تخطَّ إلى المحتوى
ابدأ مجاناً
التعلم العميق الذكاء الاصطناعي · المستوى 2

Deep Learning بلغة Python

دورة عملية كاملة تبدأ من الصفر: ما هو الذكاء الاصطناعي، والفرق بين Machine Learning وDeep Learning، ثم الشبكات العصبية من الداخل (Forward Propagation وBackpropagation وGradient Descent). تبني نماذجك الأولى بـ KNN وSVM، ثم أول شبكة عصبية بـ Keras وTensorFlow، وتصل إلى الشبكات الالتفافية CNN وتبرمج AlexNet وVGG16 من الصفر على صور حقيقية في Google Colab، ثم Transfer Learning ومعماريات ResNet وGoogLeNet سطراً بسطر. وفي كل خطوة: كيف تقرأ الـ Confusion Matrix وتقيّم نموذجك بالـ Accuracy والـ Precision والـ Recall، وكيف تعرض نتائجك كما يطلبها المحكّمون في المقالات العلمية. صُمّمت للباحثين وطلبة الماستر والدكتوراه، بالعربية وبالمصطلحات العلمية كما هي.

  • متوسط إلى متقدم
  • 103 دروس
  • 13 وحدة
  • 8+ ساعات
جرّب مجاناً 48 ساعة الدروس المجانية

ستتعلم

  • Machine Learning
  • الشبكات العصبية
  • Backpropagation
  • KNN وSVM
  • Keras وTensorFlow
  • CNN
  • AlexNet وVGG16
  • Transfer Learning
  • ResNet وGoogLeNet
  • Confusion Matrix ومقاييس التقييم
  • Google Colab

محتوى الدورة

1 الوحدة 1: مدخل إلى الذكاء الاصطناعي وتعلّم الآلة6 دروس
  1. 1.1 ما هو الذكاء الاصطناعي؟ مجاني
  2. 1.2 مثال حفر البئر: كيف تتعلم الآلة؟ مجاني
  3. 1.3 AI وML وDL: ما الفرق؟
  4. 1.4 البرمجة التقليدية مقابل Machine Learning
  5. 1.5 أنواع التعلم
  6. 1.6 مراحل مشروع Machine Learning السبع
2 الوحدة 2: أساسيات الشبكات العصبية10 دروس
  1. 2.1 الشبكات العصبية الاصطناعية
  2. 2.2 Forward Propagation والـ Bias
  3. 2.3 الـ Hyperparameters
  4. 2.4 من الرسم إلى كود Keras
  5. 2.5 Gradient Descent والـ Learning Rate
  6. 2.6 الـ Loss Function
  7. 2.7 كيف تتعلم الشبكة العصبية؟
  8. 2.8 أنواع Gradient Descent
  9. 2.9 الـ Backpropagation
  10. 2.10 مثال رقمي للـ Backpropagation
3 الوحدة 3: بيئة العمل: Python ومكتباته8 دروس
  1. 3.1 لماذا Python للذكاء الاصطناعي؟
  2. 3.2 مكتبات الذكاء الاصطناعي
  3. 3.3 Keras أم TensorFlow؟ Anaconda أم PyCharm؟
  4. 3.4 تثبيت Anaconda
  5. 3.5 التعرف على Spyder
  6. 3.6 خريطة مكتبات Python وPandas
  7. 3.7 أول DataFrame بـ Pandas وNumPy
  8. 3.8 تجهيز Google Colab
4 الوحدة 4: خوارزميات تعلّم الآلة الكلاسيكية: KNN وSVM9 دروس
  1. 4.1 خوارزمية KNN
  2. 4.2 KNN بـ Python (1)
  3. 4.3 KNN بـ Python (2)
  4. 4.4 KNN بـ Python (3): التدريب والتقييم
  5. 4.5 اختيار أفضل K
  6. 4.6 خوارزمية SVM
  7. 4.7 بيانات Iris والـ SVC
  8. 4.8 Iris في Spyder
  9. 4.9 تدريب SVM على Iris
5 الوحدة 5: الـ Cross Validation4 دروس
  1. 5.1 K-Fold Cross Validation
  2. 5.2 K-Fold بـ Python (1)
  3. 5.3 K-Fold بـ Python (2)
  4. 5.4 أنواع الـ Cross Validation
6 الوحدة 6: دوال التفعيل وأول شبكة عصبية بـ Keras8 دروس
  1. 6.1 دوال التفعيل Activation Functions
  2. 6.2 دالة Softmax
  3. 6.3 مثال حسابي للـ Softmax
  4. 6.4 قراءة الـ Confusion Matrix
  5. 6.5 شبكة عصبية على ملف CSV (1)
  6. 6.6 شبكة عصبية على ملف CSV (2)
  7. 6.7 بناء النموذج بـ Keras
  8. 6.8 تدريب النموذج وقراءة النتائج
7 الوحدة 7: الشبكات الالتفافية CNN5 دروس
  1. 7.1 الصورة الرقمية ومدخل إلى CNN
  2. 7.2 طبقة الـ Convolution
  3. 7.3 الـ Padding
  4. 7.4 الـ Stride والـ Max Pooling
  5. 7.5 المعمارية الكاملة لـ CNN ومثال AlexNet
8 الوحدة 8: تجهيز بيانات الصور ومقاييس التقييم9 دروس
  1. 8.1 تقسيم البيانات: Train / Validation / Test
  2. 8.2 مكتبة split-folders
  3. 8.3 كود التقسيم بـ split-folders
  4. 8.4 تقسيم بيانات حقيقية في Spyder
  5. 8.5 التحقق من نتائج التقسيم
  6. 8.6 Sequential أم Functional API؟
  7. 8.7 الـ Confusion Matrix: من أين تأتي الأرقام؟
  8. 8.8 TP · TN · FP · FN
  9. 8.9 Precision · Recall · Specificity
9 الوحدة 9: مشروع AlexNet وVGG16 من الصفر14 درساً
  1. 9.1 معمارية VGG16
  2. 9.2 مخطط مشروع تصنيف الصور
  3. 9.3 تجهيز مشروع AlexNet في Colab
  4. 9.4 من ImageDataGenerator إلى طبقة الخرج
  5. 9.5 مشروع AlexNet (1)
  6. 9.6 مشروع AlexNet (2)
  7. 9.7 مشروع AlexNet (3): طبقات الـ Convolution
  8. 9.8 مشروع AlexNet (4): الطبقات الكاملة
  9. 9.9 compile والـ Callbacks
  10. 9.10 تدريب AlexNet
  11. 9.11 تقييم النموذج على بيانات الاختبار
  12. 9.12 رسم منحنيات التدريب وقراءة النتائج
  13. 9.13 VGG16 from scratch (1)
  14. 9.14 VGG16 from scratch (2)
10 الوحدة 10: الـ Transfer Learning6 دروس
  1. 10.1 ما هو الـ Transfer Learning؟
  2. 10.2 متى يكون الـ Transfer Learning مفيداً؟
  3. 10.3 VGG16 المدرَّب مسبقاً في Keras
  4. 10.4 تشغيل VGG16 المدرَّب مسبقاً
  5. 10.5 تجميد الطبقات
  6. 10.6 تدريب النموذج المدرَّب مسبقاً
11 الوحدة 11: معمارية ResNet: من الصفر وبالتدريب المسبق14 درساً
  1. 11.1 معمارية ResNet
  2. 11.2 ResNet-50 و101 و152
  3. 11.3 ResNet-50 المدرَّب مسبقاً
  4. 11.4 برمجة الـ Identity Block
  5. 11.5 برمجة الـ Conv Block
  6. 11.6 لماذا نحتاج الـ Batch Normalization؟
  7. 11.7 الـ Batch Normalization في الكود والرياضيات
  8. 11.8 تجميع ResNet-50 (1)
  9. 11.9 تجميع ResNet-50 (2)
  10. 11.10 تجميع ResNet-50 (3) والتدريب
  11. 11.11 قراءة كود ResNet-50
  12. 11.12 Transfer Learning مع ResNet-50
  13. 11.13 تجميد الطبقات وإضافة طبقات التصنيف
  14. 11.14 سؤال وجواب: ما فائدة preprocess_input؟
12 الوحدة 12: GoogLeNet والمقارنة بين النماذج6 دروس
  1. 12.1 بأيّ النماذج تقارن في مقالك العلمي؟
  2. 12.2 GoogLeNet والـ Inception Module
  3. 12.3 لماذا 1×1 Convolution؟
  4. 12.4 Multi-level Features والـ Auxiliary Classifier
  5. 12.5 برمجة GoogLeNet (1)
  6. 12.6 برمجة GoogLeNet (2)
13 ملحق: مراجعات اختيارية4 دروس
  1. منطق الـ Residual Block
  2. حساب الطبقات في ResNet-50 / 101 / 152
  3. مراجعة ResNet
  4. Batch Normalization

في المسار نفسه

دورة الشبكات العصبية التلافيفية CNN

متقدم · 27 درساً · ساعتان و11 دقيقة

أساسيات الذكاء الاصطناعي: من المفاهيم إلى الشبكات العصبية

مبتدئ · 22 درساً · ساعتان و11 دقيقة

مفاهيم التعلم العميق ببساطة

مبتدئ · 71 درساً · 9+ ساعات
Deep Learning بلغة Python
103 دروس · متوسط إلى متقدم
جرّب مجاناً 48 ساعة