برمجة تطبيقات الذكاء الاصطناعي

المبادئ والخوارزميات مع التطبيق العملي

برمجة الذكاء الاصطناعى وتعلم الآلة4.9(72)12 ساعة و35 دقيقة59 درسا6 أقسام

ماذا ستتعلم؟

  • فهم مفهوم الذكاء الاصطناعي ومجالاته
  • فهم الوكيل الذكي وتحليل PEAS وأنواع البيئات
  • تحويل المشكلة واستخدام استراتيجيات البحث مثل DFS وBFS
  • استخدام خوارزميتي A Star وMinimax
  • تطبيق التفكير المنطقي وفحص النموذج
  • فهم الاحتمالات وقاعدة بايز وشبكة بايزين
  • تثبيت Anaconda وتجربة الأكواد العملية
  • استخدام خوارزميات التحسين مثل Hill Climbing
  • التعرف على مقدمة تعلم الآلة

عن الدورة

يشرح هذا الكورس برمجة تطبيقات الذكاء الاصطناعي، أي المبادئ والخوارزميات مع التطبيق العملي باستخدام لغة بايثون وAnaconda. يبدأ بتعريف الذكاء الاصطناعي ومجالاته وعلومه، ثم الوكيل الذكي والوكيل العاقل وتحليل PEAS وأنواع البيئات وأنواع الوكيل. بعد ذلك تتعلم عملية البحث وتحويل المشكلة وشجرة البحث واستراتيجياته، مثل DFS وBFS وID وUCS وGBFS وA Star وMinimax، مع تطبيق عملي على Maze. ثم تنتقل إلى المعرفة والتفكير المنطقي والمنطق الافتراضي وخوارزمية فحص النموذج Model Checking وهندسة المعرفة ومنطق الدرجة الأولى. وبعدها الاحتمالات وقاعدة بايز وشبكة بايزين والاستدلال للاحتمال، ثم التحسين والبحث المحلي وخوارزمية Hill Climbing ومحاكاة التلدين والبرمجة الخطية، وتنتهي بمقدمة تعلم الآلة Machine Learning. وفي الكورس ملفات للتطبيق والأكواد تحملها وتجربها. يناسب دارسي البرمجة والحاسب والمهتمين بالذكاء الاصطناعي، ويفضل أن تعرف أساسيات بايثون. وبعده ستفهم كيف تعمل خوارزميات الذكاء الاصطناعي وتطبقها في مشاريع.

نتائج متوقعة من الدورة

  • إتقان تصميم وتنفيذ تطبيقات الذكاء الاصطناعي.
  • فهم العمل الداخلي لخوارزميات الذكاء الاصطناعي.
  • القدرة على تحليل البيانات واستخدامها لتحسين العمليات.
  • تطوير مشاريع حقيقية باستخدام أدوات البرمجة المتقدمة.
  • الاستعداد للدخول في المجال المهني لتطبيقات الذكاء الاصطناعي.

تقييمات المتدربين

التقييمات هنا من المتدربين الذين اشتروا الدورة وأكملوا 50٪ من المحتوى على الأقل — لا توجد تقييمات من شخص لم يطلع على المحتوى.
4.9
★★★★★
72 تقييم
5★
65
4★
7
3★
0
2★
0
1★
0

    محتوى الدورة

    1

    مقدمة عن الذكاء الاصطناعى

    3 درس
    1. ما هو الذكاء الاصطناعييعرّف الذكاء الاصطناعي من كلمتى artificial وintelligence، ويوضح أنه لا يوجد تعريف واحد متفق عليه، ويستعرض تعريفات مثل تعريف جون مكارثى، وتعريفا يقول إنه جعل الحاسوب يؤدى ما يفعله البشر بشكل أفضل.4:31
    2. أساليب تعريف الذكاء الاصطناعييستعرض أساليب تعريف الذكاء الاصطناعي من أربع زوايا: التفكير بشرية وبعقلانية، والتصرف بشرية وبعقلانية، مع اختبار تورنج وما يحتاجه البرنامج لاجتيازه، ومفهوم الوكيل العاقل.9:02
    3. مجالات وعلوم الذكاء الاصطناعييستعرض مجالات وعلوم الذكاء الاصطناعي: الوكيل بصورتيه العتادية والبرمجية، وسمات الذكاء من تعلم وتفكير واستدلال وحل مشكلات، ومجالات مثل Computer Vision والشبكات العصبية وأنواع Machine Learning.15:32
    2

    الوكيل الذكي Intelligent Agents

    8 درس
    1. مقدمة عن الوكيل الذكييقدم مفهوم الوكيل الذكى Intelligent Agent ومحاور الجزء: البيئة، والعقلانية، وعناصر PEAS من قياس الأداء والمشغلات والمستشعرات، وأنواع البيئات وأنواع الوكلاء.1:36
    2. ما هو الوكيليعرّف الوكيل Agent بأنه ما يدرك بيئته عبر Sensors ويتصرف فيها عبر Actuators، ويشرح Percept وAgent function وAgent program بمثال مكنسة vacuum cleaner تنظف غرفتين.15:34
    3. الوكيل العاقليشرح الوكيل العاقل Rational Agent الذى يختار أفضل فعل لتحقيق أفضل أداء حسب مقياس الأداء ومعرفته بالبيئة، والفرق بين العقلانية والعلم المطلق، ومفهوم الاستقلالية Autonomy.8:11
    4. تحليل PEAS للوكيليشرح تحليل PEAS للوكيل قبل تصميمه: مقياس الأداء Performance Measure والبيئة والمشغلات Actuators والمستشعرات Sensors، بأمثلة المكنسة وسائق التاكسى ونظام طبى.8:56
    5. أنواع البيئاتيشرح تصنيف أنواع البيئات التى يعمل فيها الوكيل: قابلة للملاحظة كليا أو جزئيا، محددة أو عشوائية، فصلية أو تتابعية، ساكنة أو متغيرة، منفصلة أو متصلة، ووكيل واحد أو عدة وكلاء، بمثال سائق التاكسى.9:48
    6. أنواع الوكيل (الجزء الأول)يصنف الوكيل Agent بحسب برنامجه، ويشرح Simple Reflex Agent الذي يقرر بقواعد بسيطة من الإدراك الحالي دون ذاكرة، مع مثال المكنسة الكهربائية Vacuum Cleaner وعيوبه.12:08
    7. أنواع الوكيل (الجزء الثانى)يشرح باقي أنواع الوكيل: Model-Based Reflex Agent الذي يحتفظ بنموذج للعالم، وGoal-Based Agent الذي يتصرف لتحقيق هدف، مع مثال سيارة الأجرة، ويمهد لـ Utility-Based Agent.23:26
    8. أنواع الوكيل (الجزء الثالث)يشرح Learning Agent، أرقى أنواع الوكيل، ومكوناته Critic وPerformance Standard وLearning Element وPerformance Element، وكيف يتعلم ذاتيا من التغذية الراجعة، ثم يلخص خطوات تصميم الوكيل.17:15
    3

