من خلال هذا البرنامج المتاح 100% عبر الإنترنت، سوف تتقن الأدوات الرئيسية للذكاء الاصطناعي وتستخدمها لتحسين جودة تحليلاتك السريرية"

يتوقع تقرير حديث صادر عن منظمة الصحة العالمية أن يزداد العبء العالمي للأمراض المزمنة في السنوات القادمة. في مواجهة هذا الوضع، تحث المنظمة الأطباء على استخدام أكثر الأدوات دقة وفعالية للتشخيص المبكر. في هذا السياق، يعد الذكاء الاصطناعي أداة مفيدة للتعرف المبكر على الأمراض مثل سرطان الرئة وفشل القلب وحتى مرض الزهايمر. من هنا تأتي أهمية قيام المتخصصين بدمج التقنيات المتقدمة مثل Deep Learning أو التعلم العميق أو الحوسبة المستوحاة من الحياة في ممارساتهم السريرية اليومية من أجل تقليل أخطاء التشخيص وتخصيص علاج المستخدمين.

في هذا السياق، تعمل جامعة TECH على تطوير برنامج رائد في مجال الذكاء الاصطناعي في التصوير التشخيصي. سيتناول المنهج، الذي صممه مراجع في هذا المجال، أساسيات الشبكات العصبية والخوارزميات الجينية. تماشياً مع ذلك، ستوفر المواد التدريبية مفاتيح تطبيق تقنيات التنقيب عن البيانات الأكثر تطوراً. بهذه الطريقة، سيكتسب الأخصائيون مهارات متقدمة لتحسين الدقة في الكشف عن الأمراض والحالات الطبية، مما يمكنهم من إجراء تشخيصات أكثر دقة. بالإضافة إلى ذلك، سيغطي المنهج أيضاً استخدام نماذج الحوسبة المستوحاة من علم الأحياء بشكل متعمق حتى يتمكن الأطباء من تطبيقها في حل المشاكل السريرية المعقدة وفي تحسين العلاجات السريرية.

يوفر معهد التكنولوجيا التطبيقية بيئة أكاديمية %100 عبر الإنترنت تلبي احتياجات الأطباء الذين يسعون إلى التقدم في حياتهم المهنية. بالمثل، فهي تستخدم منهجية إعادة التعلُّم Relearning المعطلة التي تعتمد على تكرار المفاهيم الأساسية لتثبيت المعرفة بكفاءة وفورية. بالإضافة إلى ذلك، كل ما سيحتاجه الخبراء هو جهاز متصل بالإنترنت (مثل الهاتف المحمول أو الكمبيوتر أو الكمبيوتر اللوحي tablet) للوصول إلى الحرم الجامعي الافتراضي والاستمتاع بتجربة سترفع من آفاقهم المهنية بشكل كبير.

خطة دراسية مكثفة تمنحك الفرصة لتحديث معرفتك في سيناريو حقيقي، مع أقصى قدر من الدقة العلمية لمؤسسة في طليعة التكنولوجيا"

يحتوي هذا الماجستير الخاص في الذكاء الاصطناعي في التصوير التشخيصي على البرنامج التعليمي الأكثر اكتمالاً وحداثة في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها الخبراء في مجال الذكاء الاصطناعي
محتوياتها البيانية والتخطيطية والعملية البارزة التي يتم تصورها بها تجمع المعلومات العلمية والرعاية العملي حول تلك التخصصات الأساسية للممارسة المهنية
تمارين عملية يمكن من خلالها 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

ستستخدم الشبكات العصبية التلافيفية لتكييف العلاجات مع الاحتياجات الخاصة للمرضى وتحسين تشخيصهم بشكل كبير"

البرنامج يضم أعضاء هيئة تدريس محترفين يصبون في 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 العام الدراسى. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

ستكتسب مهارات متقدمة لتقييم دقة نماذج الذكاء الاصطناعي وصلاحيتها وقابليتها للتطبيق السريري في المجال الطبي"

ستسمح لك الملخصات التفاعلية لكل وحدة بتوحيد مفاهيم معالجة اللغة الطبيعية بطريقة أكثر ديناميكية"

