سيوفر لك هذا البرنامج في الذكاء الاصطناعي في البرمجة منظورًا شاملاً حول كيفية تأثير الذكاء الاصطناعي وتحسين كل مرحلة من مراحل تطوير البرمجيات"

تكمن أهمية الذكاء الاصطناعي في البرمجة في قدرته على تعزيز العمليات وأتمتتها وتحسين تطوير البرمجيات وتحسين الكفاءة في حل المشكلات المعقدة. قد أدت قدرته على تحليل كميات كبيرة من البيانات وإيجاد الحلول المثلى إلى تقدم كبير في مجالات مثل تحسين الخوارزميات، وإنشاء واجهات أكثر سهولة، وحل المشكلات المعقدة في مجالات مختلفة. 

لهذا السبب قامت TECH بتطويرهذا الماجستير الخاص، والذي يبرز كحل استراتيجي لزيادة الفرص المهنية والنمو في الحياة المهنية لعلماء الكمبيوتر. سيتم تناول تحسين الإنتاجية في تطوير البرمجيات من خلال الذكاء الاصطناعي، والتحقيق في التقنيات والأدوات التي تسمح بأتمتة العمليات، وتحسين التعليمات البرمجية وتسريع إنشاء التطبيقات الذكية.

بالإضافة إلى ذلك، سيركز البرنامج على الدور الحاسم للذكاء الاصطناعي في مجال اختبار ضمان الجودة (QA Testing)، وتنفيذ خوارزميات وأساليب الذكاء الاصطناعي لتحسين جودة الاختبارات ودقتها وتغطيتها، واكتشاف الأخطاء وتصحيحها بكفاءة أكبر. كما ستتعمق أيضًا في دمج التعلم الآلي وقدرات معالجة اللغة الطبيعية في تطوير الويب، وإنشاء مواقع ذكية تتكيف وتقدم تجارب مخصصة للمستخدمين. 

بالمثل، سيتم التعمق في تقنيات الذكاء الاصطناعي لتحسين سهولة الاستخدام والتفاعل والوظائف لتطبيقات الهاتف المحمول، لإنشاء تطبيقات ذكية وتنبؤية تتكيف مع سلوك المستخدم. هكذا، سيتم تحليل بنية البرمجيات مع الذكاء الاصطناعي بعمق، بما في ذلك النماذج المختلفة التي من شأنها تسهيل تكامل خوارزميات الذكاء الاصطناعي ونشرها في بيئات الإنتاج. 

بهدف تنمية متخصصين ذوي كفاءة عالية في الذكاء الاصطناعي، صممت TECH برنامجًا شاملاً يعتمد على منهجية إعادة التعلم الحصرية. سيسمح هذا النهج للطلاب بتعزيز فهمهم من خلال تكرار المفاهيم الأساسية.

ستقود مشاريع مبتكرة تتكيف مع متطلبات السوق التكنولوجي المتطور باستمرار. ما الذي تنتظره بعد؟"

يحتويالماجستير الخاص في الذكاء الاصطناعي في البرمجةعلى البرنامج التعليمي الأكثر على البرمجة اكتمالا وحداثة في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها خبراء في الذكاء الاصطناعية في البرمجة 
محتوياتها البيانية والتخطيطية والعملية البارزة التي يتم تصورها بها تجمع المعلومات العلمية والرعاية 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 تنغمس في الجوانب الأساسية لهندسة البرمجيات، بما في ذلك الأداء وقابلية التوسع وقابلية الصيانة، وذلك بفضل موارد الوسائط المتعددة الأكثر ابتكارًا"

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.

هل تتطلع إلى التخصص في الذكاء الاصطناعي؟ باستخدام هذا البرنامج، ستتقن تحسين عملية النشر ودمج الذكاء الاصطناعي في الحوسبة السحابية.

سوف تتعمق أكثر في دمج عناصر الذكاء الاصطناعي في Visual Studio Code وتحسين التعليمات البرمجية باستخدام ChatGPT، كل ذلك من خلال برنامج أكاديمي شامل.

يتميز هذا البرنامج في الذكاء الاصطناعي في البرمجة بنهجه الشامل، الذي لا يتناول تنفيذ الخوارزميات الذكية فحسب، بل أيضًا تحسين الإنتاجية في تطوير البرمجيات وتطبيق الذكاء الاصطناعي في المجالات الرئيسية مثل اختبار ضمان الجودة ومشاريع الويب وتطبيقات الهاتف المحمول. وهندسة البرمجيات. إن الجمع بين المهارات التقنية والأدوات المتقدمة والتطبيق العملي للذكاء الاصطناعي في مراحل مختلفة من التطوير يضعه كبرنامج رائد، مما يوفر للمحترفين فهمًا كاملاً وعميقًا لتطبيق الذكاء الاصطناعي في البرمجة. 

