مع هذا البرنامج عبر الإنترنت، ستكتسب مهارات في البرمجة وتطوير البرمجيات لتطبيق خوارزميات الكشف عن الأشياء في تطبيقات العالم الحقيقي" 

تكمن أهمية الكشف عن الأشياء في الرؤية الاصطناعية في نطاق واسع من التطبيقات والفوائد في مختلف المجالات. من الأمثلة على ذلك قدرته على أتمتة المهام الزراعية مثل الزراعة والحصاد. مع وصول الصناعة 4.0، تستمر التكنولوجيا في التطور يوميًا تقريبًا لتوفر للخبراء أدوات جديدة يمكن من خلالها تبسيط المهام الأكثر تعقيدًا. مع ذلك، بالنسبة للمحترفين، يمثل تجديد معارفهم تحديًا نظرًا لعبء العمل الهائل الذي يتعرضون له. 

لهذا السبب، تطلق TECH محاضرة جامعية تجمع أحدث الاتجاهات التي حدثت في توطين العناصر في الرؤية الاصطناعية. سوف يتعمق خط سير الرحلة الأكاديمي في جوانب تتراوح من الانسداد إلى مقاييس التقييم وتتبع الأشياء المتحركة. سيحصل الطلاب طوال المؤهل العلمي على مهارات جديدة تتيح لهم التعامل بشكل فعال مع لغات البرمجة وتطبيقها في مشاريع الكشف عن الأشياء العملية. بالإضافة إلى ذلك، ستتضمن المواد التعليمية دراسات حالة تركز على اكتشاف الأشخاص ومراقبتهم. بالإضافة إلى ذلك، سيقوم أعضاء هيئة التدريس بتحفيز البحث وتطوير أساليب جديدة لتشجيع الخريجين على القيام بعمليات الابتكار. 

فيما يتعلق بمنهجية البرنامج، تستخدم TECH نظام التدريس الثوري لإعادة التعلم. استنادا إلى تكرار المحتويات الأساسية خلال الرحلة الأكاديمية، سيقوم الطلاب بتقليل ساعات الدراسة والحفظ المتكررة في الأنظمة التربوية الأخرى. بهذه الطريقة، سيحصل المتخصصون على التعلم الطبيعي والتقدمي في جميع أنحاء المنهج الدراسي بأكمله. يحتاج المحترفون فقط إلى جهاز رقمي متصل بالإنترنت لعرض الموارد التعليمية لهذا الاقتراح الأكاديمي عالي المستوى، في أي وقت من اليوم.

ستقوم بتطوير مشاريع مبتكرة لأتمتة المهام مثل تحديد الأشخاص وضمان الأمن في المرافق"

تحتوي المحاضرة الجامعية في الكشف عن الأشياء في الرؤية الاصطناعية على البرنامج التعليمي الأكثر اكتمالا و حداثة في السوق. أبرز خصائصها هي:

تطوير الحالات العملية المقدمة من قبل خبراء في التعلم العميق (deep learning) وعلوم الكمبيوتر والرؤية الاصطناعية
محتوياتها البيانية والتخطيطية والعملية البارزة التي يتم تصورها بها تجمع المعلومات العلمية والرعاية العملي حول تلك التخصصات الأساسية للممارسة المهنية
التمارين العملية حيث يمكن إجراء عملية التقييم الذاتي لتحسين التعلم
تركيزها على المنهجيات المبتكرة 
كل هذا سيتم استكماله بدروس نظرية وأسئلة للخبراء ومنتديات مناقشة حول القضايا المثيرة للجدل وأعمال التفكير الفردية
توفر المحتوى من أي جهاز ثابت أو محمول متصل بالإنترنت

احصل على أحدث التقنيات في Mean Average Precision باستخدام هذا البرنامج الثوري"

البرنامج يضم، في أعضاء هيئة تدريسهمحترفين في مجال الطاقات المتجددة يصبون في هذا التدريب خبرة عملهم, بالإضافة إلى متخصصين معترف بهم من الشركات الرائدة والجامعات المرموقة. 

وسيتيح محتوى البرنامج المتعدد الوسائط، والذي صيغ بأحدث التقنيات التعليمية، للمهني التعلم السياقي والموقعي، أي في بيئة محاكاة توفر تدريبا غامرا مبرمجا للتدريب في حالات حقيقية. 

يركز تصميم هذا البرنامج على التعلم القائم على حل المشكلات، والذي المهني في يجب أن تحاول من خلاله حل المواقف المختلفة للممارسة المهنية التي تنشأ من خلاله. للقيام بذلك، سيحصل على مساعدة من نظام فيديو تفاعلي مبتكر من قبل خبراء مشهورين. 

تخصص في الكشف عن الأشياء وحقق قفزة في الصناعات المتنامية باستمرار مثل السيارات أو التصنيع"

بفضل نظام إعادة التعلم الخاص بـ TECH، ستستمتع بالتعلم التدريجي والمستقل"

من خلال 150 ساعة من التدريب، سيقوم الخريجون بدمج التقنيات الأكثر تقدمًا في الكشف عن الأشياء في الرؤية الاصطناعية في ممارساتهم اليومية. ستزود خطة الدراسة الطلاب بأدوات متعددة لتنفيذ مقاييس التقييم، ومن بينها درجة الاستدعاء (Recall) أو درجة الثقة (Confidence Score). بهذه الطريقة، سيقوم الخريجون بقياس فعالية نماذج التعلم الآلي وأنظمة الرؤية الاصطناعية في مهام محددة. بالإضافة إلى ذلك، سيتعمق المنهج في الكشف عن الأشياء (Object Trackin) لتتبع موقع الشيء أو حجمه أو شكله أثناء تحركه في المشهد. 

تدريب عالي الكثافة من شأنه تحديث معرفتك في سيناريو حقيقي، بأقصى قدر من الدقة العلمية لمؤسسة مرجعية تكنولوجية"

الوحدة 1. الكشف عن الأشياء

1.1.    الكشف وتتبع الأشياء

1.1.1.    الكشف عن الأشياء
2.1.1.    حالات استخدام
3.1.1.    تتبع الأشياء
4.1.1.    حالات استخدام
5.1.1.     الإطباقات Rigid and No Rigid Poses 

2.1.    مقاييس التقييم

1.2.1.     IOU - Intersection Over Union
2.2.1.    Confidence Score
3.2.1.    Recall
4.2.1.    الدقة
5.2.1.    Recall Precision Curve
6.2.1.    Mean Average Precision (mAP)

3.1.    الطرق التقليدية

1.3.1.    Sliding window
2.3.1.    Viola detector
3.3.1.    HOG
4.3.1.    Non Maximal Supresion (NMS)

4.1.    Datasets

1.4.1.    Pascal VC
2.4.1.    MS Coco
3.4.1.    ImageNet (2014)
4.4.1.    MOTA Challenge

5.1.    Two Shot Object Detector

1.5.1.    R-CNN
2.5.1.    Fast R-CNN
3.5.1.    Fast R-CNN
4.5.1.    Fast R-CNN

6.1.    Single Shot Object Detector

1.6.1.    SSD
2.6.1.    YOLO
3.6.1.    RetinaNet
4.6.1.    CenterNet
5.6.1.    EfficientDet

7.1.    Backbones

1.7.1.    VGG
2.7.1.    ResNet
3.7.1.    Mobilenet
4.7.1.    Shufflenet
5.7.1.    Darknet

8.1.     Object Tracking

1.8.1.    المناهج الكلاسيكية
2.8.1.    مرشحات الجسيمات
3.8.1.    Kalman
4.8.1.    Sort tracker
5.8.1.    Deep Sort

9.1.    الانتشار

1.9.1.    منصة الحوسبة
2.9.1.    إختيار Backbone 
3.9.1.    إختيار Framework
4.9.1.    تحسين النموذج
5.9.1.    إصدار النماذج

10.1.    دراسة: الكشف وتتبع الأشياء

1.10.1.    الكشف عن الأشخاص
2.10.1.    تتبع الأشخاص
3.10.1.    إعادة تحديد الهوية
4.10.1.    عد الناس في الحشود

ستسمح لك الشهادة الجامعية بتحقيق تطلعاتك المهنية خلال 6 أسابيع فقط"