يسمح تطبيق الذكاء الاصطناعي في التصميم بعملية إبداعية أكثر ابتكارًا، تركز على المستخدم، مما يدفع التطور المستمر لهذا المجال"

لقد أحدث الذكاء الاصطناعي المطبق في مجال التصميم، تغييرًا جذريًا في الطريقة التي يتم بها تصور المشاريع وتطويرها في هذه الصناعة. تكمن إحدى أبرز الفوائد في تحسين العملية الإبداعية، حيث يمكن لخوارزميات الذكاء الاصطناعي تحليل مجموعات كبيرة من البيانات لتحديد الأنماط والاتجاهات، مما يوفر قيمة تلهم عملية اتخاذ القرار في مجال التصميم. 

لهذا السبب، تقدم جامعة TECH للمصممين درجة الماجستير الخاص في الذكاء الاصطناعي في التصميم، وهو منظور فريد يدمج التقنيات الجديدة بشكل كلي مع ابتكار منتجات إبداعية.ة. لن يزود نهجها الشامل الخريجين بالمعرفة التقنية فحسب، بل سيؤثر أيضًا على الأخلاق والاستدامة، مما يضمن أن الطلاب مجهزون لمواجهة التحديات الحالية في هذا المجال.

في الواقع، فإن تنوع المواضيع التي سيتم تناولها، بدءًا من التوليد التلقائي للمحتوى وحتى تقليل الهدر في عملية التصميم، يعكس اتساع نطاق تطبيقات الذكاء الاصطناعي في مختلف التخصصات. بالإضافة إلى ذلك، سيتم إيلاء اهتمام خاص للأخلاقيات والتأثير البيئي، وكل ذلك بهدف خلق مهنيين واعيين وأكفاء.

ستتضمن محتويات البرنامج أيضًا تحليل البيانات لاتخاذ القرار في التصميم، وتنفيذ أنظمة الذكاء الاصطناعي لتخصيص المنتجات والتجارب، واستكشاف تقنيات التصور المتقدمة وتوليد المحتوى الإبداعي. 

بهذه الطريقة، صممت TECH المؤهل العلمي الأكاديمي الصارم يعتمد على طريقة إعادة التعلم الثورية Relearning. يركز هذا النهج التعليمي على تكرار المبادئ الأساسية، مما يضمن الفهم الكامل للمحتوى. بالإضافة إلى ذلك، تعد إمكانية الوصول عنصرًا أساسيًا، حيث لن تكون هناك حاجة إلا إلى جهاز إلكتروني متصل بالإنترنت لاستكشاف المادة في أي وقت، مما يحرر الطالب من التزام الحضور الفعلي أو الالتزام بالجداول الزمنية المحددة.

سوف تتناول دمج الذكاء الاصطناعي في التصميم، وتعزيز الكفاءة والتخصيص وفتح الباب أمام إمكانيات إبداعية جديدة"

يحتوي الماجستير الخاص في الذكاء الاصطناعي في التصميم على البرنامج التعليمي الأكثر الأكثر اكتمالًا وتحديثًا في السوق. أبرز خصائصها هي:

تطوير الحالات العملية التي يقدمها خبراء في  الذكاء الاصطناعية في التصميم 
يجمع المحتوى الرسومي والتخطيطي والعملي البارز الذي تم تصميمه به معلومات تقنية 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

بدءًا من الإنشاء التلقائي للمحتوى المرئي ووصولاً إلى التنبؤ بالاتجاهات والتعاون المعزز بالذكاء الاصطناعي، سوف تنغمس في مجال يتطور باستمرار"

البرنامج يضم في أعضاء هيئة تدريسه محترفين في هذا 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 التعلم القائم على حل المشكلات، والذي يجب على المهني من خلاله محاولة حل مواقف الممارسة المهنية المختلفة التي تنشأ طوال العام الدراسي. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين.   

