///////////////////
upperBound =  10;
lowerBound = 3;
numberOfExperiments = 5;
x=1:upperBound;
y1=zeros(1,upperBound);
y2=zeros(1,upperBound);
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaze(problem, false, BFSFringe);
y1(i) = y1(i) + numberOfExpandedNodes;
[cost , numberOfExpandedNodes] = SolveMazeBidirectional(problem, false, BFSFringe, BFSFringe);
y2(i) = y2(i) + numberOfExpandedNodes;
end
y1(i) = y1(i)/(i*numberOfExperiments);
y2(i) = y2(i)/(i*numberOfExperiments);
end
figure(‘name’,’Normal vs Bidirectional BFS’);
hold on
axis([lowerBound upperBound 0 max(max(y1),max(y2))]);
plot(x,y1,’r’);
plot(x,y2,’b’);
clear;

EvaluateDFS.m
upperBound = 10;
lowerBound = 3;
numberOfExperiments = 10;
x=1:upperBound;
y=zeros(1,upperBound);
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments 
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaz(problem, false, DFSFringe, SLHeuristic);
y(i) = y(i) + numberOfExpandedNodes;
end

y(i) = y(i)/(i*numberOfExperiments;
end
figure(‘name’,’DFS Evaluation’)
hold on
axis([lowerBound upperBound 0 max(y)]);
plot(x,y,’r’);
clear;

EvaluateBestFirst.m
upperBound = 10;
lowerBound = 3;
numberOfExperiments = 10;
x=1:upperBound;
y=zeros(1,upperBound 
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaze(problem, false, BestFirstFringe, SLHeuristic);
y(i) = y(i) + numberOfExpandedNodes;
end
y(i) = y(i)/(i*numberOfExperiments);
end
figure(‘name’,’Best First Evaluation’);
hold on
axis([lowerBound upperBound 0 max(y)]);
plot(x,y,’g’);
clear;

EvaluateAStar.m
upperBound = 10;
lowerBound = 3;
numberOfExperiments = 10;
x=1:upperBound;
y=zeros(1,upperBound);
for i=lowerBound:upperBound
for j=1:i*numberOfExperiments
problem = Problem(i, i);
[cost , numberOfExpandedNodes] = SolveMaze(problem, false, AStarFringe, SLHeuristic);
y(i) = y(i) + numberOfExpandedNodes;
end
y(i) = y(i)/(i*numberOfExperiments);
end
figure(‘name’,’A* Evaluation’);
hold on
axis([lowerBound upperBound 0 max(y)]);
plot(x,y,’b’);
clear;

ExampleNormalVsBidirectional.m
function ExampleNormalVsBidirectional(numberOfRows, numberOfColumns)
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, BFSFringe);
disp(‘Solution cost with normal BFS:’);
disp(cost);
disp(‘Number of expanded nodes with normal BFS’);
disp(numberOfExpandedNodes);
[cost , numberOfExpandedNodes] = SolveMazeBidirectional(problem, true, BFSFringe,BFSFringe);
disp(‘Solution cost with bidirectional BFS:’);
disp(cost);
disp(‘Number of expanded nodes with bidirectional BFS:’);
disp(numberOfExpandedNodes);
end

ExampleDFS.m
function ExampleDFS(numberOfRows, numberOfColumns)
disp(‘Depth First Search’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, DFSFringe);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

ExampleBFS.m
function ExampleBFS(numberOfRows, numberOfColumns)
disp(‘Breadth First Search’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, BFSFringe);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

ExampleBestFirst.m
function ExampleBestFirst(numberOfRows, numberOfColumns)
disp(‘Best First Search, Straight Line Distance Heuristic’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, BestFirstFringe, SLHeuristic);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

