الأسئلة الشائعة
الخدمات
انضم إلينا كخبير
المدونة
حلل احتياجاتك التدريبيةجديد ومجاني
الإفصاح عن التدريب مجانًاتقييم نضج الموارد البشرية مجانًاالرضا والارتباط الوظيفي مجانًا
رواسي
رواسي التمكين
للاستـــــشارات والـــــتدريب
الرئيسيةمن نحن
الدورات التدريبيةالبرامج التدريبية الشهريةحلل احتياجاتك التدريبية مجانًاالإفصاح عن التدريب مجانًاالاعتمادات
الحقائب التدريبية الجاهزةالتحول الرقمي للحقائب التدريبيةطلب حقيبة تدريبية مخصصة
الخدمات الاستشاريةالمنتجات الرقميةاتصل بنا
رواسي
رواسي التمكينللاستـــــشارات والـــــتدريب

نقدم حلولاً متكاملة في التدريب والاستشارات والمنتجات الرقمية بمعايير مهنية تساهم في تمكين الأفراد وتطوير المؤسسات.

طرق الدفع

مدىفيزاماستركاردأمريكان إكسبرسSTC PayApple Payمدفوعتابيتمارا

السجل التجاري

7001748636

الحالة: نشطإصدار: 27/02/2012

روابط سريعة

  • الرئيسية
  • من نحن
  • الأكاديميات المتخصصة
  • الدورات
  • جميع القطاعات
  • الحقائب التدريبية
  • الخدمات الاستشارية
  • المنتجات الرقمية
  • المدونة
  • اتصل بنا
  • انضم إلينا كخبير

خدماتنا

  • التدريب والتأهيل
  • الحلول الاستشارية
  • الجودة والتميز
  • المنتجات الرقمية
  • التطوير المؤسسي
  • حلول التحول الرقمي

تواصل معنا

الفرع الرئيسي:

الرياض: المملكة العربية السعودية
عمان: المملكة الأردنية الهاشمية
مسقط: سلطنة عُمان

البريد الإلكتروني:

[email protected]

الهاتف:

السعودية:+966 500 665 369(إضافي):+966 570 588 004
تحدث مع خبيرحلل احتياجاتك التدريبية مجانًا

© 2026 رواسي التمكين للاستشارات والتدريب. جميع الحقوق محفوظة.

سياسة الخصوصيةالشروط والأحكامسياسة الاستردادخريطة الموقع
الذكاء الاصطناعي والتنبؤ الحضري في إدارة المدن والخدمات
الدوراتبرامج المدن الذكية والاستدامة
برنامج تدريبي احترافي

الذكاء الاصطناعي والتنبؤ الحضري في إدارة المدن والخدمات

تُعد دورة "الذكاء الاصطناعي والتنبؤ الحضري في إدارة المدن والخدمات" برنامجًا تدريبيًا متقدمًا يهدف إلى تمكين المشاركين من تطبيق تقنيات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) على البيانات الحضرية الضخمة (Big Urban Data) لتحسين إدارة المدن والخدمات، والتنبؤ بالأحداث المستقبلية (مثل حركة المرور،...

شهادة متضمنة
تدريب بقيادة خبراء
تعلم تطبيقي
دعم في التسجيل
أيام
5 أيام
اللغة
العربية والإنجليزية
مسار عرض السعر

اطلب الجدول وعرض السعر

الدفع الإلكتروني غير متاح لهذه الدورة حالياً. أرسل بياناتك وسيقوم فريق التدريب بإعداد الجدول وعرض السعر الأنسب لك.

لا توجد جلسة عامة مدفوعة متاحة الآن. اطلب عرض سعر وسنؤكد الجدول والمقاعد والتكلفة.
ملخص الدورة
اطلب الجدول وعرض السعر

لا يوجد دفع إلكتروني مفتوح لهذه الدورة حالياً. يمكن لفريقنا إرسال عرض السعر المناسب لك.

تاريخ البدء
مرن / متاح دائماً
الشهادة
شهادة معتمدة
أيام
5 أيام

يصلكم العرض عبر البريد وبوابة العملاء

استفسر عبر واتساب
تفاصيل الدورة

نظرة عامة

تُعد دورة "الذكاء الاصطناعي والتنبؤ الحضري في إدارة المدن والخدمات" برنامجًا تدريبيًا متقدمًا يهدف إلى تمكين المشاركين من تطبيق تقنيات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) على البيانات الحضرية الضخمة (Big Urban Data) لتحسين إدارة المدن والخدمات، والتنبؤ بالأحداث المستقبلية (مثل حركة المرور، الطلب على الطاقة، انتشار الجريمة، انتشار الأمراض، الكوارث الطبيعية)، ودعم اتخاذ القرار الاستباقي (Proactive Decision-Making) بدلاً من رد الفعل (Reactive). في ظل تحول المدن السعودية إلى مدن ذكية وإدراكية (Cognitive Cities)، أصبح استخدام الذكاء الاصطناعي ضرورة حتمية لتحقيق الكفاءة والاستدامة وتحسين جودة الحياة.

تستعرض هذه الدورة مجموعة واسعة من تطبيقات الذكاء الاصطناعي في التخطيط الحضري وإدارة المدن، بدءًا من نماذج التنبؤ بأسعار العقارات القائمة على البيانات المكانية والاجتماعية والاقتصادية، مرورًا بأنظمة النقل الذكية التي تعتمد على التعلم المعزز (Reinforcement Learning) لتحسين توقيت الإشارات الضوئية، وصولًا إلى التحليلات التنبؤية للجريمة (Predictive Policing) والصحة العامة (Predictive Public Health) وإدارة الكوارث (Disaster Management). سيتعلم المشاركون كيفية بناء وتدريب ونشر نماذج الذكاء الاصطناعي، مع التركيز على تطبيقات محددة في السياق الحضري السعودي، وكيفية دمج مخرجات هذه النماذج في أنظمة التشغيل الحضري (UrbanOS) ولوحات التحكم في مراكز التحكم الحضري (UCCC) لاتخاذ إجراءات تلقائية أو شبه تلقائية.

الأهداف

أهداف البرنامج

بنهاية هذه الدورة، سيكون المشارك قادرًا على:

  1. فهم أساسيات التعلم الآلي (Machine Learning) والذكاء الاصطناعي (AI) وتطبيقاتها الحضرية – التمييز بين أنواع التعلم الآلي (الإشرافي (Supervised)، غير الإشرافي (Unsupervised)، المعزز (Reinforcement Learning))، وفهم دورة حياة نموذج الذكاء الاصطناعي (جمع البيانات، التنظيف، التدريب، التقييم، النشر، المراقبة).
  2. تطبيق نماذج التنبؤ بالسلاسل الزمنية (Time Series Forecasting) في السياقات الحضرية – استخدام نماذج (ARIMA، Prophet، LSTM) للتنبؤ بطلب الطاقة والمياه، حركة المرور (حجم المركبات، السرعة)، عدد زوار الأماكن العامة، وجودة الهواء، وحجم النفايات.
  3. استخدام تقنيات كشف الشذوذ (Anomaly Detection) للكشف المبكر عن المشكلات الحضرية – تطبيق Isolation Forest، Autoencoders، One-Class SVM لاكتشاف القيم الشاذة في بيانات أجهزة الاستشعار (تسربات المياه، أعطال المعدات، سلوك غير طبيعي في حركة المرور، هجمات إلكترونية على البنية التحتية).
  4. تطبيق التعلم المعزز (Reinforcement Learning) لتحسين العمليات الحضرية – تصميم وكيل ذكي (Agent) يتعلم كيفية التحكم في إشارات المرور (Traffic Light Control) لتقليل وقت الانتظار، أو كيفية توزيع شواحن المركبات الكهربائية (EV Charging) لموازنة الحمل على شبكة الكهرباء.
  5. تطوير نماذج التصنيف (Classification) والتنبؤ المكاني (Spatial Prediction) – التنبؤ بمواقع الجريمة عالية الخطورة (Hotspot Prediction)، والتنبؤ بانتشار الحرائق، والتنبؤ بالمناطق المعرضة للفيضانات، والتنبؤ بأسعار العقارات بناءً على عوامل مكانية واقتصادية.
  6. دمج نماذج الذكاء الاصطناعي في منصة التوأم الرقمي والتشغيل الحضري (UrbanOS) – نشر نماذج الذكاء الاصطناعي المدربة كواجهات برمجة تطبيقات (APIs) قابلة للاستدعاء من منصة UrbanOS، واستخدام مخرجات النماذج لتشغيل التنبيهات الآلية، وتنفيذ إجراءات التحكم (على سبيل المثال، تعديل إشارات المرور تلقائيًا)، وتغذية لوحات المعلومات التنبؤية (Predictive Dashboards).
الفئة المستهدفة

الفئة المستهدفة

يستهدف هذا البرنامج التدريبي الفئات التالية:

  1. علماء البيانات ومحللو البيانات (Data Scientists & Data Analysts) في قطاع المدن الذكية والحكومة والمرافق.
  2. مهندسو التعلم الآلي (Machine Learning Engineers) الذين يبنون ويشغلون أنظمة الذكاء الاصطناعي للبنية التحتية الحضرية.
  3. مهندسو ومخططو المدن والبنية التحتية (Urban Planners، Infrastructure Engineers) الراغبون في تسخير الذكاء الاصطناعي لتحسين قراراتهم.
  4. مديرو مراكز التحكم الحضري (UCCC Managers) والعمليات (Operations Managers).
  5. مسؤولو السلامة العامة والأمن (Public Safety & Security Officials) الراغبون في تطبيق التحليلات التنبؤية.
  6. باحثو وأكاديميو علوم البيانات، والتخطيط الحضري، والهندسة المدنية.
  7. خريجو علوم الحاسوب، الهندسة، الرياضيات، الإحصاء.
الكفاءات

الكفاءات الأساسية

بناء وتدريب نموذج للتنبؤ بحركة المرور باستخدام مكتبة Prophet (Meta)

استخدام بيانات تاريخية لحجم حركة المرور على طريق رئيسي (كل 5 دقائق لمدة 6 أشهر) لتدريب نموذج Prophet، وتوقع حجم المرور للساعات الـ 24 القادمة، وتصور النتائج مع فترات الثقة (Confidence Intervals).

