Topic outline
-
محاور المادة التعليمية
I. أساسيات التعلم الآلي
II. الشبكات العصبية الأمامية
III. خوارزميات التحسين
IV. الشبكات العصبية الالتفافية
V. الشبكات العصبية التكرارية
VI. شبكات LSTM
VII. شبكات GRU
المحاور والمفاهيم المستهدفة
الكفاءة المستهدفة
الاسبوع
مقدمة في التعلم العميق:
المفاهيم الأساسية، الفرق بين ML وDL، وأبرز التطبيقات في التخصصات الاقتصادية والإدارية.
الأسبوع 01
أساسيات التعلم الآلي (Machine Learning):
أنواع النماذج، التصنيف، الانحدار، تقييم الأداء.
الأسبوع 02
التعرف على مكتبة Keras وبيئة العمل (TensorFlow):
بناء النماذج باستخدام Sequential، تنفيذ أول شبكة عصبية.
الأسبوع 03
الشبكات العصبية الأمامية (Feed ForwardNeural Networks):
بناء نماذج متعددة الطبقات MLP.
الأسبوع 04
خوارزميات التحسين (Optimization):
النزول التدرجي، Adam، وظيفة التكلفة، وأثرها على التدريب.
الأسبوع 05
أشهر دوال التنشيط (activation functions ) والمقارنة فيما بينها
Sigmoid ؛ softmax؛ tanh؛ Relu؛ Leaky Relu؛ Swish؛ ELU؛ Selu.
الأسبوع 06
تطبيق عملي عام:
بناء نموذج تنبؤ أو تصنيف باستخدام بيانات مخصصة للتخصص.
الأسبوع 07
الشبكات العصبية الالتفافية (CNN): المفاهيم الأساسية، الطبقات، البُنى النموذجية.
الأسبوع 08
تطبيقات CNN في تحليل الصور أو الرسوم البيانية حسب طبيعة التخصص.
الأسبوع 09
الشبكات العصبية التكرارية (RNN):
أساسيات RNN وLSTM وتطبيقها على البيانات الزمنية أو التسلسلية.
الأسبوع 10
تحليل البيانات النصية أو الزمنية باستخدام LSTM: إعداد البيانات، بناء النموذج، التقييم.
الأسبوع 11
تحليل البيانات النصية أو الزمنية باستخدام GRU: إعداد البيانات، بناء النموذج، التقييم. ويمكن أن تستخدم في مثال حول:
§ التنبؤ بالسلاسل الزمنية: أسعار الأسهم، الطقس، الطاقة.
§ معالجة اللغات الطبيعية: الترجمة الآلية، توليد النصوص.
§ التعرف على الكلام.
الأسبوع 12
مقدمة في تسريع النماذج باستخدام وحدات المعالجة الرسومية (GPU) وGoogle Colab.
الأسبوع 13
مشروع تطبيقي:
بناء نموذج عملي (تنبؤ، تصنيف، تحليل…) حسب مجال التخصص.
حل وضعية عملية
الأسبوع 14
عرض ومناقشة المشاريع:
تقييم الأداء، تحليل النتائج، مقترحات التطوير.
حل وضعية عملية
الأسبوع 15