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

معرفی دوره

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.

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.

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.

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.

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

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.

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

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

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.

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.

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.

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.

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.

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.

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.

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

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.

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.

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.

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.

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

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

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

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

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

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

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

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.

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.

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.

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.

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.

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.

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

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

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

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.

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

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.

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

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.

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.

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.

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.

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.

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

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

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

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

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

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

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

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

در این قسمت به تست نهایی دوره میپردازیم.

در این قسمت به ترسیم مسیر یادگیری هوش مصنوعی میپردازیم.