ستسمح لك درجة الماجيستير الخاص 100% عبر الإنترنت بتحسين عمليات التصميم والبناء باستخدام أدوات مثل النمذجة التوليدية والمحاكاة التنبؤية وكفاءة الطاقة القائمة على الذكاء الاصطناعي"

يُحدث الذكاء الاصطناعي تحولاً سريعاً في مجال الهندسة المعمارية، حيث يقدم أدوات جديدة لتصميم المباني وتخطيطها وتشييدها بشكل أكثر كفاءة واستدامة. لقد توسع استخدام الذكاء الاصطناعي في الهندسة المعمارية، مما يسمح للمهندسين المعماريين بتحسين التصميمات من خلال عمليات المحاكاة المتقدمة التي تأخذ في الاعتبار المتغيرات مثل ضوء النهار والتهوية واستهلاك الطاقة.

هكذا ولدت درجة الماجيستير الخاص هذه، المصممة لتدريب المهندسين المعماريين على استخدام التقنيات المتقدمة لإحداث ثورة في عملية التصميم والبناء. من هذا المنطلق، سوف تحلل كيف يمكن للذكاء الاصطناعي أن يحسّن ويحوّل الممارسة المعمارية التقليدية. من خلال استخدام الأدوات، مثل AutoCAD وFusion 360، بالإضافة إلى مقدمة عن النمذجة التوليدية والتصميم البارامترية، سيتمكن المحترفون من دمج هذه الابتكارات في مشاريعهم.

كما سيتم استكشاف استخدام الذكاء الاصطناعي لتحسين المساحة وكفاءة الطاقة، وهي عناصر أساسية في العمارة المعاصرة، بشكل متعمق. باستخدام أدوات مثل Autodesk Revit وGoogle DeepMind، يمكن تصميم بيئات أكثر استدامة من خلال تحليل البيانات والمحاكاة المتقدمة للطاقة. كما سيكتمل هذا النهج بإدخال التخطيط الحضري الذكي، الذي يعالج متطلبات التصميم المستدام في بيئات حضرية متزايدة التعقيد.

أخيراً، سيغطي الخبراء التقنيات المتطورة مثل Grasshopper وMATLAB وأدوات المسح بالليزر لتطوير مشاريع مبتكرة ومستدامة. علاوةً على ذلك، من خلال المحاكاة والنمذجة التنبؤية، سيتمكنون من توقع المشاكل الهيكلية والبيئية وحلها قبل حدوثها.
بهذه الطريقة، أنشأت TECH برنامجاً جامعياً مفصلاً يمكن الوصول إليه بالكامل من خلال أي جهاز إلكتروني متصل بالإنترنت. هذا يلغي الحاجة إلى السفر إلى موقع فعلي والتكيف مع جدول زمني محدد. بالإضافة إلى ذلك، فهو يدمج منهجية إعادة التعلم (المعروفة بـ Relearning)الثورية التي تعتمد على تكرار المفاهيم الأساسية لتحسين فهم المحتوى.

ستضع نفسك في طليعة الصناعة وتقود مشاريع مبتكرة ومستدامة تدمج أحدث التقنيات، مما سيزيد من قدرتك التنافسية وفرصك في سوق العمل العالمي"

يحتوي هذا  الماجستير الخاص في الذكاء الاصطناعي في الهندسة المعمارية على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصه هي:
تطوير الحالات العملية التي يقدمها الخبراء في مجال الذكاء الاصطناعي.
جمع المعلومات المحدثة والتطبيقية المتعلقة بالتخصصات الضرورية من أجل الممارسة المهنية، والتي تشكل جزءا من المحتويات الرسومية والتخطيطية والعملية البارزة التي صمم بها.
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم
تركيزها على المنهجيات المبتكرة
كل هذا سيتم استكماله بدروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر الوصول إلى المحتوى من أي جهاز ثابت أو محمول متصل إلى الإنترنت

سوف تستكشف أهمية الحفاظ على التراث الثقافي، باستخدام الذكاء الاصطناعي للحفاظ على المباني التاريخية وإعادة إحيائها، وذلك بفضل مكتبة واسعة من موارد الوسائط المتعددة"

البرنامج يضم في أعضاء هيئة تدريسه محترفين في هذا المجال يصبون في هذا التدريب خبرة عملهم, بالإضافة إلى متخصصين معترف بهم من الشركات الرائدة والجامعات المرموقة.
سيتيح محتوى الوسائط المتعددة، الذي تم تطويره باستخدام أحدث التقنيات التعليمية، للمهني التعلم في الموقع والسياق، أي بيئة محاكاة توفر تدريبًا غامرًا مبرمجًا للتدريب في مواقف 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 العام الدراسى. للقيام بذلك، ستحصل على مساعدة من نظام فيديو تفاعلي جديد صنعه خبراء مشهورون.

سوف تتقن منصات مثل Autodesk Revit وSketchUp وGoogle DeepMind، وستتقن مهارات تصميم بيئات أكثر استدامة وكفاءة, على يد أفضل جامعة رقمية في العالم، وفقاً لمجلة فوربس.

ستعمل على استخدام أدوات مثل Grasshopper و Autodesk Fusion 360 لإنشاء تصميمات قابلة للتكيف ومستدامة، واستكشاف تكامل الروبوتات في البناء والتخصيص في التصنيع الرقمي.

سيغطي محتوى درجة الماجيستير الخاص مجموعة واسعة من الموضوعات المصممة لدمج التكنولوجيا المتقدمة في العملية المعمارية. سوف ينغمس المهندسون المعماريون في استخدام الذكاء الاصطناعي لتحسين التصميم المعماري، واستكشاف أدوات مثل AutoCAD وFusion 360 وGrasshopper للنمذجة التوليدية والتصميم المعياري. بالإضافة إلى ذلك، سيركز البرنامج على تحسين كفاءة الطاقة وتخطيط المساحات من خلال تحليل البيانات والمحاكاة، باستخدام برامج مثل Autodesk Revit وGoogle DeepMind.

ستقوم بإنشاء نماذج معمارية مبتكرة وإبداعية باستخدام أدوات محاكاة متقدمة مثل MATLAB"

وحدة 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    تقليم Minimax و Alpha-Beta
2.3.1    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: تدفق النوايا Intents والكيانات والحوار
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
2.10.1    خلق شخصية: اللغة والتعبيرات والمحتوى
3.10.1    اتجاهات الذكاء الاصطناعي
4.10.1    تأملات

وحدة 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
2.3.2.2 الثانوي

2.3.    دورة حياة البيانات

1.3.2    مراحل الدورة
2.3.2.    معالم الدورة
3.3.2    المبادئ FAIR

2.4.    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

2.5.    جمع البيانات

1.5.2    منهجية التحصيل
2.5.2    أدوات التحصيل
3.5.2    قنوات التحصيل

2.6.    تنظيف البيانات

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

2.7.    تحليل البيانات وتفسيرها وتقييم النتائج

1.7.2    المقاييس الإحصائية
2.7.2    مؤشرات العلاقة
2.7.2    استخراج البيانات

2.8.    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

وحدة 3. البيانات في الذكاء الاصطناعي

3.1.    علم البيانات

1.1.3    علم البيانات
2.1.3    أدوات متقدمة لعالم البيانات

3.2.    البيانات والمعلومات والمعرفة

1.2.3    البيانات والمعلومات والمعرفة
3.2.2.    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

3.4.    استخراج المعلومات من خلال التصور

1.4.3    التصور كأداة تحليل
2.4.3    طرق العرض
3.4.3    عرض مجموعة البيانات

3.5.    جودة البيانات

1.5.3    بيانات الجودة
2.5.3    تطهير البيانات
3.5.3    معالجة البيانات الأساسية

3.6.    Dataset

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

3.7.    اختلال التوازن

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

3.8.    نماذج غير خاضعة للرقابة

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

3.9.    النماذج الخاضعة للإشراف

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

3:10    الأدوات والممارسات الجيدة

1.10.3    أفضل الممارسات لعالم البيانات
2.10.3    أفضل نموذج
3.10.3    أدوات مفيدة

وحدة 4. استخراج البيانات. الاختيار والمعالجة المسبقة والتحول

1.4    الاستدلال الإحصائي

1.1.4    الإحصاء الوصفي 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

4.3.    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

4.5.    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    الإفراط في أخذ العينات
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

4.8.    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 Big Data

وحدة 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)

5.4.    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

وحدة 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

6.2.    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

6.3.    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

6.4.    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 Schema
3.6.6    OWL
4.6.6    SPARQL
5.6.6    مقدمة إلى الأدوات المختلفة لإنشاء الأنطولوجيا
6.6.6    تركيب واستخدام Protégé

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

وحدة 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

7.2.    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

7.8.    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

وحدة 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    ضبط الاعدادات

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

وحدة 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

9.2.    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

09:10.    تسوية الأوضاع

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

وحدة 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 التعلم العميق باستخدام Deep Learning مع 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

وحدة11. Deep Computer Vision بشبكات عصبية ملتفة

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

وحدة 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 تشفير 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  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 إنترنت مكتبة Transformers لHugging 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

وحدة 13. أجهزة التشفير التلقائيو  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

وحدة 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)

1.6.14نماذج التطور القائمة على تقدير التوزيع
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

وحدة 15. الذكاء الاصطناعي: الاستراتيجيات والتطبيقات

1.15    الخدمات المالية

1.1.15    الآثار المترتبة على الذكاء الاصطناعي (AI) 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

وحدة 16. التصميم بمساعدة الذكاء الاصطناعي في الممارسة المعمارية

1.16    تطبيقات AutoCAD المتقدمة مع الذكاء الاصطناعي

1.1.16    تكامل AutoCAD مع أدوات الذكاء الاصطناعي للتصميم المتقدم
2.1.16    أتمتة المهام المتكررة في التصميم المعماري باستخدام الذكاء الاصطناعي
3.1.16    دراسات حالة قام فيها AutoCAD بمساعدة الذكاء الاصطناعي بتحسين المشاريع المعمارية

2.16    النمذجة التوليدية المتقدمة باستخدام Fusion 360

1.2.16    تقنيات النمذجة التوليدية المتقدمة المطبقة على المشاريع المعقدة
2.2.16    استخدام برنامج Fusion 360 لإنشاء تصميمات معمارية مبتكرة
3.2.16    أمثلة على تطبيق النمذجة التوليدية في الهندسة المعمارية المستدامة والتكيفية

3.16    تحسين التصميمات باستخدام الذكاء الاصطناعي في Optimus

1.3.16    استراتيجيات التحسين لتحسين التصميم المعماري باستخدام خوارزميات الذكاء الاصطناعي في Optimus
2.3.16    تحليل الحساسية واستكشاف الحلول المثلى في المشاريع الحقيقية
3.3.16    مراجعة قصص نجاح الصناعة باستخدام Optimus للتحسين القائم على الذكاء الاصطناعي

4.16    التصميم المعياري والتصنيع الرقمي باستخدام Geomagic Wrap

1.4.16    التقدم في التصميم المعياري مع تكامل الذكاء الاصطناعي باستخدام Geomagic Wrap
2.4.16    التطبيقات العملية للتصنيع الرقمي في الهندسة المعمارية
3.4.16    مشاريع معمارية متميزة باستخدام التصميم البارامترية بمساعدة الذكاء الاصطناعي للابتكارات الهيكلية

5.16    التصميم التكيفي والحساس للسياق باستخدام مستشعرات الذكاء الاصطناعي

1.5.16    تنفيذ التصميم التكيفي باستخدام الذكاء الاصطناعي والبيانات في الوقت الفعلي
2.5.16    أمثلة على العمارة سريعة الزوال والبيئات الحضرية المصممة باستخدام الذكاء الاصطناعي
3.5.16    تحليل كيفية تأثير التصميم التكيفي على استدامة وكفاءة المشاريع المعمارية.

6.16    المحاكاة والتحليل التنبؤي في CATIA للمهندسين المعماريين

1.6.16    الاستخدام المتقدم ل CATIA للمحاكاة المعمارية
2.6.16    نمذجة السلوك الإنشائي وتحسين أداء الطاقة باستخدام الذكاء الاصطناعي
3.6.16    تنفيذ التحليلات التنبؤية في المشاريع المعمارية الهامة

7.16    التخصيص وتجربة المستخدم في التصميم مع IBM Watson Studio

1.7.16    أدوات الذكاء الاصطناعي من IBM Watson Studio للتخصيص المعماري
2.7.16    تصميم مرتكز على المستخدم باستخدام تحليل الذكاء الاصطناعي
3.7.16    دراسات حالة حول استخدام الذكاء الاصطناعي لتخصيص المساحات والمنتجات المعمارية

8.16    التعاون المدعوم بالذكاء الاصطناعي والتصميم الجماعي

1.8.16    منصات تعاونية مدعومة بالذكاء الاصطناعي لمشاريع التصميم
2.8.16    منهجيات الذكاء الاصطناعي التي تعزز الإبداع والابتكار الجماعي
3.8.16    قصص النجاح والتحديات في التصميم التعاوني بمساعدة الذكاء الاصطناعي

9.16    الأخلاق والمسؤولية في التصميم بمساعدة الذكاء الاصطناعي

1.9.16    المناظرة الأخلاقية في استخدام الذكاء الاصطناعي في التصميم الهندسي
2.9.16    دراسة حول التحيزات والإنصاف في خوارزميات الذكاء الاصطناعي المطبقة على التصميم
3.9.16    اللوائح والمعايير الحالية للتصميم المسؤول للذكاء الاصطناعي

16:10.    تحديات ومستقبل التصميم بمساعدة الذكاء الاصطناعي

1.10.16    الاتجاهات الناشئة والتقنيات المتطورة في مجال الذكاء الاصطناعي للهندسة المعمارية
2.10.16    تحليل التأثير المستقبلي للذكاء الاصطناعي على مهنة الهندسة المعمارية
3.10.16    استشراف الابتكارات والتطورات المستقبلية في التصميم بمساعدة الذكاء الاصطناعي

وحدة 17. تحسين المساحة وكفاءة الطاقة باستخدام الذكاء الاصطناعي

1.17    التحسين المكاني باستخدام Autodesk Revit والذكاء الاصطناعي

1.1.17    استخدام برنامج Autodesk Revit والذكاء الاصطناعي لتحسين الحيز المكاني وكفاءة الطاقة
2.1.17    تقنيات متقدمة لتحسين كفاءة الطاقة في التصميم المعماري
3.1.17    دراسات حالة لمشاريع ناجحة تجمع بين Autodesk Revit والذكاء الاصطناعي

2.17    تحليل بيانات ومقاييس كفاءة الطاقة باستخدام SketchUp و Trimble

1.2.17    تطبيق أدوات SketchUp و Trimble لتحليل الطاقة التفصيلي
2.2.17    تطوير مقاييس أداء الطاقة باستخدام الذكاء الاصطناعي
3.2.17    استراتيجيات تحديد أهداف كفاءة الطاقة للمشروعات المعمارية

3.17    التصميم المناخي الحيوي والتوجيه الشمسي المحسّن بالذكاء الاصطناعي

1.3.17    استراتيجيات التصميم المناخي الحيوي بمساعدة الذكاء الاصطناعي لزيادة كفاءة الطاقة إلى أقصى حد
2.3.17    أمثلة على المباني التي تستخدم التصميم القائم على الذكاء الاصطناعي لتحسين الراحة الحرارية
3.3.17    التطبيقات العملية للذكاء الاصطناعي في التوجيه الشمسي والتصميم السلبي

4.17    تقنيات ومواد مستدامة بمساعدة الذكاء الاصطناعي مع Cityzenit

1.4.17    الابتكار في المواد المستدامة بدعم من تحليل الذكاء الاصطناعي
2.4.17    استخدام الذكاء الاصطناعي لتطوير وتطبيق المواد المعاد تدويرها والمواد ذات التأثير البيئي المنخفض.
3.4.17    دراسة المشاريع التي تستخدم أنظمة الطاقة المتجددة المدمجة مع الذكاء الاصطناعي

5.17    التخطيط الحضري وكفاءة استخدام الطاقة باستخدام WattPredictor والذكاء الاصطناعي

1.5.17    استراتيجيات الذكاء الاصطناعي لكفاءة الطاقة في التصميم الحضري
2.5.17    تطبيق WattPredictor لتحسين استخدام الطاقة في الأماكن العامة
3.5.17    قصص نجاح المدن التي تستخدم الذكاء الاصطناعي لتحسين الاستدامة الحضرية

6.17    الإدارة الذكية للطاقة مع Google DeepMind's Energy

1.6.17    تطبيقات تقنيات DeepMind لإدارة الطاقة
2.6.17    تطبيق الذكاء الاصطناعي لتحسين استهلاك الطاقة في المباني الكبيرة
3.6.17    تقييم الحالات التي أحدث فيها الذكاء الاصطناعي تحولاً في إدارة الطاقة في المجتمعات والمباني

7.17    شهادات ومعايير كفاءة استخدام الطاقة بمساعدة الذكاء الاصطناعي

1.7.17    استخدام الذكاء الاصطناعي لضمان الامتثال لمعايير كفاءة الطاقة (LEED، BREEAM)
2.7.17    أدوات الذكاء الاصطناعي لمراجعة حسابات الطاقة واعتماد المشاريع
3.7.17    تأثير اللوائح على البنية المستدامة المدعومة بالذكاء الاصطناعي

8.17    تقييم دورة الحياة والبصمة البيئية مع Enernoc

1.8.17    تكامل الذكاء الاصطناعي لتحليل دورة حياة مواد البناء
2.8.17    استخدام Enernoc لتقييم البصمة الكربونية والاستدامة
3.8.17    مشاريع نموذجية باستخدام الذكاء الاصطناعي للتقييمات البيئية المتقدمة

9.17    التثقيف والتوعية بكفاءة الطاقة مع Verdigris

1.9.17    دور الذكاء الاصطناعي في التثقيف والتوعية بكفاءة الطاقة
2.9.17    استخدام Verdigris لتعليم الممارسات المستدامة للمهندسين المعماريين والمصممين
3.9.17    المبادرات والبرامج التعليمية التي تستخدم الذكاء الاصطناعي لتعزيز التغيير الثقافي نحو الاستدامة

17:10.    مستقبل تحسين المساحات وكفاءة الطاقة مع ENBALA

1.10.17    استكشاف التحديات المستقبلية وتطور تكنولوجيات كفاءة الطاقة
2.10.17    الاتجاهات الناشئة في مجال الذكاء الاصطناعي للاستخدام الأمثل للمكان والطاقة
3.10.17    وجهات نظر حول كيفية استمرار الذكاء الاصطناعي في تغيير الهندسة المعمارية والتصميم الحضري

وحدة 18.التصميم المعياري والتصنيع الرقمي

1.18    التقدم في التصميم المعياري والتصنيع الرقمي باستخدام Grasshopper

1.1.18    استخدام Grasshopper لإنشاء تصميمات معيارية معقدة
2.1.18    دمج الذكاء الاصطناعي في Grasshopper لأتمتة التصميم وتحسينه
3.1.18    مشاريع رائدة باستخدام التصميم المعياري للحلول المبتكرة

2.18    التحسين الخوارزمي في التصميم باستخدام Generative Design

1.2.18    تطبيق Generative Design للتحسين الخوارزمي في الهندسة المعمارية
2.2.18    استخدام الذكاء الاصطناعي لتوليد حلول تصميم فعالة وجديدة
3.2.18    أمثلة على كيفية مساهمة Generative Design في تحسين وظائف وجماليات المشاريع المعمارية.

3.18    التصنيع الرقمي والروبوتات في مجال البناء مع KUKA PRC

1.3.18    تطبيق تقنيات الروبوتات مثل KUKA PRC في التصنيع الرقمي
2.3.18    مزايا التصنيع الرقمي من حيث الدقة والسرعة وخفض التكلفة
3.3.18    دراسات حالة التصنيع الرقمي التي تسلط الضوء على الدمج الناجح للروبوتات في الهندسة المعمارية

4.18    التصميم والتصنيع التكيّفي مع Autodesk Fusion 360

1.4.18    استخدام نظام Fusion 360 لتصميم أنظمة معمارية تكيفية
2.4.18    تطبيق الذكاء الاصطناعي في Fusion 360 للتخصيص الشامل
3.4.18    المشاريع المبتكرة التي تُظهر إمكانية التكيف والتخصيص

5.18    الاستدامة في التصميم المعياري مع Topology Optimization

1.5.18    تطبيق تقنيات التحسين الطوبولوجي لتحسين الاستدامة
2.5.18    تكامل الذكاء الاصطناعي لتحسين استخدام المواد وكفاءة استخدام الطاقة
3.5.18    أمثلة على كيفية مساهمة التحسين الطوبولوجي في تحسين استدامة المشاريع المعمارية

6.18    التفاعل والقدرة على التكيف المكاني مع Autodesk Fusion 360

1.6.18    دمج أجهزة الاستشعار والبيانات في الوقت الفعلي لإنشاء بيئات معمارية تفاعلية
2.6.18    استخدام Autodesk Fusion 360 لتكييف التصميم استجابةً للتغيرات البيئية أو تغيرات الاستخدام
3.6.18    أمثلة على المشاريع المعمارية التي تستخدم التفاعل المكاني لتحسين تجربة المستخدم

7.18    الكفاءة في التصميم المعياري

1.7.18    تطبيق التصميم المعياري لتحسين الاستدامة وكفاءة الطاقة في المباني
2.7.18    استخدام المحاكاة وتحليل دورة الحياة المتكامل مع الذكاء الاصطناعي لتحسين عملية اتخاذ القرارات البيئية
3.7.18    حالات لمشاريع مستدامة كان فيها التصميم المعياري حاسمًا

8.18    التخصيص الجماعي والتصنيع الرقمي باستخدام Magic (Materialise)

1.8.18    استكشاف إمكانات التخصيص الشامل من خلال التصميم المعياري والتصنيع الرقمي
2.8.18    تطبيق أدوات مثل Magic لتخصيص التصميم في الهندسة المعمارية والتصميم الداخلي
3.8.18    مشاريع متميزة تعرض التصنيع الرقمي في تخصيص المساحات والأثاث.

9.18    التعاون والتصميم الجماعي باستخدام Ansys Granta

1.9.18    استخدام Ansys Granta لتسهيل التعاون واتخاذ القرارات في التصميم الموزع
2.9.18    منهجيات لتحسين الابتكار والكفاءة في مشاريع التصميم التعاوني
3.9.18    أمثلة على كيف يمكن أن يؤدي التعاون المعزز بالذكاء الاصطناعي إلى نتائج مبتكرة ومستدامة

18:10.    تحديات ومستقبل التصنيع الرقمي والتصميم المعياري

1.10.18    تحديد التحديات الناشئة في التصميم المعياري والتصنيع الرقمي
2.10.18    الاتجاهات المستقبلية ودور الذكاء الاصطناعي في تطور هذه التقنيات
3.10.18    مناقشة حول كيفية تأثير الابتكار المستمر على الممارسة والتصميم المعماري في المستقبل.

وحدة 19. المحاكاة والنمذجة التنبؤية باستخدام الذكاء الاصطناعي

1.19    تقنيات المحاكاة المتقدمة باستخدام MATLAB في الهندسة المعمارية

1.1.19    استخدام برنامج MATLAB للمحاكاة المعمارية المتقدمة
2.1.19    تكامل النمذجة التنبؤية وتحليلات البيانات الضخمة
3.1.19    دراسات حالة كان فيها برنامج MATLAB مفيداً في المحاكاة المعمارية

2.19    التحليل الهيكلي المتقدم باستخدام ANSYS

1.2.19    تنفيذ نظام ANSYS للمحاكاة الهيكلية المتقدمة في المشاريع المعمارية
2.2.19    دمج النمذجة التنبؤية لتقييم السلامة والمتانة الهيكلية
3.2.19    مشاريع تسلط الضوء على استخدام المحاكاة الهيكلية في الهندسة المعمارية عالية الأداء

3.19    نمذجة استخدام الفضاء والديناميكيات البشرية باستخدام AnyLogic

1.3.19    استخدام AnyLogic لنمذجة ديناميكيات استخدام الفضاء والتنقل البشري
2.3.19    تطبيق الذكاء الاصطناعي للتنبؤ بكفاءة استخدام المساحات في البيئات الحضرية والمعمارية وتحسينها
3.3.19    دراسات حالة توضح كيفية تأثير المحاكاة على التخطيط الحضري والمعماري

4.19    النمذجة التنبؤية باستخدام TensorFlow في التخطيط الحضري

1.4.19    تطبيق TensorFlow لنمذجة الديناميكيات الحضرية والسلوك الهيكلي
2.4.19    استخدام الذكاء الاصطناعي للتنبؤ بالنتائج المستقبلية في تصميم المدن
3.4.19    أمثلة على كيفية تأثير النمذجة التنبؤية على التخطيط والتصميم الحضريين

5.19    النمذجة التنبؤية والتصميم التوليدي باستخدام GenerativeComponents

1.5.19    استخدام GenerativeComponents لدمج النمذجة التنبؤية والتصميم التوليدي
2.5.19    تطبيق خوارزميات التعلم الآلي لإنشاء تصميمات مبتكرة وفعالة
3.5.19    أمثلة على المشاريع المعمارية التي حسنت تصميمها باستخدام هذه التقنيات المتقدمة

6.19    محاكاة التأثير البيئي والاستدامة البيئية باستخدام COMSOL

1.6.19    تطبيق COMSOL للمحاكاة البيئية في المشاريع واسعة النطاق
2.6.19    استخدام الذكاء الاصطناعي لتحليل الأثر البيئي للمباني وتحسينه
3.6.19    مشاريع توضح كيفية مساهمة المحاكاة في الاستدامة

7.19    محاكاة السلوك البيئي باستخدام COMSOL

1.7.19    تطبيق COMSOL Multiphysics لمحاكاة الأداء البيئي والحراري
2.7.19    استخدام الذكاء الاصطناعي لتحسين التصميم بناءً على إضاءة النهار والمحاكاة الصوتية
3.7.19    أمثلة على التطبيقات الناجحة التي أدت إلى تحسين الاستدامة والراحة

8.19    الابتكار في المحاكاة والنمذجة التنبؤية

1.8.19    استكشاف التقنيات الناشئة وتأثيرها على المحاكاة والنمذجة
2.8.19    مناقشة حول كيفية تغيير الذكاء الاصطناعي لقدرات المحاكاة في الهندسة المعمارية
3.8.19    تقييم الأدوات المستقبلية وتطبيقاتها الممكنة في التصميم المعماري

9.19    محاكاة عمليات الإنشاء باستخدام CityEngine

1.9.19    تطبيق CityEngine لمحاكاة تسلسل الإنشاءات وتحسين سير العمل في الموقع
2.9.19    تكامل الذكاء الاصطناعي لنمذجة لوجستيات البناء وتنسيق الأنشطة في الوقت الفعلي
3.9.19    دراسات حالة تظهر تحسين الكفاءة والسلامة في البناء من خلال عمليات المحاكاة المتقدمة

10.19.    تحديات المحاكاة والنمذجة التنبؤية ومستقبلها

1.10.19    تقييم التحديات الحالية في مجال المحاكاة والنمذجة التنبؤية في الهندسة المعمارية
2.10.19    الاتجاهات الناشئة ومستقبل هذه التقنيات في الممارسة المعمارية

3.10.19    مناقشة حول تأثير الابتكار المستمر في المحاكاة والنمذجة التنبؤية في الهندسة المعمارية والبناء.

وحدة 20. الحفاظ على التراث وترميمه باستخدام الذكاء الاصطناعي

1.20    تقنيات الذكاء الاصطناعي في ترميم التراث باستخدام Photogrammetry

1.1.20    استخدام المسح التصويري والذكاء الاصطناعي لتوثيق التراث وترميمه بدقة
2.1.20    تطبيقات عملية في ترميم المباني التاريخية
3.1.20    مشاريع متميزة تجمع بين التقنيات المتقدمة واحترام الأصالة

2.20    التحليل التنبؤي للحفظ باستخدام المسح بالليزر

1.2.20    تطبيق المسح الضوئي بالليزر والتحليلات التنبؤية في حفظ التراث
2.2.20    استخدام الذكاء الاصطناعي للكشف عن التدهور في الهياكل التاريخية ومنع حدوثه
3.2.20    أمثلة على كيفية مساهمة هذه التقنيات في تحسين الدقة والكفاءة في الحفظ

3.20    إدارة التراث الثقافي مع إعادة الإعمار الافتراضي

1.3.20    تطبيق تقنيات إعادة البناء الافتراضي بمساعدة الذكاء الاصطناعي
2.3.20    استراتيجيات إدارة التراث الرقمي وحفظه
3.3.20    قصص نجاح في استخدام إعادة الإعمار الافتراضي في التعليم والحفظ

4.20    الصيانة الوقائية والصيانة بمساعدة الذكاء الاصطناعي

1.4.20    استخدام تقنيات الذكاء الاصطناعي لتطوير استراتيجيات الحفظ والصيانة الوقائية للمباني التاريخية
2.4.20    تنفيذ أنظمة مراقبة قائمة على الذكاء الاصطناعي للكشف المبكر عن المشاكل الهيكلية
3.4.20    أمثلة على كيفية مساهمة الذكاء الاصطناعي في الحفاظ على التراث الثقافي على المدى الطويل

5.20    التوثيق الرقمي ونمذجة معلومات المباني في الحفاظ على التراث

1.5.20    تطبيق تقنيات التوثيق الرقمي المتقدمة، بما في ذلك نمذجة معلومات المباني والواقع المعزز، بمساعدة الذكاء الاصطناعي.
2.5.20    استخدام نماذج نمذجة معلومات المباني لإدارة التراث والترميم بكفاءة
3.5.20    دراسات حالة حول دمج التوثيق الرقمي في مشاريع الترميم

6.20    سياسة وإدارة الحفظ بمساعدة الذكاء الاصطناعي

1.6.20    استخدام الأدوات القائمة على الذكاء الاصطناعي في الإدارة وصياغة السياسات في الحفاظ على التراث
2.6.20    استراتيجيات دمج الذكاء الاصطناعي في عملية اتخاذ القرارات المتعلقة بالحفظ
3.6.20    مناقشة حول كيف يمكن للذكاء الاصطناعي تحسين التعاون بين المؤسسات للحفاظ على التراث.

7.20    الأخلاقيات والمسؤولية في الترميم والحفظ باستخدام الذكاء الاصطناعي

1.7.20    اعتبارات أخلاقية في تطبيق الذكاء الاصطناعي في ترميم التراث
2.7.20    نقاش حول التوازن بين الابتكار التكنولوجي واحترام الأصالة التاريخية
3.7.20    أمثلة على كيفية استخدام الذكاء الاصطناعي بطريقة مسؤولة في ترميم التراث

8.20    الابتكار ومستقبل الحفاظ على التراث باستخدام الذكاء الاصطناعي

1.8.20    وجهات نظر حول تقنيات الذكاء الاصطناعي الناشئة وتطبيقها في حفظ التراث
2.8.20    تقييم إمكانات الذكاء الاصطناعي في تحويل عملية الاستعادة والحفظ
3.8.20    مناقشة مستقبل الحفاظ على التراث في عصر الابتكارات التكنولوجية السريعة

9.20    تعليم التراث الثقافي والتوعية به باستخدام نظم المعلومات الجغرافية

1.9.20    أهمية التثقيف والتوعية العامة في الحفاظ على التراث الثقافي
2.9.20    استخدام نظم المعلومات الجغرافية (GIS) لتعزيز تقييم وفهم التراث
3.9.20    مبادرات ناجحة للتعليم والتوعية باستخدام التكنولوجيا للتوعية بالتراث الثقافي

10.20.    تحديات الحفاظ على التراث وترميمه ومستقبله

1.10.20    تحديد التحديات الحالية في مجال الحفاظ على التراث الثقافي
2.10.20    دور الابتكار التكنولوجي والذكاء الاصطناعي في ممارسات الحفظ والترميم المستقبلية
3.10.20    وجهات نظر حول كيفية تحول التكنولوجيا في الحفاظ على التراث في العقود القادمة

ستدرس بعمق استخدام تقنيات التصنيع الرقمي والروبوتات المطبقة في البناء، وكذلك الحفاظ على التراث المعماري، من خلال أفضل المواد التعليمية في السوق الأكاديمية"