تم تصميم المواد التعليمية التي يتكون منها هذا البرنامج الجامعي من قبل متخصصين في استخدام الذكاء الاصطناعي في السياقات السريرية. بفضل ذلك، سيتعمق خط سير الرحلة الأكاديمية في التعامل مع مختلف الأدوات الناشئة مثل Deep Learning أو الشبكات العصبية العميقة أو معالجة اللغات الطبيعية. بالتالي سيطور الخريجون مهارات متقدمة لدمج هذه الأدوات في ممارستهم الروتينية وتحليل نتائج اختبارات التصوير بشكل شامل. بالإضافة إلى ذلك، سيسمح ذلك للأطباء بتحسين دقة تشخيصاتهم وتخصيص العلاجات للمساهمة في تحسين صحة المرضى بشكل عام.

ستستخدم تقنيات Big Data الأكثر تطوراً للكشف عن الأمراض الخطيرة مثل السرطان في مرحلة مبكرة وستقوم بتصميم خطط علاجية فردية لتحسين تعافي المستخدمين"

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
4.31 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 معاجم اصطلاحية، مفردات، تصنيفات

1.5.1 المفردات
2.5.1 التصنيفات
3.5.1 المعاجم الاصطلاحية
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
2.10.1 خلق شخصية: اللغة والتعبيرات والمحتوى
3.10.1 اتجاهات الذكاء الاصطناعي
4.10.1 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
 2.3.2.2 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 لغة R)

7.2 تحليل البيانات وتفسيرها وتقييم النتائج

1.7.2 المقاييس الإحصائية
2.7.2 مؤشرات العلاقة
7.32 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
2.9.2 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 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

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 Big Data

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)
3.65 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 Pooling و 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 Transformers على 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. Autoencoders, 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. ابتكارات الذكاء الاصطناعي في التصوير التشخيصي

1.16 تقنيات الذكاء الاصطناعي وأدواته في التصوير التشخيصي مع المراجعة السريرية للتصوير التشخيصي باستخدام تقنية IBM Watson Imaging Clinical Review

1.1.16 منصات sofware líderes لتحليل الصور الطبية
2.1.16 أدوات Deep Learning الخاصة بالأشعة
3.1.16 ابتكارات hardware لتسريع معالجة الصور
4.1.16 إدماج أنظمة الذكاء الاصطناعي في البنى التحتية الحالية للمستشفيات

2.16 الأساليب والخوارزميات الإحصائية لتفسير الصور الطبية باستخدام الذكاء الاصطناعي DeepMind AI for Breast Cancer Analysis

1.2.16 خوارزميات تجزئة الصور
2.2.16 تقنيات التصنيف والكشف في التصوير الطبي
3.2.16 استخدام الشبكات العصبية التلافيفية في الأشعة
4.2.16  طرق تقليل الضوضاء وتحسين جودة الصورة

3.16 تصميم التجارب وتحليل النتائج في التصوير التشخيصي باستخدام واجهة برمجة تطبيقات Google Cloud Healthcare API

1.3.16 تصميم بروتوكولات التحقق من صحة خوارزميات الذكاء الاصطناعي
2.3.16 الأساليب الإحصائية لمقارنة أداء الذكاء الاصطناعي وأخصائيي الأشعة
3.3.16 إعداد دراسات متعددة المراكز لتجارب الذكاء الاصطناعي
4.3.16 تفسير نتائج اختبار الفعالية وعرضها

4.16 الكشف عن الأنماط الدقيقة في الصور منخفضة الدقة

1.4.16 الذكاء الاصطناعي للتشخيص المبكر للأمراض العصبية التنكسية العصبية
2.4.16 تطبيقات الذكاء الاصطناعي في طب القلب التداخلي
3.4.16 استخدام الذكاء الاصطناعي لتحسين بروتوكولات التصوير

5.16 تحليل الصور الطبية الحيوية ومعالجتها

1.5.16 تقنيات المعالجة المسبقة لتحسين التفسير الآلي
2.5.16 تحليل النسيج والنمط في الصور النسيجية
3.5.16 استخراج الملامح السريرية من صور الموجات فوق الصوتية
4.5.16 طرق تحليل الصور الطولية في الدراسات السريرية

