آموزش مهندسی مکانیک

تمرین ها و کوییز های take home درس دینامیک سیالات محاسباتی ۱ CFD - دکتر اصفهانیان

استاد هوش مصنوعی شو آکادمی هوافضا برگزار می‌کند؛ 💥 آموزش‌های جامع و کاربردی برنامه‌نویسی و هوش مصنوعی ☀️ویژه تابستان ☀️ جزئیات دوره‌ها: ✅ برنامه نویسی با پایتون ✅ یادگیری ماشین ✅ یادگیری عمیق ✅ یادگیری عمیق (پیشرفته پروژه محور) ✅ یادگیری تقویتی 🧨 تخفیف: 20٪ تخفیف ثبت‌نام دو دوره همزمان 25٪ تخفیف ثبت‌نام گروهی (2نفره) اطلاعات بیشتر: 👨‍💼 @Aeroeng_support ☎️ 09904971575 کانال‌های آموزشی: @Aerospace_Course @Aero_Eng

اینم در نظر داشته باشید که علم همیشه با آزمون و خطا پیشرفت کرده. نه با تکرار مکررات. شاید اصلا شما این کار رو کردین و نتیجه نگرفتین برای کارتون.

اما از نظر خود من دلیل این که از مسائل بهینه سازی کلاسیک زیاد استفاده میشه به خاطر قابل درک و راحت تر بودنشه و همینطور این نوع مسائل به متعدد استفاده شده و عمومیت بهش آشنا هستن. وگرنه برای مسائل پیچیده تر به عنوان بهینه سازی جواب نمیده و صرفا به عنوان یه هزینه اضافی میشه بهش نگاه کرد. اگر قبلاً با مسائل کلاسیک کار کردین الان وقتشه تمرکزتون رو صرفاً بزارید روی مسائل و متد جدید. و اگر هم میخواید مسئله ای روش یه الگوریتم بهینه سازی پیاده کنید بهتره سمت متدهای جدید برید. شاید زمانبر باشه ولی نتیجه کارتون ارزشمندتر خواهد بود. باز این نظر شخصیه، ممنون میشم نظرات خودتون و تجربیات خودتون رو باهامون به اشتراک بزاری

برای مسائل ما بهینه سازی های کلاسیک مثل الگوریتم ژنتیک بهتره یا متدهای جدید مثل یادگیری تقویتی و ...؟ انتخاب بین الگوریتم ژنتیک و یادگیری تقویتی بستگی به مسئله خاصی دارد که می‌خواهید حل کنید، زیرا هر کدام نقاط قوت و ضعف خاص خود را دارند: ### الگوریتم ژنتیک - مزایا: - ایده‌آل برای مسائل بهینه‌سازی با فضای جستجوی بزرگ و پیچیده. - انعطاف‌پذیر و قادر به یافتن راه‌حل‌های نزدیک به بهینه حتی با تعداد زیادی پارامتر. - نیاز به مدل ریاضی دقیق ندارد؛ تنها یک تابع ارزیابی برای سنجش کیفیت راه‌حل‌ها کافی است. - معایب: - می‌تواند زمان‌بر باشد، به خصوص برای مسائل بزرگ. - تضمینی برای یافتن راه‌حل بهینه مطلق وجود ندارد؛ ممکن است به یک نقطه بهینه محلی برسد. ### یادگیری تقویتی - مزایا: - مناسب برای مسائل پویا که در آن‌ها تصمیم‌گیری‌ها باید در یک سری مراحل انجام شود. - قادر به یادگیری از تعاملات مکرر با محیط و بهبود عملکرد با گذشت زمان. - کاربرد گسترده در زمینه‌های مختلف از جمله بازی‌های کامپیوتری، کنترل ربات‌ها و مدیریت منابع. - معایب: - نیاز به زمان و منابع محاسباتی زیادی برای آموزش بهینه. - ممکن است به مشکل «اکتشاف-بهره‌برداری» برخورد کند، یعنی پیدا کردن توازن بین کشف راه‌حل‌های جدید و بهره‌برداری از راه‌حل‌های موجود. - پیچیدگی تنظیم پارامترها و طراحی معماری مناسب برای شبکه‌های عصبی (در موارد استفاده از یادگیری عمیق تقویتی). ### مقایسه کلی - اگر مسئله شما به یک فضای جستجوی بزرگ و پیچیده مربوط می‌شود و مدل‌سازی ریاضی دقیقی ندارید، الگوریتم ژنتیک ممکن است مناسب‌تر باشد. - اگر مسئله شما به تصمیم‌گیری در طول زمان و تعامل مستمر با محیط نیاز دارد، یادگیری تقویتی انتخاب بهتری است. در نهایت، تصمیم باید بر اساس نیازها و ویژگی‌های خاص مسئله شما گرفته شود.

در این ویدیو یک روش جالب و ساده برای جستجو همزمان در متن تعداد زیادی فایل pdf توضیح داده شده این روش رو در نرم افزارهای مختلف مثل Acrobat reader یا Foxit می تونید استفاده کنید.

چند تا پست بعدی در مورد نحوه پیاده سازی کنترلر PID در شرایط مختلف هست:

پکیج پایتون برای تبدیل pdf به word فارسی این پکیج از Tesseract OCR برای تشخیص متن در فایل های PDF استفاده میکنه... گیتهاب | pypi

دوره های آمادگی بازار کار 👆👆👆👆👆

🔥قطعی شد🔥 نقشه خوانی industrial drawing 🗓جمعه ها از 22 تیر ⏰8 ساعت  590 هزار تومان 👤توضیحات مدرس دوره 👉کلیک 🎥 فیلم وبینار رایگان آموزشی 👉کلیک ✅لینک ثبت نام👉🏻کلیک 📌مشاوره و ثبت نام: 👩🏻@parspajouhaan_materials ☎️021-88322992(106) وبسایت / کانال تلگرام / اینستاگرام