Телеграм канал «Onlinebme»

سلام، چندین بار دوستان پرسیده بودند که برای درس پردازش سیگنال دیجیتال (DSP) چه کتابی بخونند، برای همین گفتم که کتابی خودم خوندم و خیلی مفید بود رو اینجا معرفی کنم. یادمه دوران ارشد یک کتاب فوق‌العاده داشتیم که هم مفاهیم رو خیلی روان توضیح می‌داد و هم کاملاً کدمحور بود؛ مخصوصاً با مثال‌های MATLAB که واقعاً به فهم عمیقتر موضوعات کمک می‌کرد. این کتاب Digital Signal Processing Using MATLAB (4th Ed.) هست. این کتاب یکی از محبوبترین منابع برای یادگیری DSP هست. از ویژگی‌های برجستهٔ این کتاب میتونم به نکات زیر اشاره کنم:       ◼️توضیح مفاهیم DSP به‌صورت کاملاً شفاف      ◼️تمرین‌ها و پروژه‌های متنوع همراه با کد  MATLAB      ◼️مناسب برای دانشجویان کارشناسی و کارشناسی ارشد      ◼️رویکرد «حل مسئله» که باعث فهم عمیقتر موضوعات میشه 🔺برای رعایت حق نشر، لینک رسمی کتاب رو قرار میدم: 📚 Digital Signal Processing Using MATLAB: A Problem-Solving Companion — Vinay K. Ingle & John G. Proakis https://www.amazon.com/Digital-Signal-Processing-Using-MATLAB/dp/1305635124/ref=sr_1_1?ie=UTF8&qid=1453320715&sr=8-1&keywords=9781305635128 🔷 البته نسخهٔ PDF این کتاب توی بعضی سایت‌ها وجود داره، ولی چون وضعیت حق کپی ‌رایتش مشخص نیست، اینجا لینکش رو قرار نمیدهم. 💡برای دوستانی که میخوان مفاهیم DSP رو پایه‌ای و کاربردی یاد بگیرند، این کتاب میتونه شروع خیلی خوبی باشه. ☑️ در کنار این کتاب، چند منبع دیگه هم در در پست  معرفی کردم که می‌تونید برای مطالعه بیشتر بررسی‌شون کنید. امیدوارم براتون مفید باشه 🙌📘 https://onlinebme.com/best-practical-books-for-learning-digital-signal-processing-dsp/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

معرفی کتاب مناسب برای Digital Signal Processing| DSP عنوان: Digital Signal Processing Using MATLAB (4th Ed.) 💡این کتاب یکی از محبوبترین منابع برای یادگیری DSP میشه @Onlinebme

☑️ این روزها باگهای برنامه نویسی فقط بیشتر نشده‌اند… پیچیده تر هم شده‌ اند!! 🔺یکی از دلایلش اینه که ما بیش از حد به مدل‌های زبانی مثل ChatGPT تکیه می‌کنیم، مدل‌هایی که کد تولید می‌کنن بدون اینکه ما دقیقاً بفهمیم پشتش چه خبره. 🔻مشکل از هوش مصنوعی نیست. مشکل از اینه که ما داریم «فهمیدن» رو با «کپی کردن» جایگزین می‌کنیم. 💡برای مسیر یادگیری برنامه نویسی، بهتره که: 1⃣ مبانی رو خودمون یاد بگیریم، مثل متغیرها، حلقه ها، شرطها، توابع، کلاسها، ساختمان داده ها، ... 2⃣ کد کوچک و ساده بسازیم تا رفتار واقعی برنامه رو بفهمیم. 3⃣ قبل از سؤال پرسیدن از LLM، یک بار خودمون فکر کنیم. 4⃣ کد تولیدی مدل‌ها رو خط‌ به ‌خط بخونیم، نه اینکه فقط اجرا کنیم. 5⃣ از LLM برای راهنمایی استفاده کنیم، نه برای جایگزینی فکر کردن. ⚠️ هوش مصنوعی ابزار قدرتمندیه، ولی بدون دانش پایه، تبدیل میشه به یک جعبهٔ جادوی خطرناک. هرچی کمتر بفهمیم، بیشتر باگ میسازیم!! 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

🗒جزوه خام: جلسه یک از فصل سوم دوره‌ی جامع یادگیری عمیق ☑️شبکه‌های عصبی کانولوشنی (CNNs) 💡تئوری و ریاضیات+ پیاده‌سازی+ پروژه عملی @Onlinebme

وضعیت من بعد از پیاده‌سازی هر الگوریتم (بعد از ۳۵۵ روز تلاش برای درک و پیاده‌سازیش)😂 @Onlinebme

در این ویدیو آقای ویزل نحوه مشخص کردن receptive field نورون‌ها رو توضیح میدهند... @Onlinebme

💡از کشف تصادفی تا جایزه نوبل، داستانی که بینایی ماشین را متحول کرد! کشف اتفاقی یک لبهٔ نور در آزمایشگاهی ساده در جان‌هاپکینز به فهم عملکرد نورون‌های بینایی انجامید، جایزهٔ نوبل گرفت، و پایهٔ شبکه‌های کانولوشنی (CNN) شد. اگر امروز مدل‌هایی مانند HMAX، LeNet، AlexNet، ResNet   یا  Vision Transformers وجود دارند، ریشهٔ اصلی آن‌ها به همان روزی برمی‌گردد که یک خط نور، به ‌طور کاملاً تصادفی، یک نورون را فعال کرد. ✍ در دهه‌ی ۱۹۶۰، دو دانشمند جوان به نامهای David Hubel  وTorsten Wiesel در دانشگاه Johns Hopkins، همکاری‌ای را آغاز کردند که بعدها یکی از مهم‌ترین کشفیات علوم اعصاب و بینایی ماشین را رقم زد. نکته‌ی جالب این بود که آنها تجهیزات بسیار ابتدایی داشتند: یک میکروالکترود، یک نمایشگر اسلایدی ساده و یک گربهی بیهوش. ⭕️جزییات بیشتر👇👇 PDF | website 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme