مبانی مهندسی کنترل

شرکت سوئدی innenco اخیراً از مفهوم جدیدی از ساختمان هوشمند استفاده کرده است که می‌تواند به طور قابل توجهی مصرف انرژی در ساختمان‌ها را کاهش دهد.

این مفهوم جدید از انرژی که در سوئد طراحی شده‌است را می‌توان به ساختمان‌های جدید و قدیمی اعمال کرد و در حدود 85 درصد از مصرف انرژی ساختمان‌ها را کاهش داد.

شرکت Innenco، یا "مفهوم انرژی نوآورانه"، از سیستم‌های عناصر فعال، پمپ‌های حرارتی، چیلرها  و صفحات خورشیدی استفاده می‌کند.

این شرکت قبلاً این سیستم را در خانه‌ها، مدارس و چندین ساختمان صنعتی در اروپا آزمایش کرده است و قصد دارد در سطح جهان گسترش دهد.
 

 پیدا کردن استاد و دانشگاه برای اپلای به عوامل و فاکتورهای متفاوتی بستگی دارد که در ادامه در  5 گام و به عنوان نمونه روش پیدا کردن آن را بیان خواهیم کرد.

گام اول 
 اولین روش برای پیدا کردن دانشگاه، استفاده از سایت های رتبه بندی دانشگاه ها است. برای این کار فهرست همه دانشگاه ها در رشته مورد نظرتان از سایتهای رتبه بندی معتبر مانند topuniversities و  Times Higher Education's و US News قابل دستیابی است.

 در صورتی که از این طریق نتوانستید رشته مورد نظر خود را پیدا کنید و یا به دنبال روش دیگری هستید، می توانید از گوگل جستجوی کنید. برای اینکار می توانید جمله ای مانند جمله زیر را در گوگل جستجو نمایید.
  graduate programs + نام کشور مورد نظر + نام رشته مورد نظر 

 به عنوان نمونه برای رشته علوم کامپیوتر در کانادا می توان رشته Graduate programs in Computer Science in Canada را جستجو کرد. 

 گام دوم
 بعد از پیدا کردن فهرست و اسامی دانشگاه های رشته شما، این اسامی را براساس رتبه آن، اولویت بندی نمایید. به طور مثال اگر قصد دارید برای 10 دانشگاه اپلای کنید به معدل و رزومه خود توجه داشته باشید. این انتخاب های شما باید به گونه ای باشد که پذیرش شما برای انتخاب های آخر حتمی باشد.

 اگر از رزومه خوبی برخوردار هستید:
🔹 دو دانشگاه با رتبه زیر 30
🔹 سه دانشگاه با رتبه 30 تا 80 
🔹 سه دانشگاه با رتبه 80 تا 150 
🔹 دو دانشگاه با رتبه 150 به بالا را انتخاب کنید.

 اگر از رزومه متوسطی برخودار هستید: 
🔹 دو دانشگاه با رتبه ای بین 20 تا 100
🔹 سه دانشگاه با رتبه ای در حدود 100 تا 200 
🔹 چهار دانشگاه با رتبه 200 تا 300 
🔹  یک دانشگاه با رتبه 300 به بالا را انتخاب کنید.

 این ارقام و تعداد دانشگاه های نسبی هستند و بالطبع هرچه تعداد دانشگاه ها، علایق و مقدار هزینه شما بیشتر شود و هرچه تعداد مکاتبات شما بیشتر باشد شانس بالاتر و تعداد پذیرش بالا تری را خواهید داشت.

گام سوم
بعد از انتخاب دانشگاه و اولویت بندی آنها، به جستجو و بررسی دقیق سایت دانشگاه و دانشکده مربوطه بپردازید. ساده ترین روش جستجوی از طریق گوگل است. بدین منظور می توانید از یک عنوان مانند جمله زیر استفاده کنید:
 Undergraduate or Graduate admission requirements  +  نام دانشگاه   +   نام دانشکده  

 گام چهارم
 تا این مرحله ما به جمع آوری و تهیه فهرست دانشگاه های مختلف و شرایط پذیرش آنها پرداختیم. در گام بعدی به یافتن اساتید مرتبط می پردازیم. با کمی جستجو از طریق سایت دانشگاه و دپارتمان مربوطه می توان لیست همه اساتید را پیدا کرد. سپس نام و  آدرس ایمیل اساتید مرتبط با لینک صفحه شخصی یا آزمایشگاه آنها را در یک فایل اکسل ذخیره کنید. 
 البته راه ساده تر مانند گام های قبلی، جستجو از طریق گوگل می باشد و به عنوان نمونه می توانید از ساختار زیر استفاده نمایید:
 Faculty + نام دانشگاه + نام دانشکده

