أتقن المستقبل مع تقنيات شهادة الخبرة الجامعية في الشبكات العصبية والتدريب في التعلم العميق (Deep Learning 

لقد أصبح الذكاء الاصطناعي من أكثر التقنيات تأثيراً اليوم، وانتشر استخدامه في العديد من القطاعات، من الرعاية الصحية إلى التصنيع وتجارة التجزئة. من هذا المنطلق، يُعد تدريب الشبكات العصبية الاصطناعية مكونًا أساسيًا من مكونات الذكاء الاصطناعي وهو ضروري لتطوير خوارزميات معقدة يمكنها التعلم والتحسن من خلال التجربة.  

وفي هذا السياق، فإن برنامج شهادة الخبرة الجامعية في الشبكات العصبية والتدريب في التعلم العميق (Deep Learning هو برنامج تقني مصمم لتوفير المهارات العملية في التقنيات المتطورة مثل TensorFlow وKeras. سيتخصص الطلاب أيضاً في تنفيذ حلول التعلُّم العميق المتقدمة بلغة Python.  

بالإضافة إلى ذلك، صُممت الشهادة لتكون متاحة 100% عبر الإنترنت، مما يسمح للطلاب بإكمال البرنامج وفقاً لجدولهم الزمني الخاص بهم. كما أن المنهجية التربوية لإعادة التعلم Relearning هي أيضًا من أبرز ما يميز هذه الشهادة، حيث تركز على التعلم التجريبي وحل المشكلات العملية لاستيعاب المفاهيم بشكل أفضل. سيحظى الطلاب أيضاً بقدر كبير من المرونة، مع وجود موارد دراسية ديناميكية يمكنهم تنظيمها حسب ما يناسبهم. 

تصميم خوارزميات شبكات عصبية معقدة وتدريبها لحل مشاكل العالم الحقيقي. ما الذي تنتظره بعد؟"

تحتوي شهادة الخبرة الجامعية في الشبكات العصبية والتدريب في التعلم العميق  على البرنامج التعليمي الأكثر اكتمالاً وحداثة في السوق. أبرز خصائصه هي:

تطوير دراسات الحالة العملية التي يقدمها خبراء في الشبكات العصبية والتدريب في  في التعلم العميق (Deep Learning) 
يجمع المحتوى الرسومي والتخطيطي والعملي البارز الذي تم تصميمه به معلومات تكنولوجية وعملية عن تلك التخصصات الأساسية للممارسة المهنية
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم 
تركيزه الخاص على المنهجيات المبتكرة  
دروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية 
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت 

التحق بشهادة الخبرة الجامعية هذه وعزز مهاراتك في بناء نماذج التعلم العميق والحلول المتقدمة لمشاريعك“

البرنامج يضم في أعضاء هيئة تدريسه محترفين يجلبون إلى 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 المشكلات، والذي يجب على المهني من خلاله محاولة حل مختلف مواقف الممارسة المهنية التي تنشأ على مدار السنة الدراسىة. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.

ادخل إلى عالم التعلُّم العميق واكتشف كيف يُحدث الذكاء الاصطناعي تحولاً في المجتمع"

احصل على التخصص من خلال الرجوع إلى دراسات الحالة الديناميكية أو الرسوم البيانية التفاعلية أو مقاطع الفيديو التفصيلية حول كيفية تدريب الشبكات الاصطناعية"

تقدم شهادة الخبرة الجامعية في الشبكات العصبية والتدريب في التعلم العميق (Deep Learning)برنامجاً تعليمياً شاملاً يأخذ الطلاب في رحلة أكاديمية واسعة: من تدريب الشبكات العصبية إلى الرؤية الحاسوبية العميقة باستخدام الشبكات العصبية التلافيفية. 

بالإضافة إلى ذلك، فإن المنهج الدراسي مفصل للغاية ومدعوم بمجموعة متنوعة من الموارد التعليمية المبتكرة المتاحة للطلاب على الحرم الجامعي الافتراضي للدرجة العلمية. 

منهج شامل سيساعدك على إتقان إعادة استخدام الطبقات المدربة مسبقاً“  

الوحدة 1 تدريب الشبكات العصبونية العميقة

1.1 مشاكل التدرج 

1.1.1 تقنيات التحسين الأمثل للتدرج 
2.1.1 التدرجات العشوائية 
3.1.1 تقنيات استهلال الأوزان 

2.1 إعادة استخدام الطبقات المشكّلة مسبقاً 

1.2.1 التدريب على نقل التعلم 
2.2.1 استخراج المميزات 
3.2.1 التعلم العميق 

3.1 المحسنات 

1.3.1 محسنات الانحدار العشوائي 
2.3.1 محسنات Adam و RMSprop 
3.3.1 المحسنات في الوقت الحالي 

4.1 برمجة معدل التعلم 

1.4.1 التحكم في معدل التعلم الآلي 
2.4.1 دورات التعلم 
3.4.1 تخفيف الشروط 

5.1 الإفراط في التكيف 

1.5.1 التحقق المتبادل 
2.5.1 تسوية الأوضاع 
3.5.1 مقاييس التقييم 

6.1 مبادئ توجيهية عملية 

1.6.1 تصميم النموذج 
2.6.1 اختيار المقاييس وبارامترات التقييم 
3.6.1 اختبارات الفرضية 

