علم البيانات والذكاء الاصطناعي للقطاع المصرفي

مقدمة عن البرنامج

برنامج تدريبي متقدم يهدف إلى تزويد المشاركين بفهم متين للمفاهيم والتقنيات الحديثة في علم البيانات والذكاء الاصطناعي وتعلم الآلة، مع التركيز على التطبيقات العملية
يغطي البرنامج خطوات تنظيف وتحليل البيانات، التصور البياني، وتطبيق خوارزميات التعلم الآلي الخاضع وغير الخاضع للإشراف باستخدام أدوات برمجية مثل Python، Pandas وScikit-learn.

يجمع البرنامج بين المعرفة النظرية والتطبيق العملي من خلال مشاريع ودراسات حالة، مما يمكّن المشاركين من تطوير نماذج تعلم آلي متقدمة لدعم التنبؤ بالمخاطر، كشف الاحتيال، وتحليل البيانات المالية بفعالية.
وبنهاية البرنامج، يكون المشاركون مزودين بالمهارات والخبرات اللازمة للارتقاء إلى مستويات متقدمة في هذا المجال الحيوي.

الفئة المستهدفة

1. موظفو القطاعات المصرفية والمالية التقنية الراغبون في تعزيز مهاراتهم في علم البيانات وتعلم الآلة، بغض النظر عن خلفياتهم الأكاديمي
2. طلبة الجامعات والخريجين المهتمين بعلم البيانات
3. العاملون في مجالات تكنولوجيا المعلومات، تحليل البيانات، إدارة المخاطر، التسويق، والتمويل المصرفي، الساعون لتوظيف تقنيات الذكاء الاصطناعي لتحسين العمليات واتخاذ قرارات استراتيجية دقيقة
4. لا يُشترط وجود خبرة سابقة في التعلم الآلي، مع اعتبار المعرفة الأساسية بالبرمجة ميزة إضافية لزيادة الاستفادة من محتوى البرنامج

الهدف العام للبرنامج

تزويد المشاركين بمعرفة ومهارات متقدمة في علم البيانات والتعلم الآلي، وتمكينهم من بناء نماذج تحليلية عملية تُطبَّق في البيئة المصرفية بهدف تحسين جودة الخدمات، دعم اتخاذ القرار، والارتقاء بالكفاءة التشغيلية.

أهداف البرنامج

بحلول نهاية البرنامج سيكون المشاركون قادرين على:

1. فهم المفاهيم الأساسية لعلم البيانات، الذكاء الاصطناعي والتعلم الآلي، ودور تحليل البيانات في دعم اتخاذ القرار بالمؤسسات المالية
2. استخدام أدوات التحليل بلغة Python وأشهر المكتبات مثل Pandas وScikit-learn لتحليل البيانات المصرفية والمالية (الحسابات، القروض، المعاملات، سلوك العملاء)
3. معالجة وتنظيف البيانات المالية بفعالية وتطبيق التحليل الاستكشافي والتصور البياني لفهم الأنماط والسلوكيات
4. التعرف على خوارزميات التعلم الآلي الخاضع للإشراف (مثل Decision Trees، Random Forest، SVM) وغير الخاضع للإشراف (مثل K-means)، وتطبيقها في مجالات مثل التنبؤ بالمخاطر، كشف الاحتيال، وتصنيف العملاء
5. بناء وتقييم نماذج تعلم آلي باستخدام بيانات حقيقية، والتحقق من فعاليتها في دعم القرارات وتحسين العمليات
6. الإلمام بأحدث التطورات في مجال الذكاء الاصطناعي ودورها في التحول الرقمي والأتمتة وتحسين تجربة العملاء
7. تنمية التفكير التحليلي والابتكاري لتطوير حلول عملية تعتمد على البيانات لتعزيز التنافسية وتحسين الخدمات المصرفية

محتويات البرنامج :

