المؤهلات الجامعية
أكبركلية إدارة أعمال في العالم”
وصف
لقد أحدث الذكاء الاصطناعي ثورة في عالم التسويق، حيث أدى إلى تحسين فعالية الاستراتيجيات وتعزيز علاقة أوثق وأكثر تخصيصًا مع العملاء"
إن جامعة TECH هي أكبر كلية إدارة أعمال في العالم 100٪ عبر الإنترنت. إنها مدرسة إدراة أعمال النخبة، ذات نموذج الحد الأقصى من المتطلبات الأكاديمية. ومركز دولي عالي الأداء، يتمتع بتدريب مكثف على المهارات الإدارية.
TECH هي جامعة تكنولوجية حديثة، تضع جميع مصادرها في متناول الطلاب لمساعدتهم على تحقيق نجاح الأعمال"
في TECH الجامعة التكنولوجية
 |
الابتكار |
تقدم لك الجامعة نموذجًا تعليميًا عبر الإنترنت يجمع بين أحدث التقنيات التعليمية وأعلى دقة تربوية. طريقة فريدة من نوعها تتمتع بأكبر قدر من الاعتراف الدولي والتي ستوفر للطالب مفاتيح التطور في عالم يتغير باستمرار، حيث يجب أن يكون الابتكار هو الرهان الأساسي لكل رائد أعمال.
"قصة نجاح Microsoft Europe" وذلك لدمج نظام الفيديو التفاعلي الجديد في البرامج.
 |
أقصى قدر من المتطلبات |
معايير القبول جامعة TECH ليست مادية. ليس هناك حاجة إلى القيام باستثمار كبير للدراسة معنا. بالطبع، للتخرج من TECH، ستتمكن من اختبار حدود الذكاء وقدرة الطالب.. معاييرالأكاديمية لهذه المؤسسة مرتفعة للغاية...
95% من طلاب جامعة TECH يكملون دراساتهم بنجاح.
 |
التواصل الشبكي |
يشارك المحترفون من جميع أنحاء العالم في جامعة TECH، بطريقة يمكن للطالب من خلالها إنشاء شبكة كبيرة من الاتصالات المفيدة لمستقبله.
+100.000 إداري مًؤهَّل كل عام, +200 جنسية مختلفة
 |
التمكين |
سينمو الطالب جنبًا إلى جنب مع أفضل الشركات والمهنيين ذوي المكانة والتأثير الكبير. طورت جامعة TECH تحالفات استراتيجية وشبكة قيمة من الاتصالات مع الممثلين الاقتصاديين الرئيسيين في القارات السبع.
+500 اتفاقيات تعاون مع أفضل الشركات.
 |
الموهبة |
هذا البرنامج هو عرض فريد لإبراز موهبة الطالب في مجال الأعمال. إنها فرصة يمكنه من خلالها التعريف بمخاوفه ورؤية عمله.
تساعد جامعة TECH الطالب على إظهار موهبته للعالم في نهاية هذا البرنامج.
 |
سياق متعدد الثقافات |
عند الدراسة في جامعة TECH، سيتمكن الطالب من الاستمتاع بتجربة فريدة من نوعها. سوف يدرس في سياق متعدد الثقافات. في برنامج ذي رؤية عالمية، سيتمكن بفضله من تعلم كيفية العمل في أنحاء مختلفة من العالم، وتجميع أحدث المعلومات التي تناسب فكرة عمله. .
طلاب جامعة TECH يأتون من أكثر من 200 جنسية.
 |
تعلم مع الأفضل |
يشرح فريق تدريس جامعة TECH في الفصل ما أدى إلى النجاح في شركاتهم، والعمل من سياق حقيقي وحيوي وديناميكي. يقدم المعلمون المشاركون بشكل كامل تخصصًا عالي الجودة يسمح بالتقدم في حياته المهنية والتميز في عالم الأعمال.
مدرسين من 20 جنسية مختلفة.
