حقق أقصى استفادة من إمكانياتك المهنية من خلال دراسة برنامج يساعدك على وضع نفسك كإداري في مجال علم البيانات" 

يتناول البرنامج، من منظور تقني وتجاري، علم البيانات، ويقدم كل المعرفة اللازمة لاستخراج المعرفة المخفية فيها. بهذه الطريقة، سيتمكن مهندسو الكمبيوتر، أو المهتمون في هذا المجال، أو المهتمون بهذا المجال من التحليل التفصيلي للخوارزميات المختلفة والأنظمة الأساسية ومعظم الأدوات الحالية لاستكشاف البيانات وتصورها ومعالجتها وتجهزيها وتحليلها. كل ما سبق، بالإضافة إلى تطوير مهارات العمل، ضروري لتحقيق ملف تعريف على المستوى التنفيذي قادر على اتخاذ القرارات الرئيسية في الشركة. ستساعد المعرفة الجديدة متعددة التخصصات التي سيكتسبها الطالب بعد إكمال البرنامج على وضع نفسه كـ Data Science Officer (DSO) في الشركات من جميع الأحجام.

بالمثل، فإن نهج تحليل البيانات من كلا المنظورين يجعل هذا البرنامج تدريبًا محدثًا ومثاليًا لتغطية جميع الاحتياجات المتعلقة بمعالجة المعلومات من أجل تحويلها اللاحق إلى أصل أساسي لأي منظمة.

في البداية سيناقش البرنامج أهمية استخدام نظام تحليل جيد في الشركة حيث يمكن لكل قسم الاستفادة منه. بالمثل، سيتم تطوير معرفة متخصصة تركز على تصنيف ودورة حياة الموارد المتاحة، لذلك سيتم إرشاد الطالب في المعرفة الأساسية للإحصاءات.

مع تقدم البرنامج، سيتم فحص تلك النماذج التي تقدم قدرًا أكبر من التنوع والقدرة على التكيف لتحليل السلاسل الزمنية، مثل النماذج المرتبطة بالسلسلة الاقتصادية. مع اقتراب نهاية البرنامج، سيتم توفير مجموعة متنوعة من حالات الاستخدام والتطبيقات للذكاء الاصطناعي وعلوم البيانات في عالم اليوم.

مع برنامج الماجيستير الخاص، سيتمكن مهندسو الكمبيوتر من التخصص في علوم البيانات، لتصبح فرصة مثالية لتعزيز حياتهم المهنية نحو منصب إداري أو مهم في القسم الذي يؤدون فيه واجباتهم. سيكون كل هذا ملموسًا بفضل برنامج 100% عبر الإنترنت، والذي يتكيف مع الاحتياجات اليومية للطلاب، وسيكون من الضروري فقط أن يكون لديك جهاز متصل بالإنترنت لبدء العمل للحصول على ملف تعريف احترافي كامل مع عرض دولي. 

إذا كنت تبحث عن برنامج يسمح لك بزيادة مهاراتك ووضع نفسك كمسؤول عن علوم البيانات في DSO، Data Science Officer، فمرحبًا بك في جامعة TECH، لقد وجدت أنسب مكان لك" 

تحتوي درجة الماجستير الخاص في إدارة علوم البيانات (DSO، Data Science Officer)  على البرنامج الأكثر اكتمالاً وتحديثًا في السوق. أبرز خصائصها التدريبية هي: 

تطوير الحالات العملية المقدمة من قبل خبراء الهندسة التي تركز على تحليل البيانات
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

استعد لاتخاذ قرارات ذات قيمة علمية وتنفيذ استراتيجيات تعمل على تحسين وظائف أقسام الشركة" 

البرنامج يضم في أعضاء هيئة تدريسه 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.

يرتكز تصميم هذا البرنامج على التعلّم القائم على حل المشكلات، والذي من خلاله يجب على المحترف محاولة حل المواقف المختلفة للممارسة المهنية التي يواجهها طوال فترة البرنامج. للقيام بذلك، ستحصل على مساعدة من نظام جديد من مقاطع الفيديو التفاعلية التي تم إنشاؤها بواسطة خبراء معترف بهم، مع خبرة واسعة في إدارة علوم البيانات(DSO، Data Science Officer). 

عزز حياتك المهنية من خلال تحديد إنشاء وثائق التقييم ومؤشرات الأداء الرئيسية KPI’s بناءً على القسم الذي تشتغل عليه"

قم بتطوير المعرفة المتخصصة المتعلقة بإدارة البيانات ومعالجتها لعمليات علوم البيانات. بهذه الطريقة ستصبح DSO ناجحًا"

في عالم تهيمن عليه البيانات، من المهم معرفة الأنظمة الرئيسية المسؤولة عن توليدها وتخزينها لتحليلها لاحقًا. بهذه الطريقة، تم تصميم برنامج يركز على تلبية المتطلبات التحضيرية للمهنيين الذين يرغبون في التخصص في التقنيات الأكثر اكتمالاً والحالية لمعالجة البيانات واستخراج المعرفة، من منظور نظري وعملي. بهذه الطريقة، سيكون مهندس الكمبيوتر قادرًا على التقدم في معرفته التقنية أثناء تطوير ملف تعريف الأعمال.

استخرج المعرفة المتخصصة في المعمارية البرمجية وأنظمة البرمجيات اللازمة للاستخدام المكثف للبيانات" 

الوحدة 1. تحليلات البيانات في المؤسسة التجارية

1.1.    تحليل الأعمال 

1.1.1.    تحليل الأعمال
2.1.1.    هيكل البيانات
3.1.1.    المراحل والعناصر 

2.1.    تحليلات البيانات في المؤسسة التجارية

1.2.1.    وثائق التقييم ومؤشرات الأداء الرئيسية حسب الأقسام 
2.2.1.    التقارير التشغيلية والتكتيكية والاستراتيجية
3.2.1.    تطبيق تحليلات البيانات على كل قسم

1.3.2.1. التسويق والاتصال
2.3.2.1. تجاري
3.3.2.1. خدمة العملاء
4.3.2.1. المشتريات 
5.3.2.1. الإدارة
6.3.2.1. الموارد البشرية
7.3.2.1. الإنتاج
8.3.2.1. IT

3.1.    التسويق والاتصال

1.3.1.    مؤشرات الأداء الرئيسية للقياس والتطبيقات والفوائد
2.3.1.    أنظمة التسويق ومخازن البيانات Data Warehouse
3.3.1.    تنفيذ هيكل تحليل البيانات في التسويق
4.3.1.    خطة التسويق والاتصال 
5.3.1.    الإستراتيجيات والتنبؤ وإدارة الحملات

4.1.    التجارة والمبيعات 

1.4.1.    مساهمات تحليلات البيانات في المجال التجاري 
2.4.1.    احتياجات قسم المبيعات
3.4.1.    دراسات السوق 

5.1.    خدمة العملاء 

1.5.1.    الولاء 
2.5.1.    الجودة الشخصية والذكاء العاطفي 
3.5.1.    رضا العملاء

6.1.    المشتريات

1.6.1.    تحليلات البيانات لأبحاث السوق
2.6.1.    تحليلات البيانات لدراسات المنافسة
3.6.1.    التطبيقات الأخرى

7.1.    الإدارة

1.7.1.    الاحتياجات في قسم الإدارة
2.7.1.    مستودع البيانات Data Warehouse  وتحليل المخاطر المالية 
3.7.1.    مستودع البيانات Data Warehouse  وتحليل مخاطر الائتمان

8.1.    الموارد البشرية

1.8.1.    الموارد البشرية وفوائد تحليلات البيانات
2.8.1.    أدوات تحليل البيانات في قسم الموارد البشرية
3.8.1.    تطبيق تحليلات البيانات في الموارد البشرية

9.1.    الإنتاج  

1.9.1.    تحليل البيانات في قسم الإنتاج
2.9.1.    التطبيقات
3.9.1.    الفوائد 

10.1.    IT 

1.10.1.    قسم تكنولوجيا المعلومات
2.10.1.    تحليلات البيانات والتحول الرقمي
3.10.1.    الابتكار والإنتاجية

الوحدة 2. إدارة ومعالجة البيانات والمعلومات لعلوم البيانات 

1.2.    إحصائيات. المتغيرات والمؤشرات والنسب

1.1.2.    الإحصاء 
2.1.2.    الأبعاد الإحصائية 
3.1.2.    المتغيرات والمؤشرات والنسب 

2.2.    نوع البيانات 

1.2.2.    نوعية 
2.2.2.    كمية 
3.2.2.    التوصيف والفئات 

3.2.    معرفة البيانات من القياسات

1.3.2.    المقاييس المركزية 
2.3.2.    المقاييس التشتت
3.3.2.    الارتباطات 

2.4.    رؤى حول البيانات من الرسوم البيانية

1.4.2.    التصور حسب نوع البيانات 
2.4.2.    تفسير المعلومات الرسومية 
3.4.2.    تخصيص الرسومات باستخدام برنامج آر. 

5.2.    الاحتمال

1.5.2.    الاحتمال 
2.5.2.    وظيفة الاحتمال 
3.5.2.    التوزيعات 

6.2.    جمع البيانات 

1.6.2.    منهجية التحصيل 
2.6.2.    أدوات التحصيل 
3.6.2.    قنوات التحصيل 

7.2.    تنظيف البيانات 

1.7.2.    مراحل تطهير البيانات 
2.7.2.    جودة البيانات
3.7.2.    معالجة البيانات (مع برنامج آر) 

8.2.    تحليل البيانات وتفسيرها وتقييم النتائج

1.8.2.    المقاييس الإحصائية 
2.8.2.    مؤشرات العلاقة 
3.8.2.    استخراج البيانات 

9.2.    مستودع البيانات (Data Warehouse) 

1.9.2.    العوامل  
2.9.2.    التصميم 

10.2.    توافر البيانات 

1.10.2.    الدخول 
2.10.2.    الوصول 
3.10.2.    الأمان

الوحدة 3. أجهزة ومنصات IoT كأساس لعلوم البيانات

1.3.    Internet of Things انترنت الأشياء

1.1.3.    إنترنت المستقبل، Internet of Things
2.1.3.    اتحاد الإنترنت الصناعي

2.3.    الهندسة المعمارية المرجعية 

1.2.3.    العمارة المرجعية
2.2.3.    الطبقات
3.2.3.    المكونات

3.3.    المجسّات وأجهزة IoT 

1.3.3.    المكونات الرئيسية
2.3.3.    المجسّات والمشغلات الميكانيكية

4.3.    الاتصالات والبروتوكولات

1.4.3.    بروتوكولات. نموذج OSI
2.4.3.    تكنولوجيات الاتصال

5.3.    الأنظمة الأساسية السحابية لإنترنت الأشياء وإنترنت الأشياء IoT و IIoT 

1.5.3.    منصات الأغراض العامة 
2.5.3.    منصات صناعية
3.5.3.    منصات مفتوحة المصدر

6.3.    إدارة البيانات في منصات إنترنت الأشياء IoT

1.6.3.    آليات إدارة البيانات. البيانات المفتوحة
2.6.3.    تبادل البيانات والتصور

7.3.    الأمن في إنترنت الأشياء IoT

1.7.3.    المتطلبات ومجالات الأمان
2.7.3.    استراتيجيات أمان الإنترنت الصناعي للأشياء IIoT

8.3.    تطبيقات إنترنت الأشياء IoT

1.8.3.    المدن الذكية
2.8.3.    الصحة و اللياقة
3.8.3.    المنزل الذكي
4.8.3.    التطبيقات الأخرى

9.3.    تطبيقات إنترنت الصناعي للأشياء IIoT

1.9.3.    التصنيع
2.9.3.    النقل
3.9.3.    طاقة
4.9.3.    الزراعة وتربية المواشي
5.9.3.    قطاعات أخرى

10.3.    الصناعة 4.0 

1.10.3.    IoRT)Internet of Robotics Things)
2.10.3.    تصنيع المواد المضافة ثلاثية الأبعاد
3.10.3.    تحليلات البيانات الضخمة

الوحدة 4. العرض البياني لتحليل البيانات

1.4.    التحليل الاستكشافي 

1.1.4.    العرض من أجل تحليل المعلومات
2.1.4.    قيمة التمثيل البياني
3.1.4.    نماذج جديدة للتمثيل البياني

2.4.    تحسين علوم البيانات 

1.2.4.    نطاق اللون والتصميم
2.2.4.    نظرية الغَشتَلت في التمثيل البياني
3.2.4.    تجنب الأخطاء والنصائح

3.4.    مصادر البيانات الأساسية

1.3.4.    من أجل عرض الجودة
2.3.4.    من أجل عرض الكمية
3.3.4.    من أجل عرض الوقت

4.4.    مصادر البيانات المعقدة

1.4.4.    الملفات والقوائم و BBDD 
2.4.4.    البيانات المفتوحة
3.4.4.    إنشاء البيانات المستمرة

5.4.    أنواع المخططات 

1.5.4.    العروض الأساسية
2.5.4.    العروض الكتلية 
3.5.4.    العروض لتحليل التشتت
4.5.4.    العروض الدائرية
5.5.4.    عروض الفقاعة
6.5.4.    العروض الجغرافية 

6.4.    أنواع العرض

1.6.4.    المقارنة والعلائقية
2.6.4.    التوزيع
3.6.4.    الهرمية

7.4.    تصميم التقارير مع العرض البياني 

1.7.4.    تطبيق الرسوم البيانية في تقارير التسويق
2.7.4.    تطبيق الرسوم البيانية في لوحات المعلومات ومؤشرات الأداء الرئيسية
3.7.4.    تطبيق الرسوم البيانية في الخطط الاستراتيجية
4.7.4.    استخدامات أخرى: علم، صحة، أعمال 

8.4.    السرد التصويري

1.8.4.    السرد التصويري
2.8.4.    التطور 
3.8.4.    الوصول

9.4.    أدوات موجهة للتصور 

1.9.4.    ادوات متطورة
2.9.4.    برامج عبر الإنترنت
3.9.4.    Open Source

10.4.    التقنيات الجديدة في تصور البيانات 

1.10.4.    أنظمة لافتراضية الواقع
2.10.4.    أنظمة تكبير وتقوية الواقع
3.10.4.    أنظمة ذكية

الوحدة 5. أدوات علوم البيانات

1.5.    علم البيانات

1.1.5.    علم البيانات
2.1.5.    أدوات متقدمة لعالم البيانات

2.5.    البيانات والمعلومات والمعرفة

1.2.5.    البيانات والمعلومات والمعرفة 
2.2.5.    أنواع البيانات
3.2.5.    مصادر البيانات

3.5.    من البيانات إلى المعلومات 

1.3.5.    تحليل البيانات
2.3.5.    أنواع التحليل
3.3.5.    استخراج المعلومات من مجموعة البيانات Dataset 

4.5.    استخراج المعلومات من خلال التصور

1.4.5.    التصور كأداة تحليل
2.4.5.    طرق العرض 
3.4.5.    عرض مجموعة البيانات

5.5.    جودة البيانات

1.5.5.    بيانات الجودة
2.5.5.    تطهير البيانات 
3.5.5.    معالجة البيانات الأساسية

6.5.    Dataset

1.6.5.    إثراء مجموعة البيانات Dataset
2.6.5.    لعنة الأبعاد
3.6.5.    تعديل مجموعة البيانات الخاصة بنا

7.5.    اختلال التوازن 

1.7.5.    عدم التوازن الطبقي
2.7.5.    تقنيات تخفيف الاختلال
3.7.5.    موازنة مجموعة البيانات

8.5.    نماذج غير خاضعة للرقابة 

1.8.5.    نموذج غير خاضع للرقابة
2.8.5.    مناهج
3.8.5.    التصنيف بنماذج غير خاضعة للرقابة

9.5.    النماذج الخاضعة للإشراف

1.9.5.    نموذج خاضع للإشراف
2.9.5.    مناهج
3.9.5.    التصنيف مع النماذج الخاضعة للإشراف

10.5.    الأدوات والممارسات الجيدة

1.10.5.    أفضل الممارسات لعالم البيانات
2.10.5.    أفضل نموذج 
3.10.5.    أدوات مفيدة

الوحدة 6. التنقيب في البيانات. الاختيار والمعالجة المسبقة والتحول

1.6.    الاستدلال الإحصائي

1.1.6.    الإحصاء الوصفي مقابل. الاستدلال الإحصائي
2.1.6.    إجراءات حدودية
3.1.6.    الإجراءات اللامعلمية

2.6.    التحليل الاستكشافي

1.2.6.    التحليل الوصفي 
2.2.6.    العرض
3.2.6.    إعداد البيانات

3.6.    إعداد البيانات

1.3.6.    تكامل البيانات وتنقيتها 
2.3.6.    تطبيع البيانات
3.3.6.    سمات التحويل 

4.6.    القيم المفقودة

1.4.6.    معالجة القيم الناقصة
2.4.6.    طرق التضمين القصوى
3.4.6.    احتساب القيم المفقودة باستخدام التعلم الآلي

5.6.    الضجيج في البيانات 

1.5.6.    فئات وسمات الضجيج
2.5.6.    ترشيح الضجيج 
3.5.6.    تأثير الضجيج

6.6.    لعنة الأبعاد

1.6.6.    Oversampling
2.6.6.    Undersampling
3.6.6.    تقليل البيانات متعددة الأبعاد

7.6.    من الصفات المستمرة إلى المنفصلة

1.7.6.    البيانات المستمرة مقابل البيانات المنفصلة
2.7.6.    عملية التكتم

8.6.    البيانات 

1.8.6.    اختيار البيانات 
2.8.6.    وجهات النظر ومعايير الاختيار
3.8.6.    مناهج الاختيار 

9.6.    اختيار المثيل

1.9.6.    مناهج اختيار الحالات
2.9.6.    اختيار النماذج
3.9.6.    مناهج متقدمة لاختيار المثيل

10.6.    المعالجة المسبقة للبيانات في بيئات البيانات الضخمة Big Data

1.10.6.    Big Data
2.10.6.    المعالجة "الكلاسيكية" مقابل المعالجة المسبقة السائبة
3.10.6.    Smart Data

الوحدة 7. القدرة على التنبؤ وتحليل الظواهر العشوائية

1.7.    السلاسل الزمنية

1.1.7.    السلاسل الزمنية
2.1.7.    المنفعة والتطبيق
3.1.7.    الحالات ذات الصلة

2.7.    السلسلة الزمنية

1.2.7.    اتجاه الموسمية ST
2.2.7.    الاختلافات النموذجية
3.2.7.    تحليل المخلفات

3.7.    الأنماط

1.3.7.    الثابتة
2.3.7.    الغير ثابتة
3.3.7.    التحولات والتعديلات

4.7.    مخططات السلاسل الزمنية 

1.4.7.    مخطط (نموذج) مضاف
2.4.7.    مخطط مضاعف (نموذج)
3.4.7.    إجراءات تحديد نوع النموذج

5.7.    طرق التنبؤ الأساسية forecast

1.5.7.    إعلام
2.5.7.    Naïve
3.5.7.    Naïve الموسمية
4.5.7.    مقارنة المناهج

6.7.    تحليل المخلفات 

1.6.7.    الارتباط التلقائي
2.6.7.    النفايات ACF
3.6.7.    اختبار الارتباط

7.7.    الانحدار في سياق السلاسل الزمنية 

1.7.7.    ANOVA
2.7.7.    الأساسيات
3.7.7.    تطبيق عملي 

8.7.    النماذج التنبؤية للسلاسل الزمنية

1.8.7.    ARIMA
2.8.7.    تجانس الأسي 

9.7.    معالجة وتحليل السلاسل الزمنية باستخدام R.

1.9.7.    إعداد البيانات
2.9.7.    تحديد النمط
3.9.7.    تحليل النموذج
4.9.7.    التنبؤ

10.7.    الجمع بين التحليل البياني مع R 

1.10.7.    المواقف الإعتيادية
2.10.7.    تطبيق عملي لحل المشاكل البسيطة 
3.10.7.    تطبيق عملي لحل المشاكل المتقدمة 

الوحدة 8. تصميم وتطوير الأنظمة الذكية

1.8.    المعالجة المسبقة للبيانات

1.1.8.    المعالجة المسبقة للبيانات
2.1.8.    تحويل البيانات 
3.1.8.    استخراج البيانات

2.8.    التعلم الالي

1.2.8.    التعلم الخاضع للإشراف وغير الخاضع للإشراف
2.2.8.    التعليم المعزز
3.2.8.    نماذج أخرى للتعلم

3.8.    خوارزميات التصنيف

1.3.8.    التعلم الآلي الاستقرائي
2.3.8.    SVM و KNN
3.3.8.    مقاييس ودرجات الترتيب

4.8.    خوارزميات التراجع 

1.4.8.    التراجع الخطي والتراجع اللوجستي والنماذج غير الخطية 
2.4.8.    التسلسل الزمني 
3.4.8.    مقاييس ودرجات التراجع 

5.8.    خوارزميات التجميع 

1.5.8.    تقنيات التجميع الهرمي 
2.5.8.    تقنيات التجميع الجزئي 
3.5.8.    المقاييس والنتائج للتجميع (clustering) 

6.8.    تقنيات قواعد الجمعية 

1.6.8.    مناهج استخراج القواعد 
2.6.8.    المقاييس والنتائج لخوارزميات قاعدة الارتباط 

7.8.    تقنيات التصنيف المتقدمة. المصنفات المتعددة 

1.7.8.    خوارزميات التعبئة (Bagging) 
2.7.8.    مصنف "الغابات العشوائية (Random Forests)". 
3.7.8.    "التعزيز (Boosting)" لأشجار القرار 

8.8.    النماذج الرسومية الاحتمالية 

1.8.8.    النماذج الاحتمالية 
2.8.8.    شبكة بايزية. الخصائص والتمثيل والمعلمات
3.8.8.    نماذج بيانية احتمالية أخرى 

9.8.    الشبكات العصبية 

1.9.8.    التعلم الآلي باستخدام الشبكات العصبية الاصطناعية 
2.9.8.    شبكات التزويد المتقدّم feed forward 

10.8.    التعلم العميق 

1.10.8.    شبكات التزويد المتقدّم feed forward العميقة 
2.10.8.    الشبكات العصبونية التلافيفية ونماذج التسلسل 
3.10.8.    أدوات لتنفيذ الشبكات العصبية العميقة

الوحدة 9. معماريات وأنظمة للاستخدام المكثف للبيانات

1.9.    المتطلبات الغير التشغيلية ركائز تطبيقات البيانات الضخمة 

1.1.9.    المصداقية 
2.1.9.    القدرة على التكيف 
3.1.9.    قابلية الصيانة 

2.9.    نماذج البيانات 

1.2.9.    نموذج العلائقية 
2.2.9.    نموذج وثائقي 
3.2.9.    نموذج بيانات الرسم البياني 

