آموزش خودروهای خودمختار: یادگیری عمیق و دید کامپیوتر در پایتون

Autonomous Cars: Deep Learning and Computer Vision in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش OpenCV، Keras، تشخیص اشیا و خطوط و طبقه بندی علائم راهنمایی و رانندگی برای اتومبیل های خودران تشخیص خودکار خط کشی در تصاویر تشخیص اتومبیل ها و عابران پیاده با استفاده از طبقه بندی کننده آموزش دیده و با SVM طبقه بندی علائم راهنمایی و رانندگی با استفاده از شبکه های عصبی کانولوشن شناسایی سایر وسایل نقلیه در تصاویر با استفاده از الگو تطبیق ساخت شبکه‌های عصبی عمیق با Tensorflow و Keras تجزیه و تحلیل و تجسم داده‌ها با داده‌های تصویر Numpy، Pandas، Matplotlib و Seaborn Process با استفاده از دوربین‌های OpenCV Calibrate در پایتون، تصحیح اعوجاج تیز کردن و محو کردن تصاویر با کانولوشن تشخیص لبه‌ها در تصاویر با Sobel، Laplace، و Canny Transform تصاویر از طریق ترجمه، چرخش، تغییر اندازه و تبدیل پرسپکتیو استخراج ویژگی‌های تصویر با HOG Detect گوشه‌های شی با هریس طبقه‌بندی داده‌ها با تکنیک‌های یادگیری ماشین از جمله رگرسیون، درخت‌های تصمیم، Naive Bayes و SVM طبقه‌بندی داده‌ها با شبکه‌های عصبی مصنوعی و یادگیری عمیق پیش نیازها: رایانه شخصی ویندوز، مک یا لینوکس با حداقل 3 گیگابایت فضای دیسک آزاد. چند تجربه قبلی در برنامه نویسی

اتومبیل‌های خودران: دید رایانه و یادگیری عمیق

صنعت خودرو در حال تجربه یک تغییر الگو از وسایل نقلیه معمولی با هدایت انسان به وسایل نقلیه خودران و مجهز به هوش مصنوعی است. وسایل نقلیه خودران راه حلی ایمن، کارآمد و مقرون به صرفه را ارائه می دهند که به طور چشمگیری آینده حرکت انسان را بازتعریف می کند. انتظار می‌رود خودروهای خودران تا سال 2035 جان بیش از نیم میلیون نفر را نجات دهند و فرصت‌های اقتصادی عظیمی بیش از 1 تریلیون دلار ایجاد کنند. p>

همانطور که جهان به سوی آینده ای بدون راننده پیش می رود، نیاز به مهندسان و محققان با تجربه در این زمینه نوظهور جدید هرگز به این اندازه حیاتی نبوده است.

هدف از این دوره ارائه دانش به دانشجویان از جنبه های کلیدی طراحی و توسعه وسایل نقلیه خودران است. این دوره به دانشجویان تجربیات عملی در مفاهیم مختلف وسایل نقلیه خودران مانند یادگیری ماشین و بینایی کامپیوتر را ارائه می دهد. مفاهیمی مانند تشخیص خط، طبقه بندی علائم راهنمایی و رانندگی، تشخیص وسیله نقلیه/اشیاء، هوش مصنوعی و یادگیری عمیق ارائه خواهد شد. این دوره برای دانش‌آموزانی که می‌خواهند درک اساسی از کنترل وسایل نقلیه خودران به دست آورند، هدف‌گذاری شده است. دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای هر دانشجویی که دانش اولیه برنامه نویسی داشته باشد آزاد است. دانش‌آموزانی که در این دوره آموزشی خودروهای خودران ثبت‌نام می‌کنند، بر فناوری‌های خودروهای بدون راننده تسلط خواهند داشت که آینده حمل‌ونقل را تغییر می‌دهند.

