يتمحور هذا البرنامج حول الدراسة العلمية للخوارزميات والنماذج الإحصائية التي تستخدمها أنظمة الحاسوب لأداء مهمة محددة بشكل فعال ومن دون استخدام تعليمات صريحة، بالاعتماد على الأنماط والاستدلال. وترتكز هذه الخوارزميات على نماذج رياضية يتم استخلاصها تلقائياً من البيانات، مما يسمح للآلات بتفسير بيانات الإدخال وتحليلها بذكاء لاستخلاص المعلومات المفيدة والاستنتاجات المهمة. ولا بد من الإشارة إلى أن برامج تعلم الآلة غالباً ما تُستخدم في التطبيقات المؤسسية (مثل ذكاء الأعمال وتحليلات الأعمال)، والبحث الفعال على الويب، والروبوتية، والمدن الذكية، وفهم الخارطة الجينية البشرية.
يسعى قسم تعلم الآلة في جامعة محمد بن زايد للذكاء الاصطناعي إلى تقديم خدمات تعليمية عالمية المستوى لطلبته. كما يهدف من خلال النهج التعليمي المعتمد فيه والقائم على مقاربة بحثية مكثفة تغطي الجوانب الأساسية والتطبيقات المتقدمة لمجال تعلم الآلة، إلى تمكين طلبته من اختبار وتجربة المفاهيم النظرية تحت إشراف كبار الباحثين في مجال تعلم الآلة، فيما يحاولون معالجة مشكلات واقعية وتحقيق نتائج مجدية.
أستاذ ورئيس قسم تعلم الآلة بالإنابة ومدير مركز الذكاء الاصطناعي التكاملي
اقرأ السيرة الذاتية
بعد استيفاء متطلبات البرنامج، يصبح الخريج قادراً على:
1- اكتساب خلفية قوية في الرياضيات، وقدرات تفكير متطورة للتعبير عن فهم شامل وعميق للمشاريع المستقبلية بمجال تعلم الآلة، بما فيها البيانات والنماذج والتجارب والمبادئ الخوارزمية.
2- إتقان مجموعة من مهارات وتقنيات المعالجة المسبقة للبيانات، واستكشاف الإحصاءات البيانية والتصوير، بالإضافة إلى النتائج الخوارزمية المعقدة
3- اكتساب الوعي النقدي بقدرات مختلف أشكال خوارزميات التعلّم وقيودها، والقدرة على التحليل النقدي لهذه الخوارزميات وتقييمها وتعزيز أدائها
4- تطوير مهارات حل المشكلات المتخصصة من خلال التطبيق المستقل للمبادئ والمنهجيات المكتسبة من البرنامج لحل مختلف المشكلات المعقدة على أرض الواقع.
5- الإلمام بالخصائص الإحصائية وضمانات الأداء، بما في ذلك معدلات التقارب (من الناحيتين النظرية والعملية)، بالنسبة لخوارزميات التعلّم المختلفة.
6-اكتساب الخبرة في استخدام أدوات البرمجة المرتبطة بتعلم الآلة وتوظيفها لحل مجموعة متنوعة من المشكلات ذات الصلة.
7- تعزيز الكفاءة على صعيد تحديد قيود خوارزميات تعلم الآلة المتاحة، وتعزيز القدرة على تصور حلول مبتكرة وتصميمها وتنفيذها لحل مجموعة متنوعة من المشكلات شديدة التعقيد بغية الارتقاء بتقنيات تعلم الآلة الحديثة
8- اكتساب القدرة على تقديم مخطوطات بحثية تعكس تقييماً ذاتياً متخصصاً ومهارات متطورة على صعيد إيصال الأفكار شديدة التعقيد المرتبطة بتعلم الآلة، وإدارة هذه المخطوطات واستكمالها
9- اكتساب مهارات متطورة للغاية بمجال إطلاق العديد من تقارير المشاريع والدراسات النقدية وإدارتها واستكمالها، حول مجموعة متنوعة من منهجيات تعلم الآلة، والتي تعكس فهماً متخصصاً وتقييماً ذاتياً ومهارات متقدمة في توصيل الأفكار شديدة التعقيد
للحصول على شهادة الدكتوراه في تعلم الآلة، ينبغي على الطلاب حضور ما لا يقل عن 60 ساعة دراسية معتمدة مقسمة على النحو التالي:
عدد المساقات | الساعات الدراسية | |
---|---|---|
المساقات الرئيسية | 2 | 8 |
المساقات في تعلم الآلة | 2 | 8 |
المساقات الاختيارية | 2 | 8 |
طرق البحث المتقدمة | 1 | 2 |
الأطروحة البحثية | 1 | 32 |
تدريب | تشمل شروط التخرج إكمال فترة تدريب واحدة على الأقل تمتد حتى أربعة أشهر وفق معايير مقبولة | 2 |
تُعتبر شهادة الدكتوراه في تعلم الآلة شهادة علمية قائمة بشكل أساسي على البحث، والغرض من مساقاتها الدراسية هو تزويد الطلاب بمجموعة من المهارات المناسبة التي تمكنهم من إنجاز مشاريعهم البحثية (أطاريحهم) بنجاح. ويتوجب على الطلاب استكمال المساقات الإلزامية التالية: ML801 وML814 بالإضافة إلى مساقين اختياريين في تعلم الآلة.
اسم المساق | الساعات الدراسية | |
---|---|---|
ML801 |
أسسٌ وموضوعات متقدمة في تعلم الآلة
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. |
4 |
ML814 |
موضوعات مختارة في تعلم الآلة
يَغُوص هذا المساق المتقدم في تناول أحدث تقنيات ومستجدات تعلم الآلة، ويغطي مجموعة واسعة من الموضوعات بما فيها التحسين المتقدمة، والسببية في تعلم الآلة، وتعقيدات بنى النماذج الكبيرة. وسيمكن هذا المساق الطلبة – من خلال المحاضرات التي سيتم تقديمها والأعمال التطبيقية في المختبر – من تطوير مهاراتهم في تصميم وتنفيذ وتحسين نماذج تعلم الآلة الحديثة. كما سيركز المساق، إلى جانب هذا، على القراءة النقدية للأبحاث الحالية واعتماد المنهجيات متعددة الوسائط لمعالجة المشكلات المعقدة. يذكر أن المساق تم إعداده بما يمكن من تزويد الطلبة بالمعرفة النظرية والمهارات العملية اللازمة للإسهام في تطوير مجال التعلم الآلة. |
4 |
Students will select a minimum of four elective courses, with a total of 16 credit hours. Two electives must be selected from the ML electives and the remaining electives may be selected from the other list or the ML elective list. The two should be selected based on interest, proposed research thesis, and career aspirations, in consultation with their supervisory panel. The elective courses available for the Doctor of Philosophy in Machine Learning are listed in the tables below:
اسم المساق | الساعات الدراسية | |
---|---|---|
At least two (2) electives must be selected from the following: | ||
ML803 |
دراسات متقدمة في الاستدلال الاحتمالي والإحصائي
تتناول دراسة الاستدلال الاحتمالي والإحصائي في هذا المساق كيفية استخلاص الاستنتاجات المجدة من مجموعات البيانات أو الحقائق العلمية من بيانات غير مؤكدة ومشوشة كثيراً. سيغطي هذا المساق بعض الموضوعات المتخصصة المتعلقة بالاستدلال الإحصائي وتطبيقاتها العملية على مشكلات حقيقية. تشمل الموضوعات الرئيسة التي سيتم تناولها الطلبة بالدرس من خلال هذا المساق: تعلم المتغيرات الكامنة، وطرق النواتية، واستراتيجيات الاستدلال الاحتمالي التقريبي. سيتناول هذا المساق أيضاً بالدراسة المعمقة تقنيات التعلم المختلفة (بما فيها الاحتمالية، البايزية، والحد الأقصى للهوامش) بالإضافة إلى التعقيدات العملية العديدة (البيانات المفقودة، التشويش الملحوظ وغير الملحوظ، والتحيزات) لإجراء الاستدلال. |
4 |
ML804 |
موضوعات متقدمة في التحسين المستمر
يغطي هذا المساق موضوعات متقدمة في التحسين المستمر، مثل النزول الاشتقاقي العشوائي ومتغيراته، والطرق التي تستخدم معلومات ما فوق الدرجة الأولى، والطرق الأولية-الثنائية، والطرق الخاصة بالمشكلات المركبة. سيطلع الطلبة أيضاً في هذا المساق على أحدث الأدبيات ذات الصلة وسيقومون بإعداد عروض تقديمية. سيتعرف الطلبة كذلك على كيفية عمل الطرق المقدمة في حل مشاكل التحسين التي تنشأ في مجالات مختلفة من تعلم الآلة، وسيختبرونها في تجارب حقيقية لفهم أعمق للتحديات التي يتم تناولها ومناقشتها في هذا المجال. |
4 |
ML805 |
دراسات متقدمة في تعلم الآلة
يوفر هذا المساق تناولاً عميقاً للموضوعات الأساسية والمتقدمة في مجال تعلم الآلة بما فيها: “نماذج الانتشار”، و”شبكات التدفق التوليدية”، والتعامل مع أنواع التشويش المختلفة في البيانات. يتناول هذا المساق أيضاً بالدرس مجالات متخصصة مثل “تعلم الآلة القائم على الرسوم البيانية”، و”النماذج الأساسية متعددة الوسائط”، و”تطبيقات الذكاء الاصطناعي التوليدي القائم على الرسوم البيانية في مجالات البيولوجيا/الطب”. كما يغطي المساق أساسيات “تعلم الآلة المؤتمت” وآخر مستجداته بما فيها “تحسين المتغيرات الفائقة”، و”بحث هيكلية الشبكات العصبية”، والتقاطع بين “عملية تعلم طريقة التعلم” و”تعلم الآلة المؤتمت” في سياق معالجة اللغة الطبيعية. سيتمكن الطلبة خلال هذا المساق من إنجاز و/أو المشاركة في أعمال تطبيقية لتنفيذ الخوارزميات والاستراتيجيات التي تمت مناقشتها في المحاضرات، مما سيمكنهم من فهم أعمق للتعقيدات والتحديات في مجال تعلم الآلة – تم تصميم هيكل المساق لتعزيز الكفاءات العالية في كل من الفهم النظري والتطبيق العملي، بما يسهم في إعداد الطلبة للمساهمة بشكل مبتكر في مجال تعلم الآلة. |
