من خلال درجة الماجستير الخاص 100% عبر الإنترنت، ستفهم كيف يمكن للذكاء الاصطناعي أن يحول التحليل الفني والأساسي، وتحسين قرارات الاستثمار بدقة تتحدى الحدس البشري"

لقد تكثف استخدام الذكاء الاصطناعي في مجال التمويل مع تطوير خوارزميات التعلم الآلي Machine Learning المتقدمة، التي تعمل على تحسين استراتيجيات الاستثمار وتحليل المخاطر. تتبنى المؤسسات المالية الذكاء الاصطناعي لأتمتة العمليات واكتشاف الاحتيال في الوقت الفعلي وتخصيص توصيات الاستثمار لعملائها.

هكذا وُلدت درجة الماجستير هذه، والتي ستوفر فهماً متيناً لكيفية تطبيق تقنيات الذكاء الاصطناعي المتقدمة للتحليل التقني للأسواق. بالتالي، سيتمكن المحترفون من استخدام الأدوات الحديثة لتصور المؤشرات التقنية وأتمتتها، بالإضافة إلى تنفيذ نماذج متطورة، مثل الشبكات العصبية التلافيفية للتعرف على الأنماط المالية.
بالإضافة إلى ذلك، سيصبح الخبراء على دراية بتقنيات التعلم الآليMachine Learning والتعلم العميقDeep Learning، وكذلك معالجة اللغة الطبيعية (NLP) لتحليل البيانات المالية وغيرها من الوثائق ذات الصلة. كما سيتم تناول منهجيات تقييم المخاطر والائتمان، وتحليل الاستدامة البيئية والاجتماعية والحوكمة والكشف عن الاحتيال المالي.

وأخيراً، سيتم تغطية معالجة كميات كبيرة من البيانات المالية، والتعامل مع البيانات الضخمةBig Data وتحليلها باستخدام أدوات متقدمة مثل Hadoop و Spark. بالإضافة إلى ذلك، سيتم استكشاف تكامل البيانات وتنقيتها وتصورها، بالإضافة إلى الأمن والخصوصية في التعامل مع المعلومات المالية. كما ستتم مناقشة استراتيجيات التداولtrading الخوارزمي، بما في ذلك تصميم الأنظمة الآلية وتحسينها وإدارة المخاطر.

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 Relearningالثورية التي تعتمد على تكرار المفاهيم الأساسية لتحسين فهم المحتوى.

سوف تكون قادرًا على التعامل مع كميات كبيرة من البيانات المالية وتحليلها، وتصميم استراتيجيات تداول خوارزمية فعالة، والتعامل مع القضايا الأخلاقية والتنظيمية المعقدة"

تحتوي ماجيستير خاص في الذكاء الاصطناعي في البورصة والأسواق المالية على البرنامج التعليمي الأكثر اكتمالا و حداثة في السوق. أبرز خصائصها هي:

تطوير دراسات حالة يقدمها خبراء في الذكاء الاصطناعي تركز على البورصة والأسواق المالية
محتوياته 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

سوف تتعمق في طرق متقدمة مثل التعلم المعزز للتداول الخوارزمي ونمذجة السلاسل الزمنية باستخدام LSTM، وذلك بفضل مكتبة واسعة من موارد الوسائط المتعددة المبتكرة"

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.

ستتمتع بالقدرة على إجراء تحليل دقيق وفعال في بيئة تتسم بالتعقيد والديناميكية المتزايدة في الأسواق المالية، من خلال أفضل المواد التعليمية، في طليعة التكنولوجيا والتعليم"

ستتعامل مع الأخلاقيات والتنظيم في استخدام الذكاء الاصطناعي في المجال المالي، مما يؤهلك لمواجهة التحديات الأخلاقية والتنظيمية، بالإضافة إلى تطوير التقنيات بشكل مسؤول في القطاع المالي"

ستقدم هذه الدرجة الأكاديمية محتوى شاملاً مصممًا لمعالجة تعقيدات البيئة المالية الحديثة من خلال الاستخدام المتقدم لتقنيات الذكاء الاصطناعي.  سوف يستكشف الخبراء التحليل التقني والأساسي للأسواق المالية، وتطبيق أدوات التعلُّم الآلي Machine Learning والتعلُّم المتعمقDeep Learning لتحسين قرارات الاستثمار واستراتيجيات التداول.  كما ستتم تغطية تقنيات معالجة وتصور كميات كبيرة من البيانات، بالإضافة إلى تطوير وتنفيذ أنظمة خوارزمية عالية التردد. 

ستركز على القضايا الهامة مثل الأخلاقيات والتنظيم في استخدام الذكاء الاصطناعي في مجال التمويل، مما يؤهلك لإدارة التحديات الأخلاقية والتنظيمية، مع أفضل جامعة رقمية في العالم، وفقاً لمجلة Forbes: TECH" 

الوحدة 1. أسس الذكاء الاصطناعي

1.1    تاريخ الذكاء الاصطناعي

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

2.1    الذكاء الاصطناعي في الألعاب

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

3.1    شبكات الخلايا العصبية

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

4.1    الخوارزميات الوراثية

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

5.1    المكنز، مفردات، تصنيفات

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

6.1    الويب الدلالي

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

7.1    نظم الخبراء وإدارة شؤون السلامة والأمن

1.7.1    نظم الخبراء
2.7.1    نظم دعم القرار

8.1    Chatbots والمساعدون الافتراضيون

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

9.1    استراتيجية تنفيذ الذكاء الاصطناعي

10.1    مستقبل الذكاء الاصطناعي

1.10.1    نحن نفهم كيفية اكتشاف المشاعر من خلال الخوارزميات
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 برنامج لغة R)

7.2. تحليل البيانات وتفسيرها وتقييم النتائج

1.7.2 المقاييس الإحصائية
2.7.2 مؤشرات العلاقة
3.7.2 استخراج البيانات

8.2. مستودع البيانات (Datawarehouse)

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

9.2 توافر البيانات

1.9.2 الدخول
2.9.2 الوصول
3.9.2 الأمان

10.2 الجوانب المعيارية

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

الوحدة 3. البيانات في الذكاء الاصطناعي

1.3.    علم البيانات

1.1.3    علم البيانات
2.1.3    أدوات متقدمة لعالم البيانات

2.3.    البيانات والمعلومات والمعرفة

1.2.3    البيانات والمعلومات والمعرفة
2.2.3.    أنواع البيانات
3.2.3    مصادر البيانات

3.3.    من البيانات إلى المعلومات

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

4.3.    استخراج المعلومات من خلال التصور

1.4.3    التصور كأداة تحليل
2.4.3    طرق العرض
3.4.3    عرض مجموعة البيانات

5.3.    جودة البيانات

1.5.3    بيانات الجودة
2.5.3    تطهير البيانات
3.5.3    معالجة البيانات الأساسية

6.3.    Dataset

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

7.3.    اختلال التوازن

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

8.3.    نماذج غير خاضعة للرقابة

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

9.3.    النماذج الخاضعة للإشراف

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

10.3    الأدوات والممارسات الجيدة

1.10.3    أفضل الممارسات لعالم البيانات
2.10.3    أفضل نموذج
3.10.3    أدوات مفيدة

الوحدة 4. استخراج البيانات. الاختيار والمعالجة المسبقة والتحول

1.4    الاستدلال الإحصائي

1.1.4    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

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)
3.3.5    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
4.4.5    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 Schema 
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 Prolog: 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    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

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

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

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 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

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

3.11    طبقات التجميع وتنفيذ طبقات التجميع مع Keras

1.3.11    Poolingو Striding
2.3.11    Flattening
3.3.11    أنواع Pooling

4.11    بناء CNN

1.4.11    بناء VGG
2.4.11    بناء AlexNet
3.4.11    بناء ResNet

5.11    تنفيذ CNN ResNet- باستخدام Keras

1.5.11    استهلال الأوزان
2.5.11    تعريف طبقة المدخلات
3.5.11    تعريف الناتج

6.11    استخدام نماذج Keras المدربة مسبقا

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

7.11    نماذج ما قبل التدريب للتعلم في مجال النقل

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

8.11    تصنيف الرؤية العميقة للحاسوب وتوطينها Deep Computer Vision

1.8.11    تصنيف الصورة
2.8.11    موقع الأشياء في الصور
3.8.11    كشف الأشياء

9.11    كشف الأشياء وتتبعها

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

10.11    التجزئة الدلالية

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

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

1.12    توليد النص باستخدام RNN

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

2.12    إنشاء مجموعة بيانات التدريب

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

3.12    تصنيف المراجعات مع RNN

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

4.12    شبكة فك تشفير للترجمة الآلية العصبية

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

5.12    آليات الرعاية

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

6.12    نماذج Transformers

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

7.12    محولات للرؤية Transformers

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

8.12    مكتبة Transformers Hugging Face

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

9.12    مكتبات أخرى من Transformers. مقارنة

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

10.12    تطوير تطبيق NLP مع RNN والرعاية. التطبيق العملي

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

الوحدة 13. أجهزة التشفير 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

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. التحليل التقني للأسواق المالية باستخدام الذكاء الاصطناعي

1.16    تحليل المؤشرات التقنية وتصورها باستخدام Plotly و Dash

1.1.16    تنفيذ الرسومات التفاعلية باستخدام Plotly
2.1.16    التصور المتقدم للسلاسل الزمنية باستخدام Matplotlib
3.1.16    إنشاء لوحات معلوماتdashboards  ديناميكية في الوقت الفعلي باستخدام Dash

2.16    تحسين وأتمتة المؤشرات الفنية باستخدام برنامج Scikit-learn

1.2.16    أتمتة المؤشرات باستخدام برنامج Scikit-learn
2.2.16    تحسين المؤشرات التقنية
3.2.16    إنشاء مؤشرات مخصصة باستخدام Keras

3.16    التعرف على الأنماط المالية باستخدام CNN

1.3.16    استخدام شبكة CNN في TensorFlow لتحديد الأنماط في الرسوم البيانية
2.3.16    تحسين نماذج التعرف باستخدام تقنيات التعلم التحويلي Transfer Learning
3.3.16    التحقق من صحة نماذج التعرف في أسواق الوقت الحقيقي

4.16    استراتيجيات التداولtrading الكمي مع QuantConnect

1.4.16    بناء أنظمة التداول trading الخوارزمية باستخدام QuantConnect
2.4.16    الاختبار الخلفيBacktesting للاستراتيجيات باستخدام QuantConnect
3.4.16    دمج التعلّم الآليMachine Learning في استراتيجيات التداولtrading باستخدام QuantConnect

5.16    التداول الخوارزمي باستخدام التعلّم المعززReinforcement Learning باستخدام TensorFlow

1.5.16    التعلم المعزز للتداول trading
2.5.16    إنشاء وكلاء تداول trading باستخدام التعلم المعزز TensorFlow
3.5.16    محاكاة وتعديل الوكلاء في OpenAI Gym

6.16    نمذجة السلاسل الزمنية باستخدام LSTM على Keras للتنبؤ بالأسعار

1.6.16    تطبيق LSTM للتنبؤ بالأسعار
2.6.16    تنفيذ نماذج LSTM للسلاسل الزمنية المالية في Keras
3.6.16    التحسين وتركيب المتغيرات في نماذج السلاسل الزمنية

7.16    تطبيق الذكاء الاصطناعي القابل للتفسير في مجال الشؤون المالية

1.7.16    تطبيق الذكاء الاصطناعي القابل للتفسير في مجال الشؤون المالية
2.7.16    تطبيق LIME لنماذج التداول trading
3.7.16    استخدام SHAP لتحليل مساهمة الميزات في قرارات الذكاء الاصطناعي

8.16    التداول عالي الترددHigh-Frequency Trading المُحسَّن باستخدام نماذج التعلم الآلي Machine Learning

1.8.16    تطوير نماذج التعلم الآلي للتداول عالي التردد
2.8.16    تنفيذ استراتيجيات HFT باستخدام TensorFlow
3.8.16    محاكاة وتقييم تداول عالي التردد في بيئات خاضعة للرقابة

9.16    تحليل التقلبات باستخدام التعلم الآلي Machine Learning

1.9.16    تطبيق النماذج الذكية للتنبؤ بالتقلبات
2.9.16    تنفيذ نماذج التقلبات باستخدام PyTorch
3.9.16    دمج تحليل التقلبات في إدارة مخاطر المحافظ الاستثمارية