6.16 التصور المتقدم للبيانات في التصوير التشخيصي باستخدام OsiriX MD

1.6.16 تطوير واجهات رسومية لاستكشاف الصور ثلاثية الأبعاد
2.6.16 أدوات لتصور التغييرات الزمنية في الصور الطبية
3.6.16 تقنيات الواقع المعزز لتدريس علم التشريح
4.6.16 أنظمة التصور في الوقت الحقيقي للعمليات الجراحية

7.16 معالجة اللغة الطبيعية في إعداد تقارير الصور الطبية والتوثيق الطبي باستخدام Nuance PowerScribe 360

1.7.16 التوليد التلقائي للتقارير الإشعاعية
2.7.16 استخراج المعلومات ذات الصلة من السجلات الطبية الإلكترونية
3.7.16 التحليل الدلالي للربط بين التصوير والنتائج السريرية
4.7.16 أدوات البحث عن الصور واسترجاعها بناءً على الأوصاف النصية

8.16 تكامل ومعالجة البيانات غير المتجانسة في التصوير الطبي

1.8.16 دمج طرائق التصوير من أجل التشخيص الشامل
2.8.16 تكامل البيانات المختبرية والوراثية في تحليل الصور
3.8.16 أنظمة لمعالجة كميات كبيرة من بيانات الصور
4.8.16 استراتيجيات لتطبيع datasets من مصادر متعددة

9.16 تطبيقات الشبكة العصبية في تفسير الصور الطبية مع Zebra Medical Vision

1.9.16 استخدام الشبكات التوليدية للتصوير الطبي الاصطناعي
2.9.16 الشبكات العصبية لتصنيف الأورام تلقائيًا
3.9.16 Deep Learning لتحليل السلاسل الزمنية في الصور الوظيفية
4.9.16 تركيب النماذج المدربة مسبقاً على datasets تصوير طبي محددة

10.16 النمذجة التنبؤية وتأثيرها على التصوير التشخيصي باستخدام نظام IBM Watson Oncology

1.10.16 النماذج التنبؤية لتقييم المخاطر لدى مرضى الأورام
2.10.16 الأدوات التنبؤية لمراقبة الأمراض المزمنة
3.10.16 تحليل البقاء على قيد الحياة باستخدام بيانات التصوير الطبي
4.10.16 التنبؤ بتطور المرض باستخدام تقنيات Machine Learning

الوحدة 17. تطبيقات الذكاء الاصطناعي المتقدمة في دراسات التصوير الطبي وتحليله

1.17 تصميم وتنفيذ دراسات قائمة على الملاحظة باستخدام الذكاء الاصطناعي في التصوير الطبي مع Flatiron Health

1.1.17 معايير اختيار السكان في دراسات الذكاء الاصطناعي القائمة على الملاحظة
2.1.17 طرق التحكم في المتغيرات المربكة في الدراسات التصويرية
3.1.17 استراتيجيات المتابعة طويلة المدى في الدراسات القائمة على الملاحظة
4.1.17 تحليل النتائج والتحقق من صحة نماذج الذكاء الاصطناعي في سياقات سريرية حقيقية.

2.17 التحقق من صحة ومعايرة نماذج الذكاء الاصطناعي في تفسير الصور باستخدام الذكاء الاصطناعي للقلب من Arterys Cardio AI

1.2.17 تقنيات التحقق التبادلي المطبقة على نماذج التصوير التشخيصي
2.2.17 طرق معايرة الاحتمالات في تنبؤات الذكاء الاصطناعي
3.2.17 معايير الأداء ومقاييس الدقة لتقييم الذكاء الاصطناعي
4.2.17 تنفيذ اختبارات المتانة في مجموعات سكانية وظروف مختلفة

3.17 طرق دمج بيانات التصوير مع المصادر الطبية الحيوية الأخرى

1.3.17 تقنيات دمج البيانات لتحسين تفسير الصور
2.3.17 التحليل المشترك للصور والبيانات الجينومية للتشخيص الدقيق
3.3.17 دمج المعلومات السريرية والمختبرية في أنظمة الذكاء الاصطناعي
4.3.17 تطوير واجهات المستخدم للتصور المتكامل للبيانات متعددة التخصصات