 به عنوان نمونه مانند جمله york university physics faculty

 گام پنجم
 در نهایت با تکمیل نام و فهرست اساتید و دانشگاه برای رشته ی خود، فرآیند مکاتبه را آغاز کرده و رزومه و ایمیل خود را برای اساتید ارسال نمایید. با هر استادی که مکاتبه می کنید و به آن ایمیل می زنید در داخل اکسل خود ثبت کنید.  بعد از یک  تا دوهفته از هر ایمیلی که ارسال کردید، در صورت جواب نگرفتن یک ریمایندر به آنها بزنید.

 قسمت چهارم

یک شبکه عصبی عمیق از ترکیب چند پردازش غیرخطی تشکیل شده است. لایه‌ها با استفاده از عناصر ساده، به طور موازی با یکدیگر کار می‌کنند.

سیستم‌های عصبی بیولوژیکی شامل یک لایه ورودی، چندین لایه مخفی و یک لایه خروجی است.

لایه ها از طریق گره ها یا نورون ها به هم پیوند می‌خورند و هر لایه مخفی از ورودی لایه قبلی به عنوان ورودی استفاده می‌کند.

لینک قسمت اول

لینک قسمت دوم

لینک قسمت سوم

قسمت سوم: چه چیزی یادگیری عمیق را به پیشرفته ترین حالت تبدیل می کند؟

لینک قسمت اول // لینک قسمت دوم

سه فعال کننده فناوری بالاترین درجه از دقت را ممکن می‌سازند: دسترسی آسان به مجموعه عظیم داده‌های دارای برچسب مجموعه داده‌هایی مانند ImageNet و PASCAL VoC به صورت رایگان در دسترس هستند و برای آموزش انواع مختلفی از اشیا useful مفید هستند.

افزایش قدرت محاسباتی GPU های با کارایی بالا ، آموزش مقادیر گسترده ای از داده های مورد نیاز برای یادگیری عمیق را تسریع می کنند و باعث کاهش زمان آموزش از هفته به ساعت می شوند.

مدل های پیش ساخته ساخته شده توسط متخصصان مدل هایی مانند AlexNet را می توان برای انجام کارهای شناسایی جدید با استفاده از تکنیکی به نام یادگیری انتقال دوباره آموزش داد.

در حالی که AlexNet برای شناسایی 1000 شی مختلف بر روی 1.3 میلیون تصویر با وضوح بالا آموزش دیده است ، می توان با مجموعه داده های بسیار کوچکتر، آموزش دقیق انتقال را به دست آورد.

قسمت اول

قسمت دوم: اپلیکیشن‌های یادگیری ماشین

در اینجا فقط به چند نمونه از یادگیری عمیق در محیظ عملی اشاره می‌کنیم:

• یک وسیله نقلیه خودران با نزدیک شدن به گذرگاه عابر پیاده سرعت خود را کم می‌کند.
• خودپرداز یک اسکناس تقلبی را رد می‌کند.
• یک برنامه تلفن هوشمند ترجمه فوری یک تابلوی خیابان خارجی را انجام می‌دهد.
یادگیری عمیق به ویژه برای برنامه‌های شناسایی مانند تشخیص چهره، ترجمه متن، تشخیص صدا و سیستم‌های پیشرفته کمک راننده، از جمله، طبقه‌بندی خط و تشخیص علائم راهنمایی و رانندگی بسیار مناسب است.

قسمت اول: معرفی یادگیری ماشین

یادگیری عمیق نوعی یادگیری ماشینی است که در آن یک مدل یاد می‌گیرد که کارهای طبقه بندی را مستقیماً از روی تصاویر، متن یا صدا انجام دهد. یادگیری عمیق معمولاً با استفاده از معماری شبکه عصبی پیاده سازی می‌شود. اصطلاح "عمیق" به تعداد لایه های شبکه اشاره دارد - هرچه تعداد لایه ها بیشتر باشد، شبکه عمیق‌تر است. شبکه‌های عصبی سنتی فقط شامل 2 یا 3 لایه هستند‌، در حالی که شبکه‌های عمیق می‌توانند صدها لایه داشته باشند.

قسمت دوم