A

 user

userمدرس : فتحی

playقسمت : اول دوم سوم

 

در این پست ما فیلم اموزشی زبان sql برای شما بازدید کننده های محترم دانشجویار اماده کردیم.همانطور که می دونید این زبان برای ارتباط با بانک اطلاعاتی هستش.که با استفاده از اون ما عملیات اضافه کردن داده وحذف داده و بروزرسانی داده ونمایش داده را انجام میدیم.در این سه قسمت که برای شما اماده کردیم ابتدا یکسری از مفاهیم کلی این زبان و بانک اطلاعاتی و مفهوم نمودار er  توصیف داده شده است. و بعد اون سراغ کدنویسی این زبان داخل sql server رفتیم.پیشنهاد می کنم این فیلم اموزشی را از دست ندید.

A

 user

userمدرس : موسوی

playقسمت : 1-5

 

آشنایی با پایگاه داده (Data Base) :

پایگاه داده مجموعه ای از داده های ذخیره شده ی مرتبط با هم و باساختاری منظم است.در واقع پایگاه داده ، یک لیست سازماندهی شده ی هد فمند از اطلاعات است.

که اجزای ان با هم در ارتباط هستند.نرم افزار Microsoft Access یک پایگاه داده است.

هدفی که از طراحی یک پایگاه داده دنبال می شود شبیه هدفی است که کاربران صفحه گسترده دنبال می کنند با این تفاوت که حوزه ی کاری و حجم اطلاعات در پایگاه داده

بسیار جامع تر از صفحه گسترده است.از طرفی امکانات پایگاه داده ای موجود در نرم افزار های مانند Access در نرم افزار هیا مانند صفحه گسترده وجود ندارد.

در این قسمت قصد داریم آموزش برنامه نویسی اندروید را به صورت کامل برای شما عزیزان بر روی سایت قرار دهیم,

سرفصل تدریس به این شکل می باشد:

فصل 1:
نصب و راه اندازی محیط برنامه نویسی
ساختار پوشه های برنامه
توضیحاتی در مورد اکتیویتی (Activity)

فصل 2:
کار بر روی ایونت ها مثل کلیک بر روی باتن و کار با اشیا مثل تکست باکس
کار با ListView معمولی و سفارشی
کار با Spinner سفارشی و معمولی
کار با اکتیویتی ها
نوشتن برنامه برای سیستم های مختلف

فصل 3:
طریقه کشیدن اشکال
شکل و شمایل دادن به کنترل ها
درست کردن انیمیشن

فصل 4:
کار با فرگمن ها
فرگمن های استاتیک و دینامیک
دیالگ فرگمنت

فصل 5:
درست کردن دیالوگ و نشان دادن پیفام ها
سفارشی کردن دیالگ ها

فصل 6:
برنامه نویسی چند نخی در آندروید

فصل 7:
درست کردن منو برای برنامه
اضافه کردن تنظیمات به برنامه

فصل 8:
کار با دیتابیس
ساخت جدول و دخیره اطلاعات و گرفتن اطلاعات
پر کردن ListView به صورت سفارشی
—————————————————

مدرس: آقای جعفری پور

هدف از تشخیص گفتار که در متون علمی بیشتر با نام بازشناسی گفتار شناخته شده‌است، طراحی و پیاده‌سازی سیستمی است که اطلاعات گفتاری را دریافت و متن و فرمان گوینده را استخراج می‌کند. فناوری تشخیص گفتار به رایانه‌ای که توانایی دریافت صدا را دارد (برای مثال به یک میکروفن مجهز است) این قابلیت را می‌دهد که صحبت کاربر را متوجه شود. این فناوری در تبدیل گفتار به متن و یا به عنوان جایگزینی برای صفحه کلید یا ماوس برای وارد کردن دستورات مورد استفاده قرار می‌گیرد. سیستم‌های تشخیص دهنده گفتار انواع مختلفی دارند، بعضی قادرند گفتار پیوسته را شناسایی نمایند، بعضی دیگر فقط می‌توانند گفتار گسسته (که بین کلمات سکوت وجود دارد) را تشخیص دهند. همچنین سیستم‌ها قادرند کلمات بیان شده توسط افراد مختلف و یا فقط توسط یک گوینده تشخیص دهند. بهر حال ایده آل‌ترین سیستم آن است که بتواند گفتار پیوسته غیر وابسته به گوینده را در محیط نویزی شناسایی نماید. این سیستم‌ها با بکار گیری روش‌های مختلف طبقه بندی و شناسایی الگو قادرند به تشخیص کلمات هستند که البته برای افزایش دقت در شناسایی از یک فرهنگ لغات نیز در انتهای سیستم استفاده می‌شود. روشهایی مانند Hidden Markov Model یا Neural Network در بسیاری از سیستم‌های تشخیص گفتار مورد استفاده قرار می‌گیرند و در بخش‌های انتهایی سیستم از هوش مصنوعی کمک گرفته می‌شود.

الگوریتم تبرید شبیه‌سازی شده (Simulated Annealing) (SA)، یک الگوریتم بهینه‌سازی فراابتکاری ساده و اثربخش در حل مسائل بهینه‌سازی است. منشأ الگوریتم تبرید شبیه‌سازی شده، کارهای کریک پاتریک و کرنی و همکارانشان در سال‌های ۱۹۸۳ و ۱۹۸۵ است. کریک پاتریک و همکارانش، متخصصانی در زمینهٔ فیزیک آماری بودند. آنها برای حل مسائل سخت بهینه‌سازی، روشی مبتنی بر تکنیک تبرید تدریجی پیشنهاد نمودند. تکنیک تبرید تدریجی، به وسیلهٔ متالورژیست‌ها برای رسیدن به حالتی که در آن ماده جامد، به خوبی مرتب و انرژی آن کمینه شده باشد، استفاده می‌شود. این تکنیک شامل قرار دادن ماده در دمای بالا و سپس کم کردن تدریجی این دماست.

شبکه‌های پتری (Petri net) در سال ۱۹۶۲ توسط معرفی شدند. شبکه‌های پتری ابزار قدرتمندی برای هستند و قدرت توصیف بیشتری را نسبت به فراهم می‌کنند. شبکه‌های پتری علاوه بر اینکه دارای ساختار و رفتار صوری هستند، قابلیت نمایش گرافیکی را دارند که به همین سبب مدل سازی توسط آنها را آسان می‌کند.یکی از دلایل موفقیت شبکه‌های پتری سادگی آنهاست که البته این سادگی گاه مدل کردن سیستم‌ها یپیچیده را دشوار می‌سازد . امکانات زیادی به مدل اولیه شبکه پتری اضافه شده‌است تا قدرت مدل سازی آن را افزایش یابد و بتوان آن را در زمینه‌های مختلف به کار برد.

شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.

کاملترین مجموعه آموزشی منطق فازی

منطق فازی چیست؟

همانطور كه مي دانيد بر اساس مباني و اصول علم، همه چيز مشمول يك قاعده ثابت مي شود كه به موجب اين قاعده آن چيز يا درست است يا غلط. گرچه ممكن بود در مورد “درستي” يا “نادرستي” چيزي ترديد داشته باشند، ليكن در مورد يك چيز، هيچ ترديدي نداشتند و آن اينكه هر پديده‌اي يا “درست” است يا “نادرست”. در اين زمينه مثالهاي فراواني را مي توان ارائه داد: مثلاً هركسي مي تواند بگويدكه اتمها ارتعاش مي كنند يا نمي كنند، يا اينكه علف سبز است و قرمز نيست و خيلي چيزهاي ديگر. به عبارت ديگر در يك پاسخ دلخواه، نظير سبز بودن يا قرمز بودن علف، كه مشخص كننده جواب صحيح يا غلط است، حالت ميانه‌اي  مطرح نيست. اما اين مثالها را، كه در آنها براي هر مسأله‌اي تنها يك جواب آري يا نه صادق است، نبايد به همه چيز تعميم داد. اشتباه علم، تعميم اين موضوع به تمام پديده ها بود. در منطق و رياضيات نيز همين استدلال حاكم بوده است: هر چيزي يا درست است يا غلط؛ بر اين اساس، موضوعات منطقي و رياضي نيز يا كلاً درست هستند يا كلاً نادرست، سفيد يا سياه، يك يا صفر. مثال هاي زيادي را مي توان ارائه داد مثلا مشاهده مي کنيد که در برخي کشورها انسان را از 18 سالگي به بالا بزرگسال مي گويند و خيلي قطعي، خشک و يکدفعه شخص 18 ساله را بزرگسال فرض مي کنند و اگر شخص يک روز قبل از 18 سالگي باشد به هيچ وجه از نظر قانون بزرگسال محسوب نمي شود.آيا اينکه انسان را از 18 سالگي به بالا بزرگسال مي گويند يک واقعيت نيست و حال واقعيت چيز ديگري است : در بين 15 يا 16 ساله ها به ندرت مي توان اشخاصي را يافت که واقعا بزرگسال باشند و همچنين در بين 23 يا 24 ساله ها نيز مي توان اشخاصي را (هرچند به ندرت) يافت که هنوز بزرگسال نشده اند.