ماذا ستتعلّم في كورس Introduction to AI؟

يمثّل هذا الكورس مدخلًا تمهيديًا لعالم Artificial Intelligence، ويهدف إلى بناء فهم عميق للمفاهيم الأساسية التي يقوم عليها المجال بمختلف فروعه؛ ابتداءً من Machine Learning، مرورًا بتطبيقات Deep Learning وComputer Vision وNLP، ووصولًا إلى التطوّرات الحديثة في Generative AI.

يقدّم الكورس رؤية واضحة للمتعلّم حول كيفية تطوّر الذكاء الاصطناعي، وما هي التقنيات الأساسية التي تُستخدم اليوم في بناء الأنظمة الذكية في الواقع العملي، وكيف يمكن للمتعلّم أن ينتقل من مرحلة المعرفة النظرية إلى العمل على AI projects حقيقية.

المحتوى الرئيسي للكورس

• مفهوم Artificial Intelligence: والتفرقة بين AI وMachine Learning وDeep Learning.
• استخدامات AI: في مجالات الأعمال، الصحة، التعليم، والصناعة.
• أنواع البيانات: التي تعتمد عليها AI models.
• خريطة مسار الذكاء الاصطناعي: وكيفية الاستفادة من باقي كورسات المسار.

Quizzes: اختبار قصير للتأكّد من استيعاب المفاهيم الأساسية للـ AI.

لماذا Python في مسار الذكاء الاصطناعي؟

يُعدّ كورس Python Mastery الأساس البرمجي للمسار؛ حيث ينتقل بالمتدرّب من مستوى المبتدئ إلى مستوى قادر على كتابة أكواد احترافية واستخدام Python في تطبيقات AI وData Analysis وMachine Learning.

يبدأ الكورس من إعداد بيئة العمل، ويمرّ على أساسيات اللغة، ثم Data Structures، Control Statements، والتعامل مع الملفات، وصولًا إلى Object Oriented Programming وWeb Scraping وبناء سكربتات عملية قابلة للاستخدام في مشروعات واقعية.

أهم موضوعات الكورس

• Introduction to Python: فهم أساسيات اللغة، أنواع البيانات، وكيفية تجهيز بيئة التطوير (VS Code, Anaconda).
• Python Basics: Syntax، Variables، Data Types (int, float, string, boolean)، وOperators.
• Data Structures: العمل مع List, Tuple, Set, Dictionary، مع مفاهيم مثل Indexing, Slicing, Mutability.
• Control Statements & Exception Handling: بناء منطق البرامج باستخدام if / elif / else والحلقات for / while، ومعالجة الأخطاء.
• Functions & File Handling: إنشاء Functions واستخدام Parameters وReturn، والتعامل مع الملفات قراءة وكتابة.
• Object Oriented Programming: مفاهيم Class, Object, Inheritance, Encapsulation, Polymorphism، وبناء أكواد قابلة للتوسع.
• Web Scraping: استخدام مكتبات مثل Selenium وBeautifulSoup لاستخراج البيانات من صفحات الويب.

Quizzes & Assignments: مجموعة من الـ Quizzes والـ Assignments العملية بعد كل جزء لضمان فهم حقيقي للغة.

Projects: تطبيقات عملية صغيرة في قراءة البيانات، Web Scraping، ومعالجة ملفات نصية تمهيدًا لمشروعات AI الحقيقية.

الأساس الرياضي لمسار الذكاء الاصطناعي

يركّز كورس Math for Machine Learning على بناء الخلفية الرياضية الضرورية لفهم خوارزميات Machine Learning وDeep Learning. يتم تبسيط المفاهيم الرياضية مع ربطها مباشرة بتطبيقات عملية في AI.

الموضوعات الرئيسية

• Linear Algebra: المتجهات، المصفوفات، العمليات عليها، واستخدامها في تمثيل البيانات وNeural Networks.
• Probability: المتغيّرات العشوائية، التوزيعات الاحتمالية، Bayes Theorem، وتطبيقها في نماذج التصنيف.
• Descriptive Statistics: المتوسط، الوسيط، الانحراف المعياري، والـ Outliers وتحليل البيانات.
• Third Party Libraries: استخدام NumPy وPandas وMatplotlib في التحليل الرياضي والرسوم البيانية.
• Data Preparation: تنظيف البيانات، التعامل مع القيم المفقودة، Scaling، وEncoding تمهيدًا لبناء ML models.

Quizzes: اختبارات سريعة على كل جزء رياضي لضمان سهولة الانتقال إلى Machine Learning.

Assignments: تمارين حسابية وتطبيقية باستخدام Python على بيانات حقيقية.

