أكاديمية أثر · تعلّم وابنِ نظامك16 مسارًا مسجّلًا + 7 محاضرات مباشرة باستخدام Claude وCodex
المعسكر الاحترافي في الذكاء الاصطناعي التطبيقي

ابنِ نظام ذكاء اصطناعي متكاملًا.
باستخدام Claude وCodex.

16 مسارًا مسجّلًا للتأسيس في Python وAI وML وLLMs وRAG وAgents، ثم 7 محاضرات مباشرة مع أستاذ مصطفى نستخدم فيها Claude وCodex لتخطيط وبناء واختبار نظام متكامل يجمع WordPress وWeb App وتطبيق Native ومحرك AI، ثم نشره على سيرفر.

Claudeتخطيط · تصميم · مراجعة✕Codexبناء · اختبار · تحسين
16مسارًا مسجّلًا
07محاضرات مباشرة
01نظام متكامل

LIVE TRAINING · CHOOSE YOUR START DATE

اختر موعد المعسكر المباشر مع أستاذ مصطفى

ابدأ بالمنهج المسجّل في أي وقت. أمّا المحاضرات المباشرة السبع لبناء النظام باستخدام Claude وCodex فلها دفعتان؛ اختر الأنسب قبل الدفع.

الدفعة المختارة للتدريب المباشر اختر 1 نوفمبر أو 1 ديسمبر من البطاقات

سيُحفظ اختيارك في السلة ثم داخل طلب WooCommerce.

اختر دفعة للمتابعة

✦ التواريخ المذكورة هي مواعيد بدء الدفعات، وليست جدول أيام وساعات المحاضرات. اختيار المسار الفردي يفتح صفحة منفصلة ولا يُضاف إلى سلة المعسكر الجماعي.

TWO LEARNING EXPERIENCES

اعرف بالضبط ماذا ستتعلّم مسجّلًا، وماذا ستبني مباشرة

المنهج المسجّل للتأسيس والتعمق، والجلسات المباشرة للتنفيذ وربط الأنظمة ونشرها. المحتويان مكملان لبعضهما، وليسا نفس الدروس مكررة.

01 · مسجّل · دراسة ذاتية

من الصفر إلى هندسة الأنظمة الذكية

16 مسارًا في Python وقواعد البيانات وتحليل البيانات وML وDeep Learning والرؤية الحاسوبية وTransformers وLLM وRAG وAgents وMCP والنشر.

  • دروس مسجّلة للعودة إليها حسب سرعة تعلّمك
  • تدريبات ومشاريع داخل كل مجموعة موضوعات
  • مسار تعلم معزّز اختياري
تفاصيل 16 مسارًا ↗
02 · مباشر · مع أستاذ مصطفى

7 محاضرات لبناء ونشر نظام متكامل

سنستخدم Claude وCodex فعليًا في المحاضرات السبع: نخطط المتطلبات ونراجع الحل مع Claude، ثم نطوّر الملفات ونختبرها ونصلح الأخطاء باستخدام Codex، لبناء AI API وWordPress وWeb App وReact Native ثم نشر نظام MVP متكامل.

  • شرح وتنفيذ مباشر خطوة بخطوة
  • مخرج عملي واضح وتكليف بعد كل لقاء
  • مشروع نهائي على GitHub ونظام قابل للاختبار
تفاصيل 7 محاضرات ↗

INTERACTIVE SYSTEM BLUEPRINT

مشروع واحد يربط 6 مكونات في نظام ذكي

اضغط على أي مكوّن لتعرف دوره، وكيف يرتبط بالموقع والتطبيقات والخدمة الذكية.

ATHAR / FULL STACK / AI● SYSTEM BLUEPRINT
المكوّن المحدد

محرك AI وواجهات API

خلفية FastAPI تربط LLM وRAG والأدوات المسموح بها مع التحقق من الصلاحيات.

الهيكل توضيحي للمشروع المقترح في المحاضرات المباشرة.

LIVE BUILD LAB · 7 SESSIONS

7 محاضرات مباشرة: نبني النظام باستخدام Claude وCodex

اختر المحاضرة لتعرف ما الذي سنخططه باستخدام Claude، وما الذي سنبنيه ونختبره باستخدام Codex، واطّلع على المخرجات والأوامر العملية القابلة للنسخ.

