Forwarded from mBedLab Learning (Majid Derhambakhsh)
#قانون 1.3 MISRA C - از رفتارهای تعریف‌نشده و نامشخص در C دوری کنیم!
○ دسته‌بندی: #اجباری
○ اعمال برای: C90, C99, C11
یکی از مهم‌ترین قوانین در برنامه‌نویسی C، به‌خصوص در سیستم‌های حساس، پرهیز از رفتارهای «تعریف‌نشده» (Undefined Behavior) و «نامشخص» (Unspecified Behavior) است. استاندارد MISRA C هم بر این موضوع تأکید ویژه‌ای دارد.
رفتار تعریف‌نشده یعنی چی؟
رفتار نامشخص چطور؟
چرا این موضوع مهمه؟
فرض کنید برنامه‌ای نوشتید که در شرایط خاصی، دچار رفتار تعریف‌نشده می‌شه. این برنامه ممکنه روی سیستم شما به درستی کار کنه، اما روی یه سیستم دیگه یا حتی با یه کامپایلر دیگه، رفتاری کاملاً متفاوت و غیرمنتظره داشته باشه. این موضوع می‌تونه منجر به باگ‌های پنهان و مشکلات امنیتی جدی بشه.
MISRA C چی میگه؟
قانون 1.3 استاندارد MISRA C به طور خاص از وقوع هرگونه رفتار تعریف‌نشده و رفتارهای نامشخص «بحرانی» جلوگیری می‌کنه. این استاندارد یه لیست از این رفتارها رو در ضمیمه H خودش آورده و مشخص کرده که کدوم قوانین MISRA C از بروز هر کدوم جلوگیری می‌کنن.
یه مثال ساده:
دسترسی به عنصری خارج از محدوده یک آرایه، یه نمونه از رفتار تعریف‌نشده است.
#برنامه_نویسی #استاندارد_MISRA
#Embedded
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
○ دسته‌بندی: #اجباری
○ اعمال برای: C90, C99, C11
یکی از مهم‌ترین قوانین در برنامه‌نویسی C، به‌خصوص در سیستم‌های حساس، پرهیز از رفتارهای «تعریف‌نشده» (Undefined Behavior) و «نامشخص» (Unspecified Behavior) است. استاندارد MISRA C هم بر این موضوع تأکید ویژه‌ای دارد.
رفتار تعریف‌نشده یعنی چی؟
رفتار تعریف‌نشده به وضعیتی در کد گفته می‌شه که استاندارد زبان C هیچ تضمینی برای نحوه عملکرد برنامه در اون حالت نمی‌ده. این یعنی کامپایلرها می‌تونن هر کاری انجام بدن، از کرش کردن برنامه گرفته تا تولید نتایج عجیب و غیرقابل پیش‌بینی. این اتفاقات ممکنه باعث بروز مشکلات جدی در سیستم‌های حیاتی بشه.
رفتار نامشخص چطور؟
رفتار نامشخص هم وضعیتیه که استاندارد C، رفتارهای مختلفی رو برای اون حالت مجاز دونسته، اما انتخاب نهایی به کامپایلر یا محیط اجرا سپرده شده. گرچه به اندازه رفتار تعریف‌نشده خطرناک نیست، اما می‌تونه باعث عدم قابلیت انتقال کد بین سیستم‌های مختلف بشه.
چرا این موضوع مهمه؟
فرض کنید برنامه‌ای نوشتید که در شرایط خاصی، دچار رفتار تعریف‌نشده می‌شه. این برنامه ممکنه روی سیستم شما به درستی کار کنه، اما روی یه سیستم دیگه یا حتی با یه کامپایلر دیگه، رفتاری کاملاً متفاوت و غیرمنتظره داشته باشه. این موضوع می‌تونه منجر به باگ‌های پنهان و مشکلات امنیتی جدی بشه.
MISRA C چی میگه؟
قانون 1.3 استاندارد MISRA C به طور خاص از وقوع هرگونه رفتار تعریف‌نشده و رفتارهای نامشخص «بحرانی» جلوگیری می‌کنه. این استاندارد یه لیست از این رفتارها رو در ضمیمه H خودش آورده و مشخص کرده که کدوم قوانین MISRA C از بروز هر کدوم جلوگیری می‌کنن.
یه مثال ساده:
#برنامه_نویسی #استاندارد_MISRA
#Embedded
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
👍3
اسپارک گپ (Spark Gap) یا گپ تخلیه گازی (Gas Discharge Protector - GDP)، یک عنصر الکترونیکی است که برای حفاظت از مدارها در برابر ولتاژهای ناگهانی و زیاد (مانند رعد و برق یا نوسانات شدید برق) استفاده میشود.
حفاظت ولتاژ:
ویژگی‌ها:
ولتاژ شکست قابل تنظیم:
تحمل جریان بالا:
سرعت بالا:
ادامه مطلب را مطالعه کنید
این عنصر معمولاً شامل دو الکترود فلزی است که در یک فاصله مشخص از یکدیگر قرار گرفته‌اند و توسط یک گاز خاص (مانند آرگون، نئون یا هیدروژن) احاطه شده‌اند.عملکرد اسپارک گپ:
حفاظت ولتاژ:
وقتی ولتاژ بین دو الکترود از یک مقدار مشخص (ولتاژ شکست یا Breakdown Voltage) فراتر می‌رود، گاز بین الکترودها یونیزه شده و هدایت الکتریکی برقرار میشود. در این حالت، جریان اضافی تخلیه میشود و از آسیب به مدار جلوگیری می‌کند.بازگشت به حالت عایق:
پس از کاهش ولتاژ به زیر مقدار شکست، گاز به حالت عایق بازمی‌گردد و اسپارک گپ دیگر جریان را عبور نمی‌دهد.
ویژگی‌ها:
ولتاژ شکست قابل تنظیم:
با تنظیم فاصله بین الکترودها یا تغییر نوع گاز، می‌توان ولتاژ شکست را کنترل کرد.
تحمل جریان بالا:
اسپارک گپ‌ها توانایی تحمل جریان‌های لحظه‌ای بسیار بالا را دارند.
سرعت بالا:
زمان پاسخ‌دهی آنها به تغییرات ولتاژ بسیار سریع است.
ادامه مطلب را مطالعه کنید
👍1🔥1
کاربردهای اسپارک گپ:
حفاظت در تجهیزات مخابراتی:
محافظت در سیستم‌های قدرت:
مدارهای رادیویی:
خنثی کردن ولتاژ اضافه در سیستم‌های صنعتی:
مزایای اسپارک گپ:
حفاظت در تجهیزات مخابراتی:
برای محافظت از آنتن‌ها، خطوط تلفن و تجهیزات ارتباطی در برابر نوسانات ولتاژ.
محافظت در سیستم‌های قدرت:
جلوگیری از آسیب به تجهیزات شبکه برق، مانند ترانسفورماتورها.
مدارهای رادیویی:
جلوگیری از تداخلات ناشی از تخلیه الکتریکی.
خنثی کردن ولتاژ اضافه در سیستم‌های صنعتی:
مانند محافظت در دستگاه‌های صنعتی حساس.
مزایای اسپارک گپ:
سادگی ساختار.معایب:
هزینه کم نسبت به دستگاه‌های حفاظتی پیچیده.
توانایی حفاظت در ولتاژهای بسیار بالا.
طول عمر محدود به دلیل فرسایش الکترودها.
نیاز به تنظیم دقیق برای عملکرد بهینه.
ممکن است در ولتاژهای پایین عملکرد نداشته باشد.
👍1🔥1
Forwarded from mBedLab Learning (Majid Derhambakhsh)
Media is too big
VIEW IN TELEGRAM
#هوش_مصنوعی #یادگیری_ماشین
یادگیری تحت نظارت
مدل‌های یادگیری نظارت شده می‌توانند پس از دیدن داده‌های زیاد با پاسخ‌های صحیح و سپس کشف ارتباط بین عناصر موجود در داده‌ها که پاسخ‌های صحیح را تولید می‌کنند، پیش‌بینی کنند.
این عمل مانند دانش آموزی است که با مطالعه امتحانات قدیمی که شامل سؤال و پاسخ است، مطالب جدیدی را یاد می گیرد. هنگامی که دانش آموز به اندازه کافی در امتحانات قدیمی آموزش دید، دانش آموز به خوبی برای شرکت در امتحان جدید آماده می شود. این سیستم‌های ML تحت نظارت هستند به این معنا که یک انسان داده‌های سیستم ML را با نتایج صحیح شناخته شده می‌دهد.
دو مورد از رایج ترین موارد استفاده برای یادگیری تحت نظارت، رگرسیون و طبقه بندی هستند.
1. رگرسیون
یک مدل رگرسیون یک مقدار عددی را پیش بینی می کند. به عنوان مثال، یک مدل آب و هوا که میزان بارندگی را بر حسب اینچ یا میلی متر پیش بینی می کند، یک مدل رگرسیونی است.
2. طبقه بندی
مدل‌های طبقه‌بندی احتمال تعلق چیزی به یک دسته را پیش‌بینی می‌کنند. بر خلاف مدل‌های رگرسیون که خروجی آنها عدد است، مدل‌های طبقه‌بندی مقداری را به دست می‌دهند که بیان می‌کند آیا چیزی به یک دسته خاص تعلق دارد یا نه. برای مثال، مدل‌های طبقه‌بندی برای پیش‌بینی هرزنامه بودن ایمیل یا عکس حاوی گربه استفاده میشود.
مدل های طبقه بندی به دو گروه تقسیم می شوند:
○ طبقه بندی باینری
○ طبقه بندی چند طبقه
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
یادگیری تحت نظارت
مدل‌های یادگیری نظارت شده می‌توانند پس از دیدن داده‌های زیاد با پاسخ‌های صحیح و سپس کشف ارتباط بین عناصر موجود در داده‌ها که پاسخ‌های صحیح را تولید می‌کنند، پیش‌بینی کنند.
این عمل مانند دانش آموزی است که با مطالعه امتحانات قدیمی که شامل سؤال و پاسخ است، مطالب جدیدی را یاد می گیرد. هنگامی که دانش آموز به اندازه کافی در امتحانات قدیمی آموزش دید، دانش آموز به خوبی برای شرکت در امتحان جدید آماده می شود. این سیستم‌های ML تحت نظارت هستند به این معنا که یک انسان داده‌های سیستم ML را با نتایج صحیح شناخته شده می‌دهد.
دو مورد از رایج ترین موارد استفاده برای یادگیری تحت نظارت، رگرسیون و طبقه بندی هستند.
1. رگرسیون
یک مدل رگرسیون یک مقدار عددی را پیش بینی می کند. به عنوان مثال، یک مدل آب و هوا که میزان بارندگی را بر حسب اینچ یا میلی متر پیش بینی می کند، یک مدل رگرسیونی است.
2. طبقه بندی
مدل‌های طبقه‌بندی احتمال تعلق چیزی به یک دسته را پیش‌بینی می‌کنند. بر خلاف مدل‌های رگرسیون که خروجی آنها عدد است، مدل‌های طبقه‌بندی مقداری را به دست می‌دهند که بیان می‌کند آیا چیزی به یک دسته خاص تعلق دارد یا نه. برای مثال، مدل‌های طبقه‌بندی برای پیش‌بینی هرزنامه بودن ایمیل یا عکس حاوی گربه استفاده میشود.
مدل های طبقه بندی به دو گروه تقسیم می شوند:
○ طبقه بندی باینری
مدل‌های طبقه‌بندی باینری مقداری را از کلاسی که فقط شامل دو مقدار است، خروجی می‌دهد، برای مثال، مدلی که خروجی rain یا no rain را دارد.
