23 bar plot+axis+more on plot.webm
22.2 MB
نمودار میله ای، نمودار های نقطه ای و تنضیم محدوده ی نمایش!(ویدئو webm هست و در همه ی سیستم عاملها باز میشه)
@easy_matlab
@easy_matlab
💐💐 👆👆👆👆در ویدئوی فوق با هم یاد می گیریم:
1-رسم نمودارهای میله ای در متلب با دستور bar
2-رسم نمودارهای نقطه ای با دستور plot
3-مشخص کردن دامنه و برد نمودار با دستور axis
@easy_matlab
1-رسم نمودارهای میله ای در متلب با دستور bar
2-رسم نمودارهای نقطه ای با دستور plot
3-مشخص کردن دامنه و برد نمودار با دستور axis
@easy_matlab
24 random number generation.webm
15.4 MB
کنترل ایجاد اعداد تصادفی، نمودار فراوانی و رسم چگالی فراوانی نویز (توجه: ویدئو webm هست و در همه ی سیستم عاملها باز میشه)
@easy_matlab
@easy_matlab
در ویدئوی فوق با تولید اعداد تصادفی با توزیع گوسی، یک دنباله ی نویز ساختیم و با رسم نمودار فراوانی مقادیر نمونه ها منحنی گوسی را می توانیم مشاهده کنیم!
@easy_matlab
@easy_matlab
wavelet_toolbox_wavelet.pdf
6.1 MB
جعبه ابزار موجک متلب به زبان اصلی. توضیحات در پست بعد.
@easy_matlab
@easy_matlab
🌷🌷
ویولت (wavelet) یا موجک، نوعی انتقال سیگنال است به حوزه ی زمان-فرکانس. شما می دونید که با تبدیل فوریه می تونستیم یک سیگنال رو که متغیر زمانه (اصطلاحاً در حوزه ی زمانه) به مولفه های حوزه ی فرکانسش تبدیل کنیم. در واقع بفهمم که چقدر مولفه های با فرکانس صفر (DC) داره چقدر مثلا 50 هرتز داره و الا آخر. ولی! تبدیل فوریه باعث حذف متغیر زمان میشه، یعنی چی؟ یعنی تبدیل فوریه که میگیریم فقط میگه مولفهی فرکانس f چقدر داریم، دیگه نمی گه "کِی" مولفه ی فرکانس f رو چقدر داریم. یعنی به طور کلی در کل سیگنال نگاه میکنه میگه از فرکانس f فلان قدر داریم. حالا! اگه بخایم بدونیم که در هر لحظه چه مولفه های فرکانسی داریم چی؟ اینجاس که بحث زیبای تبدیل های زمان-فرکانسی یا time-frequency transform مطرح میشه😄. من و شما می دونیم که طبیعتاً یک راهش اینه که سیگنال رو به قطعات کوچکتری بشکنیم و همون تبدیل فوریه ی معمول رو بگیریم، اینجوری حداقل میدونیم که توی هر قطعه از سیگنال چه فرکانسهایی داریم. این ایده اساس تبدیل فوریه ی زمان کوتاه یا short term fourier transform یا تبدیل فوریه ی زمان کوتاهه (STFT).
و امااا🤔 ویولت!!!😍
تبدیل STFT یه ایراد داره اونم این که طول تقسیمات سیگنالمون ثابته مثلا یه سیگنال 1 ثانیه ای رو به 20 تا 50 میلی ثانیه تقسیم می کنیم. حالا اگه بخایم بفهمیم تو 10 میلی ثانیه ی اول چه تغییرات فرکانسی داریم چی؟ اینجاس که تبدیلات دیگه ای که مهمترینشون امروزه تبدیل موجکه استفاده میشه. تبدیل موجک راهی فراهم میکنه که هم بتونیم تو زمان ریز بشیم یعنی یک تکه ی کوچیک سیگنال رو فقط تحلیل فرکانسی کنیم و هم بتونیم تو فرکانس ریز بشیم و تفاوت های اندک در فرکانس رو تشخیص بدیم! بحث ویولت مفصلتر از اونی هست که من بخام به صورت تئوری آموزشش بدم اینجا و چه بسا به درد خیلی از دوستان نخوره. به هر حال نظراتتون رو در این رابطه به من بفرمایید @hamed_yg. پست فوق pdf جعبه ابزار موجک متلب به زبان اصلی هست که مروری بر تئوری کرده و دستورای متلب رو برای تحلیل موجک توضیح داده (این مطلب به درخواست یکی از اعضای محترم کانال گذاشته شد. امیدارم مورد استفاده ی همه قرار بگیره)
@easy_matlab
ویولت (wavelet) یا موجک، نوعی انتقال سیگنال است به حوزه ی زمان-فرکانس. شما می دونید که با تبدیل فوریه می تونستیم یک سیگنال رو که متغیر زمانه (اصطلاحاً در حوزه ی زمانه) به مولفه های حوزه ی فرکانسش تبدیل کنیم. در واقع بفهمم که چقدر مولفه های با فرکانس صفر (DC) داره چقدر مثلا 50 هرتز داره و الا آخر. ولی! تبدیل فوریه باعث حذف متغیر زمان میشه، یعنی چی؟ یعنی تبدیل فوریه که میگیریم فقط میگه مولفهی فرکانس f چقدر داریم، دیگه نمی گه "کِی" مولفه ی فرکانس f رو چقدر داریم. یعنی به طور کلی در کل سیگنال نگاه میکنه میگه از فرکانس f فلان قدر داریم. حالا! اگه بخایم بدونیم که در هر لحظه چه مولفه های فرکانسی داریم چی؟ اینجاس که بحث زیبای تبدیل های زمان-فرکانسی یا time-frequency transform مطرح میشه😄. من و شما می دونیم که طبیعتاً یک راهش اینه که سیگنال رو به قطعات کوچکتری بشکنیم و همون تبدیل فوریه ی معمول رو بگیریم، اینجوری حداقل میدونیم که توی هر قطعه از سیگنال چه فرکانسهایی داریم. این ایده اساس تبدیل فوریه ی زمان کوتاه یا short term fourier transform یا تبدیل فوریه ی زمان کوتاهه (STFT).
و امااا🤔 ویولت!!!😍
تبدیل STFT یه ایراد داره اونم این که طول تقسیمات سیگنالمون ثابته مثلا یه سیگنال 1 ثانیه ای رو به 20 تا 50 میلی ثانیه تقسیم می کنیم. حالا اگه بخایم بفهمیم تو 10 میلی ثانیه ی اول چه تغییرات فرکانسی داریم چی؟ اینجاس که تبدیلات دیگه ای که مهمترینشون امروزه تبدیل موجکه استفاده میشه. تبدیل موجک راهی فراهم میکنه که هم بتونیم تو زمان ریز بشیم یعنی یک تکه ی کوچیک سیگنال رو فقط تحلیل فرکانسی کنیم و هم بتونیم تو فرکانس ریز بشیم و تفاوت های اندک در فرکانس رو تشخیص بدیم! بحث ویولت مفصلتر از اونی هست که من بخام به صورت تئوری آموزشش بدم اینجا و چه بسا به درد خیلی از دوستان نخوره. به هر حال نظراتتون رو در این رابطه به من بفرمایید @hamed_yg. پست فوق pdf جعبه ابزار موجک متلب به زبان اصلی هست که مروری بر تئوری کرده و دستورای متلب رو برای تحلیل موجک توضیح داده (این مطلب به درخواست یکی از اعضای محترم کانال گذاشته شد. امیدارم مورد استفاده ی همه قرار بگیره)
@easy_matlab
24 t-test statistical test.webm
13.4 MB
آموزش استفاده از آزمون آماری t-test در متلب به صورت خیلی راحت و با مثال(ویدئو ها در همه ی سیستم عاملها اجرا می شوند)
#t_test
#آزمون_آماری
@_easy_matlab
#t_test
#آزمون_آماری
@_easy_matlab
This media is not supported in your browser
VIEW IN TELEGRAM
اینم زنگ تفریحتون😃
@easy_matlab
@easy_matlab
دانلود متن اصلی کتاب متلب برای شناسایی الگو (Pattern Recognition) نوشته ی سرجیوس تئودوریدیس در پست بعد. مرجع معروف متلب برای درس شناسایی آماری الگو و یادگیری ماشین
@easy_matlab
@easy_matlab
An introduction to pattern recognition, Theodoridis_S..pdf
2.5 MB
🌷🌷دانلود کتاب An introduction to pattern recognition, A MATLAB aproach جهت استفاده ی دوستانی که با مبانی این درس از قبل آشنایی دارند.
@easy_matlab
@easy_matlab
25 polar plots.webm
12.3 MB
🍀🌸رسم نمودارهای قطبی به ساده ترین حالت در متلب (ویدئو در تمام سیستم عاملها باز می شود)
@easy_matlab
@easy_matlab
This media is not supported in your browser
VIEW IN TELEGRAM
زنگ تفریح آموزشی.😜😜 لطفاً این ویدئو را دانلود کنید چون آموزشی که برای شما عزیزان قرار خواهم داد در مورد نحوه ی باز کردن یک فایل ویدئویی در متلب و استخراج چند فریم دلخواه از اون هستش!
@easy_matlab
@easy_matlab
26 reading video in matlab.webm
18.1 MB
💪💪 نحوه ی باز کردن یک فایل ویدئویی در متلب (فایل پست قبلی) و استخراج چند فریم از آن و ذخیره ی آنها به صورت فایل jpg در دسکتاپ (ویدئو در تمام سیستم عاملها باز می شود)
#video
@easy_matlab
#video
@easy_matlab
27 correlation.webm
14.7 MB
🌷🌷🌷🌷محاسبه ی همبستگی (correlation) بین چند سیگنال با توضیحات مفهومی و مثال و نمایش مقادیر به صورت تصویری
#correlation
#statistics
#imagesc
#corr
@easy_matlab
#correlation
#statistics
#imagesc
#corr
@easy_matlab
This media is not supported in your browser
VIEW IN TELEGRAM
🌸🌸زنگ تفریح! وقتی مهندسی با هنر در بیامیزد! مجسمه متحرک کافکا اثر David Cerny در پراگ. تشکیل شده از 42 لایه با موتورهای متحرک مستقل. این مجسمه از 45 تن استیل ساخته شده است.
@easy_matlab
@easy_matlab
🌹🌷به من بگو و من فراموش خواهم کرد. به من یاد بده و من به خاطر خواهم سپرد. مرا درگیر کن و من خواهم آموخت!
بنجامین فرانکلین
🌸🍀
@easy_matlab
بنجامین فرانکلین
🌸🍀
@easy_matlab
28 Perceptron Neural Network.webm
21.9 MB
🌸🍀
آشنایی مفهومی با ساختارهای یادگیرنده و آموزش پیاده سازی شبکه ی عصبی پرسپترون! (نکتشو کی میگیره؟)
#perceptron
#شبکه_عصبی
@easy_matlab
آشنایی مفهومی با ساختارهای یادگیرنده و آموزش پیاده سازی شبکه ی عصبی پرسپترون! (نکتشو کی میگیره؟)
#perceptron
#شبکه_عصبی
@easy_matlab
This media is not supported in your browser
VIEW IN TELEGRAM
با مشاهده ی واژه ی NOW پشت دستتان را ببینید!
@easy_matlab
@easy_matlab