سوف تقوم بالتحقيق في التطبيق العملي للذكاء الاصطناعي في مشاريع الويب، بما في ذلك تطوير الواجهة الأمامية (frontend) والخلفية (backend)"

وحدة 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

وحدة 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 آر)

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

2.9    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

وحدة 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 

وحدة 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 

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 

4.6    لعنة الأبعاد 

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

4.7    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 

وحدة 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 

5.2    كفاءة وتحليل الخوارزميات 

1.2.5    تدابير الكفاءة 
2.2.5    قياس حجم المدخلات 
3.2.5    قياس وقت التشغيل 
4.2.5    أسوأ وأفضل حالة ومابينهما 
5.2.5    التدوين المقارب 
6.2.5    معايير التحليل الرياضي لخوارزميات السلوك الغيرالمتكرر 
7.2.5    التحليل الرياضي للخوارزميات المتكررة 
8.2.5    التحليل التجريبي للخوارزميات 

3.5    فرز الخوارزميات 

1.3.5    مفهوم الإدارة 
2.3.5    فرز الفقاعة 
3.3.5    الفرز حسب الاختيار 
4.3.5    ترتيب الإدراج 
5.3.5    الفرز حسب الخليط (Merge_Sort) 
6.3.5    الفرز السريع (Quick_Sort) 

4.5    خوارزميات بالأشجار 

1.4.5    مفهوم الشجرة 
2.4.5    أشجار ثنائية 
3.4.5    جولات الأشجار 
4.4.5    تمثيل التعبيرات 
5.4.5    أشجار ثنائية مرتبة 
6.4.5    أشجار ثنائية متوازنة 

5.5    خوارزميات مع Heaps 

1.5.5    Heaps 
2.5.5    خوارزمية Heapsort 
3.5.5    قوائم الانتظار ذات الأولوية 

6.5    الخوارزميات ذات الرسوم البيانية 

1.6.5    العرض 
2.6.5    جولة ضيقة 
3.6.5    جولة متعمقة 
4.6.5    الترتيب الطوبولوجي 

7.5    خوارزميات Greedy 

1.7.5    استراتيجية Greedy 
2.7.5    عناصر استراتيجية Greedy 
3.7.5    صرف العملات 
4.7.5    مشكلة المسافر 
5.7.5    مشكلة حقيبة الظهر

 
8.5    ابحث عن الحد الأدنى من المسارات 

1.8.5    مشكلة المسار الأدنى 
2.8.5    الأقواس والدورات السلبية 
3.8.5    خوارزمية Dijkstra 

9.5    خوارزميات Greedyعلى الرسوم البيانية 

1.9.5    شجرة الحد الأدنى من الطبقة 
2.9.5    خوارزمية Prim 
3.9.5    خوارزمية Kruskal 
4.9.5    تحليل التعقيد 

10.5    Backtracking 

1.10.5    Backtracking 
2.10.5    التقنيات البديلة 

وحدة 6. أنظمة ذكية 

1.6    نظرية الوكلاء 

1.1.6    تاريخ المفهوم 
2.1.6    تعريف الوكلاء 
3.1.6    وكلاء في الذكاء الاصطناعي 
4.1.6    وكلاء في هندسة البرمجيات 

2.6    بناء الوكلاء 

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

3.6    المعلومات والمعارف 

1.3.6    التمييز بين البيانات والمعلومات والمعارف 
2.3.6    تقييم جودة البيانات 
3.3.6    طرائق جمع البيانات 
4.3.6    طرائق الحصول على المعلومات 
5.3.6    طرائق اكتساب المعرفة

 
4.6    تمثيل المعارف 

1.4.6    أهمية تمثيل المعارف 
2.4.6    تعريف تمثيل المعرفة من خلال أدوارها 
3.4.6    خصائص تمثيل المعرفة 

5.6    علم المعلومات 

1.5.6    مقدمة للبيانات الوصفية 
2.5.6    المفهوم الفلسفي لعلم الأنطولوجيا 
3.5.6    مفهوم الحاسوب لعلم الأنطولوجيا 
4.5.6    أنطولوجيات المجال وأنطولوجيات المستوى الأعلى 
5.5.6    كيف تبني أنطولوجيا؟ 

6.6    اللغات الوجودية والبرمجيات لإنشاء الأنطولوجيا 

1.6.6    قوائم RDF و Turtle و N 
2.6.6    RDF مخطط  
3.6.6    OWL 
4.6.6    SPARQL 
5.6.6    مقدمة إلى الأدوات المختلفة لإنشاء الأنطولوجيا 
6.6.6    تركيب Protégéواستخدامها 

7.6    الويب الدلالي 

1.7.6    الحالة الحالية والمستقبلية للشبكة الدلالية 
2.7.6    تطبيقات الشبكة الدلالية 

8.6    نماذج أخرى لتمثيل المعرفة 

1.8.6    المفردات 
2.8.6    نظرة عامة 
3.8.6    التصنيفات 
4.8.6    المرادفات 
5.8.6    فولكسونومي 
6.8.6    مقارنة 
7.8.6    خرائط العقل 

9.6    تقييم وإدماج التمثيلات المعرفية 

1.9.6    منطق الترتيب الصفري 
2.9.6    المنطق من الدرجة الأولى 
3.9.6    المنطق الوصفي 
4.9.6    العلاقة بين مختلف أنواع المنطق 
5.9.6    مقدمة: 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 

وحدة 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 

7.2    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 

وحدة 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 

وحدة 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 

وحدة 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 

وحدة 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 

وحدة 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 تشفير 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 

وحدة 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 

وحدة 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 (I) 

1.5.14    الاستراتيجيات التطورية 
2.5.14    البرمجة التطورية 
3.5.14    الخوارزميات القائمة على التطور التفاضلي 

6.14    نماذج الحوسبة التطورية (II) 

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 (I) 

1.9.14    مقدمة إلى الشبكات العصبية 
2.9.14    مثال عملي مع الشبكات العصبية 

10.14    الشبكات العصبية (II) 

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 

وحدة 15 الذكاء الاصطناعي: الاستراتيجيات والتطبيقات

1.15    الخدمات المالية

1.1.15    الآثار المترتبة على الذكاء الاصطناعي (AI) 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

وحدة 16 تحسين الإنتاجية في تطوير البرمجيات باستخدام الذكاء الاصطناعي 

1.16    إعداد بيئة التطوير المناسبة 

1.1.16    اختيار أدوات التطوير الأساسية باستخدام الذكاء الاصطناعي     
2.1.16    تكوين الأدوات المختارة 
3.1.16    تنفيذ خطوط أنابيب CI/CD المتكيفة مع المشاريع ذات الذكاء الاصطناعي 
4.1.16    الإدارة الفعالة للوحدات والنسخ في بيئات التنمية

 
2.16    ملحقات الذكاء الاصطناعي الأساسية Visual Studio Code

    
1.2.16    استكشاف وتحديد امتدادات الذكاء الاصطناعي لـ Visual Studio Code 
2.2.16    دمج أدوات التحليل الثابتة والديناميكية في IDE 
3.2.16    أتمتة المهام المتكررة مع ملحقات محددة 
4.2.16    تخصيص بيئة التطوير لتحسين الكفاءة 

163    تصميم واجهة المستخدم No-code مع Flutterflow

1.3.16    مبادئ التصميم بدون كود (No-code) وتطبيقاتها في واجهات المستخدم 
2.3.16    دمج عناصر الذكاء الاصطناعي في التصميم المرئي للواجهات 
3.3.16    أدوات ومنصات لإنشاء واجهات ذكية بدون كود (No-code) برمجية 
4.3.16    التقييم المستمر والتحسين للواجهات بدون كود (No-code) برمجية مع الذكاء الاصطناعي 

4.16    تحسين الكود باستخدام ChatGPT

1.4.16    تحديد التعليمات البرمجية المكررة
2.4.16    إعادة البناء 
3.4.16    إنشاء رموز قابلة للقراءة
4.4.16    فهم ما يفعله الرمز
5.4.16    تحسين أسماء المتغيرات والوظائف
6.4.16    إنشاء الوثائق تلقائيا

5.16    إدارة المستودعات باستخدام الذكاء الاصطناعي باستخدام ChatGPT

1.5.16    أتمتة عمليات التحكم في الإصدار باستخدام تقنيات الذكاء الاصطناعي 
2.5.16    اكتشاف النزاعات وحلها تلقائيًا في البيئات التعاونية
3.5.16    التحليل التنبؤي للتغيرات والاتجاهات في مستودعات التعليمات البرمجية 
4.5.16    تحسينات في تنظيم وتصنيف المستودعات باستخدام الذكاء الاصطناعي 

6.16    دمج الذكاء الاصطناعي في إدارة قواعد البيانات مع AskYourDatabase

1.6.16    الاستعلام وتحسين الأداء باستخدام تقنيات الذكاء الاصطناعي 
2.6.16    التحليل التنبؤي لأنماط الوصول إلى قاعدة البيانات 
3.6.16    تنفيذ أنظمة التوصية لتحسين هيكل قاعدة البيانات 
4.6.16    المراقبة والكشف الاستباقي عن المشاكل المحتملة في قواعد البيانات 

7.16   العثور على الأخطاء وإنشاء اختبارات الوحدة باستخدام الذكاء الاصطناعي باستخدام ChatGPT

1.7.16    التوليد التلقائي لحالات الاختبار باستخدام تقنيات الذكاء الاصطناعي 
2.7.16    الكشف المبكر عن نقاط الضعف والأخطاء باستخدام التحليل الثابت مع الذكاء الاصطناعي 
3.7.16    تحسين تغطية الاختبار من خلال تحديد المجالات الحرجة بواسطة الذكاء الاصطناعي 

8.16    البرمجة الزوجية (Pair Programming) مع GitHub Copilot

1.8.16    التكامل والاستخدام الفعال لـ GitHub Copilot في جلسات البرمجة الزوجية (Pair Programming) 
2.8.16    التكامل: تحسينات في التواصل والتعاون بين المطورين باستخدام GitHub Copilot 
3.8.16    استراتيجيات التكامل لتحقيق أقصى استفادة من اقتراحات التعليمات البرمجية التي تم إنشاؤها بواسطة GitHub Copilot 
4.8.16    دراسات حالة التكامل والممارسات الجيدة في البرمجة الزوجية (Pair Programming) بمساعدة الذكاء الاصطناعي 

9.16    الترجمة الآلية بين لغات البرمجة باستخدام ChatGPT

1.9.16    أدوات وخدمات محددة للترجمة الآلية للغات البرمجة 
2.9.16    تكييف خوارزميات الترجمة الآلية مع سياقات التطوير 
3.9.16    تحسين إمكانية التشغيل البيني بين اللغات المختلفة من خلال الترجمة الآلية 
4.9.16    تقييم وتخفيف التحديات والقيود المحتملة في الترجمة الآلية

10.16    أدوات الذكاء الاصطناعي الموصى بها لتحسين الإنتاجية 

1.10.16    تحليل مقارن لأدوات الذكاء الاصطناعي لتطوير البرمجيات 
2.10.16    دمج أدوات الذكاء الاصطناعي في سير العمل
3.10.16    أتمتة المهام الروتينية باستخدام أدوات الذكاء الاصطناعي
4.10.16    تقييم واختيار الأدوات بناء على سياق ومتطلبات المشروع 

وحدة 17 هندسة برمجيات الذكاء الاصطناعي

1.17    تحسين وإدارة الأداء في الأدوات التي تستخدم الذكاء الاصطناعي بمساعدة ChatGPT

1.1.17    تحليل الأداء والتوصيف في أدوات الذكاء الاصطناعي 
2.1.17    خوارزمية الذكاء الاصطناعي واستراتيجيات تحسين النماذج 
3.1.17    تنفيذ تقنيات التخزين (caching) المؤقت والموازاة لتحسين الأداء 
4.1.17    أدوات ومنهجيات لمراقبة الأداء المستمر في الوقت الحقيقي 

2.17    قابلية التوسع في تطبيقات الذكاء الاصطناعي باستخدام ChatGPT

1.2.17    تصميم بنيات قابلة للتطوير لتطبيقات الذكاء الاصطناعي 
2.2.17    تنفيذ تقنيات التقسيم وتوزيع الأحمال 
3.2.17    إدارة سير العمل وعبء العمل في أنظمة قابلة للتطوير 
4.2.17    استراتيجيات التوسع الأفقي والرأسي في البيئات ذات الطلب المتغير

 
3.17    قابلية صيانة التطبيقات التي تستخدم الذكاء الاصطناعي باستخدام ChatGPT

1.3.17    مبادئ التصميم لتسهيل الصيانة في مشاريع الذكاء الاصطناعي 
2.3.17    استراتيجيات التوثيق المحددة لنماذج وخوارزميات الذكاء الاصطناعي 
3.3.17    تنفيذ اختبارات الوحدة والتكامل لتسهيل الصيانة 
4.3.17    طرق إعادة الهيكلة والتحسين المستمر في الأنظمة ذات مكونات الذكاء الاصطناعي

4.17    تصميم نظام واسع النطاق

1.4.17    المبادئ المعمارية لتصميم الأنظمة واسعة النطاق 
2.4.17    تحليل الأنظمة المعقدة إلى خدمات صغيرة 
3.4.17    تنفيذ أنماط تصميم محددة للأنظمة الموزعة 
4.4.17    استراتيجيات لإدارة التعقيد في البنى واسعة النطاق باستخدام مكونات الذكاء الاصطناعي

5.17    تخزين البيانات على نطاق واسع لأدوات الذكاء الاصطناعي

1.5.17    اختيار تقنيات تخزين البيانات القابلة للتطوير 
2.5.17    تصميم مخططات قاعدة البيانات للإدارة الفعالة لكميات كبيرة من البيانات 
3.5.17    استراتيجيات التقسيم والنسخ في بيئات تخزين البيانات الكبيرة 
4.5.17    تنفيذ أنظمة إدارة البيانات لضمان النزاهة والتوافر في المشاريع ذات الذكاء الاصطناعي 

6.17    هياكل البيانات باستخدام الذكاء الاصطناعي مع ChatGPT

1.6.17    تكييف هياكل البيانات الكلاسيكية لاستخدامها في خوارزميات الذكاء الاصطناعي 
2.6.17    تصميم وتحسين هياكل البيانات المحددة باستخدام ChatGPT
3.6.17    دمج هياكل البيانات الفعالة في أنظمة كثيفة البيانات 
4.6.17    استراتيجيات معالجة البيانات وتخزينها في الوقت الفعلي في هياكل بيانات الذكاء الاصطناعي

7.17    خوارزميات البرمجة للمنتجات ذات الذكاء الاصطناعي

1.7.17    تطوير وتنفيذ خوارزميات محددة لتطبيقات الذكاء الاصطناعي 
2.7.17    استراتيجيات اختيار الخوارزميات بناءً على نوع المشكلة ومتطلبات المنتج 
3.7.17    تكييف الخوارزميات الكلاسيكية للاندماج في أنظمة الذكاء الاصطناعي 
4.7.17    تقييم ومقارنة الأداء بين الخوارزميات المختلفة في سياقات تطوير الذكاء الاصطناعي

8.17    أنماط التصميم للتطوير باستخدام الذكاء الاصطناعي

1.8.17    تحديد وتطبيق أنماط التصميم الشائعة في المشاريع التي تحتوي على مكونات الذكاء الاصطناعي 
2.8.17    تطوير أنماط محددة لدمج النماذج والخوارزميات في الأنظمة الحالية 
3.8.17    استراتيجيات تنفيذ الأنماط لتحسين قابلية إعادة الاستخدام وقابلية الصيانة في مشاريع الذكاء الاصطناعي 
4.8.17    دراسات الحالة والممارسات الجيدة في تطبيق أنماط التصميم في البنى باستخدام الذكاء الاصطناعي 

9.17    تنفيذ بنية نظيفة (Clean Architecture) باستخدام ChatGPT

1.9.17    المبادئ والمفاهيم الأساسية للهندسة المعمارية النظيفة (Clean Architecture)
2.9.17    تكييف العمارة النظيفة (Clean Architecture) مع المشاريع التي تحتوي على مكونات الذكاء الاصطناعي 
3.9.17    تنفيذ الطبقات والتبعيات في الأنظمة ذات البنية النظيفة 
4.9.17    فوائد وتحديات تنفيذ البنية النظيفة (Clean Architecture) في تطوير البرمجيات باستخدام الذكاء الاصطناعي 

10.17    تطوير البرمجيات الآمنة في تطبيقات الويب باستخدام DeepCode

1.10.17    مبادئ الأمن في تطوير البرمجيات بمكونات الذكاء الاصطناعي 
2.10.17    تحديد وتخفيف نقاط الضعف المحتملة في نماذج وخوارزميات الذكاء الاصطناعي 
3.10.17    تحديد وتخفيف نقاط الضعف المحتملة في نماذج وخوارزميات الذكاء الاصطناعي 
4.10.17    استراتيجيات حماية البيانات الحساسة ومنع الهجمات في المشاريع ذات الذكاء الاصطناعي 

وحدة 18 مشاريع الويب مع الذكاء الاصطناعي

1.18    إعداد بيئة العمل لتطوير الويب باستخدام الذكاء الاصطناعي

1.1.18    تكوين بيئات تطوير الويب للمشاريع ذات الذكاء الاصطناعي 
2.1.18    اختيار وإعداد الأدوات الأساسية لتطوير الويب باستخدام الذكاء الاصطناعي 
3.1.18    تكامل مكتبات وأطر(frameworks) حددة لمشاريع الويب مع الذكاء الاصطناعي 
4.1.18    تنفيذ الممارسات الجيدة في تكوين بيئات التطوير التعاونية 

2.18    إنشاء مساحة عمل (Workspace) لمشاريع الذكاء الاصطناعي باستخدام GitHub Copilot

1.2.18    التصميم والتنظيم الفعال لمساحات العمل (workspaces) لمشاريع الويب بمكونات الذكاء الاصطناعي
2.2.18    استخدام أدوات إدارة المشاريع والتحكم في الإصدار في مساحة العمل (workspace) 
3.2.18    استراتيجيات التعاون والتواصل الفعال في فريق التطوير 
4.2.18    تكييف مساحة العمل (workspace) مع الاحتياجات المحددة لمشاريع الويب باستخدام الذكاء الاصطناعي

 
3.18    أنماط التصميم في المنتجات باستخدام GitHub Copilot

1.3.18    تحديد وتطبيق أنماط التصميم الشائعة في واجهات المستخدم مع عناصر الذكاء الاصطناعي 
2.3.18    تطوير أنماط محددة لتحسين تجربة المستخدم في مشاريع الويب باستخدام الذكاء الاصطناعي 
3.3.18    دمج أنماط التصميم في البنية العامة لمشاريع الويب باستخدام الذكاء الاصطناعي 
4.3.18    تقييم واختيار أنماط التصميم المناسبة وفقًا لسياق المشروع 

4.18    تطوير الواجهة الأمامية باستخدام GitHub Copilot

1.4.18    دمج نماذج الذكاء الاصطناعي في طبقة العرض لمشاريع الويب
2.4.18    تطوير واجهات المستخدم التكيفية مع عناصر الذكاء الاصطناعي 
3.4.18    تنفيذ وظائف معالجة اللغة الطبيعية (NLP) في الواجهة الأمامية 
4.4.18    استراتيجيات تحسين الأداء في تطوير الواجهة الأمامية باستخدام الذكاء الاصطناعي

5.18    إنشاء قاعدة البيانات باستخدام GitHub Copilot

1.5.18    اختيار تقنيات قواعد البيانات لمشاريع الويب ذات الذكاء الاصطناعي 
2.5.18    تصميم مخططات قاعدة البيانات لتخزين وإدارة البيانات المتعلقة بالذكاء الاصطناعي 
3.5.18    تنفيذ أنظمة تخزين فعالة لكميات كبيرة من البيانات الناتجة عن نماذج الذكاء الاصطناعي 
4.5.18    استراتيجيات أمن وحماية البيانات الحساسة في قواعد بيانات مشاريع الويب باستخدام الذكاء الاصطناعي 