4 |
ML818 |
قضايا مستجدة خاصة بموثوقية نظم تعلم الآلة
سيقدم هذا المساق نظرة معمقة للطلبة على القضايا المحورية المتعلقة بنظم أو نماذج تعلم الآلة الموثوقة والمسؤولة. وسيطلع الطلبة أيضاً من خلال هذا المساق على الهجمات العدائية و/أو هجمات تسميم البيانات والهجمات التي تستهدف الخصوصية و/أو السرية ضد نظم تعلم الآلة وكيفية مواجهة مثل هذه الهجمات بهدف صدها والسيطرة عليها. سيتناول هذا المساق بالدرس كذلك خوارزميات تعلم الآلة العدائية من خلال إطار عمل التحسين ونظريات الألعاب. وسيكون التركيز في هذا المساق على دراسة حماية الخصوصية الحوسبية الخاصة بعلم البيانات وتعلم الآلة من خلال مفهوم رياضي يسمى الخصوصية التفاضلية. كما سيغطي المساق قضايا أخلاقية أخرى مرتبطة بتعلم الآلة مثل العدالة، وتوليد محتوى مسؤول وغير متحيز، ووضع العلامة المائية الرقمية للتحقق من المصادقة وملكية المحتوى (المصادر)، والهجمات مثل التزييف العميق، واكتشافها والتحقق من قوة الدفاعات ذات الصلة (التحليل الجنائي للوسائط المتعددة). |
4 |
ML820 |
تعلم الآلة للقطاع الصناعي
يتناول هذا المساق المتكامل بالدرس تعقيدات كيفية العمل داخل منظومات القطاعات الصناعية بفعالية وطرق النجاح. وسيغطي هذا المساق، لهذا الغرض، جوانب غالباً ما يتم إغفالها في المناهج التقليدية بما في ذلك فهم سير العمل في القطاعات الصناعية، واكتساب الخبرة العملية لحل مشكلات القطاع الصناعي من خلال مشاريع حقيقية ودراسة حالات واقعية – تشمل: فهم عملية التكامل و/أو التطوير المستمر (المعروفة اختصاراً بـ CI/CD)، وجوانب أنظمة استخدام أدوات الجدولة وإدارة الموارد، والبُنَى التحتية لواجهات برمجة التطبيقات، والخوادم الصغيرة، وأدوات تشغيل النماذج مثل FLASK، إضافة إلى مهارات إدارة البيانات، وهيكلية الحاويات، وإدارة سير عمل تعلم الآلة، والمهارات اللازمة لضمان النجاح بسلاسة داخل منظومات القطاعات الصناعية والعمل فيها. سيمكن المساق الطلبة كذلك من الاطلاع على دراسة لحالات ومشاريع حقيقية بما فيها ما يطرحه توجيه المهام وجدولة العمل من تحديات، ومشكلات اختبار الفرضيات الإحصائية بهدف تحديد الجهات أو العناصر الخبيثة على مستوى منصات ووسائل التواصل الاجتماعي، إضافة إلى تناول التحديات التي تطرحها مشاريع قطاع الرعاية الصحية والصناعات الدوائية مثل تتبع الحالات الصحية للمرضى عن بُعد، ونمذجة منحنى استجابة المرضى للجرعات الدوائية، والتجارب السريرية لتطوير الأدوية، و تحديات مشاريع القطاع العام المتعلقة بالسلامة العامة، والتحليل الجنائي، ومشاريع الذكاء الاصطناعي المسؤول الخاصة بجمع البيانات الديموغرافية، وجمع إحصائيات الاستخدام من الهواتف الذكية مع الحفاظ على الخصوصية، والتشغيل الآمن والمُرَاعِي للخصوصية للتعلم الموحد. |
4 |
Remaining electives may be selected from the following list: | ||
CB803 |
بيولوجيا الخلايا المفردة والمعلوماتية الحيوية
