آموزش زبان برنامه نویسی پایتون

دوره حضوری و آنلاین آموزش برنامه نویسی پایتون

پایتون یکی از زبان های چند منظوره ،  شی گرا و سطح بالا می باشد که کاربرد بسیار زیادی دارد و همچنین از محبوبیت فوق العاده ای برخوردار است .

ساده بودن پایتون برای یادگیری و  محاسبه معادلات پیچیده و تحلیل های داده ، از دلایل جذابیت بالای این زبان میباشد .

در طول این دوره به مفاهیم پایه و اساسی این زبان قدرتمند تسلط پیدا خواهید کرد .

پس وقت رو از دست نده...

قیمت این دوره: 400,000 تومان
  • مدرس دوره : رها موسوی
  • تعداد ویدیوها : 56 ویدیو
  • مدت زمان دوره : 22:20:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1399/08/29
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش طراحی خودرو بدون راننده (خودران) با استفاده از پایتون

آموزش طراحی خودرو بدون راننده (خودران) با استفاده از پایتون

این دوره مربوط به آموزش علوم داده و یادگیری عمیق است که این مفاهیم  با استفاده از پایتون و در قاالب یک پروژه عملی و بسیار جذاب به نام "طراحی ماشین بدون راننده (خودران)  با استفاده از پایتون" پیاده سازی شده است. در این دوره با استفاده از کامپیوتر ویژن، روش های یادگیری ماشین شامل یادگیری عمیق، شبکه عصبی کانوونشنال و ... نحوه طراحی یک خودرو بدون راننده رو خواهید آموخت. خودروهای خودران امروزه به صورت خاص مورد توجه شرکت های خودروسازی قرار دارند و به همین دلیل پروژه های زیادی جهت بهبود و توسعه عملکرد این ماشین های در سال های اخیر در دنیا تعریف شده است.  

با گذراندن این دوره شما نه تنها با یادگیری عمیق و کامپیوتر ویژن و چندین کتابخانه مهم و کاربردی پایتون آشنا می شوید بلکه تمامی این مفاهیم رو در قالب یک پروژه عملی پیاده سازی و اجرا می کنید. این پروژه هر آنچه را برای ورود به بازار کار در این حوزه ها را نیاز دارید می آموزد و در کنارش این پروژه به عنوان یه پروژه انجام شده می تواند  در رزومه ی شما آورده شود که شما را از سایر رقبایتان متمایز کند.

اما نکته مهم توی این دوره این است که شما به هیچ گونه دانش برنامه نویسی و ریاضیاتی و کامپیوتری خاصی نیاز نخواهید داشت و به آسانی و بدون هیچ پیش نیازی میتوانید این دوره را شروع کنید. تمام آموزش ها از پایه و به صورت گام به گام تهیه شده و شما در این دوره به صورت کاملا عملی و واقعی یا علوم داده و یادگیری ماشین و یادگیری عمیق آشنا خواهید شد.

سر فصل های این دوره به شرح زیر می باشد:

• آشنایی کامل با پایتون (پایه)

• آشنایی با کتابخانه Numpy

• آشنایی با مفاهیم کامپیوتر ویژن و کتابخانه Open CV

• آشنایی با شبکه عصبی و مفاهیم دسته بندی

• کار با کتابخانه Keras  و Tensor flow

• آشنایی با یادگیری عمیق و دسته بندی چند کلاسه

• نحوه آموزش جهت تشخیص تابلوهای ترافیکی

• آموزش و ساخت شبکه های عصبی Convolutional




فهرستـــ ویدیوها

مدت زمان دوره 22:20:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • معرفی دوره

00:14:00

معرفی دوره

2
  • آموزش نصب پایتون و پکیج های مورد نیاز

00:18:00

در این قسمت در ابتدا در خصوص اهمیت یادگیری پایتون و مزایای استفاده از پایتون نسبت به سایر زبان های برنامه نویسی صحبت شده و سپس و در ادامه با نحوه نصب پایتون، آناکوندا و کد ادیتور اتم آشنا شده و به فضای jupyter notebook آشنا خواهید شد.

3
  • آموزش پایتون مقدماتی - انواع دیتا تایپ ها- قسمت اول

00:33:00

در این قسمت با مقدمات کار کردن با پایتون از جمله انواع عملگرهای ریاضی و انواع مختلف داده ها در پایتون شامل استرینگ، عدد، بولین آشنا خواهید شد.

4
  • آموزش پایتون مقدماتی - انواع دیتا تایپ ها- قسمت دوم

00:31:00

در این قسمت به ادامه آشنایی با انواع داده ها در پایتون خواهیم پرداخت و با متودهای مختلفی برای استرینگ ها آشنا خواهید شد. در مورد توابع و تفاوت آنها با متودها صحبت می شود و در آخر بهمبحث بسیار مهم Mutability میپردازیم.

5
  • آموزش پایتون مقدماتی - انواع دیتا تایپ ها- قسمت سوم

00:24:00

در این قسمت به ادامه آشنایی با انواع داده ها در پایتون خواهیم پرداخت . با ست ها، لیست ها و دیکشنری ها که از جمله مهم ترین انواع داده ها در پایتون هستند آشنا خواهید شد.

6
  • آموزش پایتون مقدماتی - شرطی و حلقه ها- قسمت چهارم

00:43:00

در این قسمت به آشنایی با شرطی ها و انواع حلقه ها میپردازیم و با انواع آنها آشنا می شویم و کار می کنیم.

7
  • آموزش پایتون مقدماتی - توابع - قسمت پنجم

00:22:00

در این قسمت به معرفی توابع در پایتون و آشنایی با نوشتن و کار با توابع می پردازیم و با حل مثال استفاده از این توابع را در پایتون می بینیم.

8
  • آموزش مقدماتی کتابخانه numpy - قسمت اول

00:26:00

در این قسمت به آموزش مقدمات کتابخانه numpy به عنوان یکی از مهم ترین ابزارمان در طول انجام این پروژه می پردازیم.

9
  • آموزش مقدماتی کتابخانه numpy - قسمت دوم

00:34:00

در این قسمت در ادامه آموزش کتابخانه Numpy با توابع و روش های بیشتری از این کتابخانه آشنا خواهیم شد.

10
  • آشنایی با کتابخانه OpenCV

00:22:00

در این قسمت با کامپیوتر ویژن یا همان بینایی ماشین آشنا شده و با کتابخانه opencv به عنوان کتابخانه مربوط به کامپیوتر ویژن در پایتون آشنا خواهید شد.

11
  • آموزش کتابخانه OpenCV -تبدیل تصویر سیستم از سیستم RGB به Grey

00:30:00

در این بخش به آموزش و شروع کار با استفاده از کتابخانهOpenCV برای انجام پروژه اتوموبیل خودران خواهیم پرداخت. هدف نهایی ما در این بخش، شناسایی خطوط جاده با استفاده ازOpenCV می باشد. ابتدا تصویری که در فایل آموزش قرارداده شده رو دانلود کرده و در گام اول قصد داریم این تصویر را از سیستم RGB به Grey scale تبدیل می کنیم یعنی به عبارتی عکس رنگی رو جهت انجام سایر تغییرات به عکس سیاه و سفید تبدیل می کنیم.

12
  • آموزش کتابخانه openCV - جدا کردن(crop) بخش خاصی از تصویر

00:14:00

در این قسمت در ادامه آموزش کار با کتابخانه opencv و توابع آن در راستای مشخص کردن خطوط جاده با استفاده از آنها، به سراغ یادگیری چگونگی جدا کردن قسمت خاصی از تصویر می پردازیم.

13
  • آموزش کتابخانه openCV - اپراتورهای بیتی و کاربرد آن

00:24:00

در این قسمت در ادامه آموزش کتابخانه opencv به مروری بر مفاهیم مربوط به اعداد در سیستم باینری و همچنین اپراتورهای بیتی و کاربرد آنها برای حل مساله ی و پروژه ماشین خودران میپردازیم.

14
  • آموزش کتابخانه Hough transform - OpenCV

00:21:00

در این قسمت در ادامه ی آموزش OpenCV به آموزش hough transform میپردازیم. راجع به تئوری خط در سیستم کارتزین، قطبی و hough transform به تفصیل صحبت می کنیم.

15
  • آموزش کتابخانه OpenCV- اجرای کد مربوط به رسم خط در سیستم hough transform

00:19:00

در این قسمت از آموزش در ادامه بخش قبل که به ارائه تئوری Hough transform پرداختیم، وارد کدنویسی و اجرای کد مربوط به این قسمت می شویم.

16
  • آموزش کتابخانه OpenCV- تشخیص خطوط جاده روی ویدیو و ماشین در حال حرکت

00:18:00

در این قسمت از آموزش کتابخانه OpenCV به یادگیری چگونگی تشخیص خطوط روی ویدیو و ماشین در حال حرکت میپردازیم. این کار را از طریق کپچر کردن تصویر در هر لحظه از ویدیو انجام میدهیم. در فایل این قسمت علاوه برآموزش سورس کد مربوط به پروژه تا این قسمت و فایل ویدیویی مربوط به حرکت ماشین جهت تشخیص خطوط جاده نیز قرار داده شده است.

17
  • تشخیص خطوط جاده روی ویدیو و ماشین در حال حرکت-قسمت دوم

00:09:00

در این قسمت از آموزش کتابخانه OpenCV به یادگیری چگونگی تشخیص خطوط روی ویدیو و ماشین در حال حرکت میپردازیم. این کار را از طریق کپچر کردن تصویر در هر لحظه از ویدیو انجام میدهیم. در فایل این قسمت علاوه برآموزش سورس کد مربوط به پروژه تا این قسمت و فایل ویدیویی مربوط به حرکت ماشین جهت تشخیص خطوط جاده نیز قرار داده شده است

18
  • معرفی بر شبکه عصبی مصنوعی

00:22:00

در این قسمت با شبکه عصبی مصنوعی و مقدمات آن آشنا می شوید. برای شروع با یادگیری ماشین و انواع آن ومفاهیم پایه ای رگرسیون خطی برای دسته بندی به عنوان یکی از کاربردهای یادگیری ماشین می پردازیم.

19
  • آشنایی با یادگیری ماشین _ مفههوم دسته بندی

00:14:00

در این قسمت در ادامه بحث، به یادگیری ماشین و انواع آن و همچنین مفهوم classification (دسته بندی) که یکی از کاربردها مهم یادگیری ماشین هست با ذکر یک مثال پرداخته می شود.

20
  • معرفی بر یادگیری ماشین - رگرسیون خطی

00:17:00

در این قسمت بیشتر با مفاهیم و پیش نیازهای مدلسازی و دسته بندی با استفاده از شبکه عصبی مصنوعی آشنا شده و به ذکر جزییات مورد نیاز برای مدلسازی میپردازیم.

21
  • آشنایی با یادگیری ماشین _ اجرای کد 1

00:18:00

در این قسمت با یک مثال به تشریح گام های لازم جهت مدلسازی کردن و دسته بندی با استفاده از رگرسیون خطی میپردازیم و شروع به اجرای کد آن در محیط jupyter lab می پردازیم. ابتدا و در این قسمت به ساخت داده ها می پردازیم.

22
  • آشنایی با یادگیری ماشین - تابع خطا

00:16:00

در این قسمت به آموزش و آشنایی با مفهوم error function یا تابع خطا و ضرورت استفاده از آن برای مدلسازی میپردازیم.

23
  • آشنایی با یادگیری ماشین - اجرای کد

00:17:00

در این قسمت در ادامه ی یادگیری ماشین و اجرای کد آن با استفاده از داده های تولید شده میپردازیم.

24
  • آشنایی با یادگیری ماشین - اجرای کد-قسمت آخر

00:15:00

در این قسمت به اجرای نهایی کد مربوط به یادگیری ماشین برای داده های شامل دو دسته و دسته بندی آن با خط میپردازیم.

25
  • آشنایی و معرفی کتابخانه Keras- قسمت اول

00:34:00

در این قسمت به ارائه توضیح در خصوص انجام مثال قسمت اول با استفاده از کتابخانه Keras می پردازیم.

26
  • آشنایی با معرفی با کتابخانه Keras- قسمت دوم

00:25:00

در این قسمت به تکمیل کدنویسی دسته بندی با استفاده از کتابخانه Keras میپردازیم.

27
  • آشنایی با یادگیری عمیق

00:13:00

در این قسمت به معرفی و آنایی با شبکه عصبی عمیق می پردازیم.

28
  • آشنایی با یادگیری عمیق-قسمت دوم

00:21:00

در این قسمت به ادامه آموزش در خصوص مفاهیم و تئوری های مربوط به یادگیری عمیق می پردازیم.

29
  • آشنایی با یادگیری عمیق-قسمت سوم

00:13:00

در این قسمت به توضیح در خصوص محاسبات مربوط به شبکه عصبی عمیق(یعنی شامل لایه های پنهان) می پردازیم و برای تسلط بیشتر با یک مثال به توضیح نحوه انجام محاسبات می پردازیم.

30
  • آشنایی با یادگیری عمیق-قسمت جهارم

00:23:00

در این قسمت به ادامه آشنایی با مفاهیم شبکه عصبی عمیق می پردازیم و با مفاهیم مربوط به خطا و cross entropy در شبکه عصبی عمیق آشنا می شویم.

31
  • آشنایی با یادگیری عمیق-اجرای کد

00:30:00

در این قسمت به اجرای کد مربوط به شبکه عصبی عمیق می پردازیم. با استفاده از دیتاستی که از داده های رندوم آماده شده و شبکه عصبی عمیق به دسته بندی داده ها میپردازیم.

32
  • دسته بندی چند کلاسه - قسمت اول

00:26:00

در این قسمت به آشنایی با دسته بندی داده های چند کلاسه (چند دسته) با استفاده از یادگیری عمیق می پردازیم. با تابع فعالسازی softmax جهت دسته بندی آشنا می شویم.

33
  • دسته بندی چندکلاسه-اجرای کد

00:30:00

در این قسمت به اجرای کد برای دسته بندی چندکلاسه ها می پردازیم و با استفاده از یک دیتاست چند کلاسه از داده های رندوم و همچنین تابع فعالسازی softmax به دسته بندی داده ها میپردازیم.

34
  • آشنایی با دسته بندی اعداد دست نویسMNIST - قسمت اول

00:40:00

در این قسمت که در ادامه آشنایی با یادگیری عمیق و دسته بندی داده های چند کلاسه، به معرفی دیتاست MNIST میپردازیم که دیتاستی از اعداد دست نویس بین 0 تا 9 هست. در این قسمت به آشنایی و معرفی داده های MNIST ، داده های ولیدیشن و هایپرپارامترها میپردازیم.

35
  • آشنایی با دسته بندی اعداد دست نویسMNIST - اجرای کد 1

00:34:00

در این قسمت از آموزش به اجرای کد مربوط به دیتاست mnist در فضای Jupyter lab میپردازیم.

36
  • آشنایی با دسته بندی اعداد دست نویسMNIST - اجرای کد2

00:35:00

در این قسمت، به اتمام قسمت نهایی کدنویسی مربوط به دسته بندی دیتاست mnist میپردازیم.

37
  • آشنایی با شبکه عصبی کانونشنال (CNN)-قسمت اول

00:14:00

در این قسمت به آشنایی با شبکه عصبی کانوونشنال به عنوان ابزاری بسیار قدرتمند جهت پردازش تصویر می پردازیم.

38
  • آشنایی با شبکه عصبی کانونشنال (CNN)-قسمت دوم

00:42:00

در این قسمت در ادامه آشنایی با شبکه های عصبی کانوونشنال به آشنایی و تعریف لایه های مختلف این نوع شبکه عصبی با ذکر مثال میپردازیم.

39
  • آشنایی با شبکه عصبی کانونشنال (CNN)-قسمت سوم

00:26:00

در این قسمت به ادامه توضیح در خصوص شبکه عصبی کانونشنال و لایه های pooling و fully connected میپردازیم.

40
  • آشنایی با شبکه عصبی کانوونشنال- اجرای کد 1

00:35:00

در این قسمت به اجرای کد مربوط به داده های MNIST با استفاده از شبکه ی عصبی کانوونشنال میپردازیم. کد ابتدایی برای شروع کدنویسی در پوشه قرارداده شده است.

41
  • آشنایی با شبکه عصبی کانوونشنال- اجرای کد 2

00:28:00

در این قسمت به قسمت نهایی اجرای کد مربوط به دسته بندی اعداد دست نویس با استفاده از شبکه عصبی کانوونشنال میپردازیم.

