bootg.com »
United States »
FaraMatlabSim | فرا متلب: آموزش‌های برنامه‌نویسی متلب و سیمولینک » Telegram Web
✳️ برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
══ فهرست مطالب ══
○ بخش اول: شروع برنامه نویسی متلب
○ بخش دوم: حلقه‌ها
○ بخش سوم: شاخه‌گزینی و شروط
○ بخش چهارم: آرایه و ماتریس
○ بخش پنجم: رسم نمودار
○ بخش ششم: تابع تعریف شده توسط کاربر
○ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
○ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه نویسی متلب
این بخش شامل چند برنامه ساده برای آشنایی با برنامه‌نویسی در متلب است.
برنامه زیر را بنویسید و آن را اجرا کنید.
خروجی این برنامه ۸ خواهد بود.
🔸 بخش دوم: حلقه‌ها
حلقه‌ها بخش مهمی از برنامه‌نویسی را تشکیل می‌دهند. در این بخش با شیوه نوشتن حلقه‌ها در متلب آشنا می‌شویم.
برنامه زیر را بنویسید و نتیجه را ببینید.
نتیجه به صورت زیر خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
══ فهرست مطالب ══
○ بخش اول: شروع برنامه نویسی متلب
○ بخش دوم: حلقه‌ها
○ بخش سوم: شاخه‌گزینی و شروط
○ بخش چهارم: آرایه و ماتریس
○ بخش پنجم: رسم نمودار
○ بخش ششم: تابع تعریف شده توسط کاربر
○ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
○ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه نویسی متلب
این بخش شامل چند برنامه ساده برای آشنایی با برنامه‌نویسی در متلب است.
برنامه زیر را بنویسید و آن را اجرا کنید.
خروجی این برنامه ۸ خواهد بود.
🔸 بخش دوم: حلقه‌ها
حلقه‌ها بخش مهمی از برنامه‌نویسی را تشکیل می‌دهند. در این بخش با شیوه نوشتن حلقه‌ها در متلب آشنا می‌شویم.
برنامه زیر را بنویسید و نتیجه را ببینید.
نتیجه به صورت زیر خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ دستور Sparse در متلب | به زبان ساده
در این مطلب قصد داریم در مورد ماتریس Sparse و ویژگی‌های آن و نحوه ساخت این ماتریس در متلب صحبت کنیم. در مورد ماتریس می‌دانیم که ویژگی دو بعدی در ریاضیات است که می‌تواند دارای $$m$$ سطر و $$n$$ ستون باشد. در این مطلب در مورد نوع ویژه‌ای از ماتریس یعنی ماتریس Sparse در متلب صحبت خواهیم کرد.
══ فهرست مطالب ══
○ ماتریس Sparse چیست؟
○ ماتریس Sparse چه ویژگی‌هایی دارد؟
○ مزایای محاسباتی ماتریس‌های Sparse در متلب
○ چگونه در متلب ماتریس Sparse تولید کنیم؟
○ دستورهای موجود در متلب برای ماتریس Sparse چیست؟
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 ماتریس Sparse چیست؟
اگر در یک ماتریس بیشتر عناصر آن صفر باشند ماتریس را یک ماتریس Sparse می‌نامیم. به همین دلیل در ترجمه فارسی به این کمیت «ماتریس تُنُک» (Sparse Matrix) نیز می‌گویند.
این ماتریس‌ها داده‌های دوبل یا منطقی را فراهم می‌کنند که درصد زیادی از اعضای آن‌ها صفر است. این موضوع زمانی مهم می‌شود که بدانیم ماتریس‌های کامل (یا متراکم) هر یک از عناصر ماتریس را صرف نظر از مقدار در حافظه ذخیره می‌کنند، در حالیکه ماتریس‌های تُنُک فقط عناصر غیر صفر و شاخص‌های ردیف آن‌ها را ذخیره می‌کنند. به همین دلیل استفاده از ماتریس‌های تُنُک می‌تواند مقدار حافظه مورد نیاز برای ذخیره اطلاعات را به میزان قابل توجهی کاهش دهد.
🔸 ماتریس Sparse چه ویژگی‌هایی دارد؟
در مورد ویژگی‌های این ماتریس باید به دو نکته اشاره کرد:
– ذخیره سازی: در این ماتریس عناصر غیر صفر کمتری نسبت به مقدار صفر وجود دارند و بنابراین می‌توان از حافظه کمتری برای ذخیره عناصر غیر صفر استفاده کرد.
– زمان محاسبه: با طراحی منطقی یک ساختار داده که فقط عناصر غیر صفر را بررسی می‌کند می توان زمان محاسبه را کاهش داد.
ماتریس زیر را در نظر بگیرید:
$$\begin{pmatrix}
۰ & ۰ & ۳ & ۰ & ۴
\\ ۰ & ۰ & ۵ & ۷ & ۰
\\ ۰ & ۰&۰&۰&۰
\\ ۰&۲&۶&۰&۰
\end{pmatrix}$$
مطالعه ادامه مطلب 👇👇
🔗 دستور Sparse در متلب | به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب قصد داریم در مورد ماتریس Sparse و ویژگی‌های آن و نحوه ساخت این ماتریس در متلب صحبت کنیم. در مورد ماتریس می‌دانیم که ویژگی دو بعدی در ریاضیات است که می‌تواند دارای $$m$$ سطر و $$n$$ ستون باشد. در این مطلب در مورد نوع ویژه‌ای از ماتریس یعنی ماتریس Sparse در متلب صحبت خواهیم کرد.
══ فهرست مطالب ══
○ ماتریس Sparse چیست؟
○ ماتریس Sparse چه ویژگی‌هایی دارد؟
○ مزایای محاسباتی ماتریس‌های Sparse در متلب
○ چگونه در متلب ماتریس Sparse تولید کنیم؟
○ دستورهای موجود در متلب برای ماتریس Sparse چیست؟
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 ماتریس Sparse چیست؟
اگر در یک ماتریس بیشتر عناصر آن صفر باشند ماتریس را یک ماتریس Sparse می‌نامیم. به همین دلیل در ترجمه فارسی به این کمیت «ماتریس تُنُک» (Sparse Matrix) نیز می‌گویند.
این ماتریس‌ها داده‌های دوبل یا منطقی را فراهم می‌کنند که درصد زیادی از اعضای آن‌ها صفر است. این موضوع زمانی مهم می‌شود که بدانیم ماتریس‌های کامل (یا متراکم) هر یک از عناصر ماتریس را صرف نظر از مقدار در حافظه ذخیره می‌کنند، در حالیکه ماتریس‌های تُنُک فقط عناصر غیر صفر و شاخص‌های ردیف آن‌ها را ذخیره می‌کنند. به همین دلیل استفاده از ماتریس‌های تُنُک می‌تواند مقدار حافظه مورد نیاز برای ذخیره اطلاعات را به میزان قابل توجهی کاهش دهد.
🔸 ماتریس Sparse چه ویژگی‌هایی دارد؟
در مورد ویژگی‌های این ماتریس باید به دو نکته اشاره کرد:
– ذخیره سازی: در این ماتریس عناصر غیر صفر کمتری نسبت به مقدار صفر وجود دارند و بنابراین می‌توان از حافظه کمتری برای ذخیره عناصر غیر صفر استفاده کرد.
– زمان محاسبه: با طراحی منطقی یک ساختار داده که فقط عناصر غیر صفر را بررسی می‌کند می توان زمان محاسبه را کاهش داد.
ماتریس زیر را در نظر بگیرید:
$$\begin{pmatrix}
۰ & ۰ & ۳ & ۰ & ۴
\\ ۰ & ۰ & ۵ & ۷ & ۰
\\ ۰ & ۰&۰&۰&۰
\\ ۰&۲&۶&۰&۰
\end{pmatrix}$$
مطالعه ادامه مطلب 👇👇
🔗 دستور Sparse در متلب | به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ رسم تابع در متلب — آموزش گام به گام + نمونه کد
رسم تابع در متلب دستورهای مختلفی دارد که در این مطلب آن‌ها را معرفی می‌کنیم و به بررسی چند مثال و نمونه کد می‌پردازیم. به صورت کلی دستورهای رسم تابع در متلب به ۱۱ گروه مختلف دسته‌بندی می‌شوند که هر یک ویژگی‌های خاصی دارند و نوع داده‌ای که به عنوان ورودی دریافت می‌کنند متفاوت است. انواع دستورهای رسم تابع در متلب را می‌توانید در تصویر (۱) مشاهده کنید.
══ فهرست مطالب ══
○ دستور plot
○ دستور plot۳
○ دستور stairs
○ دستور errorbar
○ دستور area
○ دستور stackedplot
○ دستور loglog
○ دستور semilogx
○ دستور semilogy
○ رسم تابع در متلب با دستور fplot
○ رسم تابع در متلب با دستور fplot۳
○ رسم تابع در متلب با دستور fimplicit
○ دستور histogram
○ دستور histogram۲
○ دستور pie
○ دستور pie۳
○ دستور scatter
○ دستور scatter۳
○ دستور scatterhistogram
○ دستور spy
○ دستور plotmatrix
○ دستور wordcloud
○ دستور parallelplot
○ دستور bar
○ دستور barh
○ دستور bar۳
○ دستور bar۳h
○ دستور pareto
○ دستور stem
○ دستور stem۳
○ رسم تابع در متلب با دستور polarplot
○ دستور polarhistogram
○ دستور polarscatter
○ دستور compass
○ رسم تابع در متلب با دستور ezpolar
○ رسم تابع در متلب با دستور surf
○ رسم تابع در متلب با دستور fimplicit۳
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 دستور plot
دستور plot(X،Y) یک نمودار دوبعدی از داده‌ها را در Y در برابر مقادیر مربوط به X ایجاد می‌کند. در این دستور اگر X و Y هر دو بردار باشند باید طول آن‌ها برابر باشد. اگر X و Y هر دو ماتریس باشند باید اندازه آن‌ها برابر باشد و در نتیجه دستور plot ستون‌های Y را در مقابل ستون‌های X رسم می‌کند.
اگر یکی از دو کمیت X یا Y بردار و دیگری ماتریس باشد آنگاه ماتریس باید ابعادی داشته باشد که یکی از ابعاد آن برابر با طول بردار باشد. اگر تعداد ردیف‌های ماتریس برابر با طول بردار باشد دستور plot هر ستون ماتریس را در برابر بردار رسم می‌کند. اگر تعداد ستون‌های ماتریس برابر با طول بردار باشد این دستور هر ردیف ماتریس را در مقابل بردار رسم می‌کند. اگر ماتریس یک ماتریس مربعی باشد دستور plot هر ستون را در مقابل بردار رسم می‌کند.
اگر یکی از دو کمیت X یا Y اسکالر باشد و دیگری اسکالر یا بردار باشد دستور plot یک نمودار نقاط گسسته را رسم می‌کند. با این حال برای دیدن نقاط باید یک علامت نشانگر را در دستور plot اضافه کنید و به عنوان مثال داریم: $$(X, Y, o)$$
🔸 دستور plot۳
plot۳ (X، Y، Z) مختصات x و y و z را در فضای ۳ بُعدی ترسیم می‌کند. برای رسم مجموعه‌ای از مختصات X ، Y و Z باید آن‌ها را به صورت بردارهایی با طول یکسان تعریف کنید.
همچنین برای ترسیم چند مجموعه مختصات در یک نمودار حداقل یکی از مختصات X ، Y یا Z را به عنوان ماتریس و بقیه را به عنوان بردار تعریف کنید.
t را به عنوان بردار مقادیر بین ۰ و $$۱۰\pi$$ تعریف کنید. st و ct را به عنوان بردار مقادیر سینوس و کسینوس تعریف کنید. سپس st ،ct و t را رسم کنید.
مطالعه ادامه مطلب 👇👇
🔗 رسم تابع در متلب — آموزش گام به گام + نمونه کد — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
رسم تابع در متلب دستورهای مختلفی دارد که در این مطلب آن‌ها را معرفی می‌کنیم و به بررسی چند مثال و نمونه کد می‌پردازیم. به صورت کلی دستورهای رسم تابع در متلب به ۱۱ گروه مختلف دسته‌بندی می‌شوند که هر یک ویژگی‌های خاصی دارند و نوع داده‌ای که به عنوان ورودی دریافت می‌کنند متفاوت است. انواع دستورهای رسم تابع در متلب را می‌توانید در تصویر (۱) مشاهده کنید.
══ فهرست مطالب ══
○ دستور plot
○ دستور plot۳
○ دستور stairs
○ دستور errorbar
○ دستور area
○ دستور stackedplot
○ دستور loglog
○ دستور semilogx
○ دستور semilogy
○ رسم تابع در متلب با دستور fplot
○ رسم تابع در متلب با دستور fplot۳
○ رسم تابع در متلب با دستور fimplicit
○ دستور histogram
○ دستور histogram۲
○ دستور pie
○ دستور pie۳
○ دستور scatter
○ دستور scatter۳
○ دستور scatterhistogram
○ دستور spy
○ دستور plotmatrix
○ دستور wordcloud
○ دستور parallelplot
○ دستور bar
○ دستور barh
○ دستور bar۳
○ دستور bar۳h
○ دستور pareto
○ دستور stem
○ دستور stem۳
○ رسم تابع در متلب با دستور polarplot
○ دستور polarhistogram
○ دستور polarscatter
○ دستور compass
○ رسم تابع در متلب با دستور ezpolar
○ رسم تابع در متلب با دستور surf
○ رسم تابع در متلب با دستور fimplicit۳
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 دستور plot
دستور plot(X،Y) یک نمودار دوبعدی از داده‌ها را در Y در برابر مقادیر مربوط به X ایجاد می‌کند. در این دستور اگر X و Y هر دو بردار باشند باید طول آن‌ها برابر باشد. اگر X و Y هر دو ماتریس باشند باید اندازه آن‌ها برابر باشد و در نتیجه دستور plot ستون‌های Y را در مقابل ستون‌های X رسم می‌کند.
اگر یکی از دو کمیت X یا Y بردار و دیگری ماتریس باشد آنگاه ماتریس باید ابعادی داشته باشد که یکی از ابعاد آن برابر با طول بردار باشد. اگر تعداد ردیف‌های ماتریس برابر با طول بردار باشد دستور plot هر ستون ماتریس را در برابر بردار رسم می‌کند. اگر تعداد ستون‌های ماتریس برابر با طول بردار باشد این دستور هر ردیف ماتریس را در مقابل بردار رسم می‌کند. اگر ماتریس یک ماتریس مربعی باشد دستور plot هر ستون را در مقابل بردار رسم می‌کند.
اگر یکی از دو کمیت X یا Y اسکالر باشد و دیگری اسکالر یا بردار باشد دستور plot یک نمودار نقاط گسسته را رسم می‌کند. با این حال برای دیدن نقاط باید یک علامت نشانگر را در دستور plot اضافه کنید و به عنوان مثال داریم: $$(X, Y, o)$$
🔸 دستور plot۳
plot۳ (X، Y، Z) مختصات x و y و z را در فضای ۳ بُعدی ترسیم می‌کند. برای رسم مجموعه‌ای از مختصات X ، Y و Z باید آن‌ها را به صورت بردارهایی با طول یکسان تعریف کنید.