ابزارها و الگوریتم‌هایی که ما پوشش خواهیم داد عبارتند از:

  • OpenCV

  • یادگیری عمیق و شبکه های عصبی مصنوعی

  • شبکه های عصبی کانولوشنال

  • تطابق الگو

  • استخراج ویژگی HOG

  • SIFT، SURF، FAST و ORB

  • Tensorflow و Keras

  • رگرسیون خطی و رگرسیون لجستیک

  • درخت تصمیم

  • پشتیبانی از ماشین‌های بردار

  • بیز ساده

مدرسان شما دکتر رایان احمد با مدرک دکترای مهندسی با تمرکز بر سیستم های کنترل خودروهای الکتریکی و فرانک کین هستند که 9 سال در آمازون متخصص در یادگیری ماشینی گذرانده است. فرانک و دکتر احمد با هم به بیش از 500000 دانش آموز در سراسر جهان تنها در Udemy آموزش داده اند.

دانشجویان دوره محبوب ما، "علم داده، یادگیری عمیق، و یادگیری ماشین با پایتون" ممکن است برخی از موضوعات را مروری بر آنچه در آنجا پوشش داده شده است، از دریچه خودروهای خودران ببینند. اما، بیشتر دوره بر روی موضوعاتی متمرکز است که قبلا هرگز به آنها پرداخته ایم، مخصوصاً تکنیک های بینایی کامپیوتری مورد استفاده در وسایل نقلیه خودران. تعداد زیادی مهارت جدید و ارزشمند در اینجا وجود دارد که باید یاد بگیرید!


سرفصل ها و درس ها

راه اندازی و نصب محیط Environment Setup and Installation

  • Anaconda، OpenCV، Tensorflow و Course Materials را نصب کنید Install Anaconda, OpenCV, Tensorflow, and the Course Materials

  • محیط خود را با تشخیص لبه بلادرنگ در یک نوت بوک Jupyter آزمایش کنید Test your Environment with Real-Time Edge Detection in a Jupyter Notebook

  • Udemy 101: بیشترین بهره را از این دوره ببرید Udemy 101: Getting the Most From This Course

راه اندازی و نصب محیط Environment Setup and Installation

  • معرفی Introduction

  • معرفی Introduction

  • Anaconda، OpenCV، Tensorflow و Course Materials را نصب کنید Install Anaconda, OpenCV, Tensorflow, and the Course Materials

  • محیط خود را با تشخیص لبه بلادرنگ در یک نوت بوک Jupyter آزمایش کنید Test your Environment with Real-Time Edge Detection in a Jupyter Notebook

  • Udemy 101: بیشترین بهره را از این دوره ببرید Udemy 101: Getting the Most From This Course

  • یادداشت مهم Important note

  • یادداشت مهم Important note

مقدمه ای بر خودروهای خودران Introduction to Self-Driving Cars

مقدمه ای بر خودروهای خودران Introduction to Self-Driving Cars

  • تاریخچه مختصری از وسایل نقلیه خودران A Brief History of Autonomous Vehicles

  • تاریخچه مختصری از وسایل نقلیه خودران A Brief History of Autonomous Vehicles

  • بررسی اجمالی دوره و نتایج یادگیری Course Overview and Learning Outcomes

  • بررسی اجمالی دوره و نتایج یادگیری Course Overview and Learning Outcomes

دوره سقوط پایتون [اختیاری] Python Crash Course [Optional]

  • مبانی پایتون: تاپل ها و دیکشنری ها Python Basics: Tuples and Dictionaries

دوره سقوط پایتون [اختیاری] Python Crash Course [Optional]

  • مبانی پایتون: فضای خالی، واردات و فهرست ها Python Basics: Whitespace, Imports, and Lists

  • مبانی پایتون: فضای خالی، واردات و فهرست ها Python Basics: Whitespace, Imports, and Lists

  • مبانی پایتون: تاپل ها و دیکشنری ها Python Basics: Tuples and Dictionaries

  • مبانی پایتون: توابع و عملیات بولی Python Basics: Functions and Boolean Operations

  • مبانی پایتون: توابع و عملیات بولی Python Basics: Functions and Boolean Operations

  • مبانی پایتون: حلقه زدن و یک تمرین Python Basics: Looping and an Exercise

  • مبانی پایتون: حلقه زدن و یک تمرین Python Basics: Looping and an Exercise

  • آشنایی با پانداها Introduction to Pandas

  • آشنایی با پانداها Introduction to Pandas

  • مقدمه ای بر MatPlotLib Introduction to MatPlotLib

  • مقدمه ای بر MatPlotLib Introduction to MatPlotLib

  • معرفی Seaborn Introduction to Seaborn

  • معرفی Seaborn Introduction to Seaborn

مبانی بینایی کامپیوتر: بخش 1 Computer Vision Basics: Part 1

  • بینایی کامپیوتر چیست و چرا اهمیت دارد؟ What is computer vision and why is it important?

  • تصویر چیست و چگونه به صورت دیجیتالی ذخیره می شود؟ what is an image and how is it digitally stored?

  • [فعالیت] تشخیص خطوط خطوط در تصویر مقیاس خاکستری [Activity] Detect lane lines in gray scale image

  • چالش های تکنیک انتخاب رنگ چیست؟ What are the challenges of color selection technique?

  • فضاهای رنگی Color Spaces

  • [فعالیت] فضاهای رنگی RGB را به HSV تبدیل کنید و کانال ها را ادغام/تقسیم کنید [Activity] Convert RGB to HSV color spaces and merge/split channels

  • پیچش - تیز کردن و تاری Convolutions - Sharpening and Blurring

  • تشخیص لبه و محاسبات گرادیان (Sobel، Laplace و Canny) Edge Detection and Gradient Calculations (Sobel, Laplace and Canny)

  • [فعالیت] تشخیص لبه و محاسبات گرادیان (Sobel، Laplace و Canny) [Activity] Edge Detection and Gradient Calculations (Sobel, Laplace and Canny)

  • [فعالیت] پروژه شماره 1: Canny Sobel و Laplace Edge Detection با استفاده از وب کم [Activity] Project #1: Canny Sobel and Laplace Edge Detection using Webcam

مبانی بینایی کامپیوتر: بخش 1 Computer Vision Basics: Part 1

  • بینایی کامپیوتر چیست و چرا اهمیت دارد؟ What is computer vision and why is it important?

  • سیستم بینایی انسان در مقابل کامپیوتر Humans vs. Computers Vision system

  • سیستم بینایی انسان در مقابل کامپیوتر Humans vs. Computers Vision system

  • تصویر چیست و چگونه به صورت دیجیتالی ذخیره می شود؟ what is an image and how is it digitally stored?

  • [فعالیت] تصویر رنگی را مشاهده کنید و RGB را به خاکستری تبدیل کنید [Activity] View colored image and convert RGB to Gray

  • [فعالیت] تصویر رنگی را مشاهده کنید و RGB را به خاکستری تبدیل کنید [Activity] View colored image and convert RGB to Gray

  • [فعالیت] تشخیص خطوط خطوط در تصویر مقیاس خاکستری [Activity] Detect lane lines in gray scale image

  • [فعالیت] تشخیص خطوط خطوط در تصویر رنگی [Activity] Detect lane lines in colored image

  • [فعالیت] تشخیص خطوط خطوط در تصویر رنگی [Activity] Detect lane lines in colored image

  • چالش های تکنیک انتخاب رنگ چیست؟ What are the challenges of color selection technique?

