دوره اتومبیل رانندگی خودکار

یکی از موضوعات جالب در دهه اخیر ماشین های بدون راننده می باشند که هم اکنون شرکت های بزرگ خودروسازی ، پیشرفت های چشمگیری در این زمینه داشته اند. 

در حدود یک سال است که قصد داشتیم یک دوره جامع و پیشرفته مهندسی این خودرو ها را تهیه کنیم که حاصل شد این دوره آموزشی که مشاهده می کنید.

این دوره آموزشی بسیار جامع و کامل و حرفه ای می باشد و به عبارت دیگر بچه بازی نیست. شما در این دوره با مفاهیم بسیار زیادی آشنا می شوید و همزمان نحوه پیاده سازی آن در زبان سی یا پایتون را یاد خواهید گرفت و در برخی از قسمت ها مباحث پیچیده هوش مصنوعی و بینایی ماشین و پردازش تصویر را یاد خواهید گرفت.

نکته مهم در این دوره این است که شما با یک ماشین بدون راننده واقعی کار خواهید کرد و همه اش تئوری نیست و کاملا کاربردی است.

پیش نیازها و الزامات

شما باید دانش زیر را داشته باشید:

پایتون متوسط (کلاسها ، ساختارهای داده)
برنامه نویسی C متوسط (کلاسها ، مدیریت حافظه ، پیوند دادن)
جبر خطی پایه (ماتریس ، بردار ، ضرب ماتریس)
حسابان (مشتقات ، انتگرال ها)
آمار (میانگین ، انحراف معیار ، توزیع گوسی)
فیزیک پایه (نیروها)

دوره 1: مقدمه

در این دوره ، شما در مورد چگونگی کارکرد اتومبیل های خودران یاد خواهید گرفت و در اولین پروژه اتومبیل مستقل خود ( پیدا کردن خطوط در جاده ها )  شروع به کار خواهید کرد.

دوره 2: بینایی ماشین

برای یافتن خطوط در جاده های دشوار و ردیابی وسایل نقلیه ترکیبی از دوربین ، نرم افزار و یادگیری ماشین استفاده خواهید کرد. شما با کالیبراسیون دوربین ها و دستکاری تصاویر شروع خواهید کرد و با استفاده از ماشین های بردار پشتیبان و درخت تصمیم گیری برای استخراج اطلاعات از یک فیلم خاتمه خواهید یافت.

پروژه دوره : یافتن خطوط باند در جاده ها

در این پروژه ، شما در حال نوشتن کد برای شناسایی خطوط خط در جاده ، ابتدا در یک تصویر ، و بعداً در یک جریان ویدیویی هستید ( فیلم واقعی ). برای تکمیل این پروژه ، از ابزاری که در درس آموخته اید استفاده خواهید کرد و بر اساس آنها کار خواهید کرد.

پروژه دوره : یافتن خط پیشرفته

در این پروژه ، هدف شما نوشتن نرم افزاری برای شناسایی مرزهای خط در یک فیلم از یک دوربین جلوی ماشین است.

دوره 3: یادگیری عمیق

یادگیری عمیق به مهمترین مرز هم در یادگیری ماشین و هم در توسعه وسایل نقلیه مستقل تبدیل شده است. کارشناسان NVIDIA و Uber ATG ساخت شبکه های عصبی عمیق و آموزش آنها را با داده های دنیای واقعی و شبیه ساز به شما آموزش می دهند.
با پایان این دوره ، شما می توانید شبکه های عصبی کانولوشن را برای طبقه بندی علائم راهنمایی و رانندگی یک وسیله نقلیه در شبیه ساز به همان روشی که خودتان رانندگی می کنید آموزش دهید!

درس اول : شبکه های عصبی

ساختن و آموزش شبکه های عصبی را بیاموزید ، از مبانی رگرسیون خطی و لجستیک شروع کنید و در اواخر شبکه های انتزاعی و ادراک چند لایه به نتیجه برسید.

درس دوم : TensorFlow

وینسنت وانوچک ، دانشمند اصلی در Google Brain ، شما را با یادگیری عمیق و TensorFlow ، چارچوب یادگیری عمیق Google آشنا می کند.

درس سوم : شبکه های عصبی عمیق

وینسنت شما را راهنمایی می کند که چگونه از یک شبکه عصبی ساده به یک شبکه عصبی عمیق بروید. شما در مورد اینکه چرا لایه های اضافی می توانند کمک کنند و همچنین نحوه جلوگیری از over fitting ، یاد خواهید گرفت.

درس چهارم : شبکه های عصبی کانولوشن

وینسنت نظریه پشتیبان شبکه های عصبی Convolutional و چگونگی کمک به آنها را در بهبود چشمگیر عملکرد در طبقه بندی تصاویر توضیح می دهد.

درس پنجم : کراس Keras

شبکه عصبی را در چارچوب کدنویسی کن. (کراس). شگفت زده خواهید شد که برای ساخت و آموزش شبکه های عصبی عمیق به چند خط کد نیاز دارید!

درس ششم : انتقال یادگیری

با برخی از معروف ترین معماری های شبکه عصبی و نحوه استفاده از آنها آشنا شوید. در پایان این درس ، شما می دانید که چگونه با استفاده از شبکه های متعارف موجود، مدل های جدیدی ایجاد کنید.

پروژه دوره : طبقه بندی علامت راهنمایی و رانندگی

شما با یادگیری عمیق ، تازه اول راه هستید. اکنون مهارت های خود را با استفاده از یادگیری عمیق برای طبقه بندی علائم مختلف راهنمایی رانندگی امتحان کنید! در این پروژه ، برای طبقه بندی علائم راهنمایی و رانندگی از آنچه در مورد شبکه های عصبی عمیق و شبکه های عصبی کانولوشن آموخته اید ، استفاده خواهید کرد.

پروژه دوره : شبیه سازی رفتاری

مهارت های یادگیری عمیق خود را با این پروژه امتحان کنید! یک شبکه عصبی عمیق را آموزش دهید تا مانند شما اتومبیل رانندگی کنید!

آموزش دوره اتومبیل مستقل

دوره 4: Sensor Fusion

ردیابی اشیا با گذشت زمان چالشی اساسی برای درک محیط اطراف یک وسیله نقلیه است.
مهندسان sensor fusion از مرسدس بنز به شما نشان می دهند که چگونه برنامه های اساسی ریاضی به نام فیلترهای کالمان را برنامه ریزی کنید. این فیلترها محل قرارگیری سایر وسایل نقلیه در جاده را با قطعیت پیش بینی و تعیین می کنند. حتی با استفاده از یک تکنیک پیشرفته: فیلتر توسعه یافته Kalman ، یاد می گیرید این کار را با اشیایی که به سختی قابل پیگیری هستند انجام دهید.

درس اول: حسگرها

با تیمی در مرسدس آشنا شوید که به شما کمک می کند اشیا را ردیابی کنید در زمان واقعی با سنسور (حسگرها).

درس دوم: فیلترهای کالمن

از بهترین ها بیاموزید! سباستین ترون شما را در استفاده و مفاهیم فیلتر کالمن با استفاده از پایتون راهنمایی می کند.

درس سوم: checkpoint  در زبان سی پلاس پلاس

آیا آماده ساخت فیلترهای Kalman با C ++ هستید؟ 

درس چهارم: فیلترهای Extended Kalman

در این درس ، شما یک فیلتر Kalman در C ++ خواهید ساخت که توانایی مدیریت داده ها از چندین منبع را دارد. چرا C ++؟ عملکرد آن امکان استفاده از ردیابی اشیا با فیلتر Kalman را در زمان واقعی فراهم می کند.

پروژه دوره: فیلتر کالمن Extended

در این پروژه ، با اجرای یک فیلتر Extended Kalman در ++ C ، هر آنچه را که تاکنون درباره Sensor Fusion آموخته اید ، اعمال خواهید کرد!

دوره 5: محلی سازی

محلی سازی نحوه تعیین موقعیت وسیله نقلیه ما در جهان است. GPS عالی است ، اما فقط در چند متری دقیق است. ما به دقت سطح یک سانتی متر تک رقمی نیاز داریم! برای دستیابی به این هدف ، مهندسان مرسدس بنز اصول محلی سازی ماركوف را برای برنامه ریزی یك فیلتر ذرات ، كه با استفاده از داده ها و نقشه برای تعیین محل دقیق یك وسیله نقلیه ، نشان می دهند.

دوره 6: برنامه ریزی مسیر

برنامه ریزی مسیر ، وسیله نقلیه را از یک نقطه به نقطه دیگر هدایت می کند و نحوه واکنش در هنگام بروز شرایط اضطراری را کنترل می کند. تیم اطلاعاتی مرسدس بنز وسیله نقلیه شما را در سه مرحله برنامه ریزی مسیر طی می کند.
ابتدا روشهای مبتنی بر مدل و داده محور را برای پیش بینی نحوه رفتار سایر وسایل نقلیه در جاده اعمال خواهید کرد. سپس شما یک ماشین حالت محدود برای تصمیم گیری در مورد اینکه کدام یک از مانورهای مختلف وسیله نقلیه شخصی شما را انجام می دهد ، می سازید. سرانجام ، یک مسیر ایمن و راحت برای اجرای آن مانور ایجاد خواهید کرد.

دوره 7: کنترل

در نهایت ، یک اتومبیل خودران هنوز یک ماشین است و ما باید دستورات فرمان ، گاز و ترمز را ارسال کنیم تا ماشین در جاده حرکت کند. Uber ATG شما را در ساخت کنترل کننده های متناسب-انتگرال-مشتق (PID) و مدل های کنترل کننده پیش بینی راهنمایی می کند. بین این الگوریتم های کنترل ، با تکنیک های اساسی و پیشرفته برای تحریک خودرو آشنا خواهید شد.

دوره 8: یکپارچه سازی سیستم

هر چی در طول این آموزش یاد خواهید گرفت را با هم ترکیب می کنیم.

نوشته دوره پیشرفته و جامع مهندسی ماشین های بدون راننده اولین بار در ایران متلب پدیدار شد.

هوش مصنوعی – یادگیری عمیق

یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

هوش مصنوعی – یادگیری عمیق – کاربرد

هوش مصنوعی دانش بسیار گسترده ای می باشد که بخشی از آن یادگیری عمیق می باشد. یادگیری عمیق یکی از موضوعات بسیار داغ و جذاب می باشد که علاقه مندان بسیار زیادی پیدا کرده است. یکی از دلایل این علاقه سادگی کار و نتایج حیرت کننده حاصل از آن می باشد. به عنوان مثال برای تشخیص یک شی در تصویر، اگر بخواهید از روشهای قدیمی استفاده کنید باید استخراج ویژگی انجام دهید و سپس یک مدل دسته بندی کننده انتخاب کنید. این فرایند بسیار زمان بر و تخصصی می باشد و می بایست یک فرد متخصص نوع ویژگی ها و پارامترهای آنها را تنظیم کند. اما با یادگیری عمیق شما فقط کافی است که ساختار مدل خود را طراحی کنید و نیازی به مرحله استخراج ویژگی ندارید و تمامی فرایند توسط لایه های مدل یادگیری عمیق انجام می شود.

دلیل بعدی جذابیت کار در یادگیری عمیق ، مدلهای آماده بسیار زیاد موجود می باشد که فرایند طراحی و آموزش و تست را بسیار کوتاه می کند و شما با توجه به مفهوم transfer learning یک مدل آماده را برای کاربرد خود تغییر می دهید. یعنی دیگر لازم نیست چرخ را از اول اختراع کنید و همه فرایند سخت و طاقت فرسای طراحی مدل هوشمند خود را از صفر شروع کنید. الان مدلهای آماده ای وجود دارند که با دقت بالایی می توانند 1000 کلاس مختلف تصویری را شناسایی کنند. یعنی شما مدل را import می کنید و تصویر بهش می دهید و برای شما کار شناسایی را انجام می دهد. به عبارت ساده تر هولو برو تو گلو. 🙂

قسمت اول

مبانی و مقدمات یادگیری عمیق

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

مدرس :

قیصری (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning اولین بار در ایران متلب پدیدار شد.

نوشته پیاده سازی متلب شبکه عصبی GoogLeNet اولین بار در ایران متلب پدیدار شد.

مثلا شما یک پروژه پردازش تصویر دارید که می خواهید تصاویری را دسته بندی کنید. به راحتی می توانید از این شبکه آموزش یافته در پروژه خود استفاده کنید و زمانی برای پیاده سازی الگوریتم خود صرف نکنید.
با این کد تنها شما تصویر ورودی خود را می خوانید و به شبکه می دهید و کلاس خروجی را به شما می دهد.

نوشته پیاده سازی متلب شبکه عصبی AlexNet اولین بار در ایران متلب پدیدار شد.

در ساختار این شبکه براي اعمال مپينگ روي تصوير تمهيدي در نظر گرفته شده است که هر ارتباط عصبي تبديل محلي يکساني را به تمامي تبديلات مکاني اعمال کنند. با اين تمهيد نسبت بين درجه آزادي سيستم و تعداد نمونه هاي لازم براي يادگيري بطور محسوسي افزايش يافته و باعث ميشود تا قدرت تعميم (generalization) سيستم تقويت شود . اين ويژگي کارائي خود را درزمينه پردازش تصوير نمايان ميسازد که در آن معمولا با اين مشکل مواجه هستيم که بزرگ بودن ابعاد ورودي منجر به ايجاد يک مسئله ضعيف شده ill posed problem ميشود.

درساختار این شبکه اوزان شبکه در روي آرايه هاي مکاني تکرار ميشوند که باعث ميگردد تا اين نوع شبکه ذاتا نسبت به انتقال ورودي حساس نباشد. اين ويژگي نيز براي پردازش تصوير مفيد ميباشد. علاوه بر آن پياده سازي اين شبکه بر روي سخت افزار نيز بسادگي انجام پذير ميباشد که امکان استفاده از آنرا در کاربردهاي بدون وقفه ميسر مينمايد. در حال حاضر از CNN در اموري نظير پردازش حروف دست نويس و شناسائي و تشخيص چهره استفاده ميشود.

این فیلم آموزشی منحصر بفرد بالاخره با زحمت تعدادی از اعضای گروه ایران متلب تکمیل شد. 

ارسال لینک های دانلود به ایمیل شما

سرفصل :

یادگیری عمیق Deep Learning

تفاوت بین مدل مرسوم شناسایی الگو و یادیگری عمیق

Trainable feature extractor چیست ؟

ساختار کلی یک سیستم شناسایی الگو pattern recognition

ساختار یک سیستم شناسایی شی object detection

مشاهده بصری ویژگی ها feature visualization در مراحل یک سیستم یادگیری عمیق (شبکه کانالوشن)

Low-Level feature, Mid-Level feature, high-level feature

Visual Cortex (ایده یادگیری عمیق از کجا آمده است؟)

معرفی سه ساختار یادگیری عمیق (feed-forward , feed-back , bi-directional)

چرا به یادگیری عمیق نیاز داریم ؟

کدام مدلها عمیق هستند؟ آیا MLP وSVM و مدلهای دو لایه و درخت تصمیم، عمیق هستند؟

امروزه در کدام کاربردها از یادگیری عمیق استفاده می شود؟

مقایسه مدلهای

(boosting , perceptron , SVM , AE , decision tree , RBM , DBN , DBM , GMM , spare coding , BayesNP , Conventional Net , RNN , Neural Net)

ساختار کلی (overall architecture) یک شبکه عصبی کانالوشن

معرفی بلوک نرمالسازی Normalization

معرفی بلوک بانک فیلتر Filter Bank

معرفی بلوک Non-Linear

معرفی بلوک Pooling یا subsampling

معرفی تغییرات یک تصویر در هنگام عبور از لایه های مختلف یک شبکه عصبی کانالوشن

معرفی ساختار یک شبکه عصبی کانالوشن

تصویر بعد از کانالوشن چه تغییری می کند؟

تصویر بعد از pooling چه تغییری می کند؟

مفهوم کانالوشن در تصویر

پنجره window در کانالوشن

مفهوم pooling در تصویر

یک مثال از local average operator

نشان دادن تصویر هر مرحله از یک شبکه عصبی کانالوشن

الگوریتم پیش انتشار خطا در شبکه عصبی کانالوشن

یک مثال عددی از عملگر کانالوشن

دو کاربرد شناسایی علائم راهنمایی و شناسایی شماره منازل

یک مثال از شبکه عصبی کانالوشن در شناسایی موضوع صحنه در یک ویدئو

یک مثال از شبکه عصبی کانالوشن در شناسایی شی Object detection

برخی از فریم های این فیلم آموزشی :

نوشته فیلم آموزشی شبکه عصبی کانالوشن اولین بار در ایران متلب پدیدار شد.

مدل ساده شبکه عصبی در متلب

به موازات گسترش كاربردهاي شبكه عصبي، نياز به فراگيري آن و آشنايي با تواناييها و قابليتهاي آن رخ مي نمايد. در اين راستا، تأليفات زيادي وجود دارد كه مي توان به آن ها استناد نمود اما در اكثر قريب به اتفاق اين خودآموزها، مباني اين شبكه ها با تفاصيل و جزئيات بسيار بيان شده است و کمتر به جنبه کاربردی بودن آن توجه شده است.

لذا گروه برنامه نويسي ايران متلب تصميم گرفت تا يك فيلم آموزشي جامع براي شبكه هاي عصبي تهيه كند تا هم مفاهيم آن به طور كامل توضيح داده شود و هم برنامه نويسي مقدماتي تا پيشرفته شبكه هاي عصبي در متلب MATLAB با مثالهاي گوناگوني آورده شود.
اين فيلم آموزشي حاصل تجربه هاي مختلف ما در پروژه هاي گوناگون شبكه عصبي مي باشد. بيشتر تمركز ما در اين فيلم آموزشي بر روي كدنويسي و پياده سازي در متلب MATLAB ميباشد.

در قسمت هايي هم كه لازم باشد ما كدهاي متلب جديدي معرفي مي كنيم كه در نرم افزار متلب وجود ندارد و به كار پياده سازي شبكه هاي عصبي در متلب كمك بسيار زيادي مي كند.

آشنایی با خطاهای رایج :
در هر قسمت خطاهاي رايج در هنگام كدنويسي هم به طور كامل تشريح مي شود تا كاربران گرامي بتوانند در هنگام كد نويسي به مشكلي برنخورند.

تعداد بالای مثال و نمونه کد :
به جرات ميتوان ادعا كرد كه اين سطح از كدنويسي شبكه هاي عصبي و اين تعداد مثالها در هيچ كتابي قابل دسترس نيست.

مخاطبین :
اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با مفاهیم شبكه هاي عصبي آشنا بشود قابل استفاده است و نياز به هيچ پيش نيازي ندارد و مخاطب آن عموم مي باشد و توسط دانشجويان تمامي رشته ها قابل استفاده است.

.

.

پیشنهاد ویژه:
علاقه مندانی که بخواهند کل مجموعه را تهیه کنند از تخفیف 62 درصدی برخوردار می شوند . کافی است با پرداخت کمتر از نصف کل هزینه، این مجموعه فیلم آموزشی را دریافت کنند.

بخش های مختلف این مجموعه فیلم آموزشی :

.

نوشته مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي اولین بار در ایران متلب پدیدار شد.