ExampleAStar.m
function ExampleAStar(numberOfRows, numberOfColumns)
disp(‘A* Search, Straight Line Distance Heuristic’);
problem = Problem(numberOfRows, numberOfColumns);
close all;
[cost , numberOfExpandedNodes] = SolveMaze(problem, true, AStarFringe, SLHeuristic);
disp(‘Solution cost:’);
disp(cost);
disp(‘Number of expanded nodes:’);
disp(numberOfExpandedNodes);
end

for i=1:numberOfColumns
x=zeros(0);
y=zeros(0);
for j=1:numberOfRows
if(arrayVersion(j,i) == 1)
x = [x i];
y = [y j];
else
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
x=zeros(0);
y=zeros(0);
end
end
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
end
if isempty(solution) == false
[x, y] = ConvertToArray(solution);
plot(x,y,’:r’, ‘LineWidth’,2);
else
text(numberOfColumns/2,0,’FAILURE’);
end
text(problem.InitialState.Column, problem.InitialState.Row, ‘S’);
text(problem.GoalState.Column, problem.GoalState.Row, ‘G’);
hold off
end
function [x, y] = ConvertToArray(path)
x=zeros(0);
y=zeros(0);
for node = path
x = [x node.State.Column];
y = [y node.State.Row];
end
end

DrawMaze.m
function DrawMaze(problem, solution)
arrayVersion = problem.ArrayVersion;
[numberOfRows, numberOfColumns] = size(problem.States);
figure;
hold on;
axis ij
axis([0.5 numberOfColumns+0.5 0.5 numberOfRows+0.5]);
for i=1:numberOfRows
x=zeros(0);
y=zeros(0);
for j=1:numberOfColumns
if(arrayVersion(i,j) == 1)
x = [x j];
y = [y i];
else
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
x=zeros(0);
y=zeros(0);
end
end
plot(x,y,’-ks’,’LineWidth’,3,…
‘MarkerEdgeColor’,’k’,…
‘MarkerFaceColor’,’g’,…
‘MarkerSize’,5)
end

SolveMazeBidirectional.m
function [cost , numberOfExpandedNodes] = SolveMazeBidirectional(problem, drawMaze, fringe1, fringe2, heuristic1, heuristic2)
if isa(fringe1,’HeuristicFringe’)
fringe1.Set(problem,heuristic1);
end
if isa(fringe2,’HeuristicFringe’)
if nargin == 5
fringe2.Set(problem,heuristic1);
else
fringe2.Set(problem,heuristic2);
end
end
[solution, cost] = BidirectionalSearch(problem, fringe1, fringe2);
numberOfExpandedNodes = fringe1.NumberOfExpandedNodes + fringe2.NumberOfExpandedNodes;
if drawMaze
DrawMaze (problem, solution);
end
end

SolveMaze.m
function [cost , numberOfExpandedNodes] = SolveMaze(problem, drawMaze, fringe, heuristic)
if isa(fringe,’HeuristicFringe’)
fringe.Set(problem,heuristic);
end
[solution, cost] = GraphSearch(problem,fringe);
numberOfExpandedNodes = fringe.NumberOfExpandedNodes;
if drawMaze
DrawMaze(problem, solution);
end
end

Problem.m
classdef Problem < handle
properties
InitialState
GoalState
States = State.empty;
ArrayVersion
end
methods
function problem = Problem(numberOfRows, numberOfColumns)
problem.States(1:numberOfRows, 1: numberOfColumns) = State;
for i = 1:numberOfRows
for j = 1:numberOfColumns
if rand < 0.4
blocked = true;
else
blocked = false;
end
problem.States(i,j) = State(i,j,blocked);
problem.ArrayVersion(i,j) = blocked;
end
end

index = round(rand*(i*j-1))+1;
problem.InitialState = problem.States(index);
problem.InitialState.Blocked = false;
problem.ArrayVersion(index) = 0;
index = round(rand*(i*j-1))+1;
problem.GoalState = problem.States(index);
problem.GoalState.Blocked = false;
problem.ArrayVersion(index) = 0;
end
function result = GoalTest(problem, state)
if state == problem.GoalState
result = true;
else
result = false;
end
end
function [actions, results] = SuccessorFunction(problem, state)
[numberOfRows, numberOfColumns] = size(problem.States);
row = state.Row;
column = state.Column;
actions = double.empty;
results = State.empty;
index = 0;
if(column>1 && problem.States(row,column-1).Blocked == false)
index = index + 1;
actions(index) = 4; % left (according to keyboard’s numeric keypad!)
results(index) = problem.States(row,column-1);
end
if(column<numberOfColumns && problem.States(row,column+1).Blocked == false)
index = index + 1;
actions(index) = 6; % right
results(index) = problem.States(row,column+1);
end
if(row>1 && problem.States(row-1,column).Blocked == false)
index = index + 1;
actions(index) = 8; % up
results(index) = problem.States(row-1,column);
end
if(row<numberOfRows && problem.States(row+1,column).Blocked == false)
index = index + 1;
actions(index) = 2; % down
results(index) = problem.States(row+1,column);
end
if(column>1 && row>1 && problem.States(row-1,column-1).Blocked == false)
index = index + 1;
actions(index) = 7; % upper left
results(index) = problem.States(row-1,column-1);
end

if(column<numberOfColumns && row>1 && problem.States(row-1,column+1).Blocked == false)
index = index + 1;
actions(index) = 9; % upperRight
results(index) = problem.States(row-1,column+1);
end
if(column>1 && row<numberOfRows && problem.States(row+1,column-1).Blocked == false)
index = index + 1;
actions(index) = 1; % bottomLeft
results(index) = problem.States(row+1,column-1);
end
if(column<numberOfColumns && row<numberOfRows && problem.States(row+1,column+1).Blocked == false)
index = index + 1;
actions(index) = 3; % bottomRight
results(index) = problem.States(row+1,column+1);
end
end
end
end

BidirectionalSearch.m
function [solution, cost] = BidirectionalSearch(problem, fringe1, fringe2)
closed = State.empty;
fringe1.Insert(MakeNode(problem.InitialState));
fringe2.Insert(MakeNode(problem.GoalState));
while(true)
if fringe1.IsEmpty || fringe2.IsEmpty
solution = Node.empty; % Failure
cost = 0;
break;
end
[intersectingNodeFromFring1, intersectingNodeFromFring2] = FindIntersection(fringe1,fringe2);
if isempty(intersectingNodeFromFring1) == false
[solution, cost] = Solution(intersectingNodeFromFring1, intersectingNodeFromFring2);
break;
end
node1 = fringe1.RemoveFront();
node2 = fringe2.RemoveFront();
if Contains(closed, node1.State) == false
closed = [node1.State closed];
fringe1.InsertAll(Expand(node1, problem));
end
if Contains(closed, node2.State) == false
closed = [node2.State closed];
fringe2.InsertAll(Expand(node2, problem));
end
end
end
function [intersectingNodeFromFring1, intersectingNodeFromFring2] = FindIntersection(fringe1,fringe2)
intersectingNodeFromFring1 = Node.empty;
intersectingNodeFromFring2 = Node.empty;
for node1 = fringe1.Nodes
for node2 = fringe2.Nodes
if node1 == node2
intersectingNodeFromFring1 = node1;
intersectingNodeFromFring2 = node2;

break;
end
end
end
end
function [solution, cost] = Solution(node1,node2)
solution = node1;
currentNode = node1;
rootReached = false;
while(rootReached == false)
currentNode = currentNode.ParentNode;
solution = [currentNode solution];
if isempty(currentNode) || isempty(currentNode.ParentNode)
rootReached = true;
end
end
currentNode = node2;
rootReached = false;
while(rootReached == false)
currentNode = currentNode.ParentNode;
solution = [solution currentNode];
if isempty(currentNode) || isempty(currentNode.ParentNode)
rootReached = true;
end
end
cost = node1.PathCost + node2.PathCost;
end
5.16. Problem.m
classdef Problem < handle
properties
InitialState
GoalState
States = State.empty;
ArrayVersion
end
methods
function problem = Problem(numberOfRows, numberOfColumns)
problem.States(1:numberOfRows, 1: numberOfColumns) = State;
for i = 1:numberOfRows
for j = 1:numberOfColumns
if rand < 0.4
blocked = true;
else
blocked = false;
end
problem.States(i,j) = State(i,j,blocked);
problem.ArrayVersion(i,j) = blocked;
end
end