  • فضاهای رنگی Color Spaces

  • [فعالیت] فضاهای رنگی RGB را به HSV تبدیل کنید و کانال ها را ادغام/تقسیم کنید [Activity] Convert RGB to HSV color spaces and merge/split channels

  • پیچش - تیز کردن و تاری Convolutions - Sharpening and Blurring

  • [فعالیت] پیچیدگی - تیز کردن و محو کردن [Activity] Convolutions - Sharpening and Blurring

  • [فعالیت] پیچیدگی - تیز کردن و محو کردن [Activity] Convolutions - Sharpening and Blurring

  • تشخیص لبه و محاسبات گرادیان (Sobel، Laplace و Canny) Edge Detection and Gradient Calculations (Sobel, Laplace and Canny)

  • [فعالیت] تشخیص لبه و محاسبات گرادیان (Sobel، Laplace و Canny) [Activity] Edge Detection and Gradient Calculations (Sobel, Laplace and Canny)

  • [فعالیت] پروژه شماره 1: Canny Sobel و Laplace Edge Detection با استفاده از وب کم [Activity] Project #1: Canny Sobel and Laplace Edge Detection using Webcam

مبانی بینایی کامپیوتر: قسمت 2 Computer Vision Basics: Part 2

  • تبدیل تصویر - چرخش، ترجمه و تغییر اندازه Image Transformation - Rotations, Translation and Resizing

  • [فعالیت] کد برای انجام چرخش، ترجمه و تغییر اندازه [Activity] Code to perform rotation, translation and resizing

  • [فعالیت] تغییر شکل تصویر غیر وابسته را روی یک تصویر علائم راهنمایی و رانندگی انجام دهید [Activity] Perform non-affine image transformation on a traffic sign image

  • پوشش منطقه مورد علاقه Region of interest masking

  • [فعالیت] تبدیل Hough – مثال عملی در پایتون [Activity] Hough transform – practical example in python

مبانی بینایی کامپیوتر: قسمت 2 Computer Vision Basics: Part 2

  • تبدیل تصویر - چرخش، ترجمه و تغییر اندازه Image Transformation - Rotations, Translation and Resizing

  • [فعالیت] کد برای انجام چرخش، ترجمه و تغییر اندازه [Activity] Code to perform rotation, translation and resizing

  • تبدیل تصویر - تبدیل چشم انداز Image Transformations – Perspective transform

  • تبدیل تصویر - تبدیل چشم انداز Image Transformations – Perspective transform

  • [فعالیت] تغییر شکل تصویر غیر وابسته را روی یک تصویر علائم راهنمایی و رانندگی انجام دهید [Activity] Perform non-affine image transformation on a traffic sign image

  • اتساع و فرسایش برش تصویر Image cropping dilation and erosion

  • اتساع و فرسایش برش تصویر Image cropping dilation and erosion

  • [فعالیت] کد برای انجام اتساع و فرسایش برش تصویر [Activity] Code to perform Image cropping dilation and erosion

  • [فعالیت] کد برای انجام اتساع و فرسایش برش تصویر [Activity] Code to perform Image cropping dilation and erosion

  • پوشش منطقه مورد علاقه Region of interest masking

  • [فعالیت] کد برای تعریف منطقه مورد علاقه [Activity] Code to define the region of interest

  • [فعالیت] کد برای تعریف منطقه مورد علاقه [Activity] Code to define the region of interest

  • نظریه تبدیل هاف Hough transform theory

  • نظریه تبدیل هاف Hough transform theory

  • [فعالیت] تبدیل Hough – مثال عملی در پایتون [Activity] Hough transform – practical example in python

  • راه حل پروژه: تبدیل Hough برای تشخیص خطوط خطوط در یک تصویر Project Solution: Hough transform to detect lane lines in an image

  • راه حل پروژه: تبدیل Hough برای تشخیص خطوط خطوط در یک تصویر Project Solution: Hough transform to detect lane lines in an image

مبانی بینایی کامپیوتر: قسمت 3 Computer Vision Basics: Part 3

  • [فعالیت] یک کامیون را در یک تصویر به صورت دستی پیدا کنید! [Activity] Find a truck in an image manually!