يتعرف الطلبة من خلال هذا المساق على طبيعة البيانات الحيوية وأنواعها وخصائصها. كما يبحث في المبادئ الأساسية للمعلوماتية الحيوية الخاصة بالتحليل الجينومي للخلايا المنفردة، حيث يغطي المنهجيات والأدوات والعمليات الحوسبية الرئيسة؛ خاصةً تلك المستخدمة في تطوير النماذج التأسيسية لبيانات التحليل الجينومي للخلايا المنفردة من منظور بحثي. يذكر أن مجال التحليل الجينومي للخلايا المنفردة يعد من التقنيات الجديدة وسريعة التطور التي تُمكن من القيام بالتحليل الجزيئي للخلايا المنفردة بدقة عالية جداً – ومن شأنها تطوير الطب الدقيق. يغطي المساق أيضاً الجوانب الأساسية لعلم المعلوماتية الحيوية اللازمة للتعامل مع بيانات التحليل الجينومي للخلايا المنفردة. |
4 |
CV801 |
الرؤية الحاسوبية المتقدمة
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. |
4 |
CV802 |
الرؤية الحاسوبية ثلاثية الأبعاد المتقدمة
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. |
4 |
CV803 |
تقنيات متقدمة في التعرف على الأجسام واكتشافها
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. |
4 |
CV805 |
نظم التعلم المستقلة الدائمة لنماذج الرؤية
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. |
4 |
CV806 |
موضوعات متقدمة في الرؤية واللغة
تولد الرؤية واللغة معلومات يُكمِّل بعضها البعض ولطالما تمت دراستهما معاً؛ ومع ظهور النماذج اللغوية الكبيرة وتطورها، أصبحت النماذج اللغوية-البصرية واحدة من أكثر المجالات قوة وأنشطها في بحوث الرؤية الحاسوبية الحديثة. سيغطي هذا المساق طرق التعلم والنماذج المشتركة لبيانات الصور والنصوص. كما سينظر في عدد من المشكلات بما فيها التدريب المسبق للنماذج اللغوية-البصرية، وعمليات البحث عن الصور بالمكتوب، وتوليد التعليقات عن الصور والفيديوهات، والإجابة على الأسئلة بالمرئيات، والحوار بالمرئيات، وتوليد الصور من النصوص، بالإضافة إلى الملاحة والتحكم باستخدام النماذج اللغوية-البصرية. |
4 |
CV807 |
الرؤية الحاسوبية الآمنة والقوية
عادةً ما يتم تطوير نظم الذكاء الاصطناعي للرؤية الحاسوبية و/أو تعلم الآلة ليتم تشغيلها في ظروف آمنة من مستخدمين نزهاء، غير أن العديد من الدراسات أظهرت مؤخراً أن نظم الرؤية الحاسوبية تشوبها ثغرات يمكن لذوي النيات السيئة استغلالها للتلاعب بموثوقيتها والإضرار بها؛ وتشمل هذه الثغرات الهجمات أثناء وقت الاستنباط والفهم (الهجمات العدائية)، وهجمات تسميم البيانات وقت التدريب (هجمات الباب الخلفي). يذكر أنه قد تم اقتراح العديد من التقنيات لمواجهة هكذا تهديدات – وسيركز هذا المساق الدراسي المتقدم على تحليل هذه التهديدات الأمنية العدائية والتدابير المضادة الممكنة للتصدي لها. |
4 |
ML806 |
موضوعات متقدمة في التعلم التعزيزي
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. |
4 |
ML807 |
التعلم المتحد
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. |
4 |
ML808 |
موضوعات متقدمة في السببية وتعلم الآلة
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. |
4 |
ML809 |
دراسات متقدمة في نظرية التعلم
يشكل هذا المساق مدخلاً للأفكار والنظريات الأساسية الخاصة بنظرية التعلم الإحصائي، واستخداماتها في تصميم وتحليل أنظمة تعلم الآلة. كما يتناول هذا المساق بالدرس كيفية ملاءمة النماذج التنبئية للبيانات التدريبية من خلال نظرية التعلم الإحصائي – عادةً عن طريق حل مشكلة تحسين – بطريقة تجعل النموذج يتنبأ بشكل جيد، في المتوسط، باستخدام البيانات الجديدة. |
4 |
ML812 |
موضوعات متقدمة في خوارزميات البيانات الضخمة
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. |
4 |
ML813 |
موضوعات متقدمة في تقليص الأبعاد وتعلم المتشعبات
يُركز هذا المساق على بناء الأسس المعرفية للطلبة واطلاعهم على آخر التطورات والمستجدات المتعلقة بتقليص المتغيرات أو الأبعاد وتعلم المتشعبات – وهما موضوعان مهمان في تعلم الآلة. يذكر أن هذا المساق يبني على المفاهيم الأساسية في تعلم الآلة ويَفترض أيضاً إلمام الطالب بمفاهيم التحسين والرياضيات. كما يغطي المساق الموضوعات المتقدمة في تقليص الأبعاد وتعلم المتشعبات باستخدام الطرق الطيفية، والاحتمالية، والشبكات العصبية – سيشارك الطلبة في عملية التعلم من خلال الأعمال الدراسية، والواجبات، والمشاريع. |