index = round(rand*(i*j-1))+1;
problem.InitialState = problem.States(index);
problem.InitialState.Blocked = false;
problem.ArrayVersion(index) = 0;
index = round(rand*(i*j-1))+1;
problem.GoalState = problem.States(index);
problem.GoalState.Blocked = false;
problem.ArrayVersion(index) = 0;
end
function result = GoalTest(problem, state)
if state == problem.GoalState
result = true;
else
result = false;
end
end
function [actions, results] = SuccessorFunction(problem, state)
[numberOfRows, numberOfColumns] = size(problem.States);
row = state.Row;
column = state.Column;
actions = double.empty;
results = State.empty;
index = 0;
if(column>1 && problem.States(row,column-1).Blocked == false)
index = index + 1;
actions(index) = 4; % left (according to keyboard’s numeric keypad!)
results(index) = problem.States(row,column-1);
end
if(column<numberOfColumns && problem.States(row,column+1).Blocked == false)
index = index + 1;
actions(index) = 6; % right
results(index) = problem.States(row,column+1);
end
if(row>1 && problem.States(row-1,column).Blocked == false)
index = index + 1;
actions(index) = 8; % up
results(index) = problem.States(row-1,column);
end
if(row<numberOfRows && problem.States(row+1,column).Blocked == false)
index = index + 1;
actions(index) = 2; % down
results(index) = problem.States(row+1,column);
end
if(column>1 && row>1 && problem.States(row-1,column-1).Blocked == false)
index = index + 1;
actions(index) = 7; % upper left
results(index) = problem.States(row-1,column-1);
end

if(column<numberOfColumns && row>1 && problem.States(row-1,column+1).Blocked == false)
index = index + 1;
actions(index) = 9; % upperRight
results(index) = problem.States(row-1,column+1);
end
if(column>1 && row<numberOfRows && problem.States(row+1,column-1).Blocked == false)
index = index + 1;
actions(index) = 1; % bottomLeft
results(index) = problem.States(row+1,column-1);
end
if(column<numberOfColumns && row<numberOfRows && problem.States(row+1,column+1).Blocked == false)
index = index + 1;
actions(index) = 3; % bottomRight
results(index) = problem.States(row+1,column+1);
end
end
end
end

نوشته کد classical AI search algorithms اولین بار در ايران متلب. پدیدار شد.

• علوم ریاضیاتی: MATLAB یکی از محبوب‌ترین نرم‌افزارهای مورد استفاده در ریاضیات است و از آن به عنوان یک محیط محاسباتی و تحلیلی استفاده می‌شود. MATLAB برای حل مسائل مربوط به نظریه گراف، محاسبات عددی، آمار و احتمالات، رمزنگاری، روش‌های تفاضلی، روش‌های جبری و غیره استفاده می‌شود.
• علوم مهندسی: MATLAB یکی از مورد استفاده قرار گرفته در علوم مهندسی است و برای حل مسائل مختلف مربوط به مهندسی برق، مهندسی مکانیک، مهندسی شیمی، مهندسی عمران و غیره استفاده می‌شود. MATLAB برای تحلیل و طراحی سیستم‌های کنترل، شبیه‌سازی سیستم‌های انرژی، مدلسازی سیستم‌های تشخیص خطا و غیره مورد استفاده قرار می‌گیرد.
• علوم پزشکی: MATLAB یکی از برترین نرم‌افزارهای مورد استفاده در پزشکی است و برای تحلیل داده‌های پزشکی، تحلیل سیگنال‌های پزشکی، تحلیل تصویر پزشکی و غیره استفاده می‌شود. MATLAB به عنوان یک محیط محاسباتی و تحلیلی برای بسیاری از پژوهش‌های پزشکی مورد استفاده قرار می‌گیرد.
• علوم زمین‌شناسی: MATLAB برای تحلیل داده‌های زمین‌شناسی و مهندسی زمین، تحلیل داده‌های رادار و شبیه
• علوم اقتصادی: MATLAB برای تحلیل داده‌های مالی و اقتصادی، مدلسازی سیستم‌های مالی، طراحی و پیاده‌سازی سیستم‌های معاملاتی و غیره استفاده می‌شود.
• علوم فیزیکی: MATLAB برای مدلسازی و شبیه‌سازی سیستم‌های فیزیکی، حل مسائل مربوط به الکترودینامیک، نوری، مغناطیسی، اپتیک و غیره استفاده می‌شود.
• علوم روانشناسی: MATLAB برای تحلیل داده‌های روان‌شناختی، مدلسازی و شبیه‌سازی سیستم‌های روان‌شناختی و طراحی و پیاده‌سازی آزمایش‌های روان‌شناختی و غیره استفاده می‌شود.
• علوم بیولوژی: MATLAB برای تحلیل داده‌های بیولوژیکی، مدلسازی سیستم‌های بیولوژیکی، طراحی و پیاده‌سازی آزمایش‌های بیولوژیکی و غیره استفاده می‌شود.
• علوم کامپیوتر: MATLAB برای پردازش تصویر، شبیه‌سازی شبکه‌های عصبی، پردازش سیگنال‌های صوتی، پردازش متن و غیره استفاده می‌شود.

در کل، MATLAB یک ابزار بسیار قدرتمند است که در صنایع مختلف مورد استفاده قرار می‌گیرد. این نرم‌افزار به عنوان یک محیط محاسباتی و تحلیلی قدرتمند، به محققان و متخصصان می‌تواند در بسیاری از زمینه‌ها کمک کند و به دستیابی به نتایج بهتر و دقیق‌تر کمک کند.

نوشته کاربردهای نرم افزار متلب اولین بار در ايران متلب. پدیدار شد.

برای مشاهده لیست تمامی unit های پشیبانی شونده در نسخه متلب خود دستور زیر را در متلب وارد کنید.

> showunitslist

آموزش جامع سیمولینک simulink

نوشته مشاهده واحدهای پشتیبانی شونده در متلب اولین بار در ايران متلب. پدیدار شد.

مراحل کار :

1) پایتون را دانلود کنید و بر روی سیستم خود نصب کنید.

اگر در نصب پایتون مشکل دارید می توانید آموزش برنامه نویسی پایتون را مشاهده کنید.

2) سپس از طریق دستور pyenv تنظمیات زیر را انجام دهید.

مسیری جایی که فایل اجرایی پایتون قرار دارد را پیدا کنید و آنرا کپی بگیرید. سپس دستور زیر را در متلب وارد کنید :

pyenv(‘Version’,’C:\Software\software\python-3.8.11-h6244533_1\python.exe‘)

با این کار شما محا نصب پایتون را به متلب معرفی کردید.

اگر با پیغام زیر برخورد کردید یعنی کار درست انجام شده است :

ans =

PythonEnvironment with properties:

Version: “3.8”
Executable: “C:\Software\software\python-3.8.11-h6244533_1\python.exe”
Library: “C:\Software\software\python-3.8.11-h6244533_1\python38.dll”
Home: “C:\Software\software\python-3.8.11-h6244533_1”
Status: NotLoaded
ExecutionMode: InProcess

حال دستورات پایتون را می توانید در کدهای خود استفاده کنید :

py.list({‘This’,’is a’,’list’})

res = py.list({‘Name1′,’Name2′,’Name3’})

res.append(‘Name4’)

نوشته راهنمای برنامه نویسی پایتون در متلب اولین بار در ايران متلب. پدیدار شد.

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!

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.

لینک سفارش

.

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

Windows cannot be installed to this disk. The selected disk is not of the GPT partition style

یا

Windows cannot be installed to this disk The selected disk is of the GPT partition style FIX

خیلی از سایت ها روش های زیادی را برای حل این مشکل ارائه می دهند

مثل    تغییر BIOS type از  UEFI به legancy

مثل   Shift+f10 و دستورات diskpart  و convert gpt

مثل نصب برنامه EaseUS Partition Master که قابلیت اجرا به صورت boot را دارا می باشد و ویژگی های زیادی دارد که تنها در نسخه پولی آن میتواند این مشکل را حل کند. (یک جایگزین خوب برای EaseUS Partition Master استفاده از Disk managment خود ویندوز هست که کاملا رایگانه )

اما

روشی که برای من جواب داد و فکر کردم شاید به درد شخص دیگری هم بخورد را در اینجا مطرح می کنم.

من برای ساخت فلش نصب ویندوز از نرم افزار Rufus استفاده کردم.

این نرم افزار چیه؟ یک نرم افزار عالی و رایگان که برای شما فلش های قابل بوت می سازد.

یک بخش تنظیمات در این نرم فزار هست که اگر به فرمت هاردی که می خواهید ویندوز بر روی آن نصب شود، دقت نکنید خطای مورد نظر را می بینید.

لذا یک بار دیگر به نرم افزار Rufus برگردید و گزینه partition scheme را تغییر دهید و دوباره فلش نصب ویندوز را بسازید.

نوشته خطای نصب ویندوز اولین بار در ايران متلب. پدیدار شد.

یکی از مشکلاتی که در برنامه نویسی ممکن است به آن برخورد کنید، برخورد با کاراکتر ascii با کد 65279 می باشد.

این مشکل بیشر در هنگام خواندن فایلها رخ می دهد.

این مشکل ربطی به زبان برنامه نویسی شما ندارد در همه زبان های برنامه نویسی ممکن است رخ دهد.

این کاراکتر به اسم

zero-width no-break space

شناخته می شود و بیشتر هنگامی رخ می دهد که فایل شما به صورت
byte-order mark (BOM)
ذخیره شده باشد.

لذا کافی است که فایل خود را بدون این ویژگی ذخیره کنید.

مثلا فرض کنید من فایل زیر را می خوانم.

fid=fopen(‘retio.sr’,’r’);

با دستور زیر هر خط آنرا به ترتیب در یک حلقه می خوانم

tline = fgetl(fid)

فرض کنید عدد 1 در اولین خط آن قرار داشته باشد.

شما این خط را می خوانید و با کمال تعجب می بینید که چیزی که خواندید دارای 2 بعد می باشد.

بعد اول چیزی که خواندید همین کاراکتر اسکی 65279 می باشد.

اگر خروجی tline را چاپ کنید تنها عدد 1 را می بینید و این کد اسکی مخفی است.

برای دیدن این کد کافی است tline را به دستور double بفرستید.

نوشته این کاراکتر چیست؟ 65279 اولین بار در ايران متلب. پدیدار شد.

براي زبان انگليسي

https://youglish.com/

https://dictionary.video/

براي زبان آلماني

https://youglish.com/german

نكته جالب اين سايت در اين است كه شما بعد از جستجوي يك كلمه، تعداد زيادي ويدئو به عنوان نتيجه جستجو آورده مي شود.

در اين ويدئوها قسمتي كه اين كلمه گفته مي شود انتخاب شده است و شما بعد از كليك بر روي play ، آن كلمه را در يك جمله مي شنويد و در قسمت زيرنويس مي بينيد.

اين سايت به شما كمك مي كند كه تنها معني لغوي يك كلمه را ياد نگيريد بلكه يك كلمه را در جمله ياد بگيريد تا بهتر بتوانيد زبان مورد نظر خود را ياد بگيريد.

نوشته معرفي يك سايت يادگيري زبان اولین بار در ايران متلب. پدیدار شد.

چرا این آموزش ؟

در سالهای اخیر سیل علاقه مندان بسیار زیادی وارد بورس شده اند و برخی از آنها سودهای میلیاردی نصیب خود کرده اند. برخی از آنها به تحلیل های اقتصادی و تکنیکال بورس آشنایی دارند و می توانند روند تغییر قیمت در بورس را پیش بینی کنند. اما همه این دانش و توانایی را ندارند.

خبری در سایت CNN امده است که غول فناوری دنیا IBM ، یک سخت‌افزار ویژه برای استفاده از هوش مصنوعی در علم اقتصاد طراحی کرده است که نشان می دهد هوش مصنوعی چقدر می تواند به فعالین بورس کمک کند. 

یکی از ابزارهای بسیار پرکاربرد و مفید در جهان، هوش مصنوعی می باشد. هم اکنون ماشین های بدون راننده با کمک الگوریتم های هوش مصنوعی در خیابان های تعدادی از کشورهای دنیا در حال رفت و آمد هستند که نشان دهنده قدرت و کاربردی بودن هوش مصنوعی دارد. گروه ایران متلب بنا به تجربه طولانی خود با مدلهای مختلف هوش مصنوعی، تصمیم گرفت این آموزش منحصربفرد را تهیه و عرضه کند. برای تهیه این آموزش چندین پایان‌نامه ارشد و دکتری در رشته های اقتصاد و مهندسی و کامپیوتر مطالعه شده است.

سرفصل های آموزش :

(با توجه به انحصاری بودن این آموزش، سرفصل ها حذف شد، در آموزش اصلی که برای شما ارسال می شود، سرفصل ها کامل وجود دارند)

ما در قسمت برنامه نویسی هم از متلب و هم از پایتون استفاده کرده ایم.

لینک سفارش

نوشته بسته آموزشی جامع پیش بینی بورس با هوش مصنوعی اولین بار در ايران متلب. پدیدار شد.

نصب PHP

1. Visual C ++ Redistributable for Visual Studio 2015 را نصب کنید — این در نوار جانبی صفحه پی اچ پی برای ویندوز بارگیری پیوند دارد ، اما نوعی پنهان است. اگر این کار را نکنید ، به یک پیغام خطای نسبتاً رمزنگاری خواهید رسید ، VCRUNTIME140.DLL پیدا نشد و دستورات php کار نمی کنند.
2. PHP را برای ویندوز بارگیری کنید. من ترجیح می دهم از 7.4.x (نسخه فعلی) استفاده کنم ، بنابراین آخرین نسخه 64 بیتی غیر موضوع را با امنیت 7.1.x بارگیری کردم. نسخه فایل .zip نسخه VC14 x64 Non Thread Safe را با عنوان PHP 7.1 بارگیری کردم.
3. فایل zip را در مسیر C: \ PHP7 گسترش دهید. شما می توانید در هر مسیری که خواستید آنرا قرار دهید. لزومی بر این مسیر نیست.
4. پیکربندی پی اچ پی را برای اجرای صحیح در سیستم خود پیکربندی کنید:

در پوشه C: \ PHP7 پرونده php.ini-develop را به php.ini تغییر دهید.
پرونده php.ini را در یک ویرایشگر متن ویرایش کنید (به عنوان مثال Notepad ++ ، Atom یا Sublime Text).

در پوشه C: \ PHP7 پرونده php.ini-develop را به php.ini تغییر دهید.
تنظیمات زیر را در پرونده تغییر داده و پرونده را ذخیره کنید:
حافظه را از 128M به 1G تغییر دهید (زیرا composer می تواند از حافظه زیادی استفاده کند!)
خطی زیر را فعال کنید :

; extension_dir = “ext”

; را از اول خط حذف کنید تا این خط فعال شود.

اگر می خواهید یک افزونه بارگیری شود ، از موارد زیر استفاده کنید
نحو:

پسوند = نام ماژول

extension=modulename

مثلا:

extension = mysqli

در قسمتی که دسته ای از extension= lines وجود دارد ، خطوط زیر را لغو کنید:

extension=gd2

extension=mbstring

extension=openssl

extension=pdo_mysql

extension=curl

extension=pdo_sqlite

این کاملا به شما بستگی دارد که چه extension های نصب شود. متناسب با کاربردتون.

C: \ PHP7 را به مسیر سیستم Windows خود اضافه کنید

کنترل پنل سیستم را باز کنید.
روی “تنظیمات پیشرفته سیستم” کلیک کنید.
بر روی دکمه “متغیرهای محیط …” کلیک کنید.
بر روی سطر مسیر در زیر “متغیرهای سیستم” کلیک کرده و روی “ویرایش …” کلیک کنید.
بر روی “New” کلیک کرده و ردیف C: \ PHP7 را اضافه کنید.
روی OK ، سپس OK ، سپس OK ، کلیک کنید و از کنترل پنل System خارج شوید.

برای تست نصب در cmd دستور زیر را وارد کنید:

php -v

اگر نصب درست باشد نسخه PHP نصب شده را نشان می دهد. در غیراینصورت نصب را درست انجام ندادید.

نصب Composer

Windows Installer for Composer را دانلود کنید و آن را اجرا کنید.

نوشته نصب PHP و composer در ویندوز 10 اولین بار در ايران متلب. پدیدار شد.