01 · Claudeنفهم المشكلة، نكتب المتطلبات، نصمم المعمارية ونراجع المقترحات.
02 · Codexننشئ الملفات، ننفذ الميزات، نختبر الكود ونصلح الأخطاء.
03 · أستاذ مصطفىشرح القرارات، مراجعة الناتج، التحقق من الأمان، واعتماد نسخة صالحة للتجربة.
المحاضرة المباشرة 01 / 07

من الفكرة إلى هندسة نظام ذكاء اصطناعي حقيقي

DISCOVER · DESIGN

ماذا سننفّذ في اللقاء؟

  • تطبيق عملي بمساعدة Claude للتخطيط والمراجعة، وCodex لتوليد وتنفيذ واختبار الكود تحت إشراف المدرب.
  • مقدمة عملية: Generative AI وLLMs وAgents وRAG والفرق بين استخدام الأداة وبناء المنتج.
  • اختيار مشكلة حقيقية وصياغة MVP واضح مع المستخدمين والمهام ونطاق الإصدار الأول.
  • تصميم نظام واحد يربط موقع WordPress وتطبيق Web وتطبيق Native وخلفية AI API.
  • تصميم تجربة المستخدم بمساعدة AI: Wireframes، الصفحات، الأدوار، وتدفق البيانات.
  • إنشاء مستودع GitHub وخطة العمل وأساسيات Prompt Engineering ومراجعة الكود المُولّد.
  • ضوابط الخصوصية، الترخيص، الملكية الفكرية، وحماية البيانات قبل بدء التطوير.

كيف سنستخدم Claude وCodex في هذه المحاضرة؟

Claudeالتخطيط والمراجعة

حوّل فكرة المتدرب إلى وثيقة منتج MVP: الجمهور المستهدف، قصص المستخدم، الرحلات، مخطط النظام، عقد API، المخاطر، ومعايير القبول.

مثال أمر عملي
تصرف كمهندس حلول. صمم MVP لمنصة تضم WordPress وWeb App وReact Native وFastAPI وخدمة ذكاء اصطناعي. اكتب المتطلبات، رحلة المستخدم، مخطط المكونات، عقد API، نموذج الصلاحيات، ومعايير قبول قابلة للاختبار. اسأل عن أي افتراض ناقص.
Codexالبرمجة والاختبار

أنشئ هيكل GitHub للمشروع متعدد التطبيقات (WordPress وWeb وMobile وAPI)، وملف README وملفات إعداد أولية واختبارات تشغيل أساسية.

مثال أمر عملي
أنشئ هيكل monorepo للمشروع: wordpress/, web/, mobile/, api/. أضف README و.env.example وملفات تشغيل أولية واختبار smoke لكل جزء. لا تضع أي مفاتيح أو أسرار حقيقية. اعرض الملفات والخطوات قبل أي تعديل كبير.

مراجعة بشرية إلزامية: نراجع قابلية تنفيذ الخطة، ونطاق المشروع، والملفات التي ولّدها Codex قبل اعتمادها.

✓ المخرج العملي

وثيقة المنتج + Wireframes + Architecture Diagram + GitHub Repository.

↗ التطبيق بين المحاضرات

حدد مشكلة مشروعك وارسم رحلة المستخدم وواجهات النسخة الأولى.

RECORDED LEARNING · 16 TRACKS

المنهج المسجّل بالكامل — من Python إلى AI Engineering

تصفّح المسارات أو ابحث عن الموضوع الذي تريده. افتح أي مسار لمعرفة الموضوعات والتطبيقات العملية الواردة في المنهج.

01أساسيات البرمجة بلغة Python

المحتوى التفصيلي

  • المتغيرات وأنواع البيانات
  • الجمل الشرطية والتحكم في مسار البرنامج
  • الحلقات التكرارية
  • الدوال وتنظيم الكود
  • التعامل مع القوائم والقواميس والمجموعات
  • مبادئ البرمجة الكائنية OOP
  • التعامل مع الأخطاء والاستثناءات
  • العمل مع الوحدات والحزم البرمجية
  • إنشاء وإدارة البيئات الافتراضية
  • قراءة وكتابة الملفات
  • التعامل مع ملفات TXT و CSV و JSON
  • استخدام التعبيرات النمطية Regex لمعالجة النصوص
  • أساسيات Git و GitHub
  • تنظيم ملفات المشاريع البرمجية

التطبيقات العملية

  • بناء برنامج بسيط لإدارة بيانات الطلاب
  • قراءة ملف CSV وتنظيف بياناته مبدئيًا
  • استخراج بيانات محددة من نصوص باستخدام Regex
  • رفع مشروع بسيط على GitHub
02إدارة البيانات وقواعد البيانات وواجهات APIs

المحتوى التفصيلي

  • مدخل إلى إدارة البيانات
  • أنواع البيانات ومصادرها
  • أساسيات قواعد البيانات العلائقية
  • تصميم الجداول والعلاقات
  • أساسيات SQL
  • أوامر SELECT و WHERE و ORDER BY
  • التعامل مع JOIN بأنواعه
  • استخدام GROUP BY و HAVING
  • الدوال التجميعية Aggregate Functions
  • إنشاء وتعديل الجداول
  • التعامل مع قواعد البيانات غير العلائقية NoSQL
  • الفرق بين SQL و NoSQL
  • التعامل مع ملفات Excel و CSV
  • استهلاك الواجهات البرمجية APIs
  • فهم JSON و REST APIs
  • إرسال واستقبال البيانات من APIs
  • تقنيات جمع البيانات من الإنترنت Web Scraping
  • أساسيات بناء Data Pipeline بسيط

التطبيقات العملية

  • بناء قاعدة بيانات بسيطة لمتجر إلكتروني
  • كتابة استعلامات لاستخراج تقارير مبيعات
  • استهلاك API خارجي وتحويل البيانات إلى DataFrame
  • جمع بيانات من موقع إلكتروني وتحليلها مبدئيًا
03تحليل البيانات والإحصاء العملي

المحتوى التفصيلي

  • مقدمة في تحليل البيانات
  • دورة حياة مشروع تحليل البيانات
  • أساسيات الإحصاء الوصفي
  • المتوسط والوسيط والمنوال
  • التباين والانحراف المعياري
  • التوزيعات الإحصائية
  • الاحتمالات بشكل مبسط
  • الارتباط Correlation
  • تحليل العلاقات بين المتغيرات
  • اختبار الفرضيات بشكل مبسط
  • أساسيات NumPy
  • التعامل مع المصفوفات Arrays
  • استخدام Pandas لتنظيم وتحليل البيانات
  • تنظيف البيانات Data Cleaning
  • معالجة القيم المفقودة
  • التعامل مع القيم الشاذة Outliers
  • تحليل البيانات الاستكشافي EDA
  • إنشاء الرسوم البيانية باستخدام Matplotlib
  • إنشاء تصورات إحصائية باستخدام Seaborn
  • بناء تصورات تفاعلية باستخدام Plotly
  • تحليل قواعد الارتباط Association Rules
  • استخراج الأنماط من البيانات

التطبيقات العملية

  • تحليل أداء الطلاب
  • تحليل بيانات متجر إلكتروني
  • تحليل سلوك العملاء
  • قياس أداء الحملات التسويقية
  • تحليل بيانات مبيعات السيارات
  • تحليل بيانات مبيعات شهرية واستخراج مؤشرات أداء
04تعلم الآلة Machine Learning

المحتوى التفصيلي

  • مدخل إلى تعلم الآلة
  • الفرق بين الذكاء الاصطناعي وتعلم الآلة والتعلم العميق
  • أنواع تعلم الآلة
  • التعلم الخاضع للإشراف Supervised Learning
  • التعلم غير الخاضع للإشراف Unsupervised Learning
  • تجهيز البيانات قبل بناء النماذج
  • تقسيم البيانات إلى تدريب واختبار
  • Feature Engineering
  • Encoding للبيانات النصية والفئوية
  • Scaling و Normalization
  • مفهوم Data Leakage
  • نماذج الانحدار Regression
  • Linear Regression
  • تقييم نماذج الانحدار
  • مفاهيم التصنيف Classification
  • Logistic Regression
  • Naive Bayes
  • Decision Trees
  • Random Forest
  • K-Nearest Neighbors
  • Support Vector Machines
  • Clustering
  • K-Means
  • Association Rules
  • Recommendation Systems Basics
  • قياس وتقييم أداء النماذج
  • Accuracy, Precision, Recall, F1-score
  • Confusion Matrix
  • Cross Validation
  • Overfitting و Underfitting
  • بناء Pipelines باستخدام Scikit-learn

التطبيقات العملية

  • التنبؤ بأسعار العقارات
  • توقع فقدان العملاء Churn Prediction
  • تصنيف الرسائل الإلكترونية غير المرغوبة
  • التنبؤ باستجابة العملاء للعروض البنكية
  • تقسيم العملاء Customer Segmentation
  • بناء نظام توصية بسيط للمنتجات
05مشاريع عملية في تحليل البيانات وتعلم الآلة

المحتوى التفصيلي

  • بناء مشروع Machine Learning كامل من البداية للنهاية
  • فهم مشكلة العمل Business Problem
  • جمع البيانات وتنظيفها
  • تحليل البيانات واستكشافها
  • اختيار النموذج المناسب
  • تدريب النموذج
  • تقييم النموذج
  • تحسين النتائج
  • توثيق المشروع
  • عرض النتائج بشكل احترافي
  • تجهيز المشروع للإضافة في Portfolio

التطبيقات العملية

  • مشروع تحليل أداء متجر إلكتروني
  • مشروع توقع المبيعات المستقبلية
  • مشروع تحليل الحملات التسويقية
  • مشروع تصنيف العملاء حسب القيمة الشرائية
  • مشروع توقع احتمالية مغادرة العملاء
  • مشروع توصية منتجات مرتبطة بسلوك العميل
06أساسيات التعلم العميق Deep Learning

المحتوى التفصيلي

  • مقدمة إلى التعلم العميق
  • الفرق بين Machine Learning و Deep Learning
  • مفهوم الشبكات العصبية الاصطناعية
  • Perceptron
  • الطبقات Layers
  • دوال التنشيط Activation Functions
  • Loss Functions
  • Optimizers
  • مفهوم Backpropagation بشكل مبسط
  • بناء شبكة عصبية باستخدام TensorFlow أو PyTorch
  • تدريب النموذج
  • تقييم النموذج
  • Overfitting في التعلم العميق
  • Dropout
  • Batch Normalization
  • حفظ وتحميل النماذج

التطبيقات العملية

  • بناء نموذج للتنبؤ بفقدان العملاء
  • تصنيف الرسائل المزعجة
  • التعرف على الأرقام المكتوبة يدويًا
  • تحديد العملاء ذوي القيمة العالية
  • توقع أسعار العقارات باستخدام شبكة عصبية
07نماذج السلاسل الزمنية والنصوص RNN & LSTM

المحتوى التفصيلي

  • مقدمة إلى البيانات المتسلسلة Sequence Data
  • لماذا نحتاج إلى RNN؟
  • طريقة عمل Recurrent Neural Networks
  • مشكلات RNN التقليدية
  • مفهوم Vanishing Gradient
  • مقدمة إلى LSTM
  • الفرق بين RNN و LSTM
  • استخدام LSTM في النصوص
  • استخدام LSTM في السلاسل الزمنية
  • تمثيل النصوص رقميًا
  • Text Preprocessing
  • Tokenization
  • بناء نموذج تصنيف نصوص بسيط
  • مقدمة تمهيدية لفكرة Attention

التطبيقات العملية

  • تحليل مشاعر النصوص
  • تصنيف الرسائل النصية
  • توقع بيانات زمنية بسيطة
  • بناء نموذج بسيط لفهم تسلسل النص
08الرؤية الحاسوبية Computer Vision

المحتوى التفصيلي

  • مقدمة إلى الرؤية الحاسوبية
  • فهم الصور كبيانات رقمية
  • التعامل مع الصور باستخدام OpenCV
  • قراءة وتعديل الصور
  • Image Filtering
  • Edge Detection
  • Image Augmentation
  • مقدمة إلى CNN
  • بناء نموذج تصنيف صور
  • أشهر نماذج الرؤية الحاسوبية
  • Object Detection
  • استخدام YOLO لاكتشاف الكائنات
  • تدريب نموذج رؤية حاسوبية مخصص
  • تقييم أداء نماذج الصور
  • ربط نموذج الرؤية الحاسوبية مع تطبيق أو API

التطبيقات العملية

  • تصنيف صور لفئتين
  • تصنيف صور متعددة الفئات
  • اكتشاف الكائنات باستخدام YOLO
  • اكتشاف المشاعر من تعابير الوجه
  • بناء نظام اقتراح وجبات أو منتجات بناءً على الصور
09تطبيقات نقل التعلم Transfer Learning

المحتوى التفصيلي

  • مفهوم نقل التعلم
  • لماذا نستخدم النماذج الجاهزة؟
  • Feature Extraction
  • Fine-tuning
  • استخدام نماذج جاهزة لتصنيف الصور
  • تصنيف الصور لفئتين
  • تصنيف الصور متعددة الفئات
  • تحسين أداء النماذج مع بيانات قليلة
  • نقل التعلم في معالجة النصوص
  • مفهوم Embeddings
  • تحويل النصوص إلى متجهات
  • استخدام Embeddings في التصنيف والبحث
  • مقدمة إلى نماذج Hugging Face

التطبيقات العملية

  • تصنيف صور باستخدام نموذج جاهز
  • Fine-tuning لنموذج تصنيف صور
  • تصنيف الرسائل المزعجة باستخدام Embeddings
  • تحليل وتصنيف التغريدات العربية
  • تصنيف الأخبار حسب الموضوع
10نماذج Transformers

المحتوى التفصيلي

  • لماذا ظهرت Transformers؟
  • الفرق بين RNN/LSTM و Transformers
  • مفهوم Tokenization
  • مفهوم Embeddings
  • Positional Encoding
  • مفهوم Attention
  • Self-Attention
  • Multi-Head Attention
  • بنية Encoder
  • بنية Decoder
  • Encoder-Decoder Architecture
  • الفرق بين BERT و GPT و T5
  • استخدام Transformers في فهم النصوص
  • استخدام Transformers في توليد النصوص
  • Fine-tuning لمهام محددة
  • استخدام Hugging Face Transformers
  • اختيار النموذج المناسب حسب المهمة
  • تقييم أداء نماذج Transformers

التطبيقات العملية

  • تصنيف نصوص باستخدام Transformer
  • تحليل مشاعر النصوص العربية
  • تلخيص النصوص
  • الإجابة على الأسئلة
  • توليد نصوص بسيطة
  • مقارنة نتائج أكثر من نموذج
11هندسة النماذج اللغوية الكبيرة LLM Engineering

المحتوى التفصيلي

  • التعرف على النماذج اللغوية الكبيرة LLMs
  • الفرق بين GPT و Llama و DeepSeek وغيرها من النماذج
  • فهم مفهوم Tokens
  • Context Window
  • Temperature
  • Top-p
  • Max Tokens
  • Sampling Strategies
  • System Prompt
  • User Prompt
  • Assistant Response
  • Prompt Engineering
  • تصميم الموجهات الاحترافية
  • Few-shot Prompting
  • Chain-of-Thought Prompting بشكل آمن ومنظم
  • Structured Outputs
  • Function Calling / Tool Calling
  • التعامل مع JSON Outputs
  • مقارنة النماذج من حيث الجودة والتكلفة والسرعة
  • تشغيل النماذج اللغوية محليًا
  • استخدام أدوات مثل Ollama أو LM Studio
  • أساسيات تقليل التكلفة Cost Optimization
  • التعامل مع الهلوسة Hallucination
  • مبادئ الأمان والمسؤولية في استخدام LLMs

التطبيقات العملية

  • بناء مساعد ذكي للإجابة على أسئلة المستخدمين
  • تصميم Prompts احترافية لمهام مختلفة
  • إنشاء مخرجات منظمة بصيغة JSON
  • مقارنة GPT و Llama و DeepSeek في مهام عملية
  • تشغيل نموذج محلي وتجربته على الجهاز
12تطبيقات RAG وقواعد البيانات المتجهية

المحتوى التفصيلي

  • مفهوم Retrieval-Augmented Generation
  • متى نستخدم RAG؟
  • الفرق بين الاعتماد على النموذج والاعتماد على مصادر خارجية
  • مراجعة مفهوم Embeddings
  • Semantic Search
  • Vector Databases
  • تخزين واسترجاع المتجهات
  • Document Loading
  • Text Splitting
  • Chunking Strategies
  • Retrieval
  • Reranking
  • بناء RAG Pipeline
  • تقييم جودة الإجابات
  • تقليل Hallucination باستخدام RAG
  • التعامل مع ملفات PDF و Word و CSV
  • بناء Chatbot على مستندات داخلية
  • حماية البيانات ومراعاة الخصوصية

التطبيقات العملية

  • بناء Chatbot يجيب من ملف PDF
  • بناء مساعد ذكي لسياسات شركة
  • بناء نظام بحث دلالي داخل مستندات
  • بناء مساعد تدريبي يجيب من محتوى كورس
  • تقييم جودة إجابات RAG
13بناء وكلاء ذكاء اصطناعي باستخدام MCP و Agents

المحتوى التفصيلي

  • مفهوم الوكلاء الأذكياء AI Agents
  • الفرق بين Chatbot و Agent
  • مفهوم Tools
  • مفهوم Memory
  • مفهوم Planning
  • مفهوم Actions
  • ربط LLMs مع APIs
  • مقدمة إلى Model Context Protocol - MCP
  • فكرة MCP Client و MCP Server
  • استخدام الأدوات Resources و Tools و Prompts
  • بناء Agent ينفذ مهام حقيقية
  • التعامل مع أكثر من أداة داخل نفس الوكيل
  • إدارة الأخطاء أثناء تنفيذ المهام
  • Logging ومتابعة أداء الوكيل
  • حدود استخدام الوكلاء الأذكياء
  • الجوانب الأمنية عند ربط الوكلاء بالأنظمة

التطبيقات العملية

  • تطوير مساعد ذكي لمتابعة الطقس
  • إنشاء وكيل مبيعات لمتجر إلكتروني عبر Telegram
  • بناء نظام ذكي لإدارة الحجوزات والمواعيد
  • تصميم مساعد افتراضي لخدمة العملاء
  • ربط النماذج اللغوية بأنظمة مالية بشكل آمن
  • بناء Agent يتعامل مع API خارجي ويرجع نتيجة منظمة
14نشر حلول الذكاء الاصطناعي ودمجها مع التطبيقات

المحتوى التفصيلي

  • لماذا لا يكفي بناء النموذج داخل Notebook؟
  • حفظ وتحميل نماذج Machine Learning
  • بناء API باستخدام FastAPI
  • إنشاء Endpoints للتنبؤ
  • اختبار API باستخدام Postman
  • بناء واجهة بسيطة باستخدام Streamlit
  • مقدمة إلى Docker
  • Environment Variables
  • رفع المشروع على GitHub
  • أساسيات النشر Deployment
  • مراقبة النموذج بعد النشر
  • Logging
  • التعامل مع الأخطاء
  • تحسين زمن الاستجابة
  • تقليل تكلفة التشغيل
  • مبادئ MLOps بشكل مبسط

التطبيقات العملية

  • تحويل نموذج ML إلى API
  • بناء واجهة Streamlit لنموذج تنبؤ
  • نشر تطبيق ذكاء اصطناعي بسيط
  • توثيق API لاستخدامه من فريق التطوير
15تطوير حلول ذكاء اصطناعي للمتاجر الإلكترونية

المحتوى التفصيلي

  • دراسة بيانات المتاجر الإلكترونية
  • تحليل سلوك العملاء
  • تحليل المنتجات الأكثر مبيعًا
  • تحليل سلة المشتريات
  • بناء أنظمة توصية للمنتجات المرتبطة
  • تطوير توصيات مخصصة للعملاء
  • التنبؤ بالمبيعات المستقبلية
  • توقع احتمالية ترك العميل للمتجر
  • بناء مساعد ذكي لخدمة العملاء
  • بناء مساعد مبيعات بالاعتماد على LLM
  • استخدام RAG للإجابة من سياسات المتجر
  • استخدام Computer Vision في اقتراح المنتجات
  • إنشاء API لدمج النماذج الذكية مع المتجر
  • نشر الحلول الذكية داخل متجر إلكتروني
  • قياس أثر الحلول الذكية على المبيعات وتجربة العميل