همچنین برای ترسیم چند مجموعه مختصات در یک نمودار حداقل یکی از مختصات X ، Y یا Z را به عنوان ماتریس و بقیه را به عنوان بردار تعریف کنید.
t را به عنوان بردار مقادیر بین ۰ و $$۱۰\pi$$ تعریف کنید. st و ct را به عنوان بردار مقادیر سینوس و کسینوس تعریف کنید. سپس st ،ct و t را رسم کنید.
مطالعه ادامه مطلب 👇👇
🔗 رسم تابع در متلب — آموزش گام به گام + نمونه کد — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
══ فهرست مطالب ══
○ بخش اول: شروع برنامه نویسی متلب
○ بخش دوم: حلقه‌ها
○ بخش سوم: شاخه‌گزینی و شروط
○ بخش چهارم: آرایه و ماتریس
○ بخش پنجم: رسم نمودار
○ بخش ششم: تابع تعریف شده توسط کاربر
○ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
○ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه نویسی متلب
این بخش شامل چند برنامه ساده برای آشنایی با برنامه‌نویسی در متلب است.
برنامه زیر را بنویسید و آن را اجرا کنید.
خروجی این برنامه ۸ خواهد بود.
🔸 بخش دوم: حلقه‌ها
حلقه‌ها بخش مهمی از برنامه‌نویسی را تشکیل می‌دهند. در این بخش با شیوه نوشتن حلقه‌ها در متلب آشنا می‌شویم.
برنامه زیر را بنویسید و نتیجه را ببینید.
نتیجه به صورت زیر خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
══ فهرست مطالب ══
○ بخش اول: شروع برنامه نویسی متلب
○ بخش دوم: حلقه‌ها
○ بخش سوم: شاخه‌گزینی و شروط
○ بخش چهارم: آرایه و ماتریس
○ بخش پنجم: رسم نمودار
○ بخش ششم: تابع تعریف شده توسط کاربر
○ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
○ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه نویسی متلب
این بخش شامل چند برنامه ساده برای آشنایی با برنامه‌نویسی در متلب است.
برنامه زیر را بنویسید و آن را اجرا کنید.
خروجی این برنامه ۸ خواهد بود.
🔸 بخش دوم: حلقه‌ها
حلقه‌ها بخش مهمی از برنامه‌نویسی را تشکیل می‌دهند. در این بخش با شیوه نوشتن حلقه‌ها در متلب آشنا می‌شویم.
برنامه زیر را بنویسید و نتیجه را ببینید.
نتیجه به صورت زیر خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ دستور Sparse در متلب | به زبان ساده
در این مطلب قصد داریم در مورد ماتریس Sparse و ویژگی‌های آن و نحوه ساخت این ماتریس در متلب صحبت کنیم. در مورد ماتریس می‌دانیم که ویژگی دو بعدی در ریاضیات است که می‌تواند دارای $$m$$ سطر و $$n$$ ستون باشد. در این مطلب در مورد نوع ویژه‌ای از ماتریس یعنی ماتریس Sparse در متلب صحبت خواهیم کرد.
══ فهرست مطالب ══
○ ماتریس Sparse چیست؟
○ ماتریس Sparse چه ویژگی‌هایی دارد؟
○ مزایای محاسباتی ماتریس‌های Sparse در متلب
○ چگونه در متلب ماتریس Sparse تولید کنیم؟
○ دستورهای موجود در متلب برای ماتریس Sparse چیست؟
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 ماتریس Sparse چیست؟
اگر در یک ماتریس بیشتر عناصر آن صفر باشند ماتریس را یک ماتریس Sparse می‌نامیم. به همین دلیل در ترجمه فارسی به این کمیت «ماتریس تُنُک» (Sparse Matrix) نیز می‌گویند.
این ماتریس‌ها داده‌های دوبل یا منطقی را فراهم می‌کنند که درصد زیادی از اعضای آن‌ها صفر است. این موضوع زمانی مهم می‌شود که بدانیم ماتریس‌های کامل (یا متراکم) هر یک از عناصر ماتریس را صرف نظر از مقدار در حافظه ذخیره می‌کنند، در حالیکه ماتریس‌های تُنُک فقط عناصر غیر صفر و شاخص‌های ردیف آن‌ها را ذخیره می‌کنند. به همین دلیل استفاده از ماتریس‌های تُنُک می‌تواند مقدار حافظه مورد نیاز برای ذخیره اطلاعات را به میزان قابل توجهی کاهش دهد.
🔸 ماتریس Sparse چه ویژگی‌هایی دارد؟
در مورد ویژگی‌های این ماتریس باید به دو نکته اشاره کرد:
– ذخیره سازی: در این ماتریس عناصر غیر صفر کمتری نسبت به مقدار صفر وجود دارند و بنابراین می‌توان از حافظه کمتری برای ذخیره عناصر غیر صفر استفاده کرد.
– زمان محاسبه: با طراحی منطقی یک ساختار داده که فقط عناصر غیر صفر را بررسی می‌کند می توان زمان محاسبه را کاهش داد.
ماتریس زیر را در نظر بگیرید:
$$\begin{pmatrix}
۰ & ۰ & ۳ & ۰ & ۴
\\ ۰ & ۰ & ۵ & ۷ & ۰
\\ ۰ & ۰&۰&۰&۰
\\ ۰&۲&۶&۰&۰
\end{pmatrix}$$
مطالعه ادامه مطلب 👇👇
🔗 دستور Sparse در متلب | به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب قصد داریم در مورد ماتریس Sparse و ویژگی‌های آن و نحوه ساخت این ماتریس در متلب صحبت کنیم. در مورد ماتریس می‌دانیم که ویژگی دو بعدی در ریاضیات است که می‌تواند دارای $$m$$ سطر و $$n$$ ستون باشد. در این مطلب در مورد نوع ویژه‌ای از ماتریس یعنی ماتریس Sparse در متلب صحبت خواهیم کرد.
══ فهرست مطالب ══
○ ماتریس Sparse چیست؟
○ ماتریس Sparse چه ویژگی‌هایی دارد؟
○ مزایای محاسباتی ماتریس‌های Sparse در متلب
○ چگونه در متلب ماتریس Sparse تولید کنیم؟
○ دستورهای موجود در متلب برای ماتریس Sparse چیست؟
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 ماتریس Sparse چیست؟
اگر در یک ماتریس بیشتر عناصر آن صفر باشند ماتریس را یک ماتریس Sparse می‌نامیم. به همین دلیل در ترجمه فارسی به این کمیت «ماتریس تُنُک» (Sparse Matrix) نیز می‌گویند.
این ماتریس‌ها داده‌های دوبل یا منطقی را فراهم می‌کنند که درصد زیادی از اعضای آن‌ها صفر است. این موضوع زمانی مهم می‌شود که بدانیم ماتریس‌های کامل (یا متراکم) هر یک از عناصر ماتریس را صرف نظر از مقدار در حافظه ذخیره می‌کنند، در حالیکه ماتریس‌های تُنُک فقط عناصر غیر صفر و شاخص‌های ردیف آن‌ها را ذخیره می‌کنند. به همین دلیل استفاده از ماتریس‌های تُنُک می‌تواند مقدار حافظه مورد نیاز برای ذخیره اطلاعات را به میزان قابل توجهی کاهش دهد.
🔸 ماتریس Sparse چه ویژگی‌هایی دارد؟
در مورد ویژگی‌های این ماتریس باید به دو نکته اشاره کرد:
– ذخیره سازی: در این ماتریس عناصر غیر صفر کمتری نسبت به مقدار صفر وجود دارند و بنابراین می‌توان از حافظه کمتری برای ذخیره عناصر غیر صفر استفاده کرد.
– زمان محاسبه: با طراحی منطقی یک ساختار داده که فقط عناصر غیر صفر را بررسی می‌کند می توان زمان محاسبه را کاهش داد.
ماتریس زیر را در نظر بگیرید:
$$\begin{pmatrix}
۰ & ۰ & ۳ & ۰ & ۴
\\ ۰ & ۰ & ۵ & ۷ & ۰
\\ ۰ & ۰&۰&۰&۰
\\ ۰&۲&۶&۰&۰
\end{pmatrix}$$
مطالعه ادامه مطلب 👇👇
🔗 دستور Sparse در متلب | به زبان ساده — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
❇️ مقاله آموزشی جامع برنامه‌نویسی در متلب (MATLAB)
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
🔹 فهرست مطالب این نوشته
▫️ بخش اول: شروع برنامه‌نویسی متلب
▫️ بخش دوم: حلقه‌ها
▫️ بخش سوم: شاخه‌گزینی و شروط
▫️ بخش چهارم: آرایه و ماتریس
▫️ بخش پنجم: رسم نمودار
▫️ بخش ششم: تابع تعریف شده توسط کاربر
▫️ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
▫️ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه‌نویسی متلب
همان‌طور که می‌دانید، مهمترین نکته در برنامه‌نویسی، به هر زبانی، توانایی یادگیری و پیاده‌سازی الگوریتم‌ها است. بنابراین، پیش از آنکه برنامه‌نویسی را آغاز کنید باید با مفاهیم و مقدمات الگوریتم‌ها آشنایی داشته باشید.
در این آموزش، برنامه‌نویسی متلب را به صورت گام به گام بیان می‌کنیم؛ بدین ترتیب که ابزارها و دستورات اساسی برنامه‌نویسی در متلب را در قالب ساده‌ترین مثال‌ها ارائه خواهیم کرد. همان‌طور که گفتیم، این آموزشِ گام به گام مبتنی بر مثال است و برای یادگیری باید هر یک از برنامه‌ها را در متلب نوشته و آن را اجرا کنید. محتوای این آموزش در هفت بخش ارائه می‌شود.
بخش اول شامل برنامه‌های ساده‌ای است که برای آشنایی با برنامه‌نویسی در متلب ارائه شده‌اند. در بخش دوم و سوم، شیوه نوشتن حلقه‌ها و شروط در متلب بیان شده است. بخش چهارم به آرایهها و ماتریس‌ها اختصاص دارد و در بخش پنجم نحوه رسم نمودار در متلب ارائه شده است.
علاوه بر توابع از پیش تعریف شده متلب، کاربر نیز می‌تواند بسته به نیاز، توابع مورد نظر خود را تعریف کند. در بخش ششم، تعریف توابع توسط کاربر ارائه شده است. در نهایت، در بخش هفتم چگونگی استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی بیان شده است.
ادامه این مطلب رایگان را در مجله فرادرس در لینک زیر بخوانید.
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام — کلیک کنید.
📌 کانال اختصاصی آموزش‌های رایگان برنامه‌نویسی متلب
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب را در کانال اختصاصی برنامه‌نویسی متلب فرادرس [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب فرادرس
❇️ مقاله آموزشی جامع برنامه‌نویسی در متلب (MATLAB)
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
🔹 فهرست مطالب این نوشته
▫️ بخش اول: شروع برنامه‌نویسی متلب
▫️ بخش دوم: حلقه‌ها
▫️ بخش سوم: شاخه‌گزینی و شروط
▫️ بخش چهارم: آرایه و ماتریس
▫️ بخش پنجم: رسم نمودار
▫️ بخش ششم: تابع تعریف شده توسط کاربر
▫️ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
▫️ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه‌نویسی متلب
همان‌طور که می‌دانید، مهمترین نکته در برنامه‌نویسی، به هر زبانی، توانایی یادگیری و پیاده‌سازی الگوریتم‌ها است. بنابراین، پیش از آنکه برنامه‌نویسی را آغاز کنید باید با مفاهیم و مقدمات الگوریتم‌ها آشنایی داشته باشید.
در این آموزش، برنامه‌نویسی متلب را به صورت گام به گام بیان می‌کنیم؛ بدین ترتیب که ابزارها و دستورات اساسی برنامه‌نویسی در متلب را در قالب ساده‌ترین مثال‌ها ارائه خواهیم کرد. همان‌طور که گفتیم، این آموزشِ گام به گام مبتنی بر مثال است و برای یادگیری باید هر یک از برنامه‌ها را در متلب نوشته و آن را اجرا کنید. محتوای این آموزش در هفت بخش ارائه می‌شود.
بخش اول شامل برنامه‌های ساده‌ای است که برای آشنایی با برنامه‌نویسی در متلب ارائه شده‌اند. در بخش دوم و سوم، شیوه نوشتن حلقه‌ها و شروط در متلب بیان شده است. بخش چهارم به آرایهها و ماتریس‌ها اختصاص دارد و در بخش پنجم نحوه رسم نمودار در متلب ارائه شده است.
علاوه بر توابع از پیش تعریف شده متلب، کاربر نیز می‌تواند بسته به نیاز، توابع مورد نظر خود را تعریف کند. در بخش ششم، تعریف توابع توسط کاربر ارائه شده است. در نهایت، در بخش هفتم چگونگی استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی بیان شده است.
ادامه این مطلب رایگان را در مجله فرادرس در لینک زیر بخوانید.
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام — کلیک کنید.
📌 کانال اختصاصی آموزش‌های رایگان برنامه‌نویسی متلب
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب را در کانال اختصاصی برنامه‌نویسی متلب فرادرس [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب فرادرس
✳️ رسم نمودار ماتریس در متلب | گام به گام و کاربردی
در این مطلب قصد داریم رسم نمودار ماتریس در متلب را آموزش دهیم. به این منظور ابتدا روش‌های تولید و ساخت یک بردار و ماتریس را توضیح می‌دهیم و سپس از دستورهای مختلف برای رسم نمودار ماتریس در متلب استفاده خواهیم کرد.
══ فهرست مطالب ══
○ ساخت بردارهای عددی منظم در متلب
○ ساخت ماتریس در متلب
○ رسم نمودار ماتریس در متلب با دستور plot
○ رسم نمودار ماتریس در متلب با دستور imagesc
○ رسم نمودار ماتریس در متلب با دستور plot۳
○ رسم نمودار ماتریس با استفاده از دستور plotmatrix
○ رسم نمودار ماتریس در متلب با استفاده از دستور stem۳
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 ساخت بردارهای عددی منظم در متلب
در حل معادلات به صورت عددی غالباً از بردارهای عددی منظم استفاده می‌کنیم. برای تولید این بردارها در متلب دو روش وجود دارد. روش اول استفاده از دستور دونقطه است که در آن بردار برابر با نقطه شروع: گام حرکت: نقطه پایان است. برای مثال برای ساخت برداری با نقطه شروع صفر، گام حرکت ۰/۵ و نقطه پایان ۵ به صورت زیر عمل می‌کنیم:
که با اجرای آن بردار $$x$$ از صفر تا ۵ با گام‌های به طول ۰/۵ ایجاد می‌شود. اما اگر به جای اندازه و طول گام‌ها تعداد آرایهها مهم باشد از دستور $$linspace$$ استفاده می‌کنیم. در این حالت نیز برای تعریف بردار به سه کمیت نیاز داریم که شامل نقطه شروع، نقطه پایان و تعداد آرایهها است و داریم:
که با اجرای آن بردار $$y$$ در بازه ۰ تا ۱۰ به ۱۱ آرایه تقسیم می‌شود. نکته قابل توجه این است که در روش linspace نقاط ابتدایی و انتهایی نیز جزو آرایهها است، اما در روش دونقطه ممکن است نقطه انتهایی جزو آرایه‌های بردار نباشد. به همین دلیل اگر در مسئله‌ای که بررسی می‌کنید نقاط شروع و پایان مهم است بهتر است از دستور linspace استفاده کنید.
