقت الحقيقي 
2.2.1    بنيات برامج الروبوت 
3.2.1    بنيات برامج الروبوت 
4.2.1    تكامل البرامج مع Robot Operating System (نظام تشغيل الروبوت) (ROS) 

3.1    النمذجة الرياضية للروبوتات 

1.3.1    التمثيل الرياضي للمواد الصلبة والجامدة\ 
2.3.1    الدواران والتحرك 
3.3.1    تمثيل التسلسل الإداري للحالة 
4.3.1    التمثيل الموزع للحالة في ROS (مكتبة TF) 

4.1    حركيات وديناميكيات الروبوت 

1.4.1    معادلات الحركة 
2.4.1    ديناميكية 
3.4.1    الروبوتات الأكثر حرية 
4.4.1    الروبوتات المتكررة 

5.1    نمذجة ومحاكاة الروبوت 

1.5.1    تقنيات نمذجة الروبوتات 
2.5.1    نمذجة الروبوت باستخدام URDF 
3.5.1    محاكاة الروبوت 
4.5.1    نمذجة محاكي Gazebo 

6.1    الروبوتات المناولة 

1.6.1    أنواع الروبوتات المناولة 
2.6.1    معادلات الحركة 
3.6.1    ديناميكية 
4.6.1    المحاكاة 

7.1    الروبوتات المتنقلة البرية 

1.7.1    أنواع الروبوتات المتنقلة البرية 
2.7.1    معادلات الحركة 
3.7.1    ديناميكية 
4.7.1    المحاكاة 

8.1    الروبوتات المتنقلة الجوية 

1.8.1    أنواع الروبوتات المتنقلة الجوية 
2.8.1    معادلات الحركة 
3.8.1    ديناميكية 
4.8.1    المحاكاة 

9.1    الروبوتات المتنقلة المائية 

1.9.1    أنواع الروبوتات المتنقلة المائية 
2.9.1    معادلات الحركة 
3.9.1    ديناميكية 
4.9.1    المحاكاة 

10.1    روبوتات مستوحاة من البيولوجيا 

1.10.1    الروبوتات الشبيهة بالبشر 
2.10.1    روبوتات بأربعة أرجل أو أكثر 
3.10.1    الروبوتات المعيارية 
4.10.1    الروبوتات ذات الأجزاء المرنة (Soft-Robotics)

الوحدة 2. العملاء الأذكياء تطبيق الذكاء الاصطناعي على الروبوتات و Softbots

1.2    الوكلاء الأذكياء والذكاء الاصطناعي 

1.1.2    لروبوتات الذكية. الذكاء الاصطناعي 
2.1.2    العملاء الأذكياء 

1.2.1.2 وكلاء الأجهزة. الروبوتات 
2.2.1.2 وكلاء البرمجيات. Softbots

1.3.2    تطبيقات على الروبوتات 

2.2    اتصال خوارزمية الدماغ 

1.2.2    الإلهام البيولوجي للذكاء الاصطناعي 
2.2.2    المنطق المطبق في الخوارزميات. الأنماط 
3.2.2    إمكانية تفسير النتائج في خوارزميات الذكاء الاصطناعي 
4.2.2    تطور الخوارزميات إلى Deep Learning 

3.2    خوارزميات البحث عن مساحة الحل 

1.3.2    عناصر البحث في فضاء الحل 
2.3.2    خوارزميات البحث عن حلول في مشاكل الذكاء الاصطناعي 
3.3.2    تطبيقات خوارزمية البحث والتحسين 
4.3.2    خوارزميات البحث المطبقة على التعلم الآلي 

4.2    التعلم الالي 

1.4.2    التعلم الالي 
2.4.2    خوارزميات التعلم الخاضعة للإشراف 
3.4.2    خوارزميات التعلم غير الخاضعة للرقابة 
4.4.2    تعزيز خوارزميات التعلم 

5.2    التعلم تحت الإشراف 

1.5.2    أساليب التعلم الخاضعة للإشراف 
2.5.2    أشجار القرارات لأغراض التصنيف 
3.5.2    دعم آلات المتجهات 
4.5.2    الشبكات العصبية الاصطناعية 
5.5.2    تطبيقات التعلم الخاضع للإشراف 

6.2    تعليم غير مشرف عليه 

1.6.2    تعليم غير مشرف عليه 
2.6.2    شبكات Kohonen 
3.6.2    خرائط التنظيم الذاتي 
4.6.2    خوارزمية K-medias 

7.2    تعزيز التعلم 

1.7.2    تعزيز التعلم 
2.7.2    وكلاء على أساس عمليات Markov 
3.7.2    تعزيز خوارزميات التعلم 
4.6.2    تطبيق التعلم المعزز على الروبوتات 

8.2    الاستدلال الاحتمالي 

1.8.2    الاستدلال الاحتمالي 
2.8.2    أنواع الاستدلال وتعريف الطريقة 
3.8.2    الاستدلال بايزي كدراسة حالة 
4.8.2    تقنيات الاستدلال غير المعلمي 
5.8.2    مرشحات Gaussianos 

9.2    من النظرية إلى التطبيق: تطوير عامل ذكي آلي 

1.9.2    إدراج وحدات التعلم الخاضع للإشراف في الوكيل الآلي 
2.9.2    إدراج وحدات التعلم المعزز في الوكيل الآلي 
3.9.2    هندسة عامل آلي يتحكم فيه الذكاء الاصطناعي 
4.9.2    أدوات احترافية لتنفيذ الوكيل الذكي 
5.9.2    مراحل تنفيذ خوارزميات الذكاء الاصطناعي في العوامل الروبوتية

الوحدة 3. Deep Learning (التعلم العميق) 

1.3    الذكاء الاصطناعي 

1.1.3    التعلم الالي 
2.1.3    Deep Learning  
3.1.3    انفجار Deep Learning. لماذا الآن؟ 

2.3    الشبكات العصبية  

1.2.3    الشبكة العصبية 
2.2.3    استخدامات الشبكات العصبية 
3.2.3    الانحدار الخطي والإدراك 
4.2.3    Forward Propagation 
5.2.3    Backpropagation 
6.2.3    Feature vectors 

3.3    Loss Functions 

1.3.3    Loss Functions 
2.3.3    أنواع Loss Functions 
3.3.3    اختيار Loss Functions 

4.3    وظائف التنشيط 

1.4.3    وظيفة التنشيط 
2.4.3    وظائف خطية 
3.4.3    وظائف غير خطية 
4.4.3    Output مقابل. Hidden Layer Activation Functions 

