ict_sources_viper | Unsorted

Telegram-канал ict_sources_viper - ICT_SOURCES & MATH

4752

کلیه محتوای چنل رایگان است و رایگان باقی خواهد ماند و نشر آموزش ها فقط جنبه آموزشی دارد و هرگز برای ترید با پول واقعی مورد استفاده قرار نگیرد .ورود به چنل به منزله قبول تمام مسئولیت ناشی از ضرر احتمالی در معاملات از سوی شماست .DYOR

Subscribe to a channel

ICT_SOURCES & MATH

نویز به معنای اختلال یا سیگنال ناخواسته‌ای است که با سیگنال اصلی مخلوط می‌شود و کیفیت آن را کاهش می‌دهد. این مفهوم در زمینه‌های مختلف کاربرد دارد:

در علوم مهندسی و الکترونیک:
نویز عبارت است از سیگنال‌های الکتریکی ناخواسته که با سیگنال اصلی ترکیب شده و باعث کاهش کیفیت صدا، تصویر یا داده‌ها می‌شود. مثلاً صدای زمزمه در تلفن یا خطوط روی تلویزیون.

در آکوستیک و صدا:
نویز به صداهای ناخواسته و آزاردهنده گفته می‌شود که ممکن است آلودگی صوتی ایجاد کند. مانند صدای ترافیک، ماشین‌آلات صنعتی یا سروصدای شهری.

در پردازش تصویر:
نویز تصویر شامل نقاط رنگی ناخواسته، دانه‌دانه شدن یا لکه‌هایی است که وضوح و کیفیت تصویر را کم می‌کند.

در ریاضیات و آمار:
نویز به داده‌های تصادفی یا خطاهایی اطلاق می‌شود که در اندازه‌گیری‌ها وجود دارند و الگوی اصلی داده‌ها را مخدوش می‌کنند.

انواع اصلی نویز:
- نویز سفید (White Noise): دارای فرکانس‌های یکسان در تمام طیف
- نویز صورتی (Pink Noise): قدرت بیشتر در فرکانس‌های پایین
- نویز قهوه‌ای (Brown Noise): غالب در فرکانس‌های بسیار پایین

نویز معمولاً ناخواسته است، اما گاهی در کاربردهای خاصی مثل تست تجهیزات یا ایجاد اثرات صوتی استفاده می‌شود.

Читать полностью…

ICT_SOURCES & MATH

https://claude.ai/share/0e5f23bd-cc8c-4340-9d91-574f1fca7b39

Читать полностью…

ICT_SOURCES & MATH

خب بعد کی برنده میشه
حتما شما
:)

دم شما جیز پس

Читать полностью…

ICT_SOURCES & MATH

نویز همون چیزی هست که الگوریتم پشت اون پنهان شده

Читать полностью…

ICT_SOURCES & MATH

ببین دوست من
اگر در متنی که من مینویسم
حتی معنی یک کلمه رو بلد نباشی
شما
متوجه
نخواهی شد
و در پی اون
به
پیاده
سازی
نخواهی رسید

Читать полностью…

ICT_SOURCES & MATH

و بعد سیستم ما یک سیستم دسیمال است
و حالا دلیل کد های دسیمال فرکشنال من رو متوجه شدید

Читать полностью…

ICT_SOURCES & MATH

برای حذف مخرج کسر و تبدیل آن به عدد غیر کسری، چندین روش وجود دارد:

## روش‌های اصلی:

1. ضرب در مخرج:
اگر کسر a/b داریم، آن را در b ضرب می‌کنیم:
- (a/b) × b = a
- مثال: (3/4) × 4 = 3

2. تبدیل به اعشار:
کسر را تقسیم کرده و به صورت اعشاری می‌نویسیم:
- 3/4 = 0.75
- 7/2 = 3.5

3. استفاده از مخرج مشترک در معادلات:
اگر در یک معادله چندین کسر داریم، در کوچکترین مضرب مشترک همه مخرج‌ها ضرب می‌کنیم.

## مثال عملی:
اگر معادله x/3 + x/6 = 2 داریم:
- در 6 (ک.م.م مخرج‌ها) ضرب می‌کنیم
- 2x + x = 12
- 3x = 12
- x = 4

## نکته مهم:
این روش‌ها برای حل مسائل مفیدند، اما مقدار اصلی کسر تغییر نمی‌کند - فقط شکل نمایش آن متفاوت می‌شود.

Читать полностью…

ICT_SOURCES & MATH

و یا سه تا را بگیرد و چهار تا بدهد که دو به دو با هم لینک هستن

Читать полностью…

ICT_SOURCES & MATH

پی افکندم از نظم کاخی بلند
که از باد و باران نیابد گزند

Читать полностью…

ICT_SOURCES & MATH

در حالت اول سیستم ما یک سیستم !؟
فرکشنال خواهد بود

Читать полностью…

ICT_SOURCES & MATH

سخته !؟
واقعا نیست

Читать полностью…

ICT_SOURCES & MATH

سرعت زمان
زمان
سرعت


زمان ثانیه
سرعت متر بر ثانیه
ثانیه /ثانیه
متر /ثانیه

Читать полностью…

ICT_SOURCES & MATH

اما چطور متغیر وابسته را مستقل کنیم !؟

Читать полностью…

ICT_SOURCES & MATH

و این کسر رو در نظر بگیرید ۱/۵

Читать полностью…

ICT_SOURCES & MATH

مثلا
قیمت زمان
یورو-دلار
زمان

Читать полностью…

ICT_SOURCES & MATH

دینویز (Denoising) فرآیند حذف یا کاهش نویز از سیگنال، تصویر، صدا یا داده‌ها است تا کیفیت اصلی بهبود یابد.

## انواع دینویز:

### 1. دینویز صوتی (Audio Denoising)
- Spectral Subtraction: کم کردن طیف نویز از سیگنال اصلی
- Wiener Filter: فیلتر تطبیقی بر اساس خصوصیات آماری سیگنال
- Adaptive Filters: فیلترهای تطبیقی که با شرایط تغییر می‌کنند
- Neural Network Based: استفاده از شبکه‌های عصبی برای یادگیری الگوهای نویز

### 2. دینویز تصویر (Image Denoising)
- Gaussian Filter: فیلتر گاوسی برای نویز کم
- Median Filter: حذف نویز نمکی و فلفلی
- Bilateral Filter: حفظ لبه‌ها همراه با کاهش نویز
- Wavelet Denoising: استفاده از تبدیل موجک
- Non-local Means: مقایسه پچ‌های مشابه در تصویر
- Deep Learning Methods: استفاده از CNN و autoencoder

### 3. دینویز سیگنال (Signal Denoising)
- Low-pass Filtering: حذف فرکانس‌های بالا
- Band-pass Filtering: نگهداری فرکانس‌های خاص
- Kalman Filter: برای سیگنال‌های دینامیک
- Savitzky-Golay Filter: هموارسازی و حفظ ویژگی‌ها

### 4. دینویز داده (Data Denoising)
- Principal Component Analysis (PCA): کاهش ابعاد و حذف نویز
- Independent Component Analysis (ICA): جداسازی منابع مستقل
- Regression Methods: برازش مدل‌های ریاضی
- Clustering: گروه‌بندی داده‌های مشابه

### 5. روش‌های مدرن (Modern Approaches)
- Generative Adversarial Networks (GANs): تولید نسخه‌های پاک از داده
- Variational Autoencoders: کدگذاری و بازسازی بهینه
- Transformer Networks: برای سیگنال‌های پیچیده
- Diffusion Models: مدل‌های احتمالاتی پیشرفته

### 6. دینویز بلادرنگ (Real-time Denoising)
- Adaptive Algorithms: الگوریتم‌های تطبیقی سریع
- Hardware Acceleration: استفاده از GPU و پردازنده‌های تخصصی
- Streaming Methods: پردازش جریانی داده‌ها

عوامل مهم در انتخاب روش:
- نوع نویز (گاوسی، نمکی، رنگی)
- سرعت پردازش مورد نیاز
- کیفیت نهایی مطلوب
- منابع محاسباتی در دسترس
- نوع کاربرد (پزشکی، امنیتی، تفریحی)

انتخاب روش دینویز بستگی به نوع داده، نویز موجود و نیازهای کاربرد دارد.

Читать полностью…

ICT_SOURCES & MATH

https://claude.ai/share/0e5f23bd-cc8c-4340-9d91-574f1fca7b39

Читать полностью…

ICT_SOURCES & MATH

اگر من چشمات رو ببندم تو میتونی با من شطرنج بازی کنی !؟

Читать полностью…

ICT_SOURCES & MATH

حالا پیاده سازی یعنی چه 🤭😂

Читать полностью…

ICT_SOURCES & MATH

Inner circle viper
تئوری جامع دی نویز

Читать полностью…

ICT_SOURCES & MATH

تبدیل به اعشار یا دسیمال

Читать полностью…

ICT_SOURCES & MATH

و هیچ کس نمیداند .... از این صوبتا :)

Читать полностью…

ICT_SOURCES & MATH

پس به تابعی نیاز داریم که سه متغیر را که دوتای اونها با هم لینک و یکی مستقل است را بگیرد و دو متغیر به ما بدهد

Читать полностью…

ICT_SOURCES & MATH

حالا دلیل کد های فرکشنال و محاسبات فرکشنال من رو متوجه شدید

Читать полностью…

ICT_SOURCES & MATH

راه دیگه حذف کردن مخرج متغیر وابسته است

Читать полностью…

ICT_SOURCES & MATH

پس متغیر مستقل را به مخرج متغیر وابسته در بعد دیگر تقسیم کردیم و بعد فاکتور گرفتیم

Читать полностью…

ICT_SOURCES & MATH

هرگاه هر دو بعد به یک متغیر تقسیم شوند
متغیر قابل فاکتور گرفتن است

Читать полностью…

ICT_SOURCES & MATH

پس در اصل عدد ۱ برابر با ۱/۱ است

Читать полностью…

ICT_SOURCES & MATH

گام نخست .
در صورتی که دستگاه ما در یک بعد دارای متغیر وابسته بود باید ان را از وابستگی خارج کنیم

Читать полностью…

ICT_SOURCES & MATH

اما
ایا اگر یکی از ابعاد ما یک متغیر وابسته بود و نه مستقل همچنان دستگاه ما معتبر است !؟

Читать полностью…
Subscribe to a channel