Control Engineering

C++ for Robotics @ControlEngineering98

توی سایت TheConstruct دوره های مبتدی برای لینوکس و پایتون هست که رایگانه

‍ Want to Become a Job-Ready Robotics Developer? Master these essential skills: 🔍 Step 1: Basic CS Knowledge * Linux * Python3 * Basic math (high school level) 🔍 Step 2: Foundation Skills for Robot Programming * C++, in-depth * Git version control * Basics of ROS2 * Robot simulations 🔍 Step 3: Create Your Own Robot * Build a wheeled robot * Set up with ROS2, program, and test the robot to validate your skills 🔍 Step 4: Advanced Robot Control Programming * Robot navigation * Robot perception * Robot manipulation * Add control to robot motors 🔍 Step 5: Robotics Theory Basics * Mobile & arm kinematics * Kalman filters * Robot dynamics & control Path planning algorithms 🔍 Step 6: Development Tools for Robotics Teamwork * Docker * Jenkins * Unit tests * Functional tests * Continuous integration 🔍 Extra Skills: * ROS1 (still widely used) * Web development for robot interfaces If you're looking for a guided program, check out the Robotics Developer Masterclass (https://lnkd.in/dhfn5zCN) where you'll be guided from zero to Robotics Developer and land a job at a robotics company. @ControlEngineering98

✔️ معرفی #منابع پیشنهادی برای #یادگیری_عمیق قدم اول برای یادگیری عمیق #یادگیری_ماشین #پردازش_زبان_طبیعی #هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی #منابع ✅1 - فراگیری مفاهیم مقدماتی یادگیری ماشین مباحث آموزشی دکتر هینتون و بنجیو و لکون 👈 لینک ✅ فیلم های اموزشی یادگیری ماشین و یادگیری عمیق دکتر رضوی 👈 لینک ✅ تسلط بر مباحث برنامه نویسی پایتون و کار با تنسرفلو وکراس ✅ تسلط بر مباحث ریاضیات و جبر از دانشگاه MIT 👈 لینک ✔️ معادلات ماتریسی یادگیری عمیق دانشگاه کالیفرنیا جنوبی 👈 لینک ✔️ استفاده از سایت بسیار مشهور که به وسیله پژوهشگران برتر هدایت میشود fast.ai 👈 لینک 📚 2 - مطالعه منابع عمیق دانشگاه ها و... یادگیری عمیق دانشگاه آکسفورد 👈 لینک 👈 لینک ۲ 👈 لینک ۳ 🖋فیلمهای این دانشگاه ❌ آموزش های شبکه ای کانولوشن و یادگیری ماشین و... ⁉️ لینک ❌ وبسایتی که آموزشها و مقالات را از سال ۲۰۱۲ تا ۲۰۱۶ قابل دسترس است ⁉️ لینک ❌ شبکه عصبی کانولوشن برای تشخیص بصری ⁉️ لینک ❌ پردازش زبان طبیعی برای یادگیری ماشین ⁉️لینک ❌ مدرسه تابستانی یادگیری عمیق مونترال ⁉️ لینک ۱ ⁉️ لینک ۲ ❌ شبکه کانولوشن عصبی و شبکه عصبی ⁉️ لینک 🔍 یادگیری شبکه های عصبی جفری هینتون کورسرا 📘 کلاس شبکه های عصبی دانشگاه اوشربروک کانادا 👈لینک 📕منابع یادگیری ماشین دانشگاه کالتک برای یادگیری نظری ها 👈 لینک 📘 3- معرفی کتابها Neural Networks and Deep Learning Book by Michael Nielsen Deep Learning Book by Ian Goodfellow, Yoshua Bengio and Aaron Courville 📘 4- سایر منابع CS231n Convolutional Neural Networks for Visual Recognition University of Stanford Getting Started in Computer Vision by Mostafa S. Ibrahim he focus on GPU and ... 🗓 پردازش زبان طبیعی دانشگاه استنفورد 👈 لینک 👈لینک ۲ 🗓 مطالعه مقاله درمورد حافظه شبکه 👈 لینک 📘 مطالعه مقاله پایه ای حافظه شبکه و NLP 👈 لینک ویدیوهای شرکت DeepMind 👈 لینک ❇️ یادگیری عمیق تقویتی 👈 لینک کتابهای ❇️ فهم یادگیری LSTM 👈 لینک ❇️ اثر بخشی ناعادلانه RNN 👈 لینک ✔️ مدل های تولیدی ✅ مقاله جهت یادگیری مدلهای GANs 👈لینک ✅ یادگیری مدل VANs 👈 لینک ✅ مقاله نوشته شده دکتر Ian Goodfellow در مورد GAN 👈 لینک ✅ مقاله نوشته شده LAPGAN 👈 لینک ✅ مقاله نوشته شده در مورد DCGAN 👈لینک مقاله 👈 لینک کدها ✅ استفاده از روش DCGAN برای تصاویر کیفیت بالا 👈 لینک ✅ فیلم های یادگیری عمیق برای پردازش تصویر 👈 لینک 🌐 ساخت پروژه 👈 لینک دیتا 🌐 شناسایی و طبقه بندی تصاویر 👈 لینک ۱ 👈 لینک ۲ 🌐 تحلیل احساسات با استفاده از RNN 👈لینک و با استفاده از CNN 👈 لینک 🌐 کاربرد الگوریتم عصبی سبک هنری 👈لینک 🌐 ساخت موسیقی با استفاده از RNNs 👈 لینک 🌐 ساخت بازی پینگ پونگ با استفاده از یادگیری عمیق تقویتی 👈 لینک ✳️ استفاده از شبکه عصبی Rate a selfie 👈 لینک ✳️ استفاده از رنگ عکسهای سیاه و سفید با استفاده از یادگیری عمیق 👈 لینک ✳️ سایر منابع یادگیری عمیق از پژوهشگران برتر کارپاتی 👈 لینک مقالات ✳️ لینک یادگیری عمیق دانشگاه استنفورد 👈 لینک ۱ 👈 لینک ۲ ✳️ یادگیری عمیق 👈 لینک 🔔@AI_Python

