इस पेशेवर स्नातकोत्तर उपाधि के साथ आप जानेंगे कि कृत्रिम बुद्धिमत्ता उद्योगों को कैसे बदल रही है और आप बदलाव का नेतृत्व करने के लिए खुद को तैयार करेंगे” 

एआई हेल्थकेयर से लेकर लॉजिस्टिक्स, ऑटोमोटिव से लेकर ई-कॉमर्स तक कई उद्योगों को बदल रहा है। दोहराए जाने वाले कार्यों को स्वचालित करने और दक्षता में सुधार करने की इसकी क्षमता ने विभिन्न प्रकार के मशीन लर्निंग एल्गोरिदम में महारत हासिल करने में सक्षम पेशेवरों की बढ़ती मांग पैदा की है। ऐसे नए और लगातार विकसित हो रहे क्षेत्र में, तेजी से प्रौद्योगिकी-संचालित नौकरी बाजार में प्रतिस्पर्धा करने के लिए अद्यतन रहना अनिवार्य है। 

इस कारण से, TECH ने एक कार्यक्रम विकसित किया है जिसे इंजीनियरों की नौकरी की संभावनाओं और पदोन्नति क्षमता में सुधार के लिए एक रणनीतिक प्रतिक्रिया के रूप में प्रस्तुत किया गया है। इस तरह, एक अभिनव पाठ्यक्रम विकसित किया गया है जिसमें छात्र एआई के बुनियादी सिद्धांतों और डेटा माइनिंग में गहराई से उतरेंगे।
इस व्यावसायिक मास्टर डिग्री के विकास के दौरान, स्नातक एआई के ऐतिहासिक विकास का पता लगाने और इसके भविष्य के अनुमानों की खोज करते हुए, आवश्यक नींव में खुद को डुबो देंगे। इस तरह, वे बड़े पैमाने पर उपयोग वाले अनुप्रयोगों में अपने एकीकरण में गहराई से उतरेंगे, यह समझने के लिए कि ये प्लेटफ़ॉर्म उपयोगकर्ता अनुभव को कैसे बेहतर बनाते हैं और परिचालन दक्षता को अनुकूलित करते हैं।

इसलिए यह एक विशिष्ट शैक्षणिक कार्यक्रम है, जिसकी बदौलत पेशेवर आर्टिफिशियल इंटेलिजेंस की गहन महारत के साथ जटिल समस्याओं के कुशल समाधान खोजने और लागू करने, जैविक विकास से प्रेरित अनुकूलन प्रक्रियाओं को विकसित कर सकते हैं।

नए ज्ञान के इंटीग्रेशन की सुविधा के लिए, TECH ने विशेष रीलर्निंग पद्धति पर आधारित यह संपूर्ण कार्यक्रम बनाया है। इस विज़नकोण के तहत, छात्र पूरे कार्यक्रम में प्रमुख अवधारणाओं की पुनरावृत्ति के माध्यम से समझ को सुदृढ़ करेंगे, जिसे प्रगतिशील और प्रभावी ज्ञान अधिग्रहण के लिए विभिन्न दृश्य-श्रव्य समर्थन में प्रस्तुत किया जाएगा। यह सब एक नवोन्मेषी और लचीली प्रणाली से है, जो पूरी तरह से ऑनलाइन है, जो प्रतिभागियों के शेड्यूल के अनुसार सीखने को अनुकूलित करने की अनुमति देती है।

डिजिटल शैक्षणिक परिदृश्य में सबसे व्यापक कार्यक्रम के , साथ उन्नत एआई-, आधारित समाधान विकसित करकेअपनी पेशेवर प्रोफ़ाइल को बढ़ावा दें” 

इस कृत्रिम बुद्धिमत्ता में स्नातकोत्तर उपाधि में बाजार पर सबसे पूर्ण और अद्यतित शैक्षिक कार्यक्रम शामिल है। इसकी सबसे उल्लेखनीय विशेषताएं हैं:

• कृत्रिम बुद्धिमत्ता में विशेषज्ञों द्वारा प्रस्तुत व्यावहारिक मामलों का विकास 
• इसकी ग्राफिक, योजनाबद्ध और अत्यंत व्यावहारिक विषय वस्तु उन विषयों पर अद्यतन 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 इसका विशेष जोर
• सैद्धांतिक पाठ, विशेषज्ञ से प्रश्न, विवादास्पद विषयों पर वाद-विवाद मंच, और व्यक्तिगत चिंतन असाइनमेंट 
• विषय वस्तु जिस तक इंटरनेट कनेक्शन वाले किसी भी स्थायी या पोर्टेबल यंत्र से पहुँचना सुलभ है

आप तंत्रिका नेटवर्क के विकास से लेकर डीप लर्निंग तक को संबोधित करेंगे और उन्नत आर्टिफिशियल इंटेलिजेंस समाधानों के कार्यान्वयन में ठोस दक्षता हासिल करेंगे” 

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

इसकी मल्टीमीडिया सामग्री, नवीनतम शैक्षिक तकनीक के साथ विकसित की गई है, जो पेशेवर को स्थित और प्रासंगिक शिक्षा प्रदान करेगी, यानी, एक अनुरूपित वातावरण जो वास्तविक परिस्थितियों में सीखने के लिए प्रोग्राम की गई एक गहन शिक्षा प्रदान करेगी।

इस कार्यक्रम का डिज़ाइन समस्या-आधारित शिक्षा पर केंद्रित है, जिसके माध्यम से पेशेवरों को पूरे शैक्षणिक पाठ्यक्रम में प्रस्तुतविभिन्न पेशेवर अभ्यास स्थितियों को हल करने का प्रयास करना चाहिए। इस उद्देश्य के लिए, छात्र को प्रसिद्ध विशेषज्ञों द्वारा बनाई गई एक अभिनव इंटरैक्टिव वीडियो प्रणाली द्वारा सहायता प्रदान की जाएगी। 

आप फोर्ब्स के अनुसार दुनिया के सर्वश्रेष्ठ डिजिटल विश्वविद्यालय में डेटा भंडारण की क्षमता का अनुकूलन करेंगे"

आप बिना किसी भौगोलिक या समय प्रतिबंध के, वर्चुअल कैंपस में 24 घंटे विशेष विषय वस्तु तक पहुंच पाएंगे"

इस पाठ्यक्रम को आर्टिफिशियल इंटेलिजेंस के क्षेत्र में विशेषज्ञों की एक टीम द्वारा डिजाइन किया गया है, जिसमें ज्ञान खोज प्रक्रियाओं और मशीन लर्निंग पर विशेष जोर दिया गया है। इसके लिए धन्यवाद, छात्र एल्गोरिदम और मॉडल के विकास में गहराई से उतरेंगे जो मशीनों को उस कार्य के लिए स्पष्ट रूप से प्रोग्राम किए, बिना पैटर्न सीखने और कार्य करने की अनुमति देते हैं। इसके अलावा, TECH अग्रणी रीलर्निंग पद्धति का उपयोग करता है, जिसकी बदौलत पेशेवर प्रगतिशील और प्रभावी तरीके से मॉडल के मूल्यांकन में ठोस ज्ञान को एकीकृत करेंगे।

आप सर्वोत्तम डिजिटल शिक्षण के 12 महीनों के माध्यम से आनुवंशिक एल्गोरिदम के निर्माण में गहराई से उतरेंगे। TECH के साथ अपने पेशेवर विकास को बढ़ावा दें”

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. न्यूरल नेटवर्क्स 

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 निरूपण: सेमांटिक 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. चैटबॉट और वर्चुअल असिस्टेंट

1.8.1. सहायकों के प्रकार: आवाज और पाठ 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. मात्रात्मक: 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. डेटासेट से 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. बड़े 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. गैर-पुनरावर्ती एल्गोरिदम के लिए गणितीय विश्लेषण 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. लालची एल्गोरिदम 

5.7.1. लालची रणनीति 
5.7.2. लालची 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 पर लालची 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. प्रोतएजे को 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 दृष्टि 
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. प्रस्तावना: 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 सीखना 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. न्यूरल नेटवर्क्स 

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 नेटवर्क, गहन शिक्षण का 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. परतों और संचालन का संघ 

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 न्यूरॉन्स तक 

8.8.1. जैविक न्यूरॉन की कार्यप्रणाली 
8.8.2. कृत्रिम न्यूरॉन्स 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 को ठीक से ट्यून करना 

8.10.1. सक्रियण फ़ंक्शन का चयन 
8.10.2. सीखने की दर निर्धारित करें 
8.10.3. वज़न का समायोजन 

मॉड्यूल 9. डीप न्यूरल नेटवर्क का प्रशिक्षण 

9.1. ग्रेडिएंट समस्याएँ 

9.1.1. ग्रेडिएंट के अनुकूलन की तकनीकें 
9.1.2. स्टोकेस्टिक ग्रेडिएंट्स 
9.1.3. वज़न आरंभ करने की तकनीकें 

9.2. पूर्व-निर्मित परतों का पुन: उपयोग 

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

9.3. अनुकूलक 

9.3.1. स्टोकेस्टिक ग्रेडिएंट ड्रॉप ऑप्टिमाइज़र 
9.3.2. ऑप्टिमाइज़र एडम और आरएमएसप्रॉप 
9.3.3. इस समय अनुकूलक 

9.4. सीखने की दर की प्रोग्रामिंग 

9.4.1. मशीन सीखने की दर का नियंत्रण 
9.4.2. सीखने के चक्र 
9.4.3. नरमी की शर्तें 

9.5. अतिसमायोजन 

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

9.8. डेटा संवर्धन 

9.8.1. इमेज परिवर्तन 
9.8.2. सिंथेटिक डेटा का सृजन 
9.8.3. पाठ परिवर्तन 

9.9. ट्रांसफर लर्निंग का व्यावहारिक अनुप्रयोग 

9.9.1. सीखना स्थानांतरण प्रशिक्षण 
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. टेंसरफ़्लोके साथ मॉडल अनुकूलन और प्रशिक्षण 

10.1. टेंसरफ़्लो 

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

10.2. टेंसरफ़्लो और नमपाइ 

10.2.1. टेंसरफ़्लो के लिए नमपाइ कंप्यूटिंग वातावरण 
10.2.2. टेंसरफ़्लो के साथ नमपाइ सरणियों का उपयोग करना 
10.2.3. टेंसरफ्लो ग्राफिक्स के लिए नमपाइ संचालन 

10.3. प्रशिक्षण मॉडल और एल्गोरिदम का अनुकूलन 

10.3.1. टेंसरफ़्लो के 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. टेंसरफ़्लो के साथ कार्य 
10.4.2. मॉडल प्रशिक्षण के लिए ग्राफिक्स का उपयोग 
10.4.3. टेंसरफ़्लो संचालन के साथ ग्राफ़िक्स अनुकूलन 

10.5. टेंसरफ़्लो के साथ डेटा लोड करना और प्रीप्रोसेस करना 

10.5.1. टेंसरफ़्लो के साथ डेटा सेट लोड हो रहा है 
10.5.2. टेंसरफ़्लो के साथ डेटा प्रीप्रोसेसिंग 
10.5.3. डेटा हेरफेर के लिए टेन्सरफ़्लो टूल का उपयोग करना 

10.6. एपीआई टीएफडाटा 

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

10.7. टीएफरिकॉर्ड प्रारूप 

10.7.1. डेटा क्रमांकन के लिए टीएफरिकॉर्ड एपीआई का उपयोग करना 
10.7.2. टेन्सरफ्लो के साथ टीएफरिकॉर्ड फ़ाइल अपलोड 
10.7.3. मॉडल प्रशिक्षण के लिए टीएफरिकॉर्ड फ़ाइलों का उपयोग करना 

10.8. केरस की प्रीप्रोसेसिंग की 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 टेन्सरफ्लो डेटासेट का उपयोग करना 
10.9.2. टेन्सरफ्लो डेटासेट के साथ प्रीप्रोसेसिंग डेटा 
10.9.3. मॉडल प्रशिक्षण के लिए टीटेन्सरफ्लो डेटासेट का उपयोग करना 

10.10. टेन्सरफ्लो के साथ एक डीप लर्निंग ऐप बनाना 

10.10.1. वास्तविक उपयोगिता 
10.10.2. टेन्सरफ्लो के साथ एक डीप लर्निंग ऐप बनाना 
10.10.3. टेंसरफ़्लो के साथ मॉडल प्रशिक्षण 
10.10.4. परिणामों की भविष्यवाणी करने के लिए एप्लिकेशन का उपयोग करना 

मॉड्यूल 11. कन्वेन्शनल न्यूरल नेटवर्क के साथडीप 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 मॉडल 

11.2. संवेगात्मक परतें 

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

11.3. समूहन की परतें और केरस के साथ समूहन की परतों का कार्यान्वयन 

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

11.4. सीएनएन वास्तुकला 

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

11.5. केरस का उपयोग करके सीएनएन रेसनेट लागू करना 

11.5.1. वज़न का आरंभीकरण 
11.5.2. इनपुट परत की परिभाषा 
11.5.3. आउटपुट की 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 द्वारा सीखना 
11.7.2. स्थानांतरण द्वारा सीखने की प्रक्रिया 
11.7.3. स्थानांतरण अधिगम के लाभ 

11.8. डीप कंप्यूटर विज़न वर्गीकरण और स्थानीयकरण 

11.8.1. छवि वर्गीकरण 
11.8.2. इमेजेज में वस्तुओं का स्थान 
11.8.3. ऑब्जेक्ट डिटेक्शन 

11.9. ऑब्जेक्ट डिटेक्शन और ऑब्जेक्ट ट्रैकिंग 

11.9.1. वस्तुओं का पता लगाने के तरीके 
11.9.2. वस्तुओं पर नज़र रखने के लिए एल्गोरिदम 
11.9.3. ट्रैकिंग और ट्रेसिंग तकनीक 

11.10. शब्दार्थ विभाजन 

11.10.1. शब्दार्थ विभाजन के लिए गहन शिक्षा 
11.10.2. किनारे का पता लगाना 
11.10.3. नियमों के आधार पर विभाजन की विधियाँ 

मॉड्यूल 12. प्राकृतिक आवर्ती तंत्रिका नेटवर्क (एनआरएन) और ध्यान के साथ प्राकृतिक भाषा प्रोसेसिंग (एनएलपी) 

12.1. आरएनएन का उपयोग करके पाठ निर्माण 

12.1.1. पाठ निर्माण के लिए आरएनएन प्रशिक्षण 
12.1.2. आरएनएन के साथ प्राकृतिक भाषा निर्माण 
12.1.3. आरएनएन के साथ पाठ निर्माण अनुप्रयोग 

12.2. प्रशिक्षण डेटा सेट बनाना 

12.2.1. एनआरएन प्रशिक्षण के लिए डेटा तैयार करना 
12.2.2. प्रशिक्षण डेटा सेट का भंडारण 
12.2.3. डेटा की सफाई और परिवर्तन 
12.2.4. भावनाओं का विश्लेषण 

12.3. आरएनएन के साथ समीक्षाओं की रेटिंग 

12.3.1. टिप्पणियों में विषयों 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 सटीकता में सुधार 

12.5. देखभाल तंत्र 

12.5.1. एनआरएन में देखभाल तंत्र का अनुप्रयोग 
12.5.2. मॉडल सटीकता में सुधार के लिए देखभाल तंत्र का उपयोग 
12.5.3. तंत्रिका नेटवर्क में ध्यान तंत्र के लाभ 

12.6. ट्रांसफार्मर मॉडल 

12.6.1. प्राकृतिक भाषा प्रोसेसिंग के लिए ट्रांसफॉर्मर्समॉडल का उपयोग करना 
12.6.2. विज़न के लिए ट्रांसफॉर्मर मॉडल का अनुप्रयोग 
12.6.3. ट्रांसफार्मर मॉडल के लाभ 

12.7. विज़न के लिए ट्रांसफार्मर 

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

12.8. हगिंग फेस का ट्रांसफॉर्मर्सबुकस्टोर 

12.8.1. हगिंग फेस की ट्रांसफॉर्मर्स लाइब्रेरी का उपयोग करना 
12.8.2. हगिंग फेस की ट्रांसफॉर्मर्स लाइब्रेरी ऐप 
12.8.3. हगिंग फेस की ट्रांसफॉर्मर्स लाइब्रेरी के फायदे 

12.9. ट्रांसफॉर्मर्स की अन्य किताबों की दुकानें। तुलना 

12.9.1. विभिन्न ट्रांसफार्मर पुस्तकालयों के बीच तुलना 
12.9.2. अन्य ट्रांसफार्मर ट्रांसफार्मर लाइब्रेरीज़ का उपयोग 
12.9.3. अन्य ट्रांसफॉर्मर पुस्तकालयों के लाभ 

12.10. आरएनएन और केयर के साथ एनएलपी एप्लिकेशन का विकास। वास्तविक उपयोगिता 

12.10.1. आरएनएन और देखभाल के साथ एक प्राकृतिक भाषा प्रोसेसिंग अनुप्रयोग का विकास 
12.10.2. अनुप्रयोग में आरएनएन, ध्यान तंत्र और ट्रांसफॉर्मर मॉडल का उपयोग 
12.10.3. व्यावहारिक कार्यान्वयन का मूल्यांकन 

मॉड्यूल 13. ऑटोएन्कोडर्स, जीएएन और डिफ्यूजन मॉडल 

13.1. कुशल डेटा 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 का कार्यान्वयन 

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

13.3. स्टैक्ड स्वचालित एनकोडर 

13.3.1. डीप न्यूरल नेटवर्क्स 
13.3.2. कोडिंग आर्किटेक्चर का निर्माण 
13.3.3. नियमितीकरण का प्रयोग 

13.4. ऑटोकोडिफ़ाडोरेस कन्वोल्यूशनल्स 

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

13.5. स्वचालित एन्कोडर्स से शोर उन्मूलन 

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

13.6. बिखरे हुए स्वचालित एनकोडर 

13.6.1. कोडिंग की दक्षता बढ़ाएँ 
13.6.2. पैरामीटरों की संख्या न्यूनतम करना 
13.6.3. नियमितीकरण तकनीकों का उपयोग 

13.7. स्वचालित परिवर्तनीय एनकोडर 

13.7.1. परिवर्तनशील अनुकूलन का उपयोग 
13.7.2. बिना पर्यवेक्षित गहन शिक्षा 
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 न्यूरल नेटवर्क का प्रशिक्षण 

13.9. उत्पादक प्रतिकूल नेटवर्क और प्रसार मॉडल 

13.9.1. इमेजेज से विषय वस्तु का 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 मामलों का उपयोग करें 
14.10.2. अर्थशास्त्र में तंत्रिका नेटवर्क के मामलों का उपयोग करें 
14.10.3. कृत्रिम विज़न में तंत्रिका नेटवर्क के मामलों का उपयोग करें 

मॉड्यूल 15. कृत्रिम बुद्धिमत्ता 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. खुदरा क्षेत्र 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. शैक्षिक

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

100% ऑनलाइन कार्यक्रम के साथ खुद को श्रम बाजार में स्थापित करें, जो आपकी आवश्यकताओं के अनुकूल है और आपको एक गहन और ठोस सीखने की अनुमति देता है”