Partner
Exam Preparation

CAIP
ممارس معتمد للذكاء الاصطناعي (AI)

التقييم:
4.8
الإنجليزي
متوسط
Video preview
وجهاً لوجه
التدريب في الموقع
تدريب مباشر عن بعد
تدريب
التدريب
والإرشاد
السرعة الذاتية
تدريب
اختر تاريخ
لتحميل الكتيب

نبذة عن الدورة التدريبية

أصبح الذكاء الاصطناعي (AI) والتعلم الآلي (ML) جزءًا أساسيًا من مجموعة الأدوات للعديد من المؤسسات. عند استخدامها بشكل فعال، توفر هذه الأدوات رؤى قابلة للتنفيذ تدفع القرارات الحاسمة وتمكن المؤسسات من إنشاء منتجات وخدمات مثيرة وجديدة ومبتكرة.
توضح لك هذه الدورة كيفية تطبيق مختلف الأساليب والخوارزميات لحل مشاكل الأعمال من خلال الذكاء الاصطناعي والتعلم الآلي، واتباع سير عمل منهجي لتطوير حلول سليمة، واست
هتاف ا.
منسق - التسجيل في البرنامج
[email protected]
تواصل معنا عبر الواتس أب

المخرجات الرئيسية

1
تدريب وضبط نموذج التعلم الآلي.
2
بناء نماذج الانحدار الخطي ونماذج التصنيف ونماذج التجميع.
3
بناء أجهزة ناقل الدعم (SVMs).
4
بناء الشبكات العصبية الاصطناعية.
5
تعزيز خصوصية البيانات والممارسات الأخلاقية في مشاريع الذكاء الاصطناعي والتعلم الآلي.

سيرت نكسس
Brand Logo
CertNexus هي المزود العالمي لشهادات التكنولوجيا الناشئة المحايدة للبائعين وأوراق الاعتماد الصغيرة لمحترفي تكنولوجيا المعلومات والأعمال والأمن. → تلبي اختبارات CertNexus’ معايير التطوير الأكثر صرامة الممكنة، والتي تحدد إطارًا عالميًا لتطوير برامج شهادات الموظفين لتضييق فجوة المهارات الآخذة في الاتساع. → تتعاون CertNexus مع خبراء الصناعة ذوي المعرفة العالية والموهوبين لضمان نزاهة وجودة كل اختبار، حيث تتبع جميع الاختبارات عملية تطوير صارمة. → تم اعتماد اختبارين CertNexus — CyberSec First Responder® (CFR) وCertified Internet of Things Practitioner (CIoTP) — بموجب معيار المعهد الوطني الأمريكي للمعايير (ANSI)/المنظمة الدولية للمعايير (ISO) 17024:2012.

