مقرّنا في أبوظبيمن الاثنين إلى الجمعةدوام صباحي ومسائي
الذكاء الاصطناعي وعلوم البيانات
الذكاء الاصطناعي باستخدام Python
تقدّم هذه الدورة مقدمة شاملة إلى الذكاء الاصطناعي (AI) باستخدام لغة Python، وتغطي المفاهيم الرئيسية للذكاء الاصطناعي مثل التعلّم الآلي، والتعلّم العميق، ومعالجة اللغات الطبيعية (NLP)، والرؤية الحاسوبية.
المجموعة القادمة
2026 و2027
- رسوم الدورة
- تواصل معنا
- المدة
- 5 أيام
- سعر المجموعات
- اسأل المستشار
نبذة عن الدورة
تقدّم هذه الدورة مقدمة شاملة إلى الذكاء الاصطناعي (AI) باستخدام لغة Python، وتغطي المفاهيم الرئيسية للذكاء الاصطناعي مثل التعلّم الآلي، والتعلّم العميق، ومعالجة اللغات الطبيعية (NLP)، والرؤية الحاسوبية. وسيتعلّم المشاركون كيفية بناء نماذج الذكاء الاصطناعي من الصفر، وتحسين أدائها، ونشر التطبيقات المدعومة بالذكاء الاصطناعي. وتشكّل البرمجة التطبيقية باستخدام مكتبات Python مثل TensorFlow وKeras وScikit-Learn وOpenCV جزءاً أساسياً من التدريب.
منهجية التدريب
مختبرات برمجة تطبيقية – كتابة نماذج الذكاء الاصطناعي بلغة Python
عروض توضيحية مباشرة – تنفيذ حلول الذكاء الاصطناعي في سيناريوهات واقعية
دراسات حالة وتطبيقات قطاعية – فهم الذكاء الاصطناعي في مختلف القطاعات
التعلّم التشاركي – مشاريع جماعية وجلسات عصف ذهني
مشروع التخرّج – تطوير تطبيق متكامل مدعوم بالذكاء الاصطناعي من البداية إلى النهاية
الكفاءات المستهدفة
- برمجة Python لتطوير الذكاء الاصطناعي
- أساسيات التعلّم الآلي والتعلّم العميق
- بناء نماذج الذكاء الاصطناعي باستخدام TensorFlow وKeras وScikit-Learn
- المعالجة المسبقة للبيانات وهندسة الخصائص (Feature Engineering)
- معالجة اللغات الطبيعية والرؤية الحاسوبية
- تحسين نماذج الذكاء الاصطناعي وضبط المعاملات الفائقة (Hyperparameters)
- نشر نماذج الذكاء الاصطناعي في بيئات الإنتاج
أهداف الدورة
بنهاية الدورة، سيكون المشاركون قادرين على:
- فهم مفاهيم الذكاء الاصطناعي وأساسيات التعلّم الآلي والتعلّم العميق
- كتابة نصوص Python البرمجية لتطوير نماذج الذكاء الاصطناعي
- بناء نماذج التصنيف والانحدار والتجميع العنقودي باستخدام Scikit-Learn
- تنفيذ الشبكات العصبية باستخدام TensorFlow وKeras
- تطبيق أساليب الذكاء الاصطناعي على معالجة اللغات الطبيعية والتعرّف على الصور والتعلّم المعزز
- تحسين نماذج الذكاء الاصطناعي من حيث الأداء وقابلية التوسع
- نشر تطبيقات الذكاء الاصطناعي في بيئات واقعية
محاور الدورة
المحور 1
الوحدة 1: مقدمة إلى الذكاء الاصطناعي ولغة Python للذكاء الاصطناعي
- ما هو الذكاء الاصطناعي؟ – التاريخ والاتجاهات والتطبيقات
- الذكاء الاصطناعي مقابل التعلّم الآلي مقابل التعلّم العميق
- إعداد بيئة Python للذكاء الاصطناعي – Jupyter Notebook وAnaconda وColab
- نظرة عامة على مكتبات Python للذكاء الاصطناعي (NumPy وPandas وMatplotlib وScikit-Learn وTensorFlow وKeras وOpenCV)
- مقدمة إلى التعلّم الخاضع للإشراف وغير الخاضع للإشراف
المحور 2
الوحدة 2: التعامل مع البيانات ومعالجتها المسبقة لنماذج الذكاء الاصطناعي
- تحميل مجموعات البيانات وتنظيفها – التعامل مع البيانات المفقودة والمشوّشة
- تسوية البيانات (Normalization) وتوحيدها (Standardization) وتحجيم الخصائص (Feature Scaling)