تطبيق نموذج Isolation Forest للكشف عن التسربات في بيانات تدفق المياه

تدريب نموذج Isolation Forest على بيانات تدفق المياه التاريخية (الفترات الطبيعية فقط). استخدام النموذج لاكتشاف النقاط الشاذة في البيانات الحية (محاكاة)، وإطلاق تنبيه عند اكتشاف تسرب محتمل.

تطوير وكيل تعلم معزز (Reinforcement Learning Agent) بسيط للتحكم في إشارة مرور

استخدام مكتبة (Gym) من OpenAI أو SUMO (محاكاة المرور) لإنشاء بيئة محاكاة لتقاطع طرق. تدريب وكيل على تعلم سياسة (Policy) لتحويل الإشارة بين الأخضر والأحمر لتقليل متوسط وقت انتظار السيارات.

بناء نموذج انحدار مكاني (Geographically Weighted Regression – GWR) للتنبؤ بأسعار العقارات

استخدام بيانات أسعار العقارات، والمسافة إلى أقرب مدرسة/مستشفى/مترو/حديقة، ومستوى الضوضاء، وجودة الهواء لكل منطقة. بناء نموذج GWR (في ArcGIS Pro أو GeoDa) لإنشاء خريطة توضح توزيع أسعار العقارات المتوقعة في جميع أنحاء المدينة.

دمج نموذج التنبؤ بالطلب على الطاقة في لوحة تحكم مركز التحكم الحضري (UCCC)

(1) تدريب نموذج تنبؤ (LSTM) على بيانات استهلاك الكهرباء التاريخية للمدينة والتنبؤات الجوية. (2) نشر النموذج كواجهة برمجة تطبيقات (REST API) باستخدام FastAPI أو Flask. (3) استدعاء واجهة برمجة التطبيقات (API) من لوحة تحكم (Power BI أو Grafana) وعرض التنبؤات للـ 24 ساعة القادمة في الوقت الفعلي.

تصميم خطة لاستخدام الذكاء الاصطناعي للتنبؤ بانتشار حرائق الغابات في المناطق الحضرية المحيطة

تحديد مصادر البيانات (الأقمار الصناعية الحرارية، بيانات الطقس (درجة الحرارة، الرطوبة، سرعة الرياح، اتجاهها)، بيانات الغطاء النباتي (Fuel Load)، بيانات المباني). اقتراح نموذج مناسب (Random Forest، LSTM) وتحديد المخرجات (خريطة خطر الحريق للـ 24 ساعة القادمة).

رحلة التعلم

محتوى البرنامج

01

مقدمة المحاور المتقدمة للبرنامج

التصميم العام للبرنامج
نظرًا لعمق المحتوى الرياضي والتقني، تم تصميم الدورة على مدى 5 أيام (25 ساعة تدريبية)، مع التركيز على التطبيقات العملية في بيثون (Python) عبر بيئة Jupyter Notebook.
02

