🚗 YSelf Driven Car Course

The Complete Self-Driving Car Course - Applied Deep Learning 🚗 kursu üzerindeki çalışmalarımı temel almaktadır.

• Genel python çalışmalarım, oluşturduğum ek notlara buraya tıklayarak ulaşabilirsin.
• Microsoft ML cheat sheet için buraya bakabilirsin.

📋 İçerikler

• Temel Notlar
  • Notebook (.ipynb) dosyalarını açmak için
    • Google Colab
    • Anaconda - Jupyter Lab
  • Hazır Modeller
• 1. Başlagıç
• 2. OpenCV Çizgi Algılama
• 2.1 OpenCV Orta Çizgiyi Hesaplama
• 3. Makine Öğrenimi
• 4. Derin Sinir Ağları
• 5. Çoklu Sınıflandırma
• 6. Derin Öğrenme
• 7. Evirişimli Sinir Ağları
• 8. Polynomal Regresyon
• 9. Traffik İşaretlerini Algılama
• a1. Davranış Klonlama
• a1. Model Kullanımı
• a3. Kapanış

Temel Notlar

Notebook (.ipynb) dosyalarını açmak için

Google Colab

Google colab ile notbook dosyalarını (.ipybn) buraya tıklayarak çalıştırabilirsin.

İndirme gerektirmez, bulut üzerinden çalışır ve oldukça hızlıdır. (Bilgisayarını yormaz)

Runtime - Change Runtime Type - Hardware Accelator - GPU seçmeyi unutmayın.

Anaconda - Jupyter Lab

Anaconda3 indirerek, uygulama üzerinden jupyter lab'ı kullanabilirsin.

Google Colab kullanman önerilir. Makine öğrenimi işlemleri cpu / gpu yoran işlemlerdir. Kendi bilgisayarını yorma :)

Hazır Modeller

Tensotflow öğrenilmiş modeller için buraya tıklayabilirsin.

---

1. Başlagıç

• Pyhton_Numpy_Begin

2. OpenCV Çizgi Algılama

Yol resmindeki şeritleri algılama ve çizgileri oluşturma

• cizgiler

2.1 OpenCV Orta Çizgiyi Hesaplama

• cizgiler

3. Makine Öğrenimi

Nokta kümesine uygun optimum referans çizgisini supervised learning sistemi ve classification yöntemi ile belirleme

• 1. Begin
• 2. Sigmoid
• 3. Cross Entropy
• 4. Gradient Descent
• mi

4. Derin Sinir Ağları

Nokta kümesine uygun referans alanı oluşturma

Tensorflow oynama alanına buraya tıklayarak erişebilirsin.

• Supervised Learning
• Problem Type: Classification
• Activition: Sigmoid
• Epoch = 100
• Learning Rate = 0.1

• Deep_Neural_Network
• Perceptron
• derin_sinir_aglari

Kırmızı nokta bilinmeyen bir girdiyi temsil eder.

5. Çoklu Sınıflandırma

0, 1 Türünde one encoded output yerine, 0, 1, 2, 3, 4, ... şeklinde hot encoded ouput üzerinde uygun referans alanı oluşturma

• Supervised Learning
• Problem Type: Multi-Classification
• Activition: Softmax
• Epoch = 100

Beyaz nokta bilinmeyen bir girdiyi temsil eder.

• Multiclassification
• multi_classification

6. Derin Öğrenme

• Çok fazla ve gerçek veriler üzerinde işlemler yapılmıştır.
• Gerekli katmanlar kullanılmadığı için hatalıdır.

• mnist

7. Evirişimli Sinir Ağları

• Özel katmanlar kullanılmıştır.

  • Conv Layer
  • Pool Layer
  • Flatten Layer
  • Dropout Layer

• Katmanların çıktıları görselleştirilmiştir.

Bu aşamadan itibaren jupyter lab yerine google colab kullanılması tavsiye edilir. Sistemi yoracak işlemlere başlanmıştır.

• cnn

8. Polynomal Regresyon

• Polynomial-Regression

Bu aşamadan itibaren jupyter lab yerine google colab kullanılması tavsiye edilir. Sistemi yoracak işlemlere başlanmıştır.

9. Traffik İşaretlerini Algılama

• TrafficSigns

a1. Davranış Klonlama

• Behavioral_Clonning
• udacity-simulated-model

a1. Model Kullanımı

• 1-flask-tutorial
• 2-first-drive
• 3-ilk-model-calismasi
• README
• drive
• original-drive
• requirement
• requirements
• udacity-simulated-model

a3. Kapanış

• Behavioral_Clonning
• README
• drive
• genereted-udacity-simulated-model
• requirement