- تحليل البيانات الاستكشافي (EDA) باستخدام Matplotlib وSeaborn
- هندسة الخصائص – ترميز البيانات الفئوية، واختيار الخصائص، وتحليل المكوّنات الرئيسية (PCA)
- تقسيم البيانات لتدريب نماذج الذكاء الاصطناعي واختبارها
المحور 3
الوحدة 3: التعلّم الآلي باستخدام Python
- نماذج الانحدار الخطي والانحدار اللوجستي
- أشجار القرار ومصنّفات الغابة العشوائية (Random Forest)
- خوارزمية أقرب الجيران (KNN) وآلات المتجهات الداعمة (SVM)
- التجميع العنقودي بخوارزمية K-Means والتجميع الهرمي
- تقييم الأداء – مصفوفة الالتباس (Confusion Matrix)، والدقة (Precision)، والاستدعاء (Recall)، ومقياس F1-Score
المحور 4
الوحدة 4: التعلّم العميق والشبكات العصبية
- مقدمة إلى الشبكات العصبية والانتشار العكسي (Backpropagation)
- بناء نماذج التعلّم العميق باستخدام TensorFlow وKeras
- دوال التنشيط (ReLU وSigmoid وSoftmax وTanh)
- تحسين النماذج – الانحدار التدريجي (Gradient Descent)، والإسقاط (Dropout)، وتسوية الدُفعات (Batch Normalization)
- ضبط المعاملات الفائقة باستخدام Grid Search وRandom Search
المحور 5
الوحدة 5: معالجة اللغات الطبيعية (NLP) باستخدام Python
- المعالجة المسبقة للنصوص – التقطيع إلى وحدات (Tokenization)، والكلمات الشائعة (Stopwords)، والتجذيع (Stemming)، والتأصيل اللغوي (Lemmatization)
- تنفيذ TF-IDF وتضمينات الكلمات (Word2Vec وGloVe وBERT)
- تحليل المشاعر باستخدام NLTK وScikit-Learn
- بناء روبوت محادثة (Chatbot) باستخدام معالجة اللغات الطبيعية والتعلّم العميق
- تصنيف النصوص والتعرّف على الكيانات المسمّاة (NER)
المحور 6
الوحدة 6: الرؤية الحاسوبية ومعالجة الصور باستخدام OpenCV وTensorFlow
- مقدمة إلى الرؤية الحاسوبية ومعالجة الصور
- المعالجة المسبقة للصور – تغيير الحجم، والتسوية، والتعزيز (Augmentation)
- الشبكات العصبية الالتفافية (CNNs) للتعرّف على الصور
- اكتشاف الأجسام باستخدام YOLO وOpenCV
- التعرّف على الوجوه باستخدام نماذج التعلّم العميق
المحور 7
الوحدة 7: التعلّم المعزز وتحسين نماذج الذكاء الاصطناعي
- أساسيات التعلّم المعزز – المكافآت والإجراءات
- تنفيذ Q-Learning وشبكات Q العميقة (DQN)
- تطبيقات التعلّم المعزز – الروبوتات، والذكاء الاصطناعي في الألعاب
- أساليب تحسين نماذج الذكاء الاصطناعي – التنظيم (Regularization)، ونقل التعلّم (Transfer Learning)
- الضبط الآلي للمعاملات الفائقة باستخدام التحسين البايزي (Bayesian Optimization)
المحور 8
الوحدة 8: نشر نماذج الذكاء الاصطناعي والتكامل مع الحوسبة السحابية
- تصدير نماذج الذكاء الاصطناعي وحفظها – Pickle وJoblib وONNX
- نشر نماذج الذكاء الاصطناعي باستخدام Flask وFastAPI وTensorFlow Serving
- استضافة نماذج الذكاء الاصطناعي على AWS وAzure وGoogle Cloud
- بناء تطبيقات ويب وتطبيقات هاتف محمول مدعومة بالذكاء الاصطناعي
المحور 9
الوحدة 9: الأخلاقيات والتحديات في تطوير الذكاء الاصطناعي
- التحيّز والإنصاف في نماذج الذكاء الاصطناعي
- أخلاقيات الذكاء الاصطناعي ومخاوف الخصوصية والأمن
- الذكاء الاصطناعي القابل للتفسير (XAI) وقابلية تفسير النماذج
- الاتجاهات المستقبلية والفرص المهنية في مجال الذكاء الاصطناعي
