تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی Grasshopper: طراحی مولد برای معماری

دوره آموزشی Grasshopper: طراحی مولد برای معماری

3 ساعت 15 دقیقهمتوسط2019-03-22

مدرسین

Walter Zesk

Walter Zesk

Designer, Professor, and Cofounder of Conform Lab

جزئیات دوره

طراحی مولد مجموعه‌ای از فناوری‌ها است که به شما کمک می‌کند تا فرآیند طراحی خود را به صورت کامپیوتری انجام دهید و به شما کمک می‌کند تا قدرت محاسبات و الگوریتم‌ها را برای ایجاد طرح‌ها درگیر کنید. در این دوره یاد بگیرید که چگونه از پلاگین برنامه نویسی بصری Grasshopper با راینو برای ایجاد طرح هایی استفاده کنید که در گذشته غیرممکن بود. مربی Walter Zesk نحوه استفاده از حل‌کننده‌های فیزیک و حل‌کننده‌های تکاملی را برای تعیین اهداف و محدودیت‌ها برای طرح‌های خود و همچنین نحوه استفاده از محاسبات برای رسیدن به آن اهداف و کار در محدودیت‌های خود را توضیح می‌دهد. به علاوه، او نحوه استفاده از LunchBoxML را برای اعمال یادگیری ماشینی در پروژه‌های شما پوشش می‌دهد
و قدرت کامل هوش مصنوعی را برای ایجاد طرح ها آزاد کنید.

اهداف یادگیری
طراحی مولد چیست؟
محدودیت های طراحی مولد
نقاط قوت و محدودیت های حل کننده های ژنتیکی/تکاملی
حل کننده های فیزیک چگونه کار می کنند
آزمایش و تنظیم اهداف
کار با ابزارهای یادگیری ماشین
الزامات طراحی و نمودار
بهینه سازی با گالاپاگوس

مهارت ها

GrasshopperComputational DesignRhinoRobert McNeel & AssociatesAECProduct and ManufacturingProgramming LanguagesSoftware DevelopmentDeep Dive (X:Y)

سرفصل ها

0. مقدمه

  • 01 - طراحان سایبورگ
  • 02 - آنچه باید بدانید
  • 03 - نسخه‌ها و اعتبارات

1. طراحی مولد چیست؟

  • 04 - تعریف طراحی مولد
  • 05 - اهداف طراحی قابل اندازه گیری
  • 06 - پارامترهای طراحی
  • 07 - فضای راه حل
  • 08 - محدودیت‌های طراحی مولد

2. حل کننده تکاملی ژنتیکی مثال

  • 09 - نیروی بی رحم - تکامل چگونه کار می‌کند
  • 10 - حل کننده‌های متداول تکاملی
  • 11 - راه‌اندازی گالاپاگوس
  • 12 - دویدن گالاپاگوس
  • 13 - نقاط قوت و محدودیت‌های حل کننده‌های تکاملی ژنتیکی

3. مثال حل فیزیک

  • 14 - فنرها - حل کننده‌های فیزیک چگونه کار می‌کنند
  • 15 - نصب کانگورو، ویوربرد و مشدیت
  • 16 - گل‌های کانگورو
  • 17 - آزمایش و تنظیم اهداف
  • 18 - نقاط قوت و محدودیت‌های حل کننده‌های فیزیک

4. مثال حل کننده یادگیری ماشین

  • 19 - مقدمه ای بر یادگیری ماشین
  • 20 - ابزارهای یادگیری ماشینی
  • 21 - رگرسیون و آمار پیش بینی
  • 22 - خوشه بندی
  • 23 - طبقه بندی
  • 24 - نقاط قوت و محدودیت‌های حل کننده‌های یادگیری ماشین

5. به کارگیری طراحی مولد

  • 25 - الزامات طراحی و ترسیم نمودار
  • 26 - نقاط سطح سینوسی
  • 27 - سطح سقف
  • 28 - نمای جانبی و ارزش تناسب اندام
  • 29 - بهینه‌سازی با گالاپاگوس
  • 30 - نواحی ساختاری ML
  • 31 - خوشه پانل سقف
  • 32 - فیزیک پانل سقف و طبقه بندی
  • 33 - ساختار برای بهینه سازی
  • 34 - گل و حلال کانگورو
  • 35 - تجسم
  • 36 - تنظیم و تهذیب

نتیجه

  • 37 - مراحل بعدی

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal