الذكاء الاصطناعي المتقدم؛ التعلم الآلي والتعلم العميق في الممارسة العملية

الأهداف التعليمية

• فهم المبادئ الأساسية وراء تعلّم الآلة.
• تعلّم كيفية بناء نماذج تعلّم الآلة وتقييمها.
• التعرّف على التطبيقات العملية لتعلّم الآلة.
• فهم المفاهيم الأساسية للشبكات العصبية والتعلّم العميق.
• استكشاف استخدام الشبكات العصبية في التطبيقات الواقعية.
• فهم كيفية تدريب نماذج التعلّم العميق وتقييمها.

 مخرجات التعلّم

• وصف مفاهيم تعلّم الآلة الأساسية وكيفية تطبيقها.
• شرح تقييم النماذج دون الحاجة إلى البرمجة.
• تحديد الحالات المناسبة للتعلّم الخاضع للإشراف وغير الخاضع للإشراف.
• وصف بنية الشبكات العصبية.
• التعرّف على تطبيقات رئيسية للتعلّم العميق (الصور والنصوص).
• فهم تحدّيات تدريب نماذج التعلّم العميق.

📘 المحاور العامة

1) الأسس والمفاهيم

• ما هي البيانات؟ المهيكلة مقابل غير المهيكلة.
• تأثير انحيازات البيانات على مخرجات الذكاء الاصطناعي.
• استكشاف مجموعات بيانات عامة (صحة، مالية…)

2) أنواع النماذج

• التصنيف، الانحدار، التجميع — متى نستخدم كل نوع؟
• مقارنة مخرجات النماذج بصريًا باستخدام أدوات IBM Watson.

3) أدوات بدون كود وAutoML

• استخدام IBM AutoAI ومنصّات AutoML.
• بناء نماذج بدون برمجة وتصميم حل قائم على الذكاء الاصطناعي.

4) التعلّم العميق: المفاهيم

• ما الذي يجعل النموذج “عميقًا”؟ طبقات الشبكات العصبية.
• الفروق بين التعلّم العميق وتعلّم الآلة التقليدي.
• حالة تطبيقية: التعرّف على الصور (مثال: التصوير الطبي).

5) الشبكات العصبية بوضوح

• المدخلات، الطبقات المخفية، طبقة الإخراج.
• تصوّر الشبكات العصبية (Teachable Machine وغيرها).
• استكشاف نماذج مدرّبة مسبقًا على IBM Watson وتفسير المخرجات.

6) تطبيقات التعلّم العميق

• CNNs: كيف “ترى” الصور؟
• تصنيف الصور والتعرّف على الوجوه + أبعاد أخلاقية.

7) معالجة اللغة الطبيعية (NLP)

• كيف تعالج الشبكات العصبية النصوص؟
• تحليل المشاعر بأدوات IBM Watson، وأمثلة من بيانات حقيقية.

8) التقييم والمشاريع

• اختبار مفاهيمي + عرض جماعي لتطبيقات التعلّم العميق في صناعة مختارة.
• مشروع تطبيقي: بناء نموذج تصنيف على IBM AutoAI للتنبؤ بنوع العميل (جديد/عائد) بناءً على بيانات تسويقية.