سجّل الآن في شهادة ستمكنك من إنشاء خوارزميات التعلم العميق الأكثر تقدماً“

لقد كان التقدم في مجال التعلم العميق Deep Learning كبيراً في السنوات الأخيرة بفضل تطوير تقنيات ومنهجيات جديدة تسمح بتدريب نماذج التعلم العميق بأداء وكفاءة أكبر. نتيجة لذلك، هناك طلب كبير على المهنيين ذوي المهارات العالية في هذا المجال لتطبيق هذه التقنيات على المشاريع المبتكرة والصعبة، وهي فرصة رائعة لعلماء الكمبيوتر اليوم.

لهذا السبب تم إنشاء شهادة الخبرة الجامعية في التعلم العميق (Deep Learning) المتقدم، والذي يتكون من عدة وحدات موضوعية تتناول الجوانب الأكثر صلة بالتعلم العميق، من التعلم تحت الإشراف إلى التعلم المعزز وتوليد النصوص. بالإضافة إلى ذلك، ستتاح للمشاركين فرصة إتقان تقنيات متقدمة مثل استخدام الشبكات العصبية المتكررة.

بالإضافة إلى ذلك، فإن شهادة الخبرة الجامعية في التعلم العميق (Deep Learning) المتقدم عبر الإنترنت وتتبع، مما يسمح للطلاب بالوصول على المحتوى في أي وقت ومن أي مكان. بنفس الطريقة، تركز المنهجية التربوية لإعادة التعلم Relearning على التعلم المستقل والموجه من خلال تكرار المفاهيم، مما يعزز التقدم التعليمي للطلاب. بالإضافة إلى ذلك، يوفر البرنامج مرونة كبيرة في تنظيم الموارد الأكاديمية، مما يسمح للطلاب بتكييف تعلمهم حسب جداولهم واحتياجاتهم الخاصة.

تميّز مع شهادة خبرة جامعية تتيح لك وضع الأسس اللازمة لتكرار نجاح شركات الذكاء الاصطناعي مثل OpenAI أو DeepMind“

تحتوي شهادة الخبرة الجامعية في التعلم العميق (Deep Learning) المتقدم على البرنامج التعليمي الأكثر اكتمالا و حداثة في السوق. أبرز خصائصه هي:

تطوير الحالات العملية المقدمة من قبل خبراء في Deep Learning المتقدم
يجمع المحتوى الرسومي والتخطيطي والعملي البارز الذي تم تصميمه به معلومات تكنولوجية وعملية عن تلك التخصصات الأساسية للممارسة المهنية
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم
تركيزه الخاص على المنهجيات المبتكرة
دروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

ستبدأ مسيرتك المهنية كعالم كمبيوتر يبتكر نماذج متقدمة للرؤية الحاسوبية العميقة“

البرنامج يضم في أعضاء هيئة تدريسه محترفين يجلبون إلى 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 المشكلات، والذي يجب على المهني من خلاله محاولة حل مختلف مواقف الممارسة المهنية التي تنشأ على مدار السنة الدراسىة. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

ستكون مرجعاً عندما يتعلق الأمر بإنشاء نماذج ذكاء اصطناعي تنتج لغة طبيعية بجودة مذهلة"

ستخضع لدراسات حالة مفيدة من شأنها تعزيز مهاراتك لتحسين سياسة الوكيل"

شهادة الخبرة الجامعية في التعلُّم العميق المتقدم هي برنامج تعليمي يزود الطلاب بخلفية أكاديمية واسعة، تغطي جميع الجوانب الرئيسية لإنشاء أكثر بنيات وتقنيات الشبكات العصبية الاصطناعية تقدماً مثل التعلم المعزز Reinforcement Learning، وهو أمر أساسي في نماذج الذكاء الاصطناعي المعروفة مثل ChatGPT. المنهج شامل ويكتمل بمجموعة متنوعة من الموارد التعليمية المبتكرة المتاحة على الحرم الجامعي الافتراضي للبرنامج.

منهج شامل للغاية يزودك برؤية عالمية وحديثة للتعلم العميق المتقدم“

الوحدة 1. Deep Computer Vision بشبكات عصبونية تلافيفية

1.1. هيكلية Visual Cortex

1.1.1. وظائف القشرة البصرية
1.1.2. نظريات الرؤية الحسابية
1.1.3. نماذج معالجة الصور

1.2. طبقات تلافيفية

1.2.1. إعادة استخدام الأوزان في الالتفاف
1.2.2. الطي 2D
1.2.3. وظائف التنشيط

1.3. طبقات التجميع وتنفيذ طبقات التجميع مع Keras

1.3.1. Pooling وStriding
1.3.2. Flattening
1.3.3. أنواع Pooling

1.4. بناء CNN

1.4.1. بناء VGG
1.4.2. بناء AlexNet
1.4.3. بناء ResNet

1.5. تنفيذ CNN ResNet-34 باستخدام Keras

1.5.1. استهلال الأوزان
1.5.2. تعريف طبقة المدخلات
1.5.3. تعريف الناتج

1.6. استخدام نماذج Keras المدربة مسبقا

1.6.1. خصائص النماذج السابقة التدريب
1.6.2. استخدامات النماذج المدربة مسبقا
1.6.3. مزايا النماذج المدربة مسبقا

1.7. نماذج ما قبل التدريب للتعلم في مجال النقل

1.7.1. التعلم عن طريق النقل
1.7.2. عملية التعلم عن طريق النقل
1.7.3. فوائد التعلم التحويلي

1.8. تصنيف الرؤية العميقة للحاسوب وتوطينها Deep Computer Vision

1.8.1. تصنيف الصورة
1.8.2. موقع الأشياء في الصور
1.8.3. كشف الأشياء

1.9. كشف الأشياء وتتبعها

1.9.1. طرائق الكشف عن الأشياء
1.9.2. خوارزميات لتتبع الأشياء
1.9.3. تقنيات التتبع والتعقب

1.10. التجزئة الدلالية

1.10.1. التعلم العميق للتجزئة الدلالية
1.10.2. كشف الحواف
1.10.3. طرائق التجزئة القائمة على القواعد 

الوحدة 2. معالجة اللغة الطبيعية مع الشبكات العصبية التكرارية 

2.1. توليد النص باستخدام الشبكات العصبية التكرارية

2.1.1. تدريب RNN لتوليد النص
2.1.2. توليد اللغة الطبيعية مع RNN
2.1.3. تطبيقات توليد النصوص باستخدام RNN

2.2. إنشاء مجموعة بيانات التدريب

2.2.1. إعداد البيانات للتدريب RNN
2.2.2. تخزين مجموعة بيانات التدريب
2.2.3. تنظيف البيانات وتحويلها

2.3. تحليل المشاعر

2.3.1. تصنيف المراجعات مع RNN
2.3.2. الكشف عن المواضيع الواردة في التعليقات
2.3.3. تحليل المشاعر مع خوارزميات التعلم العميق

2.4. شبكة فك تشفير للترجمة الآلية العصبية

2.4.1. تدريب شبكة RNN على الترجمة الآلية
2.4.2. استخدام شبكة الترميز-فك الترميز (Encoder-Decoder) للترجمة التلقائية
2.4.3. تحسين دقة الترجمة الآلية باستخدام RNN

2.5. آليات الرعاية

2.5.1. تطبيق آليات الرعاية في RNN
2.5.2. استخدام آليات الرعاية لتحسين دقة النماذج
2.5.3. مزايا آليات الانتباه في الشبكات العصبية

2.6. نماذج Transformers

2.6.1. استخدام نماذج المحولات Transformers لمعالجة اللغة الطبيعية
2.6.2. تطبيق نماذج المحولات Transformers للرؤية
2.6.3. مزايا نماذج المحولات Transformers