  • تطبیق الگو - یک کامیون پیدا کنید Template Matching - Find a Truck

  • [فعالیت] کد برای انجام تشخیص گوشه [Activity] Code to perform corner detection

  • مقیاس تصویر - هرمی بالا/پایین Image Scaling – Pyramiding up/down

  • [فعالیت] کد برای به دست آوردن هیستوگرام رنگی [Activity] Code to obtain color histogram

  • [فعالیت] کد برای انجام استخراج ویژگی HOG [Activity] Code to perform HOG Feature extraction

  • [فعالیت] استخراج ویژگی FAST/ORB در OpenCV [Activity] FAST/ORB Feature Extraction in OpenCV

مبانی بینایی کامپیوتر: قسمت 3 Computer Vision Basics: Part 3

  • ویژگی های تصویر و اهمیت آنها برای تشخیص اشیا Image Features and their importance for object detection

  • ویژگی های تصویر و اهمیت آنها برای تشخیص اشیا Image Features and their importance for object detection

  • [فعالیت] یک کامیون را در یک تصویر به صورت دستی پیدا کنید! [Activity] Find a truck in an image manually!

  • تطبیق الگو - یک کامیون پیدا کنید Template Matching - Find a Truck

  • [فعالیت] راه حل پروژه: با استفاده از تطبیق الگو، یک کامیون پیدا کنید [Activity] Project Solution: Find a Truck Using Template Matching

  • [فعالیت] راه حل پروژه: با استفاده از تطبیق الگو، یک کامیون پیدا کنید [Activity] Project Solution: Find a Truck Using Template Matching

  • تشخیص گوشه - هریس Corner detection – Harris

  • تشخیص گوشه - هریس Corner detection – Harris

  • [فعالیت] کد برای انجام تشخیص گوشه [Activity] Code to perform corner detection

  • مقیاس تصویر - هرمی بالا/پایین Image Scaling – Pyramiding up/down

  • [فعالیت] کد برای اجرای هرم تصویر [Activity] Code to perform Image pyramiding

  • [فعالیت] کد برای اجرای هرم تصویر [Activity] Code to perform Image pyramiding

  • هیستوگرام رنگ ها Histogram of colors

  • هیستوگرام رنگ ها Histogram of colors

  • [فعالیت] کد برای به دست آوردن هیستوگرام رنگی [Activity] Code to obtain color histogram

  • هیستوگرام گرادیان های جهت دار (HOG) Histogram of Oriented Gradients (HOG)

  • هیستوگرام گرادیان های جهت دار (HOG) Histogram of Oriented Gradients (HOG)

  • [فعالیت] کد برای انجام استخراج ویژگی HOG [Activity] Code to perform HOG Feature extraction

  • استخراج ویژگی - SIFT، SURF، FAST و ORB Feature Extraction - SIFT, SURF, FAST and ORB

  • استخراج ویژگی - SIFT، SURF، FAST و ORB Feature Extraction - SIFT, SURF, FAST and ORB

  • [فعالیت] استخراج ویژگی FAST/ORB در OpenCV [Activity] FAST/ORB Feature Extraction in OpenCV

یادگیری ماشینی: قسمت 1 Machine Learning: Part 1

  • ارزیابی سیستم‌های یادگیری ماشین با اعتبارسنجی متقابل Evaluating Machine Learning Systems with Cross-Validation

  • [فعالیت] رگرسیون خطی در عمل [Activity] Linear Regression in Action

  • رگرسیون لجستیک Logistic Regression

  • درختان تصمیم گیری و جنگل های تصادفی Decision Trees and Random Forests

یادگیری ماشینی: قسمت 1 Machine Learning: Part 1

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • ارزیابی سیستم‌های یادگیری ماشین با اعتبارسنجی متقابل Evaluating Machine Learning Systems with Cross-Validation

  • رگرسیون خطی Linear Regression

  • رگرسیون خطی Linear Regression

  • [فعالیت] رگرسیون خطی در عمل [Activity] Linear Regression in Action

  • رگرسیون لجستیک Logistic Regression

  • [فعالیت] رگرسیون لجستیک در عمل [Activity] Logistic Regression In Action

  • [فعالیت] رگرسیون لجستیک در عمل [Activity] Logistic Regression In Action

  • درختان تصمیم گیری و جنگل های تصادفی Decision Trees and Random Forests

  • [فعالیت] درختان تصمیم در عمل [Activity] Decision Trees In Action

  • [فعالیت] درختان تصمیم در عمل [Activity] Decision Trees In Action

یادگیری ماشینی: قسمت 2 Machine Learning: Part 2

  • قضیه بیز و بیز ساده لوح Bayes Theorem and Naive Bayes

  • [فعالیت] ساده لوح بیز در عمل [Activity] Naive Bayes in Action

  • [فعالیت] پشتیبانی از طبقه‌بندی‌کننده‌های برداری در عمل [Activity] Support Vector Classifiers in Action

  • [فعالیت] تشخیص اتومبیل ها با استفاده از SVM - قسمت شماره 2 [Activity] Detecting Cars Using SVM - Part #2

یادگیری ماشینی: قسمت 2 Machine Learning: Part 2

  • قضیه بیز و بیز ساده لوح Bayes Theorem and Naive Bayes

  • [فعالیت] ساده لوح بیز در عمل [Activity] Naive Bayes in Action

  • ماشین‌های بردار پشتیبانی (SVM) و دسته‌بندی‌کننده‌های بردار پشتیبانی (SVC) Support Vector Machines (SVM) and Support Vector Classifiers (SVC)

  • ماشین‌های بردار پشتیبانی (SVM) و دسته‌بندی‌کننده‌های بردار پشتیبانی (SVC) Support Vector Machines (SVM) and Support Vector Classifiers (SVC)

  • [فعالیت] پشتیبانی از طبقه‌بندی‌کننده‌های برداری در عمل [Activity] Support Vector Classifiers in Action

  • راه حل پروژه: تشخیص اتومبیل ها با استفاده از SVM - قسمت شماره 1 Project Solution: Detecting Cars Using SVM - Part #1

  • راه حل پروژه: تشخیص اتومبیل ها با استفاده از SVM - قسمت شماره 1 Project Solution: Detecting Cars Using SVM - Part #1

  • [فعالیت] تشخیص اتومبیل ها با استفاده از SVM - قسمت شماره 2 [Activity] Detecting Cars Using SVM - Part #2

  • [فعالیت] راه‌حل پروژه: تشخیص اتومبیل‌ها با استفاده از SVM - قسمت #3 [Activity] Project Solution: Detecting Cars Using SVM - Part #3

  • [فعالیت] راه‌حل پروژه: تشخیص اتومبیل‌ها با استفاده از SVM - قسمت #3 [Activity] Project Solution: Detecting Cars Using SVM - Part #3

شبکه های عصبی مصنوعی Artificial Neural Networks

  • آموزش پس تکثیر Backpropagation Training

  • کد برای آموزش یک پرسپترون برای طبقه بندی باینری Code to Train a perceptron for binary classification

  • مثال 1 - ساخت پرسپترون چند لایه برای طبقه بندی باینری Example 1 - Build Multi-layer perceptron for binary classification

شبکه های عصبی مصنوعی Artificial Neural Networks

  • مقدمه: شبکه های عصبی مصنوعی چیست و چگونه یاد می گیرند؟ Introduction: What are Artificial Neural Networks and how do they learn?

  • مقدمه: شبکه های عصبی مصنوعی چیست و چگونه یاد می گیرند؟ Introduction: What are Artificial Neural Networks and how do they learn?

  • مدل پرسپترون تک نورون Single Neuron Perceptron Model

  • مدل پرسپترون تک نورون Single Neuron Perceptron Model

  • توابع فعال سازی Activation Functions

  • توابع فعال سازی Activation Functions

  • آموزش ANN و تقسیم داده ها ANN Training and dataset split

  • آموزش ANN و تقسیم داده ها ANN Training and dataset split

  • مثال عملی - تعیین سرعت خودرو Practical Example - Vehicle Speed Determination

  • مثال عملی - تعیین سرعت خودرو Practical Example - Vehicle Speed Determination

  • کد برای ساخت یک پرسپترون برای طبقه بندی باینری Code to build a perceptron for binary classification

  • کد برای ساخت یک پرسپترون برای طبقه بندی باینری Code to build a perceptron for binary classification

  • آموزش پس تکثیر Backpropagation Training

  • کد برای آموزش یک پرسپترون برای طبقه بندی باینری Code to Train a perceptron for binary classification

  • دو و چند لایه پرسپترون ANN Two and Multi-layer Perceptron ANN

  • دو و چند لایه پرسپترون ANN Two and Multi-layer Perceptron ANN

  • مثال 1 - ساخت پرسپترون چند لایه برای طبقه بندی باینری Example 1 - Build Multi-layer perceptron for binary classification

  • مثال 2 - ساخت پرسپترون چند لایه برای طبقه بندی باینری Example 2 - Build Multi-layer perceptron for binary classification

  • مثال 2 - ساخت پرسپترون چند لایه برای طبقه بندی باینری Example 2 - Build Multi-layer perceptron for binary classification

یادگیری عمیق و تنسورفلو: قسمت 1 Deep Learning and Tensorflow: Part 1

  • مقدمه ای بر یادگیری عمیق و تنسورفلو Intro to Deep Learning and Tensorflow

یادگیری عمیق و تنسورفلو: قسمت 1 Deep Learning and Tensorflow: Part 1

  • مقدمه ای بر یادگیری عمیق و تنسورفلو Intro to Deep Learning and Tensorflow

  • ساخت شبکه‌های عصبی عمیق با کراس، عادی‌سازی و رمزگذاری تک داغ. Building Deep Neural Networks with Keras, Normalization, and One-Hot Encoding.

  • ساخت شبکه‌های عصبی عمیق با کراس، عادی‌سازی و رمزگذاری تک داغ. Building Deep Neural Networks with Keras, Normalization, and One-Hot Encoding.

  • [فعالیت] ساخت یک طبقه بندی لجستیک با یادگیری عمیق و Keras [Activity] Building a Logistic Classifier with Deep Learning and Keras

  • [فعالیت] ساخت یک طبقه بندی لجستیک با یادگیری عمیق و Keras [Activity] Building a Logistic Classifier with Deep Learning and Keras

  • فعال‌سازی ReLU و جلوگیری از تطبیق بیش از حد با منظم‌سازی حذف ReLU Activation, and Preventing Overfitting with Dropout Regularlization

  • فعال‌سازی ReLU و جلوگیری از تطبیق بیش از حد با منظم‌سازی حذف ReLU Activation, and Preventing Overfitting with Dropout Regularlization

  • [فعالیت] بهبود طبقه‌بندی‌کننده ما با منظم‌سازی حذف [Activity] Improving our Classifier with Dropout Regularization

  • [فعالیت] بهبود طبقه‌بندی‌کننده ما با منظم‌سازی حذف [Activity] Improving our Classifier with Dropout Regularization

یادگیری عمیق و تنسورفلو: قسمت 2 Deep Learning and Tensorflow: Part 2

  • شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNN's)

  • پیاده سازی CNN در کراس Implementing CNN's in Keras

  • [فعالیت] طبقه بندی تصاویر با یک CNN ساده، قسمت 2 [Activity] Classifying Images with a Simple CNN, Part 2

  • حداکثر پولینگ Max Pooling

  • [فعالیت] ساخت CNN برای طبقه بندی علائم راهنمایی و رانندگی [Activity] Build a CNN to Classify Traffic Signs

  • [فعالیت] ساخت CNN برای طبقه بندی علائم راهنمایی و رانندگی - قسمت 2 [Activity] Build a CNN to Classify Traffic Siigns - part 2

