بفضل درجة الماجستير هذه عبر الإنترنت بنسبة 100%، ستكتسب مهارات تكنولوجية متقدمة، من خلال الذكاء الاصطناعي، لتحسين إدارة المواهب وتحسين الكفاءة التشغيلية في مؤسستك"

يُحدث الذكاء الاصطناعي (AI) ثورة في إدارة الموارد البشرية (HR)، مما يحسن الكفاءة في إدارة المواهب واتخاذ القرارات. تعمل الأدوات القائمة على الذكاء الاصطناعي، مثل روبوتات الدردشة الآلية وبرامج تحليل المشاعر، على تمكين تفاعل أكثر سلاسة مع الموظفين وتساعد في تحديد الاحتياجات قبل أن تصبح مشاكل.

هكذا ولدت درجة الماجستير الخاص هذه، والتي بفضلها سيتمكن المهنيون من تحسين الكفاءة التشغيلية في إدارة شؤون الموظفين، من خلال أتمتة مهام مثل تخصيص الموارد وإدارة الرواتب. بالإضافة إلى ذلك، سيتم استكشاف التحليلات التنبؤية لتوقع احتياجات التوظيف وتكامل الأنظمة لضمان الامتثال التنظيمي السلس بشكل متعمق.

كما سيتم إتقان أدوات متقدمة لأتمتة تحليل السير الذاتية وتصنيف المرشحين، وكذلك في إجراء المقابلات الافتراضية بمساعدة الذكاء الاصطناعي. كما ستتناول أيضاً تقنيات القضاء على التحيز في التوظيف، مما يضمن عملية توظيف أكثر عدلاً ودقة، وزيادة الاحتفاظ بالمرشحين الناجحين وملاءمتهم.

أخيراً، سوف نستكشف كيف يمكن للذكاء الاصطناعي تحسين إدارة المواهب داخل المؤسسة، وتحديد الموظفين الرئيسيين والاحتفاظ بهم، وتخصيص مسارات التطوير الوظيفي، وإجراء تحليل الكفاءات لاكتشاف الفجوات في المهارات. بالإضافة إلى ذلك، ستتم تغطية تنفيذ برامج التوجيه والتدريب الافتراضية وتقييمات إمكانات القيادة واستراتيجيات إدارة التغيير.

بهذه الطريقة، نفذت TECH برنامجاً جامعياً شاملاً عبر الإنترنت بالكامل، بحيث لا يحتاج الخريجون سوى جهاز إلكتروني متصل بالإنترنت للوصول إلى المواد التعليمية، مما يجنبهم مشاكل مثل السفر إلى مركز فعلي والتكيف مع جدول زمني محدد مسبقاً. بالإضافة إلى ذلك، يتضمن منهجإعادة التعلم (المعروف بـ Relearning) الثورية، التي تتمثل في تكرار المفاهيم الأساسية من أجل الاستيعاب الأمثل للمحتويات.

ستكون مستعداً لقيادة التحول الرقمي في مجال الموارد البشرية، وتنفيذ الحلول المبتكرة التي تعمل على أتمتة العمليات، والقضاء على التحيزات في التوظيف، وتعزيز التطوير المهني للموظفين"

يحتوي هذا ماجيستير خاص في الذكاء الاصطناعي في قسم الموارد البشرية على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصها هي:

تطوير دراسات حالة يقدمها خبراء في الذكاء الاصطناعي تركز على إدارة الموارد البشرية
محتوياتها البيانية والتخطيطية والعملية البارزة التي يتم تصورها بها تجمع المعلومات العملي حول تلك التخصصات الأساسية للممارسة المهنية
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 المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

ستعمل على تحسين الكفاءة التشغيلية في إدارة شؤون الموظفين وكشوف المرتبات من خلال أتمتة المهام الحاسمة مثل تخصيص الموارد وإدارة المزايا. ما الذي تنتظره بعد؟"

البرنامج يضم، في أعضاء هيئة تدريسه محترفين في مجال الطاقات المتجددة 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.