تسعى جامعة TECH إلى التميز ولهذا لديها سلسلة من الخصائص التي تجعلها جامعة فريدة من نوعها:
 |
التحليلات |
في جامعة TECH، يتم استكشاف الجانب النقدي للطالب وقدرته على طرح الأسئلة ومهارات حل المشكلات ومهارات التعامل مع الآخرين.
 |
التميز الأكاديمي |
في جامعة TECH يتم توفير أفضل منهجية تعلم عبر الإنترنت للطالب. تجمع الجامعة بين طريقة إعادة التعلم Relearning (منهجية التعلم للدراسات العليا مع أفضل تصنيف دولي) مع دراسة الحالة. التقاليد والريادة في توازن صعب، وفي سياق مسار الرحلة الأكاديمية الأكثر تطلبًا.
 |
الإقتصاد الكلي |
الإقتصاد الكلي تعد جامعة TECH أكبر جامعة أونلاين في العالم. تمتلك مجموعة من أكثر من 7000 درجة دراسات عليا. وفي الاقتصاد الجديد، الحجم + التكنولوجيا = السعر المسبب للاضطراب. بهذه الطريقة، يتم التأكد من أن الدراسة ليست باهظة الثمن كما هو الحال في جامعات أخرى.
في جامعة TECH، ستتمكن من الوصول إلى دراسات الحالة الأكثر صرامة وحداثة في المشهد الأكاديمي "
هيكل ومحتوى
تم تصميم الماجستير الخاص في الذكاء الاصطناعي في التسويق والاتصالات لمعالجة موضوعات فريدة ومتقدمة. إن إدراج وحدات محددة، مثل "إنشاء المحتوى باستخدام الذكاء الاصطناعي" و"أتمتة عمليات التسويق وتحسينها باستخدام الذكاء الاصطناعي"، سيوفر عمقًا لا مثيل له في المجالات الرئيسية. سيوفر الاهتمام الخاص بالأخلاقيات والاتجاهات المستقبلية وتكامل قصص النجاح فهمًا كاملاً وعمليًا لكيفية إعادة تعريف الذكاء الاصطناعي لاستراتيجيات التسويق الرقمي الحالية.
ستكتسب المهارات والكفاءات الأساسية لدمج موارد الذكاء الاصطناعي في إدارة المبيعات وتوليد العملاء المحتملين"
خطة الدراسة
يتميز هذا الماجستير في الذكاء الاصطناعي في التسويق والاتصالات بنهجه الشامل والمتقدم. تنوع الوحدات، والذي يشمل مجالات مثل إنشاء المحتوى؛ الأتمتة وتحسين العمليات؛ وتحليلات البيانات واتخاذ القرارات القائمة على الذكاء الاصطناعي؛ بالإضافة إلى المبيعات وتوليد العملاء المحتملين، ستوفر للمحترفين منظورًا شاملاً حول كيفية دمج الذكاء الاصطناعي في مختلف جوانب التسويق الرقمي.
على عكس البرامج الأخرى، يتميز هذا البرنامج بتقديم محتوى شامل يغطي كل شيء بدءًا من الأساسيات الأساسية وحتى الاتجاهات المستقبلية، مما يضمن حصول الطلاب على معرفة متعمقة وحديثة. علاوة على ذلك، لن يركز البرنامج على النظرية فحسب، بل سيقدم أيضًا التطبيق العملي من خلال دراسات الحالة وتحليل النجاح، مما يسمح للخريجين بتطوير المهارات العملية والاستراتيجية.
بالمثل، فإن الاهتمام الخاص بالاعتبارات الأخلاقية والاتجاهات المستقبلية سيضمن إعداد الخريجين لمواجهة التحديات والاستفادة من الفرص الناشئة في المجال الديناميكي للذكاء الاصطناعي في التسويق. هو منهج يركز على التحسين المهني لتحقيق أهداف العمل ويتم تقديمه من خلال نظام تعليمي مبتكر ومرن عبر الإنترنت، مما يسمح للمشاركين بالجمع بين التدريس ومهامهم الأخرى.
بالمثل، لتسهيل استيعاب جميع المفاهيم والاحتفاظ بها، تعتمد TECH جميع درجاتها على منهجية إعادة التعلم Relearning المبتكرة والفعالة. في إطار هذا النهج، سيقوم الطلاب بتعزيز فهمهم من خلال تكرار المفاهيم الأساسية، المقدمة في مختلف الأشكال السمعية والبصرية لتحقيق اكتساب طبيعي وتدريجي للمهارات.