10.16    تحسين المحفظة باستخدام الخوارزميات الجينية

1.10.16    أساسيات الخوارزميات الجينية لتحسين الاستثمار في الأسواق
2.10.16    تنفيذ الخوارزميات الجينية لاختيار المحفظة
3.10.16    تقييم استراتيجيات تحسين المحفظة الاستثمارية

الوحدة 17. التحليل الأساسي للأسواق المالية باستخدام الذكاء الاصطناعي

1.17    نمذجة الأداء المالي التنبؤي باستخدام Scikit-Learn

1.1.17    الانحدار الخطي واللوجستي للتنبؤ المالي باستخدام Scikit-Learn
2.1.17    استخدام الشبكات العصبية مع TensorFlow للتنبؤ بالإيرادات والأرباح
3.1.17    التحقق من صحة النماذج التنبؤية مع التحقق التبادليcross-validation باستخدام Scikit-Learn

2.17    تقييم الشركات مع deep learning (التعلم العميق)

1.2.17    أتمتة نموذج التدفق النقدي المخصوم باستخدام TensorFlow
2.2.17    نماذج التقييم المتقدمة باستخدام PyTorch
3.2.17    تكامل وتحليل نماذج التقييم المتعدد مع Pandas

3.17    تحليل البيانات المالية باستخدام البرمجة اللغوية العصبية عبر ChatGPT

1.3.17    استخراج المعلومات الأساسية من التقارير السنوية باستخدام ChatGPT
2.3.17    تحليل المعنويات بشأن تقارير المحللين والأخبار المالية عبر ChatGPT
3.3.17    تطبيق نماذج البرمجة اللغوية العصبية مع Chat GPT لتفسير النصوص المالية

4.17    تحليل المخاطر والائتمان باستخدام التعلُّم الآلي  Machine Learning

1.4.17    نماذج التسجيل الائتماني باستخدام SVM وأشجار القرار في Scikit-Learn
2.4.17    تحليل مخاطر الائتمان للشركات والسندات باستخدام TensorFlow
3.4.17    تصور بيانات المخاطر باستخدام Tableau

5.17    تحليل الائتمان باستخدام Scikit-Learn

1.5.17    تنفيذ نماذج تسجيل الائتمان  scoring
2.5.17    تحليل مخاطر الائتمان باستخدام RandomForest في Scikit-Learn
3.5.17    التصور المتقدم لنتائج الائتمان باستخدام Tableau

6.17    تقييم الاستدامة البيئية والاجتماعية والحوكمة ESG باستخدام تقنيات البحث عن البيانات Data Mining

1.6.17    طرق استخراج بيانات ESG
2.6.17    نمذجة الأثر البيئي والاجتماعي والحوكمة ESG باستخدام تقنيات الانحدار
3.6.17    تطبيقات تحليل الحوكمة البيئية والاجتماعية والمؤسسية ESG في قرارات الاستثمار

7.17    قياس أداء القطاع باستخدام الذكاء الاصطناعي باستخدام TensorFlow و Power BI

1.7.17    المقارنة المعيارية للشركات التي تستخدم الذكاء الاصطناعي
2.7.17    النمذجة التنبؤية للأداء القطاعي باستخدام TensorFlow
3.7.17    تنفيذ لوحات معلومات الصناعة dashboards  باستخدام Power BI

8.17    إدارة المحافظ الاستثمارية مع تحسين الذكاء الاصطناعي

1.8.17    تحسين المحفظة الاستثمارية
2.8.17    استخدام تقنيات التعلم الآليMachine Learning لتحسين المحفظة مع Scikit-Optimize
3.8.17 تنفيذ الخوارزميات وتقييم فعاليتها في الإدارة تنفيذ الخوارزميات وتقييم فعاليتها في إدارة المحافظ الاستثمارية 

9.17    كشف الاحتيال المالي باستخدام الذكاء الاصطناعي باستخدام TensorFlow وKeras

1.9.17    المفاهيم والتقنيات الأساسية للكشف عن الاحتيال باستخدام الذكاء الاصطناعي
2.9.17    بناء نماذج الكشف باستخدام الشبكات العصبية في TensorFlow
3.9.17    التطبيق العملي لأنظمة الكشف عن الاحتيال في المعاملات المالية

10.17    التحليل والنمذجة في عمليات الاندماج والاستحواذ باستخدام الذكاء الاصطناعي

1.10.17    استخدام نماذج الذكاء الاصطناعي التنبؤية لتقييم عمليات الاندماج والاستحواذ
2.10.17    محاكاة سيناريوهات ما بعد الاندماج باستخدام تقنيات التعلم الآلي  Machine Learning
3.10.17    تقييم الأثر المالي لعمليات الدمج والاستحواذ M&A باستخدام النماذج الذكية

الوحدة 18. معالجة البيانات المالية على نطاق واسع

1.18    البيانات الضخمة Big Data في السياق المالي

1.1.18    السمات الرئيسية للبيانات الضخمة Big Data في مجال التمويل
2.1.18    أهمية 5 Vs العناصر الخمسة (الحجم، والسرعة، والتنوع، والصدق، والقيمة) في البيانات المالية
3.1.18    حالات استخدام البيانات الضخمةBig Data في تحليل المخاطر والامتثال

2.18    تقنيات تخزين البيانات المالية الضخمة وإدارتها

1.2.18    أنظمة قواعد بيانات NoSQL للتخزين المالي
2.2.18    استخدام مستودعات البياناتData Warehouses وبحيرات البيانات Data Lakesفي القطاع المالي
3.2.18    مقارنة بين الحلول المحلية on-premiseوالحلول المستندة إلى السحابة

3.18    أدوات المعالجة الآنية للبيانات المالية

1.3.18    مقدمة لأدوات مثل Apache Kafka و Apache Storm
2.3.18    تطبيقات المعالجة في الوقت الحقيقي للكشف عن الاحتيال
3.3.18    فوائد المعالجة في الوقت الحقيقي في التداولtrading الخوارزمي

4.18    تكامل البيانات وتنقيتها في الشؤون المالية

1.4.18    طرق وأدوات لدمج البيانات من مصادر متعددة
2.4.18    تقنيات تنظيف البيانات لضمان الجودة والدقة
3.4.18    التحديات التي تواجه توحيد البيانات المالية

5.18    تقنيات التنقيب عن البيانات المطبقة على الأسواق المالية

1.5.18    خوارزميات الترتيب والتنبؤ على بيانات السوق
2.5.18    تحليل مشاعر وسائل التواصل الاجتماعي للتنبؤ بتحركات السوق
3.5.18    التنقيب في البيانات لتحديد أنماط التداول trading  وسلوك المستثمرين

6.18    التصور المتقدم للبيانات للتحليل المالي

1.6.18    أدوات وبرامج التصور للبيانات المالية
2.6.18    تصميم لوحات معلومات تفاعلية لمراقبة الأسواق
3.6.18    دور التصور في التواصل بشأن تحليل المخاطر

7.18    استخدام Hadoop والأنظمة البيئية ذات الصلة في مجال التمويل

1.7.18    المكونات الرئيسية لنظام Hadoop البيئي وتطبيقه في المجال المالي
2.7.18    حالات استخدام Hadoop لتحليل المعاملات ذات الحجم الكبير
3.7.18    مزايا وتحديات دمج Hadoop في البنى التحتية المالية الحالية

8.18    تطبيقات Spark في التحليل المالي

1.8.18    Spark لتحليل البيانات في الوقت الحقيقي وتحليل البيانات على دفعات
2.8.18    بناء النماذج التنبؤية باستخدام Spark MLlib
3.8.18    تكامل Spark مع أدوات البيانات الضخمة الأخرى في مجال الشؤون المالية

9.18    أمن البيانات والخصوصية في القطاع المالي

1.9.18    قواعد ولوائح حماية البيانات (النظام الأوروبي العام لحماية البيانات، وقانون حماية البيانات الشخصية)
2.9.18    استراتيجيات التشفير وإدارة الوصول للبيانات الحساسة
3.9.18    تأثير اختراق البيانات على المؤسسات المالية

10.18    تأثير الحوسبة السحابية على التحليل المالي واسع النطاق

1.10.18    مزايا السحابة لقابلية التوسع والكفاءة في التحليل المالي
2.10.18    مقارنة بين مقدمي الخدمات السحابية وخدماتهم الخاصة بالتمويل
3.10.18    دراسات حالة حول الانتقال إلى السحابة في المؤسسات المالية الكبيرة