5.3    التنظيم والتطبيع 

1.5.3    التنظيم والتطبيع 
2.5.3    Overfitting and Data Augmentation
3.5.3    Regularization Methods: L1, L2 and Dropout 
4.5.3    Normalization Methods: Batch, Weight, Layer

6.3    التحسين 

1.6.3    Gradient Descent 
2.6.3    Stochastic Gradient Descent 
3.6.3    Mini Batch Gradient Descent 
4.6.3    Momentum 
5.6.3    Adam 

7.3    Hyperparameter Tuning والأوزان 

1.7.3    المعلمات المفرطة 
2.7.3    Batch Size مقابل. Learning Rate مقابل. Step Decay 
3.7.3    الأوزان 

8.3    مقاييس تقييم الشبكة العصبية 

1.8.3    Accuracy 
2.8.3    Dice Coefficient 
3.8.3    Sensitivity مقابل. Specificity/Recall مقابل. Precision 
4.8.3    منحنى (ROC (AUC 
5.8.3    F1-score 
6.8.3    الارتباك Matrix 
7.8.3    Cross-Validation 

9.3    Frameworks y Hardware 

1.9.3    Tensor Flow 
2.9.3    Pytorch 
3.9.3    Caffe 
4.9.3    Keras 
5.9.3    الأجهزة لمرحلة التدريب  

10.3    إنشاء شبكة عصبية – التدريب والتحقق من الصحة  

1.10.3    Dataset 
2.10.3    بناء الشبكة 
3.10.3    التمرين 
4.10.3    عرض النتائج 

الوحدة 4. الروبوتات في أتمتة العمليات الصناعية 

1.4    تصميم الأنظمة الآلية 

1.1.4    بنيات الأجهزة 
2.1.4    وحدات التحكم المنطقية القابلة للبرمجة 
3.1.4    شبكات الاتصالات الصناعية 

2.4    التصميم الكهربائي المتقدم 1: الأتمتة 

1.2.4    تصميم اللوحات والرموز الكهربائية 
2.2.4    دوائر القدرة والتحكم. التوافقية 
3.2.4    عناصر الحماية والتأريض 

3.4    التصميم الكهربائي المتقدم 2: الحتمية والسلامة 

1.3.4    سلامة الآلة والروبوتات المتكررة 
2.3.4    مرحلات السلامة والمشغلات 
3.3.4    PLCs للسلامة 
4.3.4    الشبكات الآمنة 

4.4    الأداء الكهربائي 

1.4.4    المحركات والمحركات المؤازرة 
2.4.4    محركات الأقراص وأجهزة التحكم ذات التردد المتغير 
3.4.4    الروبوتات الصناعية التشغيل الكهربائي 

5.4    التشغيل الهيدروليكي والهوائي 

1.5.4    التصميم الهيدروليكي والرموز 
2.5.4    التصميم الهوائي والرموز 
3.5.4    بيئات ATEX في الأتمتة 

6.4    محولات الطاقة في الروبوتات والأتمتة 

1.6.4    مقياس الموقف والسرعة 
2.6.4    مقياس القوة ودرجة الحرارة 
3.6.4    مقياس الحضور 
4.6.4    أجهزة استشعار الرؤية 

7.4    برمجة وتكوين+ وحدات التحكم المنطقية القابلة للبرمجة PLCs 

1.7.4    برمجة PLC: LD 
2.7.4    برمجة PLC: ST 
3.7.4    برمجة PLC: FBD y CFC 
4.7.4    برمجة PLC: SFC 

8.4    برمجة وتكوين المعدات في المنشآت الصناعية 

1.8.4    برمجة محركات الأقراص وأجهزة التحكم 
2.8.4    برمجة HMI 
3.8.4    برمجة الروبوت المناول 

9.4    برمجة وتكوين أجهزة الكمبيوتر الصناعية 

1.9.4    برمجة أنظمة الرؤية 
2.9.4    برمجة SCADA/software 
3.9.4    إعداد الشبكات 

10.4    تنفيذ الأتمتة 

1.10.4    تصميم آلات الحالة 
2.10.4    تنفيذ أجهزة الحالة في PLCs 
3.10.4    تنفيذ أنظمة التحكم التناظرية PID في PLCs 
4.10.4    صيانة الأتمتة ونظافة التعليمات البرمجية 
5.10.4    الأتمتة ومحاكاة المصانع 

الوحدة 5. أنظمة التحكم الآلي في الروبوتات 

1.5    تحليل وتصميم الأنظمة غير الخطية 

1.1.5    تحليل ونمذجة الأنظمة غير الخطية 
2.1.5    السيطرة مع ردود الفعل 
3.1.5    ردود الفعل الخطية 

2.5    تصميم تقنيات التحكم للأنظمة غير الخطية المتقدمة 

1.2.5    التحكم في وضع الانزلاق (Sliding Mode control) 
2.2.5    التحكم على أساس Lyapunov وBackstepping 
3.2.5    السيطرة على أساس السلبية 

3.5    بنيات التحكم 

1.3.5    نموذج الروبوتات 
2.3.5    بنيات التحكم 
3.3.5    تطبيقات وأمثلة على بنيات التحكم 

4.5    التحكم في الحركة للأذرع الروبوتية 

1.4.5    النمذجة الحركية والديناميكية 
2.4.5    السيطرة في الفضاء المشترك 
3.4.5    السيطرة في الفضاء التشغيلي 

5.5    السيطرة على القوة على المحركات 

1.5.5    السيطرة على القوة 
2.5.5    التحكم في المعاوقة 
3.5.5    التحكم الهجين 

6.5    الروبوتات المتنقلة البرية 

1.6.5    معادلات الحركة 
2.6.5    تقنيات التحكم في الروبوتات الأرضية 
3.6.5    المعالجات المتنقلة 

7.5    الروبوتات المتنقلة الجوية 

1.7.5    معادلات الحركة 
2.7.5    تقنيات التحكم في الروبوتات الجوية 
3.7.5    المعالجات الجوية 

8.5    التحكم على أساس تقنيات التعلم الآلي 

1.8.5    التحكم من خلال التعلم الخاضع للإشراف 
2.8.5    السيطرة من خلال التعلم المعزز 
3.8.5    التحكم من خلال التعلم غير الخاضع للرقابة 

9.5    التحكم القائم على الرؤية 

1.9.5    Visual Servoing القائمة على الموضع 
2.9.5    Visual Servoing القائمة على الصورة 
3.9.5    Visual Servoing هجينة 

10.5    التحكم التنبؤي 

1.10.5    النماذج وتقدير الحالة 
2.10.5    MPC مطبقة على Mobile Robots 
3.10.5    MPC مطبقة على UAVs

الوحدة 6. خوارزميات الجدولة في الروبوتات 

1.6    خوارزميات التخطيط الكلاسيكية 

1.1.6    جدولة بسيطة: مساحة الدولة 
2.1.6    مشاكل التخطيط في الروبوتات. نماذج النظام الروبوتي 
3.1.6    تصنيف المخططين 

2.6    مشكلة تخطيط المسار في الروبوتات المتنقلة 

1.2.6    طرق تمثيل البيئة: الرسوم البيانية 
2.2.6    خوارزميات البحث في الرسم البياني 
3.2.6    إدخال التكاليف في الشبكات 
4.2.6    خوارزميات البحث في الرسوم البيانية الثقيلة 
5.2.6    خوارزميات مع التركيز من أي زاوية 

3.6    التخطيط في الأنظمة الروبوتية عالية الأبعاد 

1.3.6    مشاكل الروبوتات عالية الأبعاد: المتلاعبون 
2.3.6    نموذج حركي أمامي/معكوس 
3.3.6    خوارزميات تخطيط أخذ العينات PRM وRRT 
4.3.6    التخطيط للقيود الديناميكية 

4.6    التخطيط الأمثل لأخذ العينات 

1.4.6    مشاكل مع المخططين القائمين على أخذ العينات 
2.4.6    RRT * مفهوم الأمثلية الاحتمالية 
3.4.6    خطوة إعادة الاتصال: القيود الديناميكية 
4.4.6    CForest. موازاة التخطيط 

5.6    التنفيذ الفعلي لنظام تخطيط الحركة 

1.5.6    مشكلة التخطيط العالمي. البيئات الديناميكية 
2.5.6    دورة العمل، الاستشعار. الحصول على المعلومات من البيئة 
3.5.6    التخطيط المحلي والعالمي 

6.6    التنسيق في أنظمة الروبوتات المتعددة 1: النظام المركزي 

1.6.6    مشكلة التنسيق بين الروبوتات المتعددة 
2.6.6    كشف الاصطدامات وحلها: تعديل المسارات باستخدام الخوارزميات الجينية 
3.6.6    خوارزميات أخرى مستوحاة من الحيوية: سرب الجسيمات والألعاب النارية 
4.6.6    خوارزمية اختيار المناورة لتجنب الاصطدام 

7.6    التنسيق في أنظمة الروبوتات المتعددة 2: الأساليب الموزعة 1 

1.7.6    استخدام وظائف موضوعية معقدة 
2.7.6    جبهة Pareto 
3.7.6    خوارزميات تطورية متعددة الأهداف 

8.6    التنسيق في أنظمة الروبوتات المتعددة 2: الأساليب الموزعة 2 

1.8.6    أنظمة تخطيط الطلبات 1 
2.8.6    خوارزمية ORCA 
3.8.6    إضافة القيود الحركية والديناميكية في ORCA 

9.6    نظرية التخطيط بقرار 

1.9.6    نظرية القرار 
2.9.6    أنظمة القرار التسلسلي 
3.9.6    المجسات ومساحات المعلومات 
4.9.6    التخطيط في مواجهة عدم اليقين في الاستشعار وفي العمل 

10.6    تعزيز نظم تخطيط التعلم 

1.10.6    الحصول على المكافأة المتوقعة من النظام 
2.10.6    تقنيات التعلم بالمكافأة المتوسطة 
3.10.6    التعلم عن طريق التعزيز العكسي 

الوحدة 7. رؤية اصطناعية  

1.7    الإدراك البشري 

1.1.7    النظام البصري البشري 
2.1.7    اللون 
3.1.7    الترددات المرئية وغير المرئية 

2.7    تاريخ الرؤية الحاسوبية 

1.2.7    البداية 
2.2.7    التطور 
3.2.7    أهمية الرؤية الحاسوبية 

3.7    تكوين الصورة الرقمية 

1.3.7    الصورة الرقمية 
2.3.7    أنواع الصور 
3.3.7    مساحات اللون 
4.3.7    RGB 
5.3.7    HSV و HSL 
6.3.7    CMY-CMYK 
7.3.7    YCbCr 
8.3.7    الصورة المفهرسة 

4.7    أنظمة التقاط الصور 

1.4.7    تشغيل كاميرا الرقمية 
2.4.7    التعرض الصحيح لكل حالة 
3.4.7    عمق الميدان 
4.4.7    الدقة 
5.4.7    صيغ الصور 
6.4.7    الوضع HDR 
7.4.7    كاميرات عالية الدقة 
8.4.7    كاميرات عالية السرعة 

5.7    الأنظمة البصرية 

1.5.7    المبادئ البصرية 
2.5.7    العدسات التقليدية 
3.5.7    العدسات المركزية عن بعد 
4.5.7    أنواع التركيز التلقائي 
5.5.7    المسافة البؤرية 
6.5.7    عمق الميدان 
7.5.7    التشويه البصري 
8.5.7    معايرة الصورة 

6.7    أنظمة الإضاءة 

1.6.7    أهمية الإضاءة 
2.6.7    استجابة التردد 
3.6.7    الإنارة بالصمام المضيء 
4.6.7    الإضاءة الخارجية 
5.6.7    أنواع الإضاءة للتطبيقات الصناعية. التأثيرات 

7.7    أنظمة التقاط ثلاثية الأبعاد 

1.7.7    رؤية ستيريو 
2.7.7    التثليث 
3.7.7    الضوء المنظم 
4.7.7    Time of Flight 
5.7.7    Lidar 

8.7    متعدد الأطياف 

1.8.7    كاميرات متعددة الأطياف 
2.8.7    الكاميرات الفائقة الطيفية 

9.7    الطيف القريب غير مرئي 

1.9.7    كاميرات الأشعة تحت الحمراء 
2.9.7    كاميرات الأشعة فوق البنفسجية 
3.9.7    تحويل من غير مرئي إلى مرئي بفضل الإضاءة 

10.7    نطاقات أخرى من الطيف 

1.10.7    الأشعة السينية 
2.10.7    تيراهيرتز 

الوحدة 8. التطبيقات وحالة الفن 

1.8    التطبيقات الصناعية 

1.1.8    مكتبات الرؤية الصناعية 
2.1.8    الكاميرات المدمجة 
3.1.8    الأنظمة المعتمدة على PC 
4.1.8    الروبوتات الصناعية 
5.1.8    Pick and place 2D 
6.1.8    Bin picking 
7.1.8    مراقبة الجودة 
8.1.8    وجود غياب المكونات 
9.1.8    التحكم في الأبعاد 
10.1.8    التحكم في وضع العلامات 
11.1.8    إمكانية التتبع 

2.8    المركبات ذاتية القيادة 

1.2.8    مساعدة السائق 
2.2.8    القيادة الذاتية 

3.8    الرؤية الحاسوبية لتحليل المحتوى 

1.3.8    تصفية حسب المحتوى 
2.3.8    الإشراف على المحتوى المرئي 
3.3.8    أنظمة التتبع 
4.3.8    التعرف على العلامات التجارية والشعارات 
5.3.8    وضع علامات على الفيديو وتصنيفه 
6.3.8    كشف تغيير المشهد 
7.3.8    استخراج النصوص أو الاعتمادات 

4.8    التطبيقات الطبية 

1.4.8    كشف وتعقب الأمراض 
2.4.8    السرطان وتحليل الأشعة السينية 
3.4.8    التقدم في الرؤية الحاسوبية في ظل فيروس Covid-19  
4.4.8    المساعدة في غرفة العمليات 

5.8    تطبيقات الفضاء 

1.5.8    تحليل الصور الفضائية 
2.5.8    الرؤية الحاسوبية لدراسة الفضاء 
3.5.8    مهمة إلى المريخ 

6.8    التطبيقات التجارية 

1.6.8    مراقبة المخزون 
2.6.8    المراقبة بالفيديو، أمن المنزل 
3.6.8    كاميرات مواقف السيارات 
4.6.8    كاميرات مراقبة السكان 
5.6.8    كاميرات السرعة 

7.8    الرؤية المطبقة على الروبوتات 

1.7.8    الدرونات 
2.7.8    AGV 
3.7.8    الرؤية في الروبوتات التعاونية 
4.7.8    عيون الروبوتات 

8.8    الواقع المعزز 

1.8.8    التشغيل 
2.8.8    الأجهزة 
3.8.8    تطبيقات في الصناعة 
4.8.8    التطبيقات التجارية 

9.8    Cloud computing (الحوسبة السحابية) 

1.9.8    منصات Cloud Computing 
2.9.8    من Cloud Computing إلى الإنتاج 

10.8    البحث والفن المقرن 

1.10.8    المجتمع العلمي 
2.10.8    ما الذي يطهى؟ 
3.10.8    مستقبل الرؤية الحاسوبية 

الوحدة 9. تقنيات الرؤية الحاسوبية في الروبوتات: معالجة الصور وتحليلها 

1.9    الرؤية الحاسوبية 

1.1.9    الرؤية الحاسوبية 
2.1.9    عناصر نظام الرؤية الحاسوبية 
3.1.9    أدوات الرياضيات 

2.9    المجسات البصرية للروبوتات 

1.2.9    المجسات البصرية السلبية 
2.2.9    المجسات البصرية النشطة 
3.2.9    المجسات غير البصرية 

3.9    الحصول على الصور 

1.3.9    تمثيل الصورة 
2.3.9    مساحة اللون 
3.3.9    عملية الرقمنة 

4.9    هندسة الصورة 

1.4.9    نماذج العدسات 
2.4.9    نماذج الكاميرات 
3.4.9    معايرة الكاميرات 

5.9    أدوات الرياضيات 

1.5.9    الرسم البياني للصورة 
2.5.9    الطي 
3.5.9    المتحولة ل Fourier 

6.9    المعالجة المسبقة للصورة 

1.6.9    تحليل الضوضاء 
2.6.9    تجانس الصورة 
3.6.9    تحسين الصورة 

7.9    تقطيع الصورة 

1.7.9    التقنيات المعتمدة على المعالم 
3.7.9    التقنيات القائمة على الرسم البياني 
4.7.9    العمليات المورفولوجية 

8.9    الكشف عن الميزات في الصورة 

1.8.9    الكشف عن النقاط المثيرة للاهتمام 
2.8.9    واصفات الميزة 
3.8.9    المراسلات بين الميزات 

9.9    أنظمة الرؤية ثلاثية الأبعاد 

1.9.9    الإدراك ثلاثي الأبعاد 
2.9.9    ميزة المراسلات بين الصور 
3.9.9    هندسة متعددة العرض 

10.9    الموقع على أساس الرؤية الحاسوبية 

1.10.9    مشكلة توطين الروبوت 
2.10.9    قياس المسافة البصرية 
3.10.9    الانصهار الحسي 

الوحدة 10. أنظمة الإدراك البصري الروبوتية مع التعلم الآلي

1.10    طرق التعلم غير الخاضعة للرقابة المطبقة على الرؤية الحاسوبية 

1.1.10    Clustering 
2.1.10    PCA 
3.1.10    Nearest Neighbors 
4.1.10    Similarity and matrix decomposition 

2.10    طرق التعلم الخاضعة للإشراف المطبقة على الرؤية الحاسوبية 

1.2.10    المفهوم"Bag of words" 
2.2.10    آلة دعم الشعاع الرياضي 
3.2.10    Latent Dirichlet Allocation 
4.2.10    الشبكات العصبية 

3.10    الشبكات العصبية العميقة: الهياكل و Backbones وTransfer Learning 

1.3.10    الطبقات التي تولد Features 

1.1.3.10 VGG 
2.1.3.10 Densenet 
3.1.3.10 ResNet 
4.1.3.10 Inception 
5.1.3.10 GoogLeNet

2.3.10    Transfer Learning 
3.3.10    البيانات. التحضير للتدريب 

4.10    الرؤية الحاسوبية مع التعلم العميق 1: الكشف والتجزئة 

1.4.10    الاختلافات والتشابهات بين YOLO وSSD 
2.4.10    Unet 
3.4.10    الهياكل الأخرى 

5.10    الرؤية الحاسوبية مع التعلم العميق 2: Generative Adversarial Networks 

1.5.10    صورة فائقة الدقة باستخدام GAN 
2.5.10    إنشاء صور واقعية 
3.5.10    فهم المشهد 

6.10    تقنيات التعلم للتوطين ورسم الخرائط في الروبوتات المتنقلة 

1.6.10    كشف إغلاق الحلقة ونقلها 
2.6.10    Magic Leap. Super Point و Super Glue 
3.6.10    Depth from Monocular 

7.10    الاستدلال البايزي والنمذجة ثلاثية الأبعاد 

1.7.10    النماذج الافتراضية والتعلم"الكلاسيكي"
2.7.10    الأسطح الضمنية مع العمليات الغوسية (GPIS) 
3.7.10    تجزئة ثلاثية الأبعاد باستخدام GPIS 
4.7.10    الشبكات العصبية لنمذجة الأسطح ثلاثية الأبعاد 

8.10    التطبيقات End-to-End للشبكات العصبية العميقة 

1.8.10    نظام End-to-End. مثال للتعرف على الأشخاص 
2.8.10    التعامل مع الأشياء باستخدام المجسات البصرية 
3.8.10    توليد الحركات والتخطيط باستخدام المجسات البصرية 

9.10    التقنيات السحابية لتسريع تطوير خوارزميات Deep Learning 

1.9.10    استخدام GPU في Deep Learning 
2.9.10    التطويرالسريع مع Google IColab 
3.9.10    GPUs عن بعد وGoogle Cloud وAWS 

10.10    نشر الشبكات العصبية في التطبيقات الحقيقية 

1.10.10    الأنظمة المضمنة 
2.10.10    نشر الشبكات العصبية. الاستخدام 
3.10.10    تحسينات الشبكة في النشر، على سبيل المثال مع TensorRT 

الوحدة 11. SLAM.المرئي تحديد الموقع المتزامن للروبوتات ورسم الخرائط من خلال تقنيات الرؤية الحاسوبية 

1.11    التوطين ورسم الخرائط المتزامنة (SLAM) 

1.1.11    التموضع وبناء خريطة المكان في آن واحد. SLAM 
2.1.11    تطبيقات SLAM 
3.1.11    عمل SLAM 

2.11    الهندسة الإسقاطية 

1.2.11    نموذج Pin-Hole 
2.2.11    تقدير المعلمات الجوهرية للكاميرا 
3.2.11    التجانس والمبادئ الأساسية والتقدير 
4.2.11    المصفوفة الأساسية والمبادئ والتقدير 

3.11    مرشحات Gaussianos 

1.3.11    مرشح Kalman 
2.3.11    مرشح المعلومات 
3.3.11    ضبط وتحديد معلمات المرشحات Gaussianos  

4.11    ستيريو EKF-SLAM 

1.4.11    هندسة غرفة ستيريو 
2.4.11    استخراج الميزة والبحث 
3.4.11    مرشح Kalman لـ SLAM الاستريو 
4.4.11    إعداد معلمة ستيريو EKF-SLAM 

5.11    أحادي العين EKF-SLAM 

1.5.11    معالم Landmarks في EKF-SLAM 
2.5.11    مرشح Kalman لـ SLAM الاستريو 
3.5.11    عداد معلمة EKF-SLAM أحادي العين 

6.11    كشف إغلاق الحلقة 

1.6.11    خوارزمية القوة الغاشمة 
2.6.11    FABMAP 
3.6.11    التجريد باستخدام GIST وHOG 
4.6.11    الكشف باستخدام التعلم العميق 

7.11    Graph-SLAM 

1.7.11    Graph-SLAM 
2.7.11    RGBD-SLAM 
3.7.11    ORB-SLAM 

8.11    Direct Visual SLAM 

1.8.11    تحليل خوارزمية Direct Visual SLAM 
2.8.11    LSD-SLAM 
3.8.11    SVO 

9.11    Visual Inertial SLAM 

1.9.11    دمج التدابير العديمة الحركة 
2.9.11    تحت الالتحام: SOFT-SLAM 
3.9.11    عالية الالتحام: Vins-Mono 

10.11    تقنيات SLAM أخرى 

1.10.11    تطبيقات تتجاوز SLAM المرئية 
2.10.11    Lidar-SLAM 
3.10.11    Range-only SLAM

الوحدة 12. تطبيق تقنيات الواقع الافتراضي والمعزز على الروبوتات 

1.12    تقنيات غامرة في الروبوتات 

1.1.12    الواقع الافتراضي في الروبوتات 
2.1.12    الواقع المعزز في الروبوتات 
3.1.12    الواقع المختلط في الروبوتات 
4.1.12    الفرق بين الحقائق 

2.12    بناء البيئات الافتراضية 

1.2.12    المواد والقوام 
2.2.12    الإضاءة 
3.2.12    الصوت والرائحة الافتراضية 

3.12    نمذجة الروبوتات في البيئات الافتراضية 

1.3.12    النمذجة الهندسية 
2.3.12    النمذجة المادية 
3.3.12    توحيد النماذج 

4.12    ديناميكيات الروبوت ونمذجة الحركة: المحركات الفيزيائية الافتراضية 

1.4.12    المحركات المادية. الأنماط 
2.4.12    تكوين محرك الفيزياء 
3.4.12    المحركات الفيزيائية في الصناعة 

5.12    المنصات والأجهزة الطرفية والأدوات الأكثر استخدامًا في الواقع الافتراضي 

1.5.12    مشاهدي الواقع الافتراضي 
2.5.12    ملحقات التفاعل 
3.5.12    المجسات الافتراضية 

6.12    أنظمة الواقع المعزز 

1.6.12    إدخال العناصر الافتراضية في الواقع 
2.6.12    أنواع العلامات البصرية 
3.6.12    تقنيات الواقع المعزز 

7.12    الميتافيرس: البيئات الافتراضية للعملاء الأذكياء والأشخاص 

1.7.12    إنشاء الصورة الرمزية 
2.7.12    الوكلاء الأذكياء في البيئات الافتراضية 
3.7.12    بناء بيئات متعددة المستخدمين للواقع الافتراضي/الواقع المعزز 

