كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

المراجع العلمية

الأوراق والأطر والتشريعات والأدوات التي بُنيت عليها تجارب المختبر وقاعدة معرفته. الرابط يظهر فقط حين تحققنا منه.

English

إطار عمل 2

  1. Artificial Intelligence Risk Management Framework (AI RMF 1.0)NIST (2023) — إطار عمل
  2. NIST AI 100-1 (AI RMF 1.0, PDF via DOI)NIST (2023) — إطار عمل

مبادئ 4

  1. Microsoft Responsible AIMicrosoft (2025) — مبادئ
  2. Google — AI ResponsibilityGoogle (2025) — مبادئ — مرجع مطبوع؛ لا يوجد رابط مفتوح موثق
  3. OECD AI PrinciplesOECD (2024) — مبادئ
  4. Recommendation on the Ethics of Artificial IntelligenceUNESCO (2021) — مبادئ

تشريع 2

  1. Regulation (EU) 2024/1689 — Artificial Intelligence ActEuropean Union (2024) — تشريع
  2. Regulation (EU) 2016/679 — General Data Protection RegulationEuropean Union (2016) — تشريع

أداة 8

  1. Fairlearn — open-source fairness toolkitFairlearn contributors (2025) — أداة
  2. Fairlearn User Guide — AssessmentFairlearn contributors (2025) — أداة
  3. SHAP documentationS. Lundberg et al. (2025) — أداة
  4. LIME — Local Interpretable Model-agnostic Explanations (code)M. T. Ribeiro (2016) — أداة
  5. AI Fairness 360IBM Research (2025) — أداة
  6. scikit-learn — Permutation feature importancescikit-learn developers (2025) — أداة
  7. scikit-learn — Partial dependence and ICE plotsscikit-learn developers (2025) — أداة
  8. imbalanced-learn — SMOTEimbalanced-learn developers (2025) — أداة

ورقة علمية 20

  1. The Algorithmic Foundations of Differential PrivacyC. Dwork, A. Roth (2014) — ورقة علمية
  2. Simple Demographics Often Identify People UniquelyL. Sweeney (2000) — ورقة علمية
  3. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification (PMLR 81:77–91)J. Buolamwini, T. Gebru (2018) — ورقة علمية
  4. Equality of Opportunity in Supervised Learning (arXiv:1610.02413)M. Hardt, E. Price, N. Srebro (2016) — ورقة علمية
  5. Inherent Trade-Offs in the Fair Determination of Risk Scores (arXiv:1609.05807)J. Kleinberg, S. Mullainathan, M. Raghavan (2016) — ورقة علمية
  6. Fair prediction with disparate impact (arXiv:1610.07524)A. Chouldechova (2017) — ورقة علمية
  7. A Unified Approach to Interpreting Model Predictions (arXiv:1705.07874)S. Lundberg, S.-I. Lee (2017) — ورقة علمية
  8. "Why Should I Trust You?" Explaining the Predictions of Any Classifier (arXiv:1602.04938)M. T. Ribeiro, S. Singh, C. Guestrin (2016) — ورقة علمية
  9. Counterfactual Explanations without Opening the Black Box (arXiv:1711.00399)S. Wachter, B. Mittelstadt, C. Russell (2017) — ورقة علمية
  10. Peeking Inside the Black Box: ICE plots (arXiv:1309.6392)A. Goldstein, A. Kapelner, J. Bleich, E. Pitkin (2013) — ورقة علمية
  11. Privacy Risk in Machine Learning: Analyzing the Connection to Overfitting (arXiv:1709.01604)S. Yeom, I. Giacomelli, M. Fredrikson, S. Jha (2018) — ورقة علمية
  12. Membership Inference Attacks against Machine Learning Models (arXiv:1610.05820)R. Shokri, M. Stronati, C. Song, V. Shmatikov (2017) — ورقة علمية
  13. SMOTE: Synthetic Minority Over-sampling Technique (arXiv:1106.1813)N. V. Chawla, K. W. Bowyer, L. O. Hall, W. P. Kegelmeyer (2002) — ورقة علمية
  14. Model Cards for Model Reporting (arXiv:1810.03993)M. Mitchell et al. (2019) — ورقة علمية
  15. Datasheets for Datasets (arXiv:1803.09010)T. Gebru et al. (2018) — ورقة علمية
  16. Closing the AI Accountability Gap: internal algorithmic auditing (arXiv:2001.00973)I. D. Raji et al. (2020) — ورقة علمية
  17. A Survey on Bias and Fairness in Machine Learning (arXiv:1908.09635)N. Mehrabi et al. (2019) — ورقة علمية
  18. A Framework for Understanding Sources of Harm throughout the ML Life Cycle (arXiv:1901.10002)H. Suresh, J. Guttag (2019) — ورقة علمية
  19. Dissecting racial bias in an algorithm used to manage the health of populations. Science 366(6464). DOI 10.1126/science.aax2342Z. Obermeyer, B. Powers, C. Vogeli, S. Mullainathan (2019) — ورقة علمية — مرجع مطبوع؛ لا يوجد رابط مفتوح موثق
  20. Data preprocessing techniques for classification without discrimination. Knowledge and Information Systems 33. DOI 10.1007/s10115-011-0463-8F. Kamiran, T. Calders (2012) — ورقة علمية — مرجع مطبوع؛ لا يوجد رابط مفتوح موثق

كتاب 2

  1. Fairness and Machine Learning: Limitations and OpportunitiesS. Barocas, M. Hardt, A. Narayanan (2023) — كتاب
  2. Interpretable Machine LearningC. Molnar (2025) — كتاب

حالة موثقة 1

  1. Machine BiasJ. Angwin, J. Larson, S. Mattu, L. Kirchner (ProPublica) (2016) — حالة موثقة