01
الأسس
البيانات، الأنماط، الاحتمالات، التمثيل، الخطأ، والتعميم. قبل أن نتحدث عن النماذج الكبيرة، نريد فهمًا حقيقيًا لما يعني أن تتعلم آلة من أمثلة.
من محو الأمية إلى القدرة على البناء
لا تتعلم كيف تطلب من الذكاء الاصطناعي فقط. تعلّم كيف يعمل.
نريد مسارًا يأخذ الطالب من فهم البيانات والأنماط والاحتمالات إلى التدريب والتقييم والبرمجة وبناء الأدوات، مع التفكير النقدي والخصوصية والتحقق من الأدلة في كل مرحلة.
02
كيف يتعلّم الذكاء الاصطناعي
التدريب، التحقق، الاختبار، overfitting، loss، البيانات المنحازة، ولماذا قد ينجح النموذج في مثال ويفشل في آخر.
03
العمل مع الذكاء الاصطناعي
البحث والكتابة والتحقق والتحليل واستخدام الأدوات بطريقة لا تلغي التفكير. الطالب يتعلم متى يثق، متى يشك، ومتى يحتاج مصدرًا أو اختبارًا مستقلًا.
04
البرمجة والبناء
Python، البيانات، APIs، النماذج والأدوات الصغيرة، ثم مشروعات يمكن للطالب أن يشرح كيف تعمل ولماذا اتخذ قراراته.
05
المسؤولية
الهلوسة، الانحياز، الخصوصية، حقوق المحتوى، الدليل وحدود الأتمتة. الكفاءة التقنية ليست بديلًا عن الحكم الجيد.
من الاستخدام إلى البناء
مسار AI يجب أن يشرح الآلة قبل أن يعلّم الحيلة.
كثير من تعليم الذكاء الاصطناعي يبدأ من prompts والأدوات. نحن نريد طبقة أعمق: ما البيانات؟ ما النمط؟ كيف يتعلم نموذج؟ ما الفرق بين التدريب والاختبار؟ لماذا يخطئ؟ وكيف نعرف أن مخرجه لا يستحق الثقة؟
بعد هذه الأسس يأتي الاستخدام العملي: كتابة أفضل، بحث، برمجة بمساعدة AI، APIs، وبناء أدوات صغيرة. الهدف أن يستطيع الطالب التعامل مع الذكاء الاصطناعي كمنظومة يمكن فهمها واختبارها وبناؤها، لا كصندوق سحري.
Data & Patterns
البيانات، المتغيرات، الأنماط، الاحتمال، الارتباط مقابل السببية، وما الذي تعنيه جودة البيانات قبل الحديث عن نموذج.
Learning & Evaluation
التدريب، الخسارة، التعميم، overfitting، validation، المقاييس، ولماذا قد يبدو نموذج جيدًا على مثال ويفشل خارجه.
Working with AI
صياغة المهمة، إعطاء السياق، بناء معايير تحقق، مقارنة المصادر، اكتشاف الهلوسة، واستخدام AI كشريك عمل لا كبديل للحكم.
Build with AI
Python، بيانات، APIs، استدعاء النماذج، واجهات صغيرة، تقييمات، ومشروع نهائي يربط المشكلة بالحل والقياس.
EXPERIENCE
المشروع أهم من الشهادة.
في نهاية المسار لا نريد شاشة تقول «اكتمل». نريد شيئًا يمكن للطالب عرضه: أداة صغيرة، تحليل بيانات، مساعد مقيد بمصادر، أو تجربة تقارن نموذجين. يجب أن يستطيع شرح ما بناه، أين قد يفشل، وكيف اختبره.
01تعلم الأساس
02حل مسائل
03نفّذ تجربة
04اكتب كودًا
05ابنِ مشروعًا موثقًا
EVIDENCE / BOUNDARIES
كيف نعرف أن المسار ليس مجرد محتوى AI جديد؟
أسئلة نقل تتغير أمثلتها بدل حفظ الصياغة.
المتعلم يراجع مخرجات AI مقابل مصادر أو اختبارات.
المخرجات تعمل أو تفشل ويمكن فحصها، لا تقييمها بالانطباع فقط.
دليل نهائي يمكن عرضه وشرحه ومراجعته.