Google-icon جستجو در تمام متون کارگیک
carworks_nba
samin_ba
carworks_b2
Dkhodro_nba
این صفحه را در شبکه های اجتماعی به اشتراک بگذارید:

خودروهای خودگردان جهان را با تکنیک‌هایی همچون رادار، لیدار، جی‌پی‌اس، و بینایی رایانه‌ای احساس می‌کنند. سامانه‌های کنترل پیشرفته اطّلاعات به دست آمده را تفسیر می‌کنند و با استفاده از آن‌ها مسیرهای ناوبری مناسب، موانع، و علامت‌های مربوطه را شناسایی می‌کنند. وسایل نقلیّهٔ خودکار معمولاً می‌توانند نقشه‌های خود را با استفاده از ورودی حسّی خود به‌روزرسانی کنند؛ از این رو این وسایل می‌توانند حتی در محیط‌های کاملاً ناشناس نیز به خوبی حرکت کنند.

6_levels_of_automated_driving

A self-driving car, also known as a robot car, autonomous car, or driverless car, is a vehicle that is capable of sensing its environment and moving with little or no human input.

Autonomous cars combine a variety of sensors to perceive their surroundings, such as radar, Lidar, sonar, GPS, odometry and inertial measurement units. Advanced control systems interpret sensory information to identify appropriate navigation paths, as well as obstacles and relevant signage.

Potential benefits include reduced costs, increased safety, increased mobility, increased customer satisfaction and reduced crime. Safety benefits include a reduction in traffic collisions, resulting in injuries and related costs, including for insurance. Automated cars are predicted to increase traffic flow; provide enhanced mobility for children, the elderly, disabled, and the poor; relieve travelers from driving and navigation chores; increase fuel efficiency of vehicle; significantly reduce needs for parking space; reduce crime; and facilitate business models for transportation as a service, especially via the sharing economy.

Problems include safety, technology, liability, legal framework and government regulations; risk of loss of privacy and security concerns, such as hackers or terrorism; concern about the resulting loss of driving-related jobs in the road transport industry; and risk of increased suburbanization as travel becomes more convenient.

SAE_Levels_of_autonomy Levels_of_autonomy_car

Self-Driving Car Course - Applied Deep Learning


Learn to use Deep Learning, Computer Vision and Machine Learning techniques to Build an Autonomous Car with Python

You'll go from beginner to Deep Learning expert and your instructor will complete each task with you step by step on screen.

By the end of the course, you will have built a fully functional self-driving car fuelled entirely by Deep Learning. This powerful simulation will impress even the most senior developers and ensure you have hands on skills in neural networks that you can bring to any project or company.

This course will show you how to:

- Use Computer Vision techniques via OpenCV to identify lane lines for a self-driving car.
- Learn to train a Perceptron-based Neural Network to classify between binary classes.
- Learn to train Convolutional Neural Networks to identify between various traffic signs.
- Train Deep Neural Networks to fit complex datasets.
- Master Keras, a power Neural Network library written in Python.
- Build and train a fully functional self driving car to drive on its own!

No experience required. This course is designed to take students with no programming/mathematics experience to accomplished Deep Learning developers.

ویدیو معرفی دوره آموزشی یادگیری عمیق ، شبکه های عصبی و پردازش تصویر برای خودروهای خودران

کل زمان دوره آموزشی : 18:04:51
زبان تدریس : انگلیسی


دانلود کامل دوره آموزش یادگیری عمیق ، شبکه های عصبی و پردازش تصویر برای خودروهای خودران در قالب فایل ZIP (حجم 9.4 گیگابایت )


برای مشاهده/دانلود هر درس روی عنوان آن کلیک کنید.

Introduction --- 02:25

Why This Course? --- 02:25

Installation --- 09:15

Overview --- 00:24
Anaconda Distribution - Mac --- 02:41
Anaconda Distribution - Windows --- 02:54
Text Editor --- 02:47
Outro --- 00:29

Python Crash Course (Optional) --- 02:10:04

Python Crash Course Part 1 - Data Types --- 01:05
Jupyter Notebooks --- 05:49
Arithmetic Operations --- 04:23
Variables --- 05:05
Numeric Data Types --- 04:09
String Data Types --- 05:45
Booleans --- 04:27
Methods --- 03:04
Lists --- 05:31
Slicing --- 08:16
Membership Operators --- 02:50
Mutability --- 04:08
Mutability II --- 04:45
Common Functions & Methods --- 07:32
Tuples --- 03:32
Sets --- 02:58
Dictionaries --- 05:19
Compound Data Structures --- 02:49
Part 1 - Outro --- 00:14
Part 2 - Control Flow --- 00:47
If, else --- 04:47
elif --- 06:53
Complex Comparisons --- 05:11
For Loops --- 07:17
For Loops II --- 03:07
While Loops --- 03:07
Break --- 03:23
Part 2 - Outro --- 00:17
Part 3 - Functions --- 00:51
Functions --- 05:35
Scope --- 01:45
Doc Strings --- 02:45
Lambda & Higher Order Functions --- 06:07
Part 3 - Outro --- 00:41

