इस 100% ऑनलाइन कार्यक्रम के माध्यम से, आप शैक्षणिक गतिविधियों की योजना, कार्यान्वयन और मूल्यांकन में जेनरेटिव आर्टिफिशियल इंटेलिजेंस टूल को एकीकृत करेंगे”

शैक्षणिक परियोजनाओं के अनुकूलन में, शिक्षक छात्रों के अनुभव को समृद्ध करने के लिए एआई टूल का उपयोग करते हैं। हालाँकि, अपेक्षित परिणाम प्राप्त करने के लिए, कक्षा में पेशेवरों के पास एआई एप्लिकेशन कार्यनीतियों का व्यापक ज्ञान होना आवश्यक है। वे  चैटबोट, गतिशील शैक्षणिक गेम और छात्रों के प्रदर्शन का आकलन करने के लिए उपकरण सरीखे संसाधन विकसित करने में सक्षम होंगे।

इस संदर्भ में, TECH शिक्षा में आर्टिफिशियल इंटेलिजेंस पर कार्यक्रम को लागू करता है, जहां इससे जुड़े नैतिक, कानूनी और सामाजिक विचारों पर भी ध्यान दिया जाएगा। अत्यंत व्यावहारिक दृष्टिकोण के साथ, शिक्षक शैक्षणिक वातावरण में एआई प्रक्रियाओं को लागू करने के लिए ठोस कौशल हासिल करेंगे। स्नातक सीखने के निजीकरण और निरंतर सुधार जैसे कारकों पर ध्यान केंद्रित करके गहन शिक्षण अभ्यास करेंगे, जो शैक्षणिक प्रक्रिया में अनुकूलनशीलता के लिए अपरिहार्य हैं। अंततः, यह पाठ्यक्रम शिक्षा में एआई के उभरते रुझानों का विस्तार से विश्लेषण करते हुए  प्रतिभागियों को शैक्षणिक प्रौद्योगिकी में नवीनतम नवाचारों की जानकारी सुनिश्चित करेगा।

ध्यान दें यह विश्वविद्यालय कार्यक्रम 100% ऑनलाइन है जिससे छात्र अपनी सुविधानुसार इसे सीख सकें। इसके संसाधनों तक पहुँचने के लिए उन्हें केवल एक इंटरनेटयुक्त उपकरण की आवश्यकता होगी। शैक्षणिक यात्राक्रम नवोन्वेषी पुनःशिक्षणपद्धति पर भरोसा करने के लिए जाना जाता है। यह एक शैक्षणिक मॉडल है, जो छात्रों के मस्तिष्क में ज्ञान को बनाए रखने के लिए सबसे महत्वपूर्ण सामग्री की पुनरावृत्ति पर आधारित है। ज्ञान और कौशल मजबूत करने के लिए सामग्रियों को विभिन्न प्रकार के मल्टीमीडिया संसाधनों (जैसे संवादात्मक सारांश, अनुपूरक पठन या इन्फोग्राफिक्स) द्वारा सीखने को समृद्ध किया जाता है। इस तरह, छात्र सी अतिरिक्त प्रयासों जैसे रटने आदि का सहारा लिए बिना, धीरे-धीरे और स्वाभाविक रूप से सीखेंगे। 

क्या आप त्वरित प्रतिक्रिया की सुविधा चाहते हैं? इस विश्वविद्यालय कार्यक्रम के साथ आप सुधार के क्षेत्रों को जानेंगे और व्यक्तिगत सहायता प्रदान करेंगे”

यह शिक्षा में आर्टिफ़िशियल इंटेलिजेंस में स्नातकोत्तर उपाधि मार्केट में उपलब्ध सबसे पूर्ण और अद्यतन कार्यक्रम है। सबसे महत्वपूर्ण विशेषताओं में शामिल हैं:

• शिक्षा में आर्टिफ़िशियल इंटेलिजेंस पर विशेषज्ञों द्वारा प्रस्तुत केस स्टडीज़ का विकास
• पुस्तक की ग्राफिक, योजनाबद्ध और व्यावहारिक सामग्री उन विषयों पर सैद्धांतिक और व्यावहारिक जानकारी प्रदान करती है जो पेशेवर अभ्यास के लिए आवश्यक हैं 
• व्यावहारिक अभ्यास जहां सीखने में सुधार के लिए स्व-मूल्यांकन का उपयोग किया जा सकता है
• नवीनतम प्रणालियों पर विशेष जोर  
• सैद्धांतिक पाठ, विशेषज्ञ से प्रश्न, विवादास्पद विषयों पर वाद-विवाद मंच, और व्यक्तिगत चिंतन असाइनमेंट 
• इंटरनेट कनेक्शन वाले किसी स्थायी या पोर्टेबल उपकरण के माध्यम से विषयवस्तु तक सुलभ पहुँच 

क्रांतिकारी रीलर्निंग प्रणाली का धन्यवाद, इच्छित परिणामों की सफलतापूर्वक प्राप्ति के लिए आप सभी जांकरियों को बेहतर रूप से एकीकृत करेंगे”

कार्यक्रम के शिक्षण स्टाफ में क्षेत्र के पेशेवरों के साथ ही अग्रणी समाजों और प्रतिष्ठित विश्वविद्यालयों ही अग्रणी समाजों और प्रतिष्ठित विश्वविद्यालयों के प्रसिद्ध विशेषज्ञ भी शामिल हैं, जो इस शैक्षणिक कार्यक्रम में अपने कार्य अनुभव का योगदान देते हैं।

नवीनतम शैक्षणिक प्रौद्योगिकी के साथ विकसित की गई मल्टीमीडिया विषय वस्तु, पेशेवर को स्थिर और प्रासंगिक शिक्षा, यानी एक सिम्युलेटेड वातावरण प्रदान करेगी, जो वास्तविक परिस्थितियों में प्रशिक्षित करने के लिए कार्यक्रमबद्ध प्रशिक्षण प्रदान करेगा। 

यह कार्यक्रम समस्या-आधारित शिक्षा के इर्द-गिर्द डिज़ाइन किया गया है, जिसके तहत पेशेवर को शैक्षणिक वर्ष के दौरान उत्पन्न होने वाली विभिन्न व्यावसायिक अभ्यास स्थितियों को हल करने का प्रयास करना चाहिए। इस उद्देश्य के लिए, छात्र को प्रसिद्ध और अनुभवी विशेषज्ञों द्वारा बनाई गई एक अभिनव इंटरैक्टिव वीडियो प्रणाली द्वारा सहायता प्रदान की जाएगी।  

आप प्रौद्योगिकी के बेहतर उपयोग के माध्यम से शिक्षा में नवीन और निरंतर सुधार लाएंगे"

आपके पास एक प्रगतिशील व विशिष्ट कार्यक्रम होगा और आप मशीन लर्निंग द्वारा संचालित शैक्षणिक परिदृश्य की चुनौतियों का सामना करने में सक्षम होंगे"

20 मॉड्यूल से बना, यह विश्वविद्यालय कार्यक्रम अपने व्यापक और विशिष्ट दृष्टिकोण के लिए जाना जाता है। पाठ्यक्रम शिक्षा में एआई के तकनीकी पहलुओं से परे, संबंधित नैतिक, कानूनी और सामाजिक विचारों पर प्रकाश डालता है। बदले में, पाठ्यक्रम छात्रों को अत्याधुनिक तकनीकी उपकरण प्रदान करेगा, ताकि शिक्षक के रूप में उनका काम संवर्धित वास्तविकता या पूर्वानुमानित विश्लेषण जैसे नवाचारों को एकीकृत कर सके। प्रशिक्षण में सीखने के वैयक्तिकरण और निरंतर सुधार पर भी ध्यान दिया जाएगा, जो शैक्षणिक प्रक्रिया में अनुकूलनशीलता के प्रमुख पहलू हैं।

इसमें कार्यक्रम को यथासंभव शिक्षण देखभाल की वास्तविकता के करीब लाने के लिए नैदानिक ​​मामले शामिल हैं”

मॉड्यूल 1. आर्टिफिशियल इंटेलिजेंस के मूल सिद्धांत 

1.1. आर्टिफिशियल इंटेलिजेंस का इतिहास 

1.1.1. हम आर्टिफिशियल इंटेलिजेंस के बारे में कब बात करना शुरू करते हैं?  
1.1.2. फिल्म में सन्दर्भ 
1.1.3. आर्टिफिशियल इंटेलिजेंस का महत्व 
1.1.4. ऐसी प्रौद्योगिकियाँ जो आर्टिफिशियल इंटेलिजेंस को सक्षम और समर्थन करती हैं 

1.2. खेलों में आर्टिफिशियल इंटेलिजेंस  

1.2.1. गेम थ्योरी 
1.2.2. मिनिमैक्स और अल्फा-बीटा प्रूनिंग 
1.2.3. सिम्युलेशन: मोंटे कार्लो 

1.3. तंत्रिका नेटवर्क 

1.3.1. जैविक बुनियादी बातें 
1.3.2. कम्प्यूटेशनल मॉडल 
1.3.3. पर्यवेक्षित और अपर्यवेक्षित तंत्रिका नेटवर्क 
1.3.4. सरल परसेप्ट्रॉन 
1.3.5. मल्टीलेयर परसेप्ट्रॉन

1.4. आनुवंशिक एल्गोरिदम 

1.4.1. इतिहास 
1.4.2. जैविक आधार 
1.4.3. प्रॉब्लेम कोडिंग 
1.4.4. प्रारंभिक जनसंख्या का सृजन 
1.4.5. मुख्य एल्गोरिथम और जेनेटिक ऑपरेटर 
1.4.6. व्यक्तियों का मूल्यांकन: फिट्नस 