4 |
ML815 |
دراسات متقدمة في نظم تعلم الآلة المتوازية والموزعة
يتطلب تدريب أكبر برامج تعلم الآلة عمليات حسابية تتراوح بين بيتافلوبس (1015) وإكسافلوبس (1018). كما يحتاج تدريبها إلى أجهزة لتسريع أداء المُعالِجَات بقدرات هائلة تساوي (1012) تيرابايت وأكثر. وبدورها مُعالِجَات تعلم الآلة الضخمة بحاجة إلى مئات أو آلاف المُسرِّعَاتِ لتلبية ما تتطلبه من حيث الذاكرة التخزينية والقدرات الحوسبية. وبهدف التعرف أكثر وبشكل أعمق على مختلف هذه الجوانب، سيغطي هذا المساق تصميم بنية الأنظمة، واستراتيجيات الاتصال، والتعديلات الخوارزمية المطلوبة لتنفيذ مهمة تدريب نماذج تعلم الآلة بشكل متوازٍ وموزعٍ باستخدام العديد من المُعَالِجَات المتصلة عبر شبكة اتصال. وسيتعلم الطلاب، في الجزء الأول من هذا المساق، مجموعة كاملة من المبادئ، والتمثيلات، ومقاييس الأداء لتوازي برامج تعلم الآلة والخوارزميات التعليمية، إضافة إلى كيفية مقارنة وتقييم استراتيجيات تعلم الآلة المتوازية المختلفة المكونة من “جوانب” أساسية من تعلم الآلة المتوازي؛ أما في الجزء الثاني من هذا المساق، فسيطبق الطلاب هذه المهارات لقراءة ونقد الأبحاث المنشورة في الأدبيات العلمية حول نظم تعلم الآلة المتوازية والموزعة. |
4 |
ML817 |
الذكاء الاصطناعي للعلوم والهندسة
يغطي هذا المساق الشامل مجموعة واسعة من الموضوعات، بما فيها النماذج الكلاسيكية للذكاء الاصطناعي في العلوم، والتعلم النشط، وإدارة تحديات تعلم الآلة، بالإضافة إلى حلول الذكاء الاصطناعي الخاصة بمصادر الطاقة المتجددة وشبكات التوزيع الذكية، والذكاء الاصطناعي القائم على الفيزياء، والتطبيقات الذكية في علوم المواد والحفز. سيتعرف الطلاب كذلك في هذا المساق، من خلال المحاضرات النظرية والأعمال التطبيقية في المختبر على أحدث المنهجيات المعتمدة والمستخدمة في تطوير تكنولوجيات الذكاء الاصطناعي. كما سيتعلم الطلبة كيفية تطبيق هذه المنهجيات لمواجهة التحديات المعقدة في البحوث العلمية والحلول الهندسية. سيركز هذا المساق أيضاً على الجانب العملي من خلال العمل على بيانات واقعية بهدف تأهيل الطلاب ليكونوا رواداً في استخدام الذكاء الاصطناعي لتقديم حلول مبتكرة في مجالات متنوعة – لقد تم تصميم هذا المساق بما يجعله يخدم طموحات الراغبين في إحداث تأثير كبير باستخدام الذكاء الاصطناعي وتطبيقاته المتخصصة في مجالات مثل الفيزياء وعلوم المواد والطاقة المتجددة، ويمكنهم من الإسهام في الدفع بعجلة التقدم. |
4 |
ML819 |
نماذج تعلم الآلة الصغيرة والكبيرة
يتناول هذا المساق الخاص ببرنامج الدكتوراه التعقيدات المتصلة بقضايا تعلم الآلة الحديثة مع تركيز خاص على نماذج تعلم الآلة الصغيرة، وتعلم الآلة الفعال، والتعلم العميق. سيتمكن الطلبة من خلال المحاضرات، والأدبيات المتخصصة، والأعمال التطبيقية من التعرف على مسار تطور نماذج تعلم الآلة الصغيرة منذ بداياتها وصولا إلى عصر التعلم العميق. كما سيغطي المساق استراتيجيات الحوسبة الذكية والفعالة التي تسهم في تعزيز تطبيقات التعلم العميق في الأجهزة ذات الموارد المحدودة. سيتعرض المساق أيضاً إلى كيفية استخدام تقنيات مختلفة بما فيها تقنية ضغط النماذج وتقليمها (إزالة الزوائد)، والتجزيء الكمي، وبحث هيكلية الشبكات العصبية، بالإضافة إلى استراتيجيات التدريب الموزع مثل التوازي بين البيانات والنماذج، والضغط الاشتقاقي، وطرق تكييف النماذج مباشرة على الأجهزة. كما سيركز المساق على طرق تسريع محددة مصممة خصيصاً للنماذج اللغوية الكبيرة ونماذج الانتشار – سيكتسب الطلبة خبرة عملية في تشغيل النماذج اللغوية الكبيرة على الحواسيب المحمولة العادية. |
4 |
NLP804 |
التعلم العميق لتوليد اللغة الطبيعية
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. |
4 |
NLP805 |
معالجة اللغة الطبيعية
يركز هذا المساق على الأبحاث الحديثة في معالجة اللغة الطبيعية وعلى تطوير المهارات اللازمة لإجراء الأبحاث الهادفة إلى تحقيق تقدم في مجال معالجة اللغة الطبيعية. |
4 |
NLP806 |
دراسات متقدمة في معالجة اللغة الطبيعية
يركز هذا المساق على الموضوعات الحديثة في معالجة اللغة الطبيعية وعلى تطوير المهارات اللازمة لإجراء البحوث بهدف تطوير تكنولوجيات معالجة اللغة الطبيعية. وسيغطي هذا المساق تحديداً الأساسيات المرتبطة بالنماذج اللغوية الكبيرة مثل: هيكلية المحولات، وأساليب تدريب وتقييم النماذج اللغوية الكبيرة باستخدام التدريب الموزع وأساليب الكفاءة، وتطبيقها في التعدد اللغوي، والترجمة، والوسائط المتعددة. |
4 |
NLP807 |
معالجة الكلام
يشكل هذا المساق مدخلاً شاملاً خاصاً بمعالجة الكلام يركز فيه الطلبة على تطوير معرفتهم بأحدث التقنيات الخاصة بمجموعة واسعة من المهام المرتبطة بمعالجة الكلام إلى جانب تزويدهم بالمهارات البحثية التي تمكنهم من الإسهام في تعزيز البحث لتطوير هذه التقنيات – وتغطي الموضوعات التي سيتم تناولها في هذا المساق: إنتاج الكلام، وتحليل إشارات الكلام، والتعرف المؤتمت على الكلام، وتحويل المكتوب إلى كلام، والتعرف على الكلام العصبي وتركيبه، وموضوعات حديثة في النماذج الأساسية ومعالجة الكلام. |
4 |
NLP808 |
قضايا مستجدة في معالجة اللغة الطبيعية
يركز هذا المساق على الموضوعات الحديثة في معالجة اللغة الطبيعية وعلى تطوير مهارات الطلبة التي من شأنها تعزيز مهاراتهم البحثية لتطوير مجال معالجة اللغة الطبيعية. |
4 |
NLP809 |
دراسات متقدمة في معالجة الكلام
يتناول هذا المساق بالدرس أحدث التقنيات والمنهجيات في مجال معالجة الكلام، ويغطي موضوعات متقدمة مثل التعرف المؤتمت على الكلام، ونمذجة اللغة وفك الترميز، وتحويل المكتوب إلى كلام، والتعرف على المتحدث، وتقسيم الكلام، وتحليل المشيرات اللا صوتية، وترجمة الكلام وتلخيصه، والتعدد اللغوي واللغات ذات الموارد المحدودة، وأنظمة الحوار الصوتي. كما سيتناول الطلبة من خلال هذا المساق النماذج الحديثة والأطر المختلفة لمهام أو وظائف الكلام – سيركز المساق أيضاً على الفهم النظري والتنفيذ أو التطبيق العملي على حد سواء، مما سيعزز المهارات اللازمة لدى الطلبة وتمكينهم من إنجاز للبحوث وتنفيذ عمليات التطوير المبتكرة في مجال تقنيات الكلام. |
4 |
NLP810 |
نظم معالجة اللغة الطبيعية المتينة والموثوقة
يقدِّم هذا المساق للطلاب مدخلا إلى موضوعات متقدمة في معالجة اللغة الطبيعية المتعلقة بموثوقية وقوة النماذج اللغوية، وتحديداً المعرفة التطبيقية والعملية للنماذج اللغوية، وسلامتها وشموليتها، وآليات عملها الداخلية. كما يُعد المساق الطلاب لإجراء أبحاث تسهم في تطوير الحالة الراهنة لهذه المجالات البحثية. |
4 |
تفرض أطروحة الدكتوراه على الطلاب معالجة مجموعة من الإشكاليات البحثية المتطورة وصعبة الحل في مجال تعلم الآلة، والتي تستلزم منهم طرح حلول جديدة، والمساهمة بشكل كبير في الارتقاء بخبرات هذا المجال. ويتابع الطلاب دراستهم البحثية المستقلة، بتوجيه من لجنة الإشراف، لمدة تتراوح من 3 إلى 4 سنوات.
اسم المساق | الساعات الدراسية | |
---|---|---|
RES899 |
طرق البحث المتقدمة
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. |
2 |
ML899 |
أطروحة الدكتوراه في تعلّم الآلة
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. |
32 |
يهدف التدريب، الذي يشار إليه أيضاً باسم العمل في شركات الذكاء الاصطناعي، إلى تزويد الطالب بخبرة عملية تجمع بين ما تعلمه خلال دراسته الأكاديمية والتطبيق العملي.
اسم المساق | الساعات الدراسية | |
---|---|---|
INT899 |
تدريب الدكتوراه
برنامج تدريبي خاص للدكتوراة (يمتد حتى 4 اشهر) |
2 |
تستقبل الجامعة المتقدمين من جميع الجنسيات الحاصلين على درجة علمية تم استكمالها في مجال العلوم، والتكنولوجيا، والهندسة، والرياضيات مثل علوم الحاسوب، والهندسة الكهربائية، وهندسة الحاسوب، والرياضيات، والفيزياء أو أي تخصص علمي أو هندسي آخر ذي صلة، وممن أظهروا تميزاً أكاديمياً في تخصص مناسب لبرنامج الدكتوراه ومن جامعة معتمدة أو معترف بها من قبل وزارة التربية والتعليم في دولة الإمارات – من الحاصلين على:
يجب على المتقدمين تقديم شهادات درجاتهم العلمية المستكملة وكشوف الدرجات الرسمية عند تقديم طلباتهم. وبالنسبة لطلاب المستويات الأعلى، يمكنهم مبدئياً التقديم بنسخة من كشف الدرجات الرسمي وخطاب يوضح تاريخ التخرج المتوقع. ويجب عليهم، عند القبول، تقديم شهادة الدرجة العلمية المستكملة وكشف الدرجات الرسمي. كما يجب القيام بتصديق الشهادة من وزارة التربية والتعليم في دولة الإمارات (للدرجات العلمية من دولة الإمارات) أو شهادة اعتراف من وزارة التربية والتعليم في دولة الإمارات (للدرجات العلمية المحصل عليها من خارج دولة الإمارات)، وذلك خلال أجل أقصاه الفصل الدراسي الأول للطلاب في جامعة محمد بن زايد للذكاء الاصطناعي.
يجب أن تكون جميع المستندات المقدمة مكتوبة باللغة الإنجليزية أصلاً أو أن تشمل ترجمة مُصدقة باللغة الإنجليزية. كما يجب أن تتضمن المستندات الأكاديمية الرسمية ختم وتوقيع الهيئات المعنية في الجامعة.
يتوجب على جميع المتقدمين تقديم دليل يثبت إجادة اللغة الإنجليزية من خلال تقديم نسخة سارية المفعول عن إحدى الشهادات التالية:
وتجدر الإشارة إلى أن اختباري التوفل عبر الانترنت والآيلتس صالحين لمدة عامين من تاريخ الاختبار، بينما يُعتبر فحص الإمارات القياسي صالحاً لمدة 18 شهراً، وأنه يتم النظر فقط في الاختبارات النموذجية المعتمدة (أي تلك التي يتم إجراؤها في مراكز الاختبار) لاختبارات إتقان اللغة الإنجليزية المقبولة.
تتم دراسة طلبات الإعفاء التي يقدمها الطلاب المؤهلون (حسب جواز السفر أو الجنسية) من مواطني المملكة المتحدة والولايات المتحدة وأستراليا ونيوزيلندا ممن استكملوا المرحلة المدرسية وصولاً إلى درجة البكالوريوس والماجستير في تلك الدول (إن وجدت). كما يجدر بهم تقديم نسخ مصدقة عن شهاداتهم خلال مرحلة التقديم ووثائق مصدقة عند القبول. على أن يتم البت بقرارات الإعفاء في غضون سبعة (7) أيام من استيفاء جميع الشروط.
يُعتبر تقديم شهادة اختبار تقييم الخريجين أمراً اختيارياً، وهو بمثابة ميزة إضافية يتم أخذها بعين الاعتبار عند تقييم المتقدمين.
يستعرض المتقدم في مقالة مؤلفة من500 إلى 1000كلمة سبب رغبته في الالتحاق بجامعة محمد بن زايد للذكاء الاصطناعي، حيث يجب أن تتضمن المقالة ما يلي:
يجب أن يلخص بيان البحث مشروع البحث المحتمل الذي يهتم المتقدم بطرحه، وأن يبرر بوضوح الفجوة البحثية التي يرغب المتقدم في ردمها خلال مرحلة دراسته. كما يجب تقديم بيان البحث في سياق الأدبيات المتوفرة حالياً، إلى جانب تقديم لمحة عامة عن كيفية سعي المتقدم للتعمق في مشروع البحث الأساسي، بالإضافة إلى التنبؤ بالنتائج المتوقعة. ولا بد من أن يذكر البيان مدى ملاءمة خبرات المتقدم ومعارفه للمشروع، وأن يبرز الأهمية العلمية والتجارية لهذا المشروع، على أن يتضمن المعلومات التالية:
الجدير بالذكر أنه على المتقدمين إعداد بيان البحث بشكل مستقل، إذ لا تساعد الهيئة التدريسية في كتابة هذا البيان. ويقوم اللجنة الأكاديمية لدى الجامعة بمراجعة الوثيقة المقدمة واستخدامها كأحد المعايير لقياس مهارات المتقدمين وتقييمها.
يُطلب من المتقدمين ترشيح شخصيات مرجعية للتوصية بطلباتهم. إذ يتعين على المتقدم لبرامج الدكتوراه ترشيح ثلاث شخصيات مرجعية على الأقل، من بينهم شخص على الأقل من أعضاء الهيئة التدريسية أو من الأساتذة أو مستشاري البحوث في أحد المساقات التي سبق للمتقدم أن التحق بها، وشخصيتان من المشرفين على المتقدم في إطار وظيفته الحالية أو السابقة.
لذا، وبغية تجنب أي مشكلات أو تأخير في تقديم التوصية، يتعين على المتقدم إبلاغ الشخصيات المرجعية بترشيحه لها مسبقاً، فضلاً عن تقديم معلومات دقيقة عنها عبر بوابة التقديم الإلكترونية. يُذكر أن الشخصيات المرجعية ستتلقى إشعارات مؤتمتة بمجرد إرسال الطلب.