NumPy Crash Course (Optional) --- 01:05:48

Overview --- 00:48
Vector Addition - Arrays vs Lists --- 12:03
Multidimensional Arrays --- 11:46
One Dimensional Slicing --- 03:33
Reshaping --- 03:34
Multidimensional Slicing --- 07:20
Manipulating Array Shapes --- 08:17
Matrix Multiplication --- 04:19
Stacking --- 14:00
Part 4 - Outro --- 00:08

Computer Vision: Finding Lane Lines --- 01:22:15

Overview --- 00:35
Image needed for the next lesson --- 00:02
Loading Image --- 05:00
2.1 test_image.jpg.jpg
Grayscale Conversion --- 04:31
Smoothening Image --- 03:04
Canny Edge Detection --- 04:21
Region of Interest --- 07:41
Binary Numbers & Bitwise_and --- 09:44
Line Detection - Hough Transform --- 10:54
Hough Transform II --- 13:25
Optimizing --- 14:45
Resource for upcoming video --- 00:04
11.1 test2.mp4.zip.zip
Finding Lanes on Video --- 06:20
12.1 test2.mp4.mp4
Source Code --- 01:14
Part 5 - Conclusion --- 00:34

The Perceptron --- 01:31:20

Overview --- 01:44
Machine Learning --- 02:51
Supervised Learning - Friendly Example --- 04:25
Classification --- 07:48
Linear Model --- 06:52
Perceptrons --- 04:08
Weights --- 02:03
Project - Initial Stages --- 10:57
8.1 Initial Stages.ipynb.zip.zip
Sample Code for Initial Stages --- 00:10
9.1 Initial Stages.ipynb.zip.zip
Error Function --- 03:36
Sigmoid --- 05:56
Sigmoid Implementation (Code) --- 11:46
Source code --- 00:17
Cross Entropy --- 05:38
Cross Entropy (Code) --- 07:41
Source Code --- 00:21
Gradient Descent --- 03:14
Gradient Descent (Code) --- 08:45
Recap --- 01:54
Source Code --- 00:33
Part 6 - Conclusion --- 00:39

Keras --- 44:24

Overview --- 00:30
Intro to Keras --- 02:04
Starter Code --- 00:11
Keras Models --- 21:08
Keras - Predictions --- 19:25
Source Code --- 00:45
Part 7 - Outro --- 00:21

Deep Neural Networks --- 59:13

Overview --- 00:52
Non-Linear Boundaries --- 05:05
Architecture --- 09:00
Feedforward Process --- 07:46
Error Function --- 04:10
Backpropagation --- 05:12
Code Implementation --- 26:02
Source Code --- 00:43
Section 8 - Conclusion --- 00:23

Multiclass Classification --- 52:52

Overview --- 00:35
Softmax --- 11:50
Cross Entropy --- 08:16
Implementation --- 30:55
Source Code --- 00:58
Section 9 - Outro --- 00:18

MNIST Image Recognition --- 01:34:17

Overview --- 00:48
MNIST Dataset --- 05:25
Train & Test --- 13:28
Hyperparameters --- 07:04
Implementation Part 1 --- 33:45
Implementation Part 2 --- 20:13
Resource for upcoming video --- 00:02
Implementation Part 3 --- 11:49
Final Source Code --- 01:19
Section 10 - Outro --- 00:24

Convolutional Neural Networks --- 01:56:10

Overview --- 00:45
Convolutions & MNIST --- 06:44
Convolutional Layer --- 18:11
Convolutions II --- 08:07
Pooling --- 14:11
Fully Connected Layer --- 06:23
Starter Code --- 02:18
Code Implementation I --- 31:02
Code Implementation II --- 26:22
Final Source Code --- 01:49
Section 11 - Conclusion --- 00:17

Classifying Road Symbols --- 01:53:03

Overview --- 01:00
Traffic Signs Starter Code --- 00:32
Preprocessing Images --- 42:58
3.1 Traffic Signs Starter Project.ipynb.zip.zip
leNet Implementation --- 20:12
Fine-tuning Model --- 14:27
Resources Needed for Testing --- 00:28
Testing --- 06:14
Fit Generator --- 23:50
Final Source Code --- 02:39
Section 12 - Outro --- 00:43

Polynomial Regression --- 16:31

Overview --- 00:30
Implementation --- 15:22
Final Source Code --- 00:17
Section 13 - Conclusion --- 00:22