ستصبح على دراية بالأدوات التي ستتيح لك أتمتة تحليل السير الذاتية وتصفية المرشحين وتصنيفهم وإجراء مقابلات افتراضية بدعم من الذكاء الاصطناعي. مع جميع ضمانات الجودة من TECH!"

راهن على TECH! سوف تقوم بتحديد الموظفين الرئيسيين والاحتفاظ بهم، وتخصيص مسارات التطوير الوظيفي، وتطبيق الذكاء الاصطناعي لإجراء تحليل الكفاءات واكتشاف الثغرات في المهارات"

على عكس البرامج الأخرى، ستجمع هذا المؤهل العلمي بين الأساس النظري المتين والتدريب العملي في تطبيق التقنيات المتقدمة. سيبحث في كيفية استخدام الذكاء الاصطناعي لتحسين إدارة شؤون الموظفين، وتحسين عمليات التوظيف، وإدارة المواهب، وإجراء تقييمات دقيقة للأداء، ومراقبة بيئة العمل. بالإضافة إلى ذلك، سيتمكن المهنيون من مواجهة التحديات المعاصرة في مجال الموارد البشرية، وتحسين الكفاءة وصنع القرار وضمان الإدارة العادلة والشفافة.

مع التطور السريع للذكاء الاصطناعي في مكان العمل، ستضع نفسك في طليعة التغيير التنظيمي، مما يؤهلك لقيادة التحول الرقمي في المؤسسات التي تعمل بها"

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    تقليم Minimax و Alpha-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    روبوتات المحادثة (Chatbots )والمساعدين الافتراضيين

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 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)
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    Prolog: برمجة تعتمد على 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 (NLP)

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

01.9    تسوية الأوضاع

1.01.9    L و L
2.01.9    وضع القواعد بالقصور الحراري العظمي
3.01.9    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 التعلم العميق باستخدام Deep Learning مع TensorFlow

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

الوحدة 11. 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

2.11 1 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 و 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 النموذج

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 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. إدارة شؤون الموظفين وكشوف المرتبات مع الذكاء الاصطناعي

1.16    تقديم المشورة بشأن إدارة التنوع والشمول في مكان العمل.

1.1.16    تحليل التنوع باستخدام نظام واتسون من IBM Watson للكشف عن الاتجاهات والتحيزات
2.1.16    أدوات الذكاء الاصطناعي لاكتشاف وتصحيح التحيز في عمليات الموارد البشرية
3.1.16    تقييم أثر سياسات الدمج من خلال تحليل البيانات

2.16    أساسيات إدارة شؤون الموظفين باستخدام الذكاء الاصطناعي

1.2.16    أتمتة عمليات التوظيف والإلحاق بالعملonboarding
2.2.16    استخدام أنظمة إدارة بيانات الموظفين القائمة على الذكاء الاصطناعي
3.2.16    تحسين تجربة الموظفين من خلال المنصات الذكية

3.16    تقنيات كشوف المرتبات بالذكاء الاصطناعي

1.3.16    أنظمة الذكاء الاصطناعي للمحاسبة الآلية للرواتب
2.3.16    الإدارة الذكية للأرباح باستخدام منصات مثل Gusto
3.3.16    اكتشاف الاحتيال في كشوف المرتبات والأخطاء باستخدام خوارزميات الذكاء الاصطناعي

4.16    تحسين تعيين موارد باستخدام الذكاء الاصطناعي

1.4.16    تخطيط القوى العاملة باستخدام أدوات Kronos التنبؤية
2.4.16    نماذج الذكاء الاصطناعي لتحسين نوبات العمل وتخصيص المهام
3.4.16    تحليل عبء العمل وتخصيص الموارد باستخدام Power BI

