يشجع الذكاء الاصطناعي في التعليم التعلم التكيفي الذي يركز على الطلاب، مما يعزز بيئة تعليمية أكثر فعالية وإثراءً. سجل الآن!" 

برز تطبيق الذكاء الاصطناعي في التعليم كأداة لا تقدر بثمن، مما أحدث ثورة في طريقة وصول الطلاب إلى المعرفة وكيف يدير المعلمون عملية التدريس. أصبح تعلم التخصيص أكثر سهولة بفضل الخوارزميات الذكية، وتكييف المحتوى التعليمي مع الاحتياجات الفردية. هذا لا يزيد من الكفاءة فحسب، بل يعالج أيضًا الاختلافات في وتيرة التعلم وأسلوبه. 

لذلك، طورت TECH درجة الماجستير الخاص في الذكاء الاصطناعي في التعليم، والتي من خلالها ستتناول ليس فقط الجوانب الأكثر تقنية للذكاء الاصطناعي، ولكن أيضًا الاعتبارات الأخلاقية والقانونية والاجتماعية المرتبطة بها. بالإضافة إلى ذلك، فإن النهج العملي لتطوير مشاريع الذكاء الاصطناعي في الفصل الدراسي سيزود المعلمين بمهارات ملموسة للتنفيذ الفعال في البيئات التعليمية.  

أيضًا، سيحقق الخريج في ممارسة التدريس باستخدام الذكاء الاصطناعي المولد، مما يسلط الضوء على الاهتمام بتخصيص التعلم والتحسين المستمر، وهي جوانب رئيسية للقدرة على التكيف في العملية التعليمية. أخيرًا، سيتم تحليل الاتجاهات الناشئة في الذكاء الاصطناعي للتعليم، مما يضمن وعي المشاركين بأحدث الابتكارات في تكنولوجيا التعليم. 

وبهذه الطريقة، سيوفر البرنامج مزيجًا متوازنًا من المعرفة التقنية والمهارات العملية والمنظور الأخلاقي والتفكيري، مما يجعل نفسه رائدًا في تدريب المهنيين القادرين على مواجهة تحديات وفرص الذكاء الاصطناعي في التعليم. 

وبالتالي، ابتكرت TECH درجة شاملة تستند إلى منهجية إعادة التعلم Relearning. وتركز هذه الطريقة التعليمية على تكرار المفاهيم الأساسية لضمان الفهم الأمثل. وبالمثل، فإن إمكانية الوصول أمر أساسي، حيث ستكون هناك حاجة فقط إلى جهاز إلكتروني به اتصال بالإنترنت للوصول إلى المحتويات في أي وقت، مما يلغي الحاجة إلى الحضور وجهًا لوجه أو التكيف مع الجداول الزمنية المحددة مسبقًا.

ييسر الذكاء الاصطناعي التغذية المرتدة الفورية، مما يسمح للمعلمين بتحديد مجالات التحسين وتقديم الدعم الشخصي"   

تحتوي درجة الماجستير الخاص ذكاء الاصطناعي في مجال التعليم هذه على البرنامج التعليمي الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها الخبراء في مجال الذكاء الاصطناعي في مجال التعليم
المحتويات التصويرية والتخطيطية والعملية البارزة التي يتم تصورها بها، تجمع المعلومات العلمية والعملية حول تلك التخصصات التي تعتبر ضرورية 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 

ستدير مشاريع الذكاء الاصطناعي في الفصول الدراسية، من برامج التعلم الآلي إلى ألعاب الفيديو والروبوتات"

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.  

من خلال هذا البرنامج عبر الإنترنت 100%، ستدمج أدوات الذكاء الاصطناعي التوليدية في تخطيط وتنفيذ وتقييم الأنشطة التعليمية"

سوف تتقن تقنيات الذكاء الاصطناعي المتطورة، مثل الواقع المعزز/الافتراضي، بفضل المكتبة الواسعة لموارد الوسائط المتعددة"

يتضمن البرنامج وحدات محددة، مثل «الأخلاق وتشريعات الذكاء الاصطناعي في التعليم» و «ممارسة التدريس مع الذكاء الاصطناعي المولد»، مما يدل على التزامهم بمسؤولية التعلم وإضفاء الطابع الشخصي عليه. بالإضافة إلى ذلك، فإن استكشاف الاتجاهات الناشئة في الذكاء الاصطناعي للتعليم سيضمن استعداد المعلمين لدمج أحدث الابتكارات، من الواقع المعزز إلى التحليل التنبؤي، في ممارساتهم التربوية. هذا المزيج من الأسس الأخلاقية والتطبيق العملي وإدماج أحدث التقنيات سيشجع الخريجين على اكتساب معارف ومهارات محددة للنهوض بوظائفهم المهنية. 

تجمع درجة الماجستير الخاص هذه بين الجوانب التقنية للذكاء الاصطناعي والنهج العملي في تطوير المشاريع التعليمية"  

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.    مشكلة الترميز 
4.4.1.    توليد المجموعة أولية 
5.4.1.    الخوارزمية الرئيسية ومشغلي الوراثة 
6.4.1.    تقييم الأفراد: Fitness اللياقة 

1.5.    المكنز، مفردات، تصنيفات 

1.5.1.    المفردات 
2.5.1.    التصنيفات 
3.5.1.    المرادفات 
4.5.1.    علم المعلومات 
5.5.1.    عرض المعارف الويب الدلالي 

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.    روبوتات الدردشة Chatbots والمساعدون الافتراضيون  

1.8.1.    أنواع المساعدين: مساعدي 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.    إنشاء علامة تجارية شخصية: اللغة والتعابير والمحتوى  
3.10.1.    اتجاهات الذكاء الاصطناعي  
4.10.1.    تأملات 

الوحدة 2. أنواع البيانات ودورة حياتها 

1.2.    الإحصاء  

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 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  
9.32.     الأمن  

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  
3.2.2.    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 Big Data 

الوحدة 5. الخوارزمية والتعقيد في الذكاء الاصطناعي 

1.5.    مقدمة لاستراتيجيات تصميم الخوارزميات 

1.1.5.    التكرار 
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.    التقديم 
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

الوحدة 6. أنظمة ذكية 

1.6.    نظرية الوكلاء 

1.1.6.    قصة مفهوم 
2.1.6.    تعريف الوكلاء 
3.1.6.    عملاء 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.    تمهيد 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 (NLP)  

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، أساس 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.    العمليات 

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 العصبية 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. تطبيقات عملية 
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 
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 
1.10.11.    كشف الحافة 
1.10.11.    طرائق التجزئة القائمة على القواعد 

الوحدة 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 تشفيرencoder-decoder 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 E 

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. تطبيقات عملية

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 

الوحدة 13. أجهزة التشفير التلقائي و GANs ونماذج الانتشار Autoencoders, GANs, 

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 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 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 (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 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. تحليل البيانات وتطبيق تقنيات الذكاء الاصطناعي من أجل إضفاء الطابع الشخصي على التعليم 

1.16.   تحديد البيانات التعليمية واستخراجها وإعدادها

1.1.16.    تطبيقات H2O.ai جمع واختيار البيانات ذات الصلة في البيئات التعليمية
2.1.16.    تقنيات التنظيف وتوحيد البيانات للتحليل التعليمي 
3.1.16.    أهمية سلامة البيانات ونوعيتها في البحوث التعليمية 

2.16.    تحليل وتقييم البيانات التعليمية مع الذكاء الاصطناعي من أجل التحسين المستمر في الفصل الدراسي 

1.2.16.    تطبيق TensorFlow في تفسير الاتجاهات والأنماط التعليمية باستخدام تقنيات التعلم الآلي.
2.2.16.    تقييم أثر الاستراتيجيات التربوية من خلال تحليل البيانات 
3.2.16.    تطبيق Trinka في دمج التغذية الراجعة القائمة على الذكاء الاصطناعي لتحسين عملية التدريس لتحسين عملية التدريس 