محتوى الدورة التدريبية

Lesson 1: Solving Business Problems Using AI and ML
Topic A: Identify AI and ML Solutions for Business Problems
  • The Data Hierarchy—Making Data Useful
  • Big Data
  • Guidelines for Working with Big Data
  • Data Mining
  • Examples of Applied AI and ML in Business
  • Guidelines to Select Appropriate Business Applications for AI and ML
  • Identifying Appropriate Business Applications for AI and ML
Topic B: Follow a Machine Learning Workflow
  • Machine Learning Model
  • Machine Learning Workflow
  • Data Science Skillset
  • Traditional IT Skillsets
  • Concept Drift
  • Transfer Learning
  • Guidelines for Following the Machine Learning Workflow
  • Planning the Machine Learning Workflow
Topic C: Formulate a Machine Learning Problem
  • Problem Formulation
  • Framing a Machine Learning Problem
  • Differences Between Traditional Programming and Machine Learning
  • Differences Between Supervised and Unsupervised Learning
  • Randomness in Machine Learning
  • Uncertainty
  • Random Number Generation
  • Machine Learning Outcomes
  • Guidelines for Formulating a Machine Learning Outcome
Topic D: Select Appropriate Tools
  • Open Source AI Tools
  • Proprietary AI Tools
  • New Tools and Technologies
  • Hardware Requirements
  • GPUs vs. CPUs
  • GPU Platforms
  • Cloud Platforms
  • Guidelines for Configuring a Machine Learning Toolset
  • How to Install Anaconda
  • Selecting a Machine Learning Toolset
Lesson 2: Collecting and Refining the Dataset
Topic A: Collect the Dataset
  • Machine Learning Datasets
  • Structure of Data
  • Terms Describing Portions of Data
  • Data Quality Issues
  • Data Sources
  • Open Datasets
  • Guidelines for Selecting a Machine Learning Dataset
  • Examining the Structure of a Machine Learning Dataset
  • Extract, Transform, and Load (ETL)
  • Machine Learning Pipeline
  • ML Software Environments
  • Guidelines for Loading a Dataset
  • Loading the Dataset
Topic B: Analyze the Dataset to Gain Insights
  • Dataset Structure
  • Guidelines for Exploring the Structure of a Dataset
  • Exploring the General Structure of the Dataset
  • Normal Distribution
  • Non-Normal Distributions
  • Descriptive Statistical Analysis
  • Central Tendency
  • When to Use Different Measures of Central Tendency
  • Variability
  • Range Measures
  • Variance and Standard Deviation
  • Calculation of Variance
  • Variance in a Sample Set
  • Calculation of Standard Deviation
  • Skewness
  • Calculation of Skewness Measures
  • Kurtosis
  • Calculation of Kurtosis
  • Statistical Moments
  • Correlation Coefficient
  • Calculation of Pearson's Correlation Coefficient
  • Guidelines for Analyzing a Dataset
  • Analyzing a Dataset Using Statistical Measures
Topic C: Use Visualizations to Analyze Data
  • Visualizations
  • Histogram
  • Box Plot
  • Scatterplot
  • Geographical Maps
  • Heat Maps
  • Guidelines for Using Visualizations to Analyze Data
  • Analyzing a Dataset Using Visualizations
Topic D: Prepare Data
  • Data Preparation
  • Data Types
  • Operations You Can Perform on Different Types of Data
  • Continuous vs. Discrete Variables
  • Data Encoding
  • Dimensionality Reduction
  • Impute Missing Values
  • Duplicate
  • Normalization and Standardization
Lesson 3: Setting Up and Training a Model
Topic A: Set Up a Machine Learning Model
  • Design of Experiments
  • Hypothesis
  • Hypothesis Testing
  • Hypothesis Testing Methods
  • p-value
  • Confidence Interval
  • Machine Learning Algorithms
  • Algorithm Selection
  • Guidelines for Setting Up a Machine Learning Model
  • Setting Up a Machine Learning Model
Topic B: Train the Model
  • Iterative Tuning
  • Bias
  • Compromises
  • Model Generalization
  • Cross-Validation
  • k-Fold Cross-Validation
  • Leave-p-Out Cross-Validation
  • Dealing with Outliers
  • Feature Transformation
  • Transformation Functions
  • Scaling and Normalizing Features
  • The Bias–Variance Tradeoff
  • Parameters
  • Regularization
  • Models in Combination
  • Processing Efficiency
  • Guidelines for Training and Tuning the Model
  • Refitting and Testing the Model
Lesson 4: Finalizing a Model
Topic A: Translate Results into Business Actions
  • Know Your Audience
  • Visualization for Presentation
  • Guidelines for Presenting Your Findings
  • Translating Results into Business Actions
Topic B: Incorporate a Model into a Long-Term Business Solution
  • Put a Model into Production
  • Production Algorithms
  • Pipeline Automation
  • Testing and Maintenance
  • Consumer-Oriented Applications
  • Guidelines for Incorporating Machine Learning into a Long-Term Solution
  • Incorporating a Model into a Long-Term Solution 
Lesson 5: Building Linear Regression Models
Topic A: Build a Regression Model Using Linear Algebra
  • Linear Regression
  • Linear Equation
  • Linear Equation Data Example
  • Straight Line Fit to Example Data
  • Linear Equation Shortcomings
  • Linear Regression in Machine Learning
  • Linear Regression in Machine Learning Example
  • Matrices in Linear Regression
  • Normal Equation
  • Linear Model with Higher Order Fits
  • Linear Model with Multiple Parameters
  • Cost Function
  • Mean Squared Error (MSE)
  • Mean Absolute Error (MAE)
  • Coefficient of Determination
  • Normal Equation Shortcomings
  • Guidelines for Building a Regression Model Using Linear Algebra
  • Building a Regression Model Using Linear Algebra
Topic B: Build a Regularized Regression Model Using Linear Algebra
  • Regularization Techniques
  • Ridge Regression
  • Lasso Regression
  • Elastic Net Regression
  • Guidelines for Building a Regularized Linear Regression Model
  • Building a Regularized Linear Regression Model
Topic C: Build an Iterative Linear Regression Model
  • Iterative Models
  • Gradient Descent
  • Global Minimum vs. Local Minima
  • Learning Rate
  • Gradient Descent Techniques
  • Guidelines for Building an Iterative Linear Regression Model
Lesson 6: Building Classification Models
Topic A: Train Binary Classification Models
  • Linear Regression Shortcomings
  • Logistic Regression
  • Decision Boundary
  • Cost Function for Logistic Regression
  • A Simpler Alternative for Classification
  • k-Nearest Neighbor (k-NN)
  • k Determination
  • Logistic Regression vs. k-NN
  • Guidelines for Training Binary Classification Models
  • Training Binary Classification Model
Topic B: Train Multi-Class Classification Models
  • Multi-Label Classification
  • Multi-Class Classification
  • Multinomial Logistic Regression
  • Guidelines for Training Multi-Class Classification Models
  • Training a Multi-Class Classification Model
Topic C: Evaluate Classification Models
  • Model Performance
  • Confusion Matrix
  • Classifier Performance Measurement
  • Accuracy
  • Precision
  • Recall
  • Precision–Recall Tradeoff
  • F1 Score
  • Receiver Operating Characteristic (ROC) Curve
  • Thresholds
  • Area Under Curve (AUC
  • Precision–Recall Curve (PRC)
  • Guidelines for Evaluating Classification Models
  • Evaluating a Classification Model
Topic D: Tune Classification Models
  • Hyperparameter Optimization
  • Grid Search
  • Randomized Search
  • Bayesian Optimization
  • Genetic Algorithms
  • Guidelines for Tuning Classification Models
  • Tuning a Classification Model
Lesson 7: Building Clustering Models
Topic A: Build k-Means Clustering Models
  • k-Means Clustering
  • Global vs. Local Optimization
  • k Determination
  • Elbow Point
  • Cluster Sum of Squares
  • Silhouette Analysis
  • Additional Cluster Analysis Methods
  • Guidelines for Building a k-Means Clustering Model
  • Building a k-Means Clustering Model
Topic B: Build Hierarchical Clustering Models
  • k-Means Clustering Shortcomings
  • Hierarchical Clustering
  • Hierarchical Clustering Applied to a Spiral Dataset
  • When to Stop Hierarchical Clustering
  • Dendrogram
  • Guidelines for Building a Hierarchical Clustering Model
  • Building a Hierarchical Clustering Model
Lesson 8: Building Advanced Models
Topic A: Build Decision Tree Models
  • Decision Tree
  • Classification and Regression Tree (CART)
  • Gini Index Example
  • CART Hyperparameters
  • Pruning
  • C4.5
  • Continuous Variable Discretization
  • Bin Determination
  • One-Hot Encoding
  • Decision Tree Algorithm Comparison
  • Decision Trees Compared to Other Algorithms
  • Guidelines for Building a Decision Tree Model
  • Building a Decision Tree Model
Topic B: Build Random Forest Models
  • Ensemble Learning
  • Random Forest
  • Out-of-Bag Error
  • Random Forest Hyperparameters
  • Feature Selection Benefits
  • Guidelines for Building a Random Forest Model
  • Building a Random Forest Model
Lesson 9: Building Support-Vector Machines
Topic A: Build SVM Models for Classification
  • Support-Vector Machines (SVMs)
  • SVMs for Linear Classification
  • Hard-Margin Classification
  • Soft-Margin Classification
  • SVMs for Non-Linear Classification
  • Kernel Trick
  • Kernel Trick Example
  • Kernel Methods
  • Guidelines for Building an SVM Model
  • Building an SVM Model
Topic B: Build SVM Models for Regression
  • SVMs for Regression
  • Guidelines for Building SVM Models for Regression
  • Building an SVM Model for Regression
Lesson 10: Building Artificial Neural Networks
Topic A: Build Multi-Layer Perceptrons (MLP)
  • Artificial Neural Network (ANN)
  • Perceptron
  • Multi-Label Classification Perceptron
  • Perceptron Training
  • Perceptron Shortcomings
  • Multi-Layer Perceptron (MLP)
  • ANN Layers
  • Backpropagation
  • Activation Functions
  • Guidelines for Building MLPs
  • Building an MLP
Topic B: Build Convolutional Neural Networks (CNN)
  • Traditional ANN Shortcomings
  • Convolutional Neural Network (CNN)
  • CNN Filters
  • CNN Filter Example
  • Padding
  • Stride
  • Pooling Layer
  • CNN Architecture
  • Generative Adversarial Network (GAN)
  • GAN Architecture
  • Guidelines for Building CNNs
  • Building a CNN
Lesson 11: Promoting Data Privacy and Ethical Practices
Topic A: Protect Data Privacy
  • Protected Data
  • Obligation to Protect PII
  • Relevant Data Privacy Laws
  • Privacy by Design
  • Data Privacy Principles at Odds with Machine Learning
  • Guidelines for Complying with Data Privacy Laws and Standards
  • Complying with Applicable Laws and Standards
  • Open Source Data Sharing and Privacy
  • Data Anonymization
  • Guidelines for Data Anonymization
  • The Big Data Challenge
  • Guidelines for Protecting Data Privacy
  • Protecting Data Privacy
Topic B: Promote Ethical Practices
  • Preconceived Notions
  • The Black Box Challenge
  • Prejudice Bias
  • Proxies for Larger Social Discriminations
  • Ethics in NLP
  • Guidelines for Promoting Ethical Practices
  • Promoting Ethical Practices
Topic C: Establish Data Privacy and Ethics Policies
  • Privacy and Data Governance for AI and ML
  • Intellectual Property
  • Humanitarian Principles
  • Guidelines for Establishing Policies Covering Data Privacy and Ethics
  • Establishing Policies Covering Data Privacy and Ethics

على من يجب الحضور؟

تم تصميم هذه الدورة العملية والتفاعلية للغاية خصيصًا لـ
تتلاقى المهارات التي تغطيها هذه الدورة في ثلاثة مجالات —تطوير البرمجيات، والرياضيات التطبيقية والإحصاء، وتحليل الأعمال.
قد يكون الطلاب المستهدفون لهذه الدورة أقوياء في واحد أو اثنين أو هذين المجالين ويتطلعون إلى استكمال مهاراتهم في المجالات الأخرى حتى يتمكنوا من تطبيق أنظمة الذكاء الاصطناعي (AI)، وخاصة نماذج التعلم الآلي، على مشاكل الأعمال. لذا، قد يكون الطالب المستهدف مبرمجًا يتطلع إلى تطوير مهارات إضافية لتطبيق خوارزميات التعلم الآلي على مشاكل الأعمال، أو محلل بيانات لديه بالفعل مهارات قوية في تطبيق الرياضيات والإحصاء على مشاكل الأعمال، ولكنه يتطلع إلى تطوير مهارات التكنولوجيا المتعلقة بالتعلم الآلي.
يجب أن يتمتع الطالب النموذجي في هذه الدورة بعدة سنوات من الخبرة في مجال تكنولوجيا الحوسبة، بما في ذلك بعض الكفاءة في برمجة الكمبيوتر.
تم تصميم هذه الدورة أيضًا لمساعدة الطلاب في الاستعداد للحصول على شهادة ممارس الذكاء الاصطناعي المعتمد (AI) من CertNexus® (امتحان AIP-110).

