https://www.indiegogo.com/projects/pishell-multicolor-case-for-raspberry-pi-camera#/updates/all


🆔 @raspberry_python

#آموزش
برای دانلود کردن یک پوشه خاص از یک ریپوزیتوی داخل گیت هاب میتوانیم از برنامه subversion استفاده کنیم:

in order to install just execute:
#apt-get install -y subversion
now u should just append /trunk to end of url
svn export https://github.com/owner/rep/trunk/path-to-file

even more we can specify the target folder
svn export https://github.com/owner/rep/trunk/path-to-file target-folder

@raspbery_python

https://goo.gl/images/KTbU8f

ساخت ماکروویو با رزبری پای 🤩

🔰 @raspberry_python

understanding the linux kernel
@raspbery_python

یک کتاب به زبان فارسی برای دوستانی که دنبال منابع فارسی هستند.
مولف: مهندس افشین رفوآ
@raspberry_python

کتاب از این پس پایتون یکی از بهترین منابع فارسی برای آموزش و یادگیری پایتون
@raspberry_python

کتاب پایتون برای دانش آموزان
آموزش پایتون با بیان ساده و قابل فهم برای دانش آموزان
@raspbery_python

Personal Finance with Python
Using pandas, Requests, and Recurrent
🌟2018

🔰 @raspberry_python

python data structure and algorithms
@raspberry_python

بررسی پردازش در CPU و GPU
توضیح با OpenCL و C++ و SSE در سی پلاس پلاس
از طرف مهندس @Developer_IT_RObatic_Network

🔰 @raspberry_python

شکل تبدیل فوریه توابع معروف در مخابرات
🔰 @raspberry_python

مثال کاربردی در حوزه پردازش سیگنال در رابطه با Cross-correlate

کد پایتون در پست بعد 👇

🔰 @raspberry_python

📌 کد پایتون شکل بالا درحوزه پردازش سیگنال در رابطه با Cross-correlate

from scipy import signal
import numpy as np

sig = np.repeat([0., 1., 1., 0., 1., 0., 0., 1.], 128)
sig_noise = sig + np.random.randn(len(sig))
corr = signal.correlate(sig_noise, np.ones(128), mode='same') / 128


import matplotlib.pyplot as plt

clock = np.arange(64, len(sig), 128)
fig, (ax_orig, ax_noise, ax_corr) = plt.subplots(3, 1, sharex=True)
ax_orig.plot(sig)
ax_orig.plot(clock, sig[clock], 'ro')
ax_orig.set_title('Original signal')
ax_noise.plot(sig_noise)
ax_noise.set_title('Signal with noise')
ax_corr.plot(corr)
ax_corr.plot(clock, corr[clock], 'ro')
ax_corr.axhline(0.5, ls=':')
ax_corr.set_title('Cross-correlated with rectangular pulse')
ax_orig.margins(0, 0.1)
fig.tight_layout()
fig.show()

🔰 @raspberry_python

شبکه عصبی در یک دقیقه
@raspberry_python

کوادکوپتر دارای بازوهای محرک برای جابجایی اجسام مختلف
@raspberry_python

شماتیک طراحی کواد کوپتر با YUM

با تشکر از @Elvin_Toffler 😃
🔰 @raspberry_python

چطور یک رادیو را با استفاده از رزبری پای بسازیم ؟؟؟
link
@raspberry_python

مقایسه FFT با DFT

تبدیل فوریه سریع با تبدیل فوریه گسسته

@raspberry_python

🔰 سری فوریه :
هر سیگنال پریودیک را می‌توان به صورت مجموع سیگنال‌های سینوسی و کسینوسی بیان کرد.
به هر کدام از این سیگنال‌های سینوسی، یک مؤلفه گفته می‌شود. هر مؤلفه، یک فرکانس و دامنه دارد.
بنابراین، اگر برای یک سیگنال یا موج در حوزه زمان، سری فوریه آن را محاسبه کنیم، می‌توان مؤلفه‌های آن را در نمودار دیگری که محور افقی آن فرکانس مؤلفه‌ها و محور عمودی آن، دامنه مؤلفه‌ها هستند نمایش داد. این نمایش را، نمایش حوزه فرکانس سیگنال می‌گویند.

@Raspberry_python