    عمليات البحث Search

    15 درس
    1. مقدمة عن عملية البحثيقدم عملية البحث Search كأسلوب لحل المشكلات فى الذكاء الاصطناعي: تحويل المشكلة إلى مشكلة بحث وتطبيق خوارزمية عليها، مع مثال تخمين رقم عبر تضييق المدى بأسئلة متتالية.8:57
    2. خطوات تحويل المشكلةيشرح خطوات تحويل مشكلة إلى Search Problem من أربعة عناصر: فضاء الحالات، ودالة الأفعال والانتقال، والحالة الابتدائية، واختبار الهدف، وأن الحل هو خطة من أفعال متسلسلة، مع فكرة النموذج.9:05
    3. مثال عملي لخطوات تحويل المشكلةيطبق عمليا تحويل مشكلة إلى Search Problem بمثال الانتقال من مدينة إلى بوخارست فى رومانيا، ثم بمثال لعبة Pacman، محددا فضاء الحالات ودالة الانتقال واختبار الهدف والتكلفة.12:23
    4. تحديد عدد الحالاتيشرح كيفية حساب عدد الحالات فى فضاء الحالات بمثال لعبة Pacman: ضرب عدد مواضع الوكيل وحركات الأشباح، وإضافة حالات النقاط عند مشكلة أكل كل النقاط، تمهيدا لـ state-based graphs وsearch trees.20:35
    5. تنظيم الحالاتيشرح تنظيم الحالات فى Search Problem على شكل رسم بيانى Graph وشجرة بحث Search Tree، حيث تتفرع الحالات إلى أبناء، وكيف تظهر الدورات فى الرسم، تمهيدا لتطبيق خوارزميات البحث.18:01
    6. طريقة البحث داخل شجرة البحثيوضح الفرق بين Search Tree وTree Search، ودور الـ Frontier في خوارزمية البحث العامة، وخطوات اختيار العقدة وتوسيعها حتى الوصول إلى الهدف، مع مثالين على مدن وعلى رسم Graph.18:40
    7. الاستراتيجية الاولى للبحث DFSيشرح استراتيجية البحث بالعمق أولا Depth First Search: التعمق في فرع حتى نهايته ثم الرجوع إلى نقطة التفرع وتجربة الفرع الآخر، مطبقة على رسم يبدأ من S وهدفه G.23:51
    8. الاستراتيجية الثانية BFSيشرح البحث بالعرض أولا Breadth First Search الذي يستكشف الرسم طبقة بعد طبقة باستخدام طابور Queue بنظام FIFO، ويناسب الحالات التي يكون فيها الحل قريبا من نقطة البداية.14:07
    9. التطبيق العملى على الاستيراجية الأولى والثانية DFS & BFSتطبيق عملي بلغة Python لاستراتيجيتي DFS وBFS على متاهات Maze مقروءة من ملفات نصية، مع مقارنة عدد الحالات التي يفحصها كل منهما وكيف يختلف استخدام Stack وQueue.17:17
    10. الاستراتيجية الثالثة IDيشرح استراتيجية Iterative Deepening التي تجمع مزايا DFS وBFS بتنفيذ بحث بالعمق عند حد مستوى معين ثم رفع الحد مستوى بعد مستوى، مع مثال على رسم Graph.12:43
    11. الاستراتيجية الرابعة UCSيشرح استراتيجية Uniform Cost Search التي توسع دائما العقدة الأقل تكلفة تراكمية من الجذر، ويقارن تكلفة العقد في الـ Frontier، ويذكر عيبها في استكشاف حالات كثيرة لأنها لا تعرف موقع الهدف.16:51
    12. الاستراتيجية الخامسة GBFSيشرح استراتيجية Greedy Best First Search التي تختار العقدة الأقرب إلى الهدف باستخدام دالة استدلالية Heuristic Function تقدر المسافة، ويقارنها بالحل الأمثل Optimal Solution.25:15
    13. الاستراتيجية السادسة A Starيلخص استراتيجيات البحث السابقة ثم يشرح A Star Search التي تختار العقدة بجمع تكلفة الوصول G وتقدير المسافة للهدف H على متاهة، ويمهد للبحث التنافسي Adversarial Search.21:33
    14. الاستراتيجية السابعة Minimaxيشرح خوارزمية Minimax للبحث التنافسي Adversarial Search في لعبة Tic Tac Toe، حيث يرفع اللاعب Max القيمة ويخفضها اللاعب Min، ودوال Actions وResult وUtility لاختيار أفضل حركة.33:43
    15. التطبيق العملى Maze
    4

    المعرفة Knowledge

    10 درس
    1. مقدمة عن المعرفهيقدم جزء المعرفة Knowledge: الذكاء يعتمد على المعرفة لاستنتاج نتائج جديدة، ويمهد لبناء وكلاء قائمين على المعرفة Knowledge-based agents يتصرفون من خلال تمثيل المعرفة بداخلهم.2:00
    2. التفكير المنطقييشرح التفكير المنطقي فى الذكاء الاصطناعي: استنتاج معلومات جديدة من جمل معروفة بمثال هارى وهاجريد ودمبلدور، ثم تمثيل المعرفة بلغة خاصة وتمهيد للمنطق الافتراضى Propositional Logic.6:12
    3. المنطق الافتراضي (الجزء الأول)يشرح المنطق الافتراضى Propositional Logic ورموزه P وQ وR، وعوامله: النفى Not وAnd وImplication وBiconditional، مع جداول الصدق Truth Tables والفرق بين Implication وBiconditional.14:41
    4. المنطق الافتراضي (الجزء الثانى)يشرح الموديل Model وقاعدة المعرفة Knowledge Base ومفهوم الاستلزام Entailment والاستنتاج Inference فى المنطق الافتراضى، بمثال أن يوم الثلاثاء وعدم المطر يعنيان أن هارى سيخرج للجرى.9:31
    5. خوارزمية فحص النموذجيشرح خوارزمية فحص النموذج Model Checking للاستنتاج: تعداد كل النماذج الممكنة فى جدول وفحص هل قاعدة المعرفة KB تستلزم Alpha، بمثال ثلاثة رموز وثمانية احتمالات.14:38
    6. المثال العملي لخوارزمية فحص النموذجتطبيق خوارزمية Model Checking بلغة Python: تعريف الرموز Symbols وبناء الجمل المنطقية بـ And وOr وNot لتمثيل المعرفة، ثم التحقق مما إذا كانت قاعدة المعرفة تستلزم الاستنتاج.25:04
    7. التطبيق العملي Model Checking
    8. هندسة المعرفةيشرح هندسة المعرفة Knowledge Engineering أي تحديد الرموز وتمثيل المشكلة في قاعدة معرفة، وتطبيقها على لعبة استنتاج القاتل والسلاح والغرفة بلغة Python وباستخدام ملف logic.py.29:25
    9. الكود المستخدم في تصميم لعبة Clue
    10. منطق الدرجة الأولىيشرح منطق الدرجة الأولى First Order Logic وتفوقه على المنطق الافتراضي، عبر الرموز الثابتة Constant Symbols ورموز المحمول Predicate Symbols والكميات الكلية والوجودية، بمثال بيوت Hogwarts.17:18
    5

    الاحتمالات Probability

    12 درس
    1. مقدمة عن الاحتمالاتيقدم موضوع الاحتمالات Probability للتعامل مع المعلومات غير المؤكدة فى الذكاء الاصطناعي، بأمثلة مثل استشعار الروبوت للبيئة والتنبؤ بالطقس ورمى النرد.2:44
    2. الاحتمالات والاحتمال غير المشروطيشرح أساسيات نظرية الاحتمالات: قيمة الاحتمال بين الصفر والواحد، وحساب احتمالات النرد ومجموع نردين، والاحتمال غير المشروط Unconditional Probability وسبب عدم كفايته لوكيل ذكى.12:17
    3. الاحتمال المشروطيشرح الاحتمال المشروط Conditional Probability، أى احتمال حدث عند معرفة دليل سابق، وصيغته P(A given B) بمثال النردين، وكيفية التحويل بين P(A|B) وP(B|A)، وتمهيد للمتغيرات العشوائية.10:29
    4. المتغير العشوائي والاستقلاليشرح المتغير العشوائى Random Variable ومجاله وتوزيع احتمالاته الذى يساوى مجموعه واحدا، ثم الاستقلال Independence بين الأحداث وقاعدة ضرب الاحتمالات للحدثين المستقلين بمثال النردين.19:00
    5. قاعدة بايزيشرح قاعدة بايز Bayes' Rule: اشتقاقها من الاحتمال المشروط، واستخدامها لحساب احتمال حدث من احتمال الحدث المعاكس، بمثال توقع المطر بعد الظهر إذا كان الجو غائما فى الصباح.12:01
    6. الاحتمال المشتركيشرح الاحتمال المشترك Joint Probability أي احتمال وقوع حدثين معا مثل الغيوم والمطر، وجدول توزيعه، وكيف يُستخرج منه الاحتمال الشرطي Conditional Probability.11:12
    7. قواعد الاحتمالاتيشرح قواعد الاحتمالات: قاعدة النفي، وقاعدة التهميش Marginalization لاستخراج الاحتمال غير المشروط من الاحتمال المشترك، ويربط ذلك بتعامل الوكيل مع المعلومات غير المؤكدة.20:46
    8. شبكة بايزينيشرح شبكة Bayesian Network كبنية بيانات تمثل اعتماد المتغيرات العشوائية بعضها على بعض عبر عقد Nodes وأسهم، وجداول الاحتمالات الشرطية، وحساب الاحتمال المشترك منها.25:31
    9. الاستدلال للاحتماليشرح الاستدلال Inference في الاحتمالات: استنتاج توزيع احتمالي لمتغير استعلام Query بناء على دليل Evidence مع وجود متغيرات مخفية Hidden Variables، بمثال الموعد وسكة القطار والمطر.11:55
    10. التطبيق العملي لتكوين شبكة بايزينتطبيق عملي بلغة Python لبناء شبكة Bayesian Network: تعريف العقد وجداول الاحتمالات الشرطية Conditional Probability Table، ثم تحديد الأسهم بين العقد لتجهيز النموذج.25:23
    11. تحميل التطبيق والأكواد
    12. تثبيت الاناكونداخطوات تحميل برنامج Anaconda من موقعه الرسمي وتثبيته على الجهاز، ثم فتحه والتأكد من نجاح التثبيت.2:09
    6