Behavioural Cloning --- 03:31:02

Overview --- 03:11
Collecting Data --- 17:46
Downloading Data --- 17:52
Balancing Data --- 11:31
Training & Validation Split --- 11:27
Preprocessing Images --- 18:04
Defining Nvidia Model --- 27:10
Drive.py code --- 01:00
Flask & Socket.io --- 17:33
Self Driving Car - Test 1 --- 16:30
Generator - Augmentation Techniques --- 34:29
Batch Generator --- 10:58
Fit Generator --- 19:20
Final Source Code --- 03:15
Outro --- 00:55

 

نوشتن دیدگاه


این صفحه را در شبکه های اجتماعی به اشتراک بگذارید:

براساس کلمه کلیدی جستجو کنید

یک ویدیو تصادفی از کانال کارگیک

مطالب فنی و آموزشی

آخرین مطالب جدید شده
قانون خودرو متعارف ؛ خسارت تصادف با پورشه كمتر از خسارت تصادف با رنو ساندرو و 207
بررسی لنت ترمز و انواع آن و معرفی اجمالی سیستم ترمز خودرو
هیدرولیک و عملکرد آن در سیستم ترمز خودرو
روش نصب سنسور دنده عقب سراتو
راهنمای فن خنک کننده و فلپ های کنترلی رنو کپچر
نحوه رگلاژ ترمزدستی خودروهای برلیانس H300
روش رفع ایراد کپ کردن موتور در خودروهای با EMS SSAT
راهنمای تعمیرات اکسل جلو تندر90
راهنمای تعمیرات موتور 4G6 میتسوبیشی گالانت و لنسر
تحقیق گازسوز کردن خودرو
جزوه سیستم سوخت رسانی و برق و انژکتور خودرو
جزوه راهنمای سیستم سوخت رسانی بنزینی کاربراتوری
نقشه و Pin Layout و استراتژی سیستم سوخت رسانی SSAT و SSAT Bifuel
فیلم آموزشی بازکردن گیربکس اتوماتیک AL4
آموزش پنچرگیری لاستیک خودرو
مقدمه ای بر تعمیرات نرم افزاری و برنامه ریزی ECU
معرفی شمع های سوزنی ایریدیوم و پلاتینیوم
استرات بار (استرس بار) و مزایای آن برای هندلینگ و تعلیق خودرو
آموزش کاربردی طراحی قطعات الکترو-مکانیکال با SOLIDWORKS - طراحی کوادکوپتر
آموزش تکنیک های حرفه ای طراحی در SOLIDWORKS
معرفی و تشریح اجزاء و نحوه عملکرد گیربکس اتوماتیک/تیپ ترونیک AL4
مبانی و مفاهیم عملکرد گیربکس اتوماتیک
Bertha Benz: the journey that changed everything
آموزش تنظیم (رگلاژ) عقربه‌های پشت آمپر پژو ۲۰۶
ساختار ایستگاه های سوخت رسانی CNG
تشریح ریمپ ECU و شرح Remap ایسیو ساژم S2000
آشنایی و شرح عملکرد موتور دیزل
دستورالعمل بازدید دستکاری صفحه کیلومتر در خودروهای X100 و X200
دستورالعمل عیب یابی و تعویض مجموعه کویل ، وایر و شمع انواع پراید
آموزش یادگیری عمیق ، شبکه های عصبی و پردازش تصویر برای خودروهای خودران
شرح و آموزش پولیش رنگ و بدنه خودرو
رییس انجمن صنایع همگن قطعه‌سازی : پراید گران نیست، با قیمت‌های بالاتر صادر می‌کنیم
معرفی و آموزش عیب یابی ، تمیز کردن ، بازکردن و تعمیر استپر موتور
آموزش بازدید و تعویض دیسک و لنت ترمز تویوتا کمری (2006 تا 2015)
Classroom Manual for Automotive Electricity And Electronics
راهنمای کامل مدارهای الکتریکی چانگان CS35
نرم افزار نقشه های کامل الکتریکی تندر90 و ساندرو (VISU)
راهنماهای کامل تعمیرات سوناتا NF (موتورهای 2.4 و 3.3)
تست و مقایسه مزدا3 و کیا سراتو + تست درگ و هندلینگ
آموزش سری و موازی کردن باطری ها برای بدست آوردن ولتاژ و آمپراژ مختلف

آخرین آگهی ها

آموزشگاه تخصصی فنون خودرو با سابقه 14 ساله در زمینه آموزش دو ...
قیمت دستگاه شارژ گاز کولر خودرو وکیوم اتوماتیک گاز کولر خرید ...
مشخصات ،قیمت و خرید لاستیک در ار برند برایت پولی پرزان پاریز ...
تلفن آموزشگاه : 70-77199569-021 مشاوره و ثبت نام : مهندس کام ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
تلفن آموزشگاه : 70-77199569-021 مشاوره و ثبت نام : مهندس کام ...
پروگرامر ایسیو نگار خودرو قیمت دستگاه پروگرام ای سی یو با ...