इस स्नातकोत्तर डिप्लोमा की बदौलत डीप लर्निंग को कंप्यूटर विज़न के साथ मिलाएं, जो आपको इस उभरती हुई तकनीक में सभी नवीनतम विकास प्रदान करता है”

आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) तकनीकी परिदृश्य में क्रांति ले आया है। इसके सिद्धांत कई क्षेत्रों में लागू होते हैं और स्वास्थ्य सेवा जैसे क्षेत्रों में बहुत महत्वपूर्ण हैं, जो निदान प्रक्रियाओं और उपचारों को बेहतर बनाने के लिए इस तकनीक का लाभ उठाते हैं। इस पूरी प्रक्रिया में डीप लर्निंग एक आवश्यक क्षेत्र है, क्योंकि यही निर्धारित करता है कि मशीन लर्निंग का काम कैसे किया जाएगा। 

इसलिए, डीप लर्निंग की क्षमता को कंप्यूटर विज़न जैसे किसी अन्य अनुशासन के साथ जोड़कर, सभी प्रकार के क्षेत्रों में शानदार परिणाम प्राप्त किए जा सकते हैं। इन दो विशिष्टताओं के संयोजन से, एक पूर्ण और गहन दृश्य डेटा संग्रह और रीडिंग तैयार की जाती है, जो जटिल तकनीकी कार्यों के प्रदर्शन को बेहतर बनाती है। इसलिए, यह स्नातकोत्तर डिप्लोमा कंप्यूटर वैज्ञानिकों को इस क्षेत्र में नवीनतम नवाचारों तक पहुंचने की संभावना प्रदान करता है, जिससे वे तंत्रिका नेटवर्क और उनके सक्रियण कार्यों, दृढ़ तंत्रिका नेटवर्क और ऑब्जेक्ट डिटेक्शन आदि के बारे में नए ज्ञान को अपने काम में शामिल कर सकें। 

यह सब 100% ऑनलाइन शिक्षण पद्धति पर आधारित है, जो पेशेवरों को यह चुनने की अनुमति देता है कि कैसे, कब और कहाँ अध्ययन करना है, क्योंकि यह उनकी व्यक्तिगत परिस्थितियों के अनुकूल है। इसके अलावा, इस कार्यक्रम को पूरा करने वाले कंप्यूटर वैज्ञानिक के पास कई अन्य संसाधनों के अलावा केस स्टडीज, वीडियो, मास्टर क्लास और मल्टीमीडिया सारांश के रूप में सर्वोत्तम मल्टीमीडिया सामग्री तक पहुंच होगी। इसके अलावा, सबसे अनुभवी संकाय पूरी प्रक्रिया का मार्गदर्शन करेगा, यह सुनिश्चित करते हुए कि पेशेवर को सबसे अद्यतन और व्यावहारिक ज्ञान प्राप्त होगा। 

इस नवोन्मेषी और विशिष्ट शैक्षिक कार्यक्रम के साथ डीप लर्निंग से शक्तिशाली कंप्यूटर विज़न टूल विकसित करें”

यह कंप्यूटर विज़न के लिए लागू डीप लर्निंग में स्नातकोत्तर डिप्लोमा बाजार का सबसे पूर्ण और अद्यतन कार्यक्रम प्रदान करता है। इसकी सबसे उल्लेखनीय विशेषताएं हैैं:

• डीप लर्निंग, कंप्यूटर विज्ञान और कंप्यूटर विज़न के विशेषज्ञों द्वारा प्रस्तुत केस स्टडीज़ का विकास
• ग्राफिक, योजनाबद्ध और व्यावहारिक सामग्री जिसके साथ उन्हें बनाया गया है, उन विषयों पर वैज्ञानिक और व्यावहारिक जानकारी प्रदान करती है, जो पेशेवर अभ्यास के लिए आवश्यक हैं
• व्यावहारिक अभ्यास जहां सीखने में सुधार के लिए स्वमूल्यांकन 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 
• विषय-वस्तु जिस तक इंटरनेट कनेक्शन वाले किसी भी स्थायी या पोर्टेबल यंत्र से पहुँचना सुलभ है 