هذا الماجستير الخاص يتطور على مدى 24 شهرا وينقسم إلى 20 وحدة:
الوحدة 1 أسس الذكاء الاصطناعي
الوحدة 2 أنواع البيانات ودورة حياتها
الوحدة 3 البيانات في الذكاء الاصطناعي
الوحدة 4 استخراج البيانات الاختيار والمعالجة المسبقة والتحول
الوحدة 5 الخوارزمية والتعقيد في الذكاء الاصطناعي
الوحدة 6 أنظمة ذكية
الوحدة 7 التعلم الآلي واستخراج البيانات
الوحدة 8 الشبكات العصبية وأساس التعلم العميق Deep Learning
الوحدة 9 تدريب الشبكات العصبونية العميقة
الوحدة 10 تخصيص النموذج والتدريب باستخدام TensorFlow
الوحدة 11 Deep Computer Vision بشبكات عصبونية تلافيفية
الوحدة 12 معالجة اللغة الطبيعية (NLP) مع الشبكات العصبية المتكررة (RNN) والرعاية
الوحدة 13 أجهزة التشفير التلقائي (Autoencoders) وشبكات الخصومة التوليدية (GANs) ونماذج الانتشار
الوحدة 14 الحوسبة المستوحاة من الحيوية
الوحدة 15 الذكاء الاصطناعي: الاستراتيجيات والتطبيقات
الوحدة 16 الذكاء الاصطناعي في استراتيجيات التسويق الرقمي
الوحدة 17 توليد المحتوى باستخدام الذكاء الاصطناعي
الوحدة 18 أتمتة وتحسين عمليات التسويق باستخدام الذكاء الاصطناعي
الوحدة 19 تحليل بيانات الاتصالات والتسويق لاتخاذ القرار
الوحدة 20 المبيعات وتوليد العملاء المحتملين (leads) المحتملين باستخدام الذكاء الاصطناعي
أين ومتى وكيف يتم تدريسها؟
تقدم TECH إمكانية تطوير الماجستير الخاص في الذكاء الاصطناعي في التسويق والاتصالات بالكامل عبر الإنترنت. خلال 12 شهر من التخصص، ستتمكن من الوصول إلى جميع محتويات هذا البرنامج في أي وقت، مما يتيح لك إدارة وقت الدراسة بنفسك.
الوحدة 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. ترميز المشاكل
4.4.1. توليد المجموعة أولية
5.4.1. الخوارزمية الرئيسية ومشغلي الوراثة
6.4.2. 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
الوحدة 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 الأهداف
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 R)
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
9.2. 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
الوحدة 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
الوحدة 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
3.4. 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
5.4. الضجيج في البيانات
1.5.4. فئات وسمات الضجيج
2.5.4. ترشيح الضجيج
3.5.4. تأثير الضجيج
6.4. لعنة الأبعاد
1.6.4. الإفراط في أخذ العينات
2.6.4. Undersampling
3.6.4. تقليل البيانات متعددة الأبعاد
7.4. 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
الوحدة 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
2.5. 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
5.9.4. تحليل التعقيد
10.5. Backtracking
1.10.5. Backtracking
2.10.5. التقنيات البديلة
الوحدة 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. Prolog: 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
الوحدة 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
2.7. 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
الوحدة 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
الوحدة 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
الوحدة 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