التطبيقات العملية

  • بناء نظام ذكاء اصطناعي متكامل لمتجر إلكتروني يشمل:
  • لوحة تحليل بيانات للمبيعات والعملاء
  • نموذج توصية منتجات
  • نموذج توقع مبيعات
  • مساعد ذكي لخدمة العملاء
  • API لدمج الحلول مع المتجر
  • تقرير نهائي يوضح النتائج ومؤشرات الأداء
16المسار المتقدم الاختياري في التعلم المعزز Reinforcement Learningاختياري

المحتوى التفصيلي

  • مقدمة إلى التعلم المعزز
  • الفرق بين Supervised Learning و Reinforcement Learning
  • مفهوم Agent
  • مفهوم Environment
  • مفهوم Reward
  • مفهوم State و Action
  • Markov Decision Process
  • Q-Learning
  • Policy و Value Function
  • استخدام Gymnasium
  • مقدمة إلى Deep Reinforcement Learning
  • حدود وتحديات التعلم المعزز

التطبيقات العملية

  • تدريب وكيل ذكي للعبة Flappy Bird
  • حل مشكلات الملاحة والمتاهات
  • بناء وكيل بسيط لألعاب Atari
  • تطوير سيارة ذاتية القيادة في بيئة محاكاة
  • التحكم في ذراع روبوتية بشكل مبدئي
  • إدارة عمليات التوصيل باستخدام بيئة محاكاة
صورة من مناسبة تكريم مهني مقدّمة من الأكاديميةمن إحدى فعاليات التكريم المهني

LEARN DIRECTLY WITH MOSTAFA

مع أستاذ مصطفى نبيه — من الفكرة حتى النشر

مستشار ومهندس حلول ذكاء اصطناعي وبيانات، بخبرة مهنية وتدريبية تتجاوز 7 سنوات في تطوير الحلول التقنية وتحليل وهندسة البيانات والتدريب العملي. يحمل شهادتي Microsoft PL-300 وDP-700، وشارك في فريق حقق المركز الثاني أفريقيًا في إحدى مسابقات الابتكار.

في اللقاءات المباشرة السبع، سيقود أستاذ مصطفى عملية بناء النظام باستخدام Claude لتحديد المتطلبات وهندسة الحل ومراجعته، وCodex لكتابة الملفات وتطوير WordPress وWeb App وNative App والـAPI وتشغيل الاختبارات. سيراجع معك الكود والأمان ويشرح أسباب القرارات قبل النشر.

Microsoft PL-300Microsoft DP-700AI & Data EngineeringTechnical Training
7+ سنواتخبرة مهنية وتدريبية
02شهادتان من Microsoft
7لقاءات مباشرة في هذا المسار

الصورة للتعريف بخبرة المدرب ولا تعني اعتمادًا أو شراكة من الجهة الظاهرة فيها.

CAPSTONE PROJECT STUDIO

اختر نظامك النهائي — واطّلع على مكوناته

ثلاثة سيناريوهات تطبيقية محتملة؛ تختلف فكرة المنتج، لكن تستخدم بنية أساسية موحدة قابلة للتطوير.

المشروع الذي اخترته

منصة تعليمية بمساعد ذكاء اصطناعي

WordPress لتقديم البرنامج، Web App للمتعلمين، تطبيق Native، ومساعد RAG يجيب من محتوى المعسكر وسياسات المنصة.

WordPressWeb AppMobileAI APIVPS

YOUR PORTFOLIO DELIVERABLES

ملف أعمال يثبت ما تستطيع تنفيذه

هذه المخرجات المستهدفة من المشروع، بحسب استكمال التطبيقات والمتطلبات التقنية المتاحة.

⌘ GitHub Repository
W WordPress Site
▣ Web Dashboard
▥ Mobile Test App
{} FastAPI / RAG
⌁ VPS + HTTPS
☑ Tests & Documentation
↗ Portfolio Demo

FAQ

قبل أن تبدأ المعسكر

معلومات واضحة عن الدراسة الذاتية والمحاضرات المباشرة ومتطلبات المشروع.

ما الفرق بين المسجّل والمباشر؟

المحتوى المسجّل هو 16 مسارًا متدرجًا في Python وAI وML وLLMs وRAG وAgents وغيرها؛ تشاهده وفق وقتك. المباشر 7 محاضرات مع أستاذ مصطفى لبناء نظام واحد يجمع WordPress وWeb App وNative App ومحرك AI ثم نشره.

هل سنبني المشروع فعلًا باستخدام Claude وCodex؟

نعم. ستكون Claude وCodex جزءًا أساسيًا من المحاضرات السبع: نستخدم Claude لتخطيط الحل وصياغة المتطلبات ومراجعة الجودة، وCodex لإنشاء الملفات وتطوير الكود وتشغيل الاختبارات وإصلاح الأخطاء. المدرّب يشرح كل قرار ويختبر الناتج قبل اعتماده؛ لا نكتفي بنسخ كود مولّد.

هل أحتاج خبرة برمجية؟

يبدأ المسجّل من أساسيات Python. أما المحاضرات المباشرة فتسير بوتيرة تطبيقية سريعة، والأفضل إتمام أساسيات Python وGit وAPIs قبل تنفيذ المشروع حتى تستفيد منها بالكامل.

هل سننشئ ثلاثة تطبيقات منفصلة؟

لا. سنبني نظامًا واحدًا: WordPress للموقع والمحتوى، Web App للعمليات ولوحة المستخدم، وNative App للموبايل، كلها تستخدم Backend وAI API مشتركة.

هل سأرفع المشروع على سيرفر حقيقي؟

تغطي المحاضرة السابعة تجهيز VPS وDNS وDocker وHTTPS والنسخ الاحتياطية والمراقبة. تنفيذ النشر الفعلي يتطلب توفر سيرفر ونطاق وحسابات وصلاحيات مناسبة، وقد تنطبق رسوم خارجية.

هل ننشر تطبيق الموبايل في App Store وGoogle Play؟

سننشئ تطبيقًا باستخدام React Native وExpo ونشرح الاختبار وبناء نسخة تجريبية. النشر في المتاجر يحتاج حسابات مطورين ومتطلبات مراجعة منفصلة، ولا يُعد قبول المتجر مضمونًا.

هل السبع محاضرات تكفي لتعلم كل تقنيات AI؟

لا. لهذا يفصل المعسكر بين المنهج المسجّل الموسّع للتعمق والمراجعة، وبين المباشر الذي يركز على مشروع MVP متكامل قابل للتطوير. حجم المشروع يعتمد على وقت التطبيق بين اللقاءات.

هل أحتاج اشتراك Claude أو Codex؟

يعتمد الوصول إلى الأدوات وحدود الاستخدام على الخطط المتاحة وشروط كل خدمة وقت التدريب. لا نفترض أن الاشتراكات أو أرصدة API مدفوعة ضمن الرسوم؛ سنوضح متطلبات الحسابات والبدائل قبل التنفيذ.

هل توجد تكلفة لأدوات الذكاء الاصطناعي؟

سنشرح بدائل محلية ومجانية عند الإمكان، لكن واجهات النماذج المستضافة والسيرفر والنطاق والنشر في المتاجر قد تتطلب رسومًا منفصلة. لا تُحتسب ضمن رسوم المعسكر ما لم يُعلن خلاف ذلك بوضوح.

متى يبدأ التدريب المباشر، وكيف أختار الدفعة؟

اختر 1 نوفمبر 2026 أو 1 ديسمبر 2026 قبل الدفع. هذه تواريخ بدء الدفعات المباشرة مع أستاذ مصطفى؛ ويمكنك دراسة المحتوى المسجّل ذاتيًا. إذا لم يناسبك أي موعد، استكشف المعسكر الفردي.

BUILD YOUR NEXT BIG PROJECT

ابدأ بالتعلّم، وأنهِ الرحلة بنظام AI تستطيع عرضه

المنهج المسجّل يمنحك الأساس. وفي المباشر مع أستاذ مصطفى ستستخدم Claude وCodex لبناء نظام متكامل بمراجعة الكود واختباره قبل رفعه على السيرفر.

قد يتطلب نشر النظام رسومًا مستقلة للسيرفر والدومين وواجهات الذكاء الاصطناعي أو حسابات المتاجر.

اختر دفعتك
معسكر الذكاء الاصطناعياختر دفعتك

هل تريد تلقي إشعارات فورية لجميع الأنشطة الرئيسية في الموقع؟

✕