现在掌握量子技术知识将使你在不久的将来成为编程领域的领导者” 

从头开始训练一个模型意味着要有大量以前编过目录的信息，每种要区分的类型大约有 10,000 张照片。这需要数小时才能取得良好效果。对于这些情况，可以通过Transfer Learning资源从以前训练过的模型开始：这个专科文凭会检查当前可用的网络模型，以便通过应用这种技术促进模型的训练。

毕业生将分析计算机视觉的主要用例：分类，对象检测，对象识别，对象跟进。例如，谷歌使用这些算法来执行基于图像的搜索；而 Facebook 则使用它们来自动识别和标记照片中的人物。

近年来，量子计算在理论和实践方面都取得了飞速发展，并有望对实际应用产生潜在影响。量子计算被证明最有效的一个关键领域是 Machine Learning 领域，以及将其应用于现实世界中的前瞻性，预测性和规范性问题。

该课程探索如何在高级分析和人工智能的背景下实现量子优势。这个专科文凭的目的是展示当前和未来的量子技术可以为机器学习带来什么好处，重点关注对传统数字计算机具有挑战性的算法，例如基于内核的模型，优化和卷积网络。

由于这是一所 100% 在线的专科文凭，学生不受固定时间表的限制，也不需出门上课。使用可上网的设备，你可以访问丰富的内容，帮助你掌握量子计算技术，成为计算机行业的精英。所有这一切，在一天中的任何时间，按照自己的节奏，将工作和个人生活与学习生活结合起来。

这种培训将使你能够以一种舒适的方式推进你的职业生涯"

这个计算机视觉与量子计算专科文凭包含市场上最完整和最新的课程。主要特点是：

• 由计算机视觉与量子计算专家介绍案例研究的发展情况 
• 以图形,示意图和极具实用性的内容构思，收集了对专业实践至关重要的学科的实用信息
• 利用自我评估过程改进学习的实际练习 
• 特别强调创新的方法论  
• 理论知识,专家预论,争议主题讨论论坛和个人反思工作 
• 可以从任何，有互联网连接的，固定或便携式设备上获取内容

你正面临着一个新兴市场，在这个市场中，获得有关量子计算的正确知识和建议对于利用这一发展至关重要”

该课程的教学人员，包括来自这个行业的专业人士，他们将自己的工作经验带到培训中以及来自领先公司和著名大学的公认专家。

课程的多媒体内容是用最新的教育技术开发的，将允许专业人员进行情景式学习，即一个模拟的环境，提供一个为真实情况设计的培训。

这个课程的设计侧重于基于问题的学习，通过这种方式，专业人员必须尝试解决他们在整个学术课程中所面临的不同专业实践情况。由知名专家开发的创新型互动视频系统将为其提供支持。

你将研究当前可用的网络模型通过应用迁移学习技术促进我们模型的"

您将看到当前和未来的量子技术可以为机器学习带来的好处，重点是算法"

行业专业人士通过三个模块汇集了计算机视觉和量子计算领域的最新进展。因此，这所专科文凭涵盖了从卷积神经网络，量子电路和经典 Machine Learning 算法的构建，到 Transfer Learning 概念和量子计算机编程等各个方面。为了实现这一目标，该课程深入研究每种技术的应用范围，了解它们提供的竞争优势。

你将拥有全球视野，了解全球数字化的主导技术，并具备应用这些技术的能力”

模块 1. I+D+I.A.Computer vision.物体识别和跟进对象

1.1. 计算机视觉

1.1.1. Computer Vision
1.1.2. 计算机视觉
1.1.3. 机器对图像的解释

1.2. 激活函数

1.2.1. 激活函数
1.2.2. 乙字形
1.2.3. RELU
1.2.4. 双曲正切
1.2.5. Softmax

1.3. 构建卷积神经网络

1.3.1. 卷积操作
1.3.2. 循环层(ReLU)
1.3.3. 集合
1.3.4. 谄媚
1.3.5. 完整连接

1.4. 卷积过程

1.4.1. 卷积的工作原理
1.4.2. 卷积码
1.4.3. 卷积用处

1.5. 用图像进行转换

1.5.1. 用图像进行转换
1.5.2. 高级转换
1.5.3. 用图像进行转换。用处
1.5.4. 用图像进行转换。使用案例

1.6. Transfer Learning

1.6.1. Transfer Learning
1.6.2. 转移学习分类
1.6.3. 应用 Transfer Learning的深度网络

1.7. 计算机视觉使用案例

1.7.1. 图像分类
1.7.2. 物体检测
1.7.3. 物体识别
1.7.4. 物体分割

1.8. 物体检测

1.8.1. 从卷积中探测
1.8.2. R-CNN, 选择性搜索
1.8.3. 用YOLO进行快速检测
1.8.4. 其他可能的解决方案

1.9. GAN.生成式对抗网络，或称生成式对抗网络

1.9.1. 生成式对抗网络
1.9.2. GAN的代码
1.9.3. GAN.用处

1.10. Computer Vision模型的应用

1.10.1. 内容组织
1.10.2. 视觉搜索引擎
1.10.3. 面部识别
1.10.4. 增强现实
1.10.5. 自动驾驶
1.10.6. 每个组件的故障识别
1.10.7. 虫害识别
1.10.8. 健康 

模块 2. 量子计算一种新的计算模式

2.1. 量子计算

2.1.1. 与经典计算的区别
2.1.2. 量子计算的必要性
2.1.3. 量子计算机：自然与技术

2.2. 量子计算应用

2.2.1. 量子计算与经典计算的应用
2.2.2. 使用环境
2.2.3. 在实际案例中的应用

2.3. 量子计算的数学基础

2.3.1. 计算复杂性
2.3.2. 双缝实验。粒子和波
2.3.3. 纠缠

2.4. 量子计算的几何基础

2.4.1. Qubit和复杂的二维希尔伯特空间
2.4.2. 一般狄拉克形式主义
2.4.3. N-Qubit状态和2n维希尔伯特空间

2.5. 数学基础线性代数

2.5.1. 内积
2.5.2. 米特算子
2.5.3. 特征值和特征向量

2.6. 量子电路

2.6.1. 贝尔态和保利矩阵
2.6.2. 量子逻辑门
2.6.3. 量子控制门

2.7. 量子算法

2.7.1. 可逆量子门
2.7.2. 量子傅里叶变换
2.7.3. 量子传送

2.8. 展示量子优越性的算法

2.8.1. Deutsch的算法
2.8.2. Shor的算法
2.8.3. Grover的算法

2.9. 量子计算机编程

2.9.1. 我在Qiskit（IBM）的第一个程序
2.9.2. 我在Ocean 的第一个程序（Dwave）
2.9.3. 我在Cirq（谷歌）的第一个程序

2.10. 在量子计算机上的应用

2.10.1. 逻辑门的创建

2.10.1.1.量子数字加法器的创建

2.10.2. 创建量子集
2.10.3. 鲍勃和爱丽丝之间的密匙通信

模块 3. Quantum Machine Learning.未来的人工智能(A.I.)

3.1. 经典的机器学习算法

3.1.1. 描述性、预测性、前瞻性和规范性模型
3.1.2. 有监督和无监督的模型
3.1.3. 特征还原, PCA, 协方差矩阵, SVM, 神经网络
3.1.4. 机器学习中的优化：梯度下降

3.2. 经典的深度学习算法

3.2.1. 玻尔兹曼网络深度学习的革命
3.2.2. 深度学习模型CNN, LSTM, GANs
3.2.3. Encoder-Decoder模型
3.2.4. 信号分析模型傅里叶分析

3.3. 量子分类器

3.3.1. 量子分类器的生成
3.3.2. 量子状态下的数据振幅编码
3.3.3. 量子态中数据的相位/角度编码
3.3.4. 高级别的编码

3.4. 优化算法

3.4.1. 量子近似优化算法（QAOA）
3.4.2. 变分量子解算器（VQE）
3.4.3. 二次方无约束二元优化（QUBO）

3.5. 优化算法。实例

3.5.1. 带有量子电路的PCA
3.5.2. 优化库存包装
3.5.3. 优化物流路线

3.6. Quantum Kernels Machine Learning

3.6.1. Variational quantum classifiers.QKA
3.6.2. Quantum Kernel Machine Learning
3.6.3. Quantum Kernel核的分类
3.6.4. 基于量子核的聚类

3.7. 量子神经网络

3.7.1. 经典的神经网络和感知器
3.7.2. 量子神经网络和感知器
3.7.3. 量子卷积神经网络

3.8. 高级深度学习（DL）算法

3.8.1. 量子玻尔兹曼机
3.8.2. 一般对抗性网络
3.8.3. 量子傅里叶变换、量子相位估计和量子矩阵

3.9. 机器学习使用案例

3.9.1. 用VQC（变异量子分类器）进行的实验
3.9.2. Quantum Neural Networks的实验
3.9.3. 使用 GAN 进行实验

3.10. 量子计算和人工智能

3.10.1. ML模型中的量子能力
3.10.2. Quantum Knowledge Graphs
3.10.3. 量子人工智能的未来

这是了解计算机视觉与量子计算最新进展的最佳学位”