3.9.    قواعد بيانات. تخزين البيانات وإدارة استرجاعها 

1.3.9.    فهارس التجزئة     
2.3.9.    تخزين السجل المنظم 
3.3.9.    الأشجار ب 

4.9.    تنسيقات ترميز البيانات 

1.4.9.    تنسيقات خاصة باللغة 
2.4.9.    تنسيقات موحدة 
3.4.9.    تنسيقات الترميز الثنائي 
4.4.9.    تدفق البيانات بين العمليات 

5.9.    النسخ 

1.5.9.    أهداف النسخ المتماثل 
2.5.9.    نماذج النسخ المتماثل 
3.5.9.    قضايا النسخ المتماثل 

6.9.    المعاملات الموزعة 

1.6.9.    العملية
2.6.9.    بروتوكولات المعاملات الموزعة 
3.6.9.    المعاملات القابلة للتسلسل 

7.9.    التقسيم 

1.7.9.    أشكال التقسيم 
2.7.9.    تفاعل الفهارس الثانوية والتقسيم 
3.7.9.    إعادة موازنة الأقسام 

8.9.    معالجة البيانات دون اتصال بالإنترنت 

1.8.9.    تجهيز الدفعات 
2.8.9.    أنظمة الملفات الموزعة 
3.8.9.    MapReduce 

9.9.    معالجة البيانات في الوقت الحقيقي 

1.9.9.    أنواع وسيط الرسائل 
2.9.9.    تمثيل قواعد البيانات كتدفقات البيانات 
3.9.9.    معالجة دفق البيانات 

10.9.    تطبيقات عملية في المؤسسة التجارية 

1.10.9.    الاتساق في القراءات 
2.10.9.    نهج شامل للبيانات 
3.10.9.    توسيع نطاق الخدمة الموزعة

الوحدة 10. التطبيق العملي لعلوم البيانات في قطاعات النشاط التجاري 

1.10.    قطاع الصحة 

1.1.10.    تداعيات الذكاء الاصطناعي وتحليلات البيانات في قطاع الرعاية الصحية 
2.1.10.    الفرص والتحديات

2.10.    المخاطر والاتجاهات في قطاع الصحة 

1.2.10.    الاستخدام في قطاع الرعاية الصحية 
2.2.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

3.10.    الخدمات المالية

1.3.10.    تداعيات الذكاء الاصطناعي وتحليلات البيانات في صناعة الخدمات المالية
2.3.10.    الاستخدام في الخدمات المالية 
3.3.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 

4.10.    البيع بالتجزئة Retail 

1.4.10.    تداعيات الذكاء الاصطناعي وتحليلات البيانات في قطاع البيع بالتجزئة 
2.4.10.    استخدام البيع بالتجزئة 
3.4.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 

5.10.    الصناعة 4.0

1.5.10.    تداعيات الذكاء الاصطناعي وتحليلات البيانات في الصناعة 4.0
2.5.10.    الاستخدم في الصناعة 4.0 

6.10.    المخاطر والاتجاهات في الصناعة .4.0

1.6.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 

7.10.    الإدارة العامة

1.7.10.    آثار الذكاء الاصطناعي وتحليلات البيانات في الإدارة العامة 
2.7.10.    الاستخدم في الإدارة العامة 
3.7.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 

8.10.    التعليم

1.8.10.    تداعيات الذكاء الاصطناعي وتحليلات البيانات في التعليم 
2.8.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 

9.10.    الغابات والزراعة

1.9.10.    الآثار المترتبة على الذكاء الاصطناعي وتحليلات البيانات في قطاع الغابات والزراعة 
2.9.10.    الاستخدم في الغابات والزراعة 
3.9.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي 

10.10.    الموارد البشرية 

1.10.10.    تداعيات الذكاء الاصطناعي وتحليلات البيانات في إدارة الموارد البشرية 
2.10.10.    تطبيقات عملية في عالم الأعمال
3.10.10.    المخاطر المحتملة المتعلقة باستخدام الذكاء الاصطناعي

إنه برنامج مصمم لمهندسي الكمبيوتر الذين يريدون تغيير حياتهم المهنية وتعزيز حياتهم المهنية"