8.12    إنشاء مشاريع الواقع الافتراضي للروبوتات 

1.8.12    مراحل تطوير مشروع الواقع الافتراضي 
2.8.12    نشر أنظمة الواقع الافتراضي 
3.8.12    موارد الواقع الافتراضي 

9.12    إنشاء مشاريع الواقع المعزز للروبوتات 

1.9.12    مراحل تطوير مشروع الواقع المعزز 
2.9.12    نشر مشاريع الواقع المعزز 
3.9.12    موارد الواقع المعزز 

10.12    التشغيل عن بعد للروبوتات مع الأجهزة المحمولة 

1.10.12    الواقع المختلط على الهاتف المحمول 
2.10.12    أنظمة غامرة باستخدام أجهزة استشعار الأجهزة المحمولة 
3.10.12    أمثلة على المشاريع المتنقلة 

الوحدة 13. أنظمة التواصل والتفاعل مع الروبوتات 

1.13    التعرف على الكلام: الأنظمة العشوائية 

1.1.13    النمذجة الصوتية للكلام 
2.1.13    نماذج Markov المخفية 
3.1.13    النمذجة اللغوية للكلام: N-Gramas, gramáticas BNF 

2.13    التعرف على الكلام: Deep Learning (التعلم العميق) 

1.2.13    الشبكات العصبية العميقة 
2.2.13    الشبكات العصبية المتكررة 
3.2.13    خلايا LSTM 

3.13    التعرف على الكلام: علم العروض والتأثيرات البيئية 

1.3.13    الضوضاء المحيطة 
2.3.13    التعرف على مكبرات الصوت المتعددة 
3.3.13    الاضطرابات في النطق 

4.13    فهم اللغة الطبيعية: الأنظمة الإرشادية والاحتمالية 

1.4.13    التحليل النحوي الدلالي: القواعد اللغوية 
2.4.13    الفهم القائم على القواعد الإرشادية 
3.4.13    الأنظمة الاحتمالية: الانحدار اللوجستي وSVM 
4.4.13    الفهم على أساس الشبكات العصبية 

5.13    إدارة الحوار: الاستراتيجيات الإرشادية/الاحتمالية 

1.5.13    نية المحاور 
2.5.13    الحوار القائم على النماذج 
3.5.13    إدارة الحوار العشوائي: الشبكات الافتراضية 

6.13    إدارة الحوار: استراتيجيات متقدمة 

1.6.13    أنظمة التعلم المبنية على التعزيز 
2.6.13    الأنظمة المبنية على الشبكات العصبية 
3.6.13    من الكلام إلى النية في شبكة واحدة 

7.13    توليد الاستجابة وتوليف الكلام 

1.7.13    توليد الاستجابة: من الفكرة إلى النص المتماسك 
2.7.13    تركيب الكلام عن طريق التسلسل 
3.7.13    تركيب الكلام العشوائي 

8.13    تكييف الحوار ووضعه في سياقه 

1.8.13    مبادرة الحوار 
2.8.13    التكيف مع المتحدث 
3.8.13    التكيف مع سياق الحوار 

9.13    الروبوتات والتفاعلات الاجتماعية: التعرف على المشاعر وتوليفها والتعبير عنها 

1.9.13    نماذج الصوت الاصطناعي: الصوت الآلي والصوت الطبيعي 
2.9.13    التعرف على المشاعر وتحليل المشاعر 
3.9.13    تركيب الصوت العاطفي 

10.13    الروبوتات والتفاعلات الاجتماعية: واجهات متقدمة متعددة الوسائط 

1.10.13    مزيج من واجهات الصوت واللمس 
2.10.13    التعرف على لغة الإشارة والترجمة 
3.10.13    الصور الرمزية المرئية: الترجمة الصوتية إلى لغة الإشارة 

الوحدة 14. المعالجة الرقمية للصور 

1.14    بيئة تطوير الرؤية الحاسوبية 

1.1.14    مكتبات الرؤية الحاسوبية 
2.1.14    بيئة البرمجة 
3.1.14    أدوات التصور 

2.14    المعالجة الرقمية للصور 

1.2.14     العلاقات بين وحدات البكسل 
2.2.14    عمليات الصورة 
3.2.14    التحولات الهندسية 

3.14    عمليات وحدات البكسل 

1.3.14    الرسم البياني 
2.3.14    التحولات من الرسم البياني 
3.3.14    العمليات على الصور الملونة 

4.14    العمليات المنطقية والحسابية 

1.4.14    الجمع والطرح 
2.4.14    المنتج والتقسيم 
3.4.14    And/Nand 
4.4.14    Or/Nor 
5.4.14    Xor/Xnor 

5.14    المرشحات 

1.5.14    الأقنعة والالتواء 
2.5.14    الترشيح الخطي 
3.5.14    الترشيح غير الخطي 
4.5.14    تحليل Fourier 

6.14    العمليات المورفولوجية 

1.6.14    Erode and Dilating 
2.6.14    Closing and Open 
3.6.14    Top hat و Black hat 
4.6.14    كشف المعالم 
5.6.14    الهيكل العظمي 
6.6.14    حشو الثقب 
7.6.14    Convex hull 

7.14    أدوات تحليلات الصور 

1.7.14    كشف الحواف 
2.7.14    كشف blobs 
3.7.14    التحكم في الأبعاد 
4.7.14    فحص اللون 

8.14    تجزئة الأجسام 

1.8.14    تقطيع الصورة 
2.8.14    تقنيات التجزئة الكلاسيكية 
3.8.14    تطبيقات حقيقية 

9.14    معايرة الصور 

1.9.14    معايرة الصورة 
2.9.14    طرق المعايرة 
3.9.14    عملية المعايرة في نظام الكاميرا/الروبوت ثنائي الأبعاد 

10.14    معالجة الصور في بيئة حقيقية 

1.10.14    تحليل الإشكالية 
2.10.14    معالجة الصورة 
3.10.14    استخراج الميزة  
4.10.14    لنتائج النهائية

الوحدة 15. معالجة الصور الرقمية المتقدمة 

1.15    التعرف البصري على الحروف (OCR) 

1.1.15    المعالجة المسبقة للصورة 
2.1.15    كشف النص 
3.1.15    التعرف على النص 

2.15    قراءة رموز 

1.2.15    رموز 1D 
2.2.15    رموز 2D 
3.2.15    التطبيقات 

3.15    البحث عن أنماط 

1.3.15    البحث عن أنماط 
2.3.15    الأنماط القائمة على المستوى الرمادي 
3.3.15    أنماط المعتمدة على المعالم 
4.3.15    أنماط مبنية على أشكال هندسية 
5.3.15    تقنيات أخرى 