اليوم الأول: مقدمة في الذكاء الاصطناعي الحضري وأنواع التعلم الآلي

مقدمة في الذكاء الاصطناعي للمدن (Urban AI)
تعريف الذكاء الاصطناعي الحضري: تطبيق تقنيات الذكاء الاصطناعي (التعلم الآلي، التعلم العميق، الرؤية الحاسوبية، معالجة اللغة الطبيعية (NLP)) على البيانات الحضرية لتحسين وظائف المدينة. أمثلة على البيانات الحضرية: بيانات أجهزة استشعار (IoT)، بيانات النقل (GPS، كاميرات، بطاقات الدفع)، بيانات الطاقة والمياه، بيانات الجريمة، بيانات الصحة، بيانات وسائل التواصل الاجتماعي (Twitter، Foursquare)، بيانات صور الأقمار الصناعية. دورة حياة نموذج الذكاء الاصطناعي: (1) تحديد المشكلة، (2) جمع البيانات وتنظيفها، (3) هندسة الميزات (Feature Engineering)، (4) تقسيم البيانات (Train/Test Split)، (5) تدريب النموذج (Model Training)، (6) تقييم النموذج (Evaluation)، (7) تحسين النموذج (Hyperparameter Tuning)، (8) نشر النموذج (Deployment)، (9) مراقبة النموذج (Monitoring).
أنواع التعلم الآلي (Supervised، Unsupervised، Reinforcement)
(1) التعلم الإشرافي (Supervised Learning): لدينا بيانات مصنفة (مدخلات ومخرجات). نقوم بتدريب نموذج للتنبؤ بالمخرجات من المدخلات الجديدة. الانحدار (Regression): توقع قيمة مستمرة (على سبيل المثال، سعر العقار، درجة الحرارة). التصنيف (Classification): توقع فئة منفصلة (على سبيل المثال، ازدحام مروري (عالي/متوسط/منخفض)، نوع حدث (حادث، حريق).) (2) التعلم غير الإشرافي (Unsupervised Learning): بيانات غير مصنفة. نبحث عن أنماط أو مجموعات (Clusters) مخفية. التجميع (Clustering): تجميع أحياء المدينة المتشابهة معًا بناءً على عدة خصائص (الدخل، الكثافة السكانية، الجريمة). كشف الشذوذ (Anomaly Detection): اكتشاف النقاط غير الطبيعية (تسرب المياه، استخدام غير طبيعي للكهرباء). (3) التعلم المعزز (Reinforcement Learning): وكيل (Agent) يتفاعل مع بيئة (Environment) عن طريق تنفيذ إجراءات (Actions) ويحصل على مكافآت (Rewards) أو عقوبات (Penalties). يتعلم الوكيل سياسة (Policy) تزيد من المكافأة الإجمالية. مثال: التحكم في إشارات المرور: الوكيل هو نظام التحكم، البيئة هي التقاطع، الإجراءات هي تغيير الإشارة، والمكافأة هي تقليل وقت الانتظار.
أدوات البرمجة للذكاء الاصطناعي الحضري (Python، Pandas، Scikit-learn، TensorFlow/PyTorch، Jupyter Notebook)
استعراض الأدوات: (1) Python: اللغة الأساسية. (2) Pandas: معالجة وتحليل البيانات (DataFrames). (3) NumPy: العمليات الرياضية. (4) Matplotlib / Seaborn: التصور البياني. (5) Scikit-learn: مكتبة شاملة لخوارزميات التعلم الآلي (الانحدار، التصنيف، التجميع، كشف الشذوذ). (6) TensorFlow / PyTorch: للتعلم العميق (الشبكات العصبية، LSTM، CNN). (7) Jupyter Notebook: بيئة تفاعلية لكتابة وتنفيذ الكود وعرض النتائج.
تحضير بيانات حركة المرور للتحليل (مثال)
الخطوات: (1) تحميل ملف CSV لبيانات حركة المرور (طابع زمني، عدد السيارات، سرعة متوسط، القسم). (2) استخدام Pandas لتحويل الأعمدة إلى تنسيق التاريخ والوقت. (3) استكشاف البيانات (Check for missing values، outliers). (4) إنشاء ميزات جديدة: اليوم من الأسبوع (Monday=0، Sunday=6)، الساعة من اليوم، هل هو عطلة نهاية الأسبوع؟ (نعم/لا)، الشهر. (5) تصور الاتجاهات (رسم بياني لحركة المرور حسب الساعة من اليوم، حسب اليوم من الأسبوع).
ورشة عمل عملية (تحليل بيانات جودة الهواء في مدينة)
الهدف: تحليل بيانات جودة الهواء (ملف CSV) من 5 محطات مراقبة في مدينة افتراضية. المطلوب (Python، Pandas، Matplotlib): (1) تحميل البيانات (أعمدة: الطابع الزمني، المحطة، PM2.5، PM10، NO2، درجة الحرارة). (2) تنظيف البيانات (إزالة الصفوف ذات القيم المفقودة > 10%). (3) إنشاء رسم بياني خطي واحد يوضح متوسط PM2.5 لكل محطة بمرور الوقت. (4) إنشاء رسم بياني شريطي (Bar chart) يوضح متوسط PM2.5 لكل محطة. (5) حساب المصفوفة المتعامدة (Correlation Matrix) بين الملوثات ودرجة الحرارة. (6) تحديد المحطة الأكثر تلوثًا، وأكثر وقت في اليوم تلوثًا.
03

اليوم الثاني: التنبؤ بالسلاسل الزمنية (Time Series Forecasting) للتطبيقات الحضرية