أسئلة شائعة

ما هي اللغة التي سيتم تدريس الدورة بها وما هو مستوى اللغة الإنجليزية الذي أحتاجه للمشاركة في برنامج تدريب LEORON؟
يتم تقديم معظم دورات LEORON باللغة الإنجليزية. ومع ذلك، هناك بعض الدورات المقدمة باللغة العربية، معظمها عبر الإنترنت. بالنسبة لدوراتنا التدريبية الداخلية، يمكن تنظيم الجلسات وتقديمها بأي لغة عند الطلب. بشكل عام، أفضل طريقة للتأكد من توفر اللغة هي مراجعة مديري التسجيل لدينا للحصول على أحدث المعلومات. ما عليك سوى النقر على “دعنا نتحدث على WhatsApp” للدردشة معنا مباشرة.
ما هي الأشكال التي يتم تقديم الدورات بها؟
يقدم LEORON التدريب في أشكال مختلفة بما في ذلك الجلسات الافتراضية المباشرة وجهاً لوجه والتعلم الذاتي والتسليم الداخلي بالإضافة إلى الدورات التدريبية عبر الإنترنت.
هل دورات LEORON العامة معتمدة من قبل هيئة/منظمة رسمية؟
نعم، معظم دورات LEORON العامة معتمدة من قبل هيئات معترف بها دوليًا مثل CIPD، وATD، وPMI، وEdEx، وغيرها الكثير—اعتمادًا على الدورة.
من الذي يعتمد برامج التدريب الخاصة بـ LEORON؟
تتعاون LEORON مع أكثر من 20 هيئة دولية مثل PMI وCIPD وATD وEdEx وNASBA وCISI وGARP وHRCI وSHRM وACCA وASQ وIIA وILM وIAC وغيرها
هل يتم توفير نقاط التطوير المهني المستمر أو وحدات التطوير المهني؟
نعم، يمكن للمتعلمين الحصول على اعتمادات التطوير المهني المستمر ووحدات التطوير المهني (PDUs) بما في ذلك NASBA CPEs، وPMI PDUs، وCISI، وGARP، وHRCI، وSHRM، والمزيد.
كيف يمكنني التسجيل في الدورة؟
يمكنك التسجيل عبر موقعنا الإلكتروني عن طريق ملء نموذج الاستفسار، أو عن طريق التحدث مباشرة مع أحد مستشارينا عبر الواتساب أو البريد الإلكتروني. بمجرد تأكيد اهتمامك، سنرشدك خلال الخطوات.
متى يكون الموعد النهائي للتسجيل في الدورات العامة؟
يتم إغلاق التسجيل عادةً قبل 14 يومًا من تاريخ بدء الدورة، مع قبول التسجيلات المتأخرة في بعض الأحيان عند التأكيد
ما الذي تتضمنه رسوم الدورة؟
تغطي الرسوم عمومًا مرافق الأماكن ذات الخمس نجوم، ومواد التدريب، والتعليمات المعتمدة، والغداء والمرطبات، بالإضافة إلى الشهادة والعضوية حيثما ينطبق ذلك0065
هل هناك أسعار جماعية أو خصومات؟
نعم، تتوفر حجوزات جماعية وخصومات على مستوى الشركات. يتم تشجيع المتعلمين على التواصل لمناقشة الترتيبات المحددة
ما هو الدعم المتاح مع التسجيل؟
يساعد مديرو التسجيل ومكتب التسجيل في العملية برمتها، بما في ذلك المواعيد النهائية ولوجستيات السفر وتخصيص الدورة التدريبية. بالإضافة إلى أي طلبات خاصة أخرى قد تكون لديك. ما عليك سوى الذهاب إلى الدورة التدريبية المفضلة لديك والنقر على “دعنا نتحدث على WhatsApp” للقيام بذلك.
هل يمكنني طلب دورة تدريبية مخصصة في موقعي أو داخل مؤسستي؟
نعم، التدريب الداخلي قابل للتخصيص بالكامل من حيث المنهج واللغة والتسليم والتوقيت. يمكنك اقتراح التواريخ والمواقع. ما عليك سوى الذهاب إلى الدورة التدريبية المفضلة لديك والنقر على “دعنا نتحدث على WhatsApp” للإجابة على أي أسئلة أو مخاوف في هذا الصدد.
ما هي سياسة الاسترداد أو الإلغاء؟
تختلف سياسات الاسترداد والإلغاء حسب نوع الدورة وموقعها. بشكل عام، قد تكون عمليات الإلغاء التي تتم قبل 14 يومًا على الأقل من تاريخ بدء الدورة مؤهلة لاسترداد كامل أو جزئي، في حين أن عمليات الإلغاء التي تتم بالقرب من تاريخ الدورة قد تؤدي إلى فرض رسوم. للحصول على الشروط الدقيقة، يرجى استشارة مدير التسجيل الخاص بك أو الرجوع إلى البريد الإلكتروني لتأكيد الدورة.
هل يمكنني تسجيل عدة موظفين من شركتي؟
نعم. نحن ندعم التسجيلات الجماعية ونقدم حزمًا مؤسسية للمؤسسات التي تسجل مشاركين متعددين. يمكن لفريقنا المساعدة في تنسيق الخدمات اللوجستية للحجوزات الجماعية.
من يجب أن يحضر هذه الدورات؟
تقدم LEORON خدماتها لمجموعة متنوعة من المهنيين: بدءًا من أولئك الذين يسعون إلى تطوير المهارات القيادية وحتى مديري المشاريع ومتخصصي الموارد البشرية والمهنيين الماليين والأمن السيبراني والمشتريات وعشاق الذكاء الاصطناعي وغيرهم الكثير.
هل أحتاج إلى خبرة سابقة أو مؤهلات أكاديمية؟
ليس دائما. تقبل العديد من المسارات المتخصصة، مثل الأمن السيبراني، المتعلمين الذين ليس لديهم خبرة سابقة. ومع ذلك، قد تكون لبعض الدورات التدريبية (على سبيل المثال، الدورات التدريبية المعتمدة على PMI PDU) متطلبات مسبقة موصى بها. من الأفضل دائمًا الدردشة مع أحد مديري التسجيل لدينا لمناقشة المزيد. ما عليك سوى الذهاب إلى الدورة التدريبية المفضلة لديك والنقر على “دعنا نتحدث على WhatsApp” للقيام بذلك.
هل سأحصل على شهادة بعد الانتهاء من الدورة؟
"نعم. عند الحضور الكامل والإكمال الناجح، سوف تحصل على شهادة المشاركة أو الاعتماد، اعتمادًا على الدورة.
هل الوجبات والمشروبات متضمنة في الدورات وجهاً لوجه؟
"نعم. بالنسبة للدورات التدريبية الشخصية، يتم توفير فترات استراحة الغداء والقهوة يوميًا في المكان.
هل يمكن لـ LEORON تقديم دورة تدريبية داخليًا في مؤسستنا؟
بالتأكيد. يمكن تقديم جميع البرامج بشكل خاص في شركتك أو افتراضيًا لفريقك، وتخصيصها لتتناسب مع أهدافك وهيكلك الداخلي.