1.5. थिसॉरी, शब्दावली, वर्गीकरण 

1.5.1. शब्दावली 
1.5.2. वर्गीकरण 
1.5.3. शब्दकोष संबंधी 
1.5.4. ओण्टोलॉजी 
1.5.5. ज्ञान प्रतिनिधित्व सिमेंटिक वेब 

1.6. सेमांटिक वेब 

1.6.1. विशिष्टताएँ आरडीएफ, आरडीएफएस और ओडब्लूएल 
1.6.2. अनुमान/तर्क 
1.6.3. लिंक किया गया डेटा 

1.7. विशेषज्ञ प्रणालियाँ और डीएसएस 

1.7.1. विशेषज्ञ प्रणालियां 
1.7.2. निर्णय समर्थन प्रणाली 

1.8. चैटबोट और वर्चुअल असिस्टेंट  

1.8.1. सहायकों के प्रकार: आवाज और पाठ-आधारित सहायक
1.8.2. एक सहायक के विकास के लिए मौलिक भाग: इरादे, संस्थाएं और संवाद प्रवाह 
1.8.3. इंटीग्रेशन: वेब, स्लैक, व्हाट्सएप, फेसबुक 
1.8.4. सहायक विकास उपकरण: संवाद प्रवाह, वाटसन सहायक  

1.9. एआई कार्यान्वयन रणनीति 

1.10. आर्टिफिशियल इंटेलिजेंस का भविष्य  
1.10.1. एल्गोरिदम का उपयोग करके भावनाओं का पता लगाने का तरीका समझें  
1.10.2. व्यक्तित्व का निर्माण: भाषा, अभिव्यक्ति और विषय वस्तु
1.10.3. आर्टिफिशियल इंटेलिजेंस के रुझान  
1.10.4. कुछ विचार 

मॉड्यूल 2. डेटा प्रकार और डेटा जीवन चक्र 

2.1. आंकड़े  

2.1.1. सांख्यिकी। वर्णनात्मक सांख्यिकी, सांख्यिकीय अनुमान  
2.1.2. जनसंख्या, नमूना, व्यक्तिगत  
2.1.3. वेरिएबल्स परिभाषा, मापन स्केल  

2.2. डेटा सांख्यिकी के प्रकार  

2.2.1. प्रकार के अनुसार  

2.2.1.1. परिणाम स्वरूप: सतत डेटा और असतत डेटा  
2.2.1.2. गुणात्मक: द्विपद डेटा, नाममात्र डेटा और क्रमवाचक डेटा 

2.2.2. उनके आकार के अनुसार  

 2.2.2.1. संख्यात्मक  
2.2.2.2. टेक्स्ट:   
2.2.2.3. तार्किक  

2.2.3. इसके स्रोत के अनुसार  

2.2.3.1. प्राथमिक  
2.2.3.2. माध्यमिक  

2.3. डेटा का जीवन चक्र  

2.3.1. चक्र के चरण  
2.3.2. चक्र के मील के पत्थर  
2.3.3. निष्पक्ष सिद्धांत  

2.4. चक्र के प्रारंभिक चरण  

2.4.1. लक्ष्य की परिभाषा  
2.4.2. संसाधन आवश्यकताओं का निर्धारण  
2.4.3. गैंट चार्ट  
2.4.4. डेटा संरचना  

2.5. डेटा संग्रह  

2.5.1. डेटा संग्रह की प्रणाली  
2.5.2. डेटा संग्रह उपकरणें  
2.5.3. डेटा संग्रह चैनलें  

2.6. डेटा की सफाई  

2.6.1. डेटा सफाई के चरण  
2.6.2. डेटा गुणवत्ता  
2.6.3. डेटा हेरफेर (आर के साथ)  

2.7. डेटा विश्लेषण, व्याख्या और परिणामों का मूल्यांकन  

2.7.1. सांख्यिकीय उपाय  
2.7.2. संबंध सूचकांक  
2.7.3. डेटा माइनिंग  

2.8. डेटा वेयरहाउस (डेटावेयरहाउस)  

2.8.1. वे तत्व जो इसे बनाते हैं  
2.8.2. डिजाइन  
2.8.3. विचारणीय पहलू  

2.9. डेटा उपलब्धता  

2.9.1. पहुँच  
2.9.2. उपयोग  
2.9.3. सुरक्षा/ सैफ्टी  

2.10. विनियामक पहलू 

2.10.1. डेटा संरक्षण कानून  
2.10.2. अच्छे आचरण  
2.10.3. अन्य मानक पहलू 

मॉड्यूल 3. आर्टिफिशियल इंटेलिजेंस में डेटा 

3.1. डेटा विज्ञान 

3.1.1. डेटा विज्ञान 
3.1.2. डेटा वैज्ञानिकों के लिए उन्नत उपकरण 

3.2. डेटा, सूचना और ज्ञान 

3.2.1. डेटा, सूचना और ज्ञान  
3.2.2. डेटा के प्रकार 
3.2.3. डेटा स्रोत 

3.3. डेटा से सूचना तक

 3.3.1. डेटा विश्लेषण 
3.3.2. विश्लेषण के प्रकार 
3.3.3. डेटासेटसे जानकारी निकालना 

3.4. विज़ुअलाइज़ेशन के माध्यम से जानकारी निकालना 

3.4.1. एक विश्लेषण उपकरण के रूप में विज़ुअलाइज़ेशन 
3.4.2. विज़ुअलाइज़ेशन के तरीके  
3.4.3. डेटा सेट का विज़ुअलाइज़ेशन 

3.5. डेटा गुणवत्ता 

3.5.1. गुणवत्ता डेटा 
3.5.2. डेटा की सफाई  
3.5.3. बुनियादी डेटा प्री-प्रोसेसिंग 

3.6. डेटासेट 

3.6.1. डेटासेट संवर्धन 
3.6.2. आयामीता का अभिशाप 
3.6.3. हमारे डेटा सेट का संशोधन 

3.7. असंतुलित होना  

3.7.1. असंतुलन की श्रेणियाँ 
3.7.2. असंतुलित शमन तकनीक 
3.7.3. डेटासेट को संतुलित करना 

3.8. अप्रशिक्षित मॉडल  

3.8.1. अप्रशिक्षित मॉडल 
3.8.2. तरीके 
3.8.3. अप्रशिक्षित मॉडल के साथ वर्गीकरण 

3.9. पर्यवेक्षित मॉडल 

3.9.1. पर्यवेक्षित मॉडल 
3.9.2. तरीके 
3.9.3. पर्यवेक्षित मॉडल के साथ वर्गीकरण 
3.10. उपकरण और अच्छे अभ्यास 
3.10.1. डेटा वैज्ञानिकों के लिए अच्छे अभ्यास 
3.10.2. सबसे अच्छा मॉडल  
3.10.3. उपयोगी उपकरण 

मॉड्यूल 4. डेटा माइनिंग। चयन, पूर्व-संस्करण और परिवर्तन 

4.1. सांख्यिकीय अनुमान 

4.1.1. वर्णनात्मक सांख्यिकी बनाम सांख्यिकीय अनुमान 
4.1.2. पैरामीट्रिक प्रक्रियाएं 
4.1.3. गैर-पैरामीट्रिक प्रक्रियाएं 

4.2. खोजपूर्ण विश्लेषण 

4.2.1. विवरणात्मक विश्लेषण  
4.2.2. विसुअलाईज़शन 
4.2.3. डेटा तैयारी 

4.3. डेटा तैयारी 

4.3.1. इंटीग्रेशन और डेटा सफ़ाई  
4.3.2. डेटा का सामान्यीकरण 
4.3.3. गुण परिवर्तन

4.4. लुप्त मूल्य 

4.4.1. लुप्त मूल्यों का उपचार 
4.4.2. अधिकतम संभावना प्रतिरूपण विधियाँ 
4.4.3. मशीन लर्निंग का उपयोग कर गुम मूल्य प्रतिरूपण 

4.5. डेटा में शोर  

4.5.1. शोर वर्ग और गुण 
4.5.2. शोर फ़िल्टरिंग  
4.5.3. शोर का प्रभाव 

4.6. आयामीता का अभिशाप 

4.6.1. ओवरसैंपलिंग 
4.6.2. अवर 
4.6.3. बहुआयामी डेटा कटौती 

4.7. सतत से असतत गुण तक 

4.7.1. सतत डेटा बनाम. विवेकशील डेटा 
4.7.2. विवेकाधीन प्रक्रिया 

4.8. आंकड़ा  

4.8.1. डेटा चयन  
4.8.2. संभावनाएँ और चयन मानदंड 
4.8.3. चयन के तरीके

4.9. उदाहरण चयन 

4.9.1. उदाहरण चयन के लिए तरीके 
4.9.2. प्रोटोटाइप चयन 
4.9.3. उदाहरण चयन के लिए उन्नत तरीके 

4.10. बिग डेटा वातावरण में डेटा प्री-प्रोसेसिंग 

मॉड्यूल 5. आर्टिफिशियल इंटेलिजेंस में एल्गोरिदम और जटिलता 

5.1. एल्गोरिथम डिज़ाइन रणनीतियों का परिचय 

5.1.1. प्रत्यावर्तन 
5.1.2. फूट डालो और राज करो 
5.1.3. अन्य रणनीतियाँ 

5.2. एल्गोरिदम की दक्षता और विश्लेषण

 5.2.1. दक्षता के उपाय 
5.2.2. इनपुट का आकार मापना 
5.2.3. निष्पादन समय मापना 
5.2.4. सबसे खराब, सबसे अच्छा और औसत मामला 
5.2.5. स्पर्शोन्मुख संकेतन 
5.2.6. नॉन-रिकर्सिव एल्गोरिदम के गणितीय विश्लेषण के लिए मानदंड 
5.2.7. पुनरावर्ती एल्गोरिदम का गणितीय विश्लेषण 
5.2.8. एल्गोरिदम का अनुभवजन्य विश्लेषण 

5.3. छँटाई एल्गोरिदम 

5.3.1. छँटाई की अवधारणा 
5.3.2. बुलबुला छँटाई 
5.3.3. चयन के आधार पर छँटाई 
5.3.4. सम्मिलन के आधार पर छँटाई 
5.3.5. मर्ज़ सॉर्ट 
5.3.6. जल्दी से सुलझाएं 

5.4. पेड़ों के साथ एल्गोरिदम 

5.4.1. वृक्ष संकल्पना 
5.4.2. बाइनरी पेड़ 
5.4.3. वृक्ष पथ 
5.4.4. अभिव्यक्ति का प्रतिनिधित्व 
5.4.5. बाइनरी ट्री का ऑर्डर दिया गया 
5.4.6. संतुलित बाइनरी पेड़ 

5.5. हीप्स का उपयोग करने वाले एल्गोरिदम 

5.5.1. हीप्स 
5.5.2. हीपसॉर्ट एल्गोरिथम 
5.5.3. प्राथमिकता कतारें 
5.6. ग्राफ़ एल्गोरिदम 
5.6.1. प्रतिनिधित्व 
5.6.2. चौड़ाई में ट्रैवर्सल 
5.6.3. गहराई यात्रा 
5.6.4. टोपोलॉजिकल सॉर्टिंग 

5.7. ग्रीडी एल्गोरिदम 

5.7.1. ग्रीडी रणनीति 
5.7.2. ग्रीडी रणनीति के तत्व 
5.7.3. मुद्रा विनिमय 
5.7.4. यात्री की समस्या 
5.7.5. बैकपैक समस्या 

5.8. न्यूनतम पथ खोज 

5.8.1. न्यूनतम पथ समस्या 
5.8.2. नकारात्मक चाप और चक्र 
5.8.3. डिज्क्स्ट्रा का एल्गोरिदम 

5.9. ग्राफ़ परग्रीडी एल्गोरिदम 

5.9.1. न्यूनतम आवरण वाला ट्री 
5.9.2. प्राइम का एल्गोरिदम 
5.9.3. क्रुस्कल का एल्गोरिदम 
5.9.4. जटिलता विश्लेषण 

5.10. बैक ट्रैकिंग 

5.10.1. बैक ट्रैकिंग 
5.10.2. वैकल्पिक तकनीकें 

मॉड्यूल 6. इंटेलिजेंट सिस्टम 

6.1. एजेंट सिद्धांत 

6.1.1. अवधारणा की इतिहास 
6.1.2. एजेंट परिभाषा 
6.1.3. आर्टिफिशियल इंटेलिजेंस में एजेंट 
6.1.4. सॉफ्टवेयर इंजीनियरिंग में एजेंट 

6.2. एजेंट आर्किटेक्चर 

6.2.1. एक एजेंट की तर्क प्रक्रिया 
6.2.2. प्रतिक्रियाशील एजेंट 
6.2.3. डिडक्टिव एजेंट 
6.2.4. हाइब्रिड एजेंट 
6.2.5. तुलना 

6.3. सूचना और ज्ञान 

6.3.1. डेटा, सूचना और ज्ञान के बीच अंतर 
6.3.2. डेटा गुणवत्ता मूल्यांकन 
6.3.3. डेटा संग्रह प्रणाली 
6.3.4. सूचना प्राप्ति के तरीके 
6.3.5. ज्ञान प्राप्ति के तरीके 

6.4. ज्ञान निरूपण 

6.4.1. ज्ञान प्रतिनिधित्व का महत्व 
6.4.2. भूमिकाओं के अनुसार ज्ञान प्रतिनिधित्व की परिभाषा 
6.4.3. ज्ञान प्रतिनिधित्व सुविधाएँ 

6.5. ओण्टोलॉजी 

6.5.1. मेटाडेटा का परिचय 
6.5.2. ऑन्टोलॉजी की दार्शनिक अवधारणा 
6.5.3. ऑन्टोलॉजी की कंप्यूटिंग अवधारणा 
6.5.4. डोमेन ऑन्टोलॉजी और उच्च-स्तरीय ऑन्टोलॉजी 
6.5.5. ओण्टोलॉजी कैसे बनाएं? 

6.6. ओन्टोलॉजी भाषाएँ और ओन्टोलॉजी निर्माण सॉफ्टवेयर 

6.6.1. ट्रिपल आरडीएफ, टर्टल और एन 
6.6.2. आरडीएफ स्कीमा 
6.6.3. ओडब्लूएल् 
6.6.4. एस्पीएआरक्यूएल् 
6.6.5. ओन्टोलॉजी क्रिएशन टूल्स का परिचय 
6.6.6. प्रोतएजेको स्थापित करना और उसका उपयोग करना 

6.7. सेमांटिक वेब 

6.7.1. सिमेंटिक वेब की वर्तमान और भविष्य की स्थिति 
6.7.2. सिमेंटिक वेब अनुप्रयोग

6.8. अन्य ज्ञान प्रतिनिधित्व मॉडल 

6.8.1. शब्दावली 
6.8.2. वैश्विक विज़न 
6.8.3. वर्गीकरण 
6.8.4. शब्दकोष संबंधी 
6.8.5. फोल्क्सोनॉमी 
6.8.6. तुलना 
6.8.7. दिमागी मानचित्र 

6.9. ज्ञान प्रतिनिधित्व मूल्यांकन और इनग्रैशन 

6.9.1. शून्य-ऑर्डर लॉजिक 
6.9.2. प्रथम-ऑर्डर लॉजिक 
6.9.3. वर्णनात्मक लॉजिक 
6.9.4. विभिन्न प्रकार के तर्क के बीच संबंध 
6.9.5. प्रोलॉग प्रथम-क्रम लॉजिक पर आधारित प्रोग्रामिंग 

6.10. सिमेंटिक रीज़नर्स, ज्ञान-आधारित प्रणालियाँ और विशेषज्ञ प्रणालियाँ 

6.10.1. तर्ककर्ता की अवधारणा 
6.10.2. तर्ककर्ता अनुप्रयोग 
6.10.3. ज्ञान-आधारित प्रणालियाँ 
6.10.4. एम्ह्वाइसीआईएन् विशेषज्ञ प्रणालियों का इतिहास 
6.10.5. विशेषज्ञ प्रणाली तत्व और वास्तुकला 
6.10.6. विशेषज्ञ प्रणालियाँ बनाना 

मॉड्यूल 7. मशीन लर्निंग और डेटा माइनिंग 

7.1. ज्ञान खोज प्रक्रियाओं और मशीन लर्निंग की बुनियादी अवधारणाओं का परिचय 

7.1.1. ज्ञान खोज प्रक्रियाओं की प्रमुख अवधारणाएँ 
7.1.2. ज्ञान खोज प्रक्रियाओं का ऐतिहासिक परिप्रेक्ष्य 
7.1.3. ज्ञान खोज प्रक्रियाओं के चरण 
7.1.4. ज्ञान खोज प्रक्रियाओं में प्रयुक्त तकनीकें 
7.1.5. अच्छे मशीन लर्निंग मॉडल के लक्षण 
7.1.6. मशीन लर्निंग सूचना के प्रकार 
7.1.7. बुनियादी शिक्षण अवधारणाएँ 
7.1.8. बिना पर्यवेक्षण के सीखने की बुनियादी अवधारणाएँ 

7.2. डेटा अन्वेषण और प्री-प्रोसेसिंग 

7.2.1. डाटा प्रासेसिंग 
7.2.2. डेटा विश्लेषण प्रवाह में डेटा प्रोसेसिंग 
7.2.3. डेटा के प्रकार 
7.2.4. डेटा परिवर्तन 
7.2.5. सतत चरों का विज़ुअलाइज़ेशन और अन्वेषण 
7.2.6. श्रेणीबद्ध चर का विज़ुअलाइज़ेशन और अन्वेषण 
7.2.7. सहसंबंध उपाय 
7.2.8. सर्वाधिक सामान्य ग्राफ़िक अभ्यावेदन 
7.2.9. बहुभिन्नरूपी विश्लेषण और आयामी कमी का परिचय 

7.3. निर्णय के पेड़ 

7.3.1. आईडी एल्गोरिदम 
7.3.2. एल्गोरिथम सी 
7.3.3. ओवरट्रेनिंग और प्रूनिंग 
7.3.4. परिणामों का विश्लेषण 

7.4. क्लासिफायर का मूल्यांकन 

7.4.1. कन्फ्यूजन मैट्रिक्स 
7.4.2. संख्यात्मक मूल्यांकन मैट्रिक्स 
7.4.3. कप्पा आँकड़ा 
7.4.4. आरओसी वक्र 

7.5. वर्गीकरण नियम 

7.5.1. नियम मूल्यांकन उपाय 
7.5.2. ग्राफिक प्रतिनिधित्व का परिचय 
7.5.3. अनुक्रमिक ओवरले एल्गोरिदम 

7.6. तंत्रिका नेटवर्क 

7.6.1. बुनियादी अवधारणाएं 
7.6.2. सरल तंत्रिका नेटवर्क 
7.6.3. बैकप्रॉपैगेशन एल्गोरिथम 
7.6.4. आवर्ती तंत्रिका नेटवर्क का परिचय 

7.7. बायेसियन विधियाँ 

7.7.1. बुनियादी संभाव्यता अवधारणाएँ 
7.7.2. बेयस प्रमेय 
7.7.3. नादान बेयस 
7.7.4. बायेसियन नेटवर्क का परिचय 

7.8. प्रतिगमन और सतत प्रतिक्रिया मॉडल 

7.8.1. सरल रेखीय प्रतिगमन 
7.8.2. मल्टीपल रैखिक रिग्रेशन 
7.8.3. संभार तन्त्र परावर्तन 
7.8.4. प्रतिगमन पेड़ 
7.8.5. सपोर्ट वेक्टर मशीनों (एसवीएम) का परिचय 
7.8.6. फिट रहने के उपाय 

7.9. क्लस्टरिंग 

7.9.1. बुनियादी अवधारणाएं 
7.9.2. पदानुक्रमित क्लस्टरिंग 
7.9.3. संभाव्य तरीके 
7.9.4. ईएम एल्गोरिदम 
7.9.5. बी-क्यूब्ड विधि 
7.9.6. निहित तरीके 

7.10. टेक्स्ट माइनिंग और प्राकृतिक भाषा प्रोसेसिंग (एनएलपी) 

7.10.1. बुनियादी अवधारणाएं 
7.10.2. कॉर्पस निर्माण 
7.10.3. विवरणात्मक विश्लेषण 
7.10.4. भावनाओं के विश्लेषण का परिचय 

मॉड्यूल 8. तंत्रिका नेटवर्कगहन शिक्षणका आधार 

8.1. डीप लर्निंग 

8.1.1. गहन शिक्षण के प्रकार 
8.1.2. गहन शिक्षण के अनुप्रयोग 
8.1.3. डीप लर्निंग के फायदे और नुकसान 

8.2. सर्जरी 

8.2.1. जोड़ 
8.2.2. प्रोडक्शन 
8.2.3. स्थानांतरण 

8.3. परतें 

8.3.1. इनपुट परत 
8.3.2. लबादा 
8.3.3. आउटपुट परत 

8.4. परत बंधन और संचालन 

8.4.1. वास्तुकला डिजाइन 
8.4.2. परतों के बीच संबंध 
8.4.3. आगे प्रसार 

8.5. प्रथम तंत्रिका नेटवर्क का निर्माण 

8.5.1. नेटवर्क डिजाइन 
8.5.2. वज़न स्थापित करें 
8.5.3. नेटवर्क प्रशिक्षण 

8.6. प्रशिक्षक और अनुकूलक 

8.6.1. अनुकूलक चयन 
8.6.2. हानि फ़ंक्शन की स्थापना 
8.6.3. एक मीट्रिक स्थापित करना 

8.7. तंत्रिका नेटवर्क के सिद्धांतों का अनुप्रयोग 

8.7.1. सक्रियण कार्य 
8.7.2. पिछड़ा प्रसार 
8.7.3. पैरामीटर समायोजन 

8.8. जैविक से लेकर कृत्रिम तंत्रिका तक

 8.8.1. जैविक तंत्रिका की कार्यप्रणाली 
8.8.2. आर्टिफिशियल इंटेलिजेंस को ज्ञान का हस्तांतरण 
8.8.3. दोनों के बीच संबंध स्थापित करें 

8.9. केरस के साथ एमएलपी (मल्टीलेयर परसेप्ट्रॉन) का कार्यान्वयन 

8.9.1. नेटवर्क संरचना की परिभाषा 
8.9.2. मॉडल संकलन 
8.9.3. मॉडल प्रशिक्षण 

8.10. तंत्रिका नेटवर्क के हाइपरपैरामीटर कोफ़ाइन ट्यूनिंग  करना 

8.10.1. सक्रियण फ़ंक्शन का चयन 
8.10.2. सीखने की दरनिर्धारित करना 
8.10.3. वज़न का समायोजन 

मॉड्यूल 9. डीप तंत्रिका नेटवर्क प्रशिक्षण 

9.1. ग्रेडिएंट समस्याएँ 

9.1.1. ग्रेडियेंट अनुकूलन तकनीक 
9.1.2. स्टोकेस्टिक ग्रेजुएट्स 
9.1.3. वज़न आरंभीकरण तकनीकें 

9.2. पूर्व-प्रशिक्षित परतों का पुन: उपयोग

9.2.1. स्थानांतरण प्रशिक्षण सीखना 
9.2.2. सुविधा निकालना 
9.2.3. डीप लर्निंग 

9.3. अनुकूलक 

9.3.1. स्टोकेस्टिक ग्रेडिएंट डिसेंट ऑप्टिमाइज़र 
9.3.2. ऑप्टिमाइज़र एडम और आरएमएसप्रॉप 
9.3.3. क्षण अनुकूलक 

9.4. सीखने की दर प्रोग्रामिंग 

9.4.1. स्वचालित सीखने की दर नियंत्रण 
9.4.2. सीखने के चक्र 
9.4.3. स्मूथिंग शर्तें 

9.5. ओवरफिटिंग 

9.5.1. पार सत्यापन 
9.5.2. नियमितीकरण 
9.5.3. मूल्यांकन मेट्रिक्स 

9.6. व्यावहारिक दिशानिर्देश 

9.6.1. मॉडल डिज़ाइन 
9.6.2. मेट्रिक्स और मूल्यांकन मापदंडों का चयन 
9.6.3. परिकल्पना परीक्षण

9.7. स्थानांतरण सीखना 

9.7.1. स्थानांतरण प्रशिक्षण सीखना 
9.7.2. सुविधा निकालना 
9.7.3. डीप लर्निंग 

9.8. डेटा संवर्धन 

9.8.1. इमेज परिवर्तन 
9.8.2. सिंथेटिक डेटा जनरेशन 
9.8.3. टेक्स्ट परिवर्तन 

9.9. ट्रांसफर लर्निंग का व्यावहारिक अनुप्रयोग 

9.9.1. स्थानांतरण प्रशिक्षण सीखना 
9.9.2. सुविधा निकालना 
9.9.3. डीप लर्निंग 

9.10. नियमितीकरण 

9.10.1. एल और एल 
9.10.2. अधिकतम एन्ट्रापी द्वारा नियमितीकरण 
9.10.3. ड्रॉप आउट 

मॉड्यूल 10. टेंसरफ़्लो के साथ मॉडल अनुकूलन और प्रशिक्षण 

10.1. टेंसरफ़्लो 

10.1.1. टेंसरफ़्लो लाइब्रेरी का उपयोग 
10.1.2.  टेन्सरफ़्लोके साथ मॉडल प्रशिक्षण 
10.1.3. टेंसरफ़्लोमें ग्राफ़िक्स के साथ संचालन 

10.2. टेंसरफ़्लो और नमपाइ 

10.2.1. टेंसरफ़्लोके लिए नमपाइ कंप्यूटिंग वातावरण 
10.2.2. टेंसरफ्लोके साथ नामपाई ऐरे का उपयोग करना 
10.2.3. टेंसरफ़्लो ग्राफ़िक्स के लिए नमपाइ संचालन 

10.3. एल्गोरिदम मॉडल अनुकूलन और प्रशिक्षण 

10.3.1. टेंसरफ़्लोके साथ कस्टम मॉडल बनाना 
10.3.2. प्रशिक्षण मापदंडों का प्रबंधन 
10.3.3. प्रशिक्षण के लिए अनुकूलन तकनीकों का उपयोग 

10.4. टेंसरफ़्लो सुविधाएँ और ग्राफ़िक्स

 10.4.1. टेंसरफ़्लोके साथ कार्य 
10.4.2. मॉडल प्रशिक्षण के लिए ग्राफ़ का उपयोग 
10.4.3.  टेंसरफ़्लोसंचालन के साथ ग्राफ़िक्स अनुकूलन 

10.5. टेंसरफ्लोके साथ डेटा लोड करना और प्रीप्रोसेसिंग करना 

10.5.1. टेंसरफ़्लोके साथ डेटा सेट लोड करना 
10.5.2. टेंसरफ्लोके साथ डेटा प्रीप्रोसेसिंग 
10.5.3. डेटा हेरफेर के लिए टेंसरफ़्लो टूल का उपयोग करना 

10.6. एपीआई टीएफडाटा 

10.6.1. डेटा प्रोसेसिंग के लिए टीएफडाटाएपीआई का उपयोग करना 
10.6.2. टीएफडाटाके साथ डेटा स्ट्रीम का निर्माण 
10.6.3. मॉडल प्रशिक्षण के लिए टीएफडाटा एपीआई का उपयोग करना 

10.7. टीएफरिकॉर्ड प्रारूप 

10.7.1. डेटा क्रमांकन के लिए टीएफरिकॉर्ड एपीआई का उपयोग करना 
10.7.2. टीएफरिकॉर्ड फ़ाइलें टेंसरफ़्लोके साथ अपलोड करें 
10.7.3. मॉडल प्रशिक्षण के लिए टीएफरिकॉर्ड फ़ाइलों का उपयोग करना 

10.8. केरस प्रीप्रोसेसिंग परतें 

10.8.1. केरस प्रीप्रोसेसिंग एपीआई का उपयोग करना 
10.8.2. केरस के साथ प्रीप्रोसेसिंग पाइपलाइन निर्माण 
10.8.3. मॉडल प्रशिक्षण के लिए केरस प्रीप्रोसेसिंग एपीआई का उपयोग करना 

10.9. टेन्सरफ्लो डेटासेट प्रोजेक्ट 

10.9.1. डेटा लोडिंग के लिए टेन्सरफ़्लो डेटासेट का उपयोग करना 
10.9.2. टेन्सरफ्लो डेटासेटके साथ प्रीप्रोसेसिंग डेटा 
10.9.3. मॉडल प्रशिक्षण के लिए टेन्सरफ़्लो डेटासेट का उपयोग करना 

10.10. टेन्सरफ्लो के साथ एक डीप लर्निंग  ऐप बनाना 

10.10.1. व्यावहारिक अनुप्रयोगों 
10.10.2. टेन्सरफ्लो के साथ एक डीप लर्निंगऐप बनाना 
10.10.3. टेन्सरफ़्लोके साथ मॉडल प्रशिक्षण 
10.10.4. परिणामों की भविष्यवाणी के लिए एप्लिकेशन का उपयोग 

मॉड्यूल 11. कन्वेन्शनल न्यूरल नेटवर्क के साथ डीप कंप्यूटर विज़न 

11.1. विज़ुअल कॉर्टेक्स आर्किटेक्चर 

11.1.1. विज़ुअल कॉर्टेक्स के कार्य 
11.1.2. कम्प्यूटेशनल विज़न के सिद्धांत 
11.1.3. इमेज प्रोसेसिंग के मॉडल 

11.2. संवेगात्मक परतें 

11.2.1. संवेगात्मक में वज़न का पुन: उपयोग 
11.2.2. कन्वोल्यूशन डी 
11.2.3. सक्रियण कार्य 

11.3. केरस के साथ ग्रुपिंग लेयर्स और ग्रुपिंग लेयर्स का कार्यान्वयन 

11.3.1. पूलिंग और स्ट्राइडिंग 
11.3.2. सपाट 
11.3.3. पूलिंगके प्रकार 

11.4. सीएनएन वास्तुकला 

11.4.1. वीजीजी वास्तुकला 
11.4.2. एलेक्सनेट आर्किटेक्चर 
11.4.3. आर्किटेक्चर रेसनेट 

11.5. केरास का उपयोग करके सीएनएन रेसनेट लागू करना 

11.5.1. वज़न आरंभीकरण 
11.5.2. इनपुट परत परिभाषा 
11.5.3. आउटपुट परिभाषा 

11.6. पूर्व-प्रशिक्षित केरस मॉडल का उपयोग 

11.6.1. पूर्व-प्रशिक्षित मॉडलों की विशेषताएं 
11.6.2. पूर्व-प्रशिक्षित मॉडलों का उपयोग 
11.6.3. पूर्व-प्रशिक्षित मॉडल के लाभ 

11.7. स्थानांतरण शिक्षण के लिए पूर्व-प्रशिक्षण मॉडल 

11.7.1. स्थानांतरण सीखना 
11.7.2. स्थानांतरण सीखने की प्रक्रिया 
11.7.3. ट्रांसफर लर्निंग के फायदे 

11.8. डीप कंप्यूटर विज़न का वर्गीकरण और स्थानीयकरण 

11.8.1. इमेज वर्गीकरण 
11.8.2. इमेजेज में वस्तुओं का स्थानीयकरण 
11.8.3. ऑब्जेक्ट डिटेक्शन 

11.9. ऑब्जेक्ट डिटेक्शन और ऑब्जेक्ट ट्रैकिंग 

11.9.1. ऑब्जेक्ट डिटेक्शन के तरीके 
11.9.2. ऑब्जेक्ट ट्रैकिंग एल्गोरिदम 
11.9.3. ट्रैकिंग और स्थानीयकरण तकनीक 

11.10. शब्दार्थ विभाजन 

11.10.1. शब्दार्थ विभाजन के लिए गहन शिक्षा 
11.10.1. किनारे का पता लगाना 
11.10.1. नियम-आधारित विभाजन विधियाँ 

मॉड्यूल 12. प्राकृतिक आवर्ती नेटवर्क (एनएनएन) और ध्यान के साथ प्राकृतिक भाषा प्रसंस्करण (एनएलपी)।

12.1. आरएनएन का उपयोग करके टेक्स्ट जेनरेशन 

12.1.1. टेक्स्ट जेनरेशन के लिए आरएनएन का प्रशिक्षण 
12.1.2. आरएनएन के साथ प्राकृतिक भाषा निर्माण 
12.1.3. आरएनएन के साथ टेक्स्ट निर्माण अनुप्रयोग 

12.2. प्रशिक्षण डेटा सेट निर्माण 

12.2.1. आरएनएन के प्रशिक्षण के लिए डेटा तैयार करना 
12.2.2. प्रशिक्षण डेटासेट का भंडारण 
12.2.3. डेटा सफ़ाई और परिवर्तन 
12.2.4. भावनाओं का विश्लेषण 

12.3. आरएनएन के साथ राय का वर्गीकरण 

12.3.1. टिप्पणियों में थीम का पता लगाना 
12.3.2. गहन शिक्षण एल्गोरिदम के साथ भावना विश्लेषण 

12.4. तंत्रिका मशीन अनुवाद के लिए एनकोडर-डिकोडर नेटवर्क

12.4.1. मशीनी अनुवाद के लिए आरएनएन का प्रशिक्षण 
12.4.2. मशीनी अनुवाद के लिए एनकोडर-डिकोडर नेटवर्क का उपयोग 
12.4.3. आरएनएन के साथ मशीनी अनुवाद की सटीकता में सुधार 

12.5. ध्यान तंत्र 

12.5.1. आरएनएन में ध्यान तंत्र का अनुप्रयोग 
12.5.2. मॉडलों की सटीकता में सुधार के लिए केयर तंत्र का उपयोग 
12.5.3. तंत्रिका नेटवर्क में ध्यान तंत्र के लाभ 

12.6. ट्रांसफार्मर मॉडल 

12.6.1. प्राकृतिक भाषा प्रसंस्करण के लिए ट्रांसफार्मरमॉडल का उपयोग करना 
12.6.2. विजन के लिए ट्रांसफार्मर मॉडल का अनुप्रयोग 
12.6.3. ट्रांसफार्मर मॉडल के लाभ 

12.7. विज़न के लिएट्रांसफार्मर 

12.7.1. विजन के लिए ट्रांसफार्मर मॉडल का उपयोग 
12.7.2. इमेज डेटा प्रीप्रोसेसिंग 
12.7.3. विजन के लिए ट्रांसफॉर्मर मॉडल का प्रशिक्षण 

12.8. हगिंग फेस ट्रांसफॉर्मर्सबुकस्टोर 

12.8.1. हगिंग फेस' ट्रांसफॉर्मर्सलाइब्रेरी का उपयोग करना 
12.8.2. हगिंग फेस ट्रांसफॉर्मर्स लाइब्रेरी एप्प 
12.8.3. हगिंग फेस की ट्रांसफॉर्मर्स लाइब्रेरी के फायदे 

12.9. अन्य ट्रांसफार्मर लाइब्रेरी। तुलना 

12.9.1. विभिन्न ट्रांसफॉर्मर्सलाइब्रेरी के बीच तुलना 
12.9.2. अन्य ट्रांसफॉर्मर्स लाइब्रेरी के उपयोग 
12.9.3. अन्य ट्रांसफॉर्मर्स लाइब्रेरी के लाभ 

12.10. आरएनएन और ध्यान के साथ एनएलपी एप्लिकेशन का विकास। व्यावहारिक अनुप्रयोगों 

12.10.1. आरएनएन और ध्यान के साथ एक प्राकृतिक भाषा प्रसंस्करण अनुप्रयोग का विकास
12.10.2. अनुप्रयोग में आरएनएन, ध्यान तंत्र और ट्रांसफार्मर मॉडल का उपयोग
12.10.3. व्यावहारिक अनुप्रयोग का मूल्यांकन 

मॉड्यूल 13. ऑटोएन्कोडर्स, जीएएन और डिफ्यूजन मॉडल 

13.1. कुशल डेटा का प्रतिनिधित्व 

13.1.1. आयामीता में कमी 
13.1.2. डीप लर्निंग 
13.1.3. संक्षिप्त अभ्यावेदन 

13.2. अपूर्ण रैखिक स्वचालित एनकोडर के साथ पीसीए प्राप्ति

13.2.1. प्रशिक्षण प्रक्रिया 
13.2.2. पायथन में कार्यान्वयन 
13.2.3. परीक्षण डेटा का उपयोग 

13.3. स्टैक्ड स्वचालित एनकोडर 

13.3.1. डीप तंत्रिका नेटवर्क 
13.3.2. कोडिंग आर्किटेक्चर का निर्माण 
13.3.3. नियमितीकरण का प्रयोग 

13.4. कन्वेन्शनल ऑटोएन्कोडर्स 

13.4.1. कन्वेन्शनल मॉडल का डिज़ाइन 
13.4.2. कन्वेन्शनल मॉडल प्रशिक्षण 
13.4.3. परिणाम मूल्यांकन 

13.5. स्वचालित एनकोडर डीनोइज़िंग 

13.5.1. फिल्टर का अनुप्रयोग 
13.5.2. कोडिंग मॉडल का डिज़ाइन 
13.5.3. नियमितीकरण तकनीकों का उपयोग 

13.6. विरल स्वचालित एनकोडर 

13.6.1. कोडिंग दक्षता बढ़ाना 
13.6.2. पैरामीटर्स की संख्या न्यूनतम करना 
13.6.3. नियमितीकरण तकनीकों का उपयोग करना 

13.7. वैरिएशनल स्वचालित एनकोडर 

13.7.1. विविधतापूर्ण अनुकूलन का उपयोग 
13.7.2. बिना पर्यवेक्षित गहन शिक्षण 
13.7.3. गहन अव्यक्त अभ्यावेदन 

13.8. फैशन एमएनआईएसटी इमेजेज का निर्माण 

13.8.1. पैटर्न मान्यता 
13.8.2. इमेज निर्माण 
13.8.3. डीप तंत्रिका नेटवर्क प्रशिक्षण 

13.9. उत्पादक प्रतिकूल नेटवर्क और जीएएन मॉडल 

13.9.1. इमेजेज से विषयवस्तु निर्माण 
13.9.2. डेटा वितरण की मॉडलिंग 
13.9.3. प्रतिकूल नेटवर्क का उपयोग 

13.10. मॉडलों का कार्यान्वयन 

13.10.1. वास्तविक उपयोगिता 
13.10.2. मॉडलों का कार्यान्वयन 
13.10.3. वास्तविक डेटा का उपयोग 
13.10.4. परिणाम मूल्यांकन 

मॉड्यूल 14. जैव-प्रेरित कंप्यूटिंग  

14.1. जैव-प्रेरित कंप्यूटिंग का परिचय 

14.1.1. जैव-प्रेरित कंप्यूटिंग का परिचय 
14.2. सामाजिक अनुकूलन एल्गोरिदम 
14.2.1. चींटी कालोनियों पर आधारित जैव-प्रेरित संगणना 
14.2.2. चींटी कॉलोनी एल्गोरिदम के वेरिएंट 
14.2.3. कण क्लाउड कंप्यूटिंग 

14.3. आनुवंशिक एल्गोरिदम 

14.3.1. सामान्य संरचना 
14.3.2. प्रमुख ऑपरेटरों का कार्यान्वयन 

14.4. आनुवंशिक एल्गोरिदम के लिए अंतरिक्ष अन्वेषण-शोषण रणनीतियाँ 

14.4.1. सीएचसी एल्गोरिथम 
14.4.2. मल्टीमॉडल समस्याएँ 

14.5. विकासवादी कंप्यूटिंग मॉडल (आई) 

14.5.1. विकासवादी रणनीतियाँ 
14.5.2. विकासवादी प्रोग्रामिंग 
14.5.3. विभेदक विकास पर आधारित एल्गोरिदम 

14.6. विकासवादी संगणना मॉडल (II) 

14.6.1. वितरण के अनुमान पर आधारित विकासवादी मॉडल (ईडीए) 
14.6.2. आनुवंशिक प्रोग्रामिंग 

14.7. सीखने की समस्याओं पर लागू विकासवादी प्रोग्रामिंग 

14.7.1. नियम-आधारित शिक्षा 
14.7.2. उदाहरण चयन समस्याओं में विकासवादी तरीके 

14.8. बहुउद्देश्यीय समस्याएँ 

14.8.1. प्रभुत्व की अवधारणा 
14.8.2. बहुउद्देश्यीय समस्याओं के लिए विकासवादी एल्गोरिदम का अनुप्रयोग 

14.9. तंत्रिका नेटवर्क (I) 

14.9.1. तंत्रिका नेटवर्क का परिचय 
14.9.2. तंत्रिका नेटवर्क के साथ व्यावहारिक उदाहरण 

14.10. तंत्रिका नेटवर्क (II) 

14.10.1. चिकित्सा अनुसंधान में तंत्रिका नेटवर्क के विषयवस्तु का उपयोग करें 
14.10.2. अर्थशास्त्र में तंत्रिका नेटवर्क के विषयवस्तु का उपयोग करें 
14.10.3. कृत्रिम विज़न में तंत्रिका नेटवर्क के विषयवस्तु का उपयोग करें 

मॉड्यूल 15. आर्टिफिशियल इंटेलिजेंस  रणनीतियाँ और अनुप्रयोग  

15.1. वित्तीय सेवाएं 

15.1.1. वित्तीय सेवाओं में  आर्टिफिशियल इंटेलिजेंस (एआई) के निहितार्थ।  अवसर और चुनौतियाँ  
15.1.2. केस का उपयोग  
15.1.3. एआई के उपयोग से संबंधित संभावित जोखिम 
15.1.4. एआई के संभावित भविष्य के विकास/उपयोग 

15.2. स्वास्थ्य सेवा में आर्टिफिशियल इंटेलिजेंस के निहितार्थ  

15.2.1. स्वास्थ्य सेवा क्षेत्र में एआई के निहितार्थ। अवसर और चुनौतियाँ  
15.2.2. केस का उपयोग 

15.3. स्वास्थ्य सेवा में एआई के उपयोग से संबंधित जोखिम 

15.3.1. एआई के उपयोग से संबंधित संभावित जोखिम 
15.3.2. एआई के संभावित भविष्य के विकास/उपयोग  

15.4. खुदरा  

15.4.1. खुदराक्षेत्र में एआई के निहितार्थ। अवसर और चुनौतियाँ  
15.4.2. केस का उपयोग  
15.4.3. एआई के उपयोग से संबंधित संभावित जोखिम  
15.4.4. एआई के संभावित भविष्य के विकास/उपयोग 

15.5. उद्योग   

15.5.1. उद्योग में एआई के निहितार्थ। अवसर और चुनौतियाँ 
15.5.2. केस का उपयोग 

15.6. उद्योग में एआई के उपयोग से संबंधित संभावित जोखिम   

15.6.1. केस का उपयोग 
15.6.2. एआई के उपयोग से संबंधित संभावित जोखिम 
15.6.3. एआई के संभावित भविष्य के विकास/उपयोग  

15.7. लोक प्रशासन

15.7.1. लोक प्रशासन के लिए एआई निहितार्थ। अवसर और चुनौतियाँ 
15.7.2. केस का उपयोग  
15.7.3. एआई के उपयोग से संबंधित संभावित जोखिम  
15.7.4. एआई के संभावित भविष्य के विकास/उपयोग  

15.8. शैक्षणिक  

15.8.1. शिक्षा के लिए एआई का निहितार्थ। अवसर और चुनौतियाँ 
15.8.2. केस का उपयोग  
15.8.3. एआई के उपयोग से संबंधित संभावित जोखिम  
15.8.4. एआई के संभावित भविष्य के विकास/उपयोग 

15.9. वानिकी और कृषि  

15.9.1. वानिकी और कृषि में एआई के निहितार्थ। अवसर और चुनौतियाँ  
15.9.2. केस का उपयोग 
15.9.3. एआई के उपयोग से संबंधित संभावित जोखिम 
15.9.4. एआई के संभावित भविष्य के विकास/उपयोग  

15.10. मानव संसाधन

 15.10.1. मानव संसाधन अवसरों और चुनौतियों के लिए एआई के निहितार्थ 
15.10.2. केस का उपयोग  
15.10.3. एआई के उपयोग से संबंधित संभावित जोखिम  
15.10.4. एआई के संभावित भविष्य के विकास/उपयोग 

मॉड्यूल 16. शैक्षणिक वैयक्तिकरण के लिए डेटा विश्लेषण और एआई तकनीकों का अनुप्रयोग 

16.1. शैक्षणिक डेटा की पहचान, निष्कर्षण और तैयारी 

16.1.1. शैक्षणिक सेटिंग्स में प्रासंगिक डेटा के संग्रह और चयन के तरीके 
16.1.2. शैक्षणिक विश्लेषण के लिए डेटा सफ़ाई और सामान्यीकरण तकनीक 
16.1.3. शैक्षणिक अनुसंधान में डेटा अखंडता और गुणवत्ता का महत्व 

16.2. क्लास में निरंतर सुधार के लिए एआई के साथ शैक्षणिक डेटा का विश्लेषण और मूल्यांकन 

16.2.1. शैक्षणिक रुझानों और पैटर्न की व्याख्या करने के लिए मशीन लर्निंग तकनीकों का उपयोग 
16.2.2. डेटा एनालिटिक्स का उपयोग करके शैक्षणिक रणनीतियों के प्रभाव का मूल्यांकन करना 
16.2.3. शिक्षण प्रक्रिया के अनुकूलन के लिए एआई-आधारित फीडबैक का एकीकरण 

16.3. शैक्षणिक डेटा से शैक्षणिक प्रदर्शन संकेतक की परिभाषा 

16.3.1. छात्र उपलब्धि के मूल्यांकन के लिए प्रमुख मेट्रिक्स की स्थापना 
16.3.2. सुधार के क्षेत्रों की पहचान करने के लिए संकेतकों का तुलनात्मक विश्लेषण 
16.3.3. एआई का उपयोग करते हुए शैक्षणिक संकेतकों और बाहरी कारकों के बीच सहसंबंध 

16.4. शैक्षणिक निर्णय लेने और निगरानी के लिए एआई उपकरण 

16.4.1. शैक्षणिक प्रशासकों के लिए एआई-आधारित निर्णय समर्थन प्रणाली 
16.4.2. शैक्षणिक संसाधन योजना और आवंटन में एआई की भूमिका 
16.4.3. पूर्वानुमानित विश्लेषण के माध्यम से शैक्षणिक प्रक्रियाओं का अनुकूलन 

16.5. शैक्षणिक उपलब्धि डेटा के पूर्वानुमानित विश्लेषण के लिए एआई टेक्नोलॉजीज और एल्गोरिदम 

16.5.1. शिक्षा में पूर्वानुमानित मॉडलिंग के मूल सिद्धांत 
16.5.2. शिक्षा में रुझानों की भविष्यवाणी करने के लिए वर्गीकरण और प्रतिगमन एल्गोरिदम का उपयोग 
16.5.3. शैक्षणिक वातावरण में सफल भविष्यवाणियों का केस अध्ययन 

16.6. शैक्षणिक समस्याओं की रोकथाम और समाधान के लिए एआई के साथ डेटा एनालिटिक्स का अनुप्रयोग 

16.6.1. पूर्वानुमानित विश्लेषण के माध्यम से शैक्षणिक जोखिमों की प्रारंभिक पहचान 
16.6.2. शैक्षणिक चुनौतियों का समाधान करने के लिए डेटा-संचालित हस्तक्षेप रणनीतियाँ 
16.6.3. शिक्षा में एआई-आधारित समाधानों के प्रभाव का आकलन करना 

16.7. एआई के साथ डेटा एनालिटिक्स से सीखने की कठिनाइयों का व्यक्तिगत निदान 

16.7.1. सीखने की शैलियों और सीखने की कठिनाइयों की पहचान के लिए एआई तकनीक 
16.7.2. व्यक्तिगत शैक्षणिक सहायता योजनाओं में डेटा विश्लेषण का एकीकरण 
16.7.3. एआई के उपयोग से बेहतर निदान के केस अध्ययन 

16.8. विशेष शैक्षणिक आवश्यकताओं की पहचान के लिए डेटा विश्लेषण और एआई का अनुप्रयोग 

16.8.1. विशेष शैक्षणिक आवश्यकताओं का पता लगाने के लिए एआई दृष्टिकोण 
16.8.2. डेटा विश्लेषण के आधार पर शिक्षण रणनीतियों का वैयक्तिकरण 
16.8.3. शैक्षणिक समावेशन पर एआई के प्रभाव का मूल्यांकन 

16.9. अकादमिक प्रदर्शन डेटा एनालिटिक्स से एआई के साथ सीखने का वैयक्तिकरण 

16.9.1. एआई का उपयोग करके अनुकूली शिक्षण मार्ग बनाना 
16.9.2. शैक्षणिक संसाधनों के लिए अनुशंसा प्रणाली का कार्यान्वयन 
16.9.3. एआई के माध्यम से व्यक्तिगत प्रगति मापन और वास्तविक समय समायोजन 

16.10. शैक्षणिक डेटा के प्रसंस्करण में सुरक्षा और गोपनीयता 

16.10.1. शैक्षणिक डेटा के प्रबंधन में नैतिक और कानूनी सिद्धांत 
16.10.2. एआई-आधारित शैक्षणिक प्रणालियों में डेटा सुरक्षा और गोपनीयता तकनीकें 
16.10.3. सुरक्षा उल्लंघनों और शिक्षा पर उनके प्रभाव पर केस अध्ययन 

मॉड्यूल 17. क्लास में आर्टिफिशियल इंटेलिजेंस  परियोजनाओं का विकास    

17.1. शिक्षा में एआई परियोजनाओं की योजना और डिजाइन  

17.1.1. परियोजना की योजना बनाने के लिए पहला कदम  
17.1.2. ज्ञानकोष  
17.1.3. शिक्षा में एआई परियोजनाओं का डिजाइन   

17.2. एआई के साथ शैक्षणिक परियोजनाओं के विकास के लिए उपकरण  

17.2.1. शैक्षणिक परियोजनाओं के विकास के लिए उपकरण   
17.2.2. इतिहास में शैक्षणिक परियोजनाओं के लिए उपकरण  
17.2.3. गणित में शैक्षणिक परियोजनाओं के लिए उपकरण  
17.2.4. अंग्रेजी में शैक्षणिक परियोजनाओं के लिए उपकरण  

17.3. क्लास में एआई परियोजनाओं को लागू करने की रणनीतियाँ  

17.3.1. एआई परियोजना को कब लागू करना है  
17.3.2. एआई प्रोजेक्ट क्यों लागू करें?  
17.3.3. कार्यान्वित की जाने वाली रणनीतियाँ   

17.4. विशिष्ट विषयों में आईए परियोजनाओं का एकीकरण  

17.4.1. गणित और एआई  
17.4.2. इतिहास और आईए  
17.4.3. भाषाएँ और आईए  
17.4.4. अन्य विषय   

17.5. प्रोजेक्ट 1: मशीन लर्निंग का उपयोग करके शैक्षणिक परियोजनाएँ विकसित करना   

17.5.1. पहले कदम  
17.5.2. आवश्यकताएं  
17.5.3. उपयोग किये जाने वाले उपकरण  
17.5.4. परियोजना की परिभाषा    

17.6. प्रोजेक्ट 2: शैक्षणिक खेलों के विकास में एआई का एकीकरण   

17.6.1. पहले कदम  
17.6.2. आवश्यकताएं  
17.6.3. उपयोग किये जाने वाले उपकरण  
17.6.4. परियोजना की परिभाषा    

17.7. प्रोजेक्ट 3: छात्र सहायता के लिए शैक्षणिक चैटबॉट का विकास 

17.7.1. पहले कदम  
17.7.2. आवश्यकताएं  
17.7.3. उपयोग किये जाने वाले उपकरण  
17.7.4. परियोजना की परिभाषा   

17.8. प्रोजेक्ट 4: शैक्षणिक प्लेटफार्मों में बुद्धिमान एजेंटों का एकीकरण  

17.8.1. पहले कदम  
17.8.2. आवश्यकताएं  
17.8.3. उपयोग किये जाने वाले उपकरण  
17.8.4. परियोजना की परिभाषा   

17.9. शिक्षा में एआई परियोजनाओं के प्रभाव का मूल्यांकन और मापन  

17.9.1. क्लास में एआई के साथ काम करने के लाभ  
17.9.2. वास्तविक तथ्य  
17.9.3. क्लास में आईए   
17.9.4. शिक्षा में एआई सांख्यिकी   

17.10. शिक्षा परियोजनाओं में एआई का विश्लेषण और निरंतर सुधार  

17.10.1. वर्तमान परियोजनाएं   
17.10.2. कमीशनिंग  
17.10.3. भविष्य में क्या होने वाला है  
17.10.4. औलास 360 का रूपांतरण  

मॉड्यूल 18. जनरेटिव आर्टिफिशियल इंटेलिजेंस के साथ शिक्षण अभ्यास    

18.1. शिक्षा में उपयोग के लिए जनरेटिव एआई तकनीकें  

18.1.1. वर्तमान बाज़ार  
18.1.2. उपयोग में आने वाली प्रौद्योगिकियाँ  
18.1.3. क्या आना है  
18.1.4. क्लास का भविष्य  

18.2. शैक्षणिक योजना में जनरेटिव एआई टूल्स का अनुप्रयोग  

18.2.1. योजना उपकरण  
18.2.2. उपकरण और उनका अनुप्रयोग  
18.2.3. शिक्षा और एआई  
18.2.4. विकास   

18.3. जनरेटिव एआई के साथ उपदेशात्मक सामग्रियों का निर्माण  

18.3.1. एआई और क्लास में इसका उपयोग  
18.3.2. उपदेशात्मक सामग्री बनाने के लिए उपकरण  
18.3.3. टूल्स के साथ कैसे काम करें  
18.3.4. आदेश  

18.4. जेनरेटिव एआई का उपयोग करके मूल्यांकन परीक्षणों का विकास  

18.4.1. मूल्यांकन परीक्षणों के विकास में एआई और इसका उपयोग   
18.4.2. मूल्यांकन परीक्षणों के विकास के लिए उपकरण   
18.4.3. टूल्स के साथ कैसे काम करें  
18.4.4. आदेश   

18.5. जेनरेटिव एआई के साथ उन्नत फीडबैक और संचार  

18.5.1. संचार में एआई  
18.5.2. क्लास में संचार के विकास में उपकरणों का अनुप्रयोग  
18.5.3. फायदे और नुकसान   

18.6. जेनरेटिव एआई का उपयोग करके मूल्यांकन गतिविधियों और परीक्षणों का सुधार  

18.6.1. मूल्यांकन गतिविधियों और परीक्षणों के सुधार में एआई और इसका उपयोग  
18.6.2. मूल्यांकनात्मक गतिविधियों और परीक्षणों के सुधार के लिए उपकरण   
18.6.3. टूल्स के साथ कैसे काम करें  
18.6.4. आदेश  

18.7. जेनरेटिव एआई के माध्यम से शिक्षक गुणवत्ता मूल्यांकन सर्वेक्षण तैयार करना  

18.7.1. एआई का उपयोग करके शिक्षण गुणवत्ता मूल्यांकन सर्वेक्षण तैयार करने में एआई और इसका उपयोग   
18.7.2. एआई-आधारित शिक्षक गुणवत्ता सर्वेक्षण तैयार करने के लिए उपकरण  
18.7.3. टूल्स के साथ कैसे काम करें  
18.7.4. आदेश  

18.8. शैक्षणिक रणनीतियों में जनरेटिव एआई टूल्स का एकीकरण  

18.8.1. शैक्षणिक रणनीतियों में एआई के अनुप्रयोग  
18.8.2. सही उपयोग   
18.8.3. फायदे और नुकसान  
18.8.4. शैक्षणिक रणनीतियों में जनरेटिव एआई उपकरण  

18.9. सीखने के लिए सार्वभौमिक डिजाइन के लिए जेनरेटिव एआई का उपयोग  

18.9.1. जेनरेटिव एआई, अभी क्यों?  
18.9.2. सीखने में ए.आई  
18.9.3. फायदे और नुकसान  
18.9.4. सीखने में एआई के अनुप्रयोग  

18.10. शिक्षा में जनरेटिव एआई की प्रभावशीलता का मूल्यांकन  

18.10.1. प्रभावशीलता डेटा  
18.10.2. परियोजनाओं  
18.10.3. डिज़ाइन उद्देश्य  
18.10.4. शिक्षा में एआई की प्रभावशीलता का मूल्यांकन   

मॉड्यूल 19. शिक्षा के लिए एआई में नवाचार और उभरते रुझान 

19.1. शिक्षा में उभरते एआई उपकरण और प्रौद्योगिकियाँ  

19.1.1. अप्रचलित एआई उपकरण  
19.1.2. वर्तमान उपकरण  
19.1.3. भविष्य के उपकरण   

19.2. शिक्षा में संवर्धित और वर्चुअल वास्तविकता  

19.2.1. संवर्धित वास्तविकता उपकरण  
19.2.2. वर्चुअल वास्तविकता उपकरण  
19.2.3. उपकरणों का अनुप्रयोग और उनका उपयोग  
19.2.4. फायदे और नुकसान  

19.3. शैक्षणिक सहायता और इंटरएक्टिव लर्निंग के लिए संवादी एआई   

19.3.1. संवादी एआई, अभी क्यों?  
19.3.2. सीखने में ए.आई  
19.3.3. फायदे और नुकसान  
19.3.4. सीखने में एआई के अनुप्रयोग  

19.4. ज्ञान प्रतिधारण में सुधार के लिए एआई का अनुप्रयोग  

19.4.1. एक सहायता उपकरण के रूप में एआई  
19.4.2. पालन करने योग्य दिशानिर्देश   
19.4.3. ज्ञान प्रतिधारण में एआई प्रदर्शन  
19.4.4. एआई और समर्थन उपकरण  

19.5. शिक्षार्थी की व्यस्तता और कल्याण पर नज़र रखने के लिए चेहरे और भावनात्मक पहचान तकनीक 

19.5.1. चेहरे और भावनात्मक पहचान की तकनीकें आज बाज़ार में हैं  
19.5.2. उपयोग  
19.5.3. अनुप्रयोग  
19.5.4. त्रुटि के मार्जिन  
19.5.5. फायदे और नुकसान  

19.6. शैक्षणिक प्रशासन और प्रमाणन को बदलने के लिए शिक्षा में ब्लॉकचेन और एआई   

19.6.1. ब्लॉकचेन क्या है?  
19.6.2. ब्लॉकचेन और उसके अनुप्रयोग  
19.6.3. ब्लॉकचेन एक परिवर्तनकारी तत्व के रूप में  
19.6.4. शैक्षणिक प्रशासन औरब्लॉकचेन  

19.7. सीखने के अनुभव को बढ़ाने के लिए उभरते एआई उपकरण  

19.7.1. वर्तमान परियोजनाएं   
19.7.2. कमीशनिंग  
19.7.3. भविष्य में क्या होने वाला है  
19.7.4. औलास 360 का रूपांतरण  

19.8. उभरते एआई के साथ पायलट विकसित करने की रणनीतियाँ  

19.8.1. फायदे और नुकसान  
19.8.2. विकसित की जाने वाली रणनीतियाँ  
19.8.3. प्रमुख बिंदु  
19.8.4. पायलट प्रोजेक्ट

19.9. सफल एआई इनोवेशन मामलों का विश्लेषण  

19.9.1. नवोन्मेषी परियोजनाएँ  
19.9.2. एआई का अनुप्रयोग और इसके लाभ  
19.9.3. क्लास में एआई, सफल मामले  

19.10. शिक्षा में एआई का भविष्य  

19.10.1. शिक्षा में एआई इतिहास  
19.10.2. क्लास में एआई कहाँ जा रहा है?  
19.10.3. भविष्य की परियोजनाएँ  

मॉड्यूल 20. शिक्षा में आर्टिफिशियल इंटेलिजेंस की नैतिकता और कानून 

20.1. शैक्षणिक संदर्भ में संवेदनशील डेटा की पहचान और नैतिक उपचार 

20.1.1. शिक्षा में संवेदनशील डेटा के नैतिक प्रबंधन के लिए सिद्धांत और अभ्यास 
20.1.2. छात्र डेटा की गोपनीयता और गोपनीयता की सुरक्षा में चुनौतियाँ 
20.1.3. डेटा संग्रह में पारदर्शिता और सूचित सहमति सुनिश्चित करने के लिए रणनीतियाँ 

20.2. शिक्षा में एआई का सामाजिक और सांस्कृतिक प्रभाव 

20.2.1. शैक्षणिक वातावरण में सामाजिक और सांस्कृतिक गतिशीलता पर एआई के प्रभाव का विश्लेषण 
20.2.2. एआई कैसे सामाजिक पूर्वाग्रहों और असमानताओं को कायम रख सकता है या कम कर सकता है, इसकी खोज 
20.2.3. एआई के कार्यान्वयन में डेवलपर्स और शिक्षकों की सामाजिक जिम्मेदारी का आकलन करना 

20.3. शैक्षणिक सेटिंग में एआई विधान और डेटा नीति 

20.3.1. शिक्षा में एआई पर लागू वर्तमान डेटा और गोपनीयता कानूनों और विनियमों की समीक्षा 
20.3.2. शैक्षणिक अभ्यास और तकनीकी नवाचार पर डेटा नीतियों का प्रभाव 
20.3.3. शिक्षा में एआई के नैतिक उपयोग के लिए संस्थागत नीतियों का विकास 

20.4. एआई के नैतिक प्रभाव का आकलन 

20.4.1. शिक्षा में एआई अनुप्रयोगों के नैतिक प्रभावों का आकलन करने के तरीके 
20.4.2. एआई के सामाजिक और नैतिक प्रभाव को मापने में चुनौतियाँ 
20.4.3. शिक्षा में एआई के विकास और उपयोग का मार्गदर्शन करने के लिए नैतिक ढांचे का निर्माण 

20.5. शिक्षा में एआई की चुनौतियाँ और अवसर 

20.5.1. शिक्षा में एआई के उपयोग में प्रमुख नैतिक और कानूनी चुनौतियों की पहचान 
20.5.2. एआई के माध्यम से शिक्षण और सीखने में सुधार के अवसरों की खोज 
20.5.3. शिक्षा में तकनीकी नवाचार और नैतिक विचारों को संतुलित करना

20.6. शैक्षणिक वातावरण में एआई समाधानों का नैतिक अनुप्रयोग 

20.6.1. शिक्षा में एआई समाधानों के नैतिक डिजाइन और परिनियोजन के सिद्धांत 
20.6.2. विभिन्न शैक्षणिक संदर्भों में एआई के नैतिक अनुप्रयोगों पर केस अध्ययन 
20.6.3. नैतिक एआई निर्णय लेने में सभी हितधारकों को शामिल करने की रणनीतियाँ 

20.7. एआई, सांस्कृतिक विविधता और लैंगिक समानता 

20.7.1. शिक्षा में सांस्कृतिक विविधता और लैंगिक समानता को बढ़ावा देने पर एआई के प्रभाव का विश्लेषण 
20.7.2. समावेशी और विविधता-संवेदनशील एआई सिस्टम विकसित करने की रणनीतियाँ 
20.7.3. एआई विभिन्न सांस्कृतिक और लिंग समूहों के प्रतिनिधित्व और उपचार को कैसे प्रभावित कर सकता है इसका आकलन 

20.8. शिक्षा में एआई टूल्स के उपयोग के लिए नैतिक विचार 

20.8.1. क्लास में एआई उपकरणों के विकास और उपयोग के लिए नैतिक दिशानिर्देश 
20.8.2. शिक्षा में स्वचालन और मानव हस्तक्षेप के बीच संतुलन पर चर्चा 
20.8.3. उन मामलों का विश्लेषण जहां शिक्षा में एआई के उपयोग ने महत्वपूर्ण नैतिक मुद्दे उठाए हैं 

20.9. शैक्षणिक पहुंच पर एआई का प्रभाव 

20.9.1. एआई शिक्षा में पहुंच को कैसे बढ़ा या सीमित कर सकता है, इसकी खोज 
20.9.2. सभी के लिए शिक्षा तक समावेशन और पहुंच बढ़ाने के लिए डिज़ाइन किए गए एआई समाधानों का विश्लेषण 
20.9.3. पहुंच में सुधार के लिए एआई प्रौद्योगिकियों को लागू करने में नैतिक चुनौतियां 

20.10. एआई और शिक्षा में वैश्विक केस अध्ययन 

20.10.1. शिक्षा में एआई के उपयोग पर अंतर्राष्ट्रीय केस स्टडीज का विश्लेषण 
20.10.2. विभिन्न शैक्षणिक सांस्कृतिक संदर्भों में नैतिक और कानूनी दृष्टिकोण की तुलना 
20.10.3. एआई और शिक्षा में वैश्विक मामलों से सीखे गए सबक और सर्वोत्तम अभ्यास

यह सब, 100% ऑनलाइन शिक्षा में, बिना किसी निश्चित कार्यक्रम और पहले दिन से उपलब्ध पाठ्यक्रम के साथ। अभी दाखिला लें!”