42
  • دسته بندی تابلوهای ترافیکی- قسمت اول

00:40:00

در این قسمت به دسته بندی علائم و تابلوهای ترافیکی میپردازیم. ابتدا دیتاست مربوط به این تابلوها رو دانلود کرده و شروع به کدنویسی با استفاده از شبکه عصبی کانوونشنال و در محیط google colab جهت دسته بندی می کنیم.

43
  • دسته بندی تابلوهای ترافیکی-قسمت دوم

00:33:00

در این قسمت به ادامه دسته بندی علائم و تابلوهای ترافیکی میپردازیم. ابتدا دیتاست مربوط به این تابلوها رو دانلود کرده و شروع به کدنویسی با استفاده از شبکه عصبی کانوونشنال و در محیط google colab جهت دسته بندی می کنیم.

44
  • دسته بندی تابلوهای ترافیکی- قسمت سوم

00:41:00

در این قسمت به ادامه دسته بندی علائم و تابلوهای ترافیکی میپردازیم. ابتدا دیتاست مربوط به این تابلوها رو دانلود کرده و شروع به کدنویسی با استفاده از شبکه عصبی کانوونشنال و در محیط google colab جهت دسته بندی می کنیم. آشنایی و استفاده از fit generator جهت کاهش خطای train و test استفاده می شود.

45
  • تهیه داده برای شبیه سازی خودرو خودران

00:30:00

در این قسمت به شروع برنامه نویسی شبیه سازی خودرو خودران میپردازیم و با استفاده از یک سیمولیتور یا شبیه ساز به تولید داده برای ترین مدل میپردازیم.

46
  • دانلود و آماده سازی داده ها برای ایجاد مدل خودرو خودران

00:21:00

در این قسمت در ادامه ی قسمت قبل پس از جمع آوری داده ها از شبیه ساز و بارگذاری آنها در گیت هاب به دانلود داد ها و پیش پردازش داده ها جهت ایجاد مدل میپردازیم.

47
  • بالانس داده ها برای ایجاد مدل خودرو خودران

00:17:00

در این قسمت از آموزش در ادامه آماده سازی داده ها به بالانس بین داده های تست و ترین می پردازیم.

48
  • شبیه سازی ماشین خودران- جدا کردن داده های تست و ترین

00:17:00

در این قسمت از آموزش به جدا کردن داده های تست و ترین جهت شروع مدل کردن شبکه عصبی کانوونشنال، می پردازیم.

49
  • شبیه سازی ماشین خودران- پیش پردازش داده ها

00:19:00

در این قسمت از آموزش به پیش پردازش داده ها جهت شبیه سازی ماشین خودران می پردازیم.

50
  • شبیه سازی ماشین خودران-ایجاد مدل NVIDIA

00:26:00

در این قسمت به مدل کردن ماشین خودران با استفاده از مدل NVIDIA میپردازیم.

51
  • شبیه سازی ماشین خودران-تست مدل

00:10:00

در این بخش به تست کردن مدل با استفاده از یک کد به عنوان واسط بین شبیه ساز و مدل می پردازیم.

52
  • استفاده از تصاویر augmented جهت بهبود مدل

00:40:00

در این قسمت از آموزش به augment کردن تصاویر جهت بالا بردن دقت مدل میپردازیم.

53
  • استفاده از تصاویر augmented جهت بهبود مدل-قسمت دوم

00:16:00

در این قسمت در ادامه قسمت قبل به استفاده از تصاویر augmented و fit generator جهت بهبود مدل میپردازیم.

54
  • استفاده از تصاویر augmented جهت بهبود مدل-قسمت سوم

00:16:00

در این قسمت در ادامه قسمت قبل به استفاده از تصاویر augmented و fit generator جهت بهبود مدل میپردازیم.

55
  • تست نهایی ماشین خودران-قسمت پایانی

00:07:00

در این قسمت به تست نهایی دوره میپردازیم.

56
  • نقشه راه یادگیری هوش مصنوعی- قسمت پایانی دوره

00:17:00

در این قسمت به ترسیم مسیر یادگیری هوش مصنوعی میپردازیم.


نظرات کاربران در رابطه با این دوره

لطفا سوالات خود را راجع به این آموزش در این بخش پرسش و پاسخ مطرح کنید به سوالات در قسمت نظرات پاسخ داده نخواهد شد و آن نظر حذف میشود.
جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .