پروژه‌های هوش مصنوعی AI

پیشنیاز پروژه : آشنایی با هوش مصنوعی و ML ، زبان برنامه نویسی پایتون، کار با Pygame یا Tkinter یا Unity و یا هر محیط دیگری که بتواند پیاده سازی که در قسمت بعد توضیح داده شده را انجام دهد. آشنایی با الگوریتم DDQN یا PRM و یا الگوریتم های مسیر یابی موجود Reinforcement Learning، جهت استفاده برای حرکت ماشین ها. توضیحات پروژه : برا مشخص شدن قسمت های کار و پیشروی راحت تر، کار را به ۳ بخش تقسیم کردیم. در نهایت فایل پیاده سازی قسمت ۱ و ۲ که انجام شده را هم در اختیارتان قرار میدیم ولی این بدان منظور نیست که باید از این پیاده سازی استفاده کنید. میتوانید همین پروژه را تکمیل کنید و میتوانید به هر روش دیگری که میخواهید انجام دهید، مهم خروجی در نظر گرفته شده هست. بصورت کلی پروژه حرکت چند ماشین را نشان میدهد که یکی از ماشین ها هوشمند هست و هنگامی که بین چندین ماشین قرار بگیرد و راه خروج ندارد با استفاده از فرمولی که به شما میدهیم ماشین تصمیم میگیرد با یکی از ماشین ها که ضریب خسارت کمتری دارد تصادف کند. بخش اول : در این بخش یک محیط ( که درون آن جاده هست ) را برای حرکت ماشین ها در نظر میگیریم و سپس یک ماشین را درون جاده قرار میدهیم، بصورتی که درون جاده حرکت میکند و با استفاده از یکی از الگوریتم های RL ( بعنوان مثال DDQN ) جاده را تشخیص میدهد و سعی میکند در جاده حرکت کند و درصورت برخورد تابع ریوارد را دریافت کند و لرن کند . بخش دوم : چندین ماشین دیگر به محیط اضافه شوند. این دسته از ماشین ها هوشمند نیستند ( فقط یکی از ماشین ها که در قسمت اول گفته شد بعنوان ماشین اصلی در نظر گرفته شده که هوشمند هست ). این نوع ماشین ها فقط باید در مسیر جاده حرکت کنند و هر کدام با یک سرعت متفاوت حرکت کنند. پیشنهاد میشود در این بخش بدین گونه عمل کرد که کلاسی که برای این دسته از ماشین ها تعریف میشود قابلیت این را داشته باشند که در هر زمان بتوان موقعیت بعدی را مشخص کرد. بعنوان مثال در لحظه ی T0 و در موقعیت X0 قرار داشته باشد و در لحظه ی T1 در موقعیت X1 و ... علت این کار را هم در مرحله ی بعد متوجه میشوید. بخش سوم : در این بخش باید شرایطی پیش بیاید که ماشین هوشمند بین چند ماشین دیگر و جاده قرار بگیرد بصورتی که از همه ی جهت ها هیچ راهی برای عبور ماشین هوشمند نباشد و ماشین هوشمند مجبور باشد با یکی از ماشین ها برخورد کند. در همین موقعیت با فرمولی که به شما تحویل میدهیم ماشین هوشمند تصمیم میگیرد که با کدام ماشین برخورد داشته باشد. علت مشخص کردن زمان و مکان در بخش دوم که توضیح دادم برای راحتی کار در همین بخش هست که بتوانیم حرکت ماشین های دیگر را تعیین کنیم و موقعیت تصادف را بوحود بیاوریم، در غیر این صورت از نظر بنده کار پیچیده میشود. حال برای این مورد هم تصمیم بر عهده ی مجری کار است. مهم خروجی مورد نظر هست. در انتهای کار چندین شکل از پیاده سازی که انجام شده برای هر بخش قرار داده شده، این برای فهم و درک بهتر از خروجی مورد نظر هست و مجری کار میتواند از کتابخانه و زبان و ... که راحت تر هست استفاده کند. مهم خروجی کار هست.

سلام  موضوع پروژه کاری من شناسایی و موقعیت یابی الیاف غریبه در سطح پنبه هستش و برای من مهمه که بتونم فقط در سطح پنبه این موارد رو شناسایی کنم. این الیاف نخ های پلاستیکی سفید رنگ هستند که با پنبه هم تقریبا هم رنگه و برام مهمه که این نخ های سفید پلاستیکی روی پنبه را به من معرفی کنه و مختصات  اون جسم رو در طول و عرض اون تصویر به من در یک فایل اعلام کنه و من بدونم که در یک تصویر چند جسم وجود داره و مقدارش رو با دید واقعی انسان مقایسه کنم. حدود 500 عدد عکس برای آموزش تهیه شده است از فاصله پانزده سانتی متری و ابعاد تصویر خروجی هم دقیقا باید با همان عکس ورودی یکی باشد. از دوربین گوشی استفاده شده است. در انتها هم قصد دارم تصاویر به صورت زنده از گوشی با  همان جایگاهی که عکس تهیه شده دریافت بشه و من اگر ده تا نخ  پلاستیکی سفید روی پنبه قرار دادم این سیستم بتونه به صورت زنده تشخیص و موقعیت یابی رو انجام بده. این پروژه طبق تعریف از قبل باید فقط با متلب انجام بشه حالا شبکه عصبی یا هر راه دیگری و کد نویسی باید به صورتی باشد که در ورژن های پایین متلب هم بتوانم جواب بگیرم. کد ها باید بخش به بخش یک توضیح کلی درباره آن در همان متلب داده شود تا مخاطب بداند در این بخش قرار است چه اتفاقی رخ دهد. استاد بنده گفته حتما باید در متلب انجام بدهی ، من میدونم در محیط های دیگه خیلی راحت تره ولی فعلا مجبورم پس لطفا عزیزانی که قصد همکاری دارند پیام بدهند. ضمنا دوتا عکس نمونه ارسال کردم کیفیت از طریق سایت کاهش یافته است. داده اصلی خیلی کیفیت دارد. ممنونم

با سلام. من یک سری نقاط دارم (شبکه ابری) که میتوان آنها بر اساس یک عکس که به عنوان رفرنس باید در شبکه استفاده کنم, شبکه بندی کرد. یک مقاله نیز وجود دارد و همراه با کد که میخواهم روی داده من اجرا شود. نیاز به هماهنگ کردن یا تغییر کد برای این هماهنگی وجود دارد. دانش بالا در برنامه نویسی و پایترچ به شدت مورد نیاز هست و متاسفانه زمان فقط 7 الی 8 روز وجود دارد

پروژه در منطق فازی است در رشته هوش مصنوعی

باسلام به شخصی جهت انجام مدلسازی ریاضی دو سطحی و مدلسازی شبکه اجتماعی با مفهوم گیم تئوری نیازمندیم.    

پروژه درسی بینایی ماشین با هدف train کردن یک شبکه عصبی در زبان پایتون به منظور: 1- مکان یابی و طبقه بندی مهره های شطرنج 2- یافتن گوشه های صفحه شطرنج 3- نمایش گرافیکی مهره ها در یک صفحه استاندارد جزئیات بیشتر در فایل ضمیمه آمده است.

لرنینگ دیتاست توسط الگوریتم های شبکه عصبی یا ماشین لرن با accuracy بالای 85 درصد و استخراج شبکه یادگیری شده و تبدیل به پاین اسکریپت . پروژه شفاف و فوری می باشد . بنده banker هستم و به اطلاعات اشراف دارم

چند تا فرمول ریاضی هست که باید در پایتون هوش مصنوعی پیاده شه

با سلام و احترام ، با توجه به عنوان پروژه اعلام شده، نیاز است به کمک چند الگوریتم یادگیری ماشین و در نظر گرفتن معیارهایی مانند پهنای باند در شبکه SD-WAN باعث بهبود عملکرد شبکه بشود. با استفاده از OpenAi-Gym  و Mininet  . https://towardsdatascience.com/open-ai-gym-for-sd-wan-link-selection-fe7dac671172 https://towardsdatascience.com/sd-wan-link-switch-as-reinforcement-learning-experiment-with-deep-q-learning-7a39cd1e8722 https://github.com/amitnilams برای راهنمایی بیشتر میتوانید به لینک های بالا مراجعه کنید چون میتواند بیس کار قرار گیرد و ایده ای برای پیاده سازی الگوریتم های دیگر باشد. ممنون از توجه شما

سلام، تألیف و چاپ یک مقاله isi wos در مجلات معتبر با ایمپکت بالا در زمینه برق الکترونیک یا پردازش تصویر یا شبکه عصبی یا هوش مصنوعی یا یادگیری عمیق.

نیاز به متخصص NLP(ترنسفرمر) جهت کلاس بندی(classification) داده و پیش‌بینی کلاس ورودی پروژه شخصی و صنعتی هست دیتا ست ذاتا نرمال هست و آماده کار و با توجه به کمبود وقت فقط از متخصصینی که در این بخش فعالیت حرفه‌ای داشتند یا توانایی انجام آن در بازه زمانی کوتاه را در خود میبینند دعوت به همکاری می‌شود.

پروژه سیستم پمپ آب هوشمند است که به صورت softAP با برد NodeMcu esp8266 و اپلیکیشن اندرویدی گوشی انجام میگردد. این سیستم شامل چهار ظرف بوده که هر کدام به شیر برقی متصل به رله چهار کاناله با قابلیت برنامه ریزی زمانی ( 24 ساعته و هفتگی برای هر کدام از رله ها) بوده و خروجی شیرها به یک پمپ برقی متصل خواهند بود که جریان و حجم این پمپ بوسیله فلومتر YFS401 و درایور موتور L298 تنظیم و پایش میشود.