    التحسين Optimization

    11 درس
    1. مقدمة عن التحسينيقدم مشاكل التحسين Optimization، وهى اختيار أفضل خيار من مجموعة خيارات ممكنة، ويقارنها بمشاكل البحث والمعرفة والاحتمالات، ويمهد لخوارزمية Local Search.1:50
    2. البحث المحلييشرح خوارزمية البحث المحلى Local Search التى تتتبع حالة واحدة وتنتقل إلى جارتها، بمثال المستشفيات والبيوت ومسافة مانهاتن، ويعرّف Objective function وCost function والحالة الحالية والجيران.7:31
    3. خوارزمية Hill Climbingيشرح خوارزمية Hill Climbing، أبسط خوارزميات Local Search، التى تنتقل إلى أفضل جار للحالة الحالية، مع الكود الوهمى ومثال البيوت والمستشفيين، وعيبها أنها قصيرة النظر وقد تستقر على حل غير أمثل.12:07
    4. متغيرات الخوارزميةيشرح مشاكل Hill Climbing مثل Local Maximum وLocal Minimum وFlat Local Maximum، ومتغيرات الخوارزمية لحلها: Steepest-ascent وFirst-choice وRandom-restart وLocal Beam Search.8:39
    5. التطبيق العمليتطبيق عملي بلغة Python لخوارزمية Hill Climbing على مشكلة توزيع المستشفيات والبيوت على شبكة من المربعات، مع إعادة التشغيل العشوائي Random Restart لاختيار أفضل نتيجة.24:10
    6. تحميل التطبيق والأكواد
    7. خوارزمية محاكاة التلدينيشرح خوارزمية Simulated Annealing التي تتفادى عيب Hill Climbing في التوقف عند القيم المحلية، باستخدام درجة حرارة تقل تدريجيا تتحكم في قبول الحلول الأسوأ، مع مثال على ترتيب المدن.16:39
    8. خوارزمية البرمجة الخطيةيقدم البرمجة الخطية Linear Programming لتحسين دالة التكلفة Cost Function تحت قيود، ويصيغ مثال ماكينتين وعمال في معادلات، ويحول قيد أكبر من إلى أصغر من بالضرب في سالب واحد.16:40
    9. الحل العملي لمشكلة خوارزمية البرمجة الخطيةحل عملي لمشكلة البرمجة الخطية بلغة Python باستخدام مكتبة SciPy ودالة linear programming، بتحديد معاملات دالة التكلفة والقيود ثم طباعة الحل أو عدم وجوده.10:02
    10. تحميل التطبيق والأكواد
    11. تعلم الآلة Machin Learningمقدمة عن تعلم الآلة Machine Learning كأحد فروع الذكاء الاصطناعي، وأنواعه: التعلم الخاضع للإشراف بالانحدار والتصنيف، والتعلم غير الخاضع للإشراف بالتجميع، والتعلم المعزز.6:27

    المحاضر

    م/عمرو عبد الفتاح

    م/عمرو عبد الفتاح

    مهندس أنظمة حاسوب متخصص في تطوير وتصميم تطبيقات الهواتف ومواقع الإنترنت، عمل على تطوير منصات ومواقع شهيرة.
    49.1K مشاهدة20 دورة

    هذه الدورة ضمن دبلومة

    دورات ذات صلة