مقدمة في تحليل السلاسل الزمنية (Time Series Analysis)
تعريف السلسلة الزمنية: سلسلة من نقاط البيانات مرتبة زمنيًا (كل ساعة، يوم، شهر، سنة). مكونات السلسلة الزمنية: (1) الاتجاه (Trend): زيادة أو نقصان طويلة الأجل. (2) الموسمية (Seasonality): أنماط منتظمة تتكرر على فترات زمنية ثابتة (يوميًا، أسبوعيًا، سنويًا). (3) الدورية (Cyclicity): تقلبات غير منتظمة على مدى فترات زمنية أطول (مثل الدورة الاقتصادية). (4) الضوضاء (Noise): التقلبات العشوائية المتبقية. تقسيم البيانات: تدريب (Training) – أول 80% من البيانات، اختبار (Testing) – آخر 20% من البيانات (لمحاكاة التنبؤ بالمستقبل).
نموذج ARIMA (AutoRegressive Integrated Moving Average) للتنبؤ
ARIMA هو نموذج إحصائي كلاسيكي للتنبؤ بالسلاسل الزمنية الخطية. معلمات ARIMA (p، d، q): (1) p (Autoregressive): عدد المصطلحات الزمنية السابقة المستخدمة. (2) d (Integrated): درجة الاختلاف لجعل السلسلة ثابتة (Stationary). (3) q (Moving Average): عدد أخطاء التنبؤ السابقة المستخدمة. الخطوات (باستخدام Statsmodels في Python): (1) فحص ثبات السلسلة (Augmented Dickey-Fuller test). (2) تحديد المعلمات (p، d، q) باستخدام ACF (الارتباط الذاتي) و PACF (الارتباط الذاتي الجزئي) المؤامرات. (3) تدريب نموذج ARIMA. (4) التنبؤ بعدد الخطوات المطلوبة (على سبيل المثال، 24 ساعة). (5) قياس الأداء (Mean Absolute Error – MAE، Root Mean Squared Error – RMSE).
نموذج Prophet من Facebook/Meta للتنبؤ (مناسب للبيانات اليومية/الأسبوعية/الشهرية)
Prophet هو نموذج قوي وسهل الاستخدام، مصمم للتعامل مع السلاسل الزمنية ذات الاتجاهات القوية والموسمية المتعددة والعطلات الرسمية. ميزات Prophet: (1) مقاوم للقيم المفقودة والبيانات الشاذة. (2) يتعامل تلقائيًا مع التغيرات في الاتجاه (Trend Changepoints). (3) يسمح بإضافة تأثيرات العطلات (Holiday Effects) (مثل العطلات السعودية: العيد الفطر، العيد الأضحى، اليوم الوطني). الخطوات (باستخدام Prophet في Python): (1) تحضير DataFrame بعمودين: ds (التاريخ والوقت) و y (القيمة). (2) إنشاء وتدريب النموذج. (3) إنشاء DataFrame للتنبؤ المستقبلي (future = model.make_future_dataframe(periods=24, freq='H')). (4) التنبؤ (forecast = model.predict(future)). (5) تصور النتائج (عرض التنبؤ مع فترات الثقة).
الشبكات العصبية المتكررة (Recurrent Neural Networks – RNN) و LSTM للتنبؤ بالسلاسل الزمنية طويلة المدى
RNN و LSTM هي نماذج تعلم عميق مناسبة للسلاسل الزمنية المعقدة طويلة المدى (مثل الاعتماد على المدى الطويل). LSTM تتغلب على مشكلة التلاشي والتضخم التدرجي (Vanishing/Exploding Gradient) في RNN العادية. الخطوات (باستخدام TensorFlow/Keras): (1) تحويل السلسلة الزمنية إلى تسلسلات عينات (Sequences) مناسبة لـ LSTM (على سبيل المثال، استخدم آخر 24 ساعة للتنبؤ بالساعة القادمة). (2) بناء نموذج LSTM (طبقات LSTM، طبقات Dropout لمنع التجهيز الزائد (Overfitting)، طبقة كثيفة (Dense) للإخراج). (3) تدريب النموذج (compile with 'adam' optimizer and 'mae' loss، fit with validation split). (4) التنبؤ وتقييم الأداء.
ورشة عمل عملية (التنبؤ بحركة المرور على طريق رئيسي)
الهدف: التنبؤ بحركة المرور (عدد السيارات في الساعة) على طريق رئيسي خلال الـ 24 ساعة القادمة، باستخدام Prophet. المعطيات: بيانات تاريخية (كل ساعة، 3 أشهر). المطلوب (Python): (1) تحميل البيانات وتنسيقها. (2) إضافة أعمدة للعطلات السعودية (Date of National Day، Eid Al-Fitr، Eid Al-Adha) إلى النموذج. (3) تدريب نموذج Prophet. (4) التنبؤ لـ 24 ساعة قادمة. (5) رسم الرسم البياني للبيانات التاريخية والتنبؤات مع فترات الثقة. (6) حساب متوسط الخطأ المطلق (MAE) بين التنبؤ والبيانات الفعلية (اختبار).
04