یادگیری عمیق و تنسورفلو: قسمت 2 Deep Learning and Tensorflow: Part 2

  • شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNN's)

  • پیاده سازی CNN در کراس Implementing CNN's in Keras

  • [فعالیت] طبقه بندی تصاویر با یک CNN ساده، قسمت 1 [Activity] Classifying Images with a Simple CNN, Part 1

  • [فعالیت] طبقه بندی تصاویر با یک CNN ساده، قسمت 1 [Activity] Classifying Images with a Simple CNN, Part 1

  • [فعالیت] طبقه بندی تصاویر با یک CNN ساده، قسمت 2 [Activity] Classifying Images with a Simple CNN, Part 2

  • حداکثر پولینگ Max Pooling

  • [فعالیت] بهبود توپولوژی CNN و با Max Pooling [Activity] Improving our CNN's Topology and with Max Pooling

  • [فعالیت] بهبود توپولوژی CNN و با Max Pooling [Activity] Improving our CNN's Topology and with Max Pooling

  • [فعالیت] ساخت CNN برای طبقه بندی علائم راهنمایی و رانندگی [Activity] Build a CNN to Classify Traffic Signs

  • [فعالیت] ساخت CNN برای طبقه بندی علائم راهنمایی و رانندگی - قسمت 2 [Activity] Build a CNN to Classify Traffic Siigns - part 2

بسته بندی Wrapping Up

بسته بندی Wrapping Up

  • سخنرانی جایزه: دوره های بیشتری برای کشف! Bonus Lecture: More courses to explore!

  • سخنرانی جایزه: دوره های بیشتری برای کشف! Bonus Lecture: More courses to explore!

نمایش نظرات

آموزش خودروهای خودمختار: یادگیری عمیق و دید کامپیوتر در پایتون
جزییات دوره
12.5 hours
93
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
10,142
4.2 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Frank Kane Frank Kane

یادگیری ماشین و داده های بزرگ، آمازون سابق

فرانک 9 سال را در آمازون و IMDb گذراند و فناوری را توسعه و مدیریت کرد که به طور خودکار توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه می دهد. زمان. فرانک دارای 17 حق ثبت اختراع صادر شده در زمینه های محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012، فرانک شرکت موفق خود را به نام Sundog Software راه اندازی کرد که بر فناوری محیط واقعیت مجازی تمرکز دارد و به دیگران در مورد تجزیه و تحلیل داده های بزرگ آموزش می دهد.

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Sundog Education by Frank Kane Sundog Education by Frank Kane

بنیانگذار ، آموزش Sundog. یادگیری ماشینی ماموریت ProSundog Education این است که مهارتهای شغلی بسیار ارزشمندی را در داده های بزرگ ، علوم داده و یادگیری ماشینی در دسترس همه افراد در جهان قرار دهد. کنسرسیوم مربیان متخصص ما ، دانش ما را در این زمینه های نوظهور با قیمت هایی که هرکس می تواند تحمل کند ، در اختیار شما قرار می دهد. Sundog Education توسط فرانک کین هدایت می شود و متعلق به شرکت فرانک ، Sundog Software LLC است. فرانک 9 سال را در آمازون و IMDb سپری کرد و فناوری را توسعه داد و به طور مداوم توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه داد. فرانک دارای 17 اختراع ثبت شده در زمینه محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012 ، فرانك رفت و شركت موفق خود ، Sundog Software را كه متمركز بر فناوري محيط واقعيت مجازي است و به ديگران در مورد تجزيه و تحليل داده هاي بزرگ مي پردازد ، راه اندازي كرد. با توجه به تعداد دانشجویان ما قادر به پاسخگویی به پیامهای خصوصی نیستیم. لطفا سوالات خود را در پرسش و پاسخ دوره خود ارسال کنید. ممنون از اینکه میفهمی.

Sundog Education Team Sundog Education Team

تیم آموزشی Sundog