🔸 ساخت ماتریس در متلب
در نرم افزار متلب دستورهایی برای ساخت ماتریس به صورت منظم وجود دارد. اولین دستور ساخت ماتریس دستوری است که به ما کمک می‌کند که ماتریسی با درایه‌های صفر بسازیم و در این صورت داریم:
ماتریس ساخته شده ۳ سطر و ۴ ستون دارد و مقدار تمام آرایه‌های آن صفر است. این دستور برای ساخت یک ماتریس مربعی ۳ در ۳ به صورت $$a=zeros(۳,۳)$$ در می‌آید. در دستور zeros اگر ورودی دوم را به دستور ندهیم به صورت پیش فرض یک ماتریس مربعی با آرایه‌های صفر و m سطر و ستون ساخته می‌شود. حال می‌توانیم به راحتی به ماتریس مقداردهی کنیم. این کار کمک می‌کند که متلب بداند ماتریس A چه حجمی از فضا را اشغال می‌کند و سپس به آرایهها مقداردهی می‌کنیم. با استفاده از دستور $$A(m,n)=k$$ به سطر m و ستون n در ماتریس A مقدار k را می‌دهیم.
برای تولید ماتریس با آرایه‌های یک از دستور ones استفاده می‌کنیم و داریم:
مطالعه ادامه مطلب 👇👇
🔗 رسم نمودار ماتریس در متلب | گام به گام و کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب قصد داریم رسم نمودار ماتریس در متلب را آموزش دهیم. به این منظور ابتدا روش‌های تولید و ساخت یک بردار و ماتریس را توضیح می‌دهیم و سپس از دستورهای مختلف برای رسم نمودار ماتریس در متلب استفاده خواهیم کرد.
══ فهرست مطالب ══
○ ساخت بردارهای عددی منظم در متلب
○ ساخت ماتریس در متلب
○ رسم نمودار ماتریس در متلب با دستور plot
○ رسم نمودار ماتریس در متلب با دستور imagesc
○ رسم نمودار ماتریس در متلب با دستور plot۳
○ رسم نمودار ماتریس با استفاده از دستور plotmatrix
○ رسم نمودار ماتریس در متلب با استفاده از دستور stem۳
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 ساخت بردارهای عددی منظم در متلب
در حل معادلات به صورت عددی غالباً از بردارهای عددی منظم استفاده می‌کنیم. برای تولید این بردارها در متلب دو روش وجود دارد. روش اول استفاده از دستور دونقطه است که در آن بردار برابر با نقطه شروع: گام حرکت: نقطه پایان است. برای مثال برای ساخت برداری با نقطه شروع صفر، گام حرکت ۰/۵ و نقطه پایان ۵ به صورت زیر عمل می‌کنیم:
که با اجرای آن بردار $$x$$ از صفر تا ۵ با گام‌های به طول ۰/۵ ایجاد می‌شود. اما اگر به جای اندازه و طول گام‌ها تعداد آرایهها مهم باشد از دستور $$linspace$$ استفاده می‌کنیم. در این حالت نیز برای تعریف بردار به سه کمیت نیاز داریم که شامل نقطه شروع، نقطه پایان و تعداد آرایهها است و داریم:
که با اجرای آن بردار $$y$$ در بازه ۰ تا ۱۰ به ۱۱ آرایه تقسیم می‌شود. نکته قابل توجه این است که در روش linspace نقاط ابتدایی و انتهایی نیز جزو آرایهها است، اما در روش دونقطه ممکن است نقطه انتهایی جزو آرایه‌های بردار نباشد. به همین دلیل اگر در مسئله‌ای که بررسی می‌کنید نقاط شروع و پایان مهم است بهتر است از دستور linspace استفاده کنید.
🔸 ساخت ماتریس در متلب
در نرم افزار متلب دستورهایی برای ساخت ماتریس به صورت منظم وجود دارد. اولین دستور ساخت ماتریس دستوری است که به ما کمک می‌کند که ماتریسی با درایه‌های صفر بسازیم و در این صورت داریم:
ماتریس ساخته شده ۳ سطر و ۴ ستون دارد و مقدار تمام آرایه‌های آن صفر است. این دستور برای ساخت یک ماتریس مربعی ۳ در ۳ به صورت $$a=zeros(۳,۳)$$ در می‌آید. در دستور zeros اگر ورودی دوم را به دستور ندهیم به صورت پیش فرض یک ماتریس مربعی با آرایه‌های صفر و m سطر و ستون ساخته می‌شود. حال می‌توانیم به راحتی به ماتریس مقداردهی کنیم. این کار کمک می‌کند که متلب بداند ماتریس A چه حجمی از فضا را اشغال می‌کند و سپس به آرایهها مقداردهی می‌کنیم. با استفاده از دستور $$A(m,n)=k$$ به سطر m و ستون n در ماتریس A مقدار k را می‌دهیم.
برای تولید ماتریس با آرایه‌های یک از دستور ones استفاده می‌کنیم و داریم:
مطالعه ادامه مطلب 👇👇
🔗 رسم نمودار ماتریس در متلب | گام به گام و کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ کدهای متلب محاسبات عددی | دانلود رایگان مجموعه کامل
در این مطلب روش‌ها و کدهای متلب محاسبات عددی را معرفی می‌کنیم. محاسبات عددی روش‌ها و ویژگی‌های متفاوتی دارند. در این مبحث ضمن معرفی این روش‌ها، کدها و حل دستی برخی از آن‌ها را معرفی می‌کنیم. اگر شما نیز برای حل مسائل ریاضی، مهندسی یا فیزیکی خود به حل عددی نیازمند هستید خواندن این مطلب را از دست ندهید.
══ فهرست مطالب ══
○ محاسبات عددی در متلب
○ حل عددی دستگاه معادلات خطی
○ درون‌یابی و برازش
○ مشتق و انتگرال‌گیری عددی
○ حل عددی معادلات دیفرانسیل معمولی
○ حل عددی معادلات دیفرانسیل غیرخطی
○ معرفی فیلم آموزش محاسبات عددی با MATLAB
○ جمع بندی
🔸 محاسبات عددی در متلب
محاسبات عددی روشی برای حل مسائل پیچیده ریاضی است که فقط با استفاده از عملگرهای ساده ریاضی انجام می‌شود. این روش شامل فرمول‌بندی فیزیکی مدل‌های ریاضی و موقعیت‌هایی است که می‌توان با عملگرهای ریاضی حل کرد. برای محاسبات عددی نیاز به توسعه، تجزیه و تحلیل و استفاده از الگوریتم‌ها است. این محاسبات شامل تعداد زیادی محاسبات ریاضی هستند و بنابراین به دستگاه‌های محاسباتی سریع و کارآمد احتیاج دارند. انقلاب میکروالکترونیک و متعاقب آن توسعه رایانه‌های شخصی ارزان و کم هزینه تأثیر به سزایی در استفاده از روش‌های عددی برای حل مشکلات علمی داشته است. روش‌های معادلات عددی برای حل حالت‌های زیر اتفاق می‌افتد:
– معادلات غیر خطی تک متغیره که حل تحلیلی و بسته ندارند و برای آن‌ها باید از حل عددی استفاده کرد.
– روش درون‌یابی و برازش برای پیدا کردن معادلاتی که داده‌هایی از آن را داریم.
– حل عددی مشتق‌ها و انتگرال‌هایی که حل تحلیلی و دقیقی ندارند.
– حل عددی معادلات دیفرانسیل معمولی یا ODE
– حل عددی دستگاه معادلات خطی یا غیرخطی. البته حل تحلیلی دستگاه معادلات خطی غالباً امکان‌پذیر است اما در حالتی که تعداد متغیرها و معادلات زیاد باشند حل تحلیلی این معادلات زمان زیادی می‌گیرد و در این حالت بهتر است به حل عددی روی بیاوریم.
– حل عددی برای به دست آوردن ویژه مقادیر ماتریس‌ها.
– الگوریتم حداقل مربعات که مجموعه‌ای از داده‌ها را با یک تابع نمایی، هایپربولیک یا … فیت می‌کند و به این ترتیب اطلاعات بیشتری از یک سیستم به دست می‌آوریم.
– بهینه سازی عددی نیز برای بهینه کردن یک پارامتر در یک سیستم به کار می‌رود.
نکته‌ای که در محاسبات عددی مهم است میزان خطا در این محاسبات است که باید آن را نیز مد نظر قرار داد. در این مطلب چند روش محاسبه عددی در متلب را معرفی می‌کنیم و چند مثال از این روش‌ها را حل می‌کنیم.
🔸 حل عددی دستگاه معادلات خطی
در روش حل عددی دستگاه معادلات خطی می‌توان به روش‌های تکراری و غیرتکراری در نرم افزار متلب اشاره کرد که به گروه‌های زیر تقسیم‌بندی می‌شوند:
روش‌های غیرتکراری
– کدهای متلب محاسبات عددی و روش گاوس ناقص
– کدهای متلب محاسبات عددی و روش گاوس یا پیووتینگ
– کدهای متلب محاسبات عددی و روش تجزیه LU
روش‌های تکراری
مطالعه ادامه مطلب 👇👇
🔗 کدهای متلب محاسبات عددی | دانلود رایگان مجموعه کامل — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب روش‌ها و کدهای متلب محاسبات عددی را معرفی می‌کنیم. محاسبات عددی روش‌ها و ویژگی‌های متفاوتی دارند. در این مبحث ضمن معرفی این روش‌ها، کدها و حل دستی برخی از آن‌ها را معرفی می‌کنیم. اگر شما نیز برای حل مسائل ریاضی، مهندسی یا فیزیکی خود به حل عددی نیازمند هستید خواندن این مطلب را از دست ندهید.
══ فهرست مطالب ══
○ محاسبات عددی در متلب
○ حل عددی دستگاه معادلات خطی
○ درون‌یابی و برازش
○ مشتق و انتگرال‌گیری عددی
○ حل عددی معادلات دیفرانسیل معمولی
○ حل عددی معادلات دیفرانسیل غیرخطی
○ معرفی فیلم آموزش محاسبات عددی با MATLAB
○ جمع بندی
🔸 محاسبات عددی در متلب
محاسبات عددی روشی برای حل مسائل پیچیده ریاضی است که فقط با استفاده از عملگرهای ساده ریاضی انجام می‌شود. این روش شامل فرمول‌بندی فیزیکی مدل‌های ریاضی و موقعیت‌هایی است که می‌توان با عملگرهای ریاضی حل کرد. برای محاسبات عددی نیاز به توسعه، تجزیه و تحلیل و استفاده از الگوریتم‌ها است. این محاسبات شامل تعداد زیادی محاسبات ریاضی هستند و بنابراین به دستگاه‌های محاسباتی سریع و کارآمد احتیاج دارند. انقلاب میکروالکترونیک و متعاقب آن توسعه رایانه‌های شخصی ارزان و کم هزینه تأثیر به سزایی در استفاده از روش‌های عددی برای حل مشکلات علمی داشته است. روش‌های معادلات عددی برای حل حالت‌های زیر اتفاق می‌افتد:
– معادلات غیر خطی تک متغیره که حل تحلیلی و بسته ندارند و برای آن‌ها باید از حل عددی استفاده کرد.
– روش درون‌یابی و برازش برای پیدا کردن معادلاتی که داده‌هایی از آن را داریم.
– حل عددی مشتق‌ها و انتگرال‌هایی که حل تحلیلی و دقیقی ندارند.
– حل عددی معادلات دیفرانسیل معمولی یا ODE
– حل عددی دستگاه معادلات خطی یا غیرخطی. البته حل تحلیلی دستگاه معادلات خطی غالباً امکان‌پذیر است اما در حالتی که تعداد متغیرها و معادلات زیاد باشند حل تحلیلی این معادلات زمان زیادی می‌گیرد و در این حالت بهتر است به حل عددی روی بیاوریم.
– حل عددی برای به دست آوردن ویژه مقادیر ماتریس‌ها.
– الگوریتم حداقل مربعات که مجموعه‌ای از داده‌ها را با یک تابع نمایی، هایپربولیک یا … فیت می‌کند و به این ترتیب اطلاعات بیشتری از یک سیستم به دست می‌آوریم.
– بهینه سازی عددی نیز برای بهینه کردن یک پارامتر در یک سیستم به کار می‌رود.
نکته‌ای که در محاسبات عددی مهم است میزان خطا در این محاسبات است که باید آن را نیز مد نظر قرار داد. در این مطلب چند روش محاسبه عددی در متلب را معرفی می‌کنیم و چند مثال از این روش‌ها را حل می‌کنیم.
🔸 حل عددی دستگاه معادلات خطی
در روش حل عددی دستگاه معادلات خطی می‌توان به روش‌های تکراری و غیرتکراری در نرم افزار متلب اشاره کرد که به گروه‌های زیر تقسیم‌بندی می‌شوند:
روش‌های غیرتکراری
– کدهای متلب محاسبات عددی و روش گاوس ناقص
– کدهای متلب محاسبات عددی و روش گاوس یا پیووتینگ
– کدهای متلب محاسبات عددی و روش تجزیه LU
روش‌های تکراری
مطالعه ادامه مطلب 👇👇
🔗 کدهای متلب محاسبات عددی | دانلود رایگان مجموعه کامل — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ رسم تابع در متلب — آموزش گام به گام + نمونه کد
رسم تابع در متلب دستورهای مختلفی دارد که در این مطلب آن‌ها را معرفی می‌کنیم و به بررسی چند مثال و نمونه کد می‌پردازیم. به صورت کلی دستورهای رسم تابع در متلب به ۱۱ گروه مختلف دسته‌بندی می‌شوند که هر یک ویژگی‌های خاصی دارند و نوع داده‌ای که به عنوان ورودی دریافت می‌کنند متفاوت است. انواع دستورهای رسم تابع در متلب را می‌توانید در تصویر (۱) مشاهده کنید.
══ فهرست مطالب ══
○ دستور plot
○ دستور plot۳
○ دستور stairs
○ دستور errorbar
○ دستور area
○ دستور stackedplot
○ دستور loglog
○ دستور semilogx
○ دستور semilogy
○ رسم تابع در متلب با دستور fplot
○ رسم تابع در متلب با دستور fplot۳
○ رسم تابع در متلب با دستور fimplicit
○ دستور histogram
○ دستور histogram۲
○ دستور pie
○ دستور pie۳
○ دستور scatter
○ دستور scatter۳
○ دستور scatterhistogram
○ دستور spy
○ دستور plotmatrix
○ دستور wordcloud
○ دستور parallelplot
○ دستور bar
○ دستور barh
○ دستور bar۳
○ دستور bar۳h
○ دستور pareto
○ دستور stem
○ دستور stem۳
○ رسم تابع در متلب با دستور polarplot
○ دستور polarhistogram
○ دستور polarscatter
○ دستور compass
○ رسم تابع در متلب با دستور ezpolar
○ رسم تابع در متلب با دستور surf
○ رسم تابع در متلب با دستور fimplicit۳
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 دستور plot
دستور plot(X،Y) یک نمودار دوبعدی از داده‌ها را در Y در برابر مقادیر مربوط به X ایجاد می‌کند. در این دستور اگر X و Y هر دو بردار باشند باید طول آن‌ها برابر باشد. اگر X و Y هر دو ماتریس باشند باید اندازه آن‌ها برابر باشد و در نتیجه دستور plot ستون‌های Y را در مقابل ستون‌های X رسم می‌کند.