5.16    الذكاء الاصطناعي في الامتثال التنظيمي والقانوني للموارد البشرية

1.5.16    أتمتة الامتثال لسياسات العمل
2.5.16    أنظمة الذكاء الاصطناعي لضمان العدالة والشفافية في الموارد البشرية
3.5.16    إدارة العقود والتنظيمات مع مستشار IBM Watson القانوني

6.16    التحليل التنبؤي في إدارة شؤون الموظفين

1.6.16    النمذجة التنبؤية للاحتفاظ بالموظفين مع الذكاء الاصطناعي للاحتفاظ بالموظفين
2.6.16    تحليل المشاعر في الاتصالات الداخلية
3.6.16    التنبؤ باحتياجات التدريب والتطوير

7.16    أتمتة إدارة المزايا باستخدام الذكاء الاصطناعي

1.7.16    إدارة المزايا من خلال منصات ذكية مثل Zenefits
2.7.16    تخصيص حزم المزايا باستخدام الذكاء الاصطناعي
3.7.16    تحسين تكلفة الربح من خلال تحليل البيانات

8.16    تكامل أنظمة الموارد البشرية مع الذكاء الاصطناعي

1.8.16    أنظمة إدارة القوى العاملة المدمجة مع Salesforce Einstein
2.8.16    الواجهة وسهولة الاستخدام في أنظمة الموارد البشرية القائمة على الذكاء الاصطناعي
3.8.16    أمن البيانات والخصوصية في الأنظمة المدمجة

9.16    التدريب وتطوير الموظفين المدعوم بالذكاء الاصطناعي

1.9.16    أنظمة التعلم التكيفي والشخصي
2.9.16    منصات التعلم الإلكتروني المدعومة بالذكاء الاصطناعيe-Learning 
3.9.16    تقييم الأداء والمراقبة من خلال التقنيات الذكية

10.16    إدارة الأزمات والتغيير باستخدام الذكاء الاصطناعي في الموارد البشرية

1.10.16    استخدام الذكاء الاصطناعي لإدارة التغيير المؤسسي الفعال
2.10.16    الأدوات التنبؤية للتأهب للأزمات مع الطبقة التنبؤية
3.10.16    تحليل البيانات لتقييم استراتيجيات الموارد البشرية وتكييفها في أوقات الأزمات

الوحدة 17. عمليات الاختيار والذكاء الاصطناعي

1.17    مقدمة في تطبيق الذكاء الاصطناعي في اختيار الموظفين

1.1.17    تعريف الذكاء الاصطناعي في سياق الموارد البشرية. Entelo
2.1.17    أهمية تطبيق الذكاء الاصطناعي في عمليات الاختيار
3.1.17    فوائد استخدام الذكاء الاصطناعي في عمليات الاختيار

2.17    أتمتة المهام في عملية التوظيف

1.2.17    استخدام الذكاء الاصطناعي لأتمتة إعلانات الوظائف
2.2.17    تنفيذ روبوتات المحادثة ل chatbots لإجابة على الأسئلة المتداولة من المرشحين
3.2.17    الأدوات : XOR

3.17    تحليل السيرة الذاتية باستخدام الذكاء الاصطناعي

1.3.17    استخدام خوارزميات الذكاء الاصطناعي لتحليل السير الذاتية وتقييمها. Talview
2.3.17    التحديد التلقائي للمهارات والخبرات ذات الصلة بالوظيفة
3.3.17    المميزات والعيوب

4.17    تصفية المرشحين وترتيبهم

1.4.17    تطبيق الذكاء الاصطناعي للتصفية التلقائية للمرشحين بناءً على معايير محددة. Vervoe
2.4.17    تصنيف المرشحين وفقًا لمدى ملاءمتهم للوظيفة باستخدام تقنيات التعلم الآلي
3.4.17    استخدام الذكاء الاصطناعي للتخصيص الديناميكي لمعايير التصفية وفقًا لمتطلبات الوظيفة