• اليوم الأول: مقدمة في علم البيانات والتعلم الآلي، التعرف على المفاهيم الأساسية، الفرق بين علم البيانات والذكاء الاصطناعي، وأبرز تطبيقاتها في القطاع المصرفي.
• اليوم الثاني: مقدمة في لغة Python، التعرف على المتغيرات، الهياكل الشرطية (if-else)، الحلقات (loops)، الدوال (functions)، والقيام بالعمليات الأساسية على البيانات.
• اليوم الثالث: التعامل مع البيانات باستخدام مكتبة Pandas، إنشاء جداول البيانات (DataFrames)، استيراد البيانات المصرفية من مصادر خارجية، وإجراء التحليلات الأولية عليها.
• اليوم الرابع: تجهيز وتحليل البيانات، تعلم تقنيات تنظيف البيانات، إدارة القيم المفقودة، وتطبيق التحليل الاستكشافي الشامل لفهم البيانات.
• اليوم الخامس: التصور البياني، استخدام مكتبات Matplotlib وSeaborn لإنشاء الرسوم البيانية وتحليل الأنماط المالية بشكل مرئي وفعّال.
• اليوم السادس: تحليل الترابط وتقييم أداء النماذج، بناء وتفسير Correlation Matrix، وفهم مؤشرات الأداء المختلفة مثل Confusion Matrix، Accuracy، Recall، Precision، F1-score، ROC Curve وAUC.
• اليوم السابع: مقدمة شاملة في الذكاء الاصطناعي وتعلم الآلة، التعرف على الأنواع المختلفة مثل التعلم الخاضع للإشراف وغير الخاضع للإشراف، ومراحل بناء النماذج بدايةً من جمع البيانات وحتى التقييم والتحسين.
• اليوم الثامن: تدريب عملي مكثّف باستخدام بيانات مصرفية حقيقية لترسيخ المفاهيم والخطوات العملية التي تم تعلمها في الأيام السابقة.
• اليوم التاسع: دراسة وتطبيق نماذج شجرة القرار (Decision Trees) والانحدار اللوجستي (Logistic Regression) لتحليل بيانات العملاء وتقييم المخاطر المصرفية.
• اليوم العاشر: التعرف على خوارزميات Random Forest وSVM، شرح مبسط لمبدأ عملها ومزاياها، مع تدريب عملي على استخدامها في تصنيف البيانات وكشف العملات المزيفة.
• اليوم الحادي عشر: تحسين أداء النماذج باستخدام تقنيات متقدمة مثل Cross-validation، تحليل أهمية المتغيرات (Feature Importance)، وضبط المعاملات الفائقة (Hyperparameter Tuning) باستخدام GridSearch.
• اليوم الثاني عشر: التعلم غير الخاضع للإشراف، المفاهيم الأساسية، وخوارزمية K-means للتجميع وتحليل شرائح العملاء في القطاع المصرفي.
• اليوم الثالث عشر: مقدمة في التعلم العميق، التعرف على الشبكات العصبية العميقة (Deep Neural Networks – DNN) وتطبيقاتها في التنبؤ بأسعار الأسهم والقطاع المالي.
• اليوم الرابع عشر: دراسات تطبيقية متقدمة في التحليل المالي والتنبؤ بالعجز المالي، الإيرادات، وتمويل القروض باستخدام نماذج تعلم الآلي.
• اليوم الخامس عشر: الجزء الأول من المشروع التطبيقي، اختيار مشكلة واقعية من القطاع المصرفي، تحليل البيانات وتصميم النموذج المناسب.
• اليوم السادس عشر: الجزء الثاني والتقييم، عرض نتائج المشاريع، مناقشة الحلول المقترَحة، التقييم النهائي

أساليب التدريب

• العروض التقديمية والمحاضرات النظرية
  •تطبيق عملي باستخدام Python وأدوات التحليل
  • دراسة حالات حقيقية من القطاع المصرفي
  • مشاريع تطبيقية فردية أو جماعية
  • نقاشات وتفاعل جماعي لتحفيز التفكير التحليلي

عدد ساعات الدبلوم :120 ساعة تدريبية 

الرسوم للاعضاء ولغير الاعضاء: 1800 دولار

جدول مواعيد الدورة: