تخصص في الرؤية الاصطناعية المطبقة على الروبوتات وتقدم في حياتك المهنية مع هذه شهادة الخبرة الجامعية"

بعيداً عن الخيال العلمي، تم تصميم هذا البرنامج الذي يستهدف المتخصصين في علوم الحاسب الآلي لتزويدهم بكل المعارف اللازمة للطلاب ليكونوا قادرين على عرض أي فكرة يتم تطويرها في مجال الذكاء الاصطناعي أو العمل على مشاريع الروبوتات، خاصة في مجال أنظمة الإدراك البصري.

بهذه الطريقة، سيقوم فريق التدريس المتخصص في هذا المجال بتوجيه الطلاب من خلال الأسس الخوارزمية التي تدعم تشغيلها وتطبيقاتها ومزاياها وحدودها. تحقيقاً لهذه الغاية، سيتم خلال الأشهر الثلاثة لهذه الدورة التدريبية عبر الإنترنت تطبيق نهج نظري-عملي باستخدام أمثلة لإيجاد بيئات مع الروبوتات، ولكن دون إغفال أهمية فهم تقنيات التعلم الآلي التي سيتم استخدامها.

على الرغم من أن الرؤية الاصطناعية من أكثر مجالات علم الروبوتات تعقيداً، إلا أن المواد متعددة الوسائط الذي يقدمه هذا المؤهل العلمي ستسهل تعلمها. بالتالي، سيتمكن الطلاب من اكتساب تقنيات الرؤية الرئيسية القائمة على أنظمة التعلم، وخاصةً استخدام الشبكات العصبية، التي أحدثت ثورة في طريقة استخدام الرؤية الاصطناعية اليوم. بالمثل، سيتعرف الطالب في هذه الدورة على الأدوات الأكثر تقدماً ليكون قادراً على التطوير في مجال الرؤية الاصطناعية للروبوتات، سواء على المستوى النظري أو العملي.

فرصة ممتازة للخريجين الذين يرغبون في التقدم في مجالهم المهني تحت إشراف أفضل المتخصصين وبتدريس عالي الجودة، مما يتيح الوصول إلى جميع المحتويات منذ اليوم الأول ونظام إعادة التعلم (المعروف بـ Relearning)، القائم على تكرار المحتوى، والذي بدوره يسهل التعلم وترسيخ المعرفة. 

يتضمن البرنامج مشاركة المدير الدولي المُستضاف الذي يتمتع بمكانة عالمية مرموقة بفضل مسيرته المهنية الرائعة. سيقدم صفوف دراسية متقدمة تركز على أنظمة الإدراك البصري للروبوتات.

عزز مسيرتك المهنية بالتعاون مع المدير الدولي المُستضاف، والذي سيقدم صفوف دراسية متقدمةً على مستوى ممتاز في مجال التعلم الآلي"

تحتوي شهادة الخبرة الجامعية في أنظمة الإدراك البصري للروبوت مع التعلم الآلي، على البرنامج التعليمي الأكثر التعلم الآلي، مع اكتمالاً وتحديثا في السوق. أبرز خصائصه هي:

تطوير الحالات العملية المقدمة من قبل خبراء في هندسة الروبوتات
المحتويات الرسومية والمخططات العملية التي تم تصميمها بها تتضمن معلومات علمية وعملية حول التخصصات الأساسية لممارسة المهنة بشكل احترافي
التمارين العملية التي يمكن من خلالها استخدام 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

أطلق العنان لإمكاناتك الكاملة في شهادة الخبرة الجامعية وتعلم بطريقة مبسطة لتحديد مجالات التطبيق الجديدة للشبكات العصبية التوليدية"

البرنامج يضم في أعضاء هيئة تدريسه محترفين يصبون في هذا التدريب خبرة عملهم، بالإضافة إلى متخصصين معترف بهم من الشركات الرائدة والجامعات المرموقة.

إن محتوى الوسائط المتعددة الذي تم تطويره باستخدام أحدث التقنيات التعليمية، والذين سيتيح للمهني فرصة للتعلم الموضوعي والسياقي، أي في بيئة محاكاة ستوفر تأهيلا غامرًا مبرمجًا للتدريب في مواقف حقيقية.

يركز تصميم هذا البرنامج على التعلم القائم على حل المشكلات، والذي المهني في يجب أن تحاول من خلاله حل المواقف المختلفة للممارسة المهنية التي تنشأ من خلاله. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

ستمكنك شهادة الخبرة الجامعية من تحقيق مستوى عالٍ من إتقان الخوارزميات المستخدمة في إنشاء الروبوتات"

فرصة ممتازة لك لإعداد مشاريعك في مجال الروبوتات"

تتكون الخطة الدراسية لشهادة الخبرة الجامعية، والتي تتكون من 540 ساعة تدريس، من ثلاث وحدات دراسية يتم فيها تناول الذكاء الاصطناعي وتطبيقاته في الروبوتات والروبوتات اللينة بطريقة شاملة، مع التركيز بشكل خاص على جميع التقنيات التي ينطوي عليها تطوير الرؤية الاصطناعية والأدوات الأساسية لتطويرها. ستكمل مقاطع الفيديو المفصلة ومواد الوسائط المتعددة الأخرى التي سيجدها الطلاب على المنصة الافتراضية هذا البرنامج الشامل.

التحق بشهادة الخبرة الجامعية واكتسب خبرة متقدمة في التعلم العميق (Deep Learning) باستخدام أدوات مثل Google IColab"

الوحدة 1 العملاء الأذكياء تطبيق الذكاء الاصطناعي على الروبوتات وSoftbots

1.1 الوكلاء الأذكياء والذكاء الاصطناعي

1.1.1 لروبوتات الذكية. الذكاء الاصطناعي
2.1.1 العملاء الأذكياء

 1.2.1.1 وكلاء الأجهزة. الروبوتات
 2.2.1.1 وكلاء البرمجيات. Softbots

3.1.1 تطبيقات على الروبوتات

1.2. اتصال خوارزمية الدماغ

1.2.1 الإلهام البيولوجي للذكاء الاصطناعي
2.2.1 المنطق المطبق في الخوارزميات. الأنماط
3.2.1 إمكانية تفسير النتائج في خوارزميات الذكاء الاصطناعي
4.2.1 تطور الخوارزميات إلى Deep Learning

3.1 خوارزميات البحث عن مساحة الحل

1.3.1 عناصر البحث في فضاء الحل
2.3.1 خوارزميات البحث عن حلول في مشاكل الذكاء الاصطناعي
3.3.1 تطبيقات خوارزمية البحث والتحسين
4.3.1 خوارزميات البحث المطبقة على التعلم الآلي

4.1 التعلم الالي

1.4.1 التعلم الالي
2.4.1 خوارزميات التعلم الخاضعة للإشراف
3.4.1 خوارزميات التعلم غير الخاضعة للرقابة
4.4.1 تعزيز خوارزميات التعلم

5.1 التعلم تحت الإشراف

1.5.1 أساليب التعلم الخاضعة للإشراف
2.5.1 أشجار القرارات لأغراض التصنيف
3.5.1 دعم آلات المتجهات
4.5.1 الشبكات العصبية الاصطناعية
5.5.1 تطبيقات التعلم الخاضع للإشراف

6.1 تعليم غير مشرف عليه

1.6.1 تعليم غير مشرف عليه
2.6.1 شبكات Kohonen
3.6.1 خرائط التنظيم الذاتي
4.6.1 خوارزمية K-medias

7.1 تعزيز التعلم

1.7.1 تعزيز التعلم
2.7.1 وكلاء على أساس عمليات Markov
3.7.1 تعزيز خوارزميات التعلم
4.7.1 تطبيق التعلم المعزز على الروبوتات

8.1 الشبكات العصبية وDeep Learning

1.8.1 الشبكات العصبية الاصطناعية. الأنماط
2.8.1 تطبيقات الشبكات العصبية
3.8.1 التحول من Machine Learning إلى Deep Learning
4.8.1 تطبيق Deep Learning

9.1 الاستدلال الاحتمالي

1.9.1 الاستدلال الاحتمالي
2.9.1 أنواع الاستدلال وتعريف الطريقة
3.9.1 الاستدلال بايزي كدراسة حالة
4.9.1 تقنيات الاستدلال غير المعلمي
5.9.1 مرشحات Gaussianos

10.1 من النظرية إلى التطبيق: تطوير عامل ذكي آلي

1.10.1 إدراج وحدات التعلم الخاضع للإشراف في الوكيل الآلي
2.10.1 إدراج وحدات التعلم المعزز في الوكيل الآلي
3.10.1 هندسة عامل آلي يتحكم فيه الذكاء الاصطناعي
4.10.1 أدوات احترافية لتنفيذ الوكيل الذكي
5.10.1 مراحل تنفيذ خوارزميات الذكاء الاصطناعي في العوامل الروبوتية

الوحدة 2. تقنيات الرؤية الحاسوبية في الروبوتات: معالجة الصور وتحليلها

1.2. الرؤية الحاسوبية

1.1.2 الرؤية الحاسوبية
2.1.2 عناصر نظام الرؤية الحاسوبية
3.1.2 أدوات الرياضيات

2.2. أجهزة الاستشعار البصرية للروبوتات

1.2.2 أجهزة الاستشعار البصرية السلبية
2.2.2 أجهزة الاستشعار البصرية النشطة
3.2.2 أجهزة الاستشعار غير البصرية

