الهدف العام للبرنامج:

تمكين المشاركين من اكتساب المعرفة النظرية والمهارات العملية اللازمة لتطبيق تقنيات الذكاء الاصطناعي في بيئات الأعمال، وتحليل البيانات، وبناء نماذج تعلم آلي فعّالة تدعم اتخاذ القرار والابتكار المؤسسي.

الأهداف التفصيلية للبرنامج:

سيتمكن المشاركون في نهاية هذا البرنامج التدريبي مما يلي:

• فهم المفاهيم الأساسية للذكاء الاصطناعي وتاريخه وتطبيقاته الحديثة.
• التمييز بين أنواع خوارزميات التعلم الآلي (Machine Learning) وكيفية استخدامها.
• تطوير نماذج تعلم آلي والإشراف على دورة حياة النموذج ML Lifecycle.
• فهم وتقنيات معالجة اللغة الطبيعية (NLP) والرؤية الحاسوبية (CV) والتعلم العميق (Deep Learning).
• استخدام أدوات ومنصات بناء نماذج الذكاء الاصطناعي مثل:
  • Python - Scikit-learn - TensorFlow / PyTorch (مستوى تمهيدي)
• أدوات الذكاء الاصطناعي التوليدي (Generative AI)
• تحليل البيانات واستخراج الأنماط وبناء مؤشرات التنبؤ.
• فهم المبادئ الأخلاقية للذكاء الاصطناعي والحوكمة الرقمية.
• تصميم حلول ذكاء اصطناعي قابلة للتنفيذ داخل المؤسسة.
• إعداد وثائق وحالات عمل (Use Cases) مناسبة لذكاء الأعمال والتحول الرقمي.

• المحور الأول: مدخل إلى الذكاء الاصطناعي
  • تعريف الذكاء الاصطناعي وتطوره التاريخي.
  • أبرز التطبيقات في القطاعات المختلفة (الصحة – المالية – الصناعة – التعليم – الخدمات الحكومية).
  • الفرق بين الذكاء الاصطناعي، تعلم الآلة، والتعلم العميق.
  • الذكاء الاصطناعي التوليدي (Generative AI) وثورته في سوق العمل..

• المحور الثاني: أساسيات تعلم الآلة (Machine Learning)
  • مفاهيم أساسية: البيانات، الميزات، التدريب، الاختبار.
  • أنواع التعلم الآلي:
    • التعلم الخاضع للإشراف (Supervised Learning)
    • التعلم غير الخاضع للإشراف (Unsupervised Learning)
    • التعلم التعزيزي (Reinforcement Learning) – نظرة عامة
  • أشهر الخوارزميات : Decision Trees، Random Forest، SVM، K-Means.
  • تقييم النماذج وقياس الأداء : Accuracy، Precision، Recall، F1-Score.

• المحور الثالث: تحليل البيانات وبناء النماذج
  • جمع وتنظيف البيانات Data Cleaning .
  • المعالجة المسبقة للبيانات Data Preprocessing .
  • اختيار الميزات Feature Engineering .
  • تقسيم البيانات وتحسين أداء النموذج.
  • أدوات Python العمليّة في تحليل البيانات (Pandas – NumPy – Matplotlib) .

• المحور الرابع: التعلم العميق (Deep Learning) – المستوى التمهيدي
  • المفاهيم الأساسية للشبكات العصبية (Neural Networks).
  • طبقات الشبكة (Layers) وكيفية التدريب.
  • مقدمة في TensorFlow و
  • حالات استخدام أساسية.

• المحور الخامس: معالجة اللغة الطبيعية (NLP)
  • تحليل النصوص وتصنيفها.
  • نماذج اللغة Language Models .
  • مقدمة في الذكاء الاصطناعي التوليدي واستخداماته في إنشاء المحتوى.
  • تطبيقات ChatGPT وLLMs في الأعمال.

• المحور السادس: الرؤية الحاسوبية (Computer Vision)
  • المفاهيم الأساسية لتحليل الصور والفيديو.
  • نماذج CV: CNN، Image Classification، Object Detection.
  • استخدامات عملية: الأمن – الصحة – النقل – الصناعة.

• المحور السابع: أدوات وتقنيات الذكاء الاصطناعي في الأعمال
  • منصات بناء النماذج AutoML .
  • التكامل بين AI وعمليات الأعمال (BPM + AI) .
  • تحويل Cases إلى حلول ذكاء اصطناعي واقعية.
  • إعداد خارطة طريق AI Roadmap للمؤسسة.

• المحور الثامن: أخلاقيات الذكاء الاصطناعي والحوكمة
  • المخاطر المرتبطة بالنماذج: التحيّز – الخصوصية – الشفافية.
  • المبادئ الدولية للحوكمة المسؤولة للذكاء الاصطناعي.
  • الأمن السيبراني في البيئات الذكية.
  • إطار الامتثال في المؤسسات.

• المحور التاسع: مشروع تطبيقي (Capstone Project)
  • اختيار حالة عمل (Use Case) من واقع عمل المنظمة.
  • تحليل البيانات وبناء نموذج أولي MVP .
  • عرض المشروع النهائي.