الوحدة 11. Deep Computer Vision بشبكات عصبونية تلافيفية
1.11. الهندسة المعمارية Visual Cortex
1.1.11. وظائف القشرة البصرية
1.1.11. 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
11.5.1. استهلال الأوزان
11.5.2. تعريف طبقة المدخلات
11.5.3. 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
الوحدة 12. معالجة اللغة الطبيعية (NLP) مع الشبكات العصبية المتكررة (RNN) والرعاية
1.12. توليد النص باستخدام الشبكات العصبية المتكررة
1.1.12. تدريب الشبكات العصبية المتكررة لتوليد النص
2.1.12. توليد اللغة الطبيعية مع الشبكات العصبية المتكررة
3.1.12. تطبيقات توليد النصوص باستخدام الشبكات العصبية المتكررة
2.12. إنشاء مجموعة بيانات التدريب
1.2.12. إعداد البيانات لتدريب الشبكات العصبية المتكررة
2.2.12. تخزين مجموعة بيانات التدريب
3.2.12. تنظيف البيانات وتحويلها
4.2.12. تحليل المشاعر
3.12. تصنيف المراجعات مع الشبكات العصبية المتكررة
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 الشبكات العصبية المتكررة على الترجمة الآلية
2.4.12. استخدام شبكة فك تشفير للترجمة الآلية
3.4.12. تحسين دقة الترجمة الآلية باستخدام الشبكات
العصبية المتكررة
5.12. آليات الرعاية
1.5.12. تطبيق آليات الرعاية في الشبكات العصبية المتكررة
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
12.7.1. استخدام نماذج المحولات Transformers للرؤية
12.7.2. المعالجة المسبقة لبيانات الصورة
12.7.3. 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 معالجة اللغة الطبيعية مع الشبكات العصبية المتكررة والرعاية. التطبيق العملي
1.10.12. تطوير تطبيق معالجة اللغة الطبيعية مع الشبكات العصبية المتكررة والرعاية
2.10.12. استخدام الشبكات العصبية المتكررة وآليات الانتباه ونماذج المحولات Transformers في التطبيق
3.10.12. تقييم التنفيذ العملي
الوحدة 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 تحليل المكونات الرئيسية باستخدام مشفر أوتوماتيكي خطي غير كامل
1.2.13. عملية التدريب
2.2.13. تنفيذ في 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 العصبية 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
الوحدة 14. الحوسبة المستوحاة من البيولوجيا
1.14. مقدمة الحوسبة المستوحاة من البيولوجيا
1.1.14. مقدمة الحوسبة المستوحاة من البيولوجيا
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 1
1.5.14. الاستراتيجيات التطورية
2.5.14. البرمجة التطورية
3.5.14. الخوارزميات القائمة على التطور التفاضلي
6.14. نماذج الحوسبة التطورية 2
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 1
1.9.14. مقدمة إلى الشبكات العصبية
2.9.14. مثال عملي مع الشبكات العصبية
10.14. الشبكات العصبية 2
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
الوحدة 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
الوحدة 16. الذكاء الاصطناعي في استراتيجيات التسويق الرقمي
1.16. تحول التسويق الرقمي مع الذكاء الاصطناعي و ChatGPT
1.1.16. مقدمة إلى التحول الرقمي
2.1.16. التأثير على استراتيجية المحتوى
3.1.16. أتمتة عمليات التسويق
4.1.16. تطوير تجربة العملاء
2.16. أدوات الذكاء الاصطناعي لتحسين محرك البحث الأمثل (SEO) والتسويق عبر محركات البحث (SEM) : KeywordInsights و DiiB
1.2.16. تحسين الكلمات الرئيسية باستخدام الذكاء الاصطناعي
2.2.16. تحليل المنافسة