بفضل المكتبة الواسعة من موارد الوسائط المتعددة التي تقدمها لك TECH، سوف تتعمق في دمج المساعدين الافتراضيين والتحليل العاطفي للمستخدم"

سوف تعالج الخط الدقيق بين الأخلاق والبيئة والتقنيات الناشئة من خلال درجة الماجستير الخاص 100٪ عبر الإنترنت"

ما يميز هذا الماجستير الخاص هو منهجها الشامل والرائد للتقارب بين التصميم والذكاء الاصطناعي. إن إدراج وحدات مثل "التصميم الحسابي والذكاء الاصطناعي"، بالإضافة إلى "التفاعل بين التصميم والمستخدم والذكاء الاصطناعي" سيسمح للخريجين بمعالجة الموضوعات المعاصرة، بدءًا من التوليد التلقائي لمحتوى الوسائط المتعددة وحتى التكيف السياقي في تجارب المستخدم. إن الجمع المبتكر بين المهارات التقنية، مثل تحسين بنية الرقائق الدقيقة، مع الاعتبارات الأخلاقية والبيئية، مثل الحد من النفايات، يجعل هذا البرنامج شاملاً بشكل استثنائي.

تعمق في برنامج فريد من نوعه، والذي سيغطي كلا من الإبداع والوعي الأخلاقي والمستدام في تطبيق الذكاء الاصطناعي في مجال التصميم"

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

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 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: Intents والهيئات 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 آر)

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

1.20.2 قانون حماية البيانات
2.20.2 الممارسات الجيدة
3.20.2 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 الإحصاءات الوصفية 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 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 فرز سريع (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
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 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 Schema
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: 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

7.2. 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، 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. 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. إضفاء الطابع الشخصي على 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 استخدام صفائف NumPy مع 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 TensorFlow Datasets للتدريب على النماذج

10.10 بناء تطبيق Deep Learning باستخدام TensorFlow

1.10.10 تطبيقات عملية
2.10.10 بناء تطبيق Deep Learning  باستخدام TensorFlow
3.10.10 تدريب نموذج مع TensorFlow
4.10.10 استخدام التطبيق للتنبؤ بالنتائج

الوحدة 11. (Deep Computer Vision) رؤية حاسوبية عميقة مع الشبكات العصبونية التلافيفية

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 الحواف
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 تشفير للترجمة الآلية
3.4.21 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 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 Transformersعلى الرؤية

8.12 مكتبة Transformers من Hugging Face

1.8.12 استخدام مكتبة محولات Transformers Hugging Face
2.8.12 تطبيق إنترنت مكتبة Transformers لHugging Face
3.8.12 مزايا مكتبة Transformers لHugging 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 المكتبات الأخرى ل 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 العصبونية 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 (I)

1.5.14 الاستراتيجيات التطورية
2.5.14 البرمجة التطورية
3.5.14 الخوارزميات القائمة على التطور التفاضلي

6.14 نماذج الحوسبة التطورية (II)

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 (I)

1.9.14 مقدمة إلى الشبكات العصبية
2.9.14 مثال عملي مع الشبكات العصبية

10.14 الشبكات العصبية (II)

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 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. التطبيقات العملية للذكاء الاصطناعي في التصميم 

1.16 الإنشاء التلقائي للصور في التصميم الجرافيكي باستخدام Wall-e وAdobe Firefly وStable Difussion 

1.1.16 المفاهيم الأساسية لتوليد الصور 
2.1.16 أدوات وأطر (frameworks) للتوليد التلقائي للرسوم البيانية 
3.1.16 الأثر الاجتماعي والثقافي للتصميم التوليدي 
4.1.16 الاتجاهات الراهنة في الميدان والتطورات والتطبيقات المستقبلية 

2.16 تخصيص واجهة المستخدم الديناميكية باستخدام الذكاء الاصطناعي 

1.2.16 مبادئ التخصيص في واجهة المستخدم/UX 
2.2.16 خوارزميات التوصية في تخصيص الواجهة 
3.2.16 خبرة المستخدم والتغذية المرتدة المستمرة 
4.2.16 التنفيذ العملي في التطبيقات الحقيقية 

3.16 التصميم التوليدي: تطبيقات في الصناعة والفن 

1.3.16 أسس التصميم التوليدي 
2.3.16 التصميم التوليدي في الصناعة 
3.3.16 التصميم التوليدي في الفن المعاصر 
4.3.16 التحديات وأوجه التقدم المستقبلية في التصميم التوليدي 

4.16 الإنشاء التلقائي للتخطيطات (layouts) التحريرية باستخدام الخوارزميات 

1.4.16 مبادئ تخطيط (Layout) التحرير التلقائي 
2.4.16 خوارزميات لتوزيع المحتوى 
3.4.16 تحسين المساحات والنسب في تصميم التحرير 
4.4.16 التشغيل الآلي لعملية التنقيح والتعديل 

