الدكتوراه في

يُركز هذا المساق على تعزيز معرفة الطلبة بأسس مجال تعلم الآلة واطلاعهم على أحدث مستجداته، إضافة إلى تطوير المهارات البحثية الضرورية التي ستمكنهم من الإسهام في تقدم هذا المجال. وتحقيقا لهذا، سيغطي هذا المساق: الموضوعات الأساسية والمتقدمة في الاحتمالات، وتعلم الآلة الإحصائي، والتعلم الخاضع للإشراف وغير الخاضع للإشراف، والشبكات العصبونية العميقة، والتحسين، والتعلم التعزيزي، والسببية – يعتمد هذا المساق على المفاهيم الأساسية في تعلم الآلة ويَفتَرِض أن الطلبة على دراية بمفاهيم التحسين والرياضيات الأساسية. سيشارك الطلبة في تحقيق أهداف المساق التعلمية من خلال الواجبات والمشاريع التي سيُطلب منهم إنجازها.

تم إعداد هذا المساق وتطويره بما من شأنه تمكين الطلبة من الاطلاع على أحدث المستجدات في مجال تعلّم الآلة، وتزويدهم بالمهارات البحثية الضرورية لإجراء البحوث والإسهام في تقدم هذا المجال. وسيغطي هذا المساق، تحقيقا لهذه الأهداف، موضوعات متقدمة في طرق التحسين الواسع النطاق لحل مشكلات حقيقية – وتشمل هذه ما يلي: الطرق النواتية (Kernel) للتدريب الواسع النطاق، والتعلم المتناثر، والتحسين الثنائي المستوى، والتحسين بالصناديق السوداء، والشبكات العصبونية المتصاعدة – يَفتَرِض هذا المساق أن الطلاب على دراية مسبقة بالمفاهيم الأساسية في تعلم الآلة، والتحسين، والإحصاء.

تركز دراسة الاستدلال الاحتمالي والإحصائي على عملية استخلاص استنتاجات مفيدة حول مجموعات البيانات أو الحقائق العلمية من بيانات غير مؤكدة ومشوشة. سيتناول هذا المساق بعض الموضوعات المتخصصة المتعلقة بالاستدلال الإحصائي وتطبيقاته في حل المشكلات الحقيقية. وتحقيقا لهذه الأهداف، سيتناول هذا المساق بالدرس ما يلي: متغيرات التعلم الكامنة، والطرق النواتية، واستراتيجيات الاستدلال الاحتمالي التقريبي. كما سيغطي المساق معالجة مُفَصَّلَةً لتقنيات تعلم متعددة (مثل الاحتمالية، بايزي، والهوامش القصوى)، بالإضافة إلى العديد من التعقيدات العملية (مثل البيانات المفقودة، الانتظام المرصود وغير المرصود، والتحيزات) المرتبطة بعملية الاستدلال.

يغطي هذا المساق الموضوعات المتقدمة المتعلقة بمجال التحسين المستمر، مثل خوارزمية الانحدار العشوائي ومتغيراتها المختلفة، والأساليب التي تستخدم معلومات من الدرجة الأولى وما فوق، والطرق الثنائية الأولية، وطرق حل المشاكل المُرَكَّبةِ. سيمكن هذا المساق الطلبة من الاطلاع على الأدبيات الحديثة ذات الصلة وإعداد عروض تقديمية لزملائهم عنها. كما سيستكشف الطلبة كيفية استخدام هذه الطرق المقدمة في حل مشكلات التحسين في مجالات تعلم الآلة المختلفة، بالإضافة إلى اختبارها في تطبيقات التحسين الواقعية لفهم أعمق للتحديات المطروحة.

ينظر هذا المساق في موضوعات متقدمة في التعلم التعزيزي تم التطرق إليها بسرعة في المساق ROB702. في المرحلة الأولى، يقرأ الطلاب الأدبيات المتقدمة وذات الصلة الحالية ويعدون عروضاً يقدمونها إلى الطلاب الآخرين. وفي المرحلة الثانية، يكتشفون كيفية عمل الطرق المقدمة في البيئات الحاسوبية البسيطة لاكتساب فهم أعمق للتحديات التي تتم مناقشتها.

هذا المساق هو للمتخرجين في فرع جديد في مجال تعلم الآلة وهو التعلم المتحد. في التعلم المتحد، يتم تدريب نماذج تعلم الآلة على الأجهزة المحمولة مع محاولة حماية خصوصية بيانات المستخدمين بشكلٍ صريح. ويجمع التعلم المتحد بين تعلم الآلة الموجه، والخصوصية، والحوسبة الموزعة والطرفية، والتحسين، وضغط التواصل، والأنظمة. ينمو هذا المجال الجديد بسرعة ولا تتوفر فيه إلا نتائج نظرية قليلة وأنظمة إنتاج لا تزال في مراحلها الأولية (مثلاً، تينسرفلو المتحد وFedML). يهدف هذا المساق إلى تعريف الطلاب على التطورات والممارسات الأساسية في هذا المجال.

تم، خلال العقود القليلة الماضية، تحقيق تقدم كبير في مجالات تعلم الآلة، والفلسفة، والإحصاء التي يمكنها أن تسهم في حل بعض المشكلات القديمة – الحديثة التي طرحتها القضايا المرتبطة بالعلاقة السببية مثل كشف العلاقة السببية اعتمادا على البيانات الملاحظة (المعروفة بالاكتشاف السببي)، وكيفية استنتاج تأثير التدخلات. وقد أظهرت الدراسات الحديثة أن فهم العلاقة السببية قد يساعد في حل عدد من مشكلات تعلم الآلة والذكاء الاصطناعي – مثل: التعلم بنقل المهارات، والتعلم شبه المُشرف عليه، والتنبؤ خارج التوزيع، والتفكيك، والهشاشة ضد الهجمات. ويركز هذا المساق على فهم العلاقة السببية، وكشف العلاقة السببية من البيانات الملاحظة، واستخدامها لحل مجموعة واسعة من مشكلات التعلم. سيغطي المساق موضوعات مثل النماذج البيانية، الاستدلال السببي، الاكتشاف السببي، والتفكير المضاد للوقائع. كما سيتناول كيفية تعلم التمثيلات السببية، إجراء التعلم بنقل المهارات، وفهم النماذج التوليدية العميقة.

يغطي هذا المساق موضوعات متقدمة في خوارزميات البيانات الضخمة بما فيها الطرق العشوائية مثل: التمثيل التقريبي وأخذ العينات لتقليص الأبعاد. كما يتناول المساق موضوعات مثل تضمين الفضاء الاتجاهي الفرعي، والتقريب ذو الرتبة المنخفضة، والانحدار باستخدام تنظيم L1، وتدفقات البيانات. يشار إلى أن المساق تتداخل فيه مجالات تعلم الآلة والإحصاء.

يضع هذا المساق بين يدي الطلبة مقدمة مُتكاملة في تقنيات الرؤية الحاسوبية المتقدمة التي ستمكنهم من تطوير قدرتهم على تقييم الأوراق البحثية الحديثة في مجال الرؤية الحاسوبية ومراجعتها إلى جانب بناء معرفتهم بمفاهيم الرؤية الحاسوبية الأساسية الحديثة وتطوير مهاراتهم في عدة مجالات بحثية متخصصة. وتحقيقاً لهذه المخرجات، سيغطي هذا المساق الموضوعات التالية: (1) التعلم العميق للرؤية الحاسوبية، (2) التطورات الأخيرة في الشبكات العصبونية التلافيفية والمحولات، (3) التقنيات المتقدمة في التعرف على الأجسام وتجزيء الصور، (4) تطبيقات الرؤية المتقدمة مثل تجزيء الصور الطبية واكتشاف التغيير في الاستشعار عن بعد، (5) تطوير هيكليات فعّالة خاصة بالرؤية الحاسوبية، (6) محاكية رؤية الإنسان، و(7) مقدمة في النماذج اللغوية-البصرية ونماذج الانتشار.

يغطي هذا المساق موضوعات دراسية مكثفة خاصة بالرؤية الحاسوبية ثلاثية الأبعاد ستمكن الطلبة من تطوير قدرتهم على تقييم ومراجعة الطرق الحديثة في التصوير متعدد المنظورات، وإعادة البناء ثلاثي الأبعاد، وتحليل الأشكال ثلاثية الأبعاد، والتعلم العميق ثلاثي الأبعاد والتوليف. وتحقيقاً لهذه المخرجات، سيتعين على الطلاب إعداد أوراق بحثية بهدف: (1) التوصل إلى النتائج الواردة في الأوراق البحثية المنشورة، و(2) تحسين مخرجات ما توصلت إليه البحوث المُحكَّمة المنشورة – يَفتَرِض هذا المساق أن الطلبة على دراية بالمفاهيم الأساسية للرؤية الحاسوبية، والجبر الخطي، والأساليب العددية.

يغطي هذا المساق موضوعات دراسية مكثفة خاصة بمبحث التعرف على الأجسام المرئية (تصنيف الصور) واكتشافها وتجزيئها، والتي ستمكن الطلبة من تطوير قدرتهم على تقييم ومراجعة الأوراق البحثية الحديثة الخاصة بهذا المجال. وتحقيقاً لهذه المخرجات، سيتعين على الطلاب إعداد أوراق بحثية بهدف: (1) التوصل إلى النتائج الواردة في الأوراق البحثية المنشورة، و(2) تحسين مخرجات ما توصلت إليه البحوث المنشورة – يَفتَرِض هذا المساق أن الطلاب على دراية بالمفاهيم الأساسية للرؤية الحاسوبية وتعلم الآلة.

يشكل هذا المساق مقدمة إلى معالجة الهندسة الرياضية ثلاثية الأبعاد، وهي مجال دراسي مهم يجمع بين الرؤية الحاسوبية والرسومات الحاسوبية والهندسة المنفصلة. تزداد أنظمة الرؤية ثلاثية الأبعاد تعقيداً ولم يعد التعرف إلى الأشياء ونمذجتها محدوداً بتمثيلات الخصائص المجرّدة، بل بات يشمل تمثيلات رقمية دقيقة وشبيهة للغاية بالأشياء والبيئات الحقيقية. وفي حين أن معالجة الهندسة الرياضية ثلاثية الأبعاد قد تطورت إلى حد كبير في مجالات المؤثرات البصرية والألعاب التفاعلية، إنها تؤثر أيضاً في مجالات أخرى مثل تقنيات الميتافيرس وعلم الروبوتات والطب الأحيائي والطباعة ثلاثية الأبعاد. تستخدم أنظمة الواقع المعزز/الافتراضي الصور الرمزية (أفاتار) الافتراضية الممسوحة ثلاثية الأبعاد لتمكين التواصل الغامر، فيما تلتقط السيارات ذاتية القيادة البيئة ثلاثية الأبعاد المحيطة بها في الوقت الحقيقي، ويعمل برنامج جوجل إيرث على رقمنة عوالم بأكملها باستخدام بيانات الأقمار الصناعية والبيانات الجغرافية المكانية. هذا وأصبحت الشبكات المضلعية المعيار النموذجي لتمثيل الأسطح ثلاثية الأبعاد مع ظهور المسح ثلاثي الأبعاد وأجهزة استشعار العمق في الوقت الحقيقي وتقنيات الطباعة ثلاثية الأبعاد. يغطي هذا المساق أسس الرياضيات لدراسة الأسطح ثلاثية الأبعاد من وجهة نظر هندسية تفاضلية منفصلة، ويقدم سير عمل المعالجة الهندسية بالكامل: من التقاط البيانات ثلاثية الأبعاد إلى تسوية الشبكات، وإعادة بناء الأسطح، والتمثيل الوسيطي، والمطابقة، وتحليل الأشكال (التماثل والتناظر والمطابقة)، والتوليد القائم على البيانات، والمعالجة التفاعلية، والطباعة ثلاثية الأبعاد. هذا وسيتضمن عرضاً للتطبيقات المهمة والتطورات الأخيرة ذات الصلة في مجال الذكاء الاصطناعي، لا سيما تلك المتعلقة بالتعلم العميق ثلاثي الأبعاد، والنماذج التوليدية العميقة للأشياء ثلاثية الأبعاد، والتصيير الاشتقاقي. وشبيهاً بمعالجة الصور التي تكون مدخلاتها صوراً وفيديوهات ثنائية الأبعاد، تشمل معالجة الهندسة الرياضية ثلاثية الأبعاد معالجة خرائط العمق والسحابات النقطية والشبكات المضلعية والبيانات الحجمية ثلاثية الأبعاد بالإضافة إلى تقنيات متعددة من الجبر الخطي والهندسة التفاضلية ومعالجة الإشارات والتحسين العددي. يشمل هذا المساق تمارين ترميز عملية تهدف إلى فهم الخوارزميات الأساسية لمعالجة الهندسة الرياضية، بالإضافة إلى مشروع مشوق حول التقاط البيانات ومعالجة الهندسة.

عادةً ما تُدَرَبُ نماذج الرؤية الحاسوبية حتى يكون أداؤها مثالياً في تنفيذ مُهمة معينة أو التعامل مع مجموعة بيانات محددة اعتماداً على تحسين أدائها باستخدام مَجمُوعة تَحَقُق؛ غير أن هذه المقاربة لا تمثل إلا جزءاً بسيطاً من السيناريوهات العديدة التي تثير تطبيقاتها في الواقع اهتمام الباحثين. وقد أدى هذا، في السنوات الأخيرة، إلى تزايد الاهتمام بتطوير مناهج مختلفة للتعلم يمكن استخدامها في بيئات ديناميكية أكثر وتتميز بتنوع أكبر. وتهدف هذه المقاربات بما فيها: التعلم مدى الحياة، والتعلم المستمر، وتعلم عملية التعلم، والتعلم بنقل المهارات، والتعلم متعدد المهام، والتعميم خارج نطاق التوزيع – إلى تمكين النماذج من أن تكون أكثر قوة وكفاءة وتنوعا وتُحسِن التصرف في البيئات المتغيرة – سيركز المساق الدراسي العالي على نماذج التعلم الناشئة هذه وكيف يمكن تطبيقها على الرؤية الحاسوبية ومهام التعلم متعدد الوسائط.

يركز هذا المساق على التطورات الأخيرة في مجال معالجة اللغة الطبيعية ويسعى إلى تنمية مهارات الطلاب لإنجاز البحوث التي تساهم في تطوير هذا المجال. ويرتكز إلى مفاهيم معالجة اللغة الطبيعية المكتسبة في المساق NLP 701، كما يستلزم معرفة مسبقة بالمفاهيم الأساسية في تضمين الكلمات، واستخراج المعلومات وترجمة الآلة.

يركز هذا المساق على موضوعات حديثة في مجال معالجة اللغة الطبيعية ويسعى إلى تنمية مهارات الطلاب لإنجاز البحوث التي تساهم في تطوير هذا المجال.

يركز هذا المساق على التطورات الأخيرة في مجال التعلم العميق لتوليد اللغة الطبيعية. ويرتكز إلى مفاهيم معالجة اللغة الطبيعية، كما يستلزم معرفة مسبقة ببعض المفاهيم الأساسية مثل المحوّلات وترجمة الآلة وتلخيص النصوص.

يركز هذا المساق على التطورات الأخيرة في مجال التعلم العميق لتوليد اللغة الطبيعية. ويرتكز إلى مفاهيم معالجة اللغة الطبيعية، كما يستلزم معرفة مسبقة ببعض المفاهيم الأساسية مثل المحوّلات وترجمة الآلة وتلخيص النصوص.

يهدف هذا المساق إلى إعداد الطلاب بما يجعلهم قادرين على إنجاز بحوث ذات قيمة عالية وحل التحديات البحثية العملية من خلال موضوعات بحث مبتكرة ومستدامة وريادية. وتحقيقا لهذه الأهداف، سيتعرف الطلبة على مجموعة من الموضوعات المتخصصة، ومبادئ البحث النزيه وأخلاقياته، والتحديات التنظيمية التي تواجه مختلف التخصصات. كما سيتعلم الطلبة كيفية إعداد مشروعات بحثية تكون مناسبة للتقديم في المؤتمرات أو نشرها في المجلات العلمية. سيقوم الطلاب أيضا بتعلم كيفية تحكيم الأوراق البحثية. وسيقوم المدربون والمحاضرون الضيوف بتناول المواضيع التي يرونها ضرورية لإعداد باحثين ومبتكرين ورواد أعمال متميزين في مجالات الذكاء الاصطناعي.

يعالج الطالب في أطروحة الدكتوراه إشكالية لم يتم حلها بعد، حيث يُطلب منه اقتراح حلول جديدة والمساهمة في المجال المعرفي. ويتابع الطالب هذه الدراسة البحثية بشكل مستقل، بتوجيه من لجنة مشرفة، لمدة ثلاثة أعوام. يُذكر أن بحوث أطاريح الدكتوراه تساعد الخريجين على أن يصبحوا قادة في مجال بحثهم المختار، وذلك من خلال دراسة خاضعة للإشراف الجزئي، ليصبحوا في النهاية باحثين يمكنهم العمل بشكل مستقل أو بالتعاون مع باحثين آخرين لإجراء البحوث المتطورة.

برنامج تدريبي خاص للدكتوراة (يمتد حتى 4 اشهر)