ستطبق تقنيات التعلم العميق الأكثر ابتكارًا على مشاريعك بفضل درجة الماجستير الخاص 100% عبر الإنترنت" 

أصبح TensorFlow الأداة الأكثر أهمية لتنفيذ وتدريب نماذج التعلم العميق. يستخدم المطورون مجموعة الأدوات والمكتبات الخاصة بهم لتدريب النماذج التي تقوم بمهام الكشف التلقائي عن الكائنات وتصنيفها ومعالجة اللغة الطبيعية. على هذا المنوال، تعد هذه المنصة مفيدة للكشف عن اختلالات في البيانات، وهو أمر ضروري في مجالات مثل الأمن السيبراني والصيانة التنبؤية ومراقبة الجودة. مع ذلك، يمكن أن ينطوي استخدامه على سلسلة من التحديات للمحترفين، ومن بينها اختيار بنية الشبكة العصبية المناسبة. 

نظرًا لهذا الموقف، تنفذ TECH درجة الماجستير الخاص والتي ستوفر للخبراء منهجًا شاملاً ل Deep Learning. سيتعمق المنهج، الذي أعده خبراء في هذا المجال، في الأسس والمبادئ الرياضية للتعلم العميق. سيسمح ذلك للخريجين ببناء شبكات عصبية تهدف إلى معالجة المعلومات التي تتضمن التعرف على الأنماط واتخاذ القرار والتعلم من البيانات. بالمثل، سوف يتعمق المنهج في Reinforcement Learning مع الأخذ في الاعتبار عوامل مثل تحسين المكافآت والبحث عن السياسات. من ناحية أخرى، ستقدم المواد التعليمية تقنيات التحسين المتقدمة وتصور النتائج. 

فيما يتعلق بشكل الشهادة الجامعية، يتم تدريسها من خلال منهجية 100٪ عبر الإنترنت حتى يتمكن الخريجون من إكمال البرنامج بشكل مريح. للوصول إلى المحتوى الأكاديمي، ستحتاج فقط إلى جهاز إلكتروني متصل بالإنترنت، حيث يتم التخطيط للمواعيد وجداول التقييم بشكل فردي. من ناحية أخرى، سيتم دعم المنهج من خلال نظام التدريس المبتكر Relearning، والذي تعتبر TECH رائدة فيه. يتكون نظام التعلم هذا من تكرار الجوانب الرئيسية لضمان إتقان عناصره المختلفة.

ادرس من خلال تنسيقات تدريس الوسائط المتعددة المبتكرة التي من شأنها تحسين عملية تحديث Deep Learning لديك"

يحتوي الماجستير الخاص في التعلم العميق (Deep Learning) على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصها هي:

تطوير الحالات العملية المقدمة من قبل خبراء في Data Engineer وData Scientist
جمع المعلومات التقنية والتطبيقية المتعلقة بالتخصصات الضرورية من أجل الممارسة المهنية، والتي تشكل جزءا من المحتويات الرسومية والتخطيطية والعملية البارزة التي صمم بها
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

هل تتطلع إلى إثراء تطبيقك العملي باستخدام تقنيات تحسين التدرج الأكثر تقدمًا؟ حقق ذلك مع هذا البرنامج خلال 12 شهرًا فقط"

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

وسيتيح 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 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.  

سوف تتعمق في Backward Pass لحساب تدرجات دالة الخسارة فيما يتعلق بمعلمات الشبكة"

بفضل منهجية Relearning، سيكون لديك الحرية في تخطيط جداول الدراسة والجداول التعليمية"

سيقدم هذا الماجستير الخاص للطلاب مجموعة واسعة من تقنيات Deep Learning، والتي سترفع آفاقهم المهنية إلى مستوى أعلى. لتحقيق ذلك، سوف يتعمق خط سير الرحلة الأكاديمي في ترميز نماذج التعلم العميق. بهذه الطريقة، سيتمكن الخريجون من ترجمة خوارزميات ومعماريات الشبكات العصبية العميقة بشكل فعال. بالمثل، سيتناول المنهج الدراسي بالتفصيل تدريب الشبكات العصبية العميقة، بالإضافة إلى تصور النتائج وتقييم نماذج التعلم. 
سيقوم الطلاب أيضًا بتحليل نماذج Transformers الرئيسية، من أجل إدارتها لإنشاء ترجمات تلقائية.

ستطبق مبادئ Deep Learning على مشاريعك لحل مجموعة متنوعة من المشاكل المعقدة في مجالات مثل التعرف على الصور"

الوحدة 1. الأسس الرياضية للـ Deep Learning

1.1.    الوظائف والمشتقات

1.1.1.    الدوال الخطية
2.1.1.    المشتقات الجزئية
3.1.1.    مشتقات الترتيب العالي

2.1.    الوظائف المتداخلة

1.2.1.    الوظائف المركبة
2.2.1.    الوظائف العكسية
3.2.1.    الوظائف العودية

3.1.    قاعدة السلسلة

1.3.1.    مشتقات الوظائف المتداخلة
2.3.1.    مشتقات الوظائف المركبة
3.3.1.    مشتقات الوظائف العكسية

4.1.    وظائف مع مدخلات متعددة

1.4.1.    دوال العديد من المتغيرات
2.4.1.    وظائف المتجهات
3.4.1.    وظائف المصفوفة

5.1.    مشتقات الوظائف ذات المدخلات المتعددة

1.5.1.    المشتقات الجزئية
2.5.1.    المشتقات الاتجاهية
3.5.1.    المشتقات المختلطة

6.1.    وظائف مع مدخلات ناقلات متعددة

1.6.1.    وظائف المتجهات الخطية
2.6.1.    وظائف المتجهات غير الخطية
3.6.1.    وظائف ناقلات المصفوفة

7.1.    إنشاء ميزات جديدة من الميزات الموجودة

1.7.1.    مجموع الوظائف
2.7.1.    منتج الوظائف
3.7.1.    تكوين الوظائف

8.1.    مشتقات الوظائف ذات مدخلات المتجهات المتعددة

1.8.1.    مشتقات الوظائف الخطية
2.8.1.    مشتقات الوظائف غير الخطية
3.8.1.    مشتقات الوظائف المركبة

9.1.    وظائف المتجهات ومشتقاتها: خطوة إلى الأمام

1.9.1.    المشتقات الاتجاهية
2.9.1.    المشتقات المختلطة
3.9.1.    مشتقات المصفوفة

10.1.    Backward Pass

1.10.1.    انتشار الاخطاء
2.10.1.    تطبيق قواعد التحديث
3.10.1.    تحسين المعلمات

الوحدة 2. مبادئ Deep Learning

1.2.    التعلم تحت الإشراف

1.1.2.    آلات التعلم الخاضعة للإشراف
2.1.2.    استخدامات التعلم الخاضع للإشراف
3.1.2.    الاختلافات بين التعلم الخاضع للإشراف وغير الخاضع للرقابة

2.2.    نماذج التعلم الخاضعة للإشراف

1.2.2.    النماذج الخطية
2.2.2.    نماذج شجرة القرار
3.2.2.    نماذج الشبكات العصبية

3.2.    الانحدارالخطي

1.3.2.    الانحدار الخطي البسيط
2.3.2.    الانحدار الخطي المتعدد
3.3.2.    تحليل الانحدار

4.2.    التدريب النموذجي

1.4.2.    Batch Learning
2.4.2.    Online Learning
3.4.2.    طرق التحسين

5.2.    تقييم النموذج: مجموعة التدريب مقابل مجموعة الاختبار

1.5.2.    مقاييس التقييم
2.5.2.    التحقق المتبادل
3.5.2.    مقارنة مجموعات البيانات

6.2.    تقييم النموذج: الرمز

1.6.2.    خلق التنبؤ
2.6.2.    تحليل الأخطاء
3.6.2 .   مقاييس التقييم

7.2.    تحليل المتغيرات 

1.7.2.    تحديد المتغيرات المهمة
2.7.2.    تحليل الارتباط
3.7.2.    تحليل الانحدار

8.2.    شرح نماذج الشبكات العصبية

1.8.2.    نماذج قابلة للتفسير
2.8.2.    طرق العرض
3.8.2.    طرق التقييم

9.2.    التحسين

1.9.2.    طرق التحسين
2.9.2.    تقنيات التنظيم
3.9.2.    استخدام الرسومات

10.2.    المعلمات الفائقة 

1.10.2.    اختيار المعلمات الفائقة
2.10.2.    البحت عن المعلمات
3.10.2.    ضبط المعلمات الفائقة

الوحدة 3. الشبكات العصبية وأساس التعلم العميق Deep Learning

1.3.    التعلم العميق

1.1.3.    أنواع التعلم العميق
2.1.3.    تطبيقات التعلم العميق
3.1.3.    مزايا وعيوب التعلم العميق

2.3.    العمليات

1.2.3.    مجموع
2.2.3.    المنتج
3.2.3.    نقل

3.3.    الطبقات

1.3.3.    طبقة المدخلات
2.3.3.    طبقة مخيفة
3.3.3.    طبقة الإخراج

4.3.    اتحاد الطبقات والعمليات

1.4.3.    التصميم البناء
2.4.3.    الاتصال بين الطبقات
3.4.3.    الانتشار إلى الأمام

5.3.    بناء أول شبكة عصبية

1.5.3.    تصميم الشبكة
2.5.3.    تحديد الأوزان
3.5.3.    التدريب الشبكي

6.3.    مدرب ومحسن

1.6.3.    اختيار المحسّن
2.6.3.    إنشاء وظيفة الخسارة
3.6.3.    وضع مقياس

7.3.    تطبيق مبادئ الشبكات العصبية

1.7.3.    وظائف التنشيط
2.7.3.    الانتشار إلى الوراء
3.7.3.    تعديل البارامتر

8.3.    من الخلايا البيولوجية إلى الخلايا العصبية الاصطناعية

1.8.3.    عمل الخلايا العصبية البيولوجية
2.8.3.    نقل المعرفة إلى الخلايا العصبية الاصطناعية
3.8.3.    بناء علاقات بين الاثنين

9.3.    تنفيذ برنامج MLP (Perceptron متعدد الطبقات) مع Keras

1.9.3.    تعريف هيكل الشبكة
2.9.3.    تجميع النماذج
3.9.3.    التدريب النموذجي

10.3.    بارامترات Fine tuning للشبكات العصبية 

1.10.3.    اختيار وظيفة التنشيط
2.10.3.    تحديد Learning rate
3.10.3.    تعديل الأوزان

الوحدة 4. تدريب الشبكات العصبية العميقة

1.4.    مشاكل التدرج

1.1.4.    تقنيات التحسين الأمثل للتدرج
2.1.4.    التدرجات العشوائية
3.1.4.    تقنيات استهلال الأوزان

2.4.    إعادة استخدام الطبقات المشكّلة مسبقاً

1.2.4.    التدريب على نقل التعلم
2.2.4.    استخراج المميزات
3.2.4.    التعلم العميق

3.4.    المحسنات

1.3.4.    محسنات الانحدار العشوائي
2.3.4.    المحسنات Adam و RMSprop
3.3.4.    المحسنات في الوقت الحالي

4.4.    برمجة معدل التعلم

1.4.4.    التحكم في معدل التعلم الآلي
2.4.4.    دورات التعلم
3.4.4.    تخفيف الشروط

5.4.    الإفراط في التكيف

1.5.4.    التحقق المتبادل
2.5.4.    تسوية الأوضاع
3.5.4.    مقاييس التقييم

6.4.    مبادئ توجيهية عملية

1.6.4.    تصميم النموذج
2.6.4.    اختيار المقاييس وبارامترات التقييم
3.6.4.    اختبارات الفرضية

7.4.    Transfer learning

1.7.4.    التدريب على نقل التعلم
2.7.4.    استخراج المميزات
3.7.4.    التعلم العميق

8.4.    Data Augmentation

1.8.4.    تحولات الصورة
2.8.4.    توليد البيانات الاصطناعية
3.8.4.    تحويل النص

9.4.    التطبيق العملي Transfer Learning

1.9.4.    التدريب على نقل التعلم
2.9.4.    استخراج المميزات
3.9.4.    التعلم العميق

10.4.    تسوية الأوضاع

1.10.4.    L1 و L2
2.10.4.    وضع القواعد بالانتروبيا العظمي
3.10.4.    Dropout

الوحدة 5. تخصيص النموذج والتدريب باستخدام TensorFlow

1.5.    TensorFlow

1.1.5.    استخدام مكتبة TensorFlow
2.1.5.    تدريب النموذج مع TensorFlow
3.1.5.    العمليات بالرسومات في TensorFlow

2.5.    TensorFlow و NumPy

1.2.5.    بيئة الحوسبة NumPy لـ TensorFlow
2.2.5.    استخدام صفائف NumPy مع TensorFlow
3.2.5.    عمليات NumPy لرسومات TensorFlow

3.5.    تكييف نماذج وخوارزميات التدريب

1.3.5.    بناء نماذج مخصصة باستخدام TensorFlow
2.3.5.    إدارة بارامترات التدريب
3.3.5.    استخدام تقنيات التحسين الأمثل للتدريب

4.5.    ميزات ورسومات TensorFlow

1.4.5.    وظائف مع TensorFlow
2.4.5.    استخدام الرسوم البيانية للتدريب على النماذج
3.4.5.    تحسين الرسومات باستخدام عمليات TensorFlow

5.5.    بيانات التحميل والمعالجة المسبقة باستخدام TensorFlow

1.5.5.    تحميل مجموعات البيانات باستخدام TensorFlow
2.5.5.    معالجة البيانات المسبقة باستخدام TensorFlow
3.5.5.    استخدام أدوات TensorFlow للتلاعب بالبيانات

6.5.    API tf.data

1.6.5.    استخدام tf.data API لمعالجة البيانات
2.6.5.    بناء تدفقات البيانات باستخدام tf.data
3.6.5.    استخدام واجهة برمجة التطبيقات tfdata للتدريب النموذجي 

7.5.    نموذج TFRecord

1.7.5.    استخدام واجهة برمجة التطبيقات TFRecord لتسلسل البيانات
2.7.5.    تحميل ملف TFRecord باستخدام TensorFlow
3.7.5.    استخدام ملفات TFRecord للتدريب النموذجي

8.5.    طبقات المعالجة المسبقة Keras

1.8.5.    استخدام واجهة برمجة التطبيقات المعالجة مسبقًا Keras
2.8.5.    بناء pipelineed للمعالجة المسبقة مع Keras
3.8.5.    استخدام واجهة برمجة التطبيقات للمعالجة المسبقة لـ Keras للتدريب النموذجي

9.5.    مشروع TensorFlow Datasets

1.9.5.    استخدام TensorFlow Datasets لتحميل البيانات
2.9.5.    معالجة البيانات المسبقة باستخدام TensorFlow Datasets
3.9.5.    استخدام TensorFlow Datasets للتدريب على النماذج

10.5.    بناء تطبيق Deep Learning باستخدام TensorFlow. التطبيق العملي

1.10.5.    بناء تطبيق Deep Learning باستخدام TensorFlow
2.10.5.    تدريب النموذج مع TensorFlow
3.10.5.    استخدام التطبيق للتنبؤ بالنتائج

الوحدة 6. رؤية الكمبيوتر العميقة (Deep Computer Vision) بشبكات عصبية ملتفة

1.6.    الهندسة البصرية Cortex

1.1.6.    وظائف القشرة البصرية
2.1.6.    نظريات الرؤية الحسابية
3.1.6.    نماذج معالجة الصور

2.6.    طبقات تلافيفية

1.2.6.    إعادة استخدام الأوزان في الالتفاف
2.2.6.    الطي 2D
3.2.6.    وظائف التنشيط

3.6.    طبقات التجميع وتنفيذ طبقات التجميع مع Keras

1.3.6.    Pooling وStriding
2.3.6.    Flattening
3.3.6.    أنواع Pooling

4.6.    بناء CNN

1.4.6.    بناء VGG
2.4.6.    بنية AlexNet
3.4.6.    بنية ResNet

5.6.    تنفيذ CNN ResNet-34 باستخدام Keras

1.5.6.    استهلال الأوزان
2.5.6.    تعريف طبقة المدخلات
3.5.6.    تعريف الناتج

6.6.    استخدام نماذج Keras المدربة مسبقا

1.6.6.    خصائص النماذج السابقة التدريب
2.6.6.    استخدامات النماذج المدربة مسبقا
3.6.6.    مزايا النماذج المدربة مسبقا

7.6.    نماذج ما قبل التدريب للتعلم في مجال النقل

1.7.6.    التعلم عن طريق النقل
2.7.6.    عملية التعلم عن طريق النقل
3.7.6.    فوائد التعلم التحويلي

8.6.    التصنيف والتوطين في الرؤية الحاسوبية العميقة

1.8.6.    تصنيف الصورة
2.8.6.    موقع الأشياء في الصور
3.8.6.    كشف الأشياء

9.6.    كشف الأشياء وتتبعها

1.9.6.    طرائق الكشف عن الأشياء
2.9.6.    خوارزميات لتتبع الأشياء
3.9.6.    تقنيات التتبع والتعقب

10.6.    التجزئة الدلالية

1.10.6.    التعلم العميق للتجزئة الدلالية
2.10.6.    كشف الحافة
3.10.6.    طرائق التجزئة القائمة على القواعد

الوحدة 7. معالجة التسلسلات باستخدام RNN (الشبكات العصبية المتكررة) وCNN (الشبكات العصبية التلافيفية)

1.7.    الخلايا العصبية والطبقات المتكررة

1.1.7.    أنواع الخلايا العصبية المتكررة
2.1.7.    بنية الطبقة المتكررة
3.1.7.    تطبيقات الطبقات المتكررة

2.7.    تدريب الشبكات العصبية المتكررة

1.2.7.    Backpropagation عبر الزمن (BPTT)
2.2.7.    التدرج التنازلي التصادفي
3.2.7.    التنظيم في تدريب RNN

3.7.    تقييم نماذج RNN

1.3.7.    مقاييس التقييم
2.3.7.    التحقق المتبادل
3.3.7.    ضبط المعلمات الفائقة

4.7.    RNN المدربة مسبقًا

1.4.7.    الشبكات المدربة مسبقا
2.4.7.    نقل التعلم
3.4.7.    ضبط دقيق

5.7.    التنبؤ بسلسلة زمنية

1.5.7.    النماذج الإحصائية للتنبؤات
2.5.7.    نماذج السلاسل الزمنية
3.5.7.    النماذج المبنية على الشبكات العصبية

6.7.    تفسير نتائج تحليل السلاسل الزمنية

1.6.7.    تحليل المكونات الرئيسية
2.6.7.    التحليل العنقودي
3.6.7.    تحليل الارتباط

7.7    التعامل مع تسلسلات طويلة

1.7.7.    Long Short-Term Memory (LSTM)
2.7.7.    Gated Recurrent Units (GRU)
3.7.7.    التلافيفية 1D

8.7.    التعلم بالتسلسل الجزئي

1.8.7.    أساليب التعلم العميق
2.8.7.    النماذج التوليدية
3.8.7.    التعليم المعزز

9.7.    التطبيق العملي لـ RNN وCNN

1.9.7.    معالجة اللغة الطبيعية
2.9.7.    التعرف على الأنماط
3.9.7.    الرؤية الحاسوبية 

10.7.    الاختلافات في النتائج الكلاسيكية

1.10.7.    الطرق الكلاسيكية مقابل RNN
2.10.7.    الطرق الكلاسيكية مقابل CNN
3.10.7.    الفرق في وقت التدريب

الوحدة 8. معالجة اللغة الطبيعية (NLP) مع الشبكات الطبيعية المتكررة (RNN) والرعاية

1.8.    توليد النص باستخدام RNN

1.1.8.    تدريب RNN لتوليد النص
2.1.8.    توليد اللغة الطبيعية مع RNN
3.1.8.    تطبيقات توليد النصوص باستخدام RNN

2.8.    إنشاء مجموعة بيانات التدريب

1.2.8.    إعداد البيانات للتدريب RNN
2.2.8.    تخزين مجموعة بيانات التدريب
3.2.8.    تنظيف البيانات وتحويلها

3.8.    تحليل المشاعر

1.3.8.    تصنيف المراجعات مع RNN
2.3.8.    الكشف عن المواضيع الواردة في التعليقات
3.3.8.    تحليل المشاعر مع خوارزميات التعلم العميق

4.8.    شبكة فك تشفير للترجمة الآلية العصبية

1.4.8.    تدريب شبكة RNN على الترجمة الآلية
2.4.8.    استخدام شبكة فك تشفير للترجمة الآلية
3.4.8.    تحسين دقة الترجمة الآلية باستخدام RNN

5.8.    آليات الرعاية

1.5.8.    تطبيق آليات الرعاية في RNN
2.5.8.    استخدام آليات الرعاية لتحسين دقة النماذج
3.5.8.    مزايا آليات الانتباه في الشبكات العصبية

6.8.    نماذج Transformers

1.6.8.    استخدام نماذج المحولات Transformers لمعالجة اللغة الطبيعية
2.6.8.    تطبيق نماذج المحولات Transformers للرؤية
3.6.8.    مزايا نماذج المحولات Transformers

7.8.    محولات للرؤية Transformers

1.7.8.    استخدام نماذج المحولات Transformers للرؤية
2.7.8.    المعالجة المسبقة لبيانات الصورة
3.7.8.    تدريب نموذج المحولات Transformerعلى الرؤية

8.8.    مكتبة Transformers من Hugging Face

1.8.8.    استخدام تقنيات مكتبة Transformers لـ Hugging Face
2.8.8.    تطبيق إنترنت مكتبة Transformers لـHugging Face
3.8.8.    مزايا مكتبة Transformers لـHugging Face

9.8.    مكتبات أخرى من Transformers. مقارنة

1.9.8.    مقارنة بين مكتبات المحولات المختلفة Transformers
2.9.8.    استخدام مكتبات المحولات الأخرى Transformers
3.9.8.    مزايا مكتبات المحولات الأخرى Transformers

10.8.    تطوير تطبيق NLP مع RNN والرعاية. التطبيق العملي

1.10.8.    تطوير تطبيق معالجة اللغة الطبيعية مع RNN والرعاية
2.10.8.    استخدام RNN وآليات الانتباه ونماذج المحولات Transformers في التطبيق
3.10.8.    تقييم التنفيذ العملي

الوحدة 9. أجهزة التشفير التلقائي و GANs ونماذج الانتشار

1.9.    كفاءة تمثيل البيانات

1.1.9.    الحد من الأبعاد
2.1.9.    التعلم العميق
3.1.9.    التمثيلات المدمجة

2.9.    تحقيق PCA باستخدام مشفر أوتوماتيكي خطي غير كامل

1.2.9.    عملية التدريب
2.2.9.    تنفيذ Python
3.2.9.    استخدام بيانات الاختبار

3.9.    مشفّرات أوتوماتيكية مكدسة

1.3.9.    الشبكات العصبية العميقة
2.3.9.    بناء هياكل الترميز
3.3.9.    استخدام التسوية

4.9.    أجهزة الترميز التلقائي التلافيفية

1.4.9.    تصميم النماذج التلافيفية
2.4.9.    تدريب نماذج التلافيف
3.4.9.    تقييم النتائج

5.9.    إزالة الضوضاء من المشفرات التلقائية

1.5.9.    تطبيق المرشح
2.5.9.    تصميم نماذج الترميز
3.5.9.    استخدام تقنيات التسوية

6.9.    مشفّرات أوتوماتيكية مشتتة

1.6.9.    زيادة كفاءة الترميز
2.6.9.    التقليل إلى أدنى حد من عدد البارامترات
3.6.9.    استخدام تقنيات التسوية

7.9.    مشفرات متباينة تلقائية

1.7.9.    استخدام التحسين المتغير
2.7.9.    التعلم العميق غير الخاضع للإشراف
3.7.9.    التمثيلات الكامنة العميقة

8.9.    جيل من صور MNIST

1.8.9.    التعرف على الأنماط
2.8.9.    توليد الصورة
3.8.9.    تدريب الشبكات العصبية العميقة

9.9.    شبكات الخصومة المولدة ونماذج النشر

1.9.9.    توليد المحتوى من الصور
2.9.9.    نمذجة توزيع البيانات
3.9.9.    استخدام الشبكات المتواجهة

10.9.    تنفيذ النماذج. التطبيق العملي

1.10.9.    تنفيذ النماذج
2.10.9.    استخدام البيانات الحقيقية
3.10.9.    تقييم النتائج

الوحدة 10. Reinforcement Learning

1.10.    تحسين المكافآت والبحث عن السياسات

1.1.10.    خوارزميات تحسين المكافأة
2.1.10.    عمليات البحث عن السياسات
3.1.10.    التعلم المعزز لتحسين المكافآت

2.10.    OpenAI

1.2.10.    بيئة OpenAI Gym
2.2.10.    إنشاء بيئات OpenAI
3.2.10.    تعزيز خوارزميات التعلم في OpenAI

3.10.    سياسات الشبكات العصبية

1.3.10.    الشبكات العصبية التلافيفية للبحث في السياسات
2.3.10.    سياسات التعلم العميق
3.3.10.    توسيع سياسات الشبكة العصبية

4.10.    تقييم العمل: مشكلة تخصيص الائتمان

1.4.10.    تحليل المخاطر لتخصيص الائتمان
2.4.10.    تقدير ربحية القروض
3.4.10.    نماذج تقييم الائتمان على أساس الشبكات العصبية

5.10.    تدرجات السياسة

1.5.10.    التعلم المعزز مع تدرجات السياسات
2.5.10.    تحسين تدرج السياسة
3.5.10.    خوارزميات التدرج في السياسة

6.10.    عمليات اتخاذ القرار ماركوف

1.6.10.    تحسين عمليات اتخاذ القرار ماركوف
2.6.10.    تعزيز التعلم لعمليات اتخاذ القرار ماركوف
3.6.10.    نماذج عملية اتخاذ القرار ماركوف

7.10.    تعلم الفرق الزمني وQ-Learning

1.7.10.    تطبيق الفروق الزمنية في التعلم
2.7.10.    تطبيق Q-Learning في التعلم
3.7.10.    تحسين معلمات Q-Learning

8.10.    تنفيذ Deep Q-Learning ومتغيرات Deep Q-Learning

1.8.10.    بناء شبكات عصبية عميقة ل Deep Q-Learning
2.8.10.    التنفيذ في Deep - Learning
3.8.10.    الاختلافات في Deep Q-Learning

9.10.    خوارزميات Reinforment Learning

1.9.10.    خوارزميات التعلم عن طريق التعزيز
2.9.10.    خوارزميات التعلم بالمكافأة
3.9.10.    خوارزميات التعلم بالعقاب

10.10.    تصميم بيئة التعلم المعزز. التطبيق العملي

1.10.10.    تصميم بيئة التعلم المعزز.
2.10.10.    تنفيذ خوارزمية التعلم المعزز
3.10.10.    تقييم خوارزمية التعلم المعزز

ادرس وأنت مرتاح في منزلك وقم بتحديث معلوماتك عبر الإنترنت مع TECH، أكبر جامعة رقمية في العالم"