معرفی و دانلود کتاب پردازش سیگنال دیجیتال با برنامه‌ نویسی پایتون

معرفی کتاب پردازش سیگنال دیجیتال با برنامه‌ نویسی پایتون

کتاب پردازش سیگنال دیجیتال با برنامه‌ نویسی پایتون نوشته‌ی موریس شاربیت تلاش دارد تکنیک‌های اساسی آماری موردِنیاز در پردازش سیگنال دیجیتال (DSP) را آموزش دهد. این کتاب کاربردی، از طریق مثال و تمرین، شیوه‌ی کدنویسی مبانی مهم آماری مثل تخمین پارامتر، آزمون فرضیه و روش‌های مونت‌کارو را در زبان برنامه‌نویسی پایتون نشان می‌دهد.

درباره‌ی کتاب پردازش سیگنال دیجیتال با برنامه نویسی پایتون

پردازش سیگنال دیجیتال (DSP) به فرآیندهایی اطلاق می‌شود که بر روی سیگنال‌های دیجیتال اعمال می‌شود تا آن را تحلیل کند و یا در کیفیتش تغییر ایجاد نمایند. این شیوه امروزه کاربرد بسیار گسترده‌ای دارد: از پردازش صدا و فشرده‌سازی صوتی گرفته، تا مخابرات، رادار و عکس‌برداری پزشکی مثل MRI از تکنیک پردازش دیجیتال بهره می‌برند. همین باعث شده تا DSP در رشته‌هایی مثل مهندسی برق، کامپیوتر و مهندسی پزشکی اهمیت زیادی پیدا کند.

کتاب پردازش سیگنال دیجیتال با برنامه‌ نویسی پایتون (Digital Signal Processing with Python Programming) نوشته‌ی موریس شاربیت (Maurice Charbit) به موضوع تکنیک‌های آماری مورد نیاز در DSP می‌پردازد و شیوه‌ی کدنویسی آن‌ها را در زبان برنامه‌نویسی پایتون آموزش می‌دهد. این کتاب با این پیش فرض نوشته شده که خواننده با پایتون و همینطور مفاهیم اساسی پردازش سیگنال‌های دیجیتال آشناست. شاربیت بیشتر بر روی مفاهیم اساسی آماری متمرکز است و سعی می‌کند این موضوعات کاربردی را آموزش دهد. اما در مورد سیگنال دیجیتال یا زبان پایتون به کلیات بسنده می‌کند. در هر فصل مثال و تمرین ارائه شده است.

کتاب پردازش سیگنال دیجیتال با برنامه‌نویسی پایتون در پنج فصل نوشته شده: در فصل اول مفاهیم ریاضی اساسی و بنیادین ارائه و برخی نظریه‌ها و مفاهیم به‌صورت کلی مرور شده. فصل دوم در مورد استنباط‌های آماری است و موریس شاربیت درباره‌ی برخی تکنیک‌های آماری مثل رگرسیون، تخمین پارامترها و آزمون فرض و ... صحبت کرده. فصل سوم به مدل‌های مخفی مارکوف (HMM) اختصاص دارد و در مورد نقش آن‌ها در برطرف کردن برخی از مسائل توضیح داده شده. فصل چهارم به روش‌های مونت کارلو پرداخته و در نهایت در فصل آخر جواب و راه‌حل مسائل و تمارین کتاب آورده شده است.

کتاب پردازش سیگنال دیجیتال با برنامه‌نویسی پایتون را حسینعلی باباجانزاده تهمتن، جواد وحیدی و علی باباجانزاده تهمتن ترجمه کرده‌اند و انتشارات فناوری نوین آن را به چاپ رسانده است.

کتاب پردازش سیگنال دیجیتال با برنامه نویسی پایتون برای چه کسانی مناسب است؟

این کتاب به مهندسان و متخصصانی که می‌خواهند شیوه‌های تحلیل آماری در زبان پایتون را فرابگیرند، توصیه می‌شود. برنامه‌نویسانی که به پایتون علاقه دارند هم می‌توانند با کمک این راهنما توانایی‌هایشان را توسعه دهند.