5.16 التوليد الإجرائي للمحتوى في ألعاب الفيديو باستخدام PCG

1.5.16 مقدمة للتوليد الإجرائي في ألعاب الفيديو 
2.5.16 الخوارزميات الخاصة بالخلق التلقائي للمستويات والبيئات 
3.5.16 السرد الإجرائي وتشعيب لعبة الفيديو 
4.5.16 تأثير التوليد الإجرائي على تجربة اللاعب 

6.16 التعرف على الأنماط في الشعارات باستخدام التعلم الآلي باستخدام Cogniac

1.6.16 أساسيات التعرف على الأنماط في التصميم الرسومي 
2.6.16 تنفيذ نماذج التعلم الآلي (Machine Learning) لتحديد الشعار 
3.6.16 تطبيقات عملية في التصميم الرسومي 
4.6.16 الاعتبارات القانونية والأخلاقية في الاعتراف بالشعار 

7.16 تحسين الألوان والتركيبات باستخدام الذكاء الاصطناعي 

1.7.16 علم نفس اللون والتكوين البصري 
2.7.16 خوارزميات تحسين الألوان في التصميم الجرافيكي باستخدام Adobe Color Wheel وCoolors 
3.7.16 التكوين التلقائي للعناصر المرئية باستخدام Framer وCanva وRunwayML 
4.7.16 تقييم أثر التحسين التلقائي على إدراك المستعملين 

8.16 التحليل التنبؤي للاتجاهات البصرية في التصميم 

1.8.16 جمع البيانات والاتجاهات الراهنة 
2.8.16 نماذج التعلم الآلي (Machine Learning) للتنبؤ بالاتجاهات 
3.8.16 تنفيذ استراتيجيات استباقية في مجال التصميم 
4.8.16 المبادئ في استخدام البيانات والتنبؤات في التصميم 

9.16 التعاون بمساعدة الذكاء الاصطناعي في فرق التصميم 

1.9.16 التعاون بين الإنسان والذكاء الاصطناعي في مشاريع التصميم 
2.9.16 أفضل الممارسات في مجال التكامل التكنولوجي المدعوم بالذكاء الاصطناعي 
3.9.16 وجهات النظر المستقبلية في التعاون بين الإنسان والذكاء الاصطناعي في التصميم 

10.16 استراتيجيات الإدماج الناجح للذكاء الاصطناعي في التصميم 

1.10.16 تحديد احتياجات التصميم القابلة للحل بواسطة منظمة العفو الدولية 
2.10.16 تقييم المنصات والأدوات المتاحة 
3.10.16 الاندماج الفعال في مشاريع التصميم 
4.10.16 التحسين المستمر والقدرة على التكيف 

الوحدة 17. تفاعل التصميم والمستخدم والذكاء الاصطناعي 

1.17 اقتراحات التصميم السياقي القائم على السلوك 

1.1.17 فهم سلوك المستخدم في التصميم 
2.1.17 أنظمة الاقتراحات السياقية القائمة على الذكاء الاصطناعي 
3.1.17 استراتيجيات لضمان الشفافية وموافقة المستخدمين 
4.1.17 الاتجاهات والتحسينات الممكنة في التخصيص القائم على السلوك 

2.17 التحليل التنبؤي لتفاعلات المستخدم 

1.2.17 أهمية التحليل التنبؤي في التفاعلات بين المستخدم والتصميم 
2.2.17 نماذج التعلم الآلي (Machine Learning) للتنبؤ بسلوك المستخدم 
3.2.17 تكامل التحليلات التنبؤية في تصميم واجهة المستخدم 
4.2.17 التحديات والمعضلات في التحليلات التنبؤية 

3.17 تصميم تكيفي لأجهزة مختلفة مع الذكاء الاصطناعي 

1.3.17 مبادئ التصميم التكيفي للأجهزة 
2.3.17 خوارزميات لتكييف المحتوى 
3.3.17 تحسين الوصلة البينية للتجارب المكتبية والمتنقلة 
4.3.17 التطورات المستقبلية في مجال التصميم التكيفي مع التكنولوجيات الناشئة 

