AI & ML Course

Module 1: AI Fundamentals | مبادئ الذكاء الاصطناعي

• Introduction to Artificial Intelligence | مقدمة في الذكاء الاصطناعي

  • History, goals, and types of AI (ANI, AGI, ASI). | التاريخ، الأهداف، وأنواع الذكاء الاصطناعي.

  • The AI landscape and real-world applications. | المشهد العام للذكاء الاصطناعي والتطبيقات الواقعية.

• Python for AI & Essential Mathematics | بايثون للذكاء الاصطناعي والرياضيات الأساسية

  • NumPy, Pandas, and Matplotlib for data handling. | NumPy، Pandas، و Matplotlib لمعالجة البيانات.

  • Linear Algebra, Calculus, and Probability concepts for AI. | مفاهيم الجبر الخطي، التفاضل والتكامل، والاحتمالات للذكاء الاصطناعي.

• Problem-Solving and Search Algorithms | حل المشكلات وخوارزميات البحث

  • Agent-based approach to AI. | نهج قائم على الوكيل (Agent) للذكاء الاصطناعي.

  • Search algorithms (BFS, DFS, A*). | خوارزميات البحث.

Module 2: Machine Learning Basics | أساسيات تعلم الآلة

• Foundations of Machine Learning | أسس تعلم الآلة

  • Supervised vs. Unsupervised vs. Reinforcement Learning. | التعلم تحت الإشراف مقابل غير الخاضع للإشراف مقابل التعلم المعزز.

  • The machine learning workflow: Data, Training, Evaluation. | workflow تعلم الآلة: البيانات، التدريب، التقييم.

• Core Supervised Learning Algorithms | خوارزميات التعلم تحت الإشراف الأساسية

  • Regression (Linear, Polynomial). | الانحدار (خطي، متعدد الحدود).

  • Classification (Logistic Regression, K-NN, SVM, Decision Trees). | التصنيف ( الانحدار اللوجستي، K-NN، SVM، أشجار القرار).

• Model Evaluation & Optimization | تقييم النموذج وتحسينه

  • Bias-Variance Tradeoff, Cross-Validation, Hyperparameter Tuning. | مقايضة التحيز والتباين، التحقق cross-Validation، ضبط hyperparameter.

• Unsupervised Learning | التعلم غير الخاضع للإشراف

  • Clustering (K-Means, Hierarchical). | التجميع (K-Means، التجميع الهرمي).

  • Dimensionality Reduction (PCA). | تقليل الأبعاد (PCA).

Module 3: Deep Learning Models | نماذج التعلم العميق

• Introduction to Neural Networks | مقدمة في الشبكات العصبية

  • Perceptrons, Multi-Layer Perceptrons (MLPs), Activation Functions. | Perceptrons، Multi-Layer Perceptrons (MLPs)， دوال التفعيل.

  • Training neural networks: Backpropagation and Gradient Descent. | تدريب الشبكات العصبية: Backpropagation و Gradient Descent.

• Deep Learning Frameworks | أطر عمل التعلم العميق

  • Building and training models with TensorFlow/Keras. | بناء وتدريب النماذج باستخدام TensorFlow/Keras.

• Convolutional Neural Networks (CNNs) | الشبكات العصبية التلافيفية

  • Architecture and applications in Computer Vision (image classification). | الهندسة المعمارية والتطبيقات في رؤية الحاسوب.

• Recurrent Neural Networks (RNNs) | الشبكات العصبية المتكررة

  • Architecture and applications in Sequence Modeling (time series, NLP). | الهندسة المعمارية والتطبيقات في نمذجة التسلسل.

Module 4: Generative AI Applications | تطبيقات الذكاء الاصطناعي التوليدي

• Foundations of Generative AI | أسس الذكاء الاصطناعي التوليدي

  • Introduction to Generative vs. Discriminative models. | مقدمة للنماذج التوليدية مقابل التمييزية.

• Large Language Models (LLMs) | نماذج اللغة الكبيرة

  • Transformers architecture and the revolution in NLP. | هندسة Transformers والثورة في معالجة اللغة الطبيعية.

  • Prompt Engineering and using APIs (e.g., OpenAI). | هندسة prompts واستخدام APIs.

• Image Generation Models | نماذج توليد الصور

  • Introduction to GANs and Diffusion Models (e.g., DALL-E, Stable Diffusion). | مقدمة في GANs ونماذج Diffusion.

• Ethics, Limitations, and Future of AI | أخلاقيات، قيود، ومستقبل الذكاء الاصطناعي

  • Discussing bias, fairness, job impact, and responsible AI development. | مناقشة التحيز، العدالة، تأثير الوظائف، والتطوير المسؤول للذكاء الاصطناعي.