التعليقات

  • عرض:
    AR IAMM Internal Audit Maturity Model
    AR In recognition of their dedication and contribution supporting IKEA Saudi Arabia in arranging training programs during 2017 & 2018, looking forward for more development and exciting effort this year. On behalf of IKEA Saudi Arabia, THANK YOU!
    Dalal Kutbi
  • عرض:
    AR Certified Professional in Quality and Patient Safety
    AR Dating back to 2014, Mobily’s “LEORON” experience has grown from a single collaboration to a long-term partnership. We consider “LEORON” Institute as a strategic partner, whose contribution has been nothing but premium in equipping our staff with field-based knowledge and information. Past three years have resulted with an expanded collaboration with superior customer service and support. Best Regards,
    Turki S. Alsahaan
  • عرض:
    AR Certified Professional in Quality and Patient Safety
    AR Since the partnership was signed between BAE Systems Saudi Development & Training and LEORON in 2017, we have been working together to offer the Saudi market a complete portfolio of training solutions benefiting from the wide and extensive experience of both parties. Recognizing the great success of this partnership, we are looking for further collaborations in the future that will position both companies as one of the leading training providers in Saudi Arabia. We thank the LEORON team for their full cooperation and continuing support, and look forward to further success together in the years to come.
    Emad Alrajih
  • عرض:
    AR Certified Professional in Quality and Patient Safety
    AR We have been working with LEORON for the past two years and will be working with them again this upcoming year. The programs they delivered were fruitful and exciting and our organization has received positive feedback from the participants. What our organization aims to do is to provide at no cost training for all the private sector employees so that they may benefit from our offered programs in Innovation and Professional development. LEORON has helped us achieve this goal. We look forward to continuing this service and wish them the best of luck. Regards,
    Nasser M. Al-Subaie