الدروس

1. بطاقة التعريف بالمادة (Course Identification)

• الميدان: العلوم الاقتصادية والتسيير والعلوم التجارية.

• الحجم الساعي الأسبوعي: 03 سا (محاضرة: 1 سا 30 د | أعمال تطبيقية/موجهة: 1 سا 30 د).

• الحجم الساعي السداسي: 45 ساعة.

• نمط التكوين: مدمج (حضوري مدعوم بالمنصة الرقمية للجامعة).

2. التوصيف العام للمادة (Course Description)

تهدف هذه المادة إلى إكساب الطلبة المعارف النظرية والتطبيقية المتقدمة في مجال الذكاء الاصطناعي والتعلم العميق (Deep Learning)، مع التركيز على تكييف هذه التقنيات لخدمة مجالات الاقتصاد، والتسيير، واتخاذ القرار المالي والتجاري. يتم خلال هذا المقياس استخدام بيئات الحوسبة السحابية ومكتبات البرمجة الحديثة (مثل: Python, Keras, TensorFlow) لتحليل البيانات التخصصية وبناء نماذج تنبؤية وتصنيفية متقدمة قادرة على معالجة البيانات المعقدة والسلاسل الزمنية الاقتصادية.

3. الأهداف التعليمية والمخرجات المستهدفة (Learning Outcomes)

الهدف العام:
تمكين الطالب من فهم وتطبيق خوارزميات التعلم العميق باستخدام مكتبة Keras وبناء نماذج ذكية قادرة على دعم اتخاذ القرار في المجالات الاقتصادية والإدارية من خلال بيانات تخصصية.

الكفاءات والمخرجات الخاصة: بنهاية هذا المقياس، سيكون الطالب قادراً على:

1. التمييز بدقة بين مفاهيم التعلم الآلي التقليدي (Machine Learning) والتعلم العميق (Deep Learning).

2. التعامل الاحترافي مع مكتبة Keras وبيئة TensorFlow لتصميم وتدريب الشبكات العصبية الاصطناعية.

3. بناء نماذج تنبؤية وتصنيفية تتكيف مع طبيعة البيانات الاقتصادية والمالية.

4. تحليل أداء النماذج وتفسير نتائجها ومعالجة المشاكل الشائعة مثل الإفراط في التعلّم (Overfitting).

5. تطبيق الشبكات المتقدمة مثل الشبكات الالتفافية (CNN) والشبكات التكرارية (RNN, LSTM, GRU) في التنبؤ بالسلاسل الزمنية وتحليل النصوص.

6. استخدام منصة Google Colab والاستفادة من وحدات المعالجة الرسومية (GPU) لتسريع تدريب النماذج.

4. المكتسبات القبلية المطلوبة (Prerequisites)

لمتابعة هذا المقياس بنجاح، يُشترط أن يمتلك الطالب معارف سابقة في:

• مبادئ وأساسيات لغة Python والمكتبات الإحصائية (NumPy, Pandas).

• أساسيات التعلم الآلي (الانحدار، التصنيف، مقاييس الدقة).

• مبادئ الجبر الخطي، الاحتمالات والإحصاء التطبيقي.

5. محاور المقرر التفصيلية (Course Outline)

• المحور الأول: مدخل إلى التعلم العميق والتعلم الآلي

  • المفاهيم الأساسية، الفرق بين ML و DL، التطبيقات في الاقتصاد والتسيير.

  • مراجعة أنواع النماذج ومقاييس تقييم الأداء.

• المحور الثاني: بيئة العمل والشبكات العصبية الأمامية (Feedforward Networks)

  • التعرف على TensorFlow و Keras وبيئة Google Colab.

  • تصميم وبناء أول شبكة عصبية متعددة الطبقات (MLP) باستخدام Sequential.

• المحور الثالث: تحسين وتدريب النماذج (Optimization & Activation)

  • خوارزميات النزول التدرجي (Gradient Descent) والمُحسّنات (مثل Adam).

  • دراسة دوال التنشيط (Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax, Swish...).

  • معالجة مشكلة التوافق الزائد (Overfitting) باستخدام تقنيات Dropout و Regularization.

• المحور الرابع: الشبكات العصبية الالتفافية (CNN - Convolutional Neural Networks)

  • المكونات الأساسية (طبقات الالتفاف، التجميع Pooling، التسطيح Flattening).

  • تطبيقات CNN في تحليل البيانات الصورية والرسوم البيانية المالية.

• المحور الخامس: الشبكات التكرارية والتنبؤ بالسلاسل الزمنية (RNN, LSTM & GRU)

  • بنية وعمل شبكات RNN وتفوق شبكات LSTM و GRU.

  • إعداد البيانات والتنبؤ بالسلاسل الزمنية الاقتصادية (أسعار الأسهم، المؤشرات المالية، استهلاك الطاقة).

• المحور السادس: المشروع التطبيقي وحل الوضعيات المركبة

  • إنجاز مشروع عملي متكامل على بيانات حقيقية ومناقشته وتحليل نتائجه.

6. الأنشطة التعليمية واستراتيجية التدريس (Teaching Methodology)

• المحاضرات: مخصصة لترسيخ الجوانب المفاهيمية والنظرية وفق تصنيف بلوم (الفهم، التحليل، التقييم).

• الأعمال التطبيقية/الموجهة: ورشات عمل تطبيقية تفاعلية، حل تمارين برمجية، إنجاز مشاريع فرق العمل (Collaborative Learning).

• المنصة الرقمية: توفير الموارد التعليمية (ملخصات، أكواد برمجية Notebooks، فيديوهات توضيحية، اختبارات تقييم ذاتي دورية Quizzes).