3.2.16. تنبؤات اتجاهات البحث
4.2.16. استهداف الجمهور الذكي
3.16. تطبيق الذكاء الاصطناعي على وسائل التواصل الاجتماعي
1.3.16. تحليل المشاعر مع MonkeyLearn
2.3.16. كشف الاتجاهات الاجتماعية
3.3.16. أتمتة ما بعد مع Metricool
4.3.16. إنشاء المحتوى الآلي باستخدام Predis
4.16. أدوات الذكاء الاصطناعي للتواصل مع العملاء
1.4.16. روبوتات الدردشة المخصصة باستخدام Dialogflow
2.4.16. أنظمة الرد الآلي على البريد الإلكتروني
باستخدام Mailchimp
3.4.16. تحسين الاستجابة في الوقت الفعلي
باستخدام Freshchat
4.4.16. تحليل آراء العملاء باستخدام SurveyMonkey
5.16. تخصيص تجربة المستخدم باستخدام الذكاء الاصطناعي
1.5.16. التوصيات الشخصية
2.5.16. تكييف واجهة المستخدم
3.5.16. تجزئة الجمهور الديناميكية
4.5.16. اختبار A/B الذكي باستخدام مُحسِّن مواقع الويب المرئية
6.16. روبوتات الدردشة (Chatbots) والمساعدون الافتراضيون في التسويق الرقمي
1.6.16. التفاعل الاستباقي مع MobileMonkey
2.6.16. التكامل متعدد القنوات باستخدام Tars
3.6.16. الردود السياقية مع Chatfuel
4.6.16. تحليلات المحادثة باستخدام Botpress
7.16. الإعلان البرنامجي مع الذكاء الاصطناعي
1.7.16. تجزئة متقدمة مع Adroll
2.7.16. التحسين في الوقت الحقيقي باستخدام WordStream
3.7.16. المزايدة التلقائية باستخدام BidIQ
4.7.16. تحليل النتائج
8.16. التحليل التنبؤي والبيانات الضخمة (Big Data) في التسويق الرقمي
1.8.16. التنبؤ باتجاهات السوق
2.8.16. نماذج الإحالة المتقدمة
3.8.16. تقسيم الجمهور التنبؤي
4.8.16. تحليل المشاعر في البيانات الضخمة (Big Data)
9.16. الذكاء الاصطناعي والتسويق عبر البريد الإلكتروني (Email) للتخصيص والأتمتة في الحملات
1.9.16. التجزئة الديناميكية للقوائم
2.9.16. المحتوى الديناميكي في رسائل البريد الإلكتروني
3.9.16. أتمتة سير العمل مع Brevo
4.9.16. تحسين المعدل المفتوح باستخدام البريد الإلكتروني المعياري (Benchmark Email)
10.16. الاتجاهات المستقبلية في الذكاء الاصطناعي للتسويق الرقمي
1.10.16. الذكاء الاصطناعي المتقدم للمحادثة
2.10.16. تكامل الواقع المعزز باستخدام ZapWorks
3.10.16. التركيز على أخلاقيات منظمة العفو الدولية
4.10.16. الذكاء الاصطناعي في إنشاء المحتوى
الوحدة 17. توليد المحتوى باستخدام الذكاء الاصطناعي
1.17. الهندسة السريعة في ChatGPT
1.1.17. تحسين نوعية المحتوى المتولد
2.1.17. استراتيجيات لتحسين أداء النموذج
3.1.17. تصميم الحوافز الفعالة
2.17. أدوات إنشاء الصور باستخدام الذكاء الاصطناعي باستخدام ChatGPT
1.2.17. التعرف على الأشياء وتوليدها
2.2.17. تطبيق الأنماط والفلاتر المخصصة على الصور
3.2.17. طرق تحسين الجودة البصرية للصور
3.17. إنشاء فيديو بالذكاء الاصطناعي
1.3.17. أدوات لأتمتة تحرير الفيديو
2.3.17. توليف الصوت والدبلجة التلقائية
3.3.17. تقنيات تتبع الأجسام وتحريكها
4.17. إنشاء نص باستخدام الذكاء الاصطناعي للتدوين وإنشاء الوسائط الاجتماعية باستخدام ChatGPT
1.4.17. استراتيجيات تحسين وضع مُحسّنات محرّكات البحث في المحتوى الذي تم إنشاؤه
2.4.17. استخدام الذكاء الاصطناعي للتنبؤ باتجاهات المحتوى وتوليدها
3.4.17. إنشاء عناوين جذابة
5.17. تخصيص المحتوى باستخدام الذكاء الاصطناعي لجماهير مختلفة من خلال استخدام Optimizely
1.5.17. تحديد وتحليل نبذات الجمهور
2.5.17. التكيف الديناميكي للمحتوى وفقا لملامح المستخدم
3.5.17. الاستهداف التنبؤي للجماهير
6.17. الاعتبارات الأخلاقية لاستخدام الذكاء الاصطناعي المسؤول في توليد المحتوى
1.6.17. الشفافية في توليد المحتوى
2.6.17. منع التحيز والتمييز في توليد المحتوى
3.6.17. المراقبة والإشراف البشريان في العمليات التوليدية
7.17. تحليل قصص النجاح في توليد محتوى الذكاء الاصطناعي
1.7.17. تحديد الاستراتيجيات الرئيسية في حالات النجاح
2.7.17. التكيف مع مختلف القطاعات
3.7.17. أهمية التعاون بين المتخصصين في الذكاء الاصطناعي والمتخصصين في الصناعة
8.17. دمج المحتوى الناتج عن الذكاء الاصطناعي في استراتيجيات التسويق الرقمي
1.8.17. الاستخدام الأمثل للحملات الإعلانية مع توليد المحتوى
2.8.17. تكييف تجربة المستخدم
3.8.17. أتمتة عمليات التسويق
9.17. الاتجاهات المستقبلية في إنشاء المحتوى باستخدام الذكاء الاصطناعي
1.9.17. تكامل متقدم وسلس للنص والصورة والصوت
2.9.17. توليد محتوى مخصص للغاية
3.9.17. تحسين تطور الذكاء الاصطناعي في اكتشاف المشاعر
10.17. تقييم وقياس تأثير المحتوى الناتج عن الذكاء الاصطناعي
1.10.17. المقاييس المناسبة لتقييم أداء المحتوى الناتج
2.10.17. قياس مشاركة الجمهور
3.10.17. التحسين المستمر للمحتوى من خلال التحليل
الوحدة 18. أتمتة وتحسين عمليات التسويق باستخدام الذكاء الاصطناعي
1.18. أتمتة التسويق باستخدام الذكاء الاصطناعي من خلال Hubspot
1.1.18. تجزئة الجماهير بناءً على الذكاء الاصطناعي
2.1.18. أتمتة سير العمل (Workflows) أو سير العمل
3.1.18. الاستغلال الأمثل المستمر للحملات عبر الإنترنت
2.18. دمج البيانات والمنصات في استراتيجيات التسويق الآلي
1.2.18. تحليل وتوحيد البيانات المتعددة القنوات
2.2.18. الترابط بين منصات التسويق المختلفة
3.2.18. تحديث البيانات في الوقت الفعلي
3.18. تحسين الحملات الإعلانية باستخدام الذكاء الاصطناعي من خلال Google Ads
1.3.18. التحليل التنبؤي لأداء الإعلانات
2.3.18. تخصيص الإعلانات تلقائيًا وفقًا للجمهور المستهدف
3.3.18. التسوية التلقائية للميزانية على أساس النتائج
4.18. تخصيص الجمهور باستخدام الذكاء الاصطناعي
1.4.18. تجزئة المحتوى وتخصيصه
2.4.18. توصيات المحتوى الشخصي
3.4.18. التعرف التلقائي على الجماهير أو
المجموعات المتجانسة
5.18. أتمتة استجابات العملاء باستخدام الذكاء الاصطناعي
1.5.18. روبوتات الدردشة (Chatbots) والتعلم الآلي
2.5.18. التوليد التلقائي للاستجابات
3.5.18. الحل التلقائي للمشاكل
6.18. الذكاء الاصطناعي في التسويق عبر البريد الإلكتروني للأتمتة والتخصيص
1.6.18. أتمتة تسلسل البريد الإلكتروني
2.6.18. تخصيص المحتوى الديناميكي وفقًا للتفضيلات
3.6.18. تجزئة القائمة البريدية الذكية
7.18. تحليل المشاعر باستخدام الذكاء الاصطناعي في الشبكات الاجتماعية وتعليقات العملاء من خلال Lexalytics
1.7.18. المراقبة التلقائية للمشاعر في التعليقات
2.7.18. الاستجابات الشخصية للعواطف
3.7.18. تحليل السمعة التنبؤية
8.18. تحسين الأسعار والعروض الترويجية باستخدام الذكاء الاصطناعي من خلال Vendavo
1.8.18. تعديل الأسعار تلقائيًا بناءً على التحليل التنبؤي
2.8.18. الإنشاء التلقائي للعروض التي تتكيف مع سلوك المستخدم
3.8.18. التسعير في الوقت الحقيقي والتحليل التنافسي
9.18. دمج الذكاء الاصطناعي في أدوات التسويق الحالية
1.9.18. تكامل قدرات الذكاء الاصطناعي مع منصات التسويق الحالية
2.9.18. تحسين الوظائف الحالية
3.9.18. التكامل مع أنظمة إدارة علاقات العملاء (CRM).
10.18. اتجاهات ومستقبل الأتمتة مع الذكاء الاصطناعي في التسويق
1.10.18. الذكاء الاصطناعي لتحسين تجربة المستخدم
2.10.18. النهج التنبؤي في القرارات التسويقية
3.10.18. الإعلان الحواري
الوحدة 19. تحليل بيانات التواصل والتسويق لاتخاذ القرار
1.19. تقنيات وأدوات محددة لتحليل بيانات التواصل والتسويق من خلال Google Analytics 4
1.1.19. أدوات لتحليل المحادثات والاتجاهات على الشبكات الاجتماعية
2.1.19. أنظمة لتحديد وتقييم العواطف في التواصل
3.1.19. استخدام البيانات الضخمة (Big Data) لتحليل الاتصالات
2.19. تطبيقات الذكاء الاصطناعي في تحليل كميات كبيرة من بيانات التسويق مثل Google BigQuery
1.2.19. المعالجة التلقائية للبيانات الضخمة
2.2.19. التعرف على الأنماط السلوكية
3.2.19. تحسين الخوارزميات لتحليل البيانات
3.19. أدوات لتصور البيانات وإعداد التقارير (Reporting) عن الحملات والاتصالات باستخدام الذكاء الاصطناعي
1.3.19. إنشاء لوحات المعلومات (dashboards) التفاعلية
2.3.19. توليد التقرير التلقائي
3.3.19. التصور التنبؤي لنتائج الحملة
4.19. تطبيق الذكاء الاصطناعي في أبحاث السوق من خلال Quid
1.4.19. المعالجة التلقائية لبيانات المسح
2.4.19. التحديد التلقائي لشرائح الجمهور
3.4.19. التنبؤ بالاتجاهات في السوق
5.19. التحليل التنبؤي في التسويق لاتخاذ القرار
1.5.19. النماذج التنبؤية لسلوك المستهلك
2.5.19. توقعات أداء الحملة.
3.5.19. تعديل التحسين الاستراتيجي التلقائي
6.19. تجزئة السوق باستخدام الذكاء الاصطناعي باستخدام Meta
1.6.19. التحليل الآلي للبيانات الديموغرافية
2.6.19. تحديد مجموعات المصالح
3.6.19. تخصيص العرض الديناميكي
7.19. تحسين استراتيجية التسويق باستخدام الذكاء الاصطناعي
1.7.19. استخدام الذكاء الاصطناعي لقياس فعالية القناة
2.7.19. التعديل التلقائي الاستراتيجي لتحقيق أقصى قدر من النتائج
3.7.19. محاكاة السيناريوهات الاستراتيجية
8.19. الذكاء الاصطناعي في قياس عائد الاستثمار ROI التسويقي باستخدام GA4
1.8.19. نماذج إحالة التحويل
2.8.19. تحليل العائد على الاستثمار باستخدام الذكاء الاصطناعي
3.8.19. تقدير القيمة الدائمة للعميل أو قيمة العميل
9.19. حالات النجاح في تحليل البيانات باستخدام الذكاء الاصطناعي
1.9.19. العرض التوضيحي من خلال الحالات العملية التي أدى فيها الذكاء الاصطناعي إلى تحسين النتائج
2.9.19. تحسين التكاليف والموارد
3.9.19. المزايا التنافسية والابتكار
10.19. التحديات والاعتبارات الأخلاقية في تحليل البيانات باستخدام الذكاء الاصطناعي
1.10.19. التحيز في البيانات والنتائج
2.10.19. الاعتبارات الأخلاقية في إدارة وتحليل البيانات الحساسة
3.10.19. التحديات والحلول لجعل نماذج الذكاء الاصطناعي شفافة
الوحدة 20. المبيعات وتوليد العملاء المحتملين (leads) المحتملين باستخدام الذكاء الاصطناعي
1.20. تطبيق الذكاء الاصطناعي في عملية المبيعات من خلال Salesforce
1.1.20. أتمتة مهام المبيعات
2.1.20. التحليل التنبؤي لدورة المبيعات
3.1.20. تحسين استراتيجيات التسعير
2.20. تقنيات وأدوات لتوليد العملاء المحتملين باستخدام الذكاء الاصطناعي من خلال Hubspot
1.2.20. التحديد الآلي للآفاق
2.2.20. تحليل سلوك المستخدم
3.2.20. تخصيص المحتوى للتوظيف
3.20. تسجيل النتائج باستخدام الذكاء الاصطناعي باستخدام Hubspot
1.3.20. التقييم الآلي لمؤهلات العملاء المحتملين (Leads)
2.3.20. تحليل العملاء المحتملين (Leads) القائمة على التفاعل
3.3.20. تحسين نموذج تسجيل (Scoring) العملاء المحتملين (Leads)
4.20. الذكاء الاصطناعي في إدارة علاقات العملاء
1.4.20. التتبع الآلي لتحسين العلاقات مع العملاء.
2.4.20. توصيات شخصية للعملاء
3.4.20. أتمتة الاتصالات الشخصية
5.20. تنفيذ حالات النجاح للمساعدين الافتراضيين في المبيعات
1.5.20. مساعدين افتراضيين لدعم المبيعات
2.5.20. تحسين تجربة العملاء
3.5.20. تحسين التحويلات وإغلاق المبيعات
6.20. التنبؤ باحتياجات العملاء باستخدام الذكاء الاصطناعي
1.6.20. تحليل السلوك الشرائي
2.6.20. تجزئة العرض الديناميكي
3.6.20. أنظمة التوصية الشخصية
7.20. تخصيص عرض المبيعات باستخدام الذكاء الاصطناعي
1.7.20. التكيف الديناميكي للمقترحات التجارية
2.7.20. عروض حصرية على أساس السلوك
3.7.20. إنشاء حزم شخصية
8.20. تحليل المنافسة باستخدام الذكاء الاصطناعي
1.8.20. الرصد الآلي للمنافسين
2.8.20. التحليل المقارن الآلي للأسعار
3.8.20. المراقبة التنافسية التنبؤية
9.20. تكامل الذكاء الاصطناعي في أدوات المبيعات
1.9.20. التوافق مع نظم إدارة العلاقة مع العملاء (CRM).
2.9.20. تعزيز أدوات البيع
3.9.20. التحليل التنبؤي في منصات المبيعات
10.20. الابتكارات والتنبؤات في مجال المبيعات
1.10.20. الواقع المعزز في تجربة التسوق
2.10.20. أتمتة المبيعات المتقدمة
3.10.20. الذكاء العاطفي في التعاملات البيعية
تجربة تعليمية فريدة ومهمة وأساسية لتعزيز تطورك المهني وتحقيق قفزة حاسمة نحو المستقبل الذي يجلبه الذكاء الاصطناعي معه"
ماجستير في الذكاء الاصطناعي في التسويق والاتصالات
انغمس في عالم الابتكار الاستراتيجي من خلال برنامج الماجستير في الذكاء الاصطناعي في التسويق والاتصالات، وهو اقتراح تعليمي فريد بالتعاون مع كلية إدارة الأعمال المتميزة بجامعة TECH الجامعة التكنولوجية. تم تصميم هذا البرنامج للقادة وأصحاب الرؤى في عالم الأعمال، وسيأخذك إلى ما هو أبعد من التقاليد ويزودك بالمهارات اللازمة للنجاح في بيئة أعمال رقمية وتنافسية للغاية. في قاعدة اقتراحنا توجد دروس عبر الإنترنت، وهي عبارة عن منصة تعليمية مرنة تسمح لك بالوصول إلى المعرفة المتخصصة من أي مكان. استمتع بحرية التعلم بالسرعة التي تناسبك وأنت تنغمس في منهج دراسي يمزج بسلاسة بين النظرية والتطبيق العملي.
اكتشف أفقًا جديدًا في إستراتيجية الأعمال مع درجة الدراسات العليا هذه
يتميز نهجنا بتعاونه مع خبراء الصناعة، مما يضمن حصولك على فهم عميق وعملي للذكاء الاصطناعي المطبق على استراتيجيات التسويق والاتصالات. من خلال تحليل البيانات المتقدمة، والتعرف على الأنماط، وأدوات التشغيل الآلي، سوف تتعلم كيفية اتخاذ قرارات استراتيجية مستنيرة من شأنها أن تدفع أداء حملاتك واستراتيجيات الاتصال الخاصة بك. في TECH الجامعة التكنولوجية، لا نقدم لك برنامجًا أكاديميًا فحسب؛ نحن ندعوك إلى تجربة تعليمية شاملة. تواصل مع كبار المتخصصين وكن في طليعة أحدث الاتجاهات التكنولوجية التي تعمل على تحويل مجال التسويق والاتصالات في العصر الرقمي. الاستعداد للقيادة بثقة في عالم الأعمال المتطور باستمرار. انضم إلينا في ثورة الذكاء الاصطناعي وأطلق العنان لإمكانياتك القصوى في برنامج الماجستير الذي تدرسه كلية إدارة الأعمال بجامعة TECH الجامعة التكنولوجية. غيّر حياتك المهنية واتخذ الخطوة نحو مستقبل يكون فيه الابتكار والاستراتيجية في قلب نجاحك المهني.