○ طبقه بندی چند طبقه
مدل‌های طبقه‌بندی چند کلاسه مقداری را از کلاسی که بیش از دو مقدار دارد، خروجی می‌دهد، برای مثال، مدلی که می‌تواند rain ، hail ، snow یا sleet را خروجی دهد.
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
👏1
نمایش قدرت سیستم شارژ بی‌سیم GuRu با تأمین انرژی پهپاد در فاصله 30 فوتی
شرکت GuRu Wireless اخیراً سیستم انتقال انرژی بی‌سیم خود را در یک نمایش زنده به نمایش گذاشت که طی آن، انرژی مورد نیاز یک پهپاد بدون اتصال سیمی را از فاصله 30 فوتی تأمین کرد. این نمایش، قابلیت‌های عملی انتقال انرژی از راه دور و ادغام تحویل نیرو با ارتباطات را به تصویر کشید.
در این آزمایش، یک واحد بازیابی به پهپاد متصل شد که با یک فرستنده همکاری می‌کرد تا انرژی را به‌صورت پویا و بهینه منتقل کند. این سیستم تضمین می‌کرد که پهپاد تنها انرژی موردنیاز خود را دریافت کند. در این آزمایش، پهپاد به مدت 96 ساعت بدون نیاز به شارژ مجدد کار کرد—یک تحول شگرف نسبت به زمان عملیاتی معمول 30 تا 45 دقیقه پهپادها.
در آزمایشگاه GuRu، تیم تحقیقاتی معماری جدیدی از این سیستم را با پیکربندی فرستنده‌ای که پهپاد بدون اتصال را از فاصله 30 فوتی تغذیه می‌کرد، به نمایش گذاشت.
مزایای فناوری GuRu
GuRu با تمرکز بر مدولار بودن، کارایی و توانایی انتقال انرژی در فواصل طولانی، ادعا می‌کند که فناوری
...
ادامه مطلب را بخوانید...
@Moallemekhoob
شرکت GuRu Wireless اخیراً سیستم انتقال انرژی بی‌سیم خود را در یک نمایش زنده به نمایش گذاشت که طی آن، انرژی مورد نیاز یک پهپاد بدون اتصال سیمی را از فاصله 30 فوتی تأمین کرد. این نمایش، قابلیت‌های عملی انتقال انرژی از راه دور و ادغام تحویل نیرو با ارتباطات را به تصویر کشید.
در این آزمایش، یک واحد بازیابی به پهپاد متصل شد که با یک فرستنده همکاری می‌کرد تا انرژی را به‌صورت پویا و بهینه منتقل کند. این سیستم تضمین می‌کرد که پهپاد تنها انرژی موردنیاز خود را دریافت کند. در این آزمایش، پهپاد به مدت 96 ساعت بدون نیاز به شارژ مجدد کار کرد—یک تحول شگرف نسبت به زمان عملیاتی معمول 30 تا 45 دقیقه پهپادها.
در آزمایشگاه GuRu، تیم تحقیقاتی معماری جدیدی از این سیستم را با پیکربندی فرستنده‌ای که پهپاد بدون اتصال را از فاصله 30 فوتی تغذیه می‌کرد، به نمایش گذاشت.
مزایای فناوری GuRu
GuRu با تمرکز بر مدولار بودن، کارایی و توانایی انتقال انرژی در فواصل طولانی، ادعا می‌کند که فناوری
...
ادامه مطلب را بخوانید...
@Moallemekhoob
👏2
فناوری آن یک روش مقیاس‌پذیر برای تأمین انرژی ارائه می‌دهد و نیاز به روش‌های سنتی مانند باتری‌ها یا سیستم‌های متصل به سیم را برطرف می‌کند.
سیستم انتقال انرژی بی‌سیم GuRu
سیستم GuRu به جای استفاده از کوپلینگ القایی که در بسیاری از سیستم‌های شارژ بی‌سیم رایج است، از سیگنال‌های رادیویی میلی‌متری با فرکانس بالا بهره می‌برد. این سیستم با کار در فرکانس 24 گیگاهرتز قادر است انرژی را در فواصل چند کیلومتری انتقال دهد.
فرآیند انتقال انرژی با استفاده از پرتوهای هدفمند امواج رادیویی غیر یونیزه، مشابه فرکانس‌های مورد استفاده در شبکه‌های 5G، به دستگاه گیرنده ارسال میشود. این انتقال هدفمند به دقت بسیار بالایی نیاز دارد. فرستنده مجهز به مدارهای مجتمع فرکانس رادیویی (RFIC) انحصاری است که کوچک‌ترین ماژول‌های 24 گیگاهرتزی صنعت محسوب می‌شوند. این ماژول‌ها به‌صورت کاشی‌وار مونتاژ شده و یک معماری آرایه فازی (Phased Array) ایجاد می‌کنند که انرژی را به‌صورت کارآمد هدایت می‌کند.
یک واحد بازیابی روی دستگاه گیرنده با ارسال موقعیت و نیازهای انرژی خود، انتقال انرژی دقیق را تضمین می‌کند.
- #شارژ_بی‌سیم
- #فناوری_پیشرفته
- #پهپاد
- #انرژی_از_راه_دور
- #تکنولوژی_جدید
- #WirelessCharging
- #DroneTech
- #FutureTech
- #EnergyInnovation
- #CuttingEdgeTech
@Moallemekhoob
@mBedLabLearning
سیستم انتقال انرژی بی‌سیم GuRu
سیستم GuRu به جای استفاده از کوپلینگ القایی که در بسیاری از سیستم‌های شارژ بی‌سیم رایج است، از سیگنال‌های رادیویی میلی‌متری با فرکانس بالا بهره می‌برد. این سیستم با کار در فرکانس 24 گیگاهرتز قادر است انرژی را در فواصل چند کیلومتری انتقال دهد.
فرآیند انتقال انرژی با استفاده از پرتوهای هدفمند امواج رادیویی غیر یونیزه، مشابه فرکانس‌های مورد استفاده در شبکه‌های 5G، به دستگاه گیرنده ارسال میشود. این انتقال هدفمند به دقت بسیار بالایی نیاز دارد. فرستنده مجهز به مدارهای مجتمع فرکانس رادیویی (RFIC) انحصاری است که کوچک‌ترین ماژول‌های 24 گیگاهرتزی صنعت محسوب می‌شوند. این ماژول‌ها به‌صورت کاشی‌وار مونتاژ شده و یک معماری آرایه فازی (Phased Array) ایجاد می‌کنند که انرژی را به‌صورت کارآمد هدایت می‌کند.
یک واحد بازیابی روی دستگاه گیرنده با ارسال موقعیت و نیازهای انرژی خود، انتقال انرژی دقیق را تضمین می‌کند.
- #شارژ_بی‌سیم
- #فناوری_پیشرفته
- #پهپاد
- #انرژی_از_راه_دور
- #تکنولوژی_جدید
- #WirelessCharging
- #DroneTech
- #FutureTech
- #EnergyInnovation
- #CuttingEdgeTech
@Moallemekhoob
@mBedLabLearning
👏3
🔧 معرفی کامل موتور هاب DDSM400؛ شاهکار کارایی و طراحی مدرن برای رباتیک و اتوماسیون 🚀
1️⃣ طراحی درایو مستقیم (Direct Drive):
موتور هاب DDSM400 شامل سه بخش اصلی زیر است:
ادامه مطلب را در پست بعدی بخوانید ...
@moallemekhoob
موتور هاب DDSM400 یکی از پیشرفته‌ترین موتورهای هاب موجود در بازار است که به‌صورت ویژه برای ربات‌های متحرک، ماشین‌های کنترل از راه دور (RC) و کاربردهای اتوماسیون طراحی شده است.
این موتور با بهره‌گیری از فناوری درایو مستقیم و ترکیب چندین ویژگی در یک محصول، کارایی، دقت و بهره‌وری را به سطحی جدید می‌رساند.ویژگیهای کلیدی موتور هاب DDSM400
1️⃣ طراحی درایو مستقیم (Direct Drive):
این طراحی باعث حذف گیربکس شده و عملکرد بی‌صداتر، بدون لقی و با بازده فوق‌العاده 99.99% را فراهم می‌کند. کاهش قطعات مکانیکی در طراحی این موتور، نیاز به تعمیر و نگهداری را به حداقل می‌رساند.2️⃣ ترکیب چند سیستم در یک موتور:
موتور هاب DDSM400 شامل سه بخش اصلی زیر است:
موتور PMSM (موتور سنکرون مغناطیس دائم)3️⃣ دامنه سرعت گسترده:
انکودر داخلی: برای دقت بالا در تشخیص موقعیت
سیستم سروو: برای کنترل دقیق حرکت و سرعت
سرعت نامی موتور هاب DDSM400 100 دور بر دقیقه و سرعت بدون بار آن 400 دور بر دقیقه است.
ادامه مطلب را در پست بعدی بخوانید ...
@moallemekhoob
👍3🔥2👏1
Forwarded from mBedLab Learning (Majid Derhambakhsh)
- نسخه: 1.17.0
- سیستم عامل: ویندوز
همانطور که میدانید نرم‌افزار قدرتمند STM32CubeIDE، یه محیط توسعه یکپارچه و چندسکویی (Multi-OS) برای توسعه برنامه‌های میکروکنترلرها و میکروپروسسورهای STM32 هست که به صورت رایگان ارائه شده. این نرم‌افزار، بخشی از اکوسیستم نرم‌افزاری STM32Cube محسوب میشود.
امکانات کلیدی STM32CubeIDE:
🐞 امکانات دیباگ پیشرفته شامل نمایش رجیسترها، حافظه، و دیباگ RTOS
🐧 پشتیبانی از سیستم‌عامل‌های ویندوز، لینوکس و macOS (نسخه‌های ۶۴ بیتی)
با استفاده از STM32CubeIDE، شما می‌توانید به راحتی پروژه‌های خودتان را برای میکروکنترلرهای STM32 ایجاد، کدنویسی، کامپایل و دیباگ کنید. این نرم‌افزار با ارائه امکانات پیشرفته، به شما کمک می‌کند تا پروژه‌های خودتان را سریع‌تر و کارآمدتر توسعه دهید.
برای دانلود مستقیم STM32CubeIDE به لینک زیر مراجعه نمایید:
https://www.tgoop.com/mBedLabLearning/48
#STM32 #STM32CubeIDE #میکروکنترلر #برنامه_نویسی #الکترونیک #EmbeddedSystems #نرم_افزار
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍2
Forwarded from mBedLab Learning (Majid Derhambakhsh)
en.st-stm32cubeide_1.17.0_23558_20241125_2245_x86_64.exe.zip
1 GB
فایل نرم افزار STM32CubeIDE نسخه 1.17.0
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
❤1👍1
موتور هاب DDSM400
در پست شماره یک با این موتورها آشنا شدیم.در این پست به سایر ویژگیهای فنی ان می پردازیم.
ارتباط پیشرفته از طریق LIN Bus:
پشتیبانی از کنترل چند موتوره (Multi-motor Control)
✅ ربات‌های متحرک (ربات‌های 4×4 یا 6×6)
✅ خودروهای کنترل از راه دور (RC)
✅ سیستم‌های اتوماسیون صنعتی
✅ وسایل نقلیه بدون سرنشین (UGV)
✅ پروژه‌های رباتیک پیشرفته
#DDSM400_Motor
#DirectDriveServo
مشخصات فنی موتور را در پست شماره ۳ مشاهده کنید.
@Moallemekhoob
در پست شماره یک با این موتورها آشنا شدیم.در این پست به سایر ویژگیهای فنی ان می پردازیم.
ارتباط پیشرفته از طریق LIN Bus:
پشتیبانی از کنترل چند موتوره (Multi-motor Control)
بازخورد لحظه‌ای از پارامترهایی نظیر موقعیت، سرعت و وضعیت کلی سیستم5️⃣ استاندارد حفاظتی IP54:
این پروتکل ارتباطی، امکان هماهنگی کامل بین موتورها را فراهم می‌کند.
مقاومت در برابر گرد و غبار و پاشش آب6️⃣ بازده انرژی بالا:
این موتور برای شرایط محیطی سخت طراحی شده و دوام بالایی را تضمین می‌کند.
با طراحی مهندسی‌شده، این موتور مصرف انرژی را به حداقل رسانده و برای پروژه‌هایی با نیاز به کار طولانی‌مدت ایده‌آل است.7️⃣ ادغام آسان:
موتور DDSM400 به‌راحتی با شاسی‌های ربات و سیستم‌های تعلیق وسایل نقلیه زمینی بدون سرنشین (UGV) قابل ادغام است.کاربردهای موتور DDSM400
✅ ربات‌های متحرک (ربات‌های 4×4 یا 6×6)
✅ خودروهای کنترل از راه دور (RC)
✅ سیستم‌های اتوماسیون صنعتی
✅ وسایل نقلیه بدون سرنشین (UGV)
✅ پروژه‌های رباتیک پیشرفته
#DDSM400_Motor
#DirectDriveServo
مشخصات فنی موتور را در پست شماره ۳ مشاهده کنید.
@Moallemekhoob
This media is not supported in your browser
VIEW IN TELEGRAM
یک پروژه مکاترونیکی جذاب دیگه رو ببینیم .
این پروژه یک دستگاه پرکن اتوماتیک است که برای پر کردن بطری‌ها از مایعات (مانند عسل) طراحی شده است. اجزای اصلی و عملکرد آن به شرح زیر است:
اجزا:
1. ظرف اصلی (سطل):
حاوی مایع ( عسل) که از طریق شیر به بیرون منتقل میشود.
یک شیر مکانیکی برای کنترل جریان مایع دارد.
2. مکانیزم باز و بسته کردن شیر:
از یک سروموتور برای کنترل باز و بسته شدن شیر استفاده میشود. این سروموتور به اهرمی متصل است که شیر را به صورت دقیق کنترل می‌کند.
3. پنل کنترل:
شامل یک صفحه نمایش کوچک ( از نوع OLED ) برای نمایش اطلاعات مانند حجم مایع یا وضعیت دستگاه.
کلیدها برای کنترل عملکرد دستگاه:
کلید Start/Stop: برای شروع و توقف فرآیند پر کردن.
کلید Menu/Enter: برای تنظیم حالت‌های دستگاه.
دکمه تنظیمات (یک انکودر چرخشی) برای تغییر تنظیمات.
4. محل قرارگیری بطری:
یک نگهدارنده بطری برای قرار دادن بطری به طور دقیق در زیر خروجی شیر طراحی شده است.
دارای سنسوری برای تشخیص وجود بطری (سنسور وزن «لودسل»).
ادامه مطلب را بخوانید...
@Moallemekhoob
این پروژه یک دستگاه پرکن اتوماتیک است که برای پر کردن بطری‌ها از مایعات (مانند عسل) طراحی شده است. اجزای اصلی و عملکرد آن به شرح زیر است:
اجزا:
1. ظرف اصلی (سطل):
حاوی مایع ( عسل) که از طریق شیر به بیرون منتقل میشود.
یک شیر مکانیکی برای کنترل جریان مایع دارد.
2. مکانیزم باز و بسته کردن شیر:
از یک سروموتور برای کنترل باز و بسته شدن شیر استفاده میشود. این سروموتور به اهرمی متصل است که شیر را به صورت دقیق کنترل می‌کند.
3. پنل کنترل:
شامل یک صفحه نمایش کوچک ( از نوع OLED ) برای نمایش اطلاعات مانند حجم مایع یا وضعیت دستگاه.
کلیدها برای کنترل عملکرد دستگاه:
کلید Start/Stop: برای شروع و توقف فرآیند پر کردن.
کلید Menu/Enter: برای تنظیم حالت‌های دستگاه.
دکمه تنظیمات (یک انکودر چرخشی) برای تغییر تنظیمات.
4. محل قرارگیری بطری:
یک نگهدارنده بطری برای قرار دادن بطری به طور دقیق در زیر خروجی شیر طراحی شده است.
دارای سنسوری برای تشخیص وجود بطری (سنسور وزن «لودسل»).
ادامه مطلب را بخوانید...
@Moallemekhoob
👍4
نحوه عملکرد:
1. شروع کار:
کاربر دستگاه را روشن کرده و بطری را در محل مخصوص قرار می‌دهیم.
دستگاه با استفاده از یک سنسور وجود بطری را تشخیص می‌دهد.
2. پر کردن بطری:
سروموتور، شیر را باز می‌کند و مایع شروع به جریان یافتن به داخل بطری می‌کند.
مقدار مایع پرشونده توسط اندازه‌گیری حجم مایع بوسیله لودسل کنترل می شود.
3. پایان فرآیند:
زمانی که حجم تعیین‌شده پر شد، شیر بسته شده و فرآیند متوقف میشود.
کاربر می‌تواند بطری پر شده را برداشته و بطری دیگری قرار دهد.
4. حالت‌های تنظیمات:
از طریق کلیدها یا دکمه چرخشی، کاربر می‌تواند حجم مایع، حالت پر کردن (خودکار یا دستی)، و سایر تنظیمات را تغییر دهد.
کاربرد:
این دستگاه برای پر کردن مایعات غلیظ (مانند عسل) طراحی شده و در کارگاه‌های تولید عسل، صنایع کوچک و مصارف خانگی قابل استفاده است.
#پرکن_اتوماتیک
#مکاترونیک
#مهندسی_خلاقیت
#رباتیک
#هوشمند_سازی
#طراحی_دستگاه
#Automation
#Mechatronics
#Robotics
#SmartDesign
#DIYProjects
@Moallemekhoob
1. شروع کار:
کاربر دستگاه را روشن کرده و بطری را در محل مخصوص قرار می‌دهیم.
دستگاه با استفاده از یک سنسور وجود بطری را تشخیص می‌دهد.
2. پر کردن بطری:
سروموتور، شیر را باز می‌کند و مایع شروع به جریان یافتن به داخل بطری می‌کند.
مقدار مایع پرشونده توسط اندازه‌گیری حجم مایع بوسیله لودسل کنترل می شود.
3. پایان فرآیند:
زمانی که حجم تعیین‌شده پر شد، شیر بسته شده و فرآیند متوقف میشود.
کاربر می‌تواند بطری پر شده را برداشته و بطری دیگری قرار دهد.
4. حالت‌های تنظیمات:
از طریق کلیدها یا دکمه چرخشی، کاربر می‌تواند حجم مایع، حالت پر کردن (خودکار یا دستی)، و سایر تنظیمات را تغییر دهد.
کاربرد:
این دستگاه برای پر کردن مایعات غلیظ (مانند عسل) طراحی شده و در کارگاه‌های تولید عسل، صنایع کوچک و مصارف خانگی قابل استفاده است.
#پرکن_اتوماتیک
#مکاترونیک
#مهندسی_خلاقیت
#رباتیک
#هوشمند_سازی
#طراحی_دستگاه
#Automation
#Mechatronics
#Robotics
#SmartDesign
#DIYProjects
@Moallemekhoob
👍3
Forwarded from mBedLab Learning (Majid Derhambakhsh)
#قانون 1.4 MISRA C - از ویژگیهای جدید زبان C11 با احتیاط استفاده کنید!
○ گروه: #محیط_استاندارد_C
○ دسته‌بندی: #اجباری
○ اعمال برای: C11
در توسعه نرم‌افزارهای حساس به ایمنی و امنیت، رعایت استانداردها و پرهیز از رفتارهای غیرقابل پیش‌بینی بسیار حیاتی است. Rule 1.4 در استاندارد MISRA C به همین موضوع می‌پردازد و استفاده از ویژگیهای "نوظهور" زبان را محدود می‌کند.
چرا این قانون مهم است؟
استفاده از این ویژگی‌ها می‌تواند منجر به رفتارهای undefined (تعریف‌نشده)، unspecified (نامشخص) یا implementation-defined (وابسته به پیاده‌سازی) شود. این یعنی کد شما ممکن است در کامپایلرها یا سیستم‌عامل‌های مختلف، رفتارهای متفاوتی داشته باشد و این امر می‌تواند خطرات جدی به همراه داشته باشد. حتی اگر رفتاری کاملاً تعریف‌شده باشد، ممکن است با انتظارات توسعه‌دهنده همخوانی نداشته باشد و منجر به باگ شود.
به طور خاص، این قانون استفاده از ویژگیهای Annex K (رابط‌های بررسی مرزها) را به جز تعریف __STDC_WANT_LIB_EXT1__ به 0، ممنوع می‌کند.
راه حل چیست؟
اگر مجبور به استفاده از یک ویژگی نوظهور هستید، حتماً باید یک "انحراف" (deviation) ثبت کنید و رفتارهای نامطلوب احتمالی را شناسایی و اقدامات لازم برای جلوگیری از تأثیر آنها بر ایمنی و امنیت سیستم را مشخص کنید.
به عبارت دیگر، قبل از استفاده از هر ویژگی جدید، به دقت مستندات آن را بررسی کنید و از پیامدهای احتمالی آن آگاه باشید.
قوانین مرتبط:
○ قانون 1.3
#برنامه_نویسی #استاندارد_MISRA
#Embedded
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
○ گروه: #محیط_استاندارد_C
○ دسته‌بندی: #اجباری
○ اعمال برای: C11
در توسعه نرم‌افزارهای حساس به ایمنی و امنیت، رعایت استانداردها و پرهیز از رفتارهای غیرقابل پیش‌بینی بسیار حیاتی است. Rule 1.4 در استاندارد MISRA C به همین موضوع می‌پردازد و استفاده از ویژگیهای "نوظهور" زبان را محدود می‌کند.
چرا این قانون مهم است؟
استفاده از این ویژگی‌ها می‌تواند منجر به رفتارهای undefined (تعریف‌نشده)، unspecified (نامشخص) یا implementation-defined (وابسته به پیاده‌سازی) شود. این یعنی کد شما ممکن است در کامپایلرها یا سیستم‌عامل‌های مختلف، رفتارهای متفاوتی داشته باشد و این امر می‌تواند خطرات جدی به همراه داشته باشد. حتی اگر رفتاری کاملاً تعریف‌شده باشد، ممکن است با انتظارات توسعه‌دهنده همخوانی نداشته باشد و منجر به باگ شود.
به طور خاص، این قانون استفاده از ویژگیهای Annex K (رابط‌های بررسی مرزها) را به جز تعریف __STDC_WANT_LIB_EXT1__ به 0، ممنوع می‌کند.
راه حل چیست؟
به عبارت دیگر، قبل از استفاده از هر ویژگی جدید، به دقت مستندات آن را بررسی کنید و از پیامدهای احتمالی آن آگاه باشید.
قوانین مرتبط:
○ قانون 1.3
#برنامه_نویسی #استاندارد_MISRA
#Embedded
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
👍1
This media is not supported in your browser
VIEW IN TELEGRAM
یک پروژه تلفیقی جذاب دیگر از آردوینو و سروو موتور ببینید
در این پروژه از یک سون سگمنت برای نمایش اعداد شمارنده معکوس شمار استفاده کرده ایم.زمانیکه شمارش به پایان برسد گیت توسط سروو موتور باز شده و اتومبیل (ربات) از آن عبور خواهد کرد.هدف از ارائه این پروژه ها ایجاد دید مناسب جهت تلفیق سخت افزارهای مختلفی است که تا کنون آموزش داده ایم تا در پروژه های مکاترونیکی دیگر استفاده شود.
#Servo
#Sevensegment
#Arduino
#Digital_Gate
#Mechatronic
#DIY_Project
@Moallemekhoob
در این پروژه از یک سون سگمنت برای نمایش اعداد شمارنده معکوس شمار استفاده کرده ایم.زمانیکه شمارش به پایان برسد گیت توسط سروو موتور باز شده و اتومبیل (ربات) از آن عبور خواهد کرد.هدف از ارائه این پروژه ها ایجاد دید مناسب جهت تلفیق سخت افزارهای مختلفی است که تا کنون آموزش داده ایم تا در پروژه های مکاترونیکی دیگر استفاده شود.
#Servo
#Sevensegment
#Arduino
#Digital_Gate
#Mechatronic
#DIY_Project
@Moallemekhoob
❤1
Forwarded from mBedLab Learning (Majid Derhambakhsh)
#هوش_مصنوعی #یادگیری_ماشین
یادگیری بدون نظارت
مدل‌های یادگیری بدون نظارت با داده‌هایی که حاوی هیچ پاسخ صحیحی نیستند، پیش‌بینی می‌کنند. هدف یک مدل یادگیری بدون نظارت، شناسایی الگوهای معنادار در میان داده ها است. به عبارت دیگر، مدل هیچ راهنمایی در مورد نحوه طبقه بندی هر قطعه از داده ها ندارد، اما در عوض باید قوانین خود را استنباط کند.
یک مدل یادگیری بدون نظارت متداول از تکنیکی به نام خوشه بندی استفاده می کند. مدل نقاط داده ای را پیدا می کند که گروه بندی های طبیعی را مشخص می کند (تصویر پیوست).
ادامه در پست بعد...
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
یادگیری بدون نظارت
مدل‌های یادگیری بدون نظارت با داده‌هایی که حاوی هیچ پاسخ صحیحی نیستند، پیش‌بینی می‌کنند. هدف یک مدل یادگیری بدون نظارت، شناسایی الگوهای معنادار در میان داده ها است. به عبارت دیگر، مدل هیچ راهنمایی در مورد نحوه طبقه بندی هر قطعه از داده ها ندارد، اما در عوض باید قوانین خود را استنباط کند.
یک مدل یادگیری بدون نظارت متداول از تکنیکی به نام خوشه بندی استفاده می کند. مدل نقاط داده ای را پیدا می کند که گروه بندی های طبیعی را مشخص می کند (تصویر پیوست).
ادامه در پست بعد...
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
Forwarded from mBedLab Learning (Majid Derhambakhsh)
#هوش_مصنوعی #یادگیری_ماشین
ادامه یادگیری بدون نظارت...
خوشه بندی با طبقه بندی متفاوت است زیرا دسته ها توسط شما تعریف نشده اند. به عنوان مثال، یک مدل بدون نظارت ممکن است مجموعه داده های آب و هوا را بر اساس دما دسته بندی کند و بخش بندی هایی را که فصل ها را تعریف می کنند، آشکار کند. در نهایت ممکن است سعی نیاز داشته باشید آن خوشه ها را بر اساس درک خود از مجموعه داده نام گذاری کنید (تصویر پیوست).
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
ادامه یادگیری بدون نظارت...
خوشه بندی با طبقه بندی متفاوت است زیرا دسته ها توسط شما تعریف نشده اند. به عنوان مثال، یک مدل بدون نظارت ممکن است مجموعه داده های آب و هوا را بر اساس دما دسته بندی کند و بخش بندی هایی را که فصل ها را تعریف می کنند، آشکار کند. در نهایت ممکن است سعی نیاز داشته باشید آن خوشه ها را بر اساس درک خود از مجموعه داده نام گذاری کنید (تصویر پیوست).
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
مشخصات موتور هاب DDSM400
پست شماره ۳ .در ادامه پستهای شماره یک و دو موتورهای خاص DDSM400 به مشخصات فنی این موتورها می پردازیم .
1. سرعت بدون بار (No-load speed):
400±20 RPM
2. جریان بدون بار (No-load current):
0.25 A
3. سرعت نامی (Rated speed):
100 RPM
4. گشتاور نامی (Rated torque):
0.15 Nm
5. گشتاور در حالت قفل‌شده (Locked-rotor torque):
0.3 Nm
6. ثابت گشتاور (Torque constant):
0.3 Nm/A
7. جریان در حالت قفل‌شده (Locked-rotor current):
1.0 ± 0.2 A
8. ثابت سرعت (Speed constant):
15.9 RPM/V
9. دقت انکودر (Encoder resolution):
12 بیت
10. ولتاژ ورودی (Input voltage):
25.2V DC
11. دمای عملیاتی (Operating temperature):
-5°C ~ 40°C
12. جریان نامی (Rated current):
0.24 ± 0.07 A
13. سطح نویز (Noise level):
≤40dB
14. وزن (Total weight):
236 گرم
حالت‌های عملکرد (Operating Modes):
1. حالت حلقه جریان (Current Loop Mode):
کنترل توان خروجی موتور با تنظیم جریان.
2. حالت حلقه موقعیت (Position Loop Mode):
کنترل زاویه موتور در محدوده 0 تا 360 درجه.
3. حالت حلقه سرعت (Velocity Loop Mode):
کنترل سرعت موتور.
پست شماره ۳ .در ادامه پستهای شماره یک و دو موتورهای خاص DDSM400 به مشخصات فنی این موتورها می پردازیم .
1. سرعت بدون بار (No-load speed):
400±20 RPM
2. جریان بدون بار (No-load current):
0.25 A
3. سرعت نامی (Rated speed):
100 RPM
4. گشتاور نامی (Rated torque):
0.15 Nm
5. گشتاور در حالت قفل‌شده (Locked-rotor torque):
0.3 Nm
6. ثابت گشتاور (Torque constant):
0.3 Nm/A
7. جریان در حالت قفل‌شده (Locked-rotor current):
1.0 ± 0.2 A
8. ثابت سرعت (Speed constant):
15.9 RPM/V
9. دقت انکودر (Encoder resolution):
12 بیت
10. ولتاژ ورودی (Input voltage):
25.2V DC
11. دمای عملیاتی (Operating temperature):
-5°C ~ 40°C
12. جریان نامی (Rated current):
0.24 ± 0.07 A
13. سطح نویز (Noise level):
≤40dB
14. وزن (Total weight):
236 گرم
حالت‌های عملکرد (Operating Modes):
1. حالت حلقه جریان (Current Loop Mode):
کنترل توان خروجی موتور با تنظیم جریان.
2. حالت حلقه موقعیت (Position Loop Mode):
کنترل زاویه موتور در محدوده 0 تا 360 درجه.
3. حالت حلقه سرعت (Velocity Loop Mode):
کنترل سرعت موتور.
👍1
Forwarded from mBedLab Learning (Majid Derhambakhsh)
#قانون 1.5 MISRA C - دوری از ویژگیهای منسوخ شده در کدنویسی C
○ گروه: #محیط_استاندارد_C
○ دسته‌بندی: #اجباری
○ اعمال برای: C99, C11
تصور کنید در حال نوشتن یک برنامه به زبان C هستید. آیا از تمام ویژگیهای زبان و به‌روزرسانی‌های استاندارد آن آگاهید؟ استفاده از ویژگیهای منسوخ شده (Obsolescent) می‌تواند منجر به مشکلات جدی در کد شما شود. به همین دلیل استاندارد MISRA قانونی را تحت عنوان قانون ۱.۵ وضع کرده است.
قانون MISRA 1.5 چیست؟
این قانون به ما می‌گوید که نباید از ویژگیهای منسوخ شده زبان C استفاده کنیم. این ویژگی‌ها در بخش "جهت‌گیری‌های آینده زبان" و "جهت‌گیری‌های آینده کتابخانه" در استاندارد C (مانند C99 و C11) و همچنین در ضمیمه F آن ذکر شده‌اند.
چرا باید از این قانون پیروی کنیم؟
استاندارد C ویژگی‌ها را زمانی منسوخ اعلام می‌کند که:
○ جایگزین‌های ایمن‌تر یا بهتری برای آنها وجود داشته باشد.
○ رفتار نامطلوبی از خود نشان دهند.
ویژگی‌هایی که در یک نسخه از استاندارد منسوخ اعلام می‌شوند، ممکن است در نسخه‌های بعدی به طور کامل حذف شوند. این موضوع می‌تواند باعث بروز خطا در کدهایی شود که از این ویژگی‌ها استفاده می‌کنند.
مزایای رعایت قانون MISRA 1.5:
○ کد پایدارتر و سازگارتر با نسخه‌های مختلف استاندارد C
○ کاهش احتمال بروز خطا و مشکلات ناشی از ویژگیهای منسوخ شده
○ افزایش خوانایی و نگهداری کد
به طور خلاصه: با پیروی از قانون MISRA 1.5، کد خود را در برابر مشکلات احتمالی ناشی از استفاده از ویژگیهای منسوخ شده ایمن کنید و به نوشتن کد استاندارد و قابل اعتماد پایبند باشید.
قوانین مرتبط:
○ قانون 1.1
#برنامه_نویسی #استاندارد_MISRA
#Embedded
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
○ گروه: #محیط_استاندارد_C
○ دسته‌بندی: #اجباری
○ اعمال برای: C99, C11
تصور کنید در حال نوشتن یک برنامه به زبان C هستید. آیا از تمام ویژگیهای زبان و به‌روزرسانی‌های استاندارد آن آگاهید؟ استفاده از ویژگیهای منسوخ شده (Obsolescent) می‌تواند منجر به مشکلات جدی در کد شما شود. به همین دلیل استاندارد MISRA قانونی را تحت عنوان قانون ۱.۵ وضع کرده است.
قانون MISRA 1.5 چیست؟
این قانون به ما می‌گوید که نباید از ویژگیهای منسوخ شده زبان C استفاده کنیم. این ویژگی‌ها در بخش "جهت‌گیری‌های آینده زبان" و "جهت‌گیری‌های آینده کتابخانه" در استاندارد C (مانند C99 و C11) و همچنین در ضمیمه F آن ذکر شده‌اند.
چرا باید از این قانون پیروی کنیم؟
استاندارد C ویژگی‌ها را زمانی منسوخ اعلام می‌کند که:
○ جایگزین‌های ایمن‌تر یا بهتری برای آنها وجود داشته باشد.
○ رفتار نامطلوبی از خود نشان دهند.
ویژگی‌هایی که در یک نسخه از استاندارد منسوخ اعلام می‌شوند، ممکن است در نسخه‌های بعدی به طور کامل حذف شوند. این موضوع می‌تواند باعث بروز خطا در کدهایی شود که از این ویژگی‌ها استفاده می‌کنند.
مزایای رعایت قانون MISRA 1.5:
○ کد پایدارتر و سازگارتر با نسخه‌های مختلف استاندارد C
○ کاهش احتمال بروز خطا و مشکلات ناشی از ویژگیهای منسوخ شده
○ افزایش خوانایی و نگهداری کد
به طور خلاصه: با پیروی از قانون MISRA 1.5، کد خود را در برابر مشکلات احتمالی ناشی از استفاده از ویژگیهای منسوخ شده ایمن کنید و به نوشتن کد استاندارد و قابل اعتماد پایبند باشید.
قوانین مرتبط:
○ قانون 1.1
#برنامه_نویسی #استاندارد_MISRA
#Embedded
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
👍3
Forwarded from mBedLab Learning (Majid Derhambakhsh)
#هوش_مصنوعی #یادگیری_ماشین
یادگیری تقویتی
مدل های یادگیری تقویتی با دریافت پاداش یا جریمه بر اساس اقدامات انجام شده