7.1 Transfer learning 

1.7.1 التدريب على نقل التعلم 
2.7.1 استخراج المميزات 
3.7.1 التعلم العميق 

8.1 Data Augmentation 

1.8.1 تحولات الصورة 
2.8.1 توليد البيانات الاصطناعية 
3.8.1 تحويل النص 

9.1 التطبيق العملي Transfer Learning 

1.9.1 التدريب على نقل التعلم 
2.9.1 استخراج المميزات 
3.9.1 التعلم العميق 

10.1 تسوية الأوضاع 

1.10.1 L1 و L2 
2.10.1 وضع القواعد بالقصور الحراري العظمي 
3.10.1 Dropout 

الوحدة 2. إضفاء الطابع الشخصي على النموذج والتدريب باستخدام TensorFlow

1.2 TensorFlow 

1.1.2 استخدام مكتبة TensorFlow 
2.1.2 نموذج التدريب مع TensorFlow 
3.1.2 العمليات بالرسومات في TensorFlow 

2.2. TensorFlow و NumPy 

1.2.2 بيئة الحوسبة NumPy لـ TensorFlow 
2.2.2 باستخدام مصفوفات NumPy باستخدام TensorFlow 
3.2.2 عمليات NumPy لرسومات TensorFlow 

3.2. إضفاء الطابع الشخصي على النماذج والخوارزميات التدريب 

1.3.2 بناء نماذج مخصصة باستخدام TensorFlow 
2.3.2 إدارة بارامترات التدريب 
3.3.2 استخدام تقنيات التحسين الأمثل للتدريب 

4.2. ميزات ورسومات TensorFlow 

1.4.2 وظائف مع TensorFlow 
2.4.2 استخدام الرسوم البيانية للتدريب على النماذج 
3.4.2 تحسين الرسومات باستخدام عمليات TensorFlow 

5.2. بيانات التحميل والمعالجة المسبقة باستخدام TensorFlow 

1.5.2 تحميل مجموعات البيانات باستخدام TensorFlow 
2.5.2 بيانات المعالجة المسبقة باستخدام TensorFlow 
3.5.2 استخدام أدوات TensorFlow للتلاعب بالبيانات 

6.2. API tf.data 

1.6.2 استخدام tf.data API لمعالجة البيانات 
2.6.2 بناء تدفقات البيانات باستخدام tf.data 
3.6.2 استخدام واجهة برمجة التطبيقات tfdata للتدريب النموذجي 

7.2. تنسيق TFRecord 

1.7.2 استخدام واجهة برمجة التطبيقات TFRecord لتسلسل البيانات 
2.7.2 تحميل ملف TFRecord باستخدام TensorFlow 
3.7.2 استخدام ملفات TFRecord للتدريب النموذجي 

8.2. طبقات المعالجة التمهيدية Keras 

1.8.2 استخدام واجهة برمجة التطبيقات المعالجة مسبقًا Keras 
2.8.2 البناء المكون من pipelinedالمعالجة المسبقة مع Keras 
3.8.2 استخدام واجهة برمجة التطبيقات للمعالجة المسبقة لـ Keras للتدريب النموذجي 

9.2. مشروع مجموعات بيانات TensorFlow Datasets 

1.9.2 استخدام مجموعات بيانات TensorFlow Datasets لتحميل البيانات 
2.9.2 معالجة البيانات مسبقًا باستخدام مجموعات بيانات TensorFlow Datasets 
3.9.2 استخدام مجموعات بيانات TensorFlow Datasets للتدريب على النماذج 

10.2. بناء تطبيق التعلم العميق باستخدام Deep Learning  مع TensorFlow. التطبيق العملي 

1.10.2 بناء تطبيق التعلم العميق باستخدام  Deep Learning مع TensorFlow 
2.10.2 تدريب نموذج مع TensorFlow 
3.10.2 استخدام التطبيق للتنبؤ بالنتائج 

الوحدة 3. الرؤية الحاسوبية العميقة (Deep Computer Vision) مع الشبكات العصبونية التلافيفية 

1.3. هيكلية Visual Cortex 

1.1.3 وظائف القشرة البصرية 
2.1.3 نظريات الرؤية الحسابية 
3.1.3 نماذج معالجة الصور 

2.3. طبقات تلافيفية 

1.2.3 إعادة استخدام الأوزان في الالتفاف 
2.2.3 الطي 2D 
3.2.3 وظائف التنشيط 

3.3. طبقات التجميع وتنفيذ طبقات التجميع مع Keras 

1.3.3 Poolingو Striding 
2.3.3 Flattening 
3.3.3 أنواع Pooling 

4.3. بناء CNN 

1.4.3 بناء VGG 
2.4.3 بناء AlexNet 
3.4.3 بناء ResNet 

5.3. تنفيذ CNN ResNet-34 باستخدام Keras 

1.5.3 استهلال الأوزان 
2.5.3 تعريف طبقة المدخلات 
3.5.3 تعريف الناتج 

6.3. استخدام نماذج Keras المدربة مسبقا 

1.6.3 خصائص النماذج السابقة التدريب 
2.6.3 استخدامات النماذج المدربة مسبقا 
3.6.3 مزايا النماذج المدربة مسبقا 

7.3. نماذج ما قبل التدريب للتعلم في مجال النقل 

1.7.3 التعلم عن طريق النقل 
2.7.3 عملية التعلم عن طريق النقل 
3.7.3 فوائد التعلم التحويلي 

8.3. تصنيف الرؤية العميقة للحاسوب وتوطينها Deep Computer Vision 

1.8.3 تصنيف الصورة 
2.8.3 موقع الأشياء في الصور 
3.8.3 كشف الأشياء 

9.3. كشف الأشياء وتتبعها 

1.9.3 طرائق الكشف عن الأشياء 
2.9.3 خوارزميات لتتبع الأشياء 
3.9.3 تقنيات التتبع والتعقب 

10.3. التجزئة الدلالية 

1.10.3 التعلم العميق للتجزئة الدلالية 
2.10.3 كشف الحواف 
3.10.3 طرائق التجزئة القائمة على القواعد 

اغتنم الفرصة للتعرف على خوارزميات اكتشاف الأجسام وتتبعها“