آموزش پایتون برای پردازش سیگنال دیجیتال (DSP) از ابتدا - آخرین آپدیت

دانلود Python for Digital Signal Processing (DSP) From Ground Up

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش جامع پردازش سیگنال با پایتون: تئوری، مفاهیم، ریاضیات و پیاده‌سازی

این دوره آموزشی پلی است بین دنیای تئوری پردازش سیگنال و پیاده‌سازی الگوریتم‌های آن در زبان برنامه‌نویسی پایتون. تمامی اسلایدهای آموزشی و کدهای پایتون در اختیار شما قرار داده می‌شود.

چرا پردازش سیگنال؟

از دهه ۱۹۷۰ میلادی و با ظهور کامپیوترهای دیجیتال، پردازش سیگنال دیجیتال در تمامی شاخه‌های مهندسی و علوم کاربرد یافته است. پردازش سیگنال به دستکاری ماهیت اصلی یک سیگنال برای رسیدن به شکل‌دهی دلخواه خروجی می‌پردازد. این حوزه با نمایش سیگنال‌ها توسط دنباله‌ای از اعداد یا نمادها و پردازش این سیگنال‌ها سروکار دارد.

حوزه‌های علمی و مهندسی زیر به‌طور ویژه‌ای از رشد سریع و پیشرفت تکنیک‌های پردازش سیگنال بهره‌مند شده‌اند:

  • یادگیری ماشین (Machine Learning)
  • تحلیل داده (Data Analysis)
  • بینایی ماشین (Computer Vision)
  • پردازش تصویر (Image Processing)
  • سیستم‌های مخابراتی (Communication Systems)
  • الکترونیک قدرت (Power Electronics)
  • احتمال و آمار (Probability and Statistics)
  • تحلیل سری‌های زمانی (Time Series Analysis)
  • امور مالی (Finance)
  • نظریه تصمیم (Decision Theory)
  • پردازش سیگنال‌های زیست‌پزشکی (Biomedical Signal Processing)
  • مراقبت‌های بهداشتی (Health care)

سرفصل‌های دوره پردازش سیگنال با پایتون:

  • مقدمه‌ای بر پردازش سیگنال
  • مبانی پردازش سیگنال
  • تبدیل آنالوگ به دیجیتال (Analog to Digital Conversion)
  • نمونه‌برداری و بازسازی سیگنال (Sampling and Reconstruction)
  • قضیه نایکوئیست (Nyquist Theorem)
  • کانولوشن سیگنال‌ها (Convolution)
  • حذف نویز سیگنال (Signal Denoising)
  • تبدیل فوریه سیگنال‌ها (Fourier Transform of Signals)
  • فیلتر کردن سیگنال با فیلترهای FIR و IIR
  • دوره فشرده پایتون (Python Crash Course)

پیش‌نیازها:

دانش پایه‌ای در زمینه برنامه‌نویسی می‌تواند مفید باشد اما الزامی نیست.


سرفصل ها و درس ها

مقدمه دوره Introduction of the course

  • مقدمه دوره Introduction of the Course

  • سرعت ارائه سخنرانی Pace of Lecture delivery

  • محتوای دوره Course Material

دوره فشرده پایتون Python Crash Course

  • مقدمه بخش Introduction of the section

  • نصب پایتون Python Installment

  • مقدمه Jupyter Notebook Introduction of Jupyter Notebook

  • نصب پکیج‌های پایتون Installing Python Packages

  • عملیات حسابی با پایتون - بخش ۰۱ Arithmatic with Python- Part 01

  • عملیات حسابی با پایتون - بخش ۰۲ Arithmatic with Python- Part 02

  • عملیات حسابی با پایتون - بخش ۰۳ Arithmatic with Python- Part 03

  • کار با آرایه‌ها - بخش ۰۱ Dealing with Arrays-Part01

  • کار با آرایه‌ها - بخش ۰۲ Dealing with arrays-Part02

  • کار با آرایه‌ها - بخش ۰۳ Dealing with arrays-Part03

  • ترسیم و بصری‌سازی - بخش ۰۱ Plotting and Visualization-Part01

  • ترسیم و بصری‌سازی - بخش ۰۲ Plotting and Visualization-Part02

  • ترسیم و بصری‌سازی - بخش ۰۳ Plotting and Visualization-Part03

  • ترسیم و بصری‌سازی - بخش ۰۴ Plotting and Visualization-Part04

  • لیست‌ها در پایتون Lists in Python

  • حلقه‌های for - بخش ۰۱ For Loops - Part01

  • حلقه‌های for - بخش ۰۲ For Loops - Part02

تبدیل آنالوگ به دیجیتال Analog to Digital Conversion

  • مقدمه بخش Introduction of the section

  • عناصر سیستم پردازش سیگنال Elements of signal processing system

  • تبدیل AD AD Conversion

  • تبدیل AD با پایتون AD Conversion With Python

  • تبدیل کوانتیزه شده به دیجیتال Quantized to digital conversion

  • سیگنال‌های پایه زمان پیوسته Fundamental Continuous time signal

  • سیگنال‌های زمان پیوسته در پایتون Continuous time signals in Python

  • سیگنال‌های پایه زمان گسسته Fundamental Discrete time signals

  • سیگنال‌های زمان گسسته در پایتون Discrete time signals in Python

  • نمونه‌برداری و بازسازی Sampling and Reconstruction

  • نمونه‌برداری و بازسازی در پایتون Sampling and Reconstruction in Python

کانولوشن The Convolution

  • مقدمه بخش Introduction of the section

  • مجموع کانولوشن The Convolution Sum

  • مثال عددی روی کانولوشن Numerical Example on convolution

  • کانولوشن حالت کامل Full mode convolution

  • کانولوشن با استفاده از حلقه for در پایتون Convolution using for loop in Python

  • کانولوشن با استفاده از NumPy Convolution using NumPy

  • کاربرد ۰۱: حذف نویز سیگنال با استفاده از کانولوشن Application 01 : Signal denoising using Convolution