سيتم دعوة جميع المتقدمين الذين لديهم ملفات مكتملة، بما في ذلك العدد المطلوب من خطابات التوصية، للمشاركة في امتحان قبول إلكتروني لتقييم معارفهم ومهاراتهم. وتجب الإشارة هنا إلى أن استكمال هذا الامتحان ليس إلزامياً؛ ولكنه موصى به بقوة، حيث سيوفر معلومات إضافية للجنة التقييم. ويُوصى بالإعفاء منه فقط للطلاب الذين يمكنهم تقديم أدلة قوية على قدراتهم البحثية، وخبرتهم، ومهاراتهم التقنية
موضوعات الامتحان:
الرياضيات: حساب التفاضل والتكامل، ونظرية الاحتمالات، والجبر الخطي، وعلم المثلثات، والتحسين
تعلم الآلة: خوارزميات ومفاهيم تعلم الآلة مثل الانحدار الخطي، وأشجار القرار، ودوال الخسارة، وآلات الدعم الناقل، والتصنيف، والانحدار، والتجميع، والشبكات العصبونية التلافيفية، وتقليل الأبعاد، والشبكات العصبونية، والتعلم غير المراقب
البرمجة: معرفة مفاهيم ومبادئ برمجية محددة مثل الخوارزميات، وهياكل البيانات، والمنطق، والبرمجة الكائنية (OOP)، والتكرار، بالإضافة إلى معرفة خاصة بلغة بايثون للبرمجة
موضوعات التخصص: <spanمعرفة وفهم نظرية الحوسبة، والتعقيد الحوسبي، وقواعد البيانات، وهندسة الحاسوب، وأنظمة التشغيل.
يُنصح بالنسبة لجميع المتقدمين بالحرص على استكمال الدورات الإلكترونية التالية لتحسين مؤهلاتهم:
يمكن الاطلاع على التعليمات الخاصة بالامتحان باللغة الإنجليزية هنا
قد تتم دعوة عدد محدد من المتقدمين لإجراء المقابلة الشخصية مع أعضاء هيئة التدريس كجزء من عملية الاختيار. وسيتم إبلاغ المتقدمين بالوقت والتعليمات الخاصة بذلك في الوقت المناسب.
يجب تقديم طلب واحد فقط لكل دورة قبول، ولا يُنصح بتقديم طلبات متعددة.
فتح بوابة التقديم | الموعد النهائي للتقديم العادي | تواريخ الإعلان عن القرارات | الموعد النهائي للتقديم الآجل |
---|---|---|---|
1 أكتوبر 2024 (في تمام الساعة 08:00 صباحاً بتوقيت الإمارات) |
15 يناير 2025 (في تمام الساعة 05:00 مساءً بتوقيت الإمارات) |
31 مارس 2025 (في تمام الساعة 05:00 مساءً بتوقيت الإمارات) |
31 مايو 2025 (في تمام الساعة 05:00 مساءً بتوقيت الإمارات) |
سيتم إيلاء طلبات المتقدمين من ذوي الكفاءة العالية الذين يقدمون طلباتهم قبل ‘“الموعد النهائي للتقديم العادي” عناية كاملة شريطة أن تكون طلباتهم مستوفية لجميع المتطلبات (بما في ذلك خطابات التوصية المطلوبة). | ستظل بوابة التقديم الإلكترونية مفتوحة إلى غاية حلول تاريخ نهاية “الموعد النهائي للتقديم الآجل“. ولا نضمن في هذ الحالة أن الطلبات المقدمة آجلاً ستُمنح العناية نفسها مقارنة مع تلك المقدمة قبل نهاية موعد التقديم العادي. |
المعلومات التفصيلية حول عملية التقديم والمنح الدراسية متاحة هنا.
تكون خطة الدراسة النموذجية على الشكل التالي:
الفصل 1 ML801 أسسٌ وموضوعات متقدمة في تعلم الآلةبيان إخلاء مسؤولية: المحتوى قابل للتغيير.
يعيد الذكاء الاصطناعي تشكيل قطاعات الأنشطة الاقتصادية في جميع أنحاء العالم، وفي جامعة محمد بن زايد للذكاء الاصطناعي، تركز المبادرات البحثية الحديثة على مجالات رئيسية تشمل: النقل، والصحة، والبيئة، والتكنولوجيا.
المزيد من المعلوماتمركز حضانة وريادة الأعمال هو حاضنة رائدة خاصة بمجال تطوير شركات الذكاء الاصطناعي الواعدة، ويهدف إلى رعاية ودعم الجيل القادم من هذه الشركات الناشئة المدعومة بالذكاء الاصطناعي.
المزيد من المعلوماتمجلة دورية تطلعك على آخر مستجدات وتطورات البحث والابتكار الخاصة بمجال الذكاء الاصطناعي.
المزيد من المعلوماتسوف نوافيكم بأحدث المستجدات وموعد بدأ التقديم وملىء الاستمارات