مع درجة الماجستير الخاص هذه التي تمنح عبر الإنترنت 100%، ستفهم التقنيات الأكثر تقدمًا في مجال الذكاء الاصطناعي، وستتقن الأدوات والتقنيات المتطورة لتحسين الكفاءة والدقة في الترجمة التحريرية والشفوية" 

يُحدث الذكاء الاصطناعي تحولاً سريعاً في مجال الترجمة التحريرية والترجمة الفورية، مع إحراز تقدم كبير في دقة وكفاءة هذه العمليات. تستخدم أدوات مثل Google Translate و DeepL شبكات عصبية متقدمة لتوفير ترجمات فورية والتقاط الفروق اللغوية المعقدة. وفي الوقت نفسه، تعمل التقنيات الناشئة على تيسير التواصل الفوري بين المتحدثين بلغات مختلفة من خلال تطبيقات الترجمة الفورية في الوقت الفعلي. 
هكذا يولد هذا الماجيستير الخاص، الذي سيتعمق في أساسيات النماذج اللغوية، مستكشفًا من المناهج التقليدية إلى الأكثر تقدمًا في الذكاء الاصطناعي. في هذا السياق، سيتم تناول التعرف على الصوت وتحليل المشاعر، مما يزود المحترفين بالأدوات اللازمة لتنفيذ هذه التكنولوجيا في سياقات عملية ومواجهة التحديات الناشئة في هذا المجال. 

كما سيتم استكشاف الترجمة الآلية العصبية (NMT) ومعالجة اللغة الطبيعية، باستخدام أدوات ومنصات متخصصة تتيح الترجمة الفورية. كما سيتضمن أيضًا تقييمًا نقديًا لجودة الترجمات الفورية والتفكير في الجوانب الأخلاقية والاجتماعية المرتبطة بتنفيذها. 

أخيرًا، سيتم تناول تطوير وتحسين منصات التعرف على الصوت، بالإضافة إلى إنشاءchatbots باستخدام الذكاء الاصطناعي، وتطبيق تقنيات معالجة اللغة الطبيعية لتحسين التفاعل متعدد اللغات وتجربة المستخدم. بالإضافة إلى ذلك، سوف يتعمق في التحديات الأخلاقية والاجتماعية التي تظهر في هذه المجالات، مما يضمن تعامل الخبراء مع أنفسهم بفعالية وأخلاقية. 

وبهذه الطريقة، أنشأت TECH برنامجاً جامعياً شاملاً ومتكاملاً عبر الإنترنت، مما يسمح للخريجين بالوصول إلى المواد التعليمية عبر جهاز إلكتروني متصل بالإنترنت. وهذا يلغي الحاجة إلى الانتقال إلى مركز فعلي والالتزام بجدول زمني ثابت. بالإضافة إلى ذلك، تتضمن المنهجية الثورية المعروفة باسم Relearning، التي تعتمد على تكرار المفاهيم الأساسية لتحقيق فهم أفضل للمحتويات.. 

ستقوم بتنفيذ حلول مبتكرة، مثل الترجمة التلقائية في الوقت الحقيقي وأنظمة التعرف على الصوت، مما يمنحك ميزة تنافسية في سوق العمل المتغير باستمرار" 

يحتوي هذا  الماجستير الخاص في الذكاء الاصطناعي في الترجمة التحريرية والفورية على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصها هي: 

تطوير حالات عملية يقدمها خبراء في الذكاء الاصطناعي مع التركيز على الترجمة التحريرية والفورية 
يوفر المحتوى البياني والتخطيطي والعملي البارز للكتاب معلومات عملية عن تلك التخصصات الضرورية 
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 تنغمس في استكشاف شامل للنماذج اللغوية، بدءًا من المناهج التقليدية إلى المناهج الحديثة، 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. 

سوف تغطي مبادئ الترجمة الآلية العصبية (NMT) ومعالجة اللغات الطبيعية، بما في ذلك استخدام الأدوات والمنصات المتخصصة. ماذا تنتظر للتسجيل؟"

سوف تدرس تكامل نماذج الترجمة الآلية والموارد اللغوية، بالإضافة إلى تجربة المستخدم في واجهة هذه الأدوات. مع جميع ضمانات الجودة من TECH!"

يمتاز هذا الماجستير الخاص بنهجه الشامل، الذي سيشمل كل من الأسس اللغوية التقليدية وتطبيق التقنيات المتقدمة في الذكاء الاصطناعي. وبالتالي، سيكتسب المحترفون المهارات اللازمة لمواجهة التحديات المعاصرة في الترجمة التحريرية والفورية، من خلال تعلم كيفية استخدام الأدوات والمنصات المعتمدة على الذكاء الاصطناعي التي تعمل على تحسين هذه العمليات. بالإضافة إلى ذلك، سيتم تضمين إتقان التقنيات الناشئة، مثل التفسير التلقائي وتطوير روبوتات الدردشة chatbots متعددة اللغات، مما يضع الخريجين في طليعة التكنولوجيا ويعدهم للقيادة في بيئة رقمية وعالمية. 

سيقدم لك هذا البرنامج تدريباً فريداً من نوعه، يجمع بين المعرفة الكلاسيكية في اللغويات وأحدث الابتكارات في مجال الذكاء الاصطناعي، مدعوماً بمنهجية إعادة التعلم الثورية″

الوحدة 1 أسس الذكاء الاصطناعي

1.1 تاريخ الذكاء الاصطناعي

1.1.1 متى يبدأ 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 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 عرض المعارف الويب الدلالي

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: مساعدي 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 إنشاء علامة تجارية شخصية: اللغة والتعابير 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 

2.6. 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 
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 
2.9.2 الأمان 

10.2. الجوانب التنظيمية

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 
3.2.2. أنواع البيانات
3.2.3 مصادر البيانات

3.3. من البيانات إلى المعلومات 

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

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 التمهيدية والتحول

1.4 الاستدلال الإحصائي

1.1.4 الإحصاء الوصفي مقابل. الاستدلال الإحصائي
2.1.4 إجراءات حدودية
3.1.4 الإجراءات اللامعلمية

2.4 التحليل الاستكشافي

1.2.4 التحليل الوصفي 
2.2.4 العرض
3.2.4 إعداد البيانات

4.3. إعداد البيانات

1.3.4 تكامل البيانات وتنقيتها 
2.3.4 تطبيع البيانات
3.3.4 سمات التحويل 

4.4. القيم المفقودة

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

4.5. الضجيج في البيانات 

1.5.4 فئات وسمات الضجيج
2.5.4 ترشيح الضجيج 
3.5.4 تأثير الضجيج

6.4 لعنة الأبعاد

1.6.4 الإفراط في أخذ العينات
2.6.4 Undersampling
3.6.4 تقليل البيانات متعددة الأبعاد

7.4 من الصفات المستمرة إلى المنفصلة

1.7.4 البيانات المستمرة مقابل البيانات المنفصلة
2.7.4 عملية التكتم

4.8. البيانات 

1.8.4 اختيار البيانات 
2.8.4 وجهات النظر ومعايير الاختيار
3.8.4 مناهج الاختيار 

9.4 اختيار المثيل

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

4.10. المعالجة التمهيدية 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 فرز سريع (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

6.2. بناء الوكلاء

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

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 المعاجم الاصطلاحية
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 تمهيد 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 وهندسة النظم الخبيرة
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

7.8. نماذج الانحدار والاستجابة المستمرة

1.8.7 الانحدار الخطي البسيط
2.8.7 الانحدار الخطي المتعدد
3.8.7 الانحدار السوقي
4.8.7 أشجار الانحدار
5.8.7 مقدمة إلى آلات دعم ناقلات (SVM)
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 التنقيب عن النصوص ومعالجة 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

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 استخدام مصفوفات arrays NumPy مع 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 التمهيدية باستخدام TensorFlow

1.5.10 تحميل مجموعات البيانات باستخدام TensorFlow
2.5.10 بيانات المعالجة التمهيدية 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 التمهيدية Keras

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

9.10 مشروع TensorFlow Datasets

1.9.10 استخدام TensorFlow Datasets لتحميل البيانات
2.9.10 المعالجة التمهيدية للبيانات باستخدام TensorFlow Datasets
3.9.10 استخدام Datasets  TensorFlow لتدريب النماذج

10.10 بناء تطبيق التعلم العميق باستخدام Deep Learning مع TensorFlow

1.10.10 تطبيقات عملية
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 الرؤية الحاسوبية العميقة باستخدام الشبكات العصبية التلافيفية

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
1.10.11 كشف الحواف
1.10.11 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 الترميز-فك الترميز (Encoder-Decoder) للترجمة التلقائية
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 التمهيدية 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 الـ Autoencoders وGANs 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 تطبيقات عملية
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/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

2.15 آثار الذكاء الاصطناعي في الخدمة الصحية 

1.2.15 الآثار المترتبة على الذكاء الاصطناعي في القطاع الصحي. الفرص والتحديات 
2.2.15 حالات الاستخدام

3.15 المخاطر المتعلقة باستخدام الذكاء الاصطناعي في الخدمة الصحية

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

4.15 البيع بالتجزئة Retail 

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

7.15 الإدارة العامة 

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

8.15 التعليم 

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

9.15 الغابات والزراعة 

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

10.15 الموارد البشرية 

1.10.15 الآثار المترتبة على 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/الاستخدامات المستقبلية المحتملة للذكاء الاصطناعي

الوحدة 16 النمذجة اللغوية وتطبيق الذكاء الاصطناعي 

1.16 النماذج الكلاسيكية للغويات وصلتها بالذكاء الاصطناعي 

1.1.16 القواعد النحوية التوليدية والتحويلية 
2.1.16 النظرية اللغوية البنيوية 
3.1.16 نظرية القواعد النحوية الرسمية 
4.1.16 تطبيقات النماذج الكلاسيكية في الذكاء الاصطناعي 

2.16 النماذج الاحتمالية في اللغويات وتطبيقها في الذكاء الاصطناعي 

1.2.16 نماذج Markov المخفية (HMM) 
2.2.16 النماذج اللغوية الإحصائية 
3.2.16 خوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف 
4.2.16 تطبيقات في التعرف على الكلام ومعالجة الكلمات 

3.16 النماذج القائمة على القواعد وتطبيقها في الذكاء الاصطناعي. GPT 

1.3.16 القواعد النحوية الرسمية وأنظمة القواعد 
2.3.16 تمثيل المعرفة والمنطق الحسابي 
3.3.16 الأنظمة الخبيرة والمحركات الاستدلالية 
4.3.16 تطبيقات في أنظمة الحوار والمساعدين الافتراضيين 

4.16 نماذج التعلم العميق في اللغويات واستخدامها في الذكاء الاصطناعي 

1.4.16 الشبكات العصبية التلافيفية لمعالجة النصوص 
2.4.16 الشبكات العصبية المتكررة و LSTM لنمذجة التسلسل 
3.4.16 نماذج الرعاية والمحولات. PERTIUM 
4.4.16 تطبيقات في الترجمة الآلية، وتوليد النصوص وتحليل المشاعر 

5.16 التمثيلات اللغوية الموزعة وتأثيرها على الذكاء الاصطناعي 

1.5.16 Word embeddingsونماذج الفضاء المتجه 
2.5.16 التمثيلات الموزعة للجمل والوثائق 
3.5.16 نماذج كيس الكلمات ونماذج اللغة المستمرة 
4.5.16 تطبيقات في استرجاع المعلومات،clustering الوثائق، وتوصية المحتوى 

6.16 نماذج الترجمة الآلية وتطورها في الذكاء الاصطناعي. Lilt 

1.6.16 نماذج الترجمة الإحصائية والقائمة على القواعد 
2.6.16 التقدم في الترجمة الآلية العصبية 
3.6.16 النُهج الهجينة والنماذج متعددة اللغات 
4.6.16 تطبيقات في خدمات الترجمة وتوطين المحتوى عبر الإنترنت 

7.16 نماذج تحليل المشاعر وفائدتها في الذكاء الاصطناعي 

1.7.16 طرق تصنيف المشاعر 
2.7.16 كشف المشاعر في النص 
3.7.16 تحليل آراء وتعليقات المستخدمين 
4.7.16 تطبيقات وسائل التواصل الاجتماعي وتحليل ردود الفعل على المنتجات وخدمة العملاء 

8.16 نماذج توليد اللغة وتطبيقها في الذكاء الاصطناعي. TransPerfect Globallink 

1.8.16 نماذج توليد النصوص الذاتية الانحدار 
2.8.16 إنشاء النصوص المشروطة والمضبوطة 
3.8.16 نماذج توليد اللغة الطبيعية القائمة على GPT 
4.8.16 تطبيقات في الكتابة التلقائية وتلخيص النصوص والمحادثة الذكية 

9.16 نماذج التعرف على الكلام ودمجها في الذكاء الاصطناعي 

1.9.16 طرق استخراج الميزة الصوتية 
2.9.16 نماذج التعرف على الكلام القائمة على الشبكة العصبية 
3.9.16 تحسينات في دقة وموثوقية التعرف على الصوت 
4.9.16 تطبيقات في المساعدين الافتراضيين وأنظمة النسخ والتحكم الصوتي في الأجهزة 

10.16 تحديات النماذج اللغوية ومستقبلها في الذكاء الاصطناعي 

1.10.16 التحديات في فهم اللغة الطبيعية 
2.10.16 القيود والتحيزات في النماذج اللغوية الحالية 
3.10.16 البحوث والاتجاهات المستقبلية في النمذجة اللغوية للذكاء الاصطناعي 
4.10.16 التأثير على التطبيقات المستقبلية مثل الذكاء الاصطناعي العام (AGI) وفهم اللغة البشرية. SmartCAt 

الوحدة 17 الذكاء الاصطناعي والترجمة الفورية 

1.17 مقدمة في الترجمة الفورية باستخدام الذكاء الاصطناعي 

1.1.17 التعريف والمفاهيم الأساسية 
2.1.17 الأهمية والتطبيقات في سياقات مختلفة 
3.1.17 التحديات والفرص 
4.1.17 أدوات مثل Fluently أو Voice Tra 

2.17 أساسيات الذكاء الاصطناعي في الترجمة 

1.2.17 مقدمة موجزة عن الذكاء الاصطناعي 
2.2.17 تطبيقات محددة في الترجمة 
3.2.17 النماذج والخوارزميات ذات الصلة 

3.17 أدوات الترجمة الفورية القائمة على الذكاء الاصطناعي 

1.3.17 وصف الأدوات الرئيسية المتاحة 
2.3.17 مقارنة بين الوظائف والميزات 
3.3.17 حالات الاستخدام والأمثلة العملية 

4.17 نماذج الترجمة الآلية العصبية (NMT). سحابة لغة SDL 

1.4.17 مبادئ وعمل نماذج الترجمة الآلية العصبية NMT 
2.4.17 المزايا مقارنة بالمناهج التقليدية 
3.4.17 تطوير وتطور نماذج الترجمة الآلية العصبية NMT 

5.17 معالجة اللغات الطبيعية (NLP) في الترجمة الفورية. SayHi TRanslate 

1.5.17 أساسيات البرمجة اللغوية العصبية NLP ذات الصلة بالترجمة 
2.5.17 تقنيات ما قبل المعالجة وما بعد المعالجة 
3.5.17 تحسين تماسك النص المترجم وترابطه 

6.17 نماذج الترجمة متعددة اللغات ومتعددة الوسائط 

1.6.17 نماذج الترجمة التي تدعم لغات متعددة 
2.6.17 دمج أنماط مثل النصوص والصوت والصور 
3.6.17 التحديات والاعتبارات في الترجمة المتعددة اللغات والوسائط المتعددة 

7.17 تقييم الجودة في الترجمة الفورية باستخدام الذكاء الاصطناعي 

1.7.17 مقاييس تقييم جودة الترجمة التحريرية 
2.7.17 مقاييس تقييم جودة الترجمة 
3.7.17 استراتيجيات تحسين جودة الترجمة 

8.17 دمج أدوات الترجمة في الوقت الحقيقي في البيئات الاحترافية 

1.8.17 استخدام أدوات الترجمة في العمل اليومي 
2.8.17 التكامل مع أنظمة إدارة المحتوى والتوطين 
3.8.17 تكييف الأدوات مع احتياجات مستخدمين محددين 

9.17 التحديات الأخلاقية والاجتماعية في ترجمة الذكاء الاصطناعي في الوقت الحقيقي 

1.9.17 التحيزات والتمييز في الترجمة الآلية 
2.9.17 خصوصية بيانات المستخدم وأمانها 
3.9.17 التأثير على التنوع اللغوي والثقافي 

10.17 مستقبل الترجمة الفورية القائمة على الذكاء الاصطناعي. Applingua 

1.10.17 الاتجاهات الناشئة والتطورات التكنولوجية 
2.10.17 الآفاق المستقبلية والتطبيقات المبتكرة الممكنة 
3.10.17 الآثار المترتبة على التواصل العالمي وإمكانية الوصول اللغوي 

الوحدة 18 أدوات ومنصات الترجمة بمساعدة الذكاء الاصطناعي 

1.18 مقدمة في أدوات ومنصات الترجمة بمساعدة الذكاء الاصطناعي 

1.1.18 التعريف والمفاهيم الأساسية 
2.1.18 موجز التاريخ والتطور 
3.1.18 الأهمية والفوائد في الترجمة الاحترافية 

2.18 أدوات الترجمة الرئيسية بمساعدة الذكاء الاصطناعي 

1.2.18 وصف ووظائف الأدوات الرائدة في السوق 
2.2.18 مقارنة الميزات والأسعار 
3.2.18 حالات الاستخدام والأمثلة العملية 

3.18 منصات الترجمة بمساعدة الذكاء الاصطناعي في المجال المهني. Wordfast 

1.3.18 وصف منصات الترجمة الشائعة بمساعدة الذكاء الاصطناعي 
2.3.18 وظائف محددة لفرق الترجمة والوكالات 
3.3.18 التكامل مع أنظمة وأدوات إدارة المشاريع الأخرى 

4.18 نماذج الترجمة الآلية المطبقة في أدوات TAIA 

1.4.18 نماذج الترجمة الإحصائية 
2.4.18 نماذج الترجمة العصبية 
3.4.18 التقدم في الترجمة الآلية العصبية (NMT) وتأثيرها على أدوات TAIA 

5.18 إدماج الموارد اللغوية وقواعد البيانات في أدوات تقييم الأثر التقني TAIA 

1.5.18 استخدام المجموعات وقواعد البيانات اللغوية لتحسين دقة الترجمة 
2.5.18 تكامل القواميس والمسارد المتخصصة 
3.5.18 أهمية السياق والمصطلحات المحددة في الترجمة بمساعدة الذكاء الاصطناعي 

6.18 واجهة المستخدم وتجربة المستخدم في أدوات TAIA 

1.6.18 تصميم واجهات المستخدم وقابليتها للاستخدام 
2.6.18 التخصيص وإعدادات التفضيلات 
3.6.18 إمكانية الوصول والدعم متعدد اللغات على منصات TAIA 

7.18 تقييم الجودة في الترجمة بمساعدة الذكاء الاصطناعي 

1.7.18 مقاييس تقييم جودة الترجمة التحريرية 
2.7.18 التقييم الآلي مقابل التقييم البشري 
3.7.18 استراتيجيات تحسين جودة الترجمة بمساعدة الذكاء الاصطناعي 

8.18 دمج أدوات المساعدة التقنية المتكاملة للمترجمين التحريريين في سير عمل المترجم 

1.8.18 دمج أدوات تقييم الأثر التقني في عملية الترجمة التحريرية 
2.8.18 تحسين سير العمل وزيادة الإنتاجية 
3.8.18 التعاون والعمل الجماعي في بيئات الترجمة بمساعدة الذكاء الاصطناعي 

9.18 التحديات الأخلاقية والاجتماعية في استخدام أدوات TAIA 

1.9.18 التحيزات والتمييز في الترجمة الآلية 
2.9.18 خصوصية بيانات المستخدم وأمانها 
3.9.18 الأثر على مهنة الترجمة والتنوع اللغوي والثقافي 

10.18 مستقبل أدوات ومنصات الترجمة بمساعدة الذكاء الاصطناعي.Wordbee 

1.10.18 الاتجاهات الناشئة والتطورات التكنولوجية 
2.10.18 الآفاق المستقبلية والتطبيقات المبتكرة الممكنة 
3.10.18 الآثار المترتبة على التدريب والتطوير المهني في مجال الترجمة 