5.17    التعرف على الأنماط على وسائل التواصل الاجتماعي والمنصات المهنية

1.5.17    استخدام الذكاء الاصطناعي لتحليل الملفات الشخصية للمرشحين على وسائل التواصل الاجتماعي والمنصات المهنية
2.5.17    تحديد الأنماط والاتجاهات السلوكية ذات الصلة بالاستهداف
3.5.17    تقييم حضور المرشحين على الإنترنت وتأثيرهم الرقمي باستخدام أدوات الذكاء الاصطناعي

6.17    مقابلات افتراضية بمساعدة الذكاء الاصطناعي

1.6.17    تنفيذ أنظمة المقابلات الافتراضية مع تحليل اللغة والعاطفة. Talentoday
2.6.17    التقييم التلقائي لإجابات المرشحين باستخدام تقنيات معالجة اللغة الطبيعية.
3.6.17    تطوير ملاحظات تلقائية feedbackوشخصية للمرشحين بناءً على تحليل الذكاء الاصطناعي للمقابلات

7.17    تقييم المهارات والكفاءات

1.7.17    استخدام أدوات التقييم القائمة على الذكاء الاصطناعي لقياس المهارات التقنية والشخصية. OutMatch
2.7.17    التحليل التلقائي للاختبارات وتمارين التقييم التي يقوم بها المرشحون. Harver
3.7.17    ارتباط نتائج التقييم بالنجاح في العمل باستخدام التحليلات التنبؤية للذكاء الاصطناعي

8.17    القضاء على التحيز في الاختيار

1.8.17    تطبيق الذكاء الاصطناعي لتحديد التحيزات اللاواعية في عملية الاختيار والتخفيف من حدتها
2.8.17    تطبيق خوارزميات الذكاء الاصطناعي غير المتحيزة والعادلة في اتخاذ القرارات
3.8.17    التدريب والتعديل المستمر لنماذج الذكاء الاصطناعي لضمان العدالة في اختيار الموظفين

9.17    التنبؤ بالكفاية والاستبقاء

1.9.17    استخدام نماذج الذكاء الاصطناعي التنبؤية للتنبؤ بمدى ملاءمة المرشحين واحتمالية الاحتفاظ بهم. Hiretual
2.9.17    تحليل البيانات التاريخية ومقاييس الأداء لتحديد أنماط النجاح
3.9.17    نماذج الذكاء الاصطناعي لمحاكاة سيناريوهات الوظائف وتأثيرها على الاحتفاظ بالمرشحين

10.17    الأخلاقيات والشفافية في اختيار الذكاء الاصطناعي

1.10.17    الاعتبارات الأخلاقية في استخدام الذكاء الاصطناعي في عمليات التوظيف
2.10.17    ضمان الشفافية وقابلية التفسير في خوارزميات الذكاء الاصطناعي المستخدمة في قرارات الشراء
3.10.17    تطوير سياسات مراجعة الحسابات ومراجعة القرارات الآلية

الوحدة 18. الذكاء الاصطناعي وتطبيقه في إدارة المواهب والتطوير المهني

1.18    مقدمة في تطبيق الذكاء الاصطناعي في إدارة المواهب والتطوير الوظيفي

1.1.18    التطور التاريخي للذكاء الاصطناعي في إدارة المواهب وكيف غيّر هذا المجال
2.1.18    تعريف الذكاء الاصطناعي في سياق الموارد البشرية
3.1.18    أهمية إدارة المواهب والتطوير الوظيفي. Glint

2.18    أتمتة عمليات إدارة المواهب

1.2.18    استخدام الذكاء الاصطناعي لأتمتة المهام الإدارية في إدارة المواهب
2.2.18    تطبيق أنظمة إدارة المواهب القائمة على الذكاء الاصطناعي
3.2.18    تقييم الكفاءة التشغيلية وخفض التكاليف من خلال الأتمتة باستخدام الذكاء الاصطناعي

3.18    تحديد المواهب والاحتفاظ بها باستخدام الذكاء الاصطناعي

1.3.18    استخدام خوارزميات الذكاء الاصطناعي لتحديد المواهب والاحتفاظ بها في المؤسسة
2.3.18    التحليلات التنبؤية للكشف عن الموظفين ذوي إمكانات النمو العالية
3.3.18    تكامل الذكاء الاصطناعي مع أنظمة إدارة الموارد البشرية للمراقبة المستمرة للأداء وتطويره

4.18    إضفاء الطابع الشخصي على التطوير المهني. Leader Amp

1.4.18    تنفيذ برامج تطوير مهني مخصصة قائمة على الذكاء الاصطناعي
2.4.18    استخدام خوارزميات التوصية لاقتراح فرص التعلم والنمو
3.4.18    مطابقة مسارات التطور الوظيفي مع توقعات تطور سوق العمل باستخدام الذكاء الاصطناعي

5.18    تحليل فجوة الكفاءة والمهارات

1.5.18    استخدام الذكاء الاصطناعي لتحليل مهارات وكفاءات الموظفين الحاليين
2.5.18    تحديد الثغرات في المهارات واحتياجات التدريب من خلال تحليل البيانات
3.5.18    تنفيذ برامج التدريب في الوقت الفعلي بناءً على توصيات الذكاء الاصطناعي التلقائية

6.18    التوجيه والتدريب الافتراضي

1.6.18    تنفيذ أنظمة التوجيه الافتراضي بمساعدة الذكاء الاصطناعي. Crystal
2.6.18    استخدام روبوتات الدردشة اchatbotsلآلية والمساعدين الافتراضيين لتقديم تدريب مخصص
3.6.18    تقييم تأثير التدريب الافتراضي من خلال تحليلات البيانات وملاحظات الذكاء الاصطناعي الآلية

7.18    الاعتراف بالإنجاز والأداء

1.7.18    استخدام أنظمة تقدير الإنجاز القائمة على الذكاء الاصطناعي لتحفيز الموظفين. BetterUp
2.7.18    التحليل التلقائي لأداء الموظفين وإنتاجيتهم باستخدام الذكاء الاصطناعي
3.7.18    تطوير نظام مكافآت وتقدير قائم على الذكاء الاصطناعي

8.18    تقييم الإمكانات القيادية

1.8.18    تطبيق تقنيات الذكاء الاصطناعي لتقييم قدرات الموظفين القيادية
2.8.18    تحديد القادة الناشئين ووضع برامج قيادية مصممة خصيصاً لهم
3.8.18    استخدام المحاكاة القائمة على الذكاء الاصطناعي لتدريب وتقييم مهارات القيادة

9.18    إدارة التغيير والقدرة على التكيف التنظيمي

1.9.18    التحليلات التنبؤية لتوقع احتياجات التغيير وتعزيز المرونة التنظيمية
2.9.18    تخطيط التغيير التنظيمي من خلال الذكاء الاصطناعي
3.9.18    استخدام الذكاء الاصطناعي لإدارة التغيير التنظيمي وتعزيز القدرة على التكيف. خبير إدراكي

10.18    الأخلاقيات والمساءلة في إدارة المواهب باستخدام الذكاء الاصطناعي

1.10.18    الاعتبارات الأخلاقية في استخدام الذكاء الاصطناعي في إدارة المواهب والتطوير الوظيفي. Reflektive
2.10.18    ضمان العدالة والشفافية في خوارزميات الذكاء الاصطناعي المستخدمة في اتخاذ القرارات المتعلقة بإدارة المواهب
3.10.18    تنفيذ عمليات تدقيق لمراقبة وتعديل خوارزميات الذكاء الاصطناعي لضمان الممارسات الأخلاقية

الوحدة 19. تقييمات الأداء

1.19    مقدمة في تطبيق الذكاء الاصطناعي في تقييم الأداء

1.1.19    تعريف الذكاء الاصطناعي ودوره في تقييم الأداء. :51Five
2.1.19    أهمية استخدام الذكاء الاصطناعي لتحسين موضوعية وكفاءة التقييمات
3.1.19    حدود الذكاء الاصطناعي في تقييمات الأداء