3.16.    تعريف مؤشرات الأداء الأكاديمي من البيانات التعليمية

1.3.16.    وضع مقاييس رئيسية لتقييم أداء الطلاب 
2.3.16.    تحليل مقارن للمؤشرات لتحديد مجالات التحسين 
3.3.16.    العلاقة بين المؤشرات الأكاديمية والعوامل الخارجية من خلال الذكاء الاصطناعي 

4.16.    أدوات الذكاء الاصطناعي لمراقبة التعليم وصنع القرار 

1.4.16.    نظم دعم القرارات القائمة على tome.ai لمديري التعليم 
2.4.16.    استخدام Trello لتخطيط الموارد التعليمية وتخصيصها
3.4.16.    تحسين العمليات التعليمية من خلال التحليلات التنبؤية باستخدام Orange Data Mining  

5.16.    تقنيات وخوارزميات الذكاء الاصطناعي للتحليل التنبؤي لبيانات الأداء الأكاديمي 

1.5.16.    أسس النماذج التنبؤية في التعليم
2.5.16.    استخدام خوارزميات التصنيف والانحدار للتنبؤ بالاتجاهات التعليمية 
3.5.16.    دراسات حالة للتنبؤات الناجحة في البيئات التعليمية 

6.16.    تطبيق تحليل البيانات مع الذكاء الاصطناعي للوقاية من المشاكل التعليمية وحلها  

1.6.16.    التحديد المبكر للمخاطر الأكاديمية من خلال التحليل التنبؤي 
2.6.16.    استراتيجيات التدخل القائمة على الأدلة لمواجهة التحديات التعليمية 
3.6.16.    تقييم تأثير الحلول القائمة على DataRobot AI على التعليم

7.16.    التشخيص الشخصي لصعوبات التعلم من تحليل البيانات باستخدام الذكاء الاصطناعي

1.7.16.    تقنيات الذكاء الاصطناعي لتحديد أساليب التعلم والصعوبات باستخدام IBM Watson Education 
2.7.16.    دمج تحليل البيانات في خطط الدعم التعليمي الفردية 
3.7.16.    تحسين دراسة حالة التشخيصات باستخدام الذكاء الاصطناعي 

8.16.    تحليل البيانات وتطبيق الذكاء الاصطناعي لتحديد الاحتياجات التعليمية الخاصة 

1.8.16.    نهج الذكاء الاصطناعي للكشف عن الاحتياجات التعليمية الخاصة باستخدام Gooroo 
2.8.16.    تكييف استراتيجيات التدريس على أساس تحليل البيانات 
3.8.16.    تقييم تأثير الذكاء الاصطناعي على الإدماج التعليمي 

9.16.    تخصيص التعلم باستخدام الذكاء الاصطناعي من تحليل بيانات الأداء الأكاديمي 

1.9.16.    إنشاء مسارات تعليمية تكيفية باستخدام Smart Sparrow 
2.9.16.    تنفيذ نظم التوصيات المتعلقة بالموارد التعليمية 
3.9.16.    قياس التقدم الفردي والتعديلات الآنية عن طريق Squirrel AI Learning  

10.16.    الأمن والخصوصية في معالجة البيانات التعليمية

1.10.16.    المبادئ الأخلاقية والقانونية في إدارة البيانات التعليمية 
2.10.16.    تقنيات حماية البيانات والخصوصية في أنظمة التعليم مع Google Cloud Security 
3.10.16.    دراسات حالات إفرادية عن الانتهاكات الأمنية وأثرها على التعليم 

الوحدة 17. تطوير مشاريع الذكاء الاصطناعي في الفصل الدراسي    

1.17.    تخطيط وتصميم مشروع الذكاء الاصطناعي في التعليم Algor Education 

1.1.17.    الخطوات الأولى لتخطيط المشاريع  
2.1.17.    قاعدة المعارف  
3.1.17.    تصميم مشروع الذكاء الاصطناعي في التعليم   

2.17.    أدوات تطوير المشاريع التعليمية مع الذكاء الاصطناعي 

1.2.17.    أدوات تطوير المشاريع التعليمية: TensorFlow Playground
2.2.17.    أدوات المشاريع التعليمية في التاريخ  
3.2.17.    أدوات للمشاريع التعليمية في الرياضيات: Wolfram Alpha
4.2.17.    أدوات للمشاريع التعليمية في اللغة الإنكليزية: Grammarly

3.17.    استراتيجيات تنفيذ مشاريع الذكاء الاصطناعي في الفصول الدراسية  

1.3.17.    متى يتم تنفيذ مشروع الذكاء الاصطناعي  
2.3.17.    لماذا تنفيذ مشروع الذكاء الاصطناعي  
3.3.17.     الاستراتيجيات التي يتعين تنفيذها   

4.17.    دمج مشاريع الذكاء الاصطناعي في مواضيع محددة    

1.4.17.    الرياضيات والذكاء الاصطناعي: Thinkster math
2.4.17.    التاريخ والذكاء الاصطناعي  
3.4.17.    اللغات والذكاء الاصطناعي: Deep L
4.4.17.    مواد دراسية أخرى: Watson Studio  

5.17.    مشروع 1: تطوير المشاريع التعليمية باستخدام التعلم الآلي Academy باستخدام Khan Academy

1.5.17.    الخطوات الأولى  
2.5.17.    أتخاذ المتطلبات  
3.5.17.    أدوات للاستخدام  
4.5.17.    تعريف المشروع    

6.17.    مشروع 2: دمج الذكاء الاصطناعي في تطوير الألعاب التعليمية 

1.6.17.    الخطوات الأولى  
2.6.17.    أتخاذ المتطلبات  
3.6.17.    أدوات للاستخدام  
4.6.17.    تعريف المشروع    

7.17.    مشروع 3: تطوير روبوتات دردشة chatbots تعليمية لمساعدة الطلاب  

1.7.17.    الخطوات الأولى  
2.7.17.    أتخاذ المتطلبات  
3.7.17.    أدوات للاستخدام  
4.7.17.    تعريف المشروع   

8.17.    مشروع 4: دمج العوامل الذكية في المنابر التعليمية باستخدام Knewton 

1.8.17.    الخطوات الأولى  
2.8.17.    أتخاذ المتطلبات  
3.8.17.    أدوات للاستخدام  
4.8.17.    تعريف المشروع   

9.17.    تقييم وقياس أثر مشاريع الذكاء الاصطناعي في التعليم باستخدام Qualtrics  

1.9.17.    فوائد العمل مع الذكاء الاصطناعي في الفصل الدراسي  
2.9.17.    البيانات الفعلية  
3.9.17.    الذكاء الاصطناعي في الفصل   
4.9.17.    إحصاءات الذكاء الاصطناعي في التعليم   

10.17.    تحليل مشاريع الذكاء الاصطناعي في مجال التعليم وتحسينها باستمرار باستخدام Edmodo Insights  

1.10.17.    المشاريع الحالية   
2.10.17.    البدء بالعمل  
3.10.17.    ما يخبئه لنا المستقبل  
4.10.17.    تحويل الفصول الدراسية 360  

الوحدة 18. ممارسة التدريس مع الذكاء الاصطناعي التوليدي    

1.18.    تكنولوجيات الذكاء الاصطناعي المولدة للاستخدام في التعليم

1.1.18.    السوق الحالية Artbreeder, Runway ML و DeepDream Generator
2.1.18.    التكنولوجيات المستخدمة  
3.1.18.    ماهو قادم  
4.1.18.    مستقبل الفصل الدراسي  

2.18   تطبيق أدوات الذكاء الاصطناعي المولدة في التخطيط التعليمي    

1.2.18.    أدوات التخطيط Altitude Learning
2.2.18.    الأدوات وتطبيقها  
3.2.18.    التعليم والذكاء الاصطناعي  
4.2.18.    التطور     

3.18.    إنشاء مواد تعليمية باستخدام الذكاء الاصطناعي التوليدي باستخدام Story Ai وPix2PIx و NeouralTalk2
 

1.3.18.    الذكاء الاصطناعي واستخداماته في الفصل الدراسي  
2.3.18.    أدوات لإنشاء مواد تعليمية  
3.3.18.    كيفية العمل بالأدوات  
4.3.18.    الأوامر  

4.18.    تطوير اختبارات التقييم باستخدام الذكاء الاصطناعي التوليدي باستخدام Quizgecko

1.4.18.    الذكاء الاصطناعي واستخداماته في وضع اختبارات التقييم   
2.4.18.    أدوات لوضع اختبارات التقييم   
3.4.18.    كيفية العمل بالأدوات  
4.4.18.    الأوامر   

5.18.    تحسين التغذية المرتدة والاتصال بالذكاء الاصطناعي المولد    

1.5.18.    الذكاء الاصطناعي في الاتصال  
2.5.18.    استخدام الأدوات في تطوير الاتصالات في الفصول الدراسية  
3.5.18.    المزايا والعيوب   

6.18.     تصحيح الأنشطة واختبارات التقييم باستخدام الذكاء الاصطناعي التوليفي باستخدام Gradescope AI  

1.6.18.    الذكاء الاصطناعي واستخداماته في تصحيح الأنشطة والاختبارات التقييمية  
2.6.18.    أدوات لتصحيح الأنشطة واختبارات التقييم   
3.6.18.    كيفية العمل بالأدوات  
4.6.18.    الأوامر  

7.18.    توليد دراسات استقصائية لتقييم جودة المعلمين من خلال الذكاء الاصطناعي التوليدي 

1.7.18.    الذكاء الاصطناعي واستخداماته في إعداد دراسات استقصائية لتقييم جودة المعلمين من خلال الذكاء الاصطناعي   
2.7.18.    أدوات لإعداد دراسات استقصائية لتقييم جودة المعلمين من خلال الذكاء الاصطناعي  
3.7.18.    كيفية العمل بالأدوات  
4.7.18.    الأوامر  

8.18.    دمج أدوات الذكاء الاصطناعي المولدة في الاستراتيجيات التربوية  

1.8.18.    تطبيقات الذكاء الاصطناعي في الاستراتيجيات التربوية  
2.8.18.    الاستخدامات الصحيحة   
3.8.18.    المزايا والعيوب  
4.8.18.    أدوات توليد الذكاء الاصطناعي في الاستراتيجيات التربوية: Gans

9.18.    استخدام الذكاء الاصطناعي المولد للتصميم الشامل للتعلم  

1.9.18.    الذكاء الاصطناعي المولد، لماذا الآن  
2.9.18.    الذكاء الاصطناعي في التعلم  
3.9.18.    المزايا والعيوب  
4.9.18.    تطبيقات الذكاء الاصطناعي في التعلم  

10.18.    تقييم فعالية الذكاء الاصطناعي المولد في التعليم  

1.10.18.    بيانات الفعالية  
2.10.18.    المشاريع  
3.10.18.    أغراض التصميم  
4.10.18.    تقييم فعالية الذكاء الاصطناعي في التعليم   

الوحدة 19. الابتكارات والاتجاهات الناشئة في مجال الذكاء الاصطناعي للتعليم 

1.19.   أدوات وتكنولوجيات الذكاء الاصطناعي الناشئة في مجال التعليم 

1.1.19.    أدوات الذكاء الاصطناعي القديمة  
2.1.19.    الأدوات الحالية: ClassDojo y Seesaw
3.1.19.    الأدوات المستقبلية   

2.19.    الواقع المعزز والافتراضي في التعليم  

1.2.19.    أدوات الواقع المعزز  
2.2.19.    أدوات الواقع الافتراضي  
3.2.19.    تطبيق الأدوات واستخداماتها  
4.2.19.    المزايا والعيوب  

3.19.    الذكاء الاصطناعي للمحادثة للدعم التعليمي والتعلم التفاعلي باستخدام Wysdom AI y SnatchBot

1.3.19.    الذكاء الاصطناعي للمحادثة، لماذا الآن  
2.3.19.    الذكاء الاصطناعي في التعلم  
3.3.19.    المزايا والعيوب  
4.3.19.    تطبيقات الذكاء الاصطناعي في التعلم  

4.19.    تطبيق الذكاء الاصطناعي لتحسين الاحتفاظ بالمعارف  

1.4.19.    الذكاء الاصطناعي كأداة دعم  
2.4.19.    المبادئ التوجيهية الواجب اتباعه   
3.4.19.    أداء الذكاء الاصطناعي في الاحتفاظ بالمعرفة  
4.4.19.    الذكاء الاصطناعي وأدوات الدعم  

5.19.    تقنيات التعرف على الوجه والعاطفة لتتبع مشاركة الطلاب ورفاهيتهم   

1.5.19.    تقنيات التعرف على الوجه والعاطفة في سوق اليوم  
2.5.19.    الاستخدامات  
3.5.19.    التطبيقات  
4.5.19.    هامش الخطأ  
5.5.19.    المزايا والعيوب  

6.19.    Blockchain و AI في التعليم لتحويل إدارة التعليم والتحقق من صحة الشهادات  

1.6.19.    ما هو  Blockchain  
2.6.19.     Blockchainوتطبيقاتها  
3.6.19.     Blockchain كعنصر محول  
4.6.19.    الإدارة التعليمية و  Blockchain  

7.19.    أدوات الذكاء الاصطناعي الناشئة لتحسين تجربة التعلم باستخدام Squirrel AI Learning  

1.7.19.    المشاريع الحالية   
2.7.19.    البدء بالعمل  
3.7.19.    ما يخبئه لنا المستقبل  
4.7.19.    تحويل الفصول الدراسية 360  

8.19.    استراتيجيات التنمية التجريبية مع الذكاء الاصطناعي الناشئ   

1.8.19.    المزايا والعيوب  
2.8.19.    استراتيجيات للتطوير  
3.8.19.    النقاط الرئيسية  
4.8.19.    مشاريع رائدة  

9.19.    تحليل قصص النجاح في ابتكارات الذكاء الاصطناعي  

1.9.19.    مشاريع مبتكرة  
2.9.19.    تطبيق الذكاء الاصطناعي وفوائده  
3.9.19.    الذكاء الاصطناعي في الفصل الدراسي، قصص نجاح  

10.19.    مستقبل الذكاء الاصطناعي في التعليم  

1.10.19.    تاريخ الذكاء الاصطناعي في التعليم  
2.10.19.    أين يذهب الذكاء الاصطناعي في الفصل الدراسي  
3.10.19.    المشاريع المستقبلية  

الوحدة 20. أخلاقيات وتشريعات الذكاء الاصطناعي في التعليم 

1.20.    تحديد البيانات الحساسة ومعالجتها أخلاقيا في السياق التعليمي 

1.1.20.    مبادئ وممارسات الإدارة الأخلاقية للبيانات الحساسة في مجال التعليم 
2.1.20.    التحديات في حماية خصوصية بيانات الطلاب وسريتها 
3.1.20.    استراتيجيات لضمان الشفافية والموافقة المستنيرة في جمع البيانات 

2.20.    الأثر الاجتماعي والثقافي للذكاء الاصطناعي على التعليم 

1.2.20.    تحليل تأثير الذكاء الاصطناعي على الديناميات الاجتماعية والثقافية داخل البيئات التعليمية 
2.2.20.    استكشاف كيف يمكن لMicrosoft AI for Accessibility يمكن أن يكرس أو يخفف من التحيزات الاجتماعية وأوجه عدم المساواة 
3.2.20.    تقييم المسؤولية الاجتماعية للمطورين والمربين في تنفيذ الذكاء الاصطناعي  

3.20.    سياسة وتشريعات بيانات الذكاء الاصطناعي في البيئات التعليمية 

1.3.20.    مراجعة البيانات الحالية وقوانين ولوائح الخصوصية المطبقة على الذكاء الاصطناعي في التعليم 
2.3.20.    تأثير سياسات البيانات على الممارسة التعليمية والابتكار التكنولوجي 
3.3.20.    وضع سياسات مؤسسية للاستخدام الأخلاقي للذكاء الاصطناعي في التعليم باستخدام AI Ethics Lab 