با موریس شاربیت بیشتر آشنا شویم

موریس شاربیت (متولد 1948) استاد بازنشسته‌ی دانشگاه آی‌ام‌ایی فرانسه است. شاربیت در زمینه‌ی پردازش تصویر و سینگال تخصص دارد و سال‌ها این موضوع را تدریس کرده و چندین کتاب هم در مورد آن نوشته است. از جمله کتاب‌های او می‌توان به کتاب چندجلدی «پردازش تصویر و سیگنال دیجیتال با استفاده از MATLAB» اشاره کرد.

فهرست مطالب کتاب

فصل اول: ریاضیات مفید
1-1. مفاهیم اساسی در مورد احتمالات
2-1. امید ریاضی مشروط
3-1. قضیه طرح‌ریزی
1-3-1. امید ریاضی مشروط
4-1. گاوسی بودن
1-4-1. متغیر تصادفی گوسی
2-4-1. بردارهای تصادفی گوسی  
3-4-1. توزیع شرطی گوسی
5-1. تبدیل متغیر تصادفی  
1-5-1. بیان کلی  
2-5-1. قانون مجموع دو متغیر تصادفی
3-5-1. روش δ
6-1. قضایای اساسی آمار  
7-1. چند توزیع احتمالی
فصل دوم: استنباط‌های آماری
1-2. مرحله اول: تجسم داده‌ها
1-1-2. نمودار نقطه‌ای
2-1-2. هیستوگرام/نمودار جعبه‌ای
3-1-2. طرح Q-Q
2-2. کاهش ابعاد مجموعه داده
1-2-2. PCA
2-2-2. LDA
3-2. برخی واژگان
1-3-2. استنباط آماری
4-2. مدل آماری
1-4-2. نشانه‌گذاری
5-2. آزمون فرضیه آماری
1-5-2. فرضیه‌های ساده
2-5-2. آزمون نسبت درست نمایی تعمیم‌یافته (GLRT)
3-5-2. آزمون خوش سازگاری χ2
6-2. تخمین آماری
1-6-2. اصول کلی
2-6-2. روش حداقل مربعات
3-6-2. روش حداقل مربعات برای مدل خطی
4-6-2. روش گشتاورها
5-6-2. رویکرد حداکثر احتمال
6-6-2. رگرسیون لجستیک
7-6-2. تخمین غیر پارامتری توزیع احتمال
8-6-2. Bootstrap و دیگران  
فصل سوم: استنباط در مورد HMM
1-3. مدل‌های مخفی مارکوف (HMM)
2-3. استنباط در مورد
HMM 3-3. فیلترینگ: مورد کلی
4-3. مورد خطی گاوسی: الگوریتم کالمن
1-4-3. فیلتر کالمن
2-4-3. RTS هموارتر است
5-3. مورد محدود مارکوف گسسته
1-5-3. فرمول‌های جلو - عقب
2-5-3. فرمول هموار کردن در یک لحظه
3-5-3. فرمول هموار کردن در دو لحظه متوالی
4-5-3. یادگیری HMM با استفاده از الگوریتم EM
5-5-3. الگوریتم ویتربی 
فصل چهارم: روش‌های مونت کارلو
1-4. قضایای بنیادی
2-4. بیان مسئله
3-4. تولید متغیرهای تصادفی
1-3-4. روش وارونگی تابع تجمعی
2-3-4. روش تبدیل متغیر
3-3-4. روش پذیرش-رد
4-3-4. روش‌های متوالی
4-4. کاهش واریانس
1-4-4. نمونه‌گیری اهمیت
2-4-4. طبقه‌بندی
3-4-4. روش متغیرهای ضد متغیر (ضد تکنیک) 
فصل پنجم: نکات و راه‌حل‌ها
1-5. ریاضیات مفید 
2-5. استنباط‌های آماری 
3-5. استنباط در مورد HMM
4-5. روش‌های مونت کارلو