سيتيح لك نظام إعادة التعلّم الفريد من نوعه من TECH تحديث معارفك ومهاراتك في مجال الهندسة المعمارية للقشرة البصرية بأكثر الطرق صرامة"

هناك عدد لا يحصى من الموارد المخصصة لتطوير وتدريب نماذج الشبكات العصبية. في هذا الصدد، أصبحت Keras الأكثر استخدامًا على نطاق واسع من قبل المحترفين نظرًا لسهولة استخدامها ومرونتها وتوافقها مع المكتبات الأخرى. توفر هذه المكتبة مفتوحة المصدر للمطوّرين واجهة برمجة تطبيقات عالية المستوى، مما يسمح لهم ببناء نماذج التعلّم العميق بشكل فوري. بهذه الطريقة، تساهم في إنشاء نماذج تصنيف الصور التي يمكنها تحديد الأجسام المختلفة في اللقطات. هذا مفيد في جوانب مثل أنظمة التعرف على الوجوه، وتصنيف الصور الطبية، أو إنشاء الفن التوليدي. 

في هذا السياق، تقوم TECH بتنفيذ شهادة الخبرة الجامعية والتي ستركز على Deep Computer Visionباستخدام الشبكات العصبية التلافيفية. تحقيقًا لهذه الغاية، سيتعمق المسار الأكاديمي في التدريب على التعلُّم التحويلي من خلال النظر في عوامل مثل تقنيات تهيئة الوزن وشروط التنعيم. بالتالي سيستفيد الخريجون من المعرفة السابقة المكتسبة من النماذج المدربة مسبقًا لتحسين أداء مهام التعلم الآلي الجديدة. سيتناول التدريب أيضاً بناء تطبيق  للتعلم العميق باستخدام TensorFlow و NumPy. سيمكن ذلك المهنيين من الاستفادة المثلى من هذه الأدوات في مجالات مثل التنبؤ بالأداء. 

سيتم تدريس الشهادة الجامعية 100% عبر الإنترنت، على منصة دراسية افتراضية لا تحكمها جداول زمنية محددة مسبقاً. بعيداً عن هذا، ستتاح لكل طالب فرصة إدارة تقدمه ذاتياً على أساس شخصي في أي وقت من الـ 24 ساعة يومياً. من أكثر السمات المميزة للمنهجية هي عملية التعلم التي تستخدمها TECH في جميع برامجها: Relearning. سيعزز هذا النظام التدريسي اكتساب الكفاءات بطريقة سريعة ومرنة تعتمد على تحليل المحتويات النظرية وتمثيل الحالات القائمة على السياق الحقيقي للمهنة.

ستكون مجهزاً للمساهمة في تطوير المعرفة في مجال التعلم العميق من خلال البحث وتطوير خوارزميات جديدة" 

تحتوي شهادة الخبرة الجامعية في الشبكات العصبية والتدريب في التعلم العميق (Deep Learning)  على البرنامج التعليمي الأكثر اكتمالاً وحداثة في السوق. أبرز خصائصها 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
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

ستعمل على تحسين مهاراتك في تصميم نماذج التعلُّم المتعمق لتوليد حلول فعّالة للمشاريع"

البرنامج يضم في أعضاء هيئة تدريسه محترفين في المجال 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.    

سوف تتحكم في بيئة الحوسبة الخاصة بـ NumPy وتقوم بإجراء العمليات العددية على المصفوفات متعددة الأبعاد"

سيكون لديك إمكانية الوصول إلى مكتبة وسائط متعددة مليئة بالمحتوى الديناميكي الذي سيعزز تعلمك بطريقة مرئية أكثر"

تم تصميم هذا التدريب من قبل خبراء في مجال الشبكات العصبية و  في التعلم العميق (Deep Learning) بهدف تزويدك بمنظور شامل حول هذه الموضوعات. سيحلل المنهج بالتفصيل تدريب الشبكات العصبية متعددة الطبقات، بدءًا من تقنيات تحسين التدرج إلى اختيار المقاييس ومعايير التقييم. سيعمل الخريجون على تحسين معاييرهم الداخلية لأداء مهام محددة بدقة وتعميم عالية. سيتناول البرنامج الدراسي أيضًا التعمق في التعامل المناسب مع TensorFlow، أحد البرمجيات الأكثر فعالية لبناء وتدريب نماذج التعلم الآلي.

ستشرع في عملية النمو المهني التي ستزودك بمهارات متقدمة للتفوق في مجال الرؤية الآلية" 

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 المسبقة 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 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 Deep Learning باستخدام TensorFlow. التطبيق العملي

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

الوحدة 3. رؤية الكمبيوتر العميقة (Deep Computer Vision) بشبكات عصبية ملتفة

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    Pooling وStriding
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    طرق التجزئة القائمة على القواعد

سيعطيك هذا التدريب دفعة قوية لمسيرتك المهنية ويجعلك خبيراً حقيقياً في التعلم العميق"