الوحدة 19. استراتيجيات التداولTrading الخوارزمي

1.19    أساسيات التداولtrading الخوارزمي

1.1.19    استراتيجيات التداولTrading الخوارزمي
2.1.19    التقنيات والمنصات الأساسية لتطوير خوارزميات التداول trading
3.1.19    مزايا وتحديات التداولtrading الآلي مقابل التداول اليدوي

2.19    تصميم أنظمة التداول الآلي

1.2.19    هيكل ومكونات نظام التداول الآلي ومكوناته
2.2.19    برمجة الخوارزميات: من الفكرة إلى التنفيذ
3.2.19    اعتبارات زمن الاستجابة واعتبارات الأجهزة في أنظمة التداول

3.19    الاختبار العكسي وتقييم استراتيجيات التداول trading

1.3.19    منهجيات الاختبار العكسي backtesting الفعال للاستراتيجيات الخوارزمية
2.3.19    أهمية البيانات التاريخية عالية الجودة في الاختبار الخلفي backtesting
3.3.19    مؤشرات الأداء الرئيسية لتقييم استراتيجيات التداول trading

4.19    تحسين الاستراتيجيات باستخدام التعلُّم الآلي Machine Learning

1.4.19    تطبيق تقنيات التعلم تحت الإشراف في تحسين الاستراتيجيات.
2.4.19    استخدام خوارزميات تحسين سرب الجسيمات والخوارزميات الجينية
3.4.19    تحديات الإفراط في تحسين استراتيجيات التداول trading

5.19    التداولTrading عالي التردد (HFT)

1.5.19    المبادئ والتقنيات الكامنة وراء التداول عالي التردد (HFT)
2.5.19    تأثير التداول عالي التردد (HFT) على سيولة السوق وتقلباتها
3.5.19    استراتيجيات التداول عالي التردد (HFT) الشائع وفعاليتها

6.19    خوارزميات تنفيذ الأوامر

1.6.19    أنواع خوارزميات التنفيذ وتطبيقها العملي
2.6.19    خوارزميات لتقليل التأثير على السوق
3.6.19    استخدام المحاكاة لتحسين تنفيذ الأوامر

7.19    استراتيجيات التحكيم في الأسواق المالية

1.7.19    التحكيم الإحصائي وتسعير الاندماج في الأسواق
2.7.19    التحكيم في المؤشرات وصناديق المؤشرات المتداولة ETFs
3.7.19    التحديات التقنية والقانونية للتحكيم في التداولtrading الحديث

8.19    إدارة المخاطر في التداول الخوارزمي

1.8.19    مقاييس المخاطر للتداولtrading الخوارزمي
2.8.19    دمج حدود المخاطر ووقف الخسارة في الخوارزميات
3.8.19    المخاطر المحددة للتداول trading الخوارزمي وكيفية التخفيف من حدتها

9.19    القضايا التنظيمية وقضايا الامتثال في التداول trading الخوارزمي

1.9.19    اللوائح التنظيمية العالمية التي تؤثر على التداولtrading الخوارزمي
2.9.19    الامتثال التنظيمي وإعداد التقارير في بيئة مؤتمتة
3.9.19    الآثار الأخلاقية المترتبة على التداولtrading الآلي

10.19    مستقبل التداول الخوارزمي والاتجاهات الناشئة

1.10.19    تأثير الذكاء الاصطناعي على التطور المستقبلي للتداول الخوارزمي
2.10.19    تقنيات البلوكتشين الجديدة وتطبيقها في التداول trading الخوارزمي
3.10.19    الاتجاهات في قابلية تكييف خوارزميات التداول trading وتخصيصها

الوحدة 20. الجوانب الأخلاقية والتنظيمية للذكاء الاصطناعي في مجال الشؤون المالية

1.20    الأخلاقيات في الذكاء الاصطناعي المطبقة على الشؤون المالية

1.1.20    المبادئ الأخلاقية في استخدام الذكاء الاصطناعي في الشؤون المالية
2.1.20    دراسات حالة عن المعضلات الأخلاقية في تطبيقات الذكاء الاصطناعي المالي
3.1.20    وضع مدونات قواعد السلوك الأخلاقي للعاملين في مجال التكنولوجيا المالية

2.20    اللوائح العالمية التي تؤثر على استخدام الذكاء الاصطناعي في الأسواق المالية

1.2.20    نظرة عامة على اللوائح المالية الدولية الرئيسية بشأن الذكاء الاصطناعي
2.2.20    مقارنة السياسات التنظيمية للذكاء الاصطناعي عبر الولايات القضائية
3.2.20    آثار تنظيم الذكاء الاصطناعي على الابتكار المالي

3.20    شفافية وتفسير نماذج الذكاء الاصطناعي في مجال الشؤون المالية

1.3.20    أهمية الشفافية في خوارزميات الذكاء الاصطناعي بالنسبة لثقة المستخدم
2.3.20    تقنيات وأدوات تحسين إمكانية تفسير نماذج الذكاء الاصطناعي
3.3.20    تحديات تنفيذ النماذج القابلة للتفسير في البيئات المالية المعقدة

4.20    إدارة المخاطر والامتثال الأخلاقي في استخدام الذكاء الاصطناعي

1.4.20    استراتيجيات تخفيف المخاطر المرتبطة بنشر الذكاء الاصطناعي في مجال الشؤون المالية
2.4.20    الامتثال الأخلاقي في تطوير واستخدام تقنيات الذكاء الاصطناع
3.4.20    الرقابة الأخلاقية والتدقيق الأخلاقي لأنظمة الذكاء الاصطناعي في العمليات المالية

5.20    التأثير الاجتماعي والاقتصادي للذكاء الاصطناعي على الأسواق المالية

1.5.20    آثار الذكاء الاصطناعي على استقرار الأسواق المالية وكفاءتها
2.5.20    الذكاء الاصطناعي وتأثيره على التوظيف والمهارات المهنية في مجال التمويل
3.5.20    المزايا والمخاطر الاجتماعية للأتمتة المالية واسعة النطاق

6.20    خصوصية البيانات وحمايتها في تطبيقات الذكاء الاصطناعي المالي

1.6.20    لوائح خصوصية البيانات المطبقة على تقنيات الذكاء الاصطناعي في مجال الشؤون المالية
2.6.20    تقنيات حماية البيانات الشخصية في الأنظمة المالية القائمة على الذكاء الاصطناعي
3.6.20    التحديات في إدارة البيانات الحساسة في النماذج التنبؤية والتحليلية

7.20    التحيز الخوارزمي والإنصاف في النماذج المالية للذكاء الاصطناعي

1.7.20    تحديد التحيزات في خوارزميات الذكاء الاصطناعي المالي والتخفيف من حدتها
2.7.20    استراتيجيات ضمان المساواة في نماذج اتخاذ القرار التلقائي
3.7.20    تأثير التحيز الخوارزمي على الشمول المالي والإنصاف

8.20    تحديات الرقابة التنظيمية في مجال الذكاء الاصطناعي المالي

1.8.20    صعوبات في المراقبة والتحكم في تقنيات الذكاء الاصطناعي المتقدمة
2.8.20    دور السلطات المالية في الإشراف المستمر على الذكاء الاصطناعي
3.8.20    الحاجة إلى التكيف التنظيمي في مواجهة تقدم تكنولوجيا الذكاء الاصطناعي

9.20    استراتيجيات التطوير المسؤول لتقنيات الذكاء الاصطناعي في مجال التمويل

1.9.20    أفضل الممارسات من أجل التنمية المستدامة والمسؤولة للذكاء الاصطناعي في القطاع المالي
2.9.20    مبادرات وأطر frameworks للتقييم الأخلاقي لمشاريع الذكاء الاصطناعي في مجال التمويل
3.9.20    التعاون بين الجهات التنظيمية وقطاع الأعمال لتعزيز الممارسات المسؤولة

10.20    مستقبل تنظيم الذكاء الاصطناعي في القطاع المالي

1.10.20    الاتجاهات الناشئة والتحديات المستقبلية في تنظيم الذكاء الاصطناعي في مجال الشؤون المالية
2.10.20    إعداد الأطر القانونية للابتكارات الثورية في التكنولوجيا المالية
3.10.20    الحوار والتعاون الدولي من أجل تنظيم فعال وموحد للذكاء الاصطناعي في مجال التمويل

سوف تتلقى تدريباً قوياً وحديثاً يجمع بين النظرية المتقدمة والتطبيقات العملية للريادة في مجال الذكاء الاصطناعي والتمويل"