اگر یکی از دو کمیت X یا Y بردار و دیگری ماتریس باشد آنگاه ماتریس باید ابعادی داشته باشد که یکی از ابعاد آن برابر با طول بردار باشد. اگر تعداد ردیف‌های ماتریس برابر با طول بردار باشد دستور plot هر ستون ماتریس را در برابر بردار رسم می‌کند. اگر تعداد ستون‌های ماتریس برابر با طول بردار باشد این دستور هر ردیف ماتریس را در مقابل بردار رسم می‌کند. اگر ماتریس یک ماتریس مربعی باشد دستور plot هر ستون را در مقابل بردار رسم می‌کند.
اگر یکی از دو کمیت X یا Y اسکالر باشد و دیگری اسکالر یا بردار باشد دستور plot یک نمودار نقاط گسسته را رسم می‌کند. با این حال برای دیدن نقاط باید یک علامت نشانگر را در دستور plot اضافه کنید و به عنوان مثال داریم: $$(X, Y, o)$$
🔸 دستور plot۳
plot۳ (X، Y، Z) مختصات x و y و z را در فضای ۳ بُعدی ترسیم می‌کند. برای رسم مجموعه‌ای از مختصات X ، Y و Z باید آن‌ها را به صورت بردارهایی با طول یکسان تعریف کنید.
همچنین برای ترسیم چند مجموعه مختصات در یک نمودار حداقل یکی از مختصات X ، Y یا Z را به عنوان ماتریس و بقیه را به عنوان بردار تعریف کنید.
t را به عنوان بردار مقادیر بین ۰ و $$۱۰\pi$$ تعریف کنید. st و ct را به عنوان بردار مقادیر سینوس و کسینوس تعریف کنید. سپس st ،ct و t را رسم کنید.
مطالعه ادامه مطلب 👇👇
🔗 رسم تابع در متلب — آموزش گام به گام + نمونه کد — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
رسم تابع در متلب دستورهای مختلفی دارد که در این مطلب آن‌ها را معرفی می‌کنیم و به بررسی چند مثال و نمونه کد می‌پردازیم. به صورت کلی دستورهای رسم تابع در متلب به ۱۱ گروه مختلف دسته‌بندی می‌شوند که هر یک ویژگی‌های خاصی دارند و نوع داده‌ای که به عنوان ورودی دریافت می‌کنند متفاوت است. انواع دستورهای رسم تابع در متلب را می‌توانید در تصویر (۱) مشاهده کنید.
══ فهرست مطالب ══
○ دستور plot
○ دستور plot۳
○ دستور stairs
○ دستور errorbar
○ دستور area
○ دستور stackedplot
○ دستور loglog
○ دستور semilogx
○ دستور semilogy
○ رسم تابع در متلب با دستور fplot
○ رسم تابع در متلب با دستور fplot۳
○ رسم تابع در متلب با دستور fimplicit
○ دستور histogram
○ دستور histogram۲
○ دستور pie
○ دستور pie۳
○ دستور scatter
○ دستور scatter۳
○ دستور scatterhistogram
○ دستور spy
○ دستور plotmatrix
○ دستور wordcloud
○ دستور parallelplot
○ دستور bar
○ دستور barh
○ دستور bar۳
○ دستور bar۳h
○ دستور pareto
○ دستور stem
○ دستور stem۳
○ رسم تابع در متلب با دستور polarplot
○ دستور polarhistogram
○ دستور polarscatter
○ دستور compass
○ رسم تابع در متلب با دستور ezpolar
○ رسم تابع در متلب با دستور surf
○ رسم تابع در متلب با دستور fimplicit۳
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 دستور plot
دستور plot(X،Y) یک نمودار دوبعدی از داده‌ها را در Y در برابر مقادیر مربوط به X ایجاد می‌کند. در این دستور اگر X و Y هر دو بردار باشند باید طول آن‌ها برابر باشد. اگر X و Y هر دو ماتریس باشند باید اندازه آن‌ها برابر باشد و در نتیجه دستور plot ستون‌های Y را در مقابل ستون‌های X رسم می‌کند.
اگر یکی از دو کمیت X یا Y بردار و دیگری ماتریس باشد آنگاه ماتریس باید ابعادی داشته باشد که یکی از ابعاد آن برابر با طول بردار باشد. اگر تعداد ردیف‌های ماتریس برابر با طول بردار باشد دستور plot هر ستون ماتریس را در برابر بردار رسم می‌کند. اگر تعداد ستون‌های ماتریس برابر با طول بردار باشد این دستور هر ردیف ماتریس را در مقابل بردار رسم می‌کند. اگر ماتریس یک ماتریس مربعی باشد دستور plot هر ستون را در مقابل بردار رسم می‌کند.
اگر یکی از دو کمیت X یا Y اسکالر باشد و دیگری اسکالر یا بردار باشد دستور plot یک نمودار نقاط گسسته را رسم می‌کند. با این حال برای دیدن نقاط باید یک علامت نشانگر را در دستور plot اضافه کنید و به عنوان مثال داریم: $$(X, Y, o)$$
🔸 دستور plot۳
plot۳ (X، Y، Z) مختصات x و y و z را در فضای ۳ بُعدی ترسیم می‌کند. برای رسم مجموعه‌ای از مختصات X ، Y و Z باید آن‌ها را به صورت بردارهایی با طول یکسان تعریف کنید.
همچنین برای ترسیم چند مجموعه مختصات در یک نمودار حداقل یکی از مختصات X ، Y یا Z را به عنوان ماتریس و بقیه را به عنوان بردار تعریف کنید.
t را به عنوان بردار مقادیر بین ۰ و $$۱۰\pi$$ تعریف کنید. st و ct را به عنوان بردار مقادیر سینوس و کسینوس تعریف کنید. سپس st ،ct و t را رسم کنید.
مطالعه ادامه مطلب 👇👇
🔗 رسم تابع در متلب — آموزش گام به گام + نمونه کد — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ پایتون یا متلب کدام بهتر است؟ — راهنمای جامع
زبانهای برنامه‌نویسی، یکی از اساسی‌ترین بخش‌های «علم کامپیوتر» (Computer Science) محسوب می‌شوند. به عبارت دیگر، یکی از مهمترین ابزارهای در دسترس برنامه‌نویسان و توسعه‌دهندگان برای پیش‌برد اهداف مرتبط با «خودکارسازی وظایف» (Task Automation) و توسعه برنامه‌های کاربردی هستند. همچنین، زبانهای برنامه‌نویسی ابزاری حیاتی جهت رسیدن به اهداف کلان سازمانی در صنایع و شرکت‌های تجاری به شمار می‌آیند. انتخاب پایتون یا متلب به عنوان زبان برنامه‌نویسی مقصد (به ویژه برای افرادی که آشنایی کافی با مفاهیم برنامه‌نویسی ندارند و به نوعی، تازه‌واردان عرصه برنامه‌نویسی محسوب می‌شوند)، سؤالی است که ذهن بسیاری از فعالان و علاقه‌مندان به حوزه برنامه‌نویسی را به خود معطوف کرده است.
══ فهرست مطالب ══
○ پایتون یا متلب
○ درآمد سالانه و آینده شغلی برنامه‌نویسان کدام زبان بهتر است، پایتون یا متلب؟
○ مقایسه محبوبیت پایتون و متلب
○ مقایسه ساختاری پایتون و متلب
○ مقایسه پایتون و متلب از لحاظ عملکرد و سرعت اجرای برنامه‌ها
○ جمع‌بندی
🔸 پایتون یا متلب
«زبان برنامه‌نویسی متلب» (MATLAB Programming Language)، یک «محیط محاسبات عددی چندالگویی» (Multi-paradigm Numerical Computing Environment) و یک «زبان برنامه‌نویسی اختصاصی» (Proprietary Programming Language) توسعه داده شده به وسیله شرکت MathWorks است. نام متلب به زبان انگلیسی (MATLAB)، از عبارت MATrix LABoratory گرفته شده است.
زبان برنامه‌نویسی متلب، امکاناتی نظیر «دستکاری ماتریسی» (Matrix Manipulation)، «ترسیم» (Plotting) توابع و داده‌ها، پیاده‌سازی الگوریتم‌ها، ساختن «واسط کاربری» (User Interface) و تعامل با برنامه‌های نوشته شده به دیگر زبانهای برنامه‌نویسی نظیر C ،C++ ،C#، جاوا، Fortran و پایتون را در اختیار برنامه‌نویسان و توسعه‌دهندگان قرار می‌دهد.
اگرچه متلب، از ابتدا برای مقاصد محاسبات علمی و عددی توسعه داده شده بود، برخی از «تولباکس‌های» (Toolbox) موجود در متلب، امکان استفاده از قابلیت‌های «محاسبات نمادین» (Symbolic Computing) یا جبر کامپیوتری را از طریق موتور محاسبات جبری MuPAD، در اختیار برنامه‌نویسان و توسعه‌دهندگان قرار می‌دهند.
🔸 درآمد سالانه و آینده شغلی برنامه‌نویسان کدام زبان بهتر است، پایتون یا متلب؟
با توجه به گستردگی زبانهای برنامه‌نویسی، انتخاب یکی از این زبانهای برنامه‌نویسی پایتون یا متلب برای یادگیری قواعد کد نویسی و یا برنامه‌نویسی یک پروژه‌نرم‌افزاری، معمولا بسیار سخت است. مقایسه آمار مرتبط با درآمد سالانه برنامه‌نویسان پایتون و متلب و همچنین بررسی آینده شغلی هر کدام از این زبان‌ها نشان می‌دهد که دو فاکتور درآمد سالانه و آینده شغلی، عوامل بسیار مهمی در تشویق کاربران و برنامه‌نویسان مبتدی به یادگیری یکی از این زبان‌ها محسوب می‌شوند. از سوی دیگر، یکی از فاکتورهایی که برنامه‌نویسان و توسعه‌دهندگان حرفه‌ای، هنگام مهاجرت از زبانهای دیگر به یکی از زبانهای پایتون یا متلب در نظر می‌گیرند، درآمد سالانه برنامه‌نویسان این دو زبان و همچنین آینده شغلی آن‌ها است.
بنابراین، برای مقایسه موقعیت شغلی هر کدام از زبانهای پایتون یا متلب و متوسط درآمد سالانه برنامه‌نویسان آن‌ها، زبانهای متلب و پایتون در دو مرحله مورد بررسی قرار گرفته می‌شوند:
– در مرحله اول، متوسط درآمد سالانه برنامه‌نویسان زبانهای پایتون و متلب مورد بررسی قرار گرفته می‌شود.
– در مرحله بعد، بازار کاری هر دو زبان بررسی می‌شود تا میزان تقاضا (در بازار کار) برای برنامه‌نویسان هر کدام از زبانهای پایتون یا متلب مشخص شود.
در چند سال اخیر، و بر اساس آمار ارائه شده از منابع مختلف، زبان پایتون رشد بی‌سابقه‌‌ای را تجربه کرده است؛ به شکلی که هم اکنون، یکی از محبوب‌ترین زبانهای برنامه‌نویسی در میان توسعه‌دهندگان و جامعه برنامه‌نویسی است. از جمله دلایل محبوبیت بالای زبان پایتون در میان برنامه‌نویسان و توسعه‌دهندگان، می‌توان به مواردی نظیر گستردگی کتابخانه های برنامه‌نویسی و طبیعت همه منظوره بودن زبان پایتون اشاره کرد. این دلایل سبب شده‌اند تا پایتون، به انتخابی ایده‌آل برای کد نویسی در دامنه وسیعی از کاربردها نظیر یادگیری ماشین، هوش مصنوعی، علم داده، توسعه وب و سایر موارد تبدیل شود.
مطالعه ادامه مطلب 👇👇
🔗 پایتون یا متلب کدام بهتر است؟ — راهنمای جامع — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
زبانهای برنامه‌نویسی، یکی از اساسی‌ترین بخش‌های «علم کامپیوتر» (Computer Science) محسوب می‌شوند. به عبارت دیگر، یکی از مهمترین ابزارهای در دسترس برنامه‌نویسان و توسعه‌دهندگان برای پیش‌برد اهداف مرتبط با «خودکارسازی وظایف» (Task Automation) و توسعه برنامه‌های کاربردی هستند. همچنین، زبانهای برنامه‌نویسی ابزاری حیاتی جهت رسیدن به اهداف کلان سازمانی در صنایع و شرکت‌های تجاری به شمار می‌آیند. انتخاب پایتون یا متلب به عنوان زبان برنامه‌نویسی مقصد (به ویژه برای افرادی که آشنایی کافی با مفاهیم برنامه‌نویسی ندارند و به نوعی، تازه‌واردان عرصه برنامه‌نویسی محسوب می‌شوند)، سؤالی است که ذهن بسیاری از فعالان و علاقه‌مندان به حوزه برنامه‌نویسی را به خود معطوف کرده است.
══ فهرست مطالب ══
○ پایتون یا متلب
○ درآمد سالانه و آینده شغلی برنامه‌نویسان کدام زبان بهتر است، پایتون یا متلب؟
○ مقایسه محبوبیت پایتون و متلب
○ مقایسه ساختاری پایتون و متلب
○ مقایسه پایتون و متلب از لحاظ عملکرد و سرعت اجرای برنامه‌ها
○ جمع‌بندی
🔸 پایتون یا متلب
«زبان برنامه‌نویسی متلب» (MATLAB Programming Language)، یک «محیط محاسبات عددی چندالگویی» (Multi-paradigm Numerical Computing Environment) و یک «زبان برنامه‌نویسی اختصاصی» (Proprietary Programming Language) توسعه داده شده به وسیله شرکت MathWorks است. نام متلب به زبان انگلیسی (MATLAB)، از عبارت MATrix LABoratory گرفته شده است.
زبان برنامه‌نویسی متلب، امکاناتی نظیر «دستکاری ماتریسی» (Matrix Manipulation)، «ترسیم» (Plotting) توابع و داده‌ها، پیاده‌سازی الگوریتم‌ها، ساختن «واسط کاربری» (User Interface) و تعامل با برنامه‌های نوشته شده به دیگر زبانهای برنامه‌نویسی نظیر C ،C++ ،C#، جاوا، Fortran و پایتون را در اختیار برنامه‌نویسان و توسعه‌دهندگان قرار می‌دهد.
اگرچه متلب، از ابتدا برای مقاصد محاسبات علمی و عددی توسعه داده شده بود، برخی از «تولباکس‌های» (Toolbox) موجود در متلب، امکان استفاده از قابلیت‌های «محاسبات نمادین» (Symbolic Computing) یا جبر کامپیوتری را از طریق موتور محاسبات جبری MuPAD، در اختیار برنامه‌نویسان و توسعه‌دهندگان قرار می‌دهند.
🔸 درآمد سالانه و آینده شغلی برنامه‌نویسان کدام زبان بهتر است، پایتون یا متلب؟
با توجه به گستردگی زبانهای برنامه‌نویسی، انتخاب یکی از این زبانهای برنامه‌نویسی پایتون یا متلب برای یادگیری قواعد کد نویسی و یا برنامه‌نویسی یک پروژه‌نرم‌افزاری، معمولا بسیار سخت است. مقایسه آمار مرتبط با درآمد سالانه برنامه‌نویسان پایتون و متلب و همچنین بررسی آینده شغلی هر کدام از این زبان‌ها نشان می‌دهد که دو فاکتور درآمد سالانه و آینده شغلی، عوامل بسیار مهمی در تشویق کاربران و برنامه‌نویسان مبتدی به یادگیری یکی از این زبان‌ها محسوب می‌شوند. از سوی دیگر، یکی از فاکتورهایی که برنامه‌نویسان و توسعه‌دهندگان حرفه‌ای، هنگام مهاجرت از زبانهای دیگر به یکی از زبانهای پایتون یا متلب در نظر می‌گیرند، درآمد سالانه برنامه‌نویسان این دو زبان و همچنین آینده شغلی آن‌ها است.
بنابراین، برای مقایسه موقعیت شغلی هر کدام از زبانهای پایتون یا متلب و متوسط درآمد سالانه برنامه‌نویسان آن‌ها، زبانهای متلب و پایتون در دو مرحله مورد بررسی قرار گرفته می‌شوند:
– در مرحله اول، متوسط درآمد سالانه برنامه‌نویسان زبانهای پایتون و متلب مورد بررسی قرار گرفته می‌شود.
– در مرحله بعد، بازار کاری هر دو زبان بررسی می‌شود تا میزان تقاضا (در بازار کار) برای برنامه‌نویسان هر کدام از زبانهای پایتون یا متلب مشخص شود.
در چند سال اخیر، و بر اساس آمار ارائه شده از منابع مختلف، زبان پایتون رشد بی‌سابقه‌‌ای را تجربه کرده است؛ به شکلی که هم اکنون، یکی از محبوب‌ترین زبانهای برنامه‌نویسی در میان توسعه‌دهندگان و جامعه برنامه‌نویسی است. از جمله دلایل محبوبیت بالای زبان پایتون در میان برنامه‌نویسان و توسعه‌دهندگان، می‌توان به مواردی نظیر گستردگی کتابخانه های برنامه‌نویسی و طبیعت همه منظوره بودن زبان پایتون اشاره کرد. این دلایل سبب شده‌اند تا پایتون، به انتخابی ایده‌آل برای کد نویسی در دامنه وسیعی از کاربردها نظیر یادگیری ماشین، هوش مصنوعی، علم داده، توسعه وب و سایر موارد تبدیل شود.
مطالعه ادامه مطلب 👇👇
🔗 پایتون یا متلب کدام بهتر است؟ — راهنمای جامع — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ تقلب نامه (Cheat Sheet) یادگیری ماشین در متلب — راهنمای کاربردی
تقلب‌نامه (Cheat Sheet)، متنی کوتاه اما جامع پیرامون یک موضوع مشخص است. هدف اصلی ارائه تقلب‌نامه، انتقال مفاهیمِ مرتبط با یک موضوع به صورت کامل و در کمترین زمان ممکن است. با استفاده از تقلب‌نامه می‌توان چکیده مفاهیم بیان شده در کلاس‌های درس را در مدت زمانی بسیار اندک فرا گرفت. بنابراین در هنگام تمرین، حل سوالات و یا شب امتحان به جای ورق زدن کتابی چند صد صفحه‌ای می‌توانید با مراجعه به تقلب‌نامه به مقصود خود دست یابید. از تقلب‌نامه‌های زبانهای برنامه‌نویسی و ابزارها و دستورهای خط فرمان، می‌توان برای آگاهی از دستورات مورد نیاز برای انجام امور گوناگون استفاده کرد. همچنین، تقلب‌نامه حجم زیادی از اطلاعات مفید و مهم را به صورت یکجا و یکپارچه در بر می‌گیرد. با توجه به اهمیت بیان شده، مجله فرادرس اقدام به انتشار تقلب‌نامه‌هایی در حوزه‌های گوناگون از جمله «یادگیری ماشین» (Machine Learning) در «متلب» (MATLAB) کرده است. به منظور دسترسی به کلیه تقلب‌نامه‌های منتشر شده در مجله فرادرس، می‌توانید از این لینک استفاده کنید. نوشته حاضر در برگیرنده تقلب‌نامه «یادگیری ماشین در متلب» است.
══ فهرست مطالب ══
○ تقلب‌نامه یادگیری ماشین در متلب
🔸 تقلب‌نامه یادگیری ماشین در متلب
در این تقلب‌نامه، تولید، آموزش و ارزیابی مدل‌های یادگیری ماشین با استفاده از توابع تعبیه شده متلب و «لِرنِر تولباکس» (Learner Toolbox)، مورد بررسی قرار گرفته و به موضوعات زیر، پرداخته شده است:
– معرفی «لِرنِر تولباکس» (Learner Toolbox) و بخش‌های مختلف آن
– معرفی توابع یادگیری ماشین و قواعد نام‌گذاری توابع آموزش مدل‌های یادگیری ماشین
– انتخاب ویژگی برای مدل‌های یادگیری ماشین (دسته‌بندی و رگرسیون) و کاهش ابعاد فضای ویژگی
– میزان‌سازی ابرپارامترهای مدل‌های یادگیری ماشین
– به‌کاراندازی و یکپارچه‌سازی مدل‌های یادگیری ماشین در نرم‌افزارها و پلتفرم‌های توسعه نرم‌افزار
برای دانلود فایل PDF قابل چاپ تقلب‌نامه «یادگیری ماشین در متلب» روی تصویر زیر کلیک کنید.
دانلود تقلب‌نامه (+کلیک کنید)
مطالعه ادامه مطلب 👇👇
🔗 تقلب نامه (Cheat Sheet) یادگیری ماشین در متلب — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
تقلب‌نامه (Cheat Sheet)، متنی کوتاه اما جامع پیرامون یک موضوع مشخص است. هدف اصلی ارائه تقلب‌نامه، انتقال مفاهیمِ مرتبط با یک موضوع به صورت کامل و در کمترین زمان ممکن است. با استفاده از تقلب‌نامه می‌توان چکیده مفاهیم بیان شده در کلاس‌های درس را در مدت زمانی بسیار اندک فرا گرفت. بنابراین در هنگام تمرین، حل سوالات و یا شب امتحان به جای ورق زدن کتابی چند صد صفحه‌ای می‌توانید با مراجعه به تقلب‌نامه به مقصود خود دست یابید. از تقلب‌نامه‌های زبانهای برنامه‌نویسی و ابزارها و دستورهای خط فرمان، می‌توان برای آگاهی از دستورات مورد نیاز برای انجام امور گوناگون استفاده کرد. همچنین، تقلب‌نامه حجم زیادی از اطلاعات مفید و مهم را به صورت یکجا و یکپارچه در بر می‌گیرد. با توجه به اهمیت بیان شده، مجله فرادرس اقدام به انتشار تقلب‌نامه‌هایی در حوزه‌های گوناگون از جمله «یادگیری ماشین» (Machine Learning) در «متلب» (MATLAB) کرده است. به منظور دسترسی به کلیه تقلب‌نامه‌های منتشر شده در مجله فرادرس، می‌توانید از این لینک استفاده کنید. نوشته حاضر در برگیرنده تقلب‌نامه «یادگیری ماشین در متلب» است.
══ فهرست مطالب ══
○ تقلب‌نامه یادگیری ماشین در متلب
🔸 تقلب‌نامه یادگیری ماشین در متلب
در این تقلب‌نامه، تولید، آموزش و ارزیابی مدل‌های یادگیری ماشین با استفاده از توابع تعبیه شده متلب و «لِرنِر تولباکس» (Learner Toolbox)، مورد بررسی قرار گرفته و به موضوعات زیر، پرداخته شده است:
– معرفی «لِرنِر تولباکس» (Learner Toolbox) و بخش‌های مختلف آن
– معرفی توابع یادگیری ماشین و قواعد نام‌گذاری توابع آموزش مدل‌های یادگیری ماشین
– انتخاب ویژگی برای مدل‌های یادگیری ماشین (دسته‌بندی و رگرسیون) و کاهش ابعاد فضای ویژگی
– میزان‌سازی ابرپارامترهای مدل‌های یادگیری ماشین
– به‌کاراندازی و یکپارچه‌سازی مدل‌های یادگیری ماشین در نرم‌افزارها و پلتفرم‌های توسعه نرم‌افزار
برای دانلود فایل PDF قابل چاپ تقلب‌نامه «یادگیری ماشین در متلب» روی تصویر زیر کلیک کنید.
دانلود تقلب‌نامه (+کلیک کنید)
مطالعه ادامه مطلب 👇👇
🔗 تقلب نامه (Cheat Sheet) یادگیری ماشین در متلب — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ پردازش تصویر در متلب — راهنمای جامع
در این مطلب، با مبحث پردازش تصویر در متلب آشنا خواهید شد. همچنین، بسیاری از مفاهیم پایه و تعدادی از مفاهیم و موضوعات پیشرفته پردازش تصویر در متلب ارائه خواهند شد. هدف از این مطلب، پوشش دادن نحوه عملکرد و شیوه استفاده از «توابع» (Functions) یکی از معروف‌ترین «تولباکس‌های» (Toolbox) موجود در «محیط محاسبات عددی» (Numerical Computing Environment) و زبان برنامه نویسی «متلب» (Matlab) است؛ «تولباکس پردازش تصویر» (Image Processing Toolbox | جعبه ابزار پردازش تصویر).
══ فهرست مطالب ══
○ پردازش تصویر
○ متلب
○ تصویر دیجیتالی چیست؟
○ دستورات ابتدایی پردازش تصویر در متلب
○ تکنیک‌های پیشرفته پردازش تصویر در متلب
○ انواع تصاویر
○ کیفیت تصویر
○ هیستوگرام تصویر
○ روش آستانه‌گذاری در تولباکس پردازش تصویر در متلب
○ دقیق کردن و نمایان‌سازی ویژگی‌های بارز موجود در تصاویر (Image Sharpening)
○ جمع‌بندی
🔸 پردازش تصویر
«پردازش تصویر» (Image Processing) به مجموعه‌ای از تکنیک‌هایی اطلاق می‌شود که با هدف «تبدیل» (Convert) یک تصویر به «قالب دیجیتال» (Form) و انجام اعمال محاسباتی بر روی آن شکل گرفته‌اند. هدف از انجام اعمال محاسباتی مرتبط با پردازش تصویر در متلب، تولید نسخه‌ای «بهبود یافته» (Enhanced) از تصاویر دیجیتالی و یا استخراج اطلاعات با معنی و مفید از آن‌ها است. تغییراتی که بر اثر پردازش تصویر دیجیتالی، روی تصاویر اتفاق می‌افتند، معمولا به طور خودکار و بر پایه مجموعه‌ای از الگوریتم‌های به دقت طراحی شده انجام می‌شوند. این دسته از الگوریتم‌های پردازش تصویر در متلب، از لحاظ محاسباتی بسیار «دقیق» (Accurate) و «بهینه» (Optimized) هستند.
حوزه پردازش تصویری، یک حوزه «چند رشته‌ای» (Multidisciplinary) در شاخه «علوم کامپیوتر» (Computer Science) است که بخشی از مفاهیم خود را از رشته‌های علمی دیگر نظیر «ریاضیات» (Mathematics)، «فیزیک» (Physics) و «مهندسی برق» (Electrical Engineering) به اشتراک گرفته است. همچنین، حوزه پردازش تصویر، هم‌پوشانی بسیار زیادی با حوزه‌های تحقیقاتی نظیر «بازشناسی الگو» (Pattern Recognition)، «یادگیری ماشین» (Machine Learning)، «هوش مصنوعی» (Artificial Intelligence) و «بینایی کامپیوتر» (Computer Vision) دارد.
برای انجام عملیات محاسباتی متناظر با پردازش تصویر در متلب، ابتدا باید تصاویر دیجیتال از طریق «واسط‌هایی» (Interfaces) نظیر «اسکنر نوری» (Optical Scanner) و «دوربین‌های دیجیتال» (Digital Cameras) تولید شوند. سپس، تصاویر دیجیتال تولید شده «تحلیل» (Analyze) می‌شوند. در مرحله بعد، تصاویر دیجیتالی از طریق فرآیندهایی نظیر «فشرده‌سازی داده‌ها» (Data Compression)، «بهبود تصاویر» (Image Enhancements)، «فیلتر تصاویر» (Image Filtering) و سایر موارد، مورد «دستکاری عددی» (Numerical Manipulation) قرار گرفته و در نهایت، تصاویر خروجی مطلوب تولید می‌شوند.
🔸 متلب
محیط محاسبات عددی و زبان برنامه‌نویسی «متلب» (MATLAB)، که مخفف عبارت «آزمایشگاه ماتریس» (MATrix LABoratory) است، پلتفرمی برای حل مسائل علمی و ریاضیاتی است. متلب یک «زبان برنامه‌نویسی اختصاصی» (Proprietary Programming Language) توسعه داده شده به وسیله شرکت MathWorks است.
در این محیط برنامه‌نویسی، توسعه‌دهندگان قادرند تا از روش‌های «دستکاری ماتریسی» (Matrix Manipulation)، توابع، روش‌های نمایش داده و الگوریتم‌های توسعه داده شده در متلب، برای پیاده‌سازی روش‌های هوشمند (مبتنی بر نمایش عددی و ماتریسی) دلخواه خود استفاده کنند. همچنین، متلب امکان تعامل برنامه‌نویسی مستقیم را با برنامه‌های نوشته شده به زبانهای دیگر نظیر «سی» (C)، «سی پلاس پلاس» (++C)، «جاوا» (Java) و سایر موارد، برای توسعه‌دهندگان فراهم آورده است.
الگوریتم‌های پردازش تصویر در متلب، مجموعه‌ای از توابع هستند که قابلیت‌های محیط محاسبات عددی متلب را گسترش می‌دهند. تولباکس پردازش تصویر در متلب، مجموعه‌ای از «الگوریتم‌های مرجع استاندارد» (Reference-Standard Algorithms) را برای کاربردهای پردازش، تحلیل و نمایش بصری تصاویر و همچنین توسعه الگوریتم‌های پردازش تصویر در متلب فراهم می‌آورد.
مطالعه ادامه مطلب 👇👇
🔗 پردازش تصویر در متلب — راهنمای جامع — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب، با مبحث پردازش تصویر در متلب آشنا خواهید شد. همچنین، بسیاری از مفاهیم پایه و تعدادی از مفاهیم و موضوعات پیشرفته پردازش تصویر در متلب ارائه خواهند شد. هدف از این مطلب، پوشش دادن نحوه عملکرد و شیوه استفاده از «توابع» (Functions) یکی از معروف‌ترین «تولباکس‌های» (Toolbox) موجود در «محیط محاسبات عددی» (Numerical Computing Environment) و زبان برنامه نویسی «متلب» (Matlab) است؛ «تولباکس پردازش تصویر» (Image Processing Toolbox | جعبه ابزار پردازش تصویر).
══ فهرست مطالب ══
○ پردازش تصویر
○ متلب
○ تصویر دیجیتالی چیست؟
○ دستورات ابتدایی پردازش تصویر در متلب
○ تکنیک‌های پیشرفته پردازش تصویر در متلب
○ انواع تصاویر
○ کیفیت تصویر
○ هیستوگرام تصویر
○ روش آستانه‌گذاری در تولباکس پردازش تصویر در متلب
○ دقیق کردن و نمایان‌سازی ویژگی‌های بارز موجود در تصاویر (Image Sharpening)
○ جمع‌بندی
🔸 پردازش تصویر
«پردازش تصویر» (Image Processing) به مجموعه‌ای از تکنیک‌هایی اطلاق می‌شود که با هدف «تبدیل» (Convert) یک تصویر به «قالب دیجیتال» (Form) و انجام اعمال محاسباتی بر روی آن شکل گرفته‌اند. هدف از انجام اعمال محاسباتی مرتبط با پردازش تصویر در متلب، تولید نسخه‌ای «بهبود یافته» (Enhanced) از تصاویر دیجیتالی و یا استخراج اطلاعات با معنی و مفید از آن‌ها است. تغییراتی که بر اثر پردازش تصویر دیجیتالی، روی تصاویر اتفاق می‌افتند، معمولا به طور خودکار و بر پایه مجموعه‌ای از الگوریتم‌های به دقت طراحی شده انجام می‌شوند. این دسته از الگوریتم‌های پردازش تصویر در متلب، از لحاظ محاسباتی بسیار «دقیق» (Accurate) و «بهینه» (Optimized) هستند.
حوزه پردازش تصویری، یک حوزه «چند رشته‌ای» (Multidisciplinary) در شاخه «علوم کامپیوتر» (Computer Science) است که بخشی از مفاهیم خود را از رشته‌های علمی دیگر نظیر «ریاضیات» (Mathematics)، «فیزیک» (Physics) و «مهندسی برق» (Electrical Engineering) به اشتراک گرفته است. همچنین، حوزه پردازش تصویر، هم‌پوشانی بسیار زیادی با حوزه‌های تحقیقاتی نظیر «بازشناسی الگو» (Pattern Recognition)، «یادگیری ماشین» (Machine Learning)، «هوش مصنوعی» (Artificial Intelligence) و «بینایی کامپیوتر» (Computer Vision) دارد.
برای انجام عملیات محاسباتی متناظر با پردازش تصویر در متلب، ابتدا باید تصاویر دیجیتال از طریق «واسط‌هایی» (Interfaces) نظیر «اسکنر نوری» (Optical Scanner) و «دوربین‌های دیجیتال» (Digital Cameras) تولید شوند. سپس، تصاویر دیجیتال تولید شده «تحلیل» (Analyze) می‌شوند. در مرحله بعد، تصاویر دیجیتالی از طریق فرآیندهایی نظیر «فشرده‌سازی داده‌ها» (Data Compression)، «بهبود تصاویر» (Image Enhancements)، «فیلتر تصاویر» (Image Filtering) و سایر موارد، مورد «دستکاری عددی» (Numerical Manipulation) قرار گرفته و در نهایت، تصاویر خروجی مطلوب تولید می‌شوند.
🔸 متلب
محیط محاسبات عددی و زبان برنامه‌نویسی «متلب» (MATLAB)، که مخفف عبارت «آزمایشگاه ماتریس» (MATrix LABoratory) است، پلتفرمی برای حل مسائل علمی و ریاضیاتی است. متلب یک «زبان برنامه‌نویسی اختصاصی» (Proprietary Programming Language) توسعه داده شده به وسیله شرکت MathWorks است.
در این محیط برنامه‌نویسی، توسعه‌دهندگان قادرند تا از روش‌های «دستکاری ماتریسی» (Matrix Manipulation)، توابع، روش‌های نمایش داده و الگوریتم‌های توسعه داده شده در متلب، برای پیاده‌سازی روش‌های هوشمند (مبتنی بر نمایش عددی و ماتریسی) دلخواه خود استفاده کنند. همچنین، متلب امکان تعامل برنامه‌نویسی مستقیم را با برنامه‌های نوشته شده به زبانهای دیگر نظیر «سی» (C)، «سی پلاس پلاس» (++C)، «جاوا» (Java) و سایر موارد، برای توسعه‌دهندگان فراهم آورده است.
الگوریتم‌های پردازش تصویر در متلب، مجموعه‌ای از توابع هستند که قابلیت‌های محیط محاسبات عددی متلب را گسترش می‌دهند. تولباکس پردازش تصویر در متلب، مجموعه‌ای از «الگوریتم‌های مرجع استاندارد» (Reference-Standard Algorithms) را برای کاربردهای پردازش، تحلیل و نمایش بصری تصاویر و همچنین توسعه الگوریتم‌های پردازش تصویر در متلب فراهم می‌آورد.
مطالعه ادامه مطلب 👇👇
🔗 پردازش تصویر در متلب — راهنمای جامع — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ حل دستگاه معادلات دیفرانسیل غیر خطی در متلب | گام به گام
در این مطلب قصد داریم تا حل دستگاه معادلات دیفرانسیل غیر خطی در متلب را بررسی کنیم. بدین منظور ابتدا مروری بر درجه معادلات و خطی و غیر خطی بودن معادلات دیفرانسیل خواهیم داشت. بعد از آن ابتدا تعریف یک تابع را در متلب بررسی می‌کنیم و سپس حالت‌های مختلف حل معادلات دیفرانسیل در متلب را معرفی خواهیم کرد. اگر به دنبال روش حل دستگاه معادلات دیفرانسیل غیر خطی در متلب هستید این مطلب را از دست ندهید.
══ فهرست مطالب ══
○ معادلات دیفرانسیل خطی و غیر خطی
○ ساخت توابع در متلب
○ حل معادله مرتبه اول در متلب
○ حل دستگاه معادلات مرتبه اول در متلب
○ حل معادله مرتبه بالاتر در متلب
○ حل معادلات دیفرانسیل غیر خطی در متلب
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 معادلات دیفرانسیل خطی و غیر خطی
ابتدا تعریفی از درجه معادلات دیفرانسیل ارائه می‌دهیم. درجه معادله دیفرانسیل برابر با درجه بالاترین مشتق در یک معادله است. به این ترتیب یک معادله دیفرانسیل که بالاترین درجه مشتق آن یک است، یک معادله دیفرانسیل مرتبه اول خواهد بود و در صورتی که توان متغیر بزرگتر از ۱ باشد با معادلات دیفرانسیل مرتبه بالاتر روبه‌رو هستیم.
همچنین منظور از معادله دیفرانسیل خطی این است که متغیر در یک معادله فقط با توان یک ظاهر می‌شود و بنابراین $$x$$ خطی است اما $$x^{۲}$$ غیر خطی است. همچنین هر تابعی مانند $$\cos(x)$$ نیز غیر خطی است.
در ریاضی و فیزیک خطی به طور کلی به معنی ساده و غیر خطی به معنای پیچیده است. نظریات و تئوری‌های حل معادلات خطی به خوبی توسعه یافته‌اند زیرا معادلات خطی به اندازه کافی ساده و قابل حل هستند. اما معادلات دیفرانسیل غیر خطی معمولاً حل دقیق ندارند و موضوع تحقیقات بسیاری هستند. در ادامه شرح مختصری از نحوه تشخیص معادله خطی را بیان می‌کنیم.
🔸 ساخت توابع در متلب
توابع در متلب در دو .m فایل جداگانه ساخته و فراخوانی می‌شوند. برای ساخت تابع در متلب در یک ادیتور از دستور function استفاده می‌کنیم و خروجی‌ها و ورودی‌های آن تابع را مشخص می‌کنیم.
سپس باید این فایل را ذخیره کنیم، مهمترین نکته در این مرحله که باید در نظر گرفت این است که نام تابع شما باید با نام فایل یکسان باشد. یعنی اگر نام تابع شما $$circle$$ است فایل این تابع نیز باید $$circle.m$$ باشد.
برای استفاده از این تابع باید آن را فراخوانی کنیم. بدین منظور در فایل .m دوم فایل را صدا کرده و به ورودی‌ها مقدار می‌دهیم و خروجی‌ها را مشخص می‌کنیم. در این مرحله لزومی ندارد که نام ورودی‌ها و خروجی‌ها با نام ورودی و خروجی تابع یکسان باشد. با اجرا کردن این تابع مقدار خروجی‌ها در صفحه command window متلب نمایش داده می‌شوند.
مطالعه ادامه مطلب 👇👇
🔗 حل دستگاه معادلات دیفرانسیل غیر خطی در متلب | گام به گام — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب قصد داریم تا حل دستگاه معادلات دیفرانسیل غیر خطی در متلب را بررسی کنیم. بدین منظور ابتدا مروری بر درجه معادلات و خطی و غیر خطی بودن معادلات دیفرانسیل خواهیم داشت. بعد از آن ابتدا تعریف یک تابع را در متلب بررسی می‌کنیم و سپس حالت‌های مختلف حل معادلات دیفرانسیل در متلب را معرفی خواهیم کرد. اگر به دنبال روش حل دستگاه معادلات دیفرانسیل غیر خطی در متلب هستید این مطلب را از دست ندهید.
══ فهرست مطالب ══
○ معادلات دیفرانسیل خطی و غیر خطی
○ ساخت توابع در متلب
○ حل معادله مرتبه اول در متلب
○ حل دستگاه معادلات مرتبه اول در متلب
○ حل معادله مرتبه بالاتر در متلب
○ حل معادلات دیفرانسیل غیر خطی در متلب
○ معرفی فیلم آموزش برنامه نویسی متلب برای علوم و مهندسی
○ جمع‌بندی
🔸 معادلات دیفرانسیل خطی و غیر خطی
ابتدا تعریفی از درجه معادلات دیفرانسیل ارائه می‌دهیم. درجه معادله دیفرانسیل برابر با درجه بالاترین مشتق در یک معادله است. به این ترتیب یک معادله دیفرانسیل که بالاترین درجه مشتق آن یک است، یک معادله دیفرانسیل مرتبه اول خواهد بود و در صورتی که توان متغیر بزرگتر از ۱ باشد با معادلات دیفرانسیل مرتبه بالاتر روبه‌رو هستیم.
همچنین منظور از معادله دیفرانسیل خطی این است که متغیر در یک معادله فقط با توان یک ظاهر می‌شود و بنابراین $$x$$ خطی است اما $$x^{۲}$$ غیر خطی است. همچنین هر تابعی مانند $$\cos(x)$$ نیز غیر خطی است.
در ریاضی و فیزیک خطی به طور کلی به معنی ساده و غیر خطی به معنای پیچیده است. نظریات و تئوری‌های حل معادلات خطی به خوبی توسعه یافته‌اند زیرا معادلات خطی به اندازه کافی ساده و قابل حل هستند. اما معادلات دیفرانسیل غیر خطی معمولاً حل دقیق ندارند و موضوع تحقیقات بسیاری هستند. در ادامه شرح مختصری از نحوه تشخیص معادله خطی را بیان می‌کنیم.
🔸 ساخت توابع در متلب
توابع در متلب در دو .m فایل جداگانه ساخته و فراخوانی می‌شوند. برای ساخت تابع در متلب در یک ادیتور از دستور function استفاده می‌کنیم و خروجی‌ها و ورودی‌های آن تابع را مشخص می‌کنیم.
سپس باید این فایل را ذخیره کنیم، مهمترین نکته در این مرحله که باید در نظر گرفت این است که نام تابع شما باید با نام فایل یکسان باشد. یعنی اگر نام تابع شما $$circle$$ است فایل این تابع نیز باید $$circle.m$$ باشد.
برای استفاده از این تابع باید آن را فراخوانی کنیم. بدین منظور در فایل .m دوم فایل را صدا کرده و به ورودی‌ها مقدار می‌دهیم و خروجی‌ها را مشخص می‌کنیم. در این مرحله لزومی ندارد که نام ورودی‌ها و خروجی‌ها با نام ورودی و خروجی تابع یکسان باشد. با اجرا کردن این تابع مقدار خروجی‌ها در صفحه command window متلب نمایش داده می‌شوند.
مطالعه ادامه مطلب 👇👇
🔗 حل دستگاه معادلات دیفرانسیل غیر خطی در متلب | گام به گام — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ آشنایی با سیمولینک — راهنمای کاربردی
در آموزش‌های قبلی مجله فرادرس با برنامه‌نویسی در متلب آشنا شدیم. در این آموزش، درباره سیمولینک و روش استفاده از آن برای شبیه‌سازی سیستم‌های دینامیکی بحث خواهیم کرد.
══ فهرست مطالب ══
○ باز کردن سیمولینک در متلب
○ مرورگر کتابخانه سیمولینک
○ اجرای نسخه نمایشی یا دموی یک مدل
○ استفاده از اِشکال‌زدا (Debugger)
○ ایجاد یک مدل ساده در سیمولینک
🔸 باز کردن سیمولینک در متلب
برای باز کردن سیمولینک در متلب، کافی است روی دکمه‌ای که در شکل زیر نشان داده شده کلیک کنیم.
علاوه بر این، می‌توانیم از پنجره فرمان (Command Window) نیز برای باز کردن سیمولینک استفاده کنیم. برای این کار کافی است فرمان “simulink” را در پنجره فرمان بنویسیم و پس از آن کلید اینتر صفحه کلید را فشار دهیم.
اولین چیزی که بعد از باز کردن سیمولینک ظاهر می‌شود، پنجره زیر است.
🔸 مرورگر کتابخانه سیمولینک
مرورگر کتابخانه سیمولینک شامل سینک‌ها، منابع، اتصالات و اجزای خطی و غیرخطی است. با توجه به وجود این اجزا و اتصالات گرافیکی، سیمولینک از نظر تشکیل سیستم، بسیار بهتر از سایر بسته‌های نرم‌افزاری پیشین است که به فرمول‌بندی معادلات در یک برنامه نیاز داشتند. در سیمولینک می‌توان توابع و بلوک‌ها را انتخاب کرد و پس از آن مقادیرشان را در اندازه مورد نظر تنظیم کرد.
برای باز کردن مرورگر کتابخانه سیمولینک کافی است روی دکمه “Library browser” در منوی سیمولینک کلیک کنیم.
یک راه دیگر برای باز کردن مرورگر کتابخانه سیمولینک، نوشتن دستور “slLibraryBrowser” در پنجره فرمان است. هنگام تایپ این دستور، به حروف کوچک و بزرگ دقت کنید.
مطالعه ادامه مطلب 👇👇
🔗 آشنایی با سیمولینک — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در آموزش‌های قبلی مجله فرادرس با برنامه‌نویسی در متلب آشنا شدیم. در این آموزش، درباره سیمولینک و روش استفاده از آن برای شبیه‌سازی سیستم‌های دینامیکی بحث خواهیم کرد.
══ فهرست مطالب ══
○ باز کردن سیمولینک در متلب
○ مرورگر کتابخانه سیمولینک
○ اجرای نسخه نمایشی یا دموی یک مدل
○ استفاده از اِشکال‌زدا (Debugger)
○ ایجاد یک مدل ساده در سیمولینک
🔸 باز کردن سیمولینک در متلب
برای باز کردن سیمولینک در متلب، کافی است روی دکمه‌ای که در شکل زیر نشان داده شده کلیک کنیم.
علاوه بر این، می‌توانیم از پنجره فرمان (Command Window) نیز برای باز کردن سیمولینک استفاده کنیم. برای این کار کافی است فرمان “simulink” را در پنجره فرمان بنویسیم و پس از آن کلید اینتر صفحه کلید را فشار دهیم.
اولین چیزی که بعد از باز کردن سیمولینک ظاهر می‌شود، پنجره زیر است.
🔸 مرورگر کتابخانه سیمولینک
مرورگر کتابخانه سیمولینک شامل سینک‌ها، منابع، اتصالات و اجزای خطی و غیرخطی است. با توجه به وجود این اجزا و اتصالات گرافیکی، سیمولینک از نظر تشکیل سیستم، بسیار بهتر از سایر بسته‌های نرم‌افزاری پیشین است که به فرمول‌بندی معادلات در یک برنامه نیاز داشتند. در سیمولینک می‌توان توابع و بلوک‌ها را انتخاب کرد و پس از آن مقادیرشان را در اندازه مورد نظر تنظیم کرد.
برای باز کردن مرورگر کتابخانه سیمولینک کافی است روی دکمه “Library browser” در منوی سیمولینک کلیک کنیم.
یک راه دیگر برای باز کردن مرورگر کتابخانه سیمولینک، نوشتن دستور “slLibraryBrowser” در پنجره فرمان است. هنگام تایپ این دستور، به حروف کوچک و بزرگ دقت کنید.
مطالعه ادامه مطلب 👇👇
🔗 آشنایی با سیمولینک — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ برنامه ریزی خطی در متلب – به زبان ساده (+ دانلود فیلم آموزش رایگان)
برنامه ریزی خطی (Linear Programming) یا LP، یک روش بهینه‌سازی برای سیستمی خطی از قیود یا محدودیت‌ها و یک تابع هدف است که در آن، کمیتی برای بهینه کردن تعریف شده است. هدف از برنامه‌ریزی خطی، یافتن مقادیری از متغیرها است که به ازای آن‌ها تابع هدف کمینه یا بیشینه می‌شود. در این آموزش، در قالب یک مثال ساده، با برنامه‌ریزی خطی آشنا می‌شویم.
══ فهرست مطالب ══
○ مثال ۱
○ چه زمانی از برنامه ریزی خطی استفاده می‌کنیم؟
○ ادامه مثال ۱
○ ادامه مثال ۱
○ ادامه مثال ۱
○ برنامه‌ریزی خطی با دو متغیر
○ مثال ۲
○ برنامه ریزی خطی در متلب
○ فیلم آموزش تحقیق در عملیات (برنامه‌ریزی خطی)
○ فیلم های آموزش برنامه ریزی خطی در متلب – به زبان ساده (+ دانلود فیلم آموزش رایگان)
🔸 مثال ۱
کارخانه‌ای عروسک و فرفره تولید می‌کند. این کارخانه برای تولید هر عروسک ۲ تومان هزینه و ۳ ساعت زمان صرف می‌کند. همچنین، برای تولید هر فرفره ۴ تومان هزینه می‌کند و زمان ساخت آن نیز ۲ ساعت است. کارخانه در یک هفته ۲۲۰ تومان و ۱۵۰ ساعت زمان در اختیار دارد که محصولات خود را تولید کند. اگر این تولیدی، هر عروسک را ۶ تومان و هر فرفره را ۷ تومان بفروشد، آنگاه باید چه تعداد از هر محصول تولید کند تا در این یک هفته حداکثر سود را داشته باشد؟
برای حل این نوع مسائل، برنامه‌ریزیی خطی گزینه بسیار مناسبی است. زیرا:
– روابط قابل کمیت پذیر در مسئله خطی است.
– مقادیر متغیرها دارای محدودیت یا قید است.
– هدف، یافتن مقادیری از متغیرها است که به ازای آن‌ها یک کمیت بیشینه شود.
برنامه‌ریزی خطی در بسیاری از مسائل که برخاسته از بهینه‌سازی هستند کاربرد دارد. از این روش می‌توان در بهینه‌سازی سود کارخانه‌ها برای تعیین تعداد بهینه نیروی کار و ماشین‌آلات استفاده کرد. از کاربردهای دیگر برنامه‌ریزی خطی می‌توان به تدارکات اشاره کرد که در آن، برای کمینه کردن زمان، تصمیم گرفته می‌شود که چگونه از منابع استفاده گردد.
🔸 چه زمانی از برنامه ریزی خطی استفاده می‌کنیم؟
از برنامه‌ریزی خطی می‌توان در مسائلی استفاده کرد که در آن‌ها، هدف بیشینه کردن یک کمیت است و دستگاهی از نامعادلات قیود مسئله را تعریف می‌کنند.
تعریف قید: یک قید یا محدودیت (Constraint)، یک نامساوی است که تعریف می‌کند متغیرهای مسئله چگونه محدودیت دارند. برای استفاده از برنامه‌ریزی خطی، همه قیود باید به صورت نامساوی‌های خطی باشند.
اکنون به مثالی که بیان کردیم باز می‌گردیم.
مطالعه ادامه مطلب 👇👇
🔗 برنامه ریزی خطی در متلب – به زبان ساده (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
برنامه ریزی خطی (Linear Programming) یا LP، یک روش بهینه‌سازی برای سیستمی خطی از قیود یا محدودیت‌ها و یک تابع هدف است که در آن، کمیتی برای بهینه کردن تعریف شده است. هدف از برنامه‌ریزی خطی، یافتن مقادیری از متغیرها است که به ازای آن‌ها تابع هدف کمینه یا بیشینه می‌شود. در این آموزش، در قالب یک مثال ساده، با برنامه‌ریزی خطی آشنا می‌شویم.
══ فهرست مطالب ══
○ مثال ۱
○ چه زمانی از برنامه ریزی خطی استفاده می‌کنیم؟
○ ادامه مثال ۱
○ ادامه مثال ۱
○ ادامه مثال ۱
○ برنامه‌ریزی خطی با دو متغیر
○ مثال ۲
○ برنامه ریزی خطی در متلب
○ فیلم آموزش تحقیق در عملیات (برنامه‌ریزی خطی)
○ فیلم های آموزش برنامه ریزی خطی در متلب – به زبان ساده (+ دانلود فیلم آموزش رایگان)
🔸 مثال ۱
کارخانه‌ای عروسک و فرفره تولید می‌کند. این کارخانه برای تولید هر عروسک ۲ تومان هزینه و ۳ ساعت زمان صرف می‌کند. همچنین، برای تولید هر فرفره ۴ تومان هزینه می‌کند و زمان ساخت آن نیز ۲ ساعت است. کارخانه در یک هفته ۲۲۰ تومان و ۱۵۰ ساعت زمان در اختیار دارد که محصولات خود را تولید کند. اگر این تولیدی، هر عروسک را ۶ تومان و هر فرفره را ۷ تومان بفروشد، آنگاه باید چه تعداد از هر محصول تولید کند تا در این یک هفته حداکثر سود را داشته باشد؟
برای حل این نوع مسائل، برنامه‌ریزیی خطی گزینه بسیار مناسبی است. زیرا:
– روابط قابل کمیت پذیر در مسئله خطی است.
– مقادیر متغیرها دارای محدودیت یا قید است.
– هدف، یافتن مقادیری از متغیرها است که به ازای آن‌ها یک کمیت بیشینه شود.
برنامه‌ریزی خطی در بسیاری از مسائل که برخاسته از بهینه‌سازی هستند کاربرد دارد. از این روش می‌توان در بهینه‌سازی سود کارخانه‌ها برای تعیین تعداد بهینه نیروی کار و ماشین‌آلات استفاده کرد. از کاربردهای دیگر برنامه‌ریزی خطی می‌توان به تدارکات اشاره کرد که در آن، برای کمینه کردن زمان، تصمیم گرفته می‌شود که چگونه از منابع استفاده گردد.
🔸 چه زمانی از برنامه ریزی خطی استفاده می‌کنیم؟
از برنامه‌ریزی خطی می‌توان در مسائلی استفاده کرد که در آن‌ها، هدف بیشینه کردن یک کمیت است و دستگاهی از نامعادلات قیود مسئله را تعریف می‌کنند.
تعریف قید: یک قید یا محدودیت (Constraint)، یک نامساوی است که تعریف می‌کند متغیرهای مسئله چگونه محدودیت دارند. برای استفاده از برنامه‌ریزی خطی، همه قیود باید به صورت نامساوی‌های خطی باشند.
اکنون به مثالی که بیان کردیم باز می‌گردیم.
مطالعه ادامه مطلب 👇👇
🔗 برنامه ریزی خطی در متلب – به زبان ساده (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ انتگرال در متلب — راهنمای کامل
در این آموزش، با روش به دست آوردن انتگرال در متلب برای دو دسته کلی انتگرال‌های معین و نامعین آشنا می‌شویم. همچنین، روش حل انتگرال‌های عددی، خطی و دوگانه را نیز بیان می‌کنیم.
══ فهرست مطالب ══
○ انتگرال در متلب
○ انتگرال نامعین در متلب
○ انتگرال معین در متلب
○ انتگرال دوگانه در متلب
○ انتگرال عددی در متلب
○ انتگرال خطی در متلب
🔸 انتگرال در متلب
در حالت کلی، انتگرال‌گیری را می‌توان به دو دسته تقسیم کرد. در نوع اول، مشتق یک تابع داده می‌شود و می‌خواهیم خود تابع را پیدا کنیم. بنابراین، ما اساساً روندی عکس مشتق‌گیری انجام می‌دهیم. این فرایند معکوس به عنوان پادمشتق یا یافتن تابع اولیه یا یافتن انتگرال نامعین شناخته می‌شود. نوع دوم شامل جمع کردن تعداد بسیار زیادی از مقادیر بسیار ناچیز و سپس گرفتن حد برای میل این مقادیر به صفر است، در حالی که تعداد جملات به بینهایت میل می‌کند. این فرایند منجر به تعریف انتگرال معین می‌شود. در ادامه، به معرفی روش‌های حل انتگرال در متلب می‌پردازیم.
مطالعه ادامه مطلب 👇👇
🔗 انتگرال در متلب — راهنمای کامل — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این آموزش، با روش به دست آوردن انتگرال در متلب برای دو دسته کلی انتگرال‌های معین و نامعین آشنا می‌شویم. همچنین، روش حل انتگرال‌های عددی، خطی و دوگانه را نیز بیان می‌کنیم.
══ فهرست مطالب ══
○ انتگرال در متلب
○ انتگرال نامعین در متلب
○ انتگرال معین در متلب
○ انتگرال دوگانه در متلب
○ انتگرال عددی در متلب
○ انتگرال خطی در متلب
🔸 انتگرال در متلب
در حالت کلی، انتگرال‌گیری را می‌توان به دو دسته تقسیم کرد. در نوع اول، مشتق یک تابع داده می‌شود و می‌خواهیم خود تابع را پیدا کنیم. بنابراین، ما اساساً روندی عکس مشتق‌گیری انجام می‌دهیم. این فرایند معکوس به عنوان پادمشتق یا یافتن تابع اولیه یا یافتن انتگرال نامعین شناخته می‌شود. نوع دوم شامل جمع کردن تعداد بسیار زیادی از مقادیر بسیار ناچیز و سپس گرفتن حد برای میل این مقادیر به صفر است، در حالی که تعداد جملات به بینهایت میل می‌کند. این فرایند منجر به تعریف انتگرال معین می‌شود. در ادامه، به معرفی روش‌های حل انتگرال در متلب می‌پردازیم.
مطالعه ادامه مطلب 👇👇
🔗 انتگرال در متلب — راهنمای کامل — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ پیاده‌سازی سیستم تشخیص چهره در متلب — راهنمای کاربردی
در این مطلب، با نحوه پیاده‌سازی سیستم تشخیص چهره در محیط و «زبان برنامه‌نویسی متلب» (MATLAB Programming Language) آشنا خواهید شد. سیستم‌های «تشخیص چهره» (Face Detection | Face Recognition) (به ویژه سیستم‌های تشخیص چهره سه‌بُعدی)، دسته‌ای از سیستم‌های پیشرفته در حوزه «بینایی کامپیوتر» (Computer Vision) محسوب می‌شوند که کاربردهای متنوعی از جمله «نظارت» (Surveillance) و «امنیت» (Security) دارند.
══ فهرست مطالب ══
○ سیستم‌های تشخیص چهره
○ خواندن داده‌های تصاویر سه بُعدی عمق در متلب
○ تشخیص چهره
○ فرایندهای پیش‌پردازشی در تشخیص چهره
🔸 سیستم‌های تشخیص چهره
در یک دهه اخیر، الگوریتم‌های یادگیری ماشین مختلفی برای کاربردهای «پردازش تصویر» (Image Processing) و بینایی کامپیوتر ارائه شده است. الگوریتم‌هایی نظیر «الگوهای باینری محلی» (Local Binary Patterns | LBP) و روش HAAR از جمله روش‌های محبوب و پرکاربرد هستند که به صورت گسترده برای تشخیص چهره مورد استفاده قرار می‌گیرند. از همه مهم‌تر، نتایج حاصل از ارزیابی عملکرد آن‌ها در شرایط آزمایشگاهی، از کارآمدی بالای این دسته از الگوریتم‌ها جهت تشخیص چهره حکایت دارند.
با این حال، بیشتر الگوریتم‌های نام برده شده، برای تشخیص بلادرنگ (Real-Time) چهره و در «شرایط محیطی نامقید» (Unconstrained Environments) مناسب نیستند. در سال‌های اخیر، روش‌های «یادگیری عمیق» (Deep Learning) به محبوبیت فوق‌العاده‌ای در زمینه‌های مختلف هوش مصنوعی دست یافته‌اند؛ به گونه‌ای که محبوبیت آن‌ها از محبوبیت روش‌های یادگیری ماشین مرسوم بیشتر شده است.
روش‌های تشخیص چهره با تصاویر و استخراج اطلاعات از آن‌ها سر و کار دارند؛ تصاویر دیجیتال چیزی جز ترکیبی از «مقادیر پیکسلی» (Pixel Values) در بازه ۰، ۲۵۵ نیستند. الگوریتم‌های تشخیص چهره، مقادیر «سطح خاکستری پیکسل‌ها» (Grey level Pixels) را برای پیدا کردن یک «الگوی متمایز کننده» (Discriminating Pattern) در تصویر جستجو می‌کنند. این الگوی متمایز کننده، به عنوان یک «ویژگی» (Feature) در نظر گرفته می‌شود. علاوه بر این، ویژگی الگوی متمایزگر شناسایی شده به ازاء هر تصویر، یک ویژگی «منحصر به فرد» (Unique) برای هر کدام از آن‌ها شناخته می‌شود.
🔸 خواندن داده‌های تصاویر سه بُعدی عمق در متلب
تصویر سه‌بُعدی یک «شیء» (Object) حاوی مقادیر «ارتفاع» (Height)، «عرض» (Width) و «عمق» (Depth) هر نقطه در شیء مورد نظر خواهد بود (منظور از شیء، تصاویر دیجیتال سه‌بُعدی است). به طور کلی، در مجموعه‌های داده خام سه‌بُعدی نظیر مجموعه داده چهره FRGC یا (FRGC ۲.۰ Face Database)، مجموعه داده Collection F و مجموعه داده Collection G ۳D ear و سایر موارد، فایل‌های تصاویر سه‌بُعدی با «پسوند» (Extension) خاص abs. ذخیره شده‌اند. شکل زیر، نمایی از تصاویر سه‌بُعدی موجود در مجموعه داده FRGC ۲.۰ Face Database را نشان می‌دهد.
تصاویر موجود در این مجموعه داده، در اصل فایل‌های متنی فشرده شده در کدبندی ASCII هستند. هر فایل تصویری موجود در این مجموعه داده، یک «هدر یا سرآمد» (Header) سه خطی دارد که تعداد سطرها و ستون‌های موجود در تصویر را مشخص می‌کند. بلافاصله پس از آن، چهار تصویر در فایل قرار داده شده است. تصویر اول که به آن تصویر «نشانه» (Flag) نیز گفته می‌شود، تصویری است که در آن پیکسل‌ها مقادیر ۰ یا ۱ به خود می‌گیرند. مقادیر پیکسلی ۱ بدین معنی است که مقادیر (Y ،X و Z) متناظر در آن پیکسل «معتبر» (Valid) هستند. در صورتی که مقدار نشانه (Flag) صفر باشد، از مؤلفه‌های (Y ،X و Z) آن پیکسل چشم پوشی می‌شود.
پس از تصویر نشانه، به ترتیب تصویر مختصات X یا X-coordinates، تصویر مختصات Y یا Y-coordinates و تصویر مختصات Z یا Z-coordinates قرار داده شده‌اند. برنامهنویس از دو طریق قادر به مدل‌سازی تصاویر و استفاده از آن‌ها در سیستم تشخیص چهره خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 پیاده‌سازی سیستم تشخیص چهره در متلب — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
در این مطلب، با نحوه پیاده‌سازی سیستم تشخیص چهره در محیط و «زبان برنامه‌نویسی متلب» (MATLAB Programming Language) آشنا خواهید شد. سیستم‌های «تشخیص چهره» (Face Detection | Face Recognition) (به ویژه سیستم‌های تشخیص چهره سه‌بُعدی)، دسته‌ای از سیستم‌های پیشرفته در حوزه «بینایی کامپیوتر» (Computer Vision) محسوب می‌شوند که کاربردهای متنوعی از جمله «نظارت» (Surveillance) و «امنیت» (Security) دارند.
══ فهرست مطالب ══
○ سیستم‌های تشخیص چهره
○ خواندن داده‌های تصاویر سه بُعدی عمق در متلب
○ تشخیص چهره
○ فرایندهای پیش‌پردازشی در تشخیص چهره
🔸 سیستم‌های تشخیص چهره
در یک دهه اخیر، الگوریتم‌های یادگیری ماشین مختلفی برای کاربردهای «پردازش تصویر» (Image Processing) و بینایی کامپیوتر ارائه شده است. الگوریتم‌هایی نظیر «الگوهای باینری محلی» (Local Binary Patterns | LBP) و روش HAAR از جمله روش‌های محبوب و پرکاربرد هستند که به صورت گسترده برای تشخیص چهره مورد استفاده قرار می‌گیرند. از همه مهم‌تر، نتایج حاصل از ارزیابی عملکرد آن‌ها در شرایط آزمایشگاهی، از کارآمدی بالای این دسته از الگوریتم‌ها جهت تشخیص چهره حکایت دارند.
با این حال، بیشتر الگوریتم‌های نام برده شده، برای تشخیص بلادرنگ (Real-Time) چهره و در «شرایط محیطی نامقید» (Unconstrained Environments) مناسب نیستند. در سال‌های اخیر، روش‌های «یادگیری عمیق» (Deep Learning) به محبوبیت فوق‌العاده‌ای در زمینه‌های مختلف هوش مصنوعی دست یافته‌اند؛ به گونه‌ای که محبوبیت آن‌ها از محبوبیت روش‌های یادگیری ماشین مرسوم بیشتر شده است.
روش‌های تشخیص چهره با تصاویر و استخراج اطلاعات از آن‌ها سر و کار دارند؛ تصاویر دیجیتال چیزی جز ترکیبی از «مقادیر پیکسلی» (Pixel Values) در بازه ۰، ۲۵۵ نیستند. الگوریتم‌های تشخیص چهره، مقادیر «سطح خاکستری پیکسل‌ها» (Grey level Pixels) را برای پیدا کردن یک «الگوی متمایز کننده» (Discriminating Pattern) در تصویر جستجو می‌کنند. این الگوی متمایز کننده، به عنوان یک «ویژگی» (Feature) در نظر گرفته می‌شود. علاوه بر این، ویژگی الگوی متمایزگر شناسایی شده به ازاء هر تصویر، یک ویژگی «منحصر به فرد» (Unique) برای هر کدام از آن‌ها شناخته می‌شود.
🔸 خواندن داده‌های تصاویر سه بُعدی عمق در متلب
تصویر سه‌بُعدی یک «شیء» (Object) حاوی مقادیر «ارتفاع» (Height)، «عرض» (Width) و «عمق» (Depth) هر نقطه در شیء مورد نظر خواهد بود (منظور از شیء، تصاویر دیجیتال سه‌بُعدی است). به طور کلی، در مجموعه‌های داده خام سه‌بُعدی نظیر مجموعه داده چهره FRGC یا (FRGC ۲.۰ Face Database)، مجموعه داده Collection F و مجموعه داده Collection G ۳D ear و سایر موارد، فایل‌های تصاویر سه‌بُعدی با «پسوند» (Extension) خاص abs. ذخیره شده‌اند. شکل زیر، نمایی از تصاویر سه‌بُعدی موجود در مجموعه داده FRGC ۲.۰ Face Database را نشان می‌دهد.
تصاویر موجود در این مجموعه داده، در اصل فایل‌های متنی فشرده شده در کدبندی ASCII هستند. هر فایل تصویری موجود در این مجموعه داده، یک «هدر یا سرآمد» (Header) سه خطی دارد که تعداد سطرها و ستون‌های موجود در تصویر را مشخص می‌کند. بلافاصله پس از آن، چهار تصویر در فایل قرار داده شده است. تصویر اول که به آن تصویر «نشانه» (Flag) نیز گفته می‌شود، تصویری است که در آن پیکسل‌ها مقادیر ۰ یا ۱ به خود می‌گیرند. مقادیر پیکسلی ۱ بدین معنی است که مقادیر (Y ،X و Z) متناظر در آن پیکسل «معتبر» (Valid) هستند. در صورتی که مقدار نشانه (Flag) صفر باشد، از مؤلفه‌های (Y ،X و Z) آن پیکسل چشم پوشی می‌شود.
پس از تصویر نشانه، به ترتیب تصویر مختصات X یا X-coordinates، تصویر مختصات Y یا Y-coordinates و تصویر مختصات Z یا Z-coordinates قرار داده شده‌اند. برنامهنویس از دو طریق قادر به مدل‌سازی تصاویر و استفاده از آن‌ها در سیستم تشخیص چهره خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 پیاده‌سازی سیستم تشخیص چهره در متلب — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ تقلب نامه (Cheat Sheet) تولباکس یادگیری عمیق متلب — راهنمای کاربردی
تقلب‌نامه (Cheat Sheet)، متنی کوتاه اما جامع پیرامون یک موضوع مشخص است. هدف اصلی ارائه تقلب‌نامه، انتقال مفاهیمِ مرتبط با یک عنوان، به صورت کامل و در کمترین زمان ممکن است. با استفاده از تقلب‌نامه می‌توان چکیده مفاهیم بیان شده در مورد یک مبحث خاص را با سرعت بیشتری مطالعه و یادآوری کرد. از تقلب‌نامه‌های زبانهای برنامه‌نویسی و ابزارها و دستورهای خط فرمان، می‌توان برای آگاهی از دستورات مورد نیاز برای انجام امور گوناگون استفاده کرد. همچنین، چنین تقلب‌نامه‌هایی، حجم زیادی از اطلاعات مفید و مهم را به طور یکجا و یکپارچه دربرمی‌گیرند. با توجه به اهمیت بیان شده، مجله فرادرس اقدام به انتشار تقلب‌نامه‌هایی در حوزه‌های گوناگون از جمله تولباکس یادگیری عمیق متلب (Deep Learning Toolbox in MATLAB) کرده است. به منظور دسترسی به کلیه تقلب‌نامه‌های منتشر شده در مجله فرادرس، می‌توانید از این لینک استفاده کنید. نوشته حاضر در برگیرنده تقلب‌نامه «تولباکس یادگیری عمیق متلب» است.
══ فهرست مطالب ══
○ تولباکس یادگیری عمیق متلب
🔸 تولباکس یادگیری عمیق متلب
در این تقلب‌نامه، چگونگی پیاده‌سازی مدل‌های یادگیری عمیق و اعمال آن‌ها در مسائل، با استفاده از تولباکس یادگیری عمیق متلب، مورد بررسی قرار گرفته و به موضوعات زیر، پرداخته شده است:
– انواع معماری‌های یادگیری عمیق موجود در تولباکس یادگیری عمیق در متلب
None
– شبکه عصبی پیچشی (Convolutional Neural Network | CNN)
– شبکه حافظه کوتاه مدت بلند (Long Short-Term Memory | LSTM)
– روش استفاده از شبکه‌های از پیش آموزش دیده
– گزینه‌های قابل تنظیم برای آموزش مدل
– ارزیابی مدل آموزش دیده
برای دانلود فایل PDF قابل چاپ تقلب‌نامه «تولباکس یادگیری عمیق متلب» روی تصویر زیر کلیک کنید.
دانلود تقلب‌نامه (+کلیک کنید)
مطالعه ادامه مطلب 👇👇
🔗 تقلب نامه (Cheat Sheet) تولباکس یادگیری عمیق متلب — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
تقلب‌نامه (Cheat Sheet)، متنی کوتاه اما جامع پیرامون یک موضوع مشخص است. هدف اصلی ارائه تقلب‌نامه، انتقال مفاهیمِ مرتبط با یک عنوان، به صورت کامل و در کمترین زمان ممکن است. با استفاده از تقلب‌نامه می‌توان چکیده مفاهیم بیان شده در مورد یک مبحث خاص را با سرعت بیشتری مطالعه و یادآوری کرد. از تقلب‌نامه‌های زبانهای برنامه‌نویسی و ابزارها و دستورهای خط فرمان، می‌توان برای آگاهی از دستورات مورد نیاز برای انجام امور گوناگون استفاده کرد. همچنین، چنین تقلب‌نامه‌هایی، حجم زیادی از اطلاعات مفید و مهم را به طور یکجا و یکپارچه دربرمی‌گیرند. با توجه به اهمیت بیان شده، مجله فرادرس اقدام به انتشار تقلب‌نامه‌هایی در حوزه‌های گوناگون از جمله تولباکس یادگیری عمیق متلب (Deep Learning Toolbox in MATLAB) کرده است. به منظور دسترسی به کلیه تقلب‌نامه‌های منتشر شده در مجله فرادرس، می‌توانید از این لینک استفاده کنید. نوشته حاضر در برگیرنده تقلب‌نامه «تولباکس یادگیری عمیق متلب» است.
══ فهرست مطالب ══
○ تولباکس یادگیری عمیق متلب
🔸 تولباکس یادگیری عمیق متلب
در این تقلب‌نامه، چگونگی پیاده‌سازی مدل‌های یادگیری عمیق و اعمال آن‌ها در مسائل، با استفاده از تولباکس یادگیری عمیق متلب، مورد بررسی قرار گرفته و به موضوعات زیر، پرداخته شده است:
– انواع معماری‌های یادگیری عمیق موجود در تولباکس یادگیری عمیق در متلب
None
– شبکه عصبی پیچشی (Convolutional Neural Network | CNN)
– شبکه حافظه کوتاه مدت بلند (Long Short-Term Memory | LSTM)
– روش استفاده از شبکه‌های از پیش آموزش دیده
– گزینه‌های قابل تنظیم برای آموزش مدل
– ارزیابی مدل آموزش دیده
برای دانلود فایل PDF قابل چاپ تقلب‌نامه «تولباکس یادگیری عمیق متلب» روی تصویر زیر کلیک کنید.
دانلود تقلب‌نامه (+کلیک کنید)
مطالعه ادامه مطلب 👇👇
🔗 تقلب نامه (Cheat Sheet) تولباکس یادگیری عمیق متلب — راهنمای کاربردی — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
✳️ برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
══ فهرست مطالب ══
○ بخش اول: شروع برنامه نویسی متلب
○ بخش دوم: حلقه‌ها
○ بخش سوم: شاخه‌گزینی و شروط
○ بخش چهارم: آرایه و ماتریس
○ بخش پنجم: رسم نمودار
○ بخش ششم: تابع تعریف شده توسط کاربر
○ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
○ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه نویسی متلب
این بخش شامل چند برنامه ساده برای آشنایی با برنامه‌نویسی در متلب است.
برنامه زیر را بنویسید و آن را اجرا کنید.
خروجی این برنامه ۸ خواهد بود.
🔸 بخش دوم: حلقه‌ها
حلقه‌ها بخش مهمی از برنامه‌نویسی را تشکیل می‌دهند. در این بخش با شیوه نوشتن حلقه‌ها در متلب آشنا می‌شویم.
برنامه زیر را بنویسید و نتیجه را ببینید.
نتیجه به صورت زیر خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس
متلب (MATLAB) یک محیط محاسباتی و زبان برنامه‌نویسی است که کاربردهای فراوانی در رشته‌های مختلف علوم و مهندسی دارد. واژه MATLAB از دو واژه انگلیسی MATRIX به معنای ماتریس و LABORATORY به معنای آزمایشگاه تشکیل شده است، زیرا در آن مبنای محاسبات ماتریس‌ها هستند. در این آموزش با برنامه نویسی متلب آشنا خواهیم شد.
══ فهرست مطالب ══
○ بخش اول: شروع برنامه نویسی متلب
○ بخش دوم: حلقه‌ها
○ بخش سوم: شاخه‌گزینی و شروط
○ بخش چهارم: آرایه و ماتریس
○ بخش پنجم: رسم نمودار
○ بخش ششم: تابع تعریف شده توسط کاربر
○ بخش هفتم: استفاده از فایل‌ها و دستورهای خارجی برای ورودی و خروجی
○ فیلم های آموزش برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان)
🔸 بخش اول: شروع برنامه نویسی متلب
این بخش شامل چند برنامه ساده برای آشنایی با برنامه‌نویسی در متلب است.
برنامه زیر را بنویسید و آن را اجرا کنید.
خروجی این برنامه ۸ خواهد بود.
🔸 بخش دوم: حلقه‌ها
حلقه‌ها بخش مهمی از برنامه‌نویسی را تشکیل می‌دهند. در این بخش با شیوه نوشتن حلقه‌ها در متلب آشنا می‌شویم.
برنامه زیر را بنویسید و نتیجه را ببینید.
نتیجه به صورت زیر خواهد بود:
مطالعه ادامه مطلب 👇👇
🔗 برنامه نویسی در متلب (MATLAB) — راهنمای گام به گام (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)
📌 کانال اختصاصی آموزشی برنامه‌نویسی متلب و سیمولینک
آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی متلب و سیمولینک را در کانال اختصاصی [@FaraMatlabSim] دنبال کنید. 👇
@FaraMatlabSim — مطالب و آموزش‌های برنامه‌نویسی متلب و سیمولینک فرادرس