2.19    أتمتة عمليات التقييم

1.2.19    استخدام الذكاء الاصطناعي لأتمتة جمع البيانات وتحليلها في تقييمات الأداء. Peakon
2.2.19    تنفيذ أنظمة التقييم الآلي القائمة على الذكاء الاصطناعي
3.2.19    دراسات ناجحة حول الأتمتة باستخدام الذكاء الاصطناعي

3.19    تحليل البيانات ومقاييس الأداء

1.3.19    استخدام خوارزميات الذكاء الاصطناعي لتحليل بيانات الأداء واتجاهاته
2.3.19    تحديد المقاييس الرئيسية ومؤشرات الأداء الرئيسية باستخدام تقنيات تحليل البيانات المتقدمة
3.3.19    التدريب على تحليلات بيانات الذكاء الاصطناعي

4.19    التقييم المستمر feedbackوالتغذية الراجعة في الوقت الفعلي

1.4.19    تنفيذ أنظمة التقييم المستمر بمساعدة الذكاء الاصطناعي. Lattice
2.4.19    استخدام روبوتات الدردشةchatbots الآلية وأدوات التغذية الراجعة في الوقت الفعلي لتقديم الملاحظات
feedbackللموظفين
3.4.19    تأثير feedback القائمة على الذكاء الاصطناعي

5.19    تحديد نقاط القوة ومجالات التحسين

1.5.19    تطبيق الذكاء الاصطناعي لتحديد نقاط القوة والضعف لدى الموظفين
2.5.19    التحليل التلقائي للكفاءات والمهارات باستخدام تقنيات التعلم الآلي. Workday Performance Management
3.5.19    الارتباط بالتطوير والتخطيط المهني

6.19    الكشف عن الاتجاهات وأنماط الأداء

1.6.19    استخدام الذكاء الاصطناعي لاكتشاف الاتجاهات والأنماط في أداء الموظفين. TAlentSoft
2.6.19    تحليلات تنبؤية لتوقع مشاكل الأداء المحتملة واتخاذ إجراءات استباقية
3.6.19    التصور المتقدم للبيانات ولوحات المعلومات

7.19    تخصيص الأهداف وخطط التطوير

1.7.19    تنفيذ أنظمة تحديد الأهداف الشخصية القائمة على الذكاء الاصطناعي. Reflektive
2.7.19    استخدام خوارزميات التوصيات لاقتراح خطط تطوير فردية
3.7.19    التأثير طويل الأجل للأهداف المخصصة

8.19    القضاء على التحيز في التقييمات

1.8.19    تطبيق الذكاء الاصطناعي لتحديد التحيز في تقييمات الأداء والتخفيف من حدته
2.8.19    تطبيق خوارزميات عادلة ومنصفة في عمليات التقييم
3.8.19    تدريب المقيّمين على أخلاقيات الذكاء الاصطناعي

9.19    الأمن وحماية البيانات في تقييمات الذكاء الاصطناعي

1.9.19    الاعتبارات الأخلاقية والقانونية في استخدام البيانات الشخصية في تقييمات أداء الذكاء الاصطناعي LEver
2.9.19    ضمان خصوصية وأمن معلومات الموظفين في أنظمة التقييم القائمة على الذكاء الاصطناعي
3.9.19    تنفيذ بروتوكولات الوصول إلى البيانات

10.19    التحسين المستمر للنظام وقابليته للتكيف

1.10.19    استخدام التغذية الراجعة وتحليل البيانات feedbackلتحسين عمليات التقييم باستمرار.
2.10.19    تكييف أنظمة التقييم مع تغير الاحتياجات والأهداف التنظيمية
3.10.19    لجنة مراجعة تعديل المقاييس