اليوم الثالث: كشف الشذوذ (Anomaly Detection) للمشكلات الحضرية

مقدمة في كشف الشذوذ (Anomaly Detection) وأهميته للمدن الذكية
تعريف الشذوذ: نقطة بيانات (أو نمط) تختلف بشكل كبير عن بقية البيانات. أنواع الشذوذ: (1) شذوذ نقطي (Point Anomaly): قيمة واحدة شاذة (على سبيل المثال، ارتفاع مفاجئ في تدفق المياه يشير إلى تسرب). (2) شذوذ سياقي (Contextual Anomaly): قيمة طبيعية في سياق، ولكنها شاذة في سياق آخر (على سبيل المثال، استهلاك مرتفع للكهرباء في منتصف الليل). (3) شذوذ جماعي (Collective Anomaly): مجموعة من نقاط البيانات معًا تشكل نمطًا شاذًا (على سبيل المثال، نمط غير عادي في تسلسل أوامر التحكم). أهمية الكشف المبكر: (1) تقليل وقت التوقف (Downtime)، (2) منع الكوارث (تسرب الغاز، انهيار الجسر)، (3) توفير التكاليف، (4) تعزيز الأمن.
تقنيات كشف الشذوذ الإحصائية والآلية (Statistical & Machine Learning)
(1) الكشف القائم على العتبات (Threshold-based): إذا تجاوزت القيمة حدًا معينًا (على سبيل المثال، درجة حرارة المحول > 90 درجة مئوية). بسيط ولكنه غير دقيق للسلوكيات المعقدة. (2) كشف الشذوذ باستخدام الانحراف المعياري (Standard Deviation): تعتبر النقطة شاذة إذا كانت على بعد أكثر من 3 انحرافات معيارية عن المتوسط. (3) Isolation Forest (غابة العزل): خوارزمية شائعة وفعالة. تعزل النقاط الشاذة بشكل عشوائي (كلما كانت النقطة شاذة، كلما كانت أقل عددًا من التقسيمات العشوائية لعزلها). (4) Autoencoders (التشفير التلقائي): شبكة عصبية تتعلم ضغط البيانات (التشفير) ثم إعادة بنائها (فك التشفير). النقاط الشاذة سيكون لها خطأ إعادة بناء كبير (High Reconstruction Error).
كشف الشذوذ في بيانات تدفق المياه (Detection of Leaks in Water Pipelines)
تطبيق عملي: (1) تحميل بيانات تدفق المياه التاريخية (لتر/ثانية) لمدة 30 يومًا (كل 10 دقائق). (2) تدريب نموذج Isolation Forest على البيانات (الفترات الخالية من التسربات). (3) إنشاء بيانات جديدة لـ 24 ساعة تحتوي على تسرب محاكى (زيادة بنسبة 30% في التدفق لمدة ساعتين). (4) استخدام النموذج للتنبؤ بما إذا كانت كل نقطة بيانات شاذة أم لا. (5) تصور النتائج (رسم بياني خطي يوضح البيانات الحقيقية، مع تحديد النقاط الشاذة بلون مختلف). (6) إطلاق إنذار وهمي (طباعة رسالة "تنبيه: تسرب محتمل!") عند اكتشاف سلسلة من النقاط الشاذة المتتالية (على سبيل المثال، أكثر من 3 نقاط متتالية).
كشف الشذوذ في بيانات حركة المرور (Detection of Traffic Incidents)
تطبيق: الكشف عن حوادث المرور أو الازدحام غير العادي باستخدام بيانات السرعة والتدفق. (1) تحميل بيانات سرعة المركبات (كم/ساعة) لكل مقطع طريق (كل دقيقة). (2) حساب المتوسط المتحرك (Rolling Average) لمدة 15 دقيقة لتخفيف الضوضاء. (3) تدريب Autoencoder على بيانات السرعة من الأيام العادية. (4) استخدام النموذج لتحديد النقاط التي يكون فيها خطأ إعادة البناء مرتفعًا جدًا (يشير إلى انخفاض غير عادي في السرعة → حادث محتمل). (5) تصور النتائج على خريطة (إذا توفرت إحداثيات المقطع).
ورشة عمل عملية (كشف التسربات في بيانات تدفق المياه باستخدام Isolation Forest)
الهدف: بناء نموذج كشف تسرب لخط أنابيب مياه. المطلوب (Python، Scikit-learn): (1) تحميل ملف CSV لبيانات التدفق (كل 10 دقائق، 3 أشهر). (2) تقسيم البيانات إلى مجموعة تدريب (أول شهرين) ومجموعة اختبار (الشهر الثالث). (3) تدريب نموذج Isolation Forest على بيانات التدريب (افتراض أن البيانات خالية من التسربات). (4) إدخال تسرب محاكى في بيانات الاختبار (على سبيل المثال، زيادة التدفق بنسبة 25% لمدة 4 ساعات في أحد الأيام). (5) استخدام النموذج للتنبؤ بالشذوذ في بيانات الاختبار. (6) حساب الدقة (Accuracy) والاستدعاء (Recall) والدقة (Precision) للنموذج (بما أننا نعرف موقع التسرب المحاكى). (7) تحسين النموذج (تغيير معامل التلوث (contamination)، عدد المقدرات (n_estimators)) لتحسين الأداء.
05

اليوم الرابع: التعلم المعزز (Reinforcement Learning) لتحسين العمليات الحضرية

مقدمة في التعلم المعزز (Reinforcement Learning – RL)
مكونات RL: (1) الوكيل (Agent): النظام الذي يتعلم ويتخذ القرارات (على سبيل المثال، نظام التحكم في إشارة المرور). (2) البيئة (Environment): العالم الذي يتفاعل معه الوكيل (على سبيل المثال، تقاطع طرق، شبكة الطاقة). (3) الحالة (State): وصف للبيئة في لحظة معينة (على سبيل المثال، أطوال قوائم الانتظار في كل حارة). (4) الإجراء (Action): ما يمكن للوكيل القيام به (على سبيل المثال، تغيير إشارة المرور من الأحمر إلى الأخضر). (5) المكافأة (Reward): إشارة رقمية تشير إلى مدى جودة الإجراء (على سبيل المثال، إجمالي وقت الانتظار المتراكم – تقليل المكافأة (negative reward) لزيادة وقت الانتظار). الهدف: تعلم سياسة (Policy) تزيد من المكافأة الإجمالية (Cumulative Reward).
محاكاة المرور باستخدام SUMO (Simulation of Urban MObility)
SUMO هي أداة محاكاة مرور مفتوحة المصدر (Open Source). الخطوات: (1) إنشاء شبكة طرق (باستخدام NetEdit أو استيراد خرائط OpenStreetMap). (2) تعريف الطلب على المرور (عدد المركبات، مساراتها). (3) تشغيل المحاكاة. (4) ربط SUMO مع Python عبر واجهة برمجة تطبيقات (TraCI – Traffic Control Interface) للتحكم في إشارات المرور ديناميكيًا. أمثلة: (1) التحكم في التقاطع الفردي (Single Intersection) (2) التحكم في شبكة صغيرة (Small Network).
تطبيق Q-Learning للتحكم في إشارة مرور واحدة (Single Traffic Light Control)
Q-Learning هي خوارزمية RL بسيطة. التنفيذ مع SUMO و Python: (1) تعريف الحالات (States) (على سبيل المثال، عدد السيارات المنتظرة في كل حارة مقسم إلى فئات (0-5، 5-10، >10)). (2) تعريف الإجراءات (Actions): (0) بقاء الإشارة الحالية، (1) تغيير الإشارة إلى الأخضر للمرحلة التالية. (3) تعريف المكافأة (Reward): التغير في إجمالي وقت الانتظار (كلما قل وقت الانتظار، زادت المكافأة). (4) تدريب الوكيل على آلاف الخطوات (Steps) حتى يتقارب. (5) مقارنة أداء الوكيل مع نظام إشارة مرور بفترة زمنية ثابتة (Fixed-time) من حيث متوسط وقت الانتظار وطول الطابور.
تطبيقات أخرى للتعلم المعزز في المدن الذكية
(1) إدارة شحن المركبات الكهربائية (EV Charging Management): وكيل يتعلم جدولة شحن المركبات الكهربائية لموازنة الحمل على شبكة الكهرباء، مع تقليل تكلفة الشحن للمستخدمين. (2) التحكم في أنظمة التدفئة والتهوية وتكييف الهواء (HVAC) لتوفير الطاقة: وكيل يتعلم ضبط نقاط ضبط درجة حرارة الغرفة (Temperature Setpoints) في مناطق مختلفة من المبنى لتقليل استهلاك الطاقة مع الحفاظ على الراحة الحرارية. (3) إدارة إشارات المرور على شبكة كاملة (Multi-agent RL): العديد من الوكلاء (لكل تقاطع) يتعلمون بشكل منسق لتقليل الازدحام على مستوى المنطقة.
ورشة عمل عملية (محاكاة التحكم في تقاطع باستخدام Q-Learning و SUMO)
الهدف (توضيحي، مع إرشادات الكود): إعداد بيئة SUMO لتقاطع واحد ذو 4 حارات، وتدريب وكيل Q-Learning للتحكم في الإشارة (مرحلة واحدة: أخضر/أحمر). المخرجات: (1) تشغيل المحاكاة لمدة ساعة محاكاة (3600 ثانية). (2) مقارنة متوسط وقت الانتظار للسيارات بين وكيل RL ونظام الإشارة الثابت (فترة خضراء 30 ثانية، حمراء 30 ثانية). (3) رسم مخطط يوضح منحنى التعلم (Cumulative Reward per Episode).
06

اليوم الخامس: النمذجة المكانية والتصنيف والتنبؤ، والنشر المتكامل

النمذجة المكانية للتنبؤ بالجريمة (Crime Hotspot Prediction)
التطبيق: استخدام البيانات التاريخية للجرائم (المسرقة، الاعتداءات) وخصائص الأحياء (عدد السكان، الدخل، معدل البطالة، عدد مصابيح الشوارع، وجود كاميرات مراقبة) لتدريب نموذج تصنيف يتنبأ بالمناطق ذات الخطورة العالية للجريمة في المستقبل. (1) تحميل بيانات الجريمة مع إحداثيات (Lat، Lon). (2) تجميعها حسب الأحياء أو خلايا الشبكة. (3) تدريب نموذج Random Forest Classifier (جرائم عالية / منخفضة). (4) تقييم النموذج باستخدام مصفوفة الارتباك (Confusion Matrix). (5) تصور خريطة التنبؤ (Hotspot Map) لمسؤولي الشرطة لتوزيع الدوريات بشكل استباقي.
الانحدار المكاني: التنبؤ بأسعار العقارات (Real Estate Price Prediction)
استخدام GWR (Geographically Weighted Regression): الانحدار الخطي يختلف مكانيًا (على سبيل المثال، تأثير قرب المترو على سعر العقار قد يختلف بين حي غني وحي فقير). الخطوات (في ArcGIS Pro أو GeoDa): (1) تحميل نقاط العقارات (السعر، غرف، حمامات، مساحة، القرب من المترو، القرب من المدارس، القرب من الحدائق). (2) تشغيل GWR وتفسير النتائج (خريطة لمعاملات الانحدار المتغيرة مكانيًا). (3) إنشاء خريطة أسعار التنبؤ.
دمج نماذج الذكاء الاصطناعي في منصة التوأم الرقمي والتشغيل الحضري (نشر النموذج كواجهة برمجة تطبيقات – API Deployment)
كيفية نقل النموذج من بيئة التطوير (Jupyter) إلى بيئة الإنتاج (Production). الخطوات: (1) حفظ النموذج المدرب (Pickle، Joblib، TensorFlow SavedModel). (2) إنشاء واجهة برمجة تطبيقات (API) باستخدام FastAPI أو Flask: يتم تحميل النموذج وتوفير نقطة نهاية (Endpoint) مثل /predict، الذي يستقبل بيانات الإدخال (JSON) ويعيد التنبؤ (JSON). (3) تشغيل الـ API محليًا أو على حاوية Docker. (4) استدعاء الـ API من منصة التوأم الرقمي (Azure Digital Twins، UrbanOS) أو لوحة التحكم (Power BI).
دراسة حالة متقدمة: نظام إدارة حركة المرور التنبؤي في مدينة الرياض
كيف تستخدم الرياض (أو مخطط لها) الذكاء الاصطناعي لتحسين حركة المرور. (1) التنبؤ بالازدحام في الوقت الفعلي باستخدام LSTM. (2) توجيه السائقين إلى مسارات بديلة عبر التطبيقات. (3) تعديل إشارات المرور تلقائيًا باستخدام RL. (4) الكشف التلقائي عن الحوادث عبر تحليل الفيديو (Video Analytics).
مشروع الذكاء الاصطناعي الحضري النهائي (تطبيق شامل)
حالة: أمانة مدينة تعاني من ازدحام مروري متزايد، تسربات في شبكة المياه، وشكاوى من جودة الهواء. المطلوب من المشاركين (فرق عمل صغيرة): (1) اختيار مشكلة واحدة من الثلاث، (2) تحديد هدف النموذج (تصنيف، تنبؤ، كشف شذوذ)، (3) تحديد مصادر البيانات المطلوبة (إمكانية الوصول إليها افتراضيًا)، (4) كتابة خطة (3-4 صفحات) لتطوير ونشر النموذج تشمل: (أ) البيانات ومصادرها، (ب) تقنيات النمذجة المقترحة، (ج) خطة التقييم (دقة، استدعاء، وما إلى ذلك)، (د) كيف سيتم دمج النموذج في عمليات التشغيل الحضري (مستوى الآلية: تنبيه فقط، توصية، تحكم تلقائي كامل)، (هـ) تقدير التكاليف (البيانات، الحوسبة السحابية، التطوير).
اختبار ختامي ومراجعة الدورة الثامنة
أسئلة موضوعية قصيرة حول مفاهيم التعلم الآلي (الإشرافي، غير الإشرافي، المعزز)، السلاسل الزمنية، كشف الشذوذ، RL. مراجعة لأبرز النقاط في الأيام الخمسة.
ملخص التسجيل
تسجيل آمن في الدورة
اطلب الجدول وعرض السعر