4.17 استخدام بيانات التصوير الطبي في الأبحاث متعددة التخصصات مع إنليتيك كوري

1.4.17 التعاون متعدد التخصصات لتحليل الصور المتقدمة
2.4.17 تطبيق تقنيات الذكاء الاصطناعي من مجالات أخرى في التصوير التشخيصي
3.4.17 التحديات والحلول في إدارة البيانات الضخمة وغير المتجانسة
4.4.17 دراسات حالة لتطبيقات ناجحة متعددة التخصصات

5.17 خوارزميات التعلم العميق الخاصة بالتصوير الطبي باستخدام AIDOC

1.5.17 تطوير بنيات الشبكات العصبية لصور معينة
2.5.17 تحسين المعلمة الفائقة لنماذج التصوير الطبي
3.5.17 نقل التعلم وإمكانية تطبيقه في مجال الأشعة

6.17 التحديات التي تواجه تفسير وتصور الميزات المستفادة من النمذجة العميقة

1.6.17 تحسين تفسير الصور الطبية من خلال التشغيل الآلي باستخدام Viz.ai
2.6.17 أتمتة إجراءات التشخيص الروتينية لتحقيق الكفاءة التشغيلية
3.6.17 أنظمة الإنذار المبكر في الكشف عن الحالات الشاذة
4.6.17 تقليل عبء عمل أخصائيي الأشعة باستخدام أدوات الذكاء الاصطناعي
5.6.17 تأثير الأتمتة على دقة التشخيصات وسرعتها

7.17 المحاكاة والنمذجة الحاسوبية في التصوير التشخيصي

1.7.17 عمليات المحاكاة لتدريب خوارزميات الذكاء الاصطناعي والتحقق من صحتها
2.7.17 نمذجة الأمراض وتمثيلها في الصور التركيبية
3.7.17 استخدام المحاكاة للعلاج والتخطيط الجراحي
4.7.17 التقدم في التقنيات الحاسوبية لمعالجة الصور في الوقت الحقيقي

8.17 الواقع الافتراضي والواقع المعزز في تصور الصور الطبية وتحليلها

1.8.17 تطبيقات الواقع الافتراضي لتعليم التصوير التشخيصي التشخيصي
2.8.17 استخدام الواقع المعزز في العمليات الجراحية الموجهة بالصور
3.8.17 أدوات التصور المتقدمة للتخطيط العلاجي
4.8.17 تطوير واجهات غامرة لمراجعة الدراسات الإشعاعية

9.17 أدوات التنقيب عن البيانات المطبقة على التصوير التشخيصي باستخدام التصوير الإشعاعي

1.9.17 تقنيات استخراج البيانات من مستودعات الصور الطبية الكبيرة
2.9.17 تطبيقات تحليل الأنماط في مجموعات بيانات الصور
3.9.17 تحديد المؤشرات الحيوية من خلال التنقيب في بيانات الصور
4.9.17 دمج التنقيب عن البيانات والتعلم الآلي للاكتشاف السريري

10.17 تطوير المؤشرات الحيوية والتحقق من صحة المؤشرات الحيوية باستخدام تحليل الصور مع Oncimmune

1.10.17 استراتيجيات تحديد المؤشرات الحيوية التصويرية في الأمراض المختلفة
2.10.17 التحقق السريري من صحة المؤشرات الحيوية التصويرية للاستخدام التشخيصي
3.10.17 تأثير المؤشرات الحيوية التصويرية على تخصيص العلاج
4.10.17 التقنيات الناشئة في الكشف عن المؤشرات الحيوية وتحليلها عن طريق الذكاء الاصطناعي

الوحدة 18. التخصيص والأتمتة في التشخيص الطبي باستخدام الذكاء الاصطناعي

1.18 تطبيق الذكاء الاصطناعي في التسلسل الجينومي والارتباط مع نتائج التصوير باستخدام علم Fabric Genomics