आप जानते हैं कि आर्टिफ़िशियल इंटेलिजेंस(कृत्रिम बुद्धिमत्ता) ही वर्तमान और भविष्य है। कंप्यूटर विज़न के लिए लागू डीप लर्निंग में नवीनतम प्रगति के बारे में जानने के इस अवसर से न चूकें”

कार्यक्रम के शिक्षण स्टाफ में उस क्षेत्र के पेशेवर शामिल हैं, जो इस शैक्षणिक कार्यक्रम में अपने कार्य अनुभव का योगदान करते हैं, साथ ही प्रमुख समाजों और प्रतिष्ठित विश्वविद्यालयों के प्रसिद्ध विशेषज्ञ भी शामिल हैं।

नवीनतम शैक्षणिक प्रौद्योगिकी के साथ विकसित की गई मल्टीमीडिया विषय-वस्तु, पेशेवर को स्थायी और प्रासंगिक शिक्षा उपलब्ध कराएगी, अर्थात एक ऐसा सिम्युलेटेड वातावरण जो वास्तविक परिस्थितियों में सीखने के लिए प्रोग्राम की गई गहन शिक्षा प्रदान करेगा।

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

यह वह प्रोग्राम है जिसकी आप तलाश कर रहे थे। अभी नामांकन करें और प्रौद्योगिकी क्षेत्र में पेशेवर रूप से प्रगति करें”

सर्वश्रेष्ठ आईटी और प्रौद्योगिकी कंपनियां इन क्षेत्रों में अपना सारा ध्यान केंद्रित कर रही हैं। पीछे मत रहिए”

कंप्यूटर विज़न के लिए लागू डीप लर्निंग में इस स्नातकोत्तर डिप्लोमा की सामग्री को आर्टिफ़िशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के अग्रणी विशेषज्ञों द्वारा सावधानीपूर्वक डिजाइन किया गया है। इस कारण से, यह ज्ञान नवीनतम और गहन है और कंप्यूटर वैज्ञानिक को न्यूरल नेटवर्क मूल्यांकन मेट्रिक्स, सीएनएन लेयर्स के प्रकार, नियमितीकरण या डेटासेट के साथ सीखने जैसे कई अन्य मुद्दों में नवीनतम नवाचारों को अच्छी तरह से जानने का अवसर मिलेगा। 

ये सामग्री आपको डीप लर्निंग और कंप्यूटर विज़न में एक महान विशेषज्ञ बनाएगी”

मॉड्यूल 1. डीप लर्निंग

1.1.  आर्टिफ़िशियल इंटेलिजेंस 

1.1.1  मशीन लर्निंग 
1.1.2  डीप लर्निंग 
1.1.3  डीप लर्निंग में अचानक वृद्धि अभी क्यों?

1.2.  न्यूरल नेटवर्क 

1.2.1  डीप न्यूरल नेटवर्क 
1.2.2  न्यूरल नेटवर्क का उपयोग 
1.2.3  लीनियर रिग्रेशन और परसेप्ट्रॉन 
1.2.4  फॉरवर्ड प्रोपेगेशन 
1.2.5  बैकप्रोपेगेशन 
1.2.6  फ़ीचर वेक्टर 

1.3.  लॉस फंक्शन 

1.3.1  लॉस फंक्शन 
1.3.2   लॉस फंक्शनके प्रकार 
1.3.3   लॉस फंक्शनके विकल्प 

1.4.  सक्रियण कार्य 

1.4.1  सक्रियण कार्य 
1.4.2  रेखीय कार्य 
1.4.3  अरेखीय कार्य 
1.4.4  आउटपुट बनाम हिडन लेयर एक्टिवेशन फ़ंक्शंस 

1.5.  नियमितीकरण और सामान्यीकरण 

1.5.1  नियमितीकरण और सामान्यीकरण 
1.5.2  ओवरफिटिंग और डेटा ऑग्मेंटेशन 
1.5.3  नियमितीकरण के तरीके: एल1, एल2 और ड्रॉपआउट 
1.5.4  नियमितीकरण के तरीके: बैच, भार, परत 

1.6.  ऑप्टीमाईजेशन 

1.6.1  ग्रैडीअन्ट डिसेन्ट 
1.6.2  स्टोकेस्टिक ग्रेडिएंट डिसेंट 
1.6.3  मिनी बैच ग्रेडिएंट डिसेंट 
1.6.4  गति 
1.6.5  एडम 

1.7.  हाइपरपैरामीटर ट्यूनिंग और भार 

1.7.1  हाइपरपैरामीटर 
1.7.2   बैच का आकार बनाम सीखने की दर बनाम चरण क्षय 
1.7.3  भार 

1.8.  न्यूरल नेटवर्क का मूल्यांकन मेट्रिक्स 

1.8.1  यथार्थता 
1.8.2  डाइस गुणांक 
1.8.3  संवेदनशीलता बनाम विशिष्टता/स्मरण बनाम सटीकता 
1.8.4  आरओसी वक्र (एयूसी) 
1.8.5  एफ1 स्कोर 
1.8.6  मैट्रिक्स कन्फ्यूजन 
1.8.7  क्रॉस सत्यापन 

1.9.  फ्रेमवर्क और हार्डवेयर 

1.9.1  टेंसर फ्लो 
1.9.2  पाइटॉर्च 
1.9.3  कैफ़े 
1.9.4  केरस 
1.9.5  सीखने के चरण के लिए हार्डवेयर 

1.10.  एक न्युरल नेटवर्क का निर्माण- प्रशिक्षण और सत्यापन। 

1.10.1  डेटासेट 
1.10.2  नेटवर्क निर्माण 
1.10.3  प्रशिक्षण 
1.10.4  परिणामों का विज़ुअलाइज़ेशन 

मॉड्यूल 2. कॉन्वोलूशन न्यूरल नेटवर्क और इमेज क्लासिफिकेशन 

2.1.  कॉन्वोलूशन न्यूरल नेटवर्क्स 

2.1.1  परिचय 
2.1.2  कॉन्वोलूशन 
2.1.3  सीएनएन बिल्डिंग ब्लॉक्स

2.2.  सीएनएन परतों के प्रकार 

2.2.1  कॉन्वोलूशन 
2.2.2  सक्रियण 
2.2.3  बैच का सामान्यीकरण 
2.2.4  पोलिंग 
2.2.5  पूर्ण कनेक्शन 

2.3.  मेट्रिक्स 

2.3.1  मैट्रिक्स कन्फ्यूजन 
2.3.2  यथार्थता 
2.3.3  परिशुद्धता 
2.3.4  याद करना 
2.3.5 एफ1 स्कोर  
2.3.6  आरओसी, कर्व 
2.3.7  एयूसी 

2.4.  आर्किटेक्चर 

2.4.1  एलेक्सनेट 
2.4.2  वीजीजी 
2.4.3  रेसनेट 
2.4.4  गूगललेनेट 

2.5.  इमेज वर्गीकरण 

2.5.1  परिचय 
2.5.2  डेटा विश्लेषण 
2.5.3  डेटा तैयारी 
2.5.4  मॉडल प्रशिक्षण 
2.5.5  मॉडल सत्यापन

2.6.  सीएनएन प्रशिक्षण के लिए व्यावहारिक विचार 

2.6.1  ऑप्टिमाइज़र चयन 
2.6.2  लर्निंग रेट अनुसूची 
2.6.3  प्रशिक्षण पाइपलाइन की जाँच करें 
2.6.4  नियमितीकरण के साथ प्रशिक्षण 

2.7.  डीप लर्निंग में सर्वोत्तम अभ्यास 

2.7.1  ट्रांसफर लर्निंग 
2.7.2  फ़ाइन ट्यूनिंग 
2.7.3  डेटा संवर्धन 

2.8.  सांख्यिकीय डेटा मूल्यांकन 

2.8.1  डेटासेट्स की संख्या 
2.8.2  लेबलों की संख्या 
2.8.3  इमेज की संख्या 
2.8.4  डेटा संतुलन 

2.9.  परिनियोजन 

2.9.1  मॉडल सहेजना 
2.9.2  ओनक्स 
2.9.3  अनुमान 

2.10.  केस स्टडीस इमेज वर्गीकरण 

2.10.1  डेटा विश्लेषण और तैयारी 
2.10.2  ट्रेनिंग पाइपलाइन का परीक्षण 
2.10.3  मॉडल प्रशिक्षण 
2.10.4  मॉडल सत्यापन 

मॉड्यूल 3. ऑब्जेक्ट डिटेक्शन 

3.1.  ऑब्जेक्ट डिटेक्शन और ट्रैकिंग 

3.1.1  ऑब्जेक्ट डिटेक्शन 
3.1.2  केसेस का इस्तेमाल करें 
3.1.3  ऑब्जेक्ट ट्रैकिंग 
3.1.4  केस का उपयोग 
3.1.5  अवरोधन, कठोर और गैर-कठोर मुद्राएँ 

3.2.  मूल्यांकन मेट्रिक्स 

3.2.1  आईओयू - इंटरसेक्शन ओवर यूनियन  
3.2.2  कॉन्फिडेंस स्कोर 
3.2.3  याद करना 
3.2.4  परिशुद्धता 
3.2.5  स्मरण-परिशुद्धता कर्व 
3.2.6  औसत अर्थ परिशुद्धता (एमएपी) 

3.3.  पारंपरिक विधियाँ 

3.3.1  स्लाइडिंग विंडो 
3.3.2  वियोला डिटेक्टर 
3.3.3  एचओजी 
3.3.4  नॉन-मेक्सिमल सप्रेसियन (एनएमएस)  

3.4.  डेटासेट 

3.4.1  पास्कल वीसी 
3.4.2  एमएस कोको 
3.4.3  इमेजनेट (2014) 
3.4.4  एमओटीए चैलेंज 

3.5.  टू शॉट ऑब्जेक्ट डिटेक्टर 

3.5.1  आर-सीएनएन 
3.5.2  फास्ट आर-सीएनएन 
3.5.3  फास्टर आर-सीएनएन 
3.5.4  मास्क आर- सीएनएन 

3.6.  सिंगल शॉट ऑब्जेक्ट डिटेक्टर 

3.6.1 एसएसडी 
3.6.2  वाईओएलओ 
3.6.3  रेटिनानेट 
3.6.4  सेंटरनेट 
3.6.5  एफिशेन्टडेट 

3.7.  बैकबोन्स 

3.7.1  वीजीजी 
3.7.2  रेसनेट 
3.7.3  मोबाइलनेट 
3.7.4  शफ़लनेट 
3.7.5  डार्कनेट 

3.8.  ऑब्जेक्ट ट्रैकिंग 

3.8.1  क्लासिकल दृष्टिकोण 
3.8.2  पार्टिकुलेट फ़िल्टर 
3.8.3  कलमेन 
3.8.4  सॉर्ट ट्रैकर 
3.8.5  डीप सॉर्ट 

3.9.  परिनियोजन 

3.9.1  कंप्यूटिंग प्लेटफार्म 
3.9.2   बेकबोन का चयन  
3.9.3  फ्रेमवर्कका चयन 
3.9.4  मॉडल अनुकूलन 
3.9.5  मॉडल संस्करण 

3.10.  अध्ययन: लोगों का पता लगाना और उन पर निगरानी रखना 

3.10.1  लोगों का पता लगाना 
3.10.2  लोगों पर निगरानी 
3.10.3  पुन: पहचान 
3.10.4  भीड़ में लोगों की गिनती करना

अब और इंतजार न करें और आर्टिफ़िशियल इंटेलिजेंस की इन शक्तिशाली शाखाओं में सबसे विशिष्ट सामग्री तक पहुंचें”