4.20.    تقييم الأثر الأخلاقي للذكاء الاصطناعي 

1.4.20.    طرائق تقييم الآثار الأخلاقية لتطبيقات الذكاء الاصطناعي في التعليم 
2.4.20.    التحديات في قياس الأثر الاجتماعي والأخلاقي للذكاء الاصطناعي 
3.4.20.    إنشاء أطر أخلاقية لتوجيه تطوير واستخدام الذكاء الاصطناعي في التعليم 

5.20.    تحديات وفرص الذكاء الاصطناعي في التعليم 

1.5.20.    تحديد التحديات الأخلاقية والقانونية الرئيسية في استخدام الذكاء الاصطناعي في التعليم 
2.5.20.    استكشاف فرص تحسين التدريس والتعلم من خلال Squirrel AI Learning 
3.5.20.    التوازن بين الابتكار التكنولوجي والاعتبارات الأخلاقية في التعليم 

6.20.    التطبيق الأخلاقي لحلول الذكاء الاصطناعي في البيئة التعليمية 

1.6.20.    مبادئ التصميم الأخلاقي لنشر حلول الذكاء الاصطناعي في مجال التعليم 
2.6.20.    دراسة حالة عن التطبيقات الأخلاقية للذكاء الاصطناعي في سياقات تعليمية مختلفة 
3.6.20.    استراتيجيات لإشراك جميع أصحاب المصلحة في صنع القرار الأخلاقي في مجال الذكاء الاصطناعي 

7.20.    الذكاء الاصطناعي والتنوع الثقافي والمساواة بين الجنسين 

1.7.20.    تحليل أثر الذكاء الاصطناعي على تعزيز التنوع الثقافي والمساواة بين الجنسين في التعليم 
2.7.20.    استراتيجيات لتطوير أنظمة ذكاء اصطناعي شاملة ومراعية للتنوع باستخدام Teachable Machine by Google 
3.7.20.    تقييم كيفية تأثير الذكاء الاصطناعي على تمثيل ومعاملة مختلف الفئات الثقافية والجنسانية 

8.20.    الاعتبارات الأخلاقية لاستخدام أدوات الذكاء الاصطناعي في التعليم 

1.8.20.    المبادئ التوجيهية الأخلاقية لتطوير واستخدام أدوات الذكاء الاصطناعي في الفصل الدراسي 
2.8.20.    مناقشة التوازن بين التشغيل الآلي والتدخل البشري في مجال التعليم 
3.8.20.    تحليل الحالة حيث أثار استخدام الذكاء الاصطناعي في التعليم قضايا أخلاقية مهمة 

9.20.    تأثير الذكاء الاصطناعي على إمكانية الوصول إلى التعليم 

1.9.20.    استكشاف كيف يمكن للذكاء الاصطناعي تحسين أو الحد من إمكانية الوصول في التعليم 
2.9.20.    تحليل حلول الذكاء الاصطناعي المصممة لزيادة الإدماج والوصول إلى التعليم للجميع باستخدام Google Read Along  
3.9.20.    التحديات الأخلاقية في تنفيذ تكنولوجيات الذكاء الاصطناعي لتحسين إمكانية الوصول  

10.20.    دراسات حالة عالمية في مجال الذكاء الاصطناعي والتعليم 

1.10.20.    تحليل دراسات حالات إفرادية دولية بشأن استخدام الذكاء الاصطناعي في التعليم 
2.10.20.    مقارنة النهج الأخلاقية والقانونية في مختلف السياقات الثقافية التعليمية 
3.10.20.    الدروس المستفادة وأفضل الممارسات المستمدة من الحالات العالمية في مجال الذكاء الاصطناعي والتعليم 

سوف تنغمس في برنامج شامل وفريد من نوعه في إنشاء مهنيين ذوي مؤهلات عالية لمواجهة تحديات المشهد التعليمي الذي يحركه الذكاء الاصطناعي"