تهدف هذه الدورة إلى تزويد المشاركين بالمهارات الأساسية لبرمجة الذكاء الاصطناعي باستخدام لغة Python وإطار العمل TensorFlow. سيتم التركيز على بناء نماذج تعلم الآلة والشبكات العصبية، مع استعراض التطبيقات العملية في تحليل البيانات، الرؤية الحاسوبية، ومعالجة اللغة الطبيعية. كما سيتم التعرف على كيفية تحسين أداء النماذج باستخدام تقنيات متقدمة في التعلم العميق.
الوصف
أهداف الدورة
- تعلم أساسيات لغة Python في برمجة الذكاء الاصطناعي.
- فهم كيفية استخدام TensorFlow لإنشاء نماذج تعلم الآلة والتعلم العميق.
- تطبيق الشبكات العصبية العميقة في تحليل البيانات والرؤية الحاسوبية.
- تحسين أداء النماذج باستخدام تقنيات تحسين المعلمات (Hyperparameter Tuning).
- تطوير مشاريع تطبيقية في الذكاء الاصطناعي باستخدام Python وTensorFlow.
محاور الدورة
1. مقدمة في الذكاء الاصطناعي وبرمجة Python:
- تعريف الذكاء الاصطناعي وأهم تطبيقاته.
- أساسيات لغة Python لبرمجة الذكاء الاصطناعي.
- مكتبات Python المستخدمة في الذكاء الاصطناعي (NumPy, Pandas, Matplotlib).
2. أساسيات TensorFlow وKeras:
- التعرف على إطار العمل TensorFlow.
- بناء نماذج تعلم الآلة باستخدام Keras API.
- تنفيذ العمليات الحسابية باستخدام Tensors.
3. بناء نماذج تعلم الآلة باستخدام TensorFlow:
- تحليل وتصنيف البيانات باستخدام ML Models.
- تدريب وتقييم نماذج تعلم الآلة.
- تحسين دقة النماذج باستخدام تقنيات تحسين المعلمات.
4. الشبكات العصبية الاصطناعية (Artificial Neural Networks - ANN):
- فهم بنية الشبكات العصبية.
- تطبيق الشبكات العصبية في تصنيف الصور والبيانات.
- ضبط المعلمات لتحسين أداء النماذج.
5. التعلم العميق (Deep Learning) باستخدام TensorFlow:
- بناء الشبكات العصبية العميقة (DNN).
- استخدام الطبقات المخفية في الشبكات العصبية.
- تنفيذ تطبيقات عملية في التعلم العميق.
6. تطبيقات الذكاء الاصطناعي باستخدام TensorFlow:
- التعرف على الوجوه والرؤية الحاسوبية.
- تحليل النصوص ومعالجة اللغة الطبيعية (NLP).
- تطوير مشاريع حقيقية باستخدام TensorFlow.
7. تحسين الأداء ونشر النماذج:
- تحسين أداء النماذج باستخدام GPU Optimization.
- نشر النماذج باستخدام TensorFlow Serving.
- تحويل النماذج إلى تطبيقات عملية في بيئات الإنتاج.