دبلومة الذكاء الاصطناعى AI Diploma

محتوى الدبلومة

أولًا: مقدمة في الذكاء الاصطناعي

Introduction to Artificial Intelligence

• نظرة عامة على Artificial Intelligence وتطبيقاته في مختلف المجالات

• أنواع الذكاء الاصطناعي

• أهداف الدبلومة وبنية المحتوى

• مسارات العمل في مجال الذكاء الاصطناعي

ثانيًا: الرياضيات الأساسية للذكاء الاصطناعي

Essential Mathematics for AI

لتقوية الفهم النظري للنماذج والخوارزميات:

الجبر الخطي (Linear Algebra)

• Vectors

• Matrices

• Eigenvalues & Eigenvectors

التفاضل والتكامل (Calculus)

• Partial Derivatives

• Gradient Descent

الاحتمالات والإحصاء (Probability & Statistics)

• Probability Distributions

• Bayes’ Theorem

ثالثًا: مهارات البرمجة الأساسية

Programming Essentials

• أساسيات لغة Python

• العمل على Jupyter Notebooks

• التحكم في الإصدارات باستخدام Git (Version Control)

رابعًا: Python للذكاء الاصطناعي

Python for Artificial Intelligence

أساسيات البرمجة

• Variables & Data Types

• Conditional Statements & Loops

• Functions & Scope

• Lists, Sets, Dictionaries

• File Reading & Writing

• Basic Data Cleaning

المكتبات الأساسية

• NumPy: العمليات الرياضية والمصفوفات

• Pandas: تحليل ومعالجة البيانات

• Matplotlib / Seaborn: التصوير البياني

خامسًا: تعلم الآلة

Machine Learning

المفاهيم الأساسية

• Supervised vs Unsupervised Learning

• Overfitting & Underfitting

• Bias–Variance Tradeoff

• Cross-validation

الخوارزميات

• Linear & Logistic Regression

• Decision Trees & Random Forest

• K-Nearest Neighbors (KNN)

• Naive Bayes

• Support Vector Machine (SVM)

• K-means & Hierarchical Clustering

• Dimensionality Reduction باستخدام PCA

الأدوات

• scikit-learn

• Visualization باستخدام Matplotlib / Seaborn

مشاريع عملية

• التنبؤ بأداء الطلاب

• التنبؤ بجودة الهواء

• التنبؤ بالمبيعات

• توقع الموافقة على القروض

سادسًا: هندسة الخصائص

Feature Engineering

• مفهوم وأهمية Feature Engineering

• التعامل مع القيم المفقودة

• كشف القيم الشاذة (Outliers)

• Encoding:

  • Label Encoding

  • One-Hot Encoding

  • Target Encoding

• معالجة بيانات الوقت والتاريخ

• اختيار الخصائص المناسبة

مشاريع تطبيقية

• توقع أسعار المنازل

• تحليل بيانات Titanic Dataset

سابعًا: التعلم العميق

Deep Learning

أساسيات الشبكات العصبية

• Perceptron & Multi-Layer Perceptron (MLP)

• Forward & Backward Propagation

• Activation Functions:

  • ReLU

  • Sigmoid

  • Tanh

• Loss Functions:

  • Mean Squared Error (MSE)

  • Cross-Entropy

أنواع الشبكات العصبية

• CNNs للرؤية بالحاسوب

• RNNs & LSTMs لتحليل النصوص والبيانات المتسلسلة

• Object Detection باستخدام:

  • YOLO

  • Mask R-CNN

• نظرة عامة على Transformers

الأدوات

• TensorFlow / Keras

• Jupyter Notebooks أو Google Colab

مشاريع تطبيقية

• Text Classification (Spam Detection & Sentiment Analysis)

• اكتشاف الالتهاب الرئوي من صور الأشعة السينية

• التحقق من معدات السلامة في مواقع البناء

• قراءة لوحات السيارات

ثامنًا: لغة البرمجة Python (مسار تأسيسي مستقل)

مقدمة عن Python

• لماذا Python؟ ولماذا تعتبر لغة المستقبل

• تثبيت وإعداد بيئة العمل

الأساسيات

• Algorithm, Pseudocode, Flowchart

• print() function

• Data Types

• Variables

التحكم في سير البرنامج (Flow Control)

• if / if-else / if-elif-else

• String Comparison

• Logical Operators

• Boolean Variables

الحلقات (Loops)

• for loop & while loop

• Nested Loops

• break & continue

• Input Validation

• Sentinel-controlled loops

هياكل البيانات

• Lists & List Slicing

• Searching in Lists

• Two-Dimensional Lists

• Tuples, Dictionaries, Sets

الدوال (Functions)

• تعريف واستدعاء الدوال

• Local & Global Variables

• Passing Arguments

• Code Reusability

واجهات المستخدم الرسومية (GUI)

• tkinter & ttbootstrap

• Widgets

• Frames

• Buttons & Dialog Boxes

• User Input

• Display Output using Labels

البرمجة الكائنية (OOP)

• Procedural vs Object-Oriented Programming

• Classes & Objects

• Instances

• Class Design Techniques

تاسعًا: الخاتمة

Conclusion

• مراجعة شاملة لجميع محاور الدبلومة

• كيفية الاستعداد لسوق العمل

• بناء Portfolio مشاريع

• الخطوات التالية في مسار الذكاء الاصطناعي

مخرجات الدبلومة

بنهاية الدبلومة سيكون المتدرب قادرًا على:

• فهم أساسيات الذكاء الاصطناعي وتطبيقاته

• بناء نماذج Machine Learning و Deep Learning

• التعامل مع البيانات وتحليلها بكفاءة

• تنفيذ مشاريع عملية جاهزة للـ Portfolio

• الاستعداد لمسارات العمل في مجال AI