4.17 التوليد التلقائي للشخصيات والأعداء في ألعاب الفيديو 

1.4.17 الحاجة إلى توليد تلقائي في تطوير ألعاب الفيديو 
2.4.17 خوارزميات توليد الحرف والعدو 
3.4.17 التخصيص والقدرة على التكيف في الأحرف التي يتم إنشاؤها تلقائيًا 
4.4.17 خبرات التنمية: التحديات والدروس المستفادة 

5.17 تحسين الذكاء الاصطناعي في شخصيات اللعبة 

1.5.17 أهمية الذكاء الاصطناعي في شخصيات ألعاب الفيديو 
2.5.17 خوارزميات لتحسين سلوك الشخصية 
3.5.17 التكيف المستمر والتعلم من الذكاء الاصطناعي في الألعاب 
4.5.17 التحديات التقنية والإبداعية في تحسين شخصية الذكاء الاصطناعي 

6.17 التصميم المخصص في الصناعة: التحديات والفرص 

1.6.17 تحويل التصميم الصناعي مع التخصيص 
2.6.17 تكنولوجيات تمكينية للتصميم المخصص 
3.6.17 التحديات في تنفيذ التصميم المخصص على نطاق واسع 
4.6.17 فرص الابتكار والتمايز التنافسي 

7.17 التصميم من أجل الاستدامة من خلال الذكاء الاصطناعي 

1.7.17 تحليل دورة الحياة وإمكانية التتبع باستخدام الذكاء الاصطناعي 
2.7.17 الاستخدام الأمثل للمواد القابلة لإعادة التدوير 
3.7.17 تحسين العمليات المستدامة 
4.7.17 وضع استراتيجيات ومشاريع عملية 

8.17 دمج المساعدين الافتراضيين في واجهات التصميم مع Adobe Sensei وFigma وAutoCAD

1.8.17 دور المساعدين الافتراضيين في التصميم التفاعلي 
2.8.17 تطوير مساعدين افتراضيين متخصصين في التصميم 
3.8.17 التفاعل الطبيعي مع المساعدين الافتراضيين في مشاريع التصميم 
4.8.17 تحديات التنفيذ والتحسينات المستمرة 

9.17 التحليل المستمر لتجربة المستخدم من أجل التحسينات 

1.9.17 دورة التحسين المستمر في تصميم التفاعل 
2.9.17 أدوات ومقاييس التحليل المستمر 
3.9.17 التكرار والتكيف في تجربة المستخدم 
4.9.17 ضمان الخصوصية والشفافية في التعامل مع البيانات الحساسة 

10.17 تطبيق تقنيات الذكاء الاصطناعي لتحسين قابلية الاستخدام 

1.10.17 تقاطع الذكاء الاصطناعي وقابلية الاستخدام 
2.10.17 تحليل تجربة المستخدم ومشاعره (UX) 
3.10.17 التكييف الديناميكي للواجهة 
4.10.17 تحسين سير العمل والملاحة 

الوحدة 18. الابتكار في عمليات التصميم والذكاء الاصطناعي 

1.18 تحسين عمليات التصنيع من خلال محاكاة الذكاء الاصطناعي 

1.1.18 مقدمة لتحسين عمليات التصنيع 
2.1.18 محاكاة الذكاء الاصطناعي لتحسين الإنتاج 
3.1.18 التحديات التقنية والتشغيلية في تنفيذ عمليات محاكاة الذكاء الاصطناعي 
4.1.18 الآفاق المستقبلية: التقدم في تحسين العملية باستخدام الذكاء الاصطناعي 

2.18 إنشاء النماذج الأولية الافتراضية: التحديات والفوائد 

1.2.18 أهمية النماذج الافتراضية في التصميم 
2.2.18 أدوات وتكنولوجيات النماذج الافتراضية 
3.2.18 التحديات في وضع نماذج افتراضية واستراتيجيات مواجهة 
4.2.18 التأثير على الابتكار وخفة الحركة في التصميم 

3.18 التصميم التوليدي: التطبيقات في الصناعة والإبداع الفني 

1.3.18 الهندسة والتخطيط الحضري 
2.3.18 تصميم الأزياء والمنسوجات 
3.3.18 تصميم المواد والقوام 
4.3.18 التشغيل الآلي في التصميم الجرافيكي 

