بفضل هذا البرنامج المتاح 100%عبر الإنترنت، ستتمكن من تحقيق أقصى استفادة من البيانات الضخمة وتحليل الاتجاهات التي تؤثر على أداء الأصول المالية" 

وفقًا لدراسة أجرتها الرابطة الدولية للتمويل، فإن 70% من المؤسسات التي تطبق حلول الذكاء الاصطناعي قد حسّنت دقة تحليلاتها الاقتصادية وحسّنت إدارة محافظها الاستثمارية. في مواجهة هذا الواقع، يتزايد عدد الشركات التي تطلب دمج المزيد والمزيد من المتخصصين الذين يمكنهم التعامل بمهارة مع الأدوات الناشئة مثل البيانات الضخمة  أو معالجة اللغة الطبيعية أو الشبكات العصبية التلافيفية لاتخاذ قرارات استراتيجية أكثر استنارة وتحسين إدارة المخاطر المالية. للاستفادة من هذه الفرص المهنية، يحتاج الخبراء إلى الحصول على مزايا تنافسية تميزهم عن المرشحين الآخرين.

من هذا المنطلق، تُطلق TECH برنامجاً ثورياً في مجال الذكاء الاصطناعي في قسم الشؤون المالية. هذا المسار الأكاديمي، الذي صممه خبراء مشهورون في هذا المجال، سيوفر للمتخصصين مهارات متقدمة للتعامل مع الأدوات المتقدمة التي تتراوح بين التنقيب عن البيانات أو الرؤية الحاسوبية العميقة Deep Computer Vision بالإضافة إلى نماذج الشبكات العصبية المتكررة. بالتالي، سيكون الخريجون مؤهلين تأهيلاً عالياً لاستخدام النماذج التنبؤية في إدارة المخاطر المالية، وتحسين المهام الشاقة مثل إدارة الخزينة المالية، بل وأتمتة العمليات الأخرى مثل عمليات التدقيق الداخلي. بالإضافة إلى ذلك، ستتطرق المواد التعليمية إلى أكثر الطرق ابتكارًا لتحسين المحافظ الاستثمارية المختلفة. بالإضافة إلى ذلك، سيقدم المنهج الدراسي أدوات متقدمة لتصميم تصورات معقدة للبيانات الاقتصادية باستخدام 
Google Data Studio.

علاوة على ذلك، يعتمد المؤهل العلمي على منهجية إعادة التعلم (المعروفة بـ Relearning) الثورية التي يروج لها TECH. إنه نظام تعليمي يتمثل في من التكرار التدريجي للجوانب الرئيسية، مما يضمن ترسيخ المفاهيم الأساسية للمنهج الدراسي في أذهان الخريجين. بالإضافة إلى ذلك، يمكن تخطيط المناهج الدراسية على أساس فردي، حيث لا توجد جداول زمنية أو جداول تقييم ثابتة محددة مسبقا.  على نفس المنوال، سيكون الحرم الجامعي الافتراضي متاحًا على مدار 24 ساعة يوميًا وسيسمح المحترفين بتنزيل المواد للاطلاع عليها متى يرغبون في ذلك.

ستصل إلى أقصى إمكاناتك في مجال الإدارة المالية بمساعدة موارد الوسائط المتعددة في أشكال مثل الملخصات التفاعلية ومقاطع الفيديو التوضيحية والقراءات المتخصصة"

يحتوي الماجستير الخاص في الذكاء الاصطناعي في قسم الشؤون المالية على البرنامج التعليمي الأكثر اكتمالا وتحديثا في السوق. أبرز خصائصه هي:

تطوير الحالات العملية المقدمة من قبل خبراء في الذكاء الإصطناعي
تجمع المحتويات الرسومية والتخطيطية والعملية البارزة الذي تم تصميمها به معلومات كاملة وعملية عن تلك التخصصات الأساسية للممارسة المهنية
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم
تركيزها الخاص على المنهجيات المبتكرة
دروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

هل تتطلع إلى دمج تقنيات معالجة اللغة الطبيعية الأكثر ابتكاراً في ممارساتك اليومية؟ احصل على هذه الشهادة الجامعية في أقل من عام"

البرنامج يضم في أعضاء هيئة تدريسه محترفين يجلبون إلى هذا التدريب خبرة عملهم، بالإضافة إلى متخصصين معترف بهم من الشركات الرائدة والجامعات المرموقة.

سيتيح محتوى البرنامج المتعدد الوسائط، والذي صيغ بأحدث التقنيات التعليمية، للمهني التعلم السياقي والموقعي، أي في بيئة محاكاة توفر تدريبا غامرا مبرمجا للتدريب في حالات حقيقية.

يركز تصميم هذا البرنامج على التعلّم القائم على حل المشكلات، والذي يجب على المهني من خلاله محاولة حل مختلف مواقف الممارسة المهنية التي تنشأ على مدار السنة الدراسىة. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

سوف تقوم بالتدريب على نماذج التعلُّم الآلي (Machine Learning) بكفاءة، مما يتيح لك التنبؤ بمختلف المخاطر المالية المحتملة"

سيتم توجيهك من خلال نظام التعلم القائم على التكرار، مع منهج تدريس طبيعي وتدريجي على طول المنهج الدراسي بأكمله"

من خلال هذا المؤهل العلمي، سيتعامل المتخصصون مع الأدوات الرئيسية للذكاء الاصطناعي لتحسين العمليات المالية وتحسين عملية اتخاذ القرارات الاستراتيجية.  سيتعمق المنهج الدراسي في جوانب مثل دورة حياة البيانات والخوارزميات وتدريب الشبكات العصبية العميقة. سيكتسب الخريجون المهارات اللازمة لاستخدام النماذج التنبؤية لإدارة المخاطر المالية، وتحسين التخطيط في مهام مثل إدارة الخزينة المالية وأتمتة مهام التدقيق. سيقدم المنهج الدراسي أيضًا تقنيات حديثة لتحسين المحافظ الاستثمارية وتصور البيانات الاقتصادية المعقدة باستخدام Google Data Studio.

ستقوم بتصميم حلول الأتمتة التي تزيد من الكفاءة في المهام الرئيسية مثل المحاسبة وإدارة الخزانة والتدقيق الداخلي"

الوحدة 1 أسس الذكاء الاصطناعي

1.1    تاريخ الذكاء الاصطناعي

1.1.1    متى تبدأ الحديث عن الذكاء الاصطناعي؟
2.1.1    مراجع في السينما
3.1.1    أهمية الذكاء الاصطناعي
4.1.1    التقنيات التي تمكن وتدعم الذكاء الاصطناعي

2.1    الذكاء الاصطناعي في الألعاب

1.2.1    نظرية اللعبة
2.2.1    Minimax و Alfa-Beta
3.2.1    المحاكاة: Monte Carlo

3.1    شبكات الخلايا العصبية

1.3.1    الأسس البيولوجية
2.3.1    نموذج حوسبي
3.3.1    شبكات الخلايا العصبية الخاضعة للإشراف وغير الخاضعة للإشراف
4.3.1    إدراك بسيط
5.3.1    إدراك متعدد الطبقات

4.1    الخوارزميات الوراثية

1.4.1    التاريخ
2.4.1    الأساس البيولوجي
3.4.1    مشكلة الترميز
4.4.1    توليد المجموعة أولية
5.4.1    الخوارزمية الرئيسية ومشغلي الوراثة
6.4.1    تقييم الأفراد: Fitness اللياقة

5.1    المكنز، مفردات، تصنيفات

1.5.1    المفردات
2.5.1    التصنيفات
3.5.1    المرادفات
4.5.1    علم المعلومات
5.5.1    تمثيل المعرفة: الشبكة الدلالية

6.1    الويب الدلالي

1.6.1    المواصفات: RDF و RDFS و OWL
2.6.1    الاستدلال/المنطق
3.6.1    Linked Data

7.1    نظم الخبراء وإدارة شؤون السلامة والأمن

1.7.1    نظم الخبراء
2.7.1    نظم دعم القرار

8.1    Chatbots والمساعدون الافتراضيون

1.8.1    أنواع المساعدين: مساعدو الصوت والنص
2.8.1    الأجزاء الأساسية لتطوير مساعد: النواياIntents والكيانات وتدفق الحوار
3.8.1    التكاملات: الويب، Slack، Whatsapp، Facebook
4.8.1    الأدوات الإنمائية المساعدة: Dialog Flowو Watson Assistant

9.1    استراتيجية تنفيذ الذكاء الاصطناعي

10.1    مستقبل الذكاء الاصطناعي

1.10.1    نحن نفهم كيفية اكتشاف المشاعر من خلال الخوارزميات
3.10.1    خلق شخصية: اللغة والتعبيرات والمحتوى
4.10.1    اتجاهات الذكاء الاصطناعي
5.10.1    تأملات

الوحدة 2. أنواع البيانات ودورة حياتها

1.2    الإحصاءات.

1.1.2    الإحصاءات: الإحصاءات الوصفية، والاستنتاجات الإحصائية
2.1.2    المجموعة، العينة، الفرد
3.1.2    المتغيرات: التعريف ومقاييس القياس

2.2.    أنواع البيانات الإحصائية

1.2.2    حسب النوع

1.1.2.2 البيانات الكمية: بيانات مستمرة ومنفصلة
2.1.2.2 النوعية: البيانات ذات الحدين والبيانات الاسمية والبيانات الترتيبية

2.2.2    وفقا للشكل

1.2.2.2 العدد
2.2.2.2 النص
3.2.2.2 المنطق

3.2.2    حسب مصدرها

1.3.2.2 الأولي
2.3.22 الثانوي

3.2.    دورة حياة البيانات

1.3.2    مراحل الدورة
2.3.2.    معالم الدورة
3.3.2    المبادئ FAIR

4.2.    المراحل الأولية من الدورة

1.4.2    تعريف الهدف
2.4.2    تحديد الاحتياجات من الموارد
3.4.2    مخطط Gantt
4.4.2    هيكل البيانات

5.2.    جمع البيانات

1.5.2    منهجية التحصيل
2.5.2    أدوات التحصيل
3.5.2    قنوات التحصيل

6.2.    تنظيف البيانات

1.6.2    مراحل تطهير البيانات
2.6.2    جودة البيانات
3.6.2    معالجة البيانات (مع برنامج R)

7.2.    تحليل البيانات وتفسيرها وتقييم النتائج

1.7.2    المقاييس الإحصائية
2.7.2    مؤشرات العلاقة
3.7.2    استخراج البيانات

8.2.    مستودع البيانات (Datawarehouse)

1.8.2    العناصر التي تتألف منها
2.8.2    التصميم
3.8.2    الجوانب التي ينبغي النظر فيها

9.2    توافر البيانات

1.9.2    الدخول
2.9.2    الوصول
3.9.2    الأمان

10.2.    الجوانب المعيارية

1.10.2    قانون حماية البيانات
2.10.2    الممارسات الجيدة
3.10.2    الجوانب الأخرى المتعلقة بالسياسات

الوحدة 3. البيانات في الذكاء الاصطناعي

1.3.    علم البيانات

1.1.3    علم البيانات
2.1.3    أدوات متقدمة لعالم البيانات

2.3.    البيانات والمعلومات والمعرفة

1.2.3    البيانات والمعلومات والمعرفة
2.2.3.    أنواع البيانات
3.2.3    مصادر البيانات

3.3.    من البيانات إلى المعلومات

1.3.3    تحليل البيانات
2.3.3    أنواع التحليل
3.3.3    استخراج المعلومات من مجموعة البيانات (Dataset) 

4.3.    استخراج المعلومات من خلال التصور

1.4.3    التصور كأداة تحليل
2.4.3    طرق العرض
3.4.3    عرض مجموعة البيانات

5.3.    جودة البيانات

1.5.3    بيانات الجودة
2.5.3    تطهير البيانات
3.5.3    معالجة البيانات الأساسية

6.3.    Dataset

1.6.3    إثراء مجموعة البيانات (Dataset)
2.6.3    لعنة الأبعاد
3.6.3    تعديل مجموعة البيانات الخاصة بنا

7.3.    اختلال التوازن

1.7.3    عدم التوازن الطبقي
2.7.3    تقنيات تخفيف الاختلال
3.7.3    موازنة مجموعة البيانات (Dataset)

8.3.    نماذج غير خاضعة للرقابة

1.8.3    نموذج غير خاضع للرقابة
2.8.3    مناهج
3.8.3    التصنيف بنماذج غير خاضعة للرقابة

9.3.    النماذج الخاضعة للإشراف

1.9.3    نموذج خاضع للإشراف
2.9.3    مناهج
3.9.3    التصنيف مع النماذج الخاضعة للإشراف

10.3.    الأدوات والممارسات الجيدة

1.10.3    أفضل الممارسات لعالم البيانات
2.10.3    أفضل نموذج
3.10.3    أدوات مفيدة

الوحدة 4. استخراج البيانات. الاختيار والمعالجة المسبقة والتحول

1.4    الاستدلال الإحصائي

1.1.4    الإحصاءات الوصفية مقابل الاستدلال الإحصائي
2.1.4    إجراءات حدودية
3.1.4    الإجراءات اللامعلمية

2.4    التحليل الاستكشافي

1.2.4    التحليل الوصفي
2.2.4    العرض
3.2.4    إعداد البيانات

3.4.    إعداد البيانات

1.3.4    تكامل البيانات وتنقيتها
2.3.4    تطبيع البيانات
3.3.4    سمات التحويل

4.4.    القيم المفقودة

1.4.4    معالجة القيم الناقصة
2.4.4    طرق التضمين القصوى
3.4.4    احتساب القيم المفقودة باستخدام التعلم الآلي

5.4.    الضجيج في البيانات

1.5.4    فئات وسمات الضجيج
2.5.4    ترشيح الضجيج
3.5.4    تأثير الضجيج

6.4    لعنة الأبعاد

1.6.4    Oversampling
2.6.4    Undersampling
3.6.4    تقليل البيانات متعددة الأبعاد

7.4    من الصفات المستمرة إلى المنفصلة

1.7.4    البيانات المستمرة مقابل البيانات المنفصلة
2.7.4    عملية التكتم

8.4.    البيانات

1.8.4    اختيار البيانات
2.8.4    وجهات النظر ومعايير الاختيار
3.8.4    مناهج الاختيار

9.4    اختيار المثيل

1.9.4    مناهج اختيار الحالات
2.9.4    اختيار النماذج
3.9.4    مناهج متقدمة لاختيار المثيل