لا يوجد دفع إلكتروني مفتوح لهذه الدورة حالياً. يمكن لفريقنا إرسال عرض السعر المناسب لك.

+966

تحقق أمني سريع — أكمله لتفعيل الإرسال

يصلكم العرض عبر البريد وبوابة العملاء

استفسر عبر واتساب
قد يهمك أيضاً

دورات أخرى متاحة للحجز الآن

دفعات مؤكدة بموعد وسعر محددين — احجز مقعدك وادفع إلكترونياً مباشرة

المناقصات والمشتريات الحكومية: قراءة عملية للأنظمة والعقود - رواسي التمكين
دفعة مؤكدة — حجز فوري
البرامج القانونية للمحامين والموظفين

المناقصات والمشتريات الحكومية: قراءة عملية للأنظمة والعقود

  • يبدأ الأحد 25 أكتوبر 2026
  • عن بُعد
  • 6:00–10:00 مبتوقيت الرياض
396 SARشامل ضريبة القيمة المضافة
احجز مقعدكهل ترغب بتنفيذها لمنشأتك؟
نظام إدارة الجودة – ISO 9001 - رواسي التمكين
دفعة مؤكدة — حجز فوري
برامج شهادات الايزو(ISO)

نظام إدارة الجودة – ISO 9001

  • يبدأ الأحد 25 أكتوبر 2026
  • عن بُعد
  • 6:00–10:00 مبتوقيت الرياض
399 SARشامل ضريبة القيمة المضافة
احجز مقعدكهل ترغب بتنفيذها لمنشأتك؟
ضبط الجودة والاختبارات QA/QC في الأعمال المدنية والإنشائية - رواسي التمكين
دفعة مؤكدة — حجز فوري
البرامج الهندسية في القطاع الإنشائي

ضبط الجودة والاختبارات QA/QC في الأعمال المدنية والإنشائية

  • يبدأ الأحد 25 أكتوبر 2026
  • عن بُعد
  • 6:00–10:00 مبتوقيت الرياض
696 SARشامل ضريبة القيمة المضافة
احجز مقعدكهل ترغب بتنفيذها لمنشأتك؟
أخصائي المشتريات والعقود - رواسي التمكين
دفعة مؤكدة — حجز فوري
البرامج الادارية والقيادية

أخصائي المشتريات والعقود

  • يبدأ الأحد 18 أكتوبر 2026
  • عن بُعد
  • 6:00–10:00 مبتوقيت الرياض
يبدأ خلال 12 يوماً
396 SARشامل ضريبة القيمة المضافة
احجز مقعدكهل ترغب بتنفيذها لمنشأتك؟
مصفوفة المواعيد الثابتة

استكشف جدول البرامج التدريبية الشهرية

خطط لخارطة التدريب الربعي لمنشأتك من خلال دوراتنا الشهرية المضمونة الانعقاد. تصفح الجداول الزمنية المنظمة والمصممة خصيصاً للمسارات الصناعية والمهنية.

عرض الجدول الشهري
عرض سعر لجهة عملك
يصلكم العرض عبر البريد وبوابة العملاء