4.18 تحليل المواد والأداء من خلال الذكاء الاصطناعي 

1.4.18 أهمية المواد وتحليل الأداء في التصميم 
2.4.18 خوارزميات الذكاء الاصطناعي لتحليل المواد 
3.4.18 التأثير على كفاءة التصميم والاستدامة 
4.4.18 التحديات في مجال النشر والتطبيقات المستقبلية 

5.18 التخصيص الشامل في الإنتاج الصناعي 

1.5.18 تحويل الإنتاج من خلال التكييف الشامل 
2.5.18 التكنولوجيات التمكينية للتخصيص الجماهيري 
3.5.18 التحديات اللوجستية وتحديات الحجم في التكييف الجماعي 
4.5.18 الأثر الاقتصادي وفرص الابتكار 

6.18 أدوات التصميم بمساعدة الذكاء الاصطناعي (Deep Dream Generator، Fotor، Snappa)

1.6.18 التصميم بمساعدة الجيل (شبكات توليد الخصومة) 
2.6.18 التوليد الجماعي للأفكار 
3.6.18 الجيل الواعي بالسياق 
4.6.18 استكشاف الأبعاد الإبداعية غير الخطية 

7.18 التصميم التعاوني بين الإنسان والروبوت في المشاريع المبتكرة 

1.7.18 دمج الروبوتات في مشاريع التصميم المبتكرة 
2.7.18 أدوات ومنصات للتعاون بين الإنسان والروبوتات  (ROS و OpenAI Gym و Azure Robotics) 
3.7.18 التحديات في دمج الروبوتات في المشاريع الإبداعية 
4.7.18 منظورات المستقبل في التصميم التعاوني مع التكنولوجيات الناشئة 

8.18 الصيانة التنبؤية للمنتجات: التركيز على الذكاء الاصطناعي 

1.8.18 أهمية الصيانة التنبؤية في إطالة عمر المنتج 
2.8.18 نماذج التعلم الآلي (Machine Learning) للصيانة التنبؤية 
3.8.18 التنفيذ العملي في مختلف الصناعات 
4.8.18 تقييم دقة وفعالية هذه النماذج في البيئات الصناعية 

9.18 التوليد التلقائي للخطوط والأنماط البصرية 

1.9.18 أساسيات التوليد التلقائي في تصميم الخط 
2.9.18 التطبيقات العملية في تصميم الرسوم البيانية والاتصالات البصرية 
3.9.18 التصميم التعاوني بمساعدة الذكاء الاصطناعي في إنشاء الطباعة 
4.9.18 استكشاف الأسلوب والاتجاه التلقائي 

10.18 تكامل إنترنت الأشياء لمراقبة المنتجات في الوقت الحقيقي 

1.10.18 التحول مع تكامل إنترنت الأشياء في تصميم المنتج 
2.10.18 أجهزة استشعار وأجهزة إنترنت الأشياء للمراقبة في الوقت الفعلي 
3.10.18 تحليل البيانات واتخاذ القرارات القائمة على إنترنت الأشياء (IoT)  
4.10.18 التحديات التي تعترض تنفيذ إنترنت الأشياء وتطبيقاته المستقبلية في مجال التصميم 

الوحدة 19. التقنيات المطبقة على التصميم والذكاء الاصطناعي  

1.19 دمج المساعدين الافتراضيين في واجهات التصميم باستخدام Dialogflow وMicrosoft Bot Framework وRasa 

1.1.19 دور المساعدين الافتراضيين في التصميم التفاعلي 
2.1.19 تطوير مساعدين افتراضيين متخصصين في التصميم 
3.1.19 التفاعل الطبيعي مع المساعدين الافتراضيين في مشاريع التصميم 
4.1.19 تحديات التنفيذ والتحسينات المستمرة 

2.19 الكشف التلقائي عن الأخطاء البصرية وتصحيحها باستخدام الذكاء الاصطناعي 

1.2.19 أهمية الكشف التلقائي عن الأخطاء البصرية وتصحيحها 
2.2.19 خوارزميات ونماذج للكشف عن الأخطاء البصرية 
3.2.19 أدوات التصحيح التلقائي في التصميم البصري 
4.2.19 التحديات التي تواجه استراتيجيات الكشف والتصحيح والتصحيح التلقائيين 

3.19 أدوات الذكاء الاصطناعي لتقييم قابلية استخدام تصميمات الواجهة (EyeQuant و Lookback و Mouseflow)

