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
(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