  • کاربرد ۰۲: تشخیص لبه با استفاده از کانولوشن Application 02 : Edge detection using Convolution

  • قضیه کانولوشن Convolution Theorem

حذف نویز سیگنال Signal Denoising

  • مقدمه بخش Introduction of the section

  • فیلتر میانگین متحرک Moving Average Filter

  • فیلتر میانگین متحرک در پایتون Moving Average Filter in Python

  • فیلتر میانگین گوسی Gaussian Mean Filter

  • فیلتر میانگین گوسی در پایتون Gaussian Mean Filter in Python

  • فیلتر میانه Median Filter

  • فیلتر میانه در پایتون Median Filter in Python

  • حذف نویز نقطه‌ای با فیلتر میانه Removing Spiky Noise by Median Filter

  • حذف نویز نقطه‌ای با فیلتر میانه در پایتون - بخش ۰۱ Removing Spiky Noise by Median Filter in Python Part-01

  • حذف نویز نقطه‌ای با فیلتر میانه در پایتون - بخش ۰۲ Removing Spiky Noise by Median Filter in Python Part-02

اعداد مختلط Complex Numbers

  • مقدمه اعداد مختلط Introduction of Complex Numbers

  • اعداد مختلط در پایتون Complex Numbers in Python

  • ریاضیات اعداد مختلط - بخش ۰۱ Maths of Complex Numbers Part-01

  • ریاضیات اعداد مختلط - بخش ۰۲ Maths of Complex Numbers Part-02

  • ریاضیات اعداد مختلط در پایتون Maths of Complex Numbers in Python

  • محاسبات دامنه و فاز Magnitude and Phase calculations

  • محاسبات دامنه و فاز در پایتون Magnitude and Phase calculations in Python

  • موج سینوسی مختلط Complex Sine wave

  • موج سینوسی مختلط در پایتون Complex Sine wave in Python

تبدیل فوریه Fourier Transform

  • مقدمه بخش Introduction of the section

  • ترکیب امواج سینوسی و کسینوسی Combining Sine and Cosine Waves

  • تولید امواج در پایتون Generating Waves in Python

  • مکانیزم تبدیل فوریه Mechanism of Fourier Transform

  • کدنویسی گام به گام تبدیل فوریه Step by step coding of Fourier Transform

  • تبدیل فوریه سریع Fast Fourier Transform

  • تبدیل فوریه سیگنال با مؤلفه DC FT of signal with DC component

  • طیف دامنه و توان Amplitude and Power Spectrum

  • تبدیل فوریه معکوس Inverse Fourier Transform

  • کاربرد تبدیل فوریه: ایستایی سیگنال - بخش ۰۱ Application of FT : Signal stationarity Part-01

  • کاربرد تبدیل فوریه: ایستایی سیگنال - بخش ۰۲ Application of FT : Signal stationarity Part-02

طراحی فیلتر FIR FIR Filter Design

  • مقدمه بخش Introduction of the section

  • مقدمه فیلترهای دیجیتال Introduction to digital filters

  • مراحل طراحی فیلترهای FIR Steps for designing FIR filters

  • طراحی فیلتر FIR با روش حداقل مربعات FIR filter design by Least Square Method

  • طراحی فیلتر FIR با روش پنجره FIR filter design by Window Method

  • فیلتر جابجایی صفر FIR FIR Zero Shift Filter

  • فیلتر پایین‌گذر FIR Low Pass FIR filter

  • فیلتر پایین‌گذر FIR در پایتون Low Pass FIR filter in Python

  • فیلتر بالاگذر FIR High Pass FIR filter

  • فیلتر بالاگذر FIR در پایتون High Pass FIR filter in Python

  • فیلتر میان‌گذر FIR Band Pass FIR filter

  • فیلتر میان‌گذر FIR در پایتون Band Pass FIR filter in Python

  • وظایف برای دانشجویان Tasks for students

طراحی فیلتر IIR IIR Filter Design

  • مقدمه بخش Introduction of the section

  • مراحل طراحی فیلترهای Butterworth IIR Steps for designing IIR Butterworth filters

  • طراحی فیلتر Butterworth IIR در پایتون IIR Butterworth Filter design in Python

  • فیلتر پایین‌گذر IIR Low Pass IIR filter

  • فیلتر بالاگذر IIR High Pass IIR filter

  • فیلتر میان‌گذر IIR Band Pass IIR filter

  • مقایسه بین فیلترهای FIR و IIR Comparison between FIR and IIR Filters

  • وظیفه برای دانشجویان Task for students

نمایش نظرات

آموزش پایتون برای پردازش سیگنال دیجیتال (DSP) از ابتدا
جزییات دوره
14 hours
91
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
390
4.2 از 5
دارد
دارد
دارد
Zeeshan Ahmad
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Zeeshan Ahmad Zeeshan Ahmad

یادگیری ماشین و پردازش سیگنال آماری