1.3.19 تحليل بيانات التفاعل مع نماذج التعلم الآلي 
2.3.19 إعداد التقارير والتوصيات بشكل آلي 
3.3.19 محاكاة المستخدم الافتراضية لاختبار قابلية الاستخدام باستخدام بوتبريس وبوتيوم وراسا
4.3.19 واجهة محادثة لتعليقات المستخدم 

4.19 تحسين سير العمل التحريري باستخدام خوارزميات باستخدام خوارزميات الدردشة GPT وBing وWittenSonic وJasper

1.4.19 أهمية تحسين سير العمل التحريري 
2.4.19 خوارزميات الأتمتة وتحسين التحرير 
3.4.19 أدوات وتكنولوجيات الاستخدام الأمثل للتحرير 
4.4.19 التحديات في التنفيذ والتحسينات المستمرة في سير عمل التحرير 

5.19 محاكاة واقعية في تصميم الألعاب باستخدام TextureLab و Leonardo

1.5.19 أهمية المحاكاة الواقعية في صناعة ألعاب الفيديو 
2.5.19 نمذجة ومحاكاة العناصر الواقعية في ألعاب الفيديو 
3.5.19 تقنيات وأدوات المحاكاة الواقعية في ألعاب الفيديو 
4.5.19 التحديات التقنية والإبداعية في المحاكاة الواقعية لألعاب الفيديو 

6.19 التوليد التلقائي لمحتوى الوسائط المتعددة في التصميم التحريري 

1.6.19 التحول مع توليد الوسائط التلقائي 
2.6.19 الخوارزميات والنماذج لتوليد الوسائط التلقائية 
3.6.19 التطبيقات العملية في مشاريع النشر 
4.6.19 التحديات والاتجاهات المستقبلية في التوليد التلقائي لمحتوى الوسائط المتعددة 

7.19 التصميم التكيفي والتنبؤي بناءً على بيانات المستخدم 

1.7.19 أهمية التصميم التكيفي والتنبؤي في تجربة المستخدم 
2.7.19 جمع بيانات المستخدمين وتحليلها من أجل التصميم التكيفي 
3.7.19 خوارزميات للتصميم التكيفي والتنبؤي 
4.7.19 دمج التصميم التكيفي في المنصات والتطبيقات 

8.19 دمج الخوارزميات لتحسين سهولة الاستخدام 

1.8.19 تجزئة السلوك وأنماطه 
2.8.19 الكشف عن مسائل قابلية الاستخدام 
3.8.19 القدرة على التكيف مع التغيرات في تفضيلات المستخدمين 
4.8.19 اختبار أ/ب الآلي وتحليل النتائج 

9.19 التحليل المستمر لتجربة المستخدم من أجل التحسينات التكرارية 

1.9.19 أهمية التغذية المرتدة المستمرة في تطور المنتجات والخدمات 
2.9.19 أدوات ومقاييس التحليل المستمر 
3.9.19 دراسات الحالات الإفرادية التي تبين التحسينات الكبيرة التي تحققت من خلال هذا النهج 
4.9.19 معالجة البيانات الحساسة 

01.19 التعاون بمساعدة الذكاء الاصطناعي في فرق التحرير 

1.01.19 تحويل التعاون إلى فرق تحرير بمساعدة الذكاء الاصطناعي 
2.01.19 أدوات ومنصات للتعاون بمساعدة الذكاء الاصطناعي (Grammarly وYoast SEO وQuillionz) 
3.01.19 تطوير مساعدين افتراضيين متخصصين في التحرير  
4.01.19 تحديات التنفيذ وتطبيقات التعاون المستقبلية بمساعدة الذكاء الاصطناعي 

الوحدة 20. الأخلاقيات والبيئة في التصميم والذكاء الاصطناعي  

1.20 التأثير البيئي في التصميم الصناعي: النهج الأخلاقي 

1.1.20 التوعية البيئية في مجال التصميم الصناعي 
2.1.20 تقييم دورة الحياة والتصميم المستدام 
3.1.20 التحديات الأخلاقية في قرارات التصميم ذات الأثر البيئي 
4.1.20 الابتكارات المستدامة والاتجاهات المستقبلية 