2.7. محولات للرؤية Transformers

2.7.1. استخدام نماذج المحولات Transformers للرؤية
2.7.2. المعالجة التمهيدية لبيانات الصورة
2.7.3. تدريب نموذج المحولات Transformerعلى الرؤية

2.8. مكتبة Transformers من Hugging Face

2.8.1. استخدام تقنيات مكتبة Transformers لـ Hugging Face
2.8.2. تطبيق إنترنت مكتبة Transformers لـ Hugging Face
2.8.3. مزايا مكتبة Transformers لـ Hugging Face

2.9. مكتبات أخرى من Transformers. مقارنة

2.9.1. مقارنة بين مكتبات المحولات المختلفة Transformers
2.9.2. استخدام مكتبات المحولات الأخرى Transformers
2.9.3. مزايا مكتبات المحولات الأخرى Transformers

2.10. تطوير تطبيق NLP مع RNN والرعاية. التطبيق العملي

2.10.1. تطوير تطبيق معالجة اللغة الطبيعية مع RNN والرعاية
2.10.2. استخدام RNN وآليات الانتباه ونماذج المحولات Transformers في التطبيق
2.10.3. تقييم التنفيذ العملي

الوحدة 3. التعلم المعزز (Reinforcement Learning)

3.1. تحسين المكافآت والبحث عن السياسات

3.1.1. خوارزميات تحسين المكافأة
3.1.2. عمليات البحث عن السياسات
3.1.3. التعلم المعزز لتحسين المكافآت

3.2. OpenAI

3.2.1. بيئة OpenAI Gym
3.2.2. إنشاء بيئات OpenAI
3.2.3. تعزيز خوارزميات التعلم في OpenAI

3.3. سياسات الشبكات العصبية

3.3.1. الشبكات العصبية التلافيفية للبحث في السياسات
3.3.2. سياسات التعلم العميق
3.3.3. توسيع سياسات الشبكة العصبية

3.4. تقييم العمل: مشكلة تخصيص الائتمان

3.4.1. تحليل المخاطر لتخصيص الائتمان
3.4.2. تقدير ربحية القروض
3.4.3. نماذج تقييم الائتمان على أساس الشبكات العصبية

3.5. تدرجات السياسة

3.5.1. التعلم المعزز مع تدرجات السياسات
3.5.2. تحسين تدرج السياسة
3.5.3. خوارزميات التدرج في السياسة

3.6. عمليات اتخاذ القرار ماركوف

3.6.1. تحسين عمليات اتخاذ القرار ماركوف
3.6.2. تعزيز التعلم لعمليات اتخاذ القرار ماركوف
3.6.3. نماذج عملية اتخاذ القرار ماركوف

3.7. تعلم الفرق الزمني وQ-Learning

3.7.1. تطبيق الفروق الزمنية في التعلم
3.7.2. تطبيق Q-Learning في التعلم
3.7.3. تحسين معلمات Q-Learning

3.8. تنفيذ Deep Q-Learning ومتغيرات Deep Q-Learning

3.8.1. بناء شبكات عصبية عميقة ل Deep Q-Learning
3.8.2. التنفيذ في Deep - Learning
3.8.3. الاختلافات في Deep Q-Learning

3.9. خوارزميات Reinforment Learning

3.9.1. خوارزميات التعلم عن طريق التعزيز
3.9.2. خوارزميات التعلم بالمكافأة
3.9.3. خوارزميات التعلم بالعقاب

3.10. تصميم بيئة التعلم المعزز. التطبيق العملي

3.10.1. تصميم بيئة التعلم المعزز.
3.10.2. تنفيذ خوارزمية التعلم المعزز
3.10.3. تقييم خوارزمية التعلم المعزز

ستحتاج فقط إلى جهاز كمبيوتر شخصي أو جهاز لوحي للوصول إلى المحتوى التعليمي الذي يعد معياراً في تخصص تقنيات التعلم العميق المتقدمة“