6.18    تطوير الواجهة الخلفية باستخدام GitHub Copilot

1.6.18    دمج خدمات ونماذج الذكاء الاصطناعي في الواجهة الخلفية (backend) 
2.6.18    تطوير واجهات برمجة التطبيقات ونقاط النهاية المحددة للتواصل بين مكونات الواجهة الأمامية (Frontend) والذكاء الاصطناعي 
3.6.18    تنفيذ منطق معالجة البيانات واتخاذ القرار في الواجهة الخلفية (backend) باستخدام الذكاء الاصطناعيمية 
4.6.18    استراتيجيات قابلية التوسع والأداء في تطوير الواجهة الخلفية لمشاريع الويب باستخدام الذكاء الاصطناعي

7.18    تحسين عملية نشر موقع الويب الخاص بك

1.7.18    أتمتة عمليات البناء والنشر لمشاريع الويب باستخدام ChatGPT
2.7.18    تنفيذ خطوط أنابيب CI/CD المتكيفة مع تطبيقات الويب مع GitHub Copilot
3.7.18    استراتيجيات الإدارة الفعالة للإصدارات والتحديثات في عمليات النشر المستمر 
4.7.18    مراقبة وتحليل ما بعد النشر من أجل التحسين المستمر للعملية

8.18    الذكاء الاصطناعي في الحوسبة السحابية

1.8.18    دمج خدمات الذكاء الاصطناعي في منصات الحوسبة السحابية 
2.8.18    تطوير حلول قابلة للتطوير وموزعة باستخدام الخدمات السحابية مع قدرات الذكاء الاصطناعي 
3.8.18    استراتيجيات لإدارة الموارد والتكاليف بكفاءة في البيئات السحابية باستخدام تطبيقات الويب الخاصة بالذكاء الاصطناعي 
4.8.18    تقييم ومقارنة مقدمي الخدمات السحابية لمشاريع الويب مع الذكاء الاصطناعي

9.18    إنشاء مشروع ذكاء اصطناعي لبيئات LAMP بمساعدة ChatGPT

1.9.18    تكييف مشاريع الويب بناءً على حزمة LAMP لتشمل مكونات الذكاء الاصطناعي 
2.9.18    تكامل مكتبات وأطر (frameworks) الذكاء الاصطناعي المحددة في بيئات LAMP 
3.9.18    تطوير وظائف الذكاء الاصطناعي التي تكمل بنية LAMP التقليدية
4.9.18    استراتيجيات التحسين والصيانة في مشاريع الويب باستخدام الذكاء الاصطناعي في بيئات LAMP

10.18    إنشاء مشروع ذكاء اصطناعي لبيئات MEVN باستخدام ChatGPT

1.10.18    دمج التقنيات والأدوات من مكدس MEVN مع مكونات الذكاء الاصطناعي 
2.10.18    تطوير تطبيقات الويب الحديثة والقابلة للتطوير في بيئات MEVN بقدرات الذكاء الاصطناعي 
3.10.18    تنفيذ وظائف معالجة البيانات والتعلم الآلي في مشاريع MEVN 
4.10.18    استراتيجيات لتحسين الأداء والأمان في تطبيقات الويب باستخدام الذكاء الاصطناعي في بيئات MEVN 

وحدة 19 تطبيقات الهاتف المحمول مع الذكاء الاصطناعي   

1.19    إعداد بيئة العمل لتطوير الأجهزة المحمولة باستخدام الذكاء الاصطناعي

1.1.19    تكوين بيئات التطوير المتنقلة للمشاريع ذات الذكاء الاصطناعي
2.1.19    اختيار وإعداد أدوات محددة لتطوير تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 
3.1.19    تكامل مكتبات وأطر (frameworks) الذكاء الاصطناعي في بيئات التطوير المتنقلة 
4.1.19    تكوين المحاكيات والأجهزة الحقيقية لاختبار تطبيقات الهاتف المحمول بمكونات الذكاء الاصطناعي 

2.19    إنشاء مساحة عمل (Workspace) باستخدام GitHub Copilot

1.2.19    تكامل GitHub Copilot في بيئات تطوير الأجهزة المحمولة 
2.2.19    الاستخدام الفعال لـ GitHub Copilot لإنشاء التعليمات البرمجية في مشاريع الذكاء الاصطناعي 
3.2.19    استراتيجيات التعاون بين المطورين عند استخدام GitHub Copilot في مساحة العمل (Workspace) 
4.2.19    الممارسات الجيدة والقيود في استخدام GitHub Copilot في تطوير تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي

3.19    إعدادات Firebase

1.3.19    الإعداد الأولي لمشروع في Firebase لتطوير الأجهزة المحمولة 
2.3.19    تكامل Firebase في تطبيقات الهاتف المحمول مع وظائف الذكاء الاصطناعي 
3.3.19    استخدام خدمات Firebase كقاعدة بيانات ومصادقة وإشعارات في مشاريع الذكاء الاصطناعي 
4.3.19    استراتيجيات إدارة البيانات والأحداث في الوقت الحقيقي في تطبيقات الهاتف المحمول باستخدام Firebase

4.19    مفاهيم الهندسة المعمارية النظيفة (Clean Architecture) ومصادر البيانات (DataSources) والمستودعات (Repositories)

1.4.19    المبادئ الأساسية للهندسة المعمارية النظيفة في تطوير الأجهزة المحمولة باستخدام الذكاء الاصطناعي 
2.4.19    نشر طبقات مصادر البيانات والمستودعات باستخدام GitHub Copilot
3.4.19    تصميم وتنظيم المكونات في المشاريع المحمولة باستخدام GitHub Copilot
4.4.19    فوائد وتحديات تنفيذ البنية النظيفة (Clean Architecture) تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي

5.19    إنشاء شاشة المصادقة باستخدام GitHub Copilot

1.5.19    تصميم وتطوير واجهات المستخدم لشاشات التوثيق في تطبيقات الجوال بالذكاء الاصطناعي 
2.5.19    دمج خدمات المصادقة مع Firebase على شاشة تسجيل الدخول
3.5.19    استخدام تقنيات الأمان وحماية البيانات على شاشة المصادقة 
4.5.19    تخصيص وتكييف تجربة المستخدم على شاشة المصادقة 

6.19    إنشاء لوحة المعلومات والتنقل باستخدام GitHub Copilot

1.6.19    تصميم وتطوير لوحات المعلومات (Dashboards) بعناصر الذكاء الاصطناعي 
2.6.19    تنفيذ أنظمة الملاحة الفعالة في تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 
3.6.19    دمج وظائف الذكاء الاصطناعي في لوحة المعلومات (Dashboards) لتحسين تجربة المستخدم

7.19    إنشاء شاشة القائمة باستخدام GitHub Copilot

1.7.19    تطوير واجهات المستخدم للشاشات مع القوائم في تطبيقات الهاتف المحمول بتقنية الذكاء الاصطناعي 
2.7.19    دمج خوارزميات التوصية والتصفية في شاشة القائمة 
3.7.19    استخدام أنماط التصميم للعرض الفعال للبيانات في القائمة 
4.7.19    استراتيجيات لتحميل البيانات في الوقت الحقيقي بكفاءة على شاشة القائمة 

8.19    إنشاء شاشة التفاصيل باستخدام GitHub Copilot

1.8.19    تصميم وتطوير واجهات المستخدم التفصيلية لعرض معلومات محددة
2.8.19    دمج وظائف الذكاء الاصطناعي لإثراء شاشة التفاصيل 
3.8.19    تنفيذ التفاعلات والرسوم المتحركة على شاشة التفاصيل 
4.8.19    استراتيجيات تحسين الأداء في تحميل وعرض التفاصيل في تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 

9.19    إنشاء شاشة الإعدادات باستخدام GitHub Copilot

1.9.19    تطوير واجهات المستخدم للتكوين والتعديلات في تطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 
2.9.19    تكامل الإعدادات المخصصة المتعلقة بمكونات الذكاء الاصطناعي 
3.9.19    تنفيذ خيارات التخصيص والتفضيلات على شاشة الإعدادات 
4.9.19    استراتيجيات سهولة الاستخدام والوضوح في عرض الخيارات على شاشة الإعدادات (Settings) 

10.19    إنشاء أيقونات Splash وموارد رسومية وأيقونات لتطبيقك باستخدام الذكاء الاصطناعي  

  
1.10.19    تصميم وإنشاء أيقونات جذابة لتمثيل تطبيق الهاتف المحمول بتقنية الذكاء الاصطناعي 
2.10.19    تطوير شاشات البداية (splash) مع عناصر بصرية ملفتة للنظر 
3.10.19    اختيار وتكييف الموارد الرسومية التي تعمل على تحسين جماليات تطبيقات الهاتف المحمول 
4.10.19    استراتيجيات الاتساق والعلامة التجارية المرئية في العناصر الرسومية للتطبيق باستخدام الذكاء الاصطناعي 

وحدة 20 الذكاء الاصطناعي لاختبار ضمان الجودة (QA Testing) 

1.20    دورة حياة الاختبار (testing)

1.1.20    وصف وفهم دورة حياة الاختبار (testing) في تطوير البرمجيات
2.1.20    مراحل دورة حياة الاختبار (testing) وأهميتها في ضمان الجودة 
3.1.20    دمج الذكاء الاصطناعي في المراحل المختلفة من دورة حياة الاختبار (testing) 
4.1.20    استراتيجيات التحسين المستمر لدورة حياة الاختبار (testing) من خلال استخدام الذكاء الاصطناعي 

2.20    حالات الاختبار واكتشاف الأخطاء باستخدام ChatGPT

1.2.20    تصميم وكتابة حالات اختبار فعالة في سياق اختبار (Testing) ضمان الجودة 
2.2.20    تحديد الأخطاء والأخطاء أثناء تنفيذ حالات الاختبار 
3.2.20    تطبيق تقنيات الكشف المبكر عن الأخطاء من خلال التحليل الثابت 
4.2.20    استخدام أدوات الذكاء الاصطناعي للتعرف التلقائي على الأخطاء في حالات الاختبار 

3.20    أنواع الاختبار (testing)

1.3.20    استكشاف أنواع مختلفة من الاختبارات (testing) في مجال ضمان الجودة 
2.3.20    .اختبار الوحدة والتكامل والوظيفية والقبول: الميزات والتطبيقات 
3.3.20    استراتيجيات الاختيار والجمع المناسب لأنواع الاختبارات (testing) في المشاريع باستخدام الذكاء ChatGPT
4.3.20    تكييف أنواع الاختبارات (testing) التقليدية مع المشاريع باستخدام ChatGPT

4.20    إنشاء خطة الاختبار باستخدام ChatGPT

1.4.20    تصميم وبناء خطة اختبار شاملة 
2.4.20    تحديد المتطلبات وسيناريوهات الاختبار في المشاريع باستخدام الذكاء الاصطناعي 
3.4.20    استراتيجيات التخطيط للاختبارات اليدوية والآلية 
4.4.20    التقييم المستمر وتعديل خطة الاختبار بناءً على تطور المشروع 

5.20    اكتشاف الأخطاء (Bugs) والإبلاغ عنها باستخدام الذكاء الاصطناعي

1.5.20    تنفيذ تقنيات الكشف التلقائي عن الأخطاء باستخدام خوارزميات التعلم الآلي
2.5.20    استخدام أدوات ChatGPT لتحليل الكود الديناميكي بحثًا عن الأخطاء المحتملة
3.5.20    استراتيجيات لتوليد تقارير مفصلة تلقائيًا حول الأخطاء المكتشفة باستخدام ChatGPT 
4.5.20    التعاون الفعال بين فرق التطوير وضمان الجودة في إدارة الأخطاء التي يحددها الذكاء الاصطناعي

6.20    إنشاء اختبارات آلية باستخدام الذكاء الاصطناعي

1.6.20    تطوير نصوص اختبار آلية للمشاريع باستخدام ChatGPT
2.6.20    تكامل أدوات أتمتة الاختبار القائمة على الذكاء الاصطناعي
3.6.20    استخدام ChatGPT لتوليد حالات اختبار آلية ديناميكيًا
4.6.20    استراتيجيات التنفيذ الفعال وصيانة الاختبارات الآلية في المشاريع ذات الذكاء الاصطناعي

7.20    اختبار واجهة برمجة التطبيقات (API Testing)

1.7.20    المفاهيم الأساسية لاختبار (testing) API وأهميتها في ضمان الجودة 
2.7.20    تطوير اختبارات للتحقق من واجهات برمجة التطبيقات (APIs) في البيئات باستخدام ChatGPT
3.7.20    استراتيجيات للتحقق من صحة البيانات والنتائج في اختبار واجهات برمجة التطبيقات (API) باستخدام ChatGPT
4.7.20    استخدام أدوات محددة لاختبار (testing) واجهات برمجة التطبيقات في المشاريع ذات الذكاء الاصطناعي

8.20    أدوات الذكاء الاصطناعي لاختبار (testing) الويب

1.8.20    استكشاف أدوات الذكاء الاصطناعي لأتمتة الاختبار في بيئات الويب 
2.8.20    دمج تقنيات التعرف على العناصر والتحليل البصري في اختبار (testing) الويب 
3.8.20    استراتيجيات الكشف التلقائي عن التغييرات ومشاكل الأداء في تطبيقات الويب باستخدام ChatGPT
4.8.20    تقييم أدوات محددة لتحسين الكفاءة في اختبار الويب باستخدام الذكاء الاصطناعي

9.20    اختبار المحمول (Mobile Testing) باستخدام الذكاء الاصطناعي

1.9.20    تطوير استراتيجيات اختبار (testing) تطبيقات الهاتف المحمول بمكونات الذكاء الاصطناعي 
2.9.20    دمج أدوات اختبار (testing) محددة لمنصات الهاتف المحمول القائمة على الذكاء الاصطناعي 
3.9.20    استخدام ChatGPT لاكتشاف المشكلات في أداء التطبيقات المحمولة
4.9.20    استراتيجيات للتحقق من صحة واجهات ووظائف محددة لتطبيقات الهاتف المحمول باستخدام الذكاء الاصطناعي 

10.20    أدوات ضمان الجودة مع الذكاء الاصطناعي

1.10.20    استكشاف أدوات ومنصات ضمان الجودة التي تتضمن وظائف الذكاء الاصطناعي
2.10.20    تقييم أدوات الإدارة الفعالة وتنفيذ الاختبارات في المشاريع باستخدام الذكاء الاصطناعي 
3.10.20    استخدام ChatGPT لتوليد وتحسين حالات الاختبار
4.10.20    استراتيجيات الاختيار والاعتماد الفعال لأدوات ضمان الجودة بقدرات الذكاء الاصطناعي 

ضع نفسك في سوق العمل ببرنامج عبر الإنترنت 100% يتكيف مع احتياجاتك ويسمح لك بتعلم غامر وقوي"