2.20 تحسين إمكانية الوصول البصري في التصميم البياني مع تحمل المسؤولية 

1.2.20 إمكانية الوصول البصري كأولوية أخلاقية في تصميم الرسوم البيانية 
2.2.20 الأدوات والممارسات لتحسين إمكانية الوصول المرئي (Google LightHouse وMicrosoft Accessibility Insights) 
3.2.20 التحديات الأخلاقية في تنفيذ إمكانية الوصول البصري 
4.2.20 المسؤولية المهنية والتحسينات المستقبلية في إمكانية الوصول البصري 

3.20 الحد من النفايات في عملية التصميم: التحديات المستدامة 

1.3.20 أهمية الحد من النفايات في التصميم 
2.3.20 استراتيجيات الحد من النفايات في مراحل التصميم المختلفة 
3.3.20 التحديات الأخلاقية في تنفيذ ممارسات الحد من النفايات 
4.3.20 الالتزامات والشهادات التجارية المستدامة 

4.20 تحليل المشاعر في إنشاء المحتوى التحريري: الاعتبارات الاخلاقية 

1.4.20 تحليل المشاعر والأخلاقيات في المحتوى التحريري 
2.4.20 خوارزميات لتحليل المشاعر والقرارات الأخلاقية 
3.4.20 التأثير على الرأي العام 
4.4.20 التحديات في تحليل المشاعر والآثار المستقبلية 

5.20 تكامل التعرف على المشاعر لتجارب غامرة

1.5.20 الأخلاق في دمج التعرف على العاطفة في التجارب الغامرة 
2.5.20 تقنيات التعرف على المشاعر 
3.5.20 التحديات الأخلاقية في خلق تجارب غامرة واعية عاطفياً 
4.5.20 منظورات وأخلاقيات المستقبل في تطوير التجارب الغامرة 

6.20 أخلاقيات تصميم ألعاب الفيديو: التداعيات والقرارات 

1.6.20 الأخلاق والمسؤولية في تصميم ألعاب الفيديو 
2.6.20 الشمول والتنوع في ألعاب الفيديو: القرارات الأخلاقية 
3.6.20 المعاملات الدقيقة والتسييل الأخلاقي في ألعاب الفيديو 
4.6.20 التحديات الأخلاقية في تطوير الروايات والشخصيات في ألعاب الفيديو 

7.20 التصميم المسؤول: الاعتبارات الأخلاقية والبيئية في الصناعة 

1.7.20 النهج الأخلاقي للتصميم المسؤول 
2.7.20 أدوات وطرق التصميم المسؤول 
3.7.20 التحديات الأخلاقية والبيئية في صناعة التصميم 
4.7.20 التزامات الأعمال وشهادات التصميم المسؤولة 

8.20 الأخلاقيات في دمج الذكاء الاصطناعي في واجهات المستخدمين 

1.8.20 استكشاف كيف يشكل الذكاء الاصطناعي في واجهات المستخدم تحديات أخلاقية 
2.8.20 الشفافية والقابلية للتفسير في أنظمة الذكاء الاصطناعي لواجهة المستخدم 
3.8.20 التحديات الأخلاقية في جمع واستخدام بيانات واجهة المستخدم 
4.8.20 وجهات النظر المستقبلية بشأن أخلاقيات الذكاء الاصطناعي في واجهات المستخدم 

9.20 الاستدامة في ابتكار عمليات التصميم 

1.9.20 الاعتراف بأهمية الاستدامة في ابتكار عملية التصميم 
2.9.20 تطوير العمليات المستدامة واتخاذ القرارات الأخلاقية 
3.9.20 التحديات الأخلاقية في تبني التقنيات المبتكرة 
4.9.20 التزامات الأعمال التجارية وشهادات الاستدامة في عمليات التصميم 

10.20 الجوانب الأخلاقية في تطبيق التقنيات في التصميم 

1.10.20 القرارات الأخلاقية في اختيار وتطبيق تقنيات التصميم 
2.10.20 الأخلاقيات في تصميم تجربة المستخدم باستخدام التقنيات المتقدمة 
3.10.20 تقاطعات الأخلاقيات والتكنولوجيات في التصميم 
4.10.20 الاتجاهات الناشئة ودور الأخلاقيات في الاتجاه المستقبلي للتصميم باستخدام التكنولوجيات المتقدمة

انغمس في برنامج شامل ومتقدم، فريد من نوعه في إنشاء محترفين مؤهلين تأهيلاً عالياً في تطبيق الذكاء الاصطناعي في التصميم"