3.2. الحصول على الصور

1.3.2 تمثيل الصورة
2.3.2 مساحة اللون
3.3.2 عملية الرقمنة

4.2. هندسة الصورة

1.4.2 نماذج العدسات
2.4.2 نماذج الكاميرات
3.4.2 معايرة الكاميرات

5.2. أدوات الرياضيات

1.5.2 الرسم البياني للصورة
2.5.2 الطي
3.5.2 المتحولة لـ Fourier

6.2. المعالجة المسبقة للصورة

1.6.2 تحليل الضوضاء
2.6.2 تجانس الصورة
3.6.2 تحسين الصورة

7.2. تقطيع الصورة

1.7.2 التقنيات المعتمدة على المعالم
3.7.2 التقنيات القائمة على الرسم البياني
4.7.2 العمليات المورفولوجية

8.2. الكشف عن الميزات في الصورة

1.8.2 الكشف عن النقاط المثيرة للاهتمام
2.8.2 واصفات الميزة
3.8.2 المراسلات بين الميزات

9.2. أنظمة الرؤية ثلاثية الأبعاد

1.9.2 الإدراك ثلاثي الأبعاد
2.9.2 ميزة المراسلات بين الصور
3.9.2 هندسة متعددة العرض

10.2. الموقع على أساس الرؤية الحاسوبية

1.10.2 مشكلة توطين الروبوت
2.10.2 قياس المسافة البصرية
3.10.2 الانصهار الحسي

الوحدة 3. أنظمة الإدراك البصري للروبوت مع التعلم الآلي

1.3. طرق التعلم غير الخاضعة للرقابة المطبقة على الرؤية الحاسوبية

1.1.3 Clustering
2.1.3 PCA
3.1.3 Nearest Neighbors
4.1.3 Similarity and matrix decomposition

2.3. طرق التعلم الخاضعة للإشراف المطبقة على الرؤية الحاسوبية

1.2.3 المفهوم "Bag of words”
2.2.3 آلة دعم الشعاع الرياضي
3.2.3 Latent Dirichlet Allocation
4.2.3 الشبكات العصبية

3.3. الشبكات العصبية العميقة: الهياكل وBackbones وTransfer Learning

1.3.3 الطبقات التي تولد Features

 1.3.3.3 VGG
 2.3.3.3 Densenet
 3.3.3.3 ResNet
 4.3.3.3 Inception
 5.3.3.3 GoogLeNet

2.3.3 Transfer Learning
3.3.3. البيانات. التحضير للتدريب

4.3. الرؤية الحاسوبية مع التعلم العميق 1: الكشف والتجزئة

1.4.3 الاختلافات والتشابهات بين YOLO وSSD
2.4.3 Unet
3.4.3 هياكل أخرى

5.3. الرؤية الحاسوبية مع التعلم العميق 2: Generative Adversarial Networks

1.5.3 صورة فائقة الدقة باستخدام GAN
2.5.3 إنشاء صور واقعية
3.5.3 فهم المشهد

6.3. تقنيات التعلم للتوطين ورسم الخرائط في الروبوتات المتنقلة

1.6.3 كشف إغلاق الحلقة ونقلها
2.6.3 Magic Leap. Super Point و Super Glue
3.6.3 Depth from Monocular

7.3. الاستدلال البايزي والنمذجة ثلاثية الأبعاد

1.7.3 النماذج الافتراضية والتعلم "الكلاسيكي".
2.7.3 الأسطح الضمنية مع العمليات الغوسية (GPIS)
3.7.3 تجزئة ثلاثية الأبعاد باستخدام GPIS
4.7.3 الشبكات العصبية لنمذجة الأسطح ثلاثية الأبعاد

8.3. التطبيقات End-to-End للشبكات العصبية العميقة

1.8.3 نظام End-to-End. مثال للتعرف على الأشخاص
2.8.3 التعامل مع الأشياء باستخدام أجهزة الاستشعار البصرية
3.8.3 توليد الحركات والتخطيط باستخدام أجهزة الاستشعار البصرية

9.3. التقنيات السحابية لتسريع تطوير خوارزميات Deep Learning

1.9.3 استخدام GPU في Deep Learning
2.9.3 التطويرالسريع مع Google IColab
3.9.3 GPUs عن بعد وGoogle Cloud وAWS

10.3. نشر الشبكات العصبية في التطبيقات الحقيقية

1.10.3 الأنظمة المضمنة
2.10.3 نشر الشبكات العصبية. الاستخدام
3.10.3 تحسينات الشبكة في النشر، مثال على ذلك مع TensorR

أتقن استخدام Python وTensorflow، وهما أداتان أساسيتان في مجال الروبوتات. انقر وسجل الآن"