4.15    تتبع الأشياء بالرؤية التقليدية 

1.4.15    استخراج الخلفية 
2.4.15    Meanshift 
3.4.15    Camshift 
4.4.15    Optical flow 

5.15    التعرف على الوجه 

1.5.15    Facial Landmark detection 
2.5.15    التطبيقات 
3.5.15    التعرف على الوجه 
4.5.15    التعرف على المشاعر 

6.15    المنظر العام والمحاذاة  

1.6.15    Stitching 
2.6.15    تكوين الصورة 
3.6.15    تركيب الصورة 

7.15    النطاق الديناميكي العالي (HDR) والستيريو الضوئي 

1.7.15    زيادة النطاق الديناميكي 
2.7.15    تكوين الصور لتحسين المعالم 
3.7.15    تقنيات استخدام التطبيقات الديناميكية 

8.15    ضغط الصورة 

1.8.15    ضغط الصورة 
2.8.15    أنواع الضواغط 
3.8.15    تقنيات ضغط الصور 

9.15    معالجة الفيديو 

1.9.15    تسلسلات الصور 
2.9.15    تنسيقات الفيديو وبرامج الترميز 
3.9.15    قراءة الفيديو 
4.9.15    معالجة اللقطات 

10.15    التطبيق الحقيقي لمعالجة الصور 

1.10.15    تحليل الإشكالية 
2.10.15    معالجة الصورة 
3.10.15    استخراج الميزة 
4.10.15    لنتائج النهائية

الوحدة 16. معالجة الصور ثلاثية الأبعاد 

1.16    الصورة ثلاثية الأبعاد 

1.1.16    الصورة ثلاثية الأبعاد 
2.1.16    برامج معالجة الصور وتصورها ثلاثية الأبعاد 
3.1.16    برامج علم القياس 

2.16    Open 3D 

1.2.16    مكتبة لمعالجة البيانات ثلاثية الأبعاد 
2.2.16    الخصائص 
3.2.16    التثبيت والاستخدام 

3.16    البيانات 

1.3.16    خرائط العمق في صورة ثنائية الأبعاد 
2.3.16    Pointclouds 
3.3.16    العادية 
4.3.16    السطحية 

4.16    المشاهدة 

1.4.16    المشاهدة المعلومات 
2.4.16    التحكم 
3.4.16    مشاهدة الويب 

5.16    المرشحات 

1.5.16    المسافة بين النقاط، وإزالة outliers 
2.5.16    مرشح عالي الدقة 
3.5.16    Downsampling 

6.16    الهندسة واستخراج الميزات 

1.6.16    استخراج ملف شخصي 
2.6.16    قياس العمق 
3.6.16    الحجم 
4.6.16    أشكال هندسية ثلاثية الأبعاد 
5.6.16    المخططات 
6.6.16    إسقاط نقطة واحدة 
7.6.16    مسافات المنحدر 
8.6.16    Kd Tree 
9.6.16    ميزات ثلاثية الأبعاد 

7.16    التسجيل و Meshing 

1.7.16    التسلسل 
2.7.16    ICP 
3.7.16    Ransac 3D 

8.16    التعرف على الكائنات ثلاثية الأبعاد 

1.8.16    البحث عن عنصر في المشهد ثلاثي الأبعاد 
2.8.16    التجزئة 
3.8.16    Bin picking 

9.16    تحليل الأسطح 

1.9.16    Smoothing 
2.9.16    أسطح قابلة للتعديل 
3.9.16    Octree 

10.16    التثليث 

1.10.16    من Mesh إلى Point Cloud 
2.10.16    تثليث خريطة العمق 
3.10.16    تثليث PointClouds الغير مرتبة

الوحدة 17. الشبكات التلافيفية وتصنيف الصور 

1.17    الشبكات العصبونية التفافية 

1.1.17    مقدمة 
2.1.17    التفافية 
3.1.17    CNN Building Blocks 

2.17    أنواع طبقات CNN 

1.2.17    Convolutional 
2.2.17    Activation 
3.2.17    Batch normalization 
4.2.17    Polling 
5.2.17    Fully connected 

3.17    المقاييس 

1.3.17    Confusion Matrix 
2.3.17    Accuracy 
3.3.17    الدقة 
4.3.17    Recall 
5.3.17    F1-score 
6.3.17    ROC Curve 
7.3.17    AUC 

4.17    البنى الرئيسية 

1.4.17    AlexNet 
2.4.17    VGG 
3.4.17    ResNet 
4.4.17    GoogleLeNet 

5.17    تصنيف الصور 

1.5.17    مقدمة 
2.5.17    تحليل البيانات 
3.5.17    إعداد البيانات 
4.5.17    التدريب النموذجي 
5.5.17    التحقق من صحة النموذج 

6.17    اعتبارات عملية للتدريب على CNN 

1.6.17    اختيار المحسن 
2.6.17    Learning Rate Scheduler 
3.6.17    التحقق من خط أنابيب التدريب 
4.6.17    التدريب المنتظم 

7.17    الممارسات الجيدة في Deep Learning 

1.7.17    Transfer Learning 
2.7.17    Fine Tuning 
3.7.17    Data Augmentation 

8.17    تقييم البيانات الإحصائية 

1.8.17    عدد datasets 
2.8.17    عدد الملصقات 
3.8.17    عدد الصور 
4.8.17    موازنة البيانات 

9.17    Deployment 

1.9.17    حفظ وتحميل النماذج 
2.9.17    Onnx 
3.9.17    الاستنتاج 

10.17    حالة عملية: تصنيف الصورة 

1.10.17    تحليل البيانات وإعدادها 
2.10.17    اختبار pipeline للتدريب 
3.10.17    التدريب النموذجي 
4.10.17    التحقق من صحة النموذج

الوحدة 18. كشف الأجسام 

1.18    الكشف وتتبع الأجسام 

1.1.18    كشف الأجسام 
2.1.18    حالات استخدام 
3.1.18    تتبع الأجسام 
4.1.18    حالات استخدام 
5.1.18    الانسدادات، Rigid and No Rigid Poses 

