Start a conversation ↗

الوصف

التعلم العميق (Deep Learning): فهم الشبكات العصبية وتدريب النماذج وتقييمها

اكتساب أساسيات التعلم العميق اللازمة للتفاعل بفعالية مع فرق علوم البيانات

  • 0.5 أيام — 3.5 ساعة
  • حضوري أو عن بُعد
  • أساسي
  • حتى 6 مشاركين

تتضاعف مشاريع الذكاء الاصطناعي في الجهات الحكومية، وتُتخذ القرارات باستخدام مصطلحات يبقى معناها غير واضح. شبكة عصبية، تعلّم، الإفراط في المطابقة (Overfitting)، نموذج مُدرَّب مسبقًا: مفردات تتداول دون أن يدرك الجميع ما يمكن للنموذج أن يتعلمه فعليًا، وما يحتاجه من بيانات، وما لن يكون قادرًا على القيام به مطلقًا.

ترسي هذه الصيغة القصيرة الأساسيات. يفهم المشاركون كيف تتعلم الشبكة من الأمثلة، ويتابعون مراحل التدريب والتقييم، ويتعرفون على أبرز البنى (Architectures)، ويحددون القيود والتحيزات التي يجب أخذها في الحسبان قبل إطلاق أي مشروع.

أهداف التعلّم

  • تحديد موقع التعلم العميق بين مقاربات التعلّم الآلي (Machine Learning)
  • شرح كيفية تعلّم الشبكة العصبية
  • وصف مراحل التدريب ودور مجموعات البيانات
  • تفسير مؤشرات تقييم النماذج
  • تحديد القيود والتحيزات ومتطلبات البيانات في المشروع

ما الذي يميّز هذا البرنامج

تُقدَّم المفاهيم من خلال حالات استخدام واقعية في القطاع الحكومي
ملاحظة ظاهرة الإفراط في المطابقة (Overfitting) على مثال تطبيقي يُتابع خطوة بخطوة
إعداد قائمة أسئلة تُطرح على الفرق التقنية خلال الجلسة

البرنامج

1من التعلّم الآلي إلى الشبكات العصبية

فهم ما يغيّره العمق

  • التعلّم الموجَّه (Supervised) والتعلّم غير الموجَّه (Unsupervised)
  • مفهوم الخلية العصبية الاصطناعية والطبقة (Layer)
  • دور الأوزان ودوال التنشيط (Activation Functions)
  • ما يضيفه العمق مقارنة بالمنهجيات التقليدية

2تدريب النموذج

متابعة دورة التعلّم

  • تحضير مجموعات بيانات التدريب والتحقق وتقسيمها
  • دالة الخسارة (Loss Function) والتعديل التدريجي للأوزان
  • الإفراط في المطابقة (Overfitting) وأساليب التنظيم (Regularisation)
  • حجم البيانات وتكلفة القدرة الحاسوبية المطلوبة
  • قراءة منحنيات التعلّم

3البنى والتطبيقات والقيود

معرفة ما يمكن استهدافه بشكل منطقي

  • الشبكات التلافيفية (CNN) للصور والشبكات الملائمة للمتسلسلات
  • النماذج المُدرَّبة مسبقًا وتكييفها مع حاجة عملية محددة
  • مؤشرات التقييم وتفسير الأخطاء
  • تحيز البيانات ومتطلبات القابلية للتفسير (Explainability)
  • الأسئلة التي يجب طرحها قبل الالتزام بأي مشروع

لمن هذا البرنامج

موظفو ومديرو القطاع الحكومي، وقادة مشاريع البيانات، والكفاءات من الجهات المعنية المشاركة في مشاريع الذكاء الاصطناعي.

المتطلبات المسبقة

لا توجد متطلبات مسبقة

المواعيد والمواقع

36 موعدًا مجدولًا بين نوفمبر 2026 وديسمبر 2027. تُؤكَّد المقاعد حسب ترتيب ورود الطلبات.

نوفمبر 2026

ديسمبر 2026

يناير 2027

فبراير 2027

مارس 2027

أبريل 2027

مايو 2027

يونيو 2027

سبتمبر 2027

أكتوبر 2027

نوفمبر 2027

ديسمبر 2027

لا يناسبكم أيٌّ من هذه المواعيد؟ نفتح دورات إضافية عند الطلب، ويمكن تنفيذ أي برنامج بشكل خاص لفريقكم.

التفاصيل العملية

قبل البرنامج
استبيان تحديد المستوى عبر الإنترنت. تُرسَل أهداف التطوير الخاصة بك إلى المدرب الذي يكيّف الحالات التطبيقية بما يتناسب مع بيئة عملك.
أساليب التدريب
مفاهيم نظرية وورش عمل وحالات تطبيقية. تُقدَّم مواد تدريبية رقمية وبطاقات منهجية.
التقييم
أسئلة اختيار من متعدد وتمارين محاكاة واقعية. تقييم المكتسبات في بداية البرنامج ونهايته، مع تقييم فوري وآخر بعد 60 يومًا.
بعد البرنامج
سنة كاملة من الوصول إلى منصة التعلم الإلكتروني. تقييم ذاتي للمهارات المكتسبة وجلسة متابعة بعد 30 يومًا مع المدرب.
طريقة التسجيل
التسجيل إلكترونيًا أو بناءً على عرض سعر.
مهلة الالتحاق
11 يوم عمل بعد تأكيد التسجيل.
إمكانية الوصول
البرنامج متاح لأصحاب الهمم (أصحاب الاحتياجات الخاصة). يُرجى التواصل مع مسؤول الدعم والتهيئة لدينا لتصميم حل مناسب لاحتياجاتكم: contact@mpf-academy.ae
مواعيد البدء
التحاق مستمر: إضافةً إلى الدورات المجدولة، يمكن بدء هذا البرنامج عند الطلب.