إتقان هندسة الذكاء الاصطناعي: من المبتدئ إلى الخبير

What you will learn:

بناء نماذج ذكاء اصطناعي فعالة باستخدام Python و TensorFlow و PyTorch.
إعداد بيانات عالية الجودة من خلال التهيئة، التنظيف، والتحليل.
تدريب، تقييم، وتحسين نماذج التعلم الآلي لمهام متنوعة.
تصميم، تطبيق، وتعديل الشبكات العصبية (CNNs و RNNs).
استخدام تقنيات معالجة اللغة الطبيعية (NLP) المتقدمة.
الاستفادة من التعلم الانتقالي لتكييف نماذج مدربة مسبقًا.
نشر نماذج الذكاء الاصطناعي باستخدام واجهات برمجة تطبيقات قابلة للتوسيع.
مراقبة أداء النماذج واكتشاف انحرافات البيانات.
حل التحديات التجارية والتقنية باستخدام الذكاء الاصطناعي.
إدارة مشاريع ذكاء اصطناعي متكاملة من البداية إلى النهاية.

Description

انغمس في عالم هندسة الذكاء الاصطناعي من خلال هذه الدورة الشاملة! ستبدأ من الصفر، وتتعلم أساسيات البرمجة بلغة بايثون، ومعالجة البيانات، ومبادئ التعلم الآلي. سنقوم بالغوص في تقنيات متقدمة مثل الشبكات العصبية، التعلم العميق، معالجة اللغة الطبيعية (NLP)، ورؤية الحاسوب. ستكتسب خبرة عملية من خلال استخدام أطر عمل رائدة مثل TensorFlow، PyTorch، وHugging Face، مع التركيز على مشاريع واقعية في كل قسم.

ستتعلم كيفية مواجهة تحديات الأعمال باستخدام تقنيات الذكاء الاصطناعي، وكيفية تحسين نماذجك، ونشر حلول قابلة للتوسيع. ستكتشف كيفية تهيئة البيانات، وتنظيفها، وتحليلها لضمان جودة عالية. ستتقن تدريب، تقييم، وتحسين نماذج التعلم الآلي لمهام متعددة. ستتعلم تصميم، تطبيق، وتحرير الشبكات العصبية، بما في ذلك CNNs و RNNs. ستستخدم تقنيات NLP المتقدمة، وتستفيد من التعلم الانتقالي لتكييف نماذج مدربة مسبقًا لمهام جديدة.

ستتعلم نشر نماذج الذكاء الاصطناعي عبر واجهات برمجة تطبيقات قابلة للتوسيع، ومراقبة أدائها، واكتشاف انحرافات البيانات، وإعداد سير عمل لإعادة التدريب. ستكتسب القدرة على حل التحديات التجارية والتقنية باستخدام أنظمة ذكية، وبناء مشاريع ذكاء اصطناعي شاملة من البداية وحتى النشر والصيانة. سواء كنت مبتدئًا أو لديك خبرة سابقة، ستجد في هذه الدورة كل ما تحتاجه لتحويلك إلى خبير في هندسة الذكاء الاصطناعي.

انضم إلينا اليوم وابدأ رحلتك نحو إتقان هندسة الذكاء الاصطناعي!

Curriculum

مقدمة عن الدورة

يقدم هذا القسم مقدمة شاملة عن الدورة، بما في ذلك لمحة عامة عن المحتوى و الموارد المتاحة للطلاب، مثل ملفات العرض التقديمي و الشفرة البرمجية.

الأسبوع الأول: أساسيات برمجة بايثون للذكاء الاصطناعي

يتناول هذا الأسبوع أساسيات لغة بايثون، بدءًا من إعداد بيئة التطوير وحتى كتابة كود عملي. يغطي مواضيع مثل التحكم في تدفق البرامج، الدوال، الوحدات، هياكل البيانات (القوائم، التابلو، القواميس، المجموعات)، التعامل مع السلاسل النصية، إدارة الملفات، بالإضافة إلى مشروع تطبيقي لتوظيف هذه المفاهيم.

الأسبوع الثاني: أساسيات علوم البيانات للذكاء الاصطناعي

يتعلم الطلاب في هذا الأسبوع أساسيات علوم البيانات من خلال مكتبات NumPy و Pandas. سيتعلمون كيفية إجراء الحسابات الرقمية، معالجة البيانات، تنظيفها، تجميعها، بالإضافة إلى إنشاء تصويرات بيانية باستخدام Matplotlib و Seaborn. ينتهي الأسبوع بمشروع تحليل بيانات استكشافي.

الأسبوع الثالث: الرياضيات في تعلم الآلة والذكاء الاصطناعي

يغطي هذا الأسبوع أساسيات الرياضيات اللازمة لفهم تعلم الآلة، بما في ذلك الجبر الخطي، التفاضل، التكامل، نظرية الاحتمالات، والإحصاء. سيتعلم الطلاب تطبيق هذه المفاهيم من خلال مشروع عملي يتضمن الانحدار الخطي من الصفر.

الأسبوع الرابع: الاحتمالات والإحصاء في تعلم الآلة والذكاء الاصطناعي

يعمق هذا الأسبوع في الاحتمالات والإحصاء، ويغطي مواضيع مثل نظرية الاحتمالات، التوزيعات الاحتمالية، الاستدلال الإحصائي، اختبار الفرضيات، التحليل الارتباطي، والانحدار. يتضمن الأسبوع مشروعًا لتحليل بيانات حقيقية باستخدام هذه التقنيات.

الأسبوع الخامس: مقدمة في تعلم الآلة

يقدم هذا الأسبوع مقدمة في تعلم الآلة، بما في ذلك المفاهيم الأساسية، التعلم تحت الإشراف، النماذج الانحدارية، التصنيف، الانحدار اللوجستي، تقييم النماذج، والتحقق المتقاطع. يختتم بمشروع عملي للتعلم تحت الإشراف.

الأسبوع السادس: هندسة الميزات وتقييم النماذج

يتعلم الطلاب في هذا الأسبوع تقنيات هندسة الميزات، بما في ذلك استخراج الميزات، تطبيع البيانات، ترميز البيانات الفئوية، اختيار الميزات، وإنشاء وتحويل الميزات. كما سيتعلمون تقنيات متقدمة لتقييم النماذج والتحقق المتقاطع.

الأسبوع السابع: خوارزميات تعلم الآلة المتقدمة

يغطي هذا الأسبوع خوارزميات متقدمة في تعلم الآلة، مثل التعلم التجميعي، Bagging، الغابات العشوائية، Boosting، XGBoost، LightGBM، CatBoost، والتعامل مع البيانات غير المتوازنة. يتضمن مشروعًا لمقارنة النماذج المختلفة.

الأسبوع الثامن: تحسين النماذج وضبطها

يتعلم الطلاب في هذا الأسبوع كيفية تحسين وضبط نماذج تعلم الآلة، بما في ذلك ضبط المعلمات الفائقة، البحث الشبكي، البحث العشوائي، الضبط باستخدام التحسين البايزي، وتقنيات التنظيم. ويتضمن مشروعًا لبناء وتحسين نموذج نهائي.

الأسبوع التاسع: الشبكات العصبية والتعلم العميق

يقدم هذا الأسبوع مقدمة في التعلم العميق والشبكات العصبية، بما في ذلك الانتشار الأمامي، دوال التنشيط، دوال الخسارة، التغذية العكسية، الانحدار التدرجي، وبناء الشبكات العصبية باستخدام TensorFlow و Keras و PyTorch. يتضمن مشروعًا لتصنيف الصور باستخدام CIFAR-10.

الأسبوع العاشر: الشبكات العصبية الالتفافية CNNs

يركز هذا الأسبوع على الشبكات العصبية الالتفافية (CNNs)، بما في ذلك الطبقات الالتفافية، الفلاتر، طبقات التجميع، وبناء CNNs باستخدام Keras و TensorFlow و PyTorch. يتضمن مشروعًا لتصنيف الصور باستخدام Fashion MNIST أو CIFAR-10.

الأسبوع الحادي عشر: الشبكات العصبية المتكررة RNNs ونمذجة التسلسل

يتناول هذا الأسبوع الشبكات العصبية المتكررة (RNNs) ونمذجة التسلسل، بما في ذلك LSTM و GRU، ومعالجة النصوص، وتضمين الكلمات، ونماذج التسلسل. يختتم بمشروع لتوليد النصوص أو تحليل المشاعر.

الأسبوع الثاني عشر: Transformers وآليات الانتباه

يغطي هذا الأسبوع Transformers وآليات الانتباه، بما في ذلك آلية الانتباه، بنية Transformer، الانتباه الذاتي، والانتباه متعدد الرؤوس. يتضمن مشروعًا للتطبيق العملي لـ Transformers مثل التلخيص أو الترجمة.

الأسبوع الثالث عشر: التعلم الانتقالي والتخصيص

يقدم هذا الأسبوع مقدمة في التعلم الانتقالي وتقنيات التخصيص في رؤية الحاسوب ومعالجة اللغة الطبيعية. يتضمن مشروعًا لتخصيص نموذج لمهمة معينة.

Deal Source: real.discount