2.18    مقاييس التقييم 

1.2.18    IOU - Intersection Over Union 
2.2.18    Confidence Score 
3.2.18    Recall 
4.2.18    الدقة 
5.2.18    Recall–Precision Curve 
6.2.18    (Mean Average Precision (mAP 

3.18    الطرق التقليدية 

1.3.18    Sliding window 
2.3.18    كاشف Viola 
3.3.18    HOG 
4.3.18    (Non Maximal Supresion (NMS

4.18    Datasets 

1.4.18    Pascal VC 
2.4.18    MS Coco 
3.4.18    ImageNet (4102) 
4.4.18    MOTA Challenge 

5.18    Two Shot Object Detector 

1.5.18    R-CNN 
2.5.18    Fast R-CNN 
3.5.18    Fast R-CNN 
4.5.18    Fast R-CNN 

6.18    Single Shot Object Detector  

1.6.18    SSD 
2.6.18    YOLO 
3.6.18    RetinaNet 
4.6.18    CenterNet 
5.6.18    EfficientDet 

7.18    Backbones 

1.7.18    VGG 
2.7.18    ResNet 
3.7.18    Mobilenet 
4.7.18    Shufflenet 
5.7.18    Darknet 

8.18    Object Tracking 

1.8.18    الناهج الكلاسيكية 
2.8.18    مرشحات الجسيمات 
3.8.18    Kalman 
4.8.18    Sorttracker 
5.8.18    Deep Sort 

9.18    الانتشار 

1.9.18    منصة الحوسبة 
2.9.18     إختيار Backbone 
3.9.18    إختيار Framework 
4.9.18    تحسين النموذج 
5.9.18    إصدار النماذج 

10.18    الدراسة: كشف وتتبع الأشخاص  

1.10.18    الكشف عن الأشخاص 
2.10.18    تتبع الأشخاص 
3.10.18    إعادة تحديد الهوية 
4.10.18    عد الناس في الحشود 

الوحدة 19. تجزئة الصور مع deep learning (التعلم العميق) 

1.19    كشف الأجسام وتجزئتها 

1.1.19    التجزئة الدلالية 

1.1.1.19 حالات استخدام التجزئة الدلالية 

2.1.19    التجزئة الموثقة 

1.2.1.19 حالات استخدام التجزئة الموثقة 

2.19    مقاييس التقييم 

1.2.19    التشابه مع الأساليب الأخرى 
2.2.19    Pixel Accuracy 
3.2.19    Dice Coefficient (F1 Score) 

3.19    وظائف التكلفة 

1.3.19    Dice Loss 
2.3.19    Focal Loss 
3.3.19    Tversky Loss 
4.3.19    وظائف أخرى 

4.19    طرق التجزئة التقليدية 

1.4.19    تطبيق المستوى مع Otsu و Riddlen 
2.4.19    خرائط التنظيم الذاتي 
3.4.19    GMM-EM algorithm 

5.19    تطبيق التجزئة الدلالية Deep Learning: FCN 

1.5.19    FCN 
2.5.19    البنيات 
3.5.19    تطبيقات FCN 

6.19    تطبيق التجزئة الدلالية Deep Learning : U-NET 

1.6.19    U-NET 
2.6.19    البنيات 
3.6.19    تطبيق U-NET 

7.19    تطبيق التجزئة الدلالية Deep Learning: Deep Lab 

1.7.19    Deep Lab 
2.7.19    البنيات 
3.7.19    تطبيق Deep Lab 

8.19    التجزئة الموثقة باستخدام Deep Learning: Mask RCNN 

1.8.19    Mask RCNN 
2.8.19    البنيات 
3.8.19    تطبيق Mask RCNN 

9.19    التقسيم في مقاطع الفيديو 

1.9.19    STFCN 
2.9.19    Semantic Video CNNs 
3.9.19    Clockwork Convnets 
4.9.19    Low-Latency 

10.19    تجزئة في السحب النقطية 

1.10.19    الرسم التخطيطي المبعثر 
2.10.19    PointNet 
3.10.19    A-CNN 

الوحدة 20. تجزئة الصور المتقدمة وتقنيات الرؤية الحاسوبية المتقدمة 

1.20    قاعدة بيانات لمشاكل التجزئة العامة  

1.1.20    Pascal Context 
2.1.20    CelebAMask-HQ 
3.1.20    Cityscapes Dataset 
4.1.20    CCP Dataset 

2.20    التجزئة الدلالية في الطب 

1.2.20    التجزئة الدلالية في الطب 
2.2.20    Datasets للمشاكل الطبية 
3.2.20    تطبيقات عملية 

3.20    أدوات التعليق 

1.3.20    Computer Vision Annotation Tool 
2.3.20    LabelMe 
3.3.20    أدوات أخرى 

4.20    أدوات التقسيم باستخدام Frameworks 

1.4.20    Keras 
2.4.20    Tensorflow v2 
3.4.20    Pytorch 
4.4.20    آخرون 

5.20    مشروع التجزئة الدلالية. البيانات، المرحلة 1 

1.5.20    تحليل المشكلة 
2.5.20    مصدر إدخال البيانات 
3.5.20    تحليل البيانات 
4.5.20    إعداد البيانات 

6.20    مشروع التجزئة الدلالية. التدريب، المرحلة 2 

1.6.20    اختيار الخوارزمية 
2.6.20    التمرين 
3.6.20    التقييم 

7.20    مشروع التجزئة الدلالية. النتائج، المرحلة 3 

1.7.20    ضبط دقيق 
2.7.20    عرض الحل 
3.7.20    الاستنتاجات 

8.20    أجهزة الترميز التلقائي 

1.8.20    أجهزة الترميز التلقائي 
2.8.20    بنية التشفير التلقائي 
3.8.20    تقليل الضوضاء لأجهزة الترميز التلقائي 
4.8.20    التشفير التلقائي للتلوين التلقائي 

9.20    شبكات الخصومة التوليدية (GAN) 

1.9.20    شبكات الخصومة التوليدية (GAN) 
2.9.20    بنية DCGAN 
3.9.20    بنية GAN المشروطة 

10.20    الشبكات التوليدية العدائية المحسنة 

1.10.20    نظرة عامة على المشكلة 
2.10.20    WGAN 
3.10.20    LSGAN 
4.10.20    ACGAN

ميز نفسك عن بقية منافسيك من خلال اكتساب مهارات متخصصة في مجال يتمتع بإمكانات نمو كبيرة "