الوحدة 20. مراقبة مناخ العمل وتحسينه باستخدام الذكاء الاصطناعي

1.20    تطبيق الذكاء الاصطناعي في إدارة مناخ العمل

1.1.20    تعريف مناخ العمل وأهميته
2.1.20    نظرة عامة على الذكاء الاصطناعي في إدارة المناخ في مكان العمل
3.1.20    فوائد استخدام الذكاء الاصطناعي لمراقبة مناخ مكان العمل

2.20    أدوات الذكاء الاصطناعي لجمع بيانات العمل

1.2.20    أنظمة feedback في الوقت الحقيقي مع نظام واتسون من IBM Watson
2.2.20    منصات المسح الآلي
3.2.20    أجهزة الاستشعار والأجهزة القابلةwearables للارتداء لجمع البيانات المادية والبيئية

3.20    تحليل المشاعر باستخدام الذكاء الاصطناعي

1.3.20    أساسيات تحليل المشاعر
2.3.20    استخدام Google Cloud Natural Language تحليل المشاعر في الاتصالات المكتوبة
3.3.20    تطبيق تحليل المشاعر في رسائل البريد الإلكتروني والشبكات الاجتماعية للشركات

4.20    التعلم الآلي Machine Learning لتحديد الأنماط السلوكية

1.4.20    التجميع باستخدام K-means في بايثون لتجزئة سلوكيات العمل
2.4.20    التعرف على الأنماط في البيانات السلوكية
3.4.20    التنبؤ بالاتجاهات في مناخ العمل

5.20    الذكاء الاصطناعي في الكشف الاستباقي عن مشاكل العمل

1.5.20    النمذجة التنبؤية لتحديد مخاطر النزاعات
2.5.20    أنظمة الإنذار المبكر القائمة على الذكاء الاصطناعي
3.5.20    الكشف عن المضايقات والتمييز من خلال تحليل النصوص باستخدام spaCy

6.20    تحسين التواصل الداخلي باستخدام الذكاء الاصطناعي

1.6.20    روبوتات المحادثة Chatbotsللتواصل الداخلي
2.6.20    تحليل شبكة الذكاء الاصطناعي لتحسين التعاون باستخدام Gephi
3.6.20    أدوات الذكاء الاصطناعي لتخصيص الاتصالات الداخلية

7.20    إدارة التغيير بدعم من الذكاء الاصطناعي

1.7.20    محاكاة الذكاء الاصطناعي للتنبؤ بآثار التغيير التنظيمي باستخدام AnyLogic
2.7.20    أدوات الذكاء الاصطناعي لإدارة مقاومة التغيير
3.7.20    نماذج الذكاء الاصطناعي لتحسين استراتيجيات التغيير

8.20    التقييم والتحسين المستمر لمناخ العمل مع الشؤون الداخلية

1.8.20    أنظمة المراقبة المستمرة لمناخ العمل
2.8.20    خوارزميات لتحليل فعالية التدخلات
3.8.20    الذكاء الاصطناعي لتخصيص خطط تحسين مناخ العمل

9.20    دمج الذكاء الاصطناعي وعلم النفس التنظيمي

1.9.20    النظريات النفسية المطبقة على تحليل الذكاء الاصطناعي
2.9.20    نماذج الذكاء الاصطناعي لفهم التحفيز والرضا الوظيفي
3.9.20    أدوات الذكاء الاصطناعي لدعم الرفاهية العاطفية للموظفين

10.20    الأخلاقيات والخصوصية في استخدام الذكاء الاصطناعي لمراقبة مناخ مكان العمل

1.10.20    الاعتبارات الأخلاقية لمراقبة العمل
2.10.20    خصوصية البيانات والامتثال التنظيمي
3.10.20    إدارة بيانات شفافة وخاضعة للمساءلة

اغتنم الفرصة للتعرف على أحدث التطورات في هذه المادة لتطبيقها في ممارستك اليومية"