در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

آموزش کدنویسی دید کامپیوتری و اتومبیل های خود ران در زبان Python

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

در این دوره آموزشی با اتومبیل های خود ران آشنا شده و کدنویسی آن ها را به کمک دید کامپیوتری یا همان Computer Vision یاد می گیرید.

عنوان اصلی : Autonomous Cars: Deep Learning and Computer Vision in Python

سرفصل ها :


راه اندازی و نصب محیط:
Anaconda، OpenCV، Tensorflow و Course Materials را نصب کنید
محیط خود را با تشخیص لبه بلادرنگ در یک نوت بوک Jupyter آزمایش کنید
آشنایی با خودروهای خودران:
بررسی اجمالی دوره و نتایج یادگیری
دوره سقوط پایتون [اختیاری]:
مبانی پایتون: تاپل ها و دیکشنری ها
مبانی پایتون: توابع و عملیات بولی
مبانی پایتون: حلقه زدن و یک تمرین
آشنایی با پانداها
مقدمه ای بر MatPlotLib
معرفی Seaborn
مبانی بینایی کامپیوتر: بخش 1:
سیستم بینایی انسان در مقابل کامپیوتر
تصویر چیست و چگونه به صورت دیجیتالی ذخیره می شود؟
[فعالیت] تصویر رنگی را مشاهده کنید و RGB را به خاکستری تبدیل کنید
[فعالیت] تشخیص خطوط خطوط در تصویر مقیاس خاکستری
[فعالیت] تشخیص خطوط خطوط در تصویر رنگی
چالش های تکنیک انتخاب رنگ چیست؟
فضاهای رنگی
[فعالیت] فضاهای رنگی RGB را به HSV تبدیل کنید و کانال ها را ادغام/تقسیم کنید
پیچش - تیز کردن و تاری
[فعالیت] پیچیدگی - تیز کردن و محو کردن
تشخیص لبه و محاسبات گرادیان (Sobel، Laplace و Canny)
[فعالیت] تشخیص لبه و محاسبات گرادیان (Sobel، Laplace و Canny)
[فعالیت] پروژه شماره 1: Canny Sobel و Laplace Edge Detection با استفاده از وب کم
مبانی بینایی کامپیوتر: قسمت 2:
[فعالیت] کد برای انجام چرخش، ترجمه و تغییر اندازه
تبدیل تصویر - تبدیل چشم انداز
[فعالیت] تبدیل تصویر غیر وابسته را روی یک تصویر علائم راهنمایی و رانندگی انجام دهید
اتساع و فرسایش برش تصویر
[فعالیت] کد برای انجام اتساع و فرسایش برش تصویر
پوشش منطقه مورد علاقه
[فعالیت] کد برای تعریف منطقه مورد علاقه
نظریه تبدیل هاف
[فعالیت] تبدیل Hough - مثال عملی در پایتون
راه حل پروژه: تبدیل Hough برای تشخیص خطوط خطوط در یک تصویر
مبانی بینایی کامپیوتر: قسمت 3:
[فعالیت] یک کامیون را در یک تصویر به صورت دستی پیدا کنید!
تطبیق الگو - یک کامیون پیدا کنید
[فعالیت] راه حل پروژه: با استفاده از تطبیق الگو، یک کامیون پیدا کنید
تشخیص گوشه - هریس
[فعالیت] کد برای انجام تشخیص گوشه
مقیاس تصویر - هرمی بالا/پایین
[فعالیت] کد برای اجرای هرم تصویر
هیستوگرام رنگ ها
[فعالیت] کد برای به دست آوردن هیستوگرام رنگی
هیستوگرام گرادیان های جهت دار (HOG)
[فعالیت] کد برای انجام استخراج ویژگی HOG
استخراج ویژگی - SIFT، SURF، FAST و ORB
[فعالیت] استخراج ویژگی FAST/ORB در OpenCV
یادگیری ماشینی: قسمت 1:
ارزیابی سیستم‌های یادگیری ماشین با اعتبارسنجی متقابل
رگرسیون خطی
[فعالیت] رگرسیون خطی در عمل
رگرسیون لجستیک
[فعالیت] رگرسیون لجستیک در عمل
درختان تصمیم و جنگل های تصادفی
[فعالیت] درختان تصمیم در عمل
یادگیری ماشینی: قسمت 2:
[فعالیت] ساده لوح بیز در عمل
ماشین‌های بردار پشتیبانی (SVM) و دسته‌بندی‌کننده‌های بردار پشتیبانی (SVC)
[فعالیت] پشتیبانی از طبقه‌بندی‌کننده‌های برداری در عمل
راه حل پروژه: تشخیص اتومبیل ها با استفاده از SVM - قسمت شماره 1
[فعالیت] تشخیص اتومبیل ها با استفاده از SVM - قسمت شماره 2
[فعالیت] راه‌حل پروژه: شناسایی اتومبیل‌ها با استفاده از SVM - قسمت #3
شبکه های عصبی مصنوعی:
مدل پرسپترون تک نورون
توابع فعال سازی
آموزش ANN و تقسیم داده ها
مثال عملی - تعیین سرعت خودرو
کد برای ساخت یک پرسپترون برای طبقه بندی باینری
آموزش پس تکثیر
کد برای آموزش یک پرسپترون برای طبقه بندی باینری
دو و چند لایه پرسپترون ANN
مثال 1 - ساخت پرسپترون چند لایه برای طبقه بندی باینری
مثال 2 - ساخت پرسپترون چند لایه برای طبقه بندی باینری
یادگیری عمیق و تنسورفلو: قسمت 1:
ساخت شبکه های عصبی عمیق با کراس، عادی سازی و رمزگذاری یک داغ.
[فعالیت] ساخت یک طبقه بندی لجستیک با یادگیری عمیق و Keras
فعال‌سازی ReLU و جلوگیری از تطبیق بیش از حد با منظم‌سازی خروج
[فعالیت] بهبود طبقه‌بندی‌کننده ما با منظم‌سازی حذف
یادگیری عمیق و تنسورفلو: قسمت 2:
پیاده سازی CNN در کراس
[فعالیت] طبقه بندی تصاویر با یک CNN ساده، قسمت 1
[فعالیت] طبقه بندی تصاویر با یک CNN ساده، قسمت 2
حداکثر پولینگ
[فعالیت] بهبود توپولوژی CNN و با Max Pooling

نمایش سرفصل های انگلیسی

Autonomous Cars: Deep Learning and Computer Vision in Python