جستجو در تمام متون و مستندات کارگیک
Dkhodro_nba
carworks_b2
carworks_nba
samin_ba
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:

مطالب فنی و آموزشی

آخرین مطالب جدید شده
نمونه سئوالات آزمون مهارتی گازسوز کار ایساکو
نمونه سئوالات آزمون کارشناس فنی ایساکو
نمونه سئوالات آزمون مهارتی مکانیک ایساکو
راهنمای عیب یابی و تعویض فنرلول و کمک فنر عقب برلیانس H200/H300/Cross
دیکشنری لغات و اصطلاحات پرکاربرد انگلیسی/فارسی مکانیک
راهنمای عیب یابی و پیکربندی سیستم مالتی پلکس SMS سمند با ایکودیاگ
راهنمای تعمیرات و سرویس سیستم گرمایش و تهویه هوا (خنک کننده) X33
تور درون کارخانه Koenigsegg
دوره آموزشی کولر خودرو
هیولای داکار (پژو 2008 DKR)
معرفی و مشخصات موشک بالستیک ذوالفقار
معرفی و شرح برخی سیستم های خودرو سنگین دیزل کراز
راهنمای تعمیرات و کدهای خطای سیستم های الکتریکی مزدا3
نمایش تفاوت عملکرد 206rc با استفاده از سیستم ESP/ASR و بدون آن
جزوه دوره آموزش گارانتی ایساکو
راهنمای تعمیرات موتور دوو سیلو
دستورالعمل عیب یابی و تعویض قطعات کولر برلیانس
دستورالعمل عیب یابی و تعویض دینام آلترناتور برلیانس
دستورالعمل عیب یابی و تعویض استارتر برلیانس
نمونه سئوالات آزمون مهارتی تعلیق و جلوبندی ایساکو
آموزش نحوه بازبینی و تست وایر شمع خودرو
فیلم دوربین مداربسته از سرقت کامپیوتر پژو 206
معرفی، نقد و بررسی لیفان 820
مقدمه ای بر سیستم انتقال قدرت دستی اتوماتیک شده (AMT)
نمونه سئوالات آزمون مهارت شغلی مکانیک ایساکو
جدول عیب یابی CNG
نمونه سئوالات آزمون مهارتی برقکار ایساکو
آشنایی با موتور الکتریکی
راهنمای تعمیرات و سرویس مجموعه موتور BM15L خودروهای گروه H200وH300 سایپا
انواع قفل دیفرانسیل
شرح دیفرانسیل و عملکرد انواع آن
جزوه آموزشی سیستم صفحه نمایش Head Up Display پژو 508
راهنمای تعمیرات و عیب یابی موتور TU5-JP4 پژو405، پارس و سمند
کتاب درسی کاربرد و سرویس تراکتور
کارکرد دیفیوزر ، اسپویلر و اسپلیتر در خودرو
آموزش ترمیم صندلی چرمی خودرو
رقابت HUMMER H1 و تانک لئوپارد
راهنمای کامل تعمیرات چری تیگو5
راهنمای تعمیرات و عیب یابی تهویه مطبوع H30 Cross
راهنمای تعمیرات و تفاوت های موتور EF7 TC (توربوشارژ)
چک لیست عیب یابی کلاچ و گیربکس دستی
راهنمای تعمیرات سیستم تعلیق جلو و عقب پژو 405 وپارس و سمند و دنا
راهنمای ایمنی و سرویس سیستم CNG
فنر و کمک فنر در سیستم تعلیق خودرو

براساس کلمه کلیدی جستجو کنید

یک ویدیو تصادفی از کانال کارگیک


[ aparat کانال رسمی کارگیک در آپارات ]

[ telegram کانال رسمی کارگیک در تلگرام ]

[ facebook کانال رسمی کارگیک در فیسبوک ]

skp
rahro

آخرین آگهی ها

آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
دوره های علمی و تخصصی فنی اسکانیا
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 ...
دیاگ همراه و هوشمند I-MAX محصول جدید شرکت ماشین سافت میباشد ...
آموزشگاه فنی دنیای خودرو در سال ۱۳۸۳ بامجوز رسمی از سازمان ف ...
سامانه خدمات خودرو در محل كاپيتان كار ...
آموزشگاه تخصصی فنون خودرو با سابقه 14 ساله در زمینه آموزش دو ...
اموزش تخصصی برق خودرو -تعمیرات ECU-مالتی پلکس-تنظیم موتور- م ...
دوره تخصصی خودروهای هیبرید 09123386580 ...
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 تخصصی فنون خودرو با سابقه 14 ساله در زمینه آموزش دو ...
پخش انواع شمع های ایرانی و خارجی خودرو به قیمت کارخانه ...
تجهیزات آموزشی برق و مکانیک خودرو از شرکت توان قدرت مامطیر ...
قیمت دستگاه تنظیم باد دیجیتال فروش درجه سنجش باد اتوماتیک خ ...
این فایل ، فایل ریمپ خودرو پژو 207i با موتور 1600cc گیربکس ا ...