1.1.18 تقنيات الذكاء الاصطناعي لدمج البيانات الجينومية والتصويرية
2.1.18 النماذج التنبؤية للربط بين المتغيرات الجينية والأمراض المرئية بالصور
3.1.18 تطوير خوارزميات للتحليل التلقائي للتسلسلات وتمثيلها في الصور
4.1.18 دراسات حالة حول التأثير السريري لدمج علم الجينوم والتصوير

2.18 التقدم في الذكاء الاصطناعي للتحليل التفصيلي للصور الطبية الحيوية باستخدام PathAI

1.2.18 الابتكارات في تقنيات معالجة الصور وتحليلها على المستوى الخلوي
2.2.18 تطبيق الذكاء الاصطناعي لتحسين الدقة في صور الفحص المجهري
3.2.18 خوارزميات Deep Learning المتخصصة في الكشف عن الأنماط دون المجهرية
4.2.18 تأثير التقدم في مجال الذكاء الاصطناعي على البحوث الطبية الحيوية والتشخيص السريري

3.18 الأتمتة في الحصول على الصور الطبية ومعالجتها باستخدام Butterfly Network

1.3.18 أنظمة مؤتمتة لتحسين معلمات الحصول على الصور
2.3.18 الذكاء الاصطناعي في إدارة معدات التصوير وصيانتها
3.3.18 خوارزميات معالجة الصور في الوقت الحقيقي أثناء الإجراءات الطبية
4.3.18 قصص نجاح في تطبيق الأنظمة الآلية في المستشفيات والعيادات

4.18 إضفاء الطابع الشخصي على التشخيص من خلال الذكاء الاصطناعي والطب الدقيق مع Tempus AI

1.4.18 نماذج الذكاء الاصطناعي للتشخيصات الشخصية القائمة على التنميط الجيني والصوري
2.4.18 استراتيجيات دمج البيانات السريرية والتصويرية في التخطيط العلاجي
3.4.18 تأثير الطب الدقيق على النتائج السريرية من خلال الذكاء الاصطناعي
4.4.18 التحديات الأخلاقية والعملية في تطبيق الطب الشخصي

5.18 الابتكارات في التشخيص بمساعدة الذكاء الاصطناعي مع Caption Health

1.5.18 تطوير أدوات ذكاء اصطناعي جديدة للكشف المبكر عن الأمراض
2.5.18 التقدم في خوارزميات الذكاء الاصطناعي لتفسير الأمراض المعقدة
3.5.18 إدماج التشخيص بمساعدة الذكاء الاصطناعي إدماج التشخيص بمساعدة الذكاء الاصطناعي في الممارسة السريرية الروتينية
4.5.18 تقييم فعالية الذكاء الاصطناعي التشخيصي وقبول أخصائيي الرعاية الصحية له

6.18 تطبيقات الذكاء الاصطناعي في تحليل صور الميكروبيوم باستخدام الذكاء الاصطناعي DayTwo AI

1.6.18 تقنيات الذكاء الاصطناعي لتحليل الصور في دراسات الميكروبيوم
2.6.18 ارتباط بيانات تصوير الميكروبيوم الميكروبيوم بالمؤشرات الصحية
3.6.18 تأثير نتائج الميكروبيوم على القرارات العلاجية
4.6.18 التحديات في التوحيد القياسي والتحقق من صحة صور الميكروبيوم

7.18 استخدام wearables لتحسين تفسير الصور التشخيصية باستخدام AliveCor

1.7.18 دمج البيانات wearables مع التصوير الطبي للتشخيص الشامل
2.7.18 خوارزميات الذكاء الاصطناعي لتحليل البيانات المستمرة وتمثيل الصور
3.7.18 الابتكارات التكنولوجية في wearables لمراقبة الصحة
4.7.18 دراسات حالة حول تحسين جودة الحياة من خلال wearables والتشخيص بالتصوير

8.18 الذكاء الاصطناعي لإدارة بيانات التصوير التشخيصي في التجارب السريرية

1.8.18 أدوات الذكاء الاصطناعي للإدارة الفعالة للأحجام الكبيرة من بيانات الصور
2.8.18 استراتيجيات ضمان جودة البيانات وسلامتها في الدراسات متعددة المراكز
3.8.18 تطبيقات الذكاء الاصطناعي للتحليلات التنبؤية في التجارب السريرية
4.8.18 التحديات والفرص في توحيد بروتوكولات التصوير في التجارب العالمية

9.18 تطوير العلاجات واللقاحات بمساعدة تشخيصات الذكاء الاصطناعي المتقدمة

1.9.18 استخدام الذكاء الاصطناعي لتصميم علاجات مخصصة بناءً على التصوير والبيانات السريرية
2.9.18 نماذج الذكاء الاصطناعي في تسريع تطوير اللقاحات بدعم من التصوير التشخيصي
3.9.18 تقييم فعالية العلاجات من خلال مراقبة الصور
4.9.18 تأثير الذكاء الاصطناعي في تقليل الوقت والتكاليف في تطوير علاجات جديدة

10.18 تطبيقات الذكاء الاصطناعي في علم المناعة ودراسات الاستجابة المناعية مع ImmunoMind

1.10.18 نماذج الذكاء الاصطناعي لتفسير الصور المتعلقة بالاستجابة المناعية
2.10.18 تكامل بيانات التصوير والتحليل المناعي للتشخيص الدقيق
3.10.18 تطوير المؤشرات الحيوية التصويرية لأمراض المناعة الذاتية
4.10.18 التقدم في إضفاء الطابع الشخصي على العلاجات المناعية من خلال استخدام الذكاء الاصطناعي

الوحدة 19. Big Dataوالتحليلات التنبؤية في التصوير الطبي

1.19 Big Data في التصوير التشخيصي: المفاهيم والأدوات مع شركة جنرال إلكتريك للرعاية الصحية إديسون

1.1.19 Big Data الضخمة المطبقة على التصوير
2.1.19 أدوات ومنصات تقنية للتعامل مع كميات كبيرة من بيانات الصور
3.1.19 التحديات في تكامل Big Data وتحليلها في مجال التصوير
4.1.19 حالات استخدام Big Data في التصوير التشخيصي

2.19 التنقيب في بيانات سجلات التصوير الطبي الحيوي باستخدام نظام IBM Watson Imaging

1.2.19 تقنيات التنقيب عن البيانات المتقدمة لتحديد الأنماط في الصور الطبية
2.2.19 استراتيجيات استخراج السمات ذات الصلة في قواعد بيانات الصور الكبيرة
3.2.19 تطبيقات تقنيات clustering والتصنيف على سجلات الصور
4.2.19 تأثير التنقيب عن البيانات على تحسين التشخيص والعلاج

3.19 خوارزميات التعلم الآلي في تحليل الصور باستخدام Google DeepMind Health

1.3.19 تطوير خوارزميات خاضعة للإشراف وغير خاضعة للإشراف للتصوير الطبي
2.3.19 الابتكارات في تقنيات التعلم الآلي للتعرف على أنماط الأمراض
3.3.19 تطبيقات التعلم العميق في تجزئة الصور وتصنيفها
4.3.19 تقييم فعالية ودقة خوارزميات التعلم الآلي في الدراسات السريرية

4.19 تقنيات التحليلات التنبؤية المطبقة على التصوير التشخيصي مع Predictive Oncology

1.4.19 النماذج التنبؤية للتعرف المبكر على الأمراض من الصور
2.4.19 استخدام التحليلات التنبؤية لرصد العلاج وتقييمه
3.4.19 دمج البيانات السريرية وبيانات التصوير لإثراء النماذج التنبؤية
4.4.19 التحديات التي تواجه تطبيق التقنيات التنبؤية في الممارسة السريرية

5.19 نماذج الذكاء الاصطناعي القائمة على الصور لعلم الأوبئة باستخدام BlueDot

1.5.19 تطبيق الذكاء الاصطناعي في تحليل تفشي الأوبئة باستخدام الصور
2.5.19 نماذج انتشار الأمراض المصورة بتقنيات التصوير
3.5.19 الارتباط بين البيانات الوبائية ونتائج التصوير بالأشعة
4.5.19 مساهمة الذكاء الاصطناعي في دراسة الأوبئة والسيطرة عليها

6.19 تحليل الشبكات البيولوجية والأنماط المرضية الصور

1.6.19 تطبيق نظرية الشبكة في تحليل الصور لفهم الأمراض
2.6.19 نماذج حسابية لمحاكاة الشبكات البيولوجية المرئية في الصور
3.6.19 تكامل تحليل الصور والبيانات الجزيئية لرسم خريطة للأمراض
4.6.19 تأثير هذه التحليلات على تطوير العلاجات المخصصة

7.19 تطوير أدوات التنبؤ السريري المستند إلى الصور

1.7.19 أدوات الذكاء الاصطناعي للتنبؤ بالنتائج السريرية من الصور التشخيصية
2.7.19 التقدم في إعداد تقارير التنبؤ الآلي
3.7.19 دمج النماذج التنبؤية في الأنظمة السريرية
4.7.19 التحقق من صحة أدوات التشخيص القائمة على الذكاء الاصطناعي وقبولها سريريًا

8.19 التصور المتقدم وتوصيل البيانات المعقدة باستخدام Tableau

1.8.19 تقنيات التصور للتمثيل المتعدد الأبعاد لبيانات الصور
2.8.19 أدوات تفاعلية لتصفح مجموعات بيانات الصور الكبيرة
3.8.19 استراتيجيات التواصل الفعال للنتائج المعقدة من خلال التصورات المرئية
4.8.19 تأثير التصور المتقدم على التعليم الطبي واتخاذ القرارات الطبية

9.19 أمن البيانات والتحديات في إدارة Big Data

1.9.19 التدابير الأمنية لحماية الأحجام الكبيرة من بيانات التصوير الطبي
2.9.19 التحديات في مجال الخصوصية وأخلاقيات إدارة بيانات الصور على نطاق واسع
3.9.19 الحلول التقنية للإدارة الآمنة Big Data في مجال الرعاية الصحية
4.9.19 دراسات حالة عن الاختراقات الأمنية وكيفية معالجتها

10.19 التطبيقات العملية ودراسات الحالة في مجال البيانات البيولوجية الطبية الضخمة Big Data

1.10.19 أمثلة على التطبيقات الناجحة Big Data في تشخيص الأمراض وعلاجها
2.10.19 دراسات حالة حول دمج Big Data في أنظمة الرعاية الصحية
3.10.19 الدروس المستفادة من مشاريع Big Data في مجال الطب الحيوي
4.10.19 الاتجاهات والإمكانيات المستقبليةBig Data في الطب

الوحدة 20. الجوانب الأخلاقية والقانونية للذكاء الاصطناعي في التصوير التشخيصي

1.20 الأخلاقيات في تطبيق الذكاء الاصطناعي في التصوير التشخيصي مع Ethics and Algorithms Toolkit

1.1.20 المبادئ الأخلاقية الأساسية في استخدام الذكاء الاصطناعي في التشخيص
2.1.20 إدارة التحيزات الخوارزمية وتأثيرها على عدالة التشخيص
3.1.20 الموافقة المستنيرة في عصر الذكاء الاصطناعي التشخيصي
4.1.20 التحديات الأخلاقية في النشر الدولي لتقنيات الذكاء الاصطناعي

2.20 الاعتبارات القانونية والتنظيمية في الذكاء الاصطناعي المطبق على التصوير الطبي باستخدام Compliance.ai

1.2.20 الإطار التنظيمي الحالي للذكاء الاصطناعي في التصوير التشخيصي
2.2.20 الامتثال للوائح الخصوصية وحماية البيانات
3.2.20 متطلبات المصادقة والاعتماد لخوارزميات الذكاء الاصطناعي في مجال الرعاية الصحية
4.2.20 المسؤولية القانونية في حالة التشخيص الخاطئ بواسطة الذكاء الاصطناعي

3.20 الموافقة المستنيرة والجوانب الأخلاقية في استخدام البيانات السريرية

1.3.20 مراجعة عمليات الموافقة المستنيرة التي تم تكييفها مع الذكاء الاصطناعي
2.3.20 تثقيف المرضى حول استخدام الذكاء الاصطناعي في رعاية المرضى
3.3.20 الشفافية في استخدام البيانات السريرية للتدريب على الذكاء الاصطناعي
4.3.20 احترام استقلالية المريض في القرارات القائمة على الذكاء الاصطناعي

4.20 الذكاء الاصطناعي والمساءلة في الأبحاث السريرية

1.4.20 تعيين المسؤوليات في استخدام الذكاء الاصطناعي في التشخيص
2.4.20 الآثار المترتبة على أخطاء الذكاء الاصطناعي في الممارسة السريرية
3.4.20 التأمين والتغطية التأمينية للمخاطر المرتبطة باستخدام الذكاء الاصطناعي
4.4.20 استراتيجيات إدارة الحوادث المتعلقة بالذكاء الاصطناعي

5.20 تأثير الذكاء الاصطناعي على المساواة والوصول إلى الرعاية الصحية مع AI for Good

1.5.20 تقييم تأثير الذكاء الاصطناعي على تقديم الخدمات الطبية
2.5.20 استراتيجيات لضمان الوصول العادل إلى تكنولوجيا الذكاء الاصطناعي
3.5.20 الذكاء الاصطناعي كأداة للحد من الفوارق الصحية
4.5.20 دراسات حالة حول تطبيق الذكاء الاصطناعي في البيئات محدودة الموارد

6.20 الخصوصية وحماية البيانات في المشاريع البحثية باستخدام Duality SecurePlus

1.6.20 استراتيجيات ضمان سرية البيانات في مشاريع الذكاء الاصطناعي
2.6.20 تقنيات متطورة لإخفاء هوية بيانات المرضى
3.6.20 التحديات القانونية والأخلاقية في حماية البيانات الشخصية
4.6.20 تأثير الاختراقات الأمنية على ثقة الجمهور وثقة الجمهور

7.20 الذكاء الاصطناعي والاستدامة في البحوث الطبية الحيوية باستخدام Green Algorithm

1.7.20 استخدام الذكاء الاصطناعي لتحسين الكفاءة والاستدامة في البحث العلمي
2.7.20 تقييم دورة حياة تقنيات الذكاء الاصطناعي في مجال الرعاية الصحية
3.7.20 التأثير البيئي للبنية التحتية لتكنولوجيا الذكاء الاصطناعي
4.7.20 ممارسات مستدامة في تطوير الذكاء الاصطناعي ونشره

8.20 تدقيق نماذج الذكاء الاصطناعي وتفسيرها في البيئة السريرية باستخدام IBM AI Fairness 360

1.8.20 أهمية التدقيق المنتظم لخوارزميات الذكاء الاصطناعي
2.8.20 تقنيات تحسين قابلية شرح نماذج الذكاء الاصطناعي للتفسير
3.8.20 التحديات في إيصال القرارات القائمة على الذكاء الاصطناعي إلى المرضى والأطباء السريريين
4.8.20 اللوائح الخاصة بشفافية خوارزميات الذكاء الاصطناعي في مجال الرعاية الصحية

9.20 الابتكار وريادة الأعمال في مجال الذكاء الاصطناعي السريري مع Hindsait

1.9.20 الفرص المتاحة startups في مجال تقنيات الذكاء الاصطناعي للرعاية الصحية
2.9.20 التعاون بين القطاعين العام والخاص في تطوير الذكاء الاصطناعي
3.9.20 التحديات التي تواجه رواد الأعمال في البيئة التنظيمية الصحية
4.9.20 قصص النجاح والدروس المستفادة في ريادة أعمال الذكاء الاصطناعي السريري

10.20 الاعتبارات الأخلاقية في التعاون الدولي للبحوث السريرية مع Global Alliance for Genomics and Health مع GA4GH

1.10.20 التنسيق الأخلاقي في مشاريع الذكاء الاصطناعي الدولية
2.10.20 إدارة الاختلافات الثقافية والتنظيمية في الشراكات الدولية
3.10.20 استراتيجيات الإدماج المنصف في الدراسات العالمية
4.10.20 التحديات والحلول في مجال تبادل البيانات

هل تريد زيادة الأمان في اتخاذ القرارات السريرية من خلال استخدام الذكاء الاصطناعي؟ احصل على هذه الشهادة الجامعية في أقل من عام"