مقایسه: • داده‌های لیبل‌دار: یادگیری نظارت‌شده و نیمه‌نظارت‌شده از داده‌های لیبل‌دار استفاده می‌کنند، در حالی که یادگیری بدون نظارت و خودنظارت‌شده از داده‌های بدون لیبل بهره می‌برند. • تعامل با محیط: یادگیری تقویتی بر اساس تعامل با محیط و دریافت پاداش یا جریمه است، در حالی که سایر روش‌ها به داده‌های ثابت متکی هستند. • تقلید از کارشناس: یادگیری تقلیدی بر اساس تقلید از رفتار یک کارشناس است، در حالی که سایر روش‌ها به داده‌های گذشته یا تعامل با محیط متکی هستند. • دسترسی به داده‌های جدید: یادگیری آفلاین پس از آموزش به داده‌های جدید دسترسی ندارد، در حالی که سایر روش‌ها ممکن است به داده‌های جدید دسترسی داشته باشند. • شبکه‌های عصبی: یادگیری عمیق از شبکه‌های عصبی چندلایه برای استخراج ویژگی‌های پیچیده استفاده می‌کند، در حالی که سایر روش‌ها ممکن است از تکنیک‌های ساده‌تری استفاده کنند. @ControlEngineering98

۱. یادگیری با نظارت‌ (Supervised Learning): • توضیح: در این روش، مدل با استفاده از داده‌های لیبل‌دار آموزش می‌بیند. هر نمونه داده شامل ورودی و خروجی مورد انتظار است. هدف مدل، یادگیری رابطه بین ورودی‌ها و خروجی‌ها برای پیش‌بینی خروجی‌های جدید است. • کاربردها: تشخیص محتوای تصویر، طبقه‌بندی ایمیل‌ها به عنوان اسپم یا غیر اسپم، پیش‌بینی قیمت سهام. • مثال: یک مدل یادگیری نظارت‌شده می‌تواند با استفاده از تصاویر لیبل‌دار گربه‌ها و سگ‌ها آموزش ببیند و سپس تصاویر جدید را به درستی طبقه‌بندی کند. ۲. یادگیری بدون نظارت (Unsupervised Learning): • توضیح: در این روش، مدل با استفاده از داده‌های بدون لیبل آموزش می‌بیند. هدف اصلی، کشف الگوها یا ساختارهای پنهان در داده‌ها است. خوشه‌بندی و کاهش ابعاد از جمله تکنیک‌های رایج در این روش هستند. • کاربردها: تحلیل بازار، تشخیص ناهنجاری‌ها(anomaly detection)، فشرده‌سازی داده‌ها. • مثال: الگوریتم خوشه‌بندی K-means می‌تواند مشتریان یک فروشگاه را بر اساس رفتار خریدشان به گروه‌های مختلف تقسیم کند. ۳. یادگیری نیمه‌نظارت‌شده (Semi-Supervised Learning): • توضیح: این روش ترکیبی از یادگیری نظارت‌شده و بدون نظارت است. مدل با استفاده از تعداد کمی داده لیبل‌دار و تعداد زیادی داده بدون لیبل آموزش می‌بیند. این روش زمانی مفید است که لیبل‌گذاری داده‌ها هزینه‌بر یا زمان‌بر باشد. • کاربردها: تشخیص گفتار، ترجمه ماشینی، تحلیل احساسات. • مثال: یک مدل نیمه‌نظارت‌شده می‌تواند با استفاده از تعداد کمی از نظرات لیبل‌دار مشتریان و تعداد زیادی نظرات بدون لیبل، احساسات مشتریان را تحلیل کند. ۴. یادگیری خودنظارت‌شده (Self-Supervised Learning): • توضیح: در این روش، مدل از داده‌های بدون لیبل برای تولید لیبل‌های مصنوعی استفاده می‌کند و سپس با استفاده از این لیبل‌ها آموزش می‌بیند. این روش به مدل‌ها کمک می‌کند تا از داده‌های بزرگ بدون نیاز به لیبل‌گذاری دستی بهره‌برداری کنند. • کاربردها: پردازش زبان طبیعی، تشخیص محتوای تصویر، تولید متن. • مثال: مدل‌های زبان بزرگ مانند GPT از یادگیری خودنظارت‌شده برای پیش‌بینی کلمات بعدی در یک جمله استفاده می‌کنند. ۵. یادگیری تقویتی (Reinforcement Learning): • توضیح: در این روش، مدل با تعامل با محیط و دریافت پاداش یا جریمه آموزش می‌بیند. هدف مدل، یادگیری سیاستی است که بیشترین پاداش ممکن را در طول زمان به دست آورد. این روش در بازی‌ها و رباتیک بسیار کاربرد دارد. • کاربردها: بازی‌های کامپیوتری، کنترل ربات‌ها، مدیریت منابع. • مثال: الگوریتم یادگیری تقویتی Deep Q-Learning می‌تواند یک عامل را آموزش دهد تا در بازی‌های ویدیویی مانند آتاری به بهترین عملکرد برسد. ۶. یادگیری تقلیدی (Imitation Learning): • توضیح: در این روش، مدل با تقلید از رفتار یک کارشناس آموزش می‌بیند. مدل تلاش می‌کند تا اقدامات کارشناس را بدون نیاز به درک ساختار پاداش تکرار کند. این روش زمانی مفید است که تعریف پاداش دشوار باشد یا رفتار کارشناس به راحتی در دسترس باشد. • کاربردها: رانندگی خودکار، رباتیک، بازی‌های کامپیوتری. • مثال: یک ربات می‌تواند با مشاهده و تقلید از حرکات یک انسان، وظایف پیچیده‌ای مانند مونتاژ قطعات را انجام دهد. ۷. یادگیری آفلاین (Offline Learning): • توضیح: در این روش، مدل با استفاده از داده‌های قبلی آموزش می‌بیند و پس از آموزش، دیگر به داده‌های جدید دسترسی ندارد. این روش برای کاربردهایی مناسب است که داده‌های جدید به صورت مداوم در دسترس نیستند یا مدل باید به صورت آفلاین عمل کند. • کاربردها: پیش‌بینی تقاضا، تحلیل مالی، تشخیص تقلب. • مثال: یک مدل یادگیری آفلاین می‌تواند با استفاده از داده‌های فروش گذشته، تقاضای آینده را پیش‌بینی کند. ۸. یادگیری عمیق (Deep Learning): • توضیح: یادگیری عمیق یکی از زیرشاخه‌های یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با چندین لایه استفاده می‌کند. این روش به مدل‌ها امکان می‌دهد تا ویژگی‌های پیچیده و انتزاعی را از داده‌ها استخراج کنند. • کاربردها: تشخیص محتوای تصویر، پردازش زبان طبیعی، تشخیص گفتار، بازی‌های کامپیوتری. • مثال: شبکه های عصبی عمیق می‌توانند تصاویر را تحلیل کرده و اشیاء مختلف را در آن‌ها شناسایی کنند. @ControlEngineering98

کتاب مجموعه سوالات کنکور ارشد مهندسی برق مدرسان شریف از سال ۹۳‌ تا ۱۴۰۱ با قیمت مناسب به فروش میرسد. مخصوص متقاضیان شرکت در ازمون کارشناسی ارشد جهت اطلاعات بیشتر با آیدی زیر در ارتباط باشین باتشکر @Pouria_aali

🇺🇸 PhD Position, Stony Brook University, USA • Electrical Engineering (with a strong focus on power systems or power electronics) • Energy Systems Engineering • Control Systems Engineering • Computer Science (with a focus on power systems modeling or control) 👨‍🏫 Dr. Peng Zhang One PhD position available: Our lab has a new PhD position for developing holistic distribution-microgrid solutions to (1) enhancing grid resilience and (2) converting renewables into reliable resilience resources. Proven records in power systems or power electronics research (e.g., >1 publication in top journals or flagship conferences) are required. If you are interested, please send me your resume at p.zhang@stonybrook.edu. سفارش خدمات از طریق سایت: 🌐 AzarApply.ir 🆔 @AzarApply

آگهی استخدامی شرکت تراکتورسازی 🔷 تبریز 🔺مهندسی برق : تمام گرایش‌ها 🔺جنسیت: آقا یا خانم 🔺مقطع تحصیلی: کارشناسی ارشد یا دکتری

🎓پوزیشن فول فاند دکترا در دانشگاه ایالتی سن دیگو🇺🇲 ❗این پوزیشن توسط خانم دکتر زهرا نیلی احمدآبادی ارائه شده است. 🔹موضوع: مکانیک یا برق، کنترل سیستمهای رباتیک 🌐اطلاعات کامل @ControlEngineering98

توجه داشته باشید که علم و صنعت دوباره این لیست رو پاک‌کرده؛ احتمالا مشکلی تو سایتشون پیش اومده و‌ دوباره آپلود خواهند کرد.

شایان ذکر است نتایج آزمون ارشد برای دانشگاه هایی که مصاحبه حضوری دارند برای انجام مصاحبه زودتر اعلام میشود.