10.4.    المعالجة المسبقة للبيانات في بيئات البيانات الضخمة 

الوحدة 5. الخوارزمية والتعقيد في الذكاء الاصطناعي

1.5    مقدمة لاستراتيجيات تصميم الخوارزميات

1.1.5    العودية
2.1.5    فرق تسد
3.1.5    استراتيجيات أخرى

2.5    كفاءة وتحليل الخوارزميات

1.2.5    تدابير الكفاءة
2.2.5    قياس حجم المدخلات
3.2.5    قياس وقت التشغيل
4.2.5    أسوأ وأفضل حالة ومابينهما
5.2.5    التدوين المقارب
6.2.5    معايير التحليل الرياضي لخوارزميات السلوك الغيرالمتكرر
7.2.5    التحليل الرياضي للخوارزميات المتكررة
8.2.5    التحليل التجريبي للخوارزميات

3.5    فرز الخوارزميات

1.3.5    مفهوم الإدارة
2.3.5    فرز الفقاعة
3.3.5    الفرز حسب الاختيار
4.3.5    ترتيب الإدراج
5.3.5    الفرز حسب الخليط (Merge_Sort)
6.3.5    الفرز السريع (Quick_Sort)

4.5.    خوارزميات بالأشجار

1.4.5    مفهوم الشجرة
2.4.5    أشجار ثنائية
3.4.5    جولات الأشجار
4.4.5    تمثيل التعبيرات
5.4.5    أشجار ثنائية مرتبة
6.4.5    أشجار ثنائية متوازنة

5.5.    خوارزميات مع Heaps

1.5.5    Heaps
2.5.5    خوارزمية Heapsort
3.5.5    قوائم الانتظار ذات الأولوية

6.5    الخوارزميات ذات الرسوم البيانية

1.6.5    العرض
2.6.5    جولة ضيقة
3.6.5    جولة متعمقة
4.6.5    الترتيب الطوبولوجي

7.5    خوارزميات Greedy

1.7.5    استراتيجية Greedy
2.7.5    عناصر استراتيجية Greedy
3.7.5    صرف العملات
4.7.5    مشكلة المسافر
5.7.5    مشكلة حقيبة الظهر

8.5    ابحث عن الحد الأدنى من المسارات

1.8.5    مشكلة المسار الأدنى
2.8.5    الأقواس والدورات السلبية
3.8.5    خوارزمية Dijkstra

9.5    خوارزميات Greedyعلى الرسوم البيانية

1.9.5    شجرة الحد الأدنى من الطبقة
2.9.5    خوارزمية Prim
3.9.5    خوارزمية Kruskal
4.9.5    تحليل التعقيد

10.5    Backtracking

1.10.5    Backtracking
2.10.5    التقنيات البديلة

الوحدة 6. أنظمة ذكية

1.6    نظرية الوكلاء

1.1.6    تاريخ المفهوم
2.1.6    تعريف الوكلاء
3.1.6    وكلاء في الذكاء الاصطناعي
4.1.6    وكلاء في هندسة البرمجيات

2.6.    بناء الوكلاء

1.2.6    عملية التفكير في عامل ما
2.2.6    عوامل تفاعلية
3.2.6    العوامل الاستنتاجية
4.2.6    عوامل هجينة
5.2.6    مقارنة

3.6.    المعلومات والمعارف

1.3.6    التمييز بين البيانات والمعلومات والمعارف
2.3.6    تقييم جودة البيانات
3.3.6    طرائق جمع البيانات
4.3.6    طرائق الحصول على المعلومات
5.3.6    طرائق اكتساب المعرفة

4.6.    تمثيل المعارف

1.4.6    أهمية تمثيل المعارف
2.4.6    تعريف تمثيل المعرفة من خلال أدوارها
3.4.6    خصائص تمثيل المعرفة

5.6    علم المعلومات

1.5.6    مقدمة للبيانات الوصفية
2.5.6    المفهوم الفلسفي لعلم الأنطولوجيا
3.5.6    مفهوم الحاسوب لعلم الأنطولوجيا
4.5.6    أنطولوجيات المجال وأنطولوجيات المستوى الأعلى
5.5.6    كيف تبني أنطولوجيا؟

6.6    اللغات الوجودية والبرمجيات لإنشاء الأنطولوجيا

1.6.6    قوائم RDF و Turtle و N
2.6.6    RDF مخطط 
3.6.6    OWL
4.6.6    SPARQL
5.6.6    مقدمة إلى الأدوات المختلفة لإنشاء الأنطولوجيا
6.6.6    تركيب Protégéواستخدامها

7.6    الويب الدلالي

1.7.6    الحالة الحالية والمستقبلية للشبكة الدلالية
2.7.6    تطبيقات الشبكة الدلالية

8.6    نماذج أخرى لتمثيل المعرفة

1.8.6    المفردات
2.8.6    نظرة عامة
3.8.6    التصنيفات
4.8.6    المرادفات
5.8.6    فولكسونومي
6.8.6    مقارنة
7.8.6    خرائط العقل

9.6    تقييم وإدماج التمثيلات المعرفية

1.9.6    منطق الترتيب الصفري
2.9.6    المنطق من الدرجة الأولى
3.9.6    المنطق الوصفي
4.9.6    العلاقة بين مختلف أنواع المنطق
5.9.6    مقدمة: البرمجة على أساس منطق الدرجة الأولى

10.6    المعقولات الدلالية والأنظمة القائمة على المعرفة وأنظمة الخبراء

1.10.6    مفهوم المنطق
2.10.6    طلبات المعقل
3.10.6    النظم القائمة على المعرفة
4.10.6    MYCIN، تاريخ أنظمة الخبراء
5.10.6    عناصر وبناء نظام الخبراء
6.10.6    إنشاء الأنظمة المتخصصة

الوحدة 7. التعلم الآلي واستخراج البيانات

1.7    مقدمة لعمليات اكتشاف المعرفة وأساسيات التعلم الآلي

1.1.7    المفاهيم الرئيسية لعمليات اكتشاف المعرفة
2.1.7    المنظور التاريخي لعمليات اكتشاف المعرفة
3.1.7    مراحل عمليات اكتشاف المعرفة
4.1.7    التقنيات المستخدمة في عمليات اكتشاف المعرفة
5.1.7    ميزات نماذج التعلم الآلي الجيدة
6.1.7    أنواع معلومات التعلم الآلي
7.1.7    المفاهيم الأساسية للتعلم
8.1.7    المفاهيم الأساسية للتعلم غير الخاضع للإشراف

2.7.    مسح البيانات ومعالجتها مسبقا

1.2.7    تجهيز البيانات
2.2.7    معالجة البيانات في تدفق تحليل البيانات
3.2.7    أنواع البيانات
4.2.7    تحويلات البيانات
5.2.7    تصور واستكشاف المتغيرات المستمرة
6.2.7    تصور واستكشاف المتغيرات الفئوية
7.2.7    تدابير الارتباط
8.2.7    التمثيلات الرسومية الأكثر شيوعًا
9.2.7    مقدمة للتحليل المتعدد المتغيرات والحد من الأبعاد

3.7    أشجار القرار

1.3.7    معرف الخوارزمية
2.3.7    الخوارزمية C
3.3.7    الإفراط في التدريب والتشذيب
4.3.7    تحليل النتائج

4.7    تقييم المصنفات

1.4.7    مصفوفات الارتباك
2.4.7    مصفوفات التقييم العددي
3.4.7    إحصائي Kappa
4.4.7    منحنى ROC

5.7    قواعد التصنيف

1.5.7    تدابير لتقييم القواعد
2.5.7    مقدمة للتمثيل البياني
3.5.7    خوارزمية الطبقات المتسلسلة

6.7    الشبكات العصبية

1.6.7    مفاهيم أساسية
2.6.7    منحنى ROC
3.6.7    خوارزمية Backpropagation
4.6.7    مقدمة إلى الشبكات العصبية المتكررة

7.7    الأساليب البايزية

1.7.7    أساسيات الاحتمال
2.7.7    مبرهنة Bayes
3.7.7    Naive Bayes
4.7.7    مقدمة إلى الشبكات البايزية

8.7.    نماذج الانحدار والاستجابة المستمرة

1.8.7    الانحدار الخطي البسيط
2.8.7    الانحدار الخطي المتعدد
3.8.7    الانحدار السوقي
4.8.7    أشجار الانحدار
5.8.7    مقدمة إلى آلات دعم ناقلات
6.8.7    مقاييس جودة الملاءمة

9.7    Clustering

1.9.7    مفاهيم أساسية
2.9.7    Clustering الهرمي
3.9.7    الأساليب الاحتمالية
4.9.7    خوارزمية EM
5.9.7    الطريقة B-Cubed
6.9.7    الأساليب الضمنية

10.7    استخراج النصوص وتجهيز اللغات الطبيعية

1.10.7    مفاهيم أساسية
2.10.7    إنشاء المجموعة
3.10.7    التحليل الوصفي
4.10.7    مقدمة لتحليل المشاعر

الوحدة 8. الشبكات العصبية وأساس التعلم العميق (Deep Learning)

1.8.    التعلم العميق

1.1.8    أنواع التعلم العميق
2.1.8    تطبيقات التعلم العميق
3.1.8    مزايا وعيوب التعلم العميق

2.8.    المعاملات

1.2.8    مجموع
2.2.8    المنتج
3.2.8    نقل

3.8    الطبقات

1.3.8    طبقة المدخلات
2.3.8    طبقة مخيفة
3.3.8    طبقة الإخراج

4.8    اتحاد الطبقات والعمليات

1.4.8    التصميم البناء
2.4.8    الاتصال بين الطبقات
3.4.8    الانتشار إلى الأمام

5.8    بناء أول شبكة عصبية

1.5.8    تصميم الشبكة
2.5.8    تحديد الأوزان
3.5.8    التدريب الشبكي

6.8    مدرب ومحسن

1.6.8    اختيار المحسّن
2.6.8    إنشاء وظيفة الخسارة
3.6.8    وضع مقياس

7.8    تطبيق مبادئ الشبكات العصبية

1.7.8    وظائف التنشيط
2.7.8    الانتشار إلى الوراء
3.7.8    تعديل البارامتر

8.8    من الخلايا البيولوجية إلى الخلايا العصبية الاصطناعية

1.8.8    عمل الخلايا العصبية البيولوجية
2.8.8    نقل المعرفة إلى الخلايا العصبية الاصطناعية
3.8.8    بناء علاقات بين الاثنين

9.8    تنفيذ برنامج MLP (Perceptron متعدد الطبقات) مع Keras

1.9.8    تعريف هيكل الشبكة
2.9.8    تجميع النماذج
3.9.8    التدريب النموذجي

10.8    ضبط فرط بارامامترات الشبكات العصبية Fine tuning 

1.10.8    اختيار وظيفة التنشيط
2.10.8    تحديد Learning rate
3.10.8    تعديل الأوزان

الوحدة 9. تدريب الشبكات العصبونية العميقة

1.9    مشاكل التدرج

1.1.9    تقنيات التحسين الأمثل للتدرج
2.1.9    التدرجات العشوائية
3.1.9    تقنيات استهلال الأوزان

2.9.    إعادة استخدام الطبقات المشكّلة مسبقاً

1.2.9    التدريب على نقل التعلم
2.2.9    استخراج المميزات
3.2.9    التعلم العميق

3.9    المحسنات

1.3.9    محسنات الانحدار العشوائي
2.3.9    محسنات Adam و RMSprop
3.3.9    المحسنات في الوقت الحالي

4.9    برمجة معدل التعلم

1.4.9    التحكم في معدل التعلم الآلي
2.4.9    دورات التعلم
3.4.9    تخفيف الشروط

5.9    الإفراط في التكيف

1.5.9    التحقق المتبادل
2.5.9    تسوية الأوضاع
3.5.9    مقاييس التقييم

6.9    مبادئ توجيهية عملية

1.6.9    تصميم النموذج
2.6.9    اختيار المقاييس وبارامترات التقييم
3.6.9    اختبارات الفرضية

7.9    Transfer Learning

1.7.9    التدريب على نقل التعلم
2.7.9    استخراج المميزات
3.7.9    التعلم العميق

8.9    Data Augmentation

1.8.9    تحولات الصورة
2.8.9    توليد البيانات الاصطناعية
3.8.9    تحويل النص

9.9    التطبيق العملي Transfer Learning

1.9.9    التدريب على نقل التعلم
2.9.9    استخراج المميزات
3.9.9    التعلم العميق

10.9    تسوية الأوضاع

1.10.9    L و L
2.10.9    وضع القواعد بالقصور الحراري العظمي
3.10.9    Dropout

الوحدة 10. تخصيص النموذج والتدريب باستخدام TensorFlow

1.10    TensorFlow

1.1.10    استخدام مكتبة TensorFlow
2.1.10    نموذج التدريب مع TensorFlow
3.1.10    العمليات بالرسومات في TensorFlow

2.10    TensorFlow و NumPy

1.2.10    بيئة الحوسبة NumPy لـ TensorFlow
2.2.10    باستخدام مصفوفات NumPy باستخدام TensorFlow
3.2.10    عمليات NumPy لرسومات TensorFlow

3.10    إضفاء الطابع الشخصي على النماذج والخوارزميات التدريب

1.3.10    بناء نماذج مخصصة باستخدام TensorFlow
2.3.10    إدارة بارامترات التدريب
3.3.10    استخدام تقنيات التحسين الأمثل للتدريب

4.10    ميزات ورسومات TensorFlow

1.4.10    وظائف مع TensorFlow
2.4.10    استخدام الرسوم البيانية للتدريب على النماذج
3.4.10    تحسين الرسومات باستخدام عمليات TensorFlow

5.10    بيانات التحميل والمعالجة المسبقة باستخدام TensorFlow

1.5.10    تحميل مجموعات البيانات باستخدام TensorFlow
2.5.10    بيانات المعالجة المسبقة باستخدام TensorFlow
3.5.10    استخدام أدوات TensorFlow للتلاعب بالبيانات

6.10    واجهة برمجة التطبيقات tfdata

1.6.10    استخدام واجهة برمجة التطبيقات tfdata لمعالجة البيانات
2.6.10    بناء تدفقات البيانات مع tfdata
3.6.10    استخدام واجهة برمجة التطبيقات tfdataللتدريب النموذجي

7.10    تنسيق TFRecord

1.7.10    استخدام واجهة برمجة التطبيقات TFRecord لتسلسل البيانات
2.7.10    تحميل ملف TFRecord باستخدام TensorFlow
3.7.10    استخدام ملفات TFRecord للتدريب النموذجي

8.10    طبقات المعالجة المسبقة Keras

1.8.10    استخدام واجهة برمجة التطبيقات المعالجة مسبقًا Keras
2.8.10    البناء المكون من pipelinedالمعالجة المسبقة مع Keras
3.8.10    استخدام واجهة برمجة التطبيقات للمعالجة المسبقة لـ Keras للتدريب النموذجي

9.10    مشروع مجموعات بيانات TensorFlow Datasets

1.9.10    استخدام مجموعات بيانات TensorFlow Datasets  لتحميل البيانات
2.9.10    معالجة البيانات مسبقًا باستخدام مجموعات بيانات TensorFlow Datasets
3.9.10    استخدام مجموعات بيانات TensorFlow Datasets  للتدريب على النماذج

10.10    بناء تطبيق Deep Learning باستخدام TensorFlow

1.10.10    التطبيق العملي
2.10.10    بناء تطبيق Deep Learning  باستخدام TensorFlow
3.10.10    تدريب نموذج مع TensorFlow
4.10.10    استخدام التطبيق للتنبؤ بالنتائج

الوحدة 11 Deep Computer Vision بشبكات عصبونية تلافيفية

1.11    الهندسة المعمارية Visual Cortex

1.1.11    وظائف القشرة البصرية
2.1.11    نظريات الرؤية الحسابية
3.1.11    نماذج معالجة الصور

2.11    طبقات تلافيفية

1.2.11    إعادة استخدام الأوزان في الالتفاف
2.2.11    التلاقي D
3.2.11    وظائف التنشيط

3.11    طبقات التجميع وتنفيذ طبقات التجميع مع Keras

1.3.11    Poolingو Striding
2.3.11    Flattening
3.3.11    أنواع Pooling

4.11    بناء CNN

1.4.11    بناء VGG
2.4.11    بناء AlexNet
3.4.11    بناء ResNet

5.11    تنفيذ CNN ResNet- باستخدام Keras

1.5.11    استهلال الأوزان
2.5.11    تعريف طبقة المدخلات
3.5.11    تعريف الناتج

6.11    استخدام نماذج Keras المدربة مسبقا

1.6.11    خصائص النماذج السابقة التدريب
2.6.11    استخدامات النماذج المدربة مسبقا
3.6.11    مزايا النماذج المدربة مسبقا

7.11    نماذج ما قبل التدريب للتعلم في مجال النقل

1.7.11    التعلم عن طريق النقل
2.7.11    عملية التعلم عن طريق النقل
3.7.11    فوائد التعلم التحويلي

8.11    تصنيف الرؤية العميقة للحاسوب وتوطينها Deep Computer Vision

1.8.11    تصنيف الصورة
2.8.11    موقع الأشياء في الصور
3.8.11    كشف الأشياء

9.11    كشف الأشياء وتتبعها

1.9.11    طرائق الكشف عن الأشياء
2.9.11    خوارزميات لتتبع الأشياء
3.9.11    تقنيات التتبع والتعقب

10.11    التجزئة الدلالية

1.10.11    التعلم العميق للتجزئة الدلالية
2.10.11    كشف الحواف
3.10.11    طرائق التجزئة القائمة على القواعد

الوحدة 12 معالجة اللغة الطبيعية (NLP) مع الشبكات الطبيعية المتكررة (RNN) والرعاية

1.12    توليد النص باستخدام RNN

1.1.12    تدريب RNN لتوليد النص
2.1.12    توليد اللغة الطبيعية مع RNN
3.1.12    تطبيقات توليد النصوص باستخدام RNN

2.12    إنشاء مجموعة بيانات التدريب

1.2.12    إعداد البيانات للتدريب RNN
2.2.12    تخزين مجموعة بيانات التدريب
3.2.12    تنظيف البيانات وتحويلها
4.2.12    تحليل المشاعر

3.12    تصنيف المراجعات مع RNN

1.3.12    الكشف عن المواضيع الواردة في التعليقات
2.3.12    تحليل المشاعر مع خوارزميات التعلم العميق

4.12    شبكة فك تشفير للترجمة الآلية العصبية

1.4.12    تدريب شبكة RNN على الترجمة الآلية
2.4.12    استخدام شبكة فك تشفيرencoder-decoder للترجمة الآلية
3.4.12    تحسين دقة الترجمة الآلية باستخدام RNN

5.12    آليات الرعاية

1.5.12    تطبيق آليات الرعاية في RNN
2.5.12    استخدام آليات الرعاية لتحسين دقة النماذج
3.5.12    مزايا آليات الانتباه في الشبكات العصبية

6.12    نماذج Transformers

1.6.12    استخدام نماذج المحولات Transformers لمعالجة اللغة الطبيعية
2.6.12    تطبيق نماذج المحولات Transformers للرؤية
3.6.12    مزايا نماذج المحولات Transformers

7.12    محولات للرؤية Transformers

1.7.12    استخدام نماذج المحولات Transformers للرؤية
2.7.12    المعالجة المسبقة لبيانات الصورة
3.7.12    تدريب نموذج المحولات Transformersعلى الرؤية

8.12    مكتبة Transformers Hugging Face

1.8.12    استخدام مكتبة محولات Transformers Hugging Face
2.8.12    تطبيق مكتبة محولات Transformers Hugging Face
3.8.12    مزايا مكتبة محولات Transformers Hugging Face

9.12    مكتبات أخرى من Transformers. مقارنة

1.9.12    مقارنة بين مكتبات المحولات المختلفة Transformers
2.9.12    استخدام مكتبات المحولات الأخرى Transformers
3.9.12    مزايا مكتبات المحولات الأخرى Transformers

10.12    تطوير تطبيق NLP مع RNN والرعاية. التطبيق العملي

1.10.12    تطوير تطبيق معالجة اللغة الطبيعية مع RNN والرعاية
2.10.12    استخدام RNN وآليات الانتباه ونماذج المحولات Transformers في التطبيق
3.10.12    تقييم التنفيذ العملي

الوحدة 13 أجهزة التشفير التلقائي Autoencoders وشبكات الخصومة التوليدية GANs ونماذج الانتشار

1.13    كفاءة تمثيل البيانات

1.1.13    الحد من الأبعاد
2.1.13    التعلم العميق
3.1.13    التمثيلات المدمجة

2.13    تحقيق PCA باستخدام مشفر أوتوماتيكي خطي غير كامل

1.2.13    عملية التدريب
2.2.13    تنفيذ Python
3.2.13    استخدام بيانات الاختبار

3.13    مشفّرات أوتوماتيكية مكدسة

1.3.13    الشبكات العصبية العميقة
2.3.13    بناء هياكل الترميز
3.3.13    استخدام التسوية

4.13    أجهزة الترميز التلقائي التلافيفية

1.4.13    تصميم النماذج التلافيفية
2.4.13    تدريب نماذج التلافيف
3.4.13    تقييم النتائج

5.13    إزالة الضوضاء من المشفرات التلقائية

1.5.13    تطبيق المرشح
2.5.13    تصميم نماذج الترميز
3.5.13    استخدام تقنيات التسوية

6.13    مشفّرات أوتوماتيكية مشتتة

1.6.13    زيادة كفاءة الترميز
2.6.13    التقليل إلى أدنى حد من عدد البارامترات
3.6.13    استخدام تقنيات التسوية

7.13    مشفرات متباينة تلقائية

1.7.13    استخدام التحسين المتغير
2.7.13    التعلم العميق غير الخاضع للإشراف
3.7.13    التمثيلات الكامنة العميقة

8.13    جيل من صور MNIST

1.8.13    التعرف على الأنماط
2.8.13    توليد الصورة
3.8.13    تدريب الشبكات العصبونية العميقة

9.13    شبكات الخصومة المولدة ونماذج النشر

1.9.13    توليد المحتوى من الصور
2.9.13    نمذجة توزيع البيانات
3.9.13    استخدام الشبكات المتواجهة

10.13    تنفيذ النماذج

1.10.13    التطبيق العملي
2.10.13    تنفيذ النماذج
3.10.13    استخدام البيانات الحقيقية
4.10.13    تقييم النتائج

الوحدة 14 الحوسبة المستوحاة من الحيوية

1.14    مقدمة الحوسبة المستوحاة من الحيوية

1.1.14    مقدمة الحوسبة المستوحاة من الحيوية

2.14    خوارزميات التكيف الاجتماعي

1.2.14    حساب بيولوجي مستوحى من مستعمرة النمل
2.2.14    متغيرات خوارزميات مستعمرة النمل
3.2.14    الحوسبة القائمة على سحب الجسيمات

3.14    الخوارزميات الوراثية

1.3.14    الهيكل العام
2.3.14    تنفيذ المتعهدين الرئيسيين

4.14    استراتيجيات استكشاف الفضاء واستغلاله من أجل الخوارزميات الوراثية

1.4.14    خوارزمية CHC
2.4.14    مشاكل النقل المتعدد الوسائط

5.14    نماذج الحوسبة التطورية (1)

1.5.14    الاستراتيجيات التطورية
2.5.14    البرمجة التطورية
3.5.14    الخوارزميات القائمة على التطور التفاضلي

6.14    نماذج الحوسبة التطورية (2)

1.6.14    نماذج التطور القائمة على تقدير التوزيع (EDA)
2.6.14    البرمجة الوراثية

7.14    البرمجة التطورية المطبقة على مشاكل التعلم

1.7.14    التعلم القائم على القواعد
2.7.14    طرق التطور في مشاكل الاختيار على سبيل المثال

8.14    المشاكل المتعددة الأهداف

1.8.14    مفهوم الهيمنة
2.8.14    تطبيق الخوارزميات التطورية على المسائل المتعددة الأهداف

9.14    الشبكات العصبية (1)

1.9.14    مقدمة إلى الشبكات العصبية
2.9.14    مثال عملي مع الشبكات العصبية

10.14    الشبكات العصبية (2)

1.10.14    استخدام حالات الشبكات العصبية في البحوث الطبية
2.10.14    استخدام حالات الشبكات العصبية في الاقتصاد
3.10.14    استخدام حالات الشبكات العصبية في الرؤية الاصطناعية

الوحدة 15 الذكاء الاصطناعي: الاستراتيجيات والتطبيقات

1.15    الخدمات المالية

1.1.15    الآثار المترتبة على الذكاء الاصطناعي في الخدمات المالية. الفرص والتحديات
2.1.15    حالات الاستخدام
3.1.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.1.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

2.15    آثار الذكاء الاصطناعي في الخدمة الصحية

1.2.15    آثار الذكاء الاصطناعي في قطاع الصحة. الفرص والتحديات
2.2.15    حالات الاستخدام

3.15    المخاطر المتعلقة باستخدام الذكاء الاصطناعي في الرعاية الصحية

1.3.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
2.3.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

4.15    البيع بالتجزئة Retail

1.4.15    آثار الذكاء الاصطناعي في البيع بالتجزئة Retail. الفرص والتحديات
2.4.15    حالات الاستخدام
3.4.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.4.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

5.15    الصناعة

1.5.15    الآثار المترتبة على الذكاء الاصطناعي في الصناعة. الفرص والتحديات
2.5.15    حالات الاستخدام

6.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي في الصناعة

1.6.15    حالات الاستخدام
2.6.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
3.6.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

7.15    الإدارة العامة

1.7.15    آثار الذكاء الاصطناعي على الإدارة العامة. الفرص والتحديات
2.7.15    حالات الاستخدام
3.7.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.7.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

8.15    التعليم

1.8.15    آثار الذكاء الاصطناعي على التعليم. الفرص والتحديات
2.8.15    حالات الاستخدام
3.8.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.8.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

9.15    الغابات والزراعة

1.9.15    آثار الذكاء الاصطناعي على الغابات والزراعة. الفرص والتحديات
2.9.15    حالات الاستخدام
3.9.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.9.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

10.15    الموارد البشرية

1.10.15    آثار الذكاء الاصطناعي في الموارد البشرية. الفرص والتحديات
2.10.15    حالات الاستخدام
3.10.15    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي
4.10.15    التطورات المحتملة/الاستخدامات المستقبلية للذكاء الاصطناعي

الوحدة 16 أتمتة العمليات في قسم الشؤون المالية باستخدام الذكاء الاصطناعي

1.16    أتمتة العمليات المالية باستخدام أتمتة العمليات الروبوتية

1.1.16    الذكاء الاصطناعي وأتمتة العمليات الروبوتية من أجل الأتمتة والعمليات الروبوتية
2.1.16    منصات الأتمتة الآلية للعمليات المالية: UiPath, Blue Prism و Automation Anywhere
3.1.16    تقييم حالات استخدام أتمتة العمليات الآلية في مجال التمويل والعائد المتوقع على الاستثمار

2.16    معالجة الفواتير آلياً باستخدام الذكاء الاصطناعي مع Kofax

1.2.16    تكوين حلول الذكاء الاصطناعي لمعالجة الفواتير باستخدام Kofax
2.2.16    تطبيق تقنيات التعلم الآلي Machine Learning لتصنيف الفواتير
3.2.16    أتمتة دورة الحسابات المستحقة الدفع باستخدام تقنيات الذكاء الاصطناعي

3.16    أتمتة الدفع باستخدام منصات الذكاء الاصطناعي

1.3.16    تنفيذ أنظمة الدفع الآلي باستخدام Stripe Radar والذكاء الاصطناعي
2.3.16    استخدام نماذج الذكاء الاصطناعي التنبؤية لإدارة الخزينة المالية بكفاءة
3.3.16    الأمن في نظم الدفع الآلي: منع الاحتيال باستخدام الذكاء الاصطناعي

4.16    التسوية المصرفية باستخدام الذكاء الاصطناعي والتعلم الآليMachine Learning

1.4.16    أتمتة التسوية المصرفية باستخدام الذكاء الاصطناعي مع منصات مثل Xero
2.4.16    تنفيذ خوارزميات التعلم الآلي (Machine Learning) من أجل تحسين الدقة
3.4.16    دراسات حالة: حسن الكفاءة وقلل من الأخطاء

5.16    إدارة التدفقات النقدية باستخدام التعلم العميق Deep Learning و TensorFlow

1.5.16    نمذجة التدفقات النقدية التنبؤية باستخدام شبكات LSTM باستخدام TensorFlow
2.5.16    تنفيذ نماذج LSTM في Python للتنبؤ المالي
3.5.16    دمج النماذج التنبؤية في أدوات التخطيط المالي

6.16    أتمتة المخزون باستخدام التحليلات التنبؤية

1.6.16    استخدام التقنيات التنبؤية لتحسين إدارة المخزون
2.6.16    تطبيق النمذجة التنبؤية باستخدام Machine Learning Microsoft Azure
3.6.16    تكامل أنظمة إدارة الجرد باستخدام ERP

7.16    إعداد التقارير المالية الآلية باستخدام Power BI

1.7.16    أتمتة إعداد التقارير المالية باستخدام Power BI
2.7.16    تطوير لوحات معلومات dashboards ديناميكية للتحليل المالي في الوقت الفعلي
3.7.16    دراسات حالة حول تحسين عملية اتخاذ القرارات المالية باستخدام التقارير الآلية

8.16    تحسين المشتريات باستخدام IBM Watson

1.8.16    التحليلات التنبؤية لتحسين الشراء باستخدام IBM Watson
2.8.16    نماذج الذكاء الاصطناعي للمفاوضات وتثبيت الأسعار
3.8.16    دمج توصيات الذكاء الاصطناعي في منصات التسوق

9.16    دعم العملاء باستخدام روبوتات الدردشة chatbots المالية و Google DialogFlow

1.9.16    تنفيذ روبوتات الدردشة chatbots المالية باستخدام Google Dialogflow
2.9.16    دمج روبوتات الدردشة chatbots في منصات إدارة علاقات العملاء CRM للدعم المالي
3.9.16    التحسين المستمر لروبوتات الدردشة chatbots بناءً على ملاحظات feedback المستخدمين

10.16    التدقيق المالي بمساعدة الذكاء الاصطناعي

1.10.16    تطبيقات الذكاء الاصطناعي في عمليات المراجعة الداخلية: تحليل المعاملات
2.10.16    تنفيذ الذكاء الاصطناعي للتدقيق في الامتثال والكشف عن التناقضات
3.10.16    تحسين كفاءة التدقيق باستخدام تقنيات الذكاء الاصطناعي

الوحدة 17 التخطيط الاستراتيجي وصنع القرار باستخدام الذكاء الاصطناعي

1.17    النمذجة التنبؤية للتخطيط الاستراتيجي باستخدام Scikit-Learn

1.1.17    بناء النمذجة التنبؤية باستخدام Python و Scikit-Learn
2.1.17    تطبيق تحليل الانحدار في تقييم المشاريع
3.1.17    التحقق من صحة النماذج التنبؤية باستخدام تقنيات التحقق التبادلي cross-validation في Python

2.17    تحليل السيناريو باستخدام محاكاة Monte Carlo

1.2.17    تنفيذ محاكاة Monte Carlo باستخدام Python لتحليل المخاطر
2.2.17    استخدام الذكاء الاصطناعي لأتمتة عمليات محاكاة السيناريوهات وتحسينها
3.2.17    تفسير النتائج وتطبيقها من أجل اتخاذ القرارات الاستراتيجية

3.17    تقييم الاستثمار باستخدام الذكاء الاصطناعي

1.3.17    تقنيات الذكاء الاصطناعي لتقييم الأصول والأعمال التجارية
2.3.17    نماذج التعلم الآلي Machine Learning لتقدير القيمة باستخدام Python
3.3.17    تحليل الحالات: استخدام الذكاء الاصطناعي في تقييم شركات التكنولوجيا الناشئة

4.17    تحسين عمليات الدمج والاستحواذ باستخدام التعلم الآلي Machine Learning وTensorFlow

1.4.17    النمذجة التنبؤية لتقييم أوجه التآزر في عمليات الدمج والاستحواذ M&A باستخدام TensorFlow
2.4.17    محاكاة عمليات ما بعد الدمج والاستحواذ post-M&A باستخدام نماذج الذكاء الاصطناعي
3.4.17    استخدام البرمجة اللغوية العصبية لتحليل العناية الواجبة آليًا

5.17    إدارة المحافظ باستخدام الخوارزميات الجينية

1.5.17    استخدام الخوارزميات الجينية لتحسين المحافظ
2.5.17    تنفيذ استراتيجيات الاختيار والتخصيص باستخدام Python
3.5.17    تحليل فعالية المحافظ المحسّنة بالذكاء الاصطناعي

6.17    الذكاء الاصطناعي لتخطيط التعاقب الوظيفي

1.6.17    استخدام الذكاء الاصطناعي لتحديد الموهبة وتطورها
2.6.17    النماذج التنبؤية لتخطيط التعاقب الوظيفي باستخدام Python
3.6.17    تحسين إدارة التغيير من خلال تكامل الذكاء الاصطناعي

7.17    تطوير استراتيجيات السوق باستخدام الذكاء الاصطناعي و TensorFlow

1.7.17    تطبيق تقنيات التعلم العميق Deep Learning على تحليل الأسواق
2.7.17    استخدام TensorFlow و Keras لنمذجة اتجاهات السوق
3.7.17    تطوير استراتيجيات دخول السوق بناءً على رؤى insights الذكاء الاصطناعي

8.17    القدرة والتحليل التنافسي باستخدام الذكاء الاصطناعي و IBM Watson

1.8.17    مراقبة المنافسة باستخدام البرمجة اللغوية العصبية والتعلم الآلي Machine Learning
2.8.17    التحليل التنافسي الآلي باستخدام IBM Watson
3.8.17    تنفيذ الاستراتيجيات التنافسية المستمدة من تحليل الذكاء الاصطناعي

9.17    المفاوضات الاستراتيجية بمساعدة الذكاء الاصطناعي

1.9.17    تطبيق نماذج الذكاء الاصطناعي في التحضير للمفاوضات
2.9.17    استخدام محاكيات التفاوض القائمة على الذكاء الاصطناعي في التدريب
3.9.17    تقييم تأثير الذكاء الاصطناعي على نتائج التفاوض

10.17    تنفيذ مشاريع الذكاء الاصطناعي في الاستراتيجية المالية

1.10.17    تخطيط وتسيير مشاريع الذكاء الاصطناعي
2.10.17    استخدام أدوات تسيير المشاريع مثل Microsoft Project
3.10.17    عرض دراسات الحالة وتحليل النجاح والتعلم

الوحدة 18 تقنيات التحسين المالي المتقدمة باستخدام OR-Tools

1.18    مقدمة في التحسين المالي

1.1.18    المفاهيم الأساسية للتحسين
2.1.18    أدوات وتقنيات تحسين التمويل
3.1.18    تطبيقات التحسين في المجال المالي

2.18    تحسين المحافظ الاستثمارية

1.2.18    نماذج Markowitz لتحسين المحافظ
2.2.18    تحسين المحافظ مع القيود
3.2.18    تنفيذ نماذج التحسين باستخدام OR-Tools في Python

3.18    الخوارزميات الجينية في التمويل

1.3.18    مقدمة إلى الخوارزميات الجينية
2.3.18    تطبيق الخوارزميات الجينية للتحسين المالي 
3.3.18    الأمثلة الممارسة ودراسات الحالة

4.18    البرمجة الخطية وغير الخطية في التمويل

1.4.18    أساسيات البرمجة الخطية وغير الخطية
2.4.18    تطبيقات في إدارة المحافظ وتحسين الموارد
3.4.18    أدوات حل مشاكل البرمجة الخطية

5.18     التحسين العشوائي في التمويل

1.5.18    مفاهيم التحسين العشوائي
2.5.18    تطبيقات في إدارة المخاطر والمشتقات المالية
3.5.18    النماذج وتقنيات تحسين التمويل

6.18    التحسين الآلي وتطبيقه في مجال التمويل

1.6.18    أساسيات التحسين الألي
2.6.18    التطبيقات في البيئات المالية غير المستقرة
3.6.18    دراسات الحالة وأمثلة على التحسين الآلي

7.18    التحسين متعدد الأهداف في التمويل

1.7.18    مقدمة في التحسين متعدد الأهداف
2.7.18    تطبيقات في التنويع وتخصيص الأصول
3.7.18    تقنيات وأدوات في التحسين متعدد الأهداف

8.18    التعلم الآلي Machine Learning للتحسين المالي

1.1.18    تطبيق تقنيات التعلم الآلي Machine Learning في التحسين
2.1.18    خوارزميات التحسين القائمة على التعلم الآلي Machine Learning
3.1.18    التنفيذ ودراسات الحالة

9.18    أدوات التحسين من Python و OR-Tools

1.9.18    مكتبات وأدوات تحسين Python (SciPy، OR-Tools)
2.9.18    التنفيذ العملي لمشاكل التحسين
3.9.18    أمثلة على التطبيقات المالية

10.18    المشاريع والتطبيقات العملية للتحسين المالي

1.10.18    تطوير مشاريع التحسين المالي
2.10.18    تنفيذ حلول التحسين في القطاع المالي
3.10.18    تقييم وعرض نتائج المشاريع

الوحدة 19 تحليل البيانات المالية وتصورها باستخدام Plotly وGoogle Data Studio

1.19    أساسيات تحليل البيانات المالية

1.1.19    مقدمة لتحليل البيانات
2.1.19    أدوات تحليل البيانات المالية وتقنياتها
3.1.19    أهمية تحليل البيانات في التمويل

2.19    تقنيات التحليل الاستكشافي للبيانات المالية

1.2.19    التحليل الوصفي للبيانات المالية
2.2.19    تصوّر البيانات المالية باستخدام Python وR
3.2.19    تحديد الأنماط والاتجاهات في البيانات المالية

3.19     تحليل السلاسل الزمنية المالية

1.3.19    أساسيات السلاسل الزمنية
2.3.19    نماذج السلاسل الزمنية للبيانات المالية
3.3.19    تحليل السلاسل الزمنية وتنبؤها

4.19    تحليل الارتباط والسببية في التمويل

1.4.19    طرق تحليل الارتباط
2.4.19    تقنيات تحديد العلاقات السببية
3.4.19    تطبيقات في التحليل المالي

5.19    تصور متقدم للبيانات المالية

1.5.19    تقنيات تصور البيانات المتقدمة
2.5.19    أدوات التصور التفاعلي (Plotly, Dash)
3.5.19    دراسات الحالة وأمثلة عملية

6.19    التحليل العنقودي في البيانات المالية

1.6.19    مقدمة لتحليل Cluster
2.6.19    تطبيقات في تجزئة الأسواق و العملاء
3.6.19    أدوات تحليل Cluster وتقنياته

7.19    تحليل شبكات التواصل والرسوم البيانية في التمويل

1.7.19    أساسيات تحليل الشبكات
2.7.19    تطبيقات تحليل الرسوم البيانية في التمويل
3.7.19    أدوات تحليل الشبكات (NetworkX، Gephi)

8.19    تحليل النص والمشاعر في التمويل

1.8.19    معالجة اللغة الطبيعية (NLP) في التمويل
2.8.19    تحليل المشاعر في الأخبار ووسائل التواصل الاجتماعي
3.8.19    أدوات تحليل النص وتقنياته

9.19    أدوات تصور البيانات المالية وتحليلها باستخدام الذكاء الاصطناعي

1.9.19    مكتبات تحليل بيانات Python (Pandas و NumPy)
2.9.19    أدوات العرض المرئي في R (ggplot2، Shiny)
3.9.19    التنفيذ العملي للتحليل والعرض المرئي

10.19    المشاريع والتطبيقات العملية للتحليل والعرض المرئي

1.10.19    تطوير مشاريع تحليل البيانات المالية
2.10.19    تنفيذ حلول العرض المرئي التفاعلي
3.10.19    تقييم وعرض نتائج المشاريع

الوحدة 20 الذكاء الاصطناعي لإدارة المخاطر المالية باستخدام TensorFlow و Scikit-learn

1.20    أساسيات إدارة المخاطر المالية

1.1.20    المفاهيم الأساسية لإدارة المخاطر
2.1.20    أنواع المخاطر المالية
3.1.20    أهمية إدارة المخاطر في التمويل

2.20    نماذج مخاطر الائتمان باستخدام الذكاء الاصطناعي

1.2.20    تقنيات التعلم الآلي machine learning لتقييم مخاطر الائتمان
2.2.20    نماذج تسجيل النقاط scoring الائتمانية (scikit-learn)
3.2.20    تنفيذ نماذج مخاطر الائتمان باستخدام Python

3.20    نماذج مخاطر السوق باستخدام الذكاء الاصطناعي

1.3.20    تحليل مخاطر السوق وإدارته
2.3.20    تطبيق النمذجة التنبؤية لمخاطر السوق
3.3.20    تنفيذ نماذج مخاطر السوق

4.20    المخاطر التشغيلية وإدارتها باستخدام الذكاء الاصطناعي

1.4.20    مفاهيم المخاطر التشغيلية وأنواعها
2.4.20    تطبيق تقنيات الذكاء الاصطناعي لإدارة المخاطر التشغيلية
3.4.20    الأدوات والأمثلة العملية

5.20    نماذج مخاطر السيولة باستخدام الذكاء الاصطناعي

1.5.20    أساسيات مخاطر السيولة
2.5.20    تقنيات التعلم الآلي Machine learning في تحليل مخاطر السيولة
3.5.20    التنفيذ العملي لنماذج مخاطر السيولة

6.20    تحليل المخاطر النظامية باستخدام الذكاء الاصطناعي

1.6.20    مفاهيم المخاطر النُظُمية
2.6.20    تطبيقات الذكاء الاصطناعي في تقييم المخاطر النظامية
3.6.20    دراسات الحالة وأمثلة عملية

7.20    تحسين المحافظ مع مراعاة اعتبارات المخاطر

1.7.20    تقنيات تحسين المحفظة
2.7.20    دمج تدابير المخاطر في التحسين
3.7.20    أدوات لتحسين المحافظ

8.20    محاكاة المخاطر المالية

1.8.20    مناهج محاكاة إدارة المخاطر
2.8.20    تطبيق محاكاة Monte Carlo في مجال التمويل
3.8.20    تنفيذ عمليات المحاكاة باستخدام Python

9.20    التقييم والمراقبة المستمرة للمخاطر

1.9.20    تقنيات لتقييم المخاطر المستمر
2.9.20    أدوات مراقبة المخاطر والإبلاغ عنها
3.9.20    تنفيذ أنظمة المراقبة المستمرة

10.20    المشاريع والتطبيقات العملية في إدارة المخاطر

1.10.20    تطوير مشاريع إدارة المخاطر المالية
2.10.20    تنفيذ حلول الذكاء الاصطناعي لإدارة المخاطر
3.10.20    تقييم وعرض نتائج المشاريع

الهيكل المتميز الثاني والمحتوى "