ماستر كلاس التعلّم العميق

برنامج «التعلم العميق التطبيقي» (Deep Learning in Action Masterclass) هو برنامج تخصّص متقدّم قائم على المشاريع، مُصمَّم للمحترفين الطامحين إلى إتقان الأسس الجوهرية للتعلم العميق وتطبيقاته. يتعمّق هذا البرنامج العملي في الشبكات العصبية الاصطناعية (ANNs)، والشبكات العصبية الالتفافية (CNNs) في مجال الرؤية الحاسوبية، والبنى التكرارية مثل RNNs وLSTMs في معالجة اللغة الطبيعية (NLP). سيستكشف المشاركون أحدث الأدوات مع بناء حلول ذكاء اصطناعي واقعية من خلال مشاريع موجَّهة. وبدءًا من التعرّف على الأرقام المكتوبة بخط اليد والكشف عن المشاعر من ملامح الوجه، وصولًا إلى تحليل المشاعر وتلخيص النصوص، سيكتسب المتعلمون خبرة عملية عبر مجالات متعددة. ومع أكثر من 6 مشاريع واقعية، يزوّد هذا البرنامج المشاركين بالمهارات اللازمة لبناء نماذج التعلم العميق وتدريبها وتحسينها—بما يمكّنهم من قيادة الابتكار في تطوير الذكاء الاصطناعي والأتمتة واتخاذ القرارات الذكية عبر مختلف القطاعات. ويُتوَّج البرنامج بمشروع ختامي (Capstone Project) تبني فيه نماذج ذكية وتنشرها—مُثبِتًا قدرتك على حل المشكلات المعقّدة باستخدام التعلم العميق على نطاق واسع.

للالتحاق ببرنامج «إتقان التعلم العميق» (DLM)، يُشترط الحصول على شهادة «عالم البيانات المحترف المعتمد» (CDSP) (إلزامي).

طريقة التعلّم

• التدريب بقيادة مُدرّب (ILT): شارِك في جلسات تفاعلية داخل قاعة التدريب يقودها محترفون ذوو خبرة في المجال لتجربة تعلّم غامرة.
• التدريب الافتراضي بقيادة مُدرّب (VILT): انضم إلى فصول مباشرة عبر الإنترنت من أي مكان، بما يوفّر المرونة دون التفريط في التفاعل والإرشاد.

• خريجو CDSP وCDSEالخريجون المستعدّون للانتقال إلى المستوى التالي.
• علماء ومحلّلو البياناتعلماء ومحلّلو البيانات المستعدّون لخوض تجربة عملية في التعلم العميق.
• مهندسو ومطوّرو البرمجياتمهندسو ومطوّرو البرمجيات المنتقلون إلى أدوار الذكاء الاصطناعي وتعلم الآلة.
• قادة التقنية والمديرونقادة التقنية والمديرون الذين يقودون الابتكار بالاعتماد على البيانات.
• الإحصائيونالإحصائيون الراغبون في التوسّع نحو حلول تعلم الآلة القابلة للتوسع.

• بناء نماذج التعلم العميق وتدريبها.
• إتقان أسس الشبكات العصبية وتقنيات التحسين واستراتيجيات التدريب.
• تصميم وتنفيذ شبكات CNN لمهام الرؤية الحاسوبية الواقعية مثل الكشف عن الكمامات والتعرّف على المشاعر.
• تطبيق شبكات RNN وLSTM في معالجة اللغة الطبيعية، بما في ذلك تحليل المشاعر وتلخيص النصوص.
• إنجاز سلسلة من المشاريع العملية عبر مجالَي الرؤية الحاسوبية ومعالجة اللغة الطبيعية.
• تقديم مشروع ختامي متكامل في التعلم العميق من البداية إلى النهاية—من إعداد البيانات إلى تقييم النموذج وعرضه.

ساعات البرنامج

40 ساعة

التدريب المؤسسي

5 أيام كاملة، تستغرق كل يوم من 7 إلى 8 ساعات.

المتعلمون الأفراد

برنامج مدته 5 أسابيع، بواقع جلستين أسبوعيًا، تستغرق كل جلسة 4 ساعات.

عند إتمام وحدة «إتقان التعلم العميق» بنجاح، يحصل المشاركون على «شهادة إتقان التعلم العميق» الصادرة عن EPSILON AI – ديلاوير، الولايات المتحدة الأمريكية. تُثبت هذه الشهادة القدرة التقنية المتقدمة للمشارك في المجالات المتخصصة للتعلم العميق. ويُقدَّم البرنامج بما يتوافق مع المعايير الدولية، بما في ذلك ISO 21001 وISO 9001، ويتبع أُطرًا معترفًا بها عالميًا مثل IACET وCPD، بما يضمن تجربة تعلّم عالية الجودة وثيقة الصلة بسوق العمل. ويحصل جميع الخريجين على شهادة موثّقة رقميًا تتضمّن رقم شهادة فريدًا (Certificate ID) ومُعرِّف EPSILON شخصيًا، بما يتيح التحقّق الفوري والآمن عبر الإنترنت—وهي مثالية لملفات الأعمال المهنية وحسابات LinkedIn والتحقّق من جانب أصحاب العمل. وإضافةً إلى الشهادة الرقمية، تُصدَر شهادة ورقية مرموقة مطبوعة بميزات أمان وعلامة تجارية متقدمة، تشمل رقمًا تسلسليًا فريدًا ورمز تحقّق، وختمًا مذهّبًا بارزًا وتوقيعات معتمدة من EPSILON AI، وعناصر أمان مطبوعة بالأشعة فوق البنفسجية (UV) لتعزيز الأصالة والحماية من التزوير.

• حضور ما لا يقل عن 80% من الجلسات التدريبية المباشرة.
• تحقيق درجة لا تقل عن 80% في الاختبار النهائي.
• إتمام المشروع الختامي وعرضه بنجاح.

• مقدمة في التعلم العميق
• التطبيقات الواقعية في الذكاء الاصطناعي والأتمتة
• نظرة عامة على الأدوات والمكتبات (TensorFlow وKeras وPyTorch)
• إعداد بيئة العمل
• تهيئة Google Colab
• إدارة التبعيات وبيئة التشغيل (Runtime)

• البيرسبترون (Perceptron) والبيرسبترون متعدد الطبقات (MLPs)
• دوال التنشيط (ReLU وSigmoid وTanh)
• دوال التكلفة والخسارة (Cost and Loss Functions)
• خوارزميات التحسين (SGD وAdam وRMSProp)
• آليات الانتشار العكسي (Backpropagation)
• استراتيجيات تحسين التدريب
• الإسقاط (Dropout) والتسوية (Regularization) وتطبيع الدُّفعات (Batch Normalization)
• المشروع رقم 1: التعرّف على الأرقام المكتوبة بخط اليد باستخدام مجموعة بيانات MNIST

• تحديات بيانات الصور وأساسيات شبكات CNN
• طبقات الالتفاف (Convolution) والتجميع (Pooling)
• تقنيات استخلاص السمات (Feature Extraction)
• استراتيجيات تعزيز البيانات (Data Augmentation)
• معماريات شبكات CNN
• AlexNet وVGG وInception
• تطبيع الدُّفعات (Batch Normalization) والتعلم بالنقل (Transfer Learning)
• حالات استخدام تصنيف الصور
• المشروع رقم 2: الكشف عن كمامات كوفيد-19 باستخدام CNN
• المشروع رقم 3: التعرّف على المشاعر باستخدام التعلم بالنقل (Transfer Learning)

• مقدمة في معالجة اللغة الطبيعية (NLP) وتطبيقاتها
• المعالجة الأولية للنصوص (Text Preprocessing)
• التجزئة إلى وحدات (Tokenization) والتجذيع (Stemming) والتأصيل (Lemmatization)
• تقنيات تمثيل النصوص
• حقيبة الكلمات (Bag-of-Words) وTF-IDF
• التحليل الاستكشافي للنصوص
• سُحُب الكلمات (Word Clouds) وتوزيعات التكرار (Frequency Distributions)
• الشبكات العصبية التكرارية (RNNs)
• مقدمة في نمذجة التسلسل (Sequence Modeling)
• معمارية RNN والانتشار العكسي عبر الزمن (Backpropagation Through Time)
• التحديات: تلاشي التدرّجات وانفجارها (Vanishing and Exploding Gradients)
• الذاكرة طويلة قصيرة المدى (LSTM)
• مراجعة لقيود شبكات RNN
• معمارية خلية LSTM (البوابات والذاكرة)
• نظرة عامة على المقارنة بين LSTM وGRU
• المشروع رقم 4: تحليل المشاعر على مجموعة بيانات IMDB
• تصنيف النصوص (Text Classification)
• المشروع رقم 5: تصنيف مشاعر مراجعات أفلام IMDB
• استرجاع المعلومات وتلخيص النصوص
• تقنيات التلخيص الاستخلاصي (Extractive Summarization)
• تحليل المشاعر والتحليل الدلالي (Semantic Analysis)
• المشروع رقم 6: مُلخِّص مقالات ويكيبيديا باستخدام معالجة اللغة الطبيعية (NLP)
• المشروع الختامي النهائي
• خط أنابيب التعلم العميق المتكامل (End-to-End Deep Learning Pipeline)
• بناء وعرض حل شامل قائم على التعلم العميق يجمع بين الرؤية الحاسوبية ومعالجة اللغة الطبيعية. سيحدّد المشاركون مشكلة واقعية، ويجمعون البيانات ويعالجونها أوليًا، ويطبّقون شبكات CNN أو LSTM حسب الحاجة، ويدرّبون النماذج ويقيّمونها، ويعرضون الحل مع الرؤى المستخلصة والتمثيلات البيانية.