الوحدة 19 دمج تقنيات التعرف على الصوت في الترجمة الفورية 

1.19 مقدمة في دمج تقنيات التعرف على الكلام في الترجمة الفورية الآلية 

1.1.19 التعريف والمفاهيم الأساسية 
2.1.19 موجز التاريخ والتطور Kaldi 
3.1.19 الأهمية والفوائد في مجال التفسير 

2.19 مبادئ التعرف على الكلام للترجمة الفورية التلقائية 

1.2.19 طريقة عمل التعرف على الصوت 
2.2.19 التقنيات والخوارزميات المستخدمة 
3.2.19 أنواع أنظمة التعرف على الكلام 

3.19 تطوير تقنيات التعرف على الكلام وتحسينها 

1.3.19 التطورات التكنولوجية الحديثة. Speech Recognition 
2.3.19 تحسينات في الدقة والسرعة 
3.3.19 التكيف مع اللهجات واللكنات المختلفة 

4.19 منصات وأدوات التعرف على الكلام للترجمة الفورية التلقائية 

1.4.19 وصف المنصات والأدوات الرئيسية المتاحة 
2.4.19 مقارنة بين الوظائف والميزات 
3.4.19 حالات الاستخدام والأمثلة العملية.  علم الكلام Speechmatics 

5.19 دمج تقنيات التعرف على الكلام في أنظمة الترجمة الفورية الآلية 

1.5.19 تصميم وتنفيذ أنظمة الترجمة الفورية الآلية مع التعرف على الكلام 
2.5.19 التكيف مع البيئات المختلفة وظروف الترجمة 
3.5.19 الاعتبارات التقنية والبنية التحتية 

6.19 تحسين تجربة المستخدم في الترجمة الفورية الآلية باستخدام التعرف على الكلام 

1.6.19 تصميم واجهة مستخدم بديهية وسهلة الاستخدام 
2.6.19 تخصيص وإعداد التفضيلات OTTER.ai 
3.6.19 إمكانية الوصول والدعم متعدد اللغات في أنظمة الترجمة الفورية الآلية 

7.19 تقييم الجودة في الترجمة الفورية الآلية مع التعرف على الكلام 

1.7.19 مقاييس تقييم جودة الترجمة الفورية 
2.7.19 التقييم الآلي مقابل التقييم البشري 
3.7.19 استراتيجيات تحسين جودة الترجمة الفورية الآلية باستخدام التعرف على الكلام 

8.19 التحديات الأخلاقية والاجتماعية في استخدام تقنيات التعرف على الكلام في الترجمة الفورية التلقائية 

1.8.19 خصوصية بيانات المستخدم وأمانها 
2.8.19 التحيزات والتمييز في التعرف على الكلام 
3.8.19 التأثير على مهنة الترجمة الفورية وعلى التنوع اللغوي والثقافي 

9.19 تطبيقات محددة للترجمة الفورية الآلية مع التعرف على الكلام 

1.9.19 الترجمة الفورية في الوقت الحقيقي في بيئات الأعمال والبيئات التجارية 
2.9.19 الترجمة الفورية عن بُعد والهاتفية مع التعرف على الصوت 
3.9.19 الترجمة الفورية في الفعاليات والمؤتمرات الدولية 

10.19 مستقبل دمج تقنيات التعرف على الكلام في الترجمة الفورية الآلية 

1.10.19 الاتجاهات الناشئة والتطورات التكنولوجية. CMU Sphinx 
2.10.19 الآفاق المستقبلية والتطبيقات المبتكرة الممكنة 
3.10.19 التداعيات على التواصل العالمي وإزالة الحواجز اللغوية

الوحدة 20 تصميم واجهات(Chatbots) الدردشة  متعددة اللغات باستخدام أدوات الذكاء الاصطناعي 

1.20 أساسيات الواجهات متعددة اللغات 

1.1.20 مبادئ التصميم لتعدد اللغات: سهولة الاستخدام وسهولة الوصول مع الذكاء الاصطناعي 
2.1.20 التقنيات الرئيسية: استخدام TensorFlow و PyTorch لتطوير الواجهة 
3.1.20 دراسة حالة: تحليل الواجهات الناجحة باستخدام الذكاء الاصطناعي 

2.20 "مقدمة عن روبوتات الدردشة chatbots المدعومة بالذكاء الاصطناعي 

1.2.20 تطور روبوتات الدردشة chatbots: من البسيطة إلى المدعومة بالذكاء الاصطناعي 
2.2.20 مقارنة بين روبوتات الدردشة chatbots: القواعد مقابل النماذج المدعومة بالذكاء الاصطناعي 
3.2.20 مكونات روبوتات الدردشة chatbotsالمدعومة بالذكاء الاصطناعي: استخدام فهم اللغة الطبيعية (NLU) 

3.20 هندسة روبوتات الدردشة chatbots متعددة اللغات المدعومة بالذكاء الاصطناعي 

1.3.20 تصميم هندسات قابلة للتوسع باستخدام IBM Watson 
2.3.20 دمج روبوتات الدردشة في المنصات باستخدام Microsoft Bot Framework 
3.3.20 التحديث والصيانة باستخدام أدوات الذكاء الاصطناعي 

4.20 معالجة اللغات الطبيعية (NLP) لـروبوتات الدردشة الآلية chatbots 

1.4.20 التحليل النحوي والدلالي باستخدام Google BERT 
2.4.20 تدريب النماذج اللغوية باستخدام OpenAI GPT 
3.4.20 تطبيق أدوات معالجة اللغة الطبيعية PLN مثلspaCy في روبوتات الدردشة chatbots 

5.20 تطوير chatbots باستخدامframeworks الذكاء الاصطناعي 

1.5.20 التنفيذ باستخدام Google Dialogflow 
2.5.20 إنشاء وتدريب تدفقات الحوار باستخدام IBM Watson 
3.5.20 التخصيص المتقدم باستخدام واجهات برمجة التطبيقات APIs للذكاء الاصطناعي مثل Microsoft LUIS 

6.20 إدارة المحادثة والسياق في chatbots 

1.6.20 نماذج الحالة مع Rasa لـchatbots 
2.6.20 استراتيجيات إدارة المحادثة مع التعلم العميق Deep Learning 
3.6.20 حل الغموض والتصحيحات في الوقت الحقيقي باستخدام الذكاء الاصطناعي 

7.20 تصميم UX/UI لchatbots متعددة اللغات التي تعمل بالذكاء الاصطناعي 

1.7.20 تصميم يركز على المستخدم باستخدام تحليل بيانات الذكاء الاصطناعي 
2.7.20 التكيف الثقافي مع أدوات التوطين التلقائي 
3.7.20 اختبار قابلية الاستخدام باستخدام المحاكاة القائمة على الذكاء الاصطناعي 

8.20 دمج chatbots في قنوات متعددة باستخدام الذكاء الاصطناعي

1.8.20 التطوير متعدد القنوات باستخدام TensorFlow 
2.8.20 استراتيجيات التكامل الآمن والخاص مع تقنيات الذكاء الاصطناعي 
3.8.20 اعتبارات الأمان مع خوارزميات تشفير الذكاء الاصطناعي 

9.20 تحليل البيانات وتحسين روبوتات الدردشة الآلية 

1.9.20 استخدام منصات التحليلات مثل Google Analytics لروبوتات الدردشة الآلية chatbots 
2.9.20 تحسين الأداء باستخدام خوارزميات التعلم الآلي 
3.9.20 التعلم الآلي للتحسين المستمر لـروبوتات الدردشة الآلية chatbot 

10.20 تنفيذ chatbot متعدد اللغات باستخدام الذكاء الاصطناعي 

1.10.20 تعريف المشروع باستخدام أدوات إدارة الذكاء الاصطناعي 
2.10.20 تنفيذ تقني باستخدام  TensorFlow  أو PyTorch 
 

ستزود نفسك بالمهارات اللازمة لمواجهة التحديات المعاصرة في الترجمة التحريرية والشفوية، وستتعلم كيفية استخدام أدوات ومنصات الذكاء الاصطناعي لتحسين هذه العمليات"