من الأساسيات إلى النماذج المتقدّمة

يغطّي كورس Machine Learning دورة كاملة لبناء ML models بدءًا من فهم أنواع التعلم (Supervised / Unsupervised) وحتى استخدام خوارزميات متقدّمة مثل XGBoost وSupport Vector Machine وNaive Bayes، مع تحليل الأداء وتحسين النتائج.

الموضوعات الرئيسية في الكورس

• Regression: Linear Regression، Logistic Regression، وتقييم الأداء بالـ Metrics المناسبة.
• Classification: Decision Tree، Random Forest، SVM، Naive Bayes.
• Feature Selection: اختيار المتغيّرات المؤثرة وتحسين جودة النموذج.
• Dealing with Imbalanced Data: معالجات مثل Oversampling, Undersampling.
• Unsupervised Learning: خوارزميات مثل K-Means وAssociation Rules.

Quizzes: سلسلة من الـ Quizzes (أكثر من 10) على كل خوارزمية لضمان استيعاب الفكرة النظرية.

Assignments & Projects: مهام عملية مثل Classification Task وRegression Task باستخدام بيانات حقيقية، مع رفع الـ Notebook كجزء من الـ Portfolio.

من Perceptron إلى Deep Neural Network

يركّز هذا الكورس على بناء فهم عميق لـ Neural Networks وكيفية تدريب Deep Learning models باستخدام TensorFlow وKeras، بدءًا من الـ Perceptron وحتى الشبكات العميقة متعددة الطبقات.

أهم الموضوعات

• Introduction to Deep Learning: فهم الفكرة العامة وراء الشبكات العصبية.
• Perceptron & Multi-layer Perceptron: البنية وآلية العمل.
• Activation Functions: Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax وتأثيرها على model performance.
• Training of Neural Network: Backpropagation، Loss Functions، Gradient Descent.
• Optimizers: GD with Momentum، Adagrad، RMSProp، Adam.
• Error in Machine Learning: Bias-Variance، Overfitting، Underfitting، وDropout Layer.
• Deep Learning Frameworks: مقدّمة عملية في TensorFlow وKeras.

Quizzes: Quizzes متخصصة مثل Activation Functions Quiz، Training of NN Quiz، Optimization Quiz.

Projects: تطبيقات عملية على بيانات رقمية (Numerical Data) لبناء وتصميم Deep Learning models واختبارها.

مقدّمة عملية في Computer Vision

يعرّف هذا الكورس المتدرّب على أساسيات Computer Vision وImage Processing وكيفية التعامل مع الصور رقميًا، ثم الانتقال إلى بناء CNN models وتطبيقات عملية على مهام مثل التصنيف (Image Classification).

محتوى الكورس

• Introduction to Computer Vision and Image Processing: فهم بنية الصورة، الألوان، الفلاتر، وعمليات الـ Image Processing الأساسية.
• Hands-on Image Processing: تطبيق عملي باستخدام OpenCV وPython على صور حقيقية.
• Introduction and Hands-on: CNN: بناء CNN model بسيط لتصنيف الصور، مع فهم الطبقات Convolution, Pooling, Fully Connected.
• Advanced Vision Networks: مقدّمة عن الشبكات الأكثر تقدّمًا في Computer Vision.

Quizzes: ثلاثة Quizzes تغطي أساسيات Computer Vision وImage Processing وCNN.

Projects: مشروع عملي لبناء Computer Vision model بسيط يمكن إضافته إلى الـ Portfolio.

مقدّمة تمهيدية في NLP داخل مسار الذكاء الاصطناعي

يقدّم هذا الكورس مقدّمة عملية في Natural Language Processing (NLP)، مع التركيز على المفاهيم الأساسية التي تمهّد للانتقال لاحقًا إلى نماذج أكثر تقدّمًا مثل Transformers وLLMs وRAG.

محتوى الكورس

• Introduction to Natural Language Processing: أساسيات النصوص، Tokenization، Cleaning، تمثيل النصوص، وتطبيقات NLP في الواقع.
• NLP Application: Text Classification: بناء model لتصنيف النصوص (مثل تصنيف الآراء أو أنواع الرسائل) باستخدام بيانات حقيقية.
• Advanced Neural Networks: RNN: مقدّمة عن Recurrent Neural Networks وكيفية استخدامها مع النصوص المتسلسلة.

Quizzes: Quiz 1 وQuiz 2 للتأكّد من فهم المفاهيم الأساسية والتطبيقات العملية.

Projects: مشروع عملي صغير في Text Classification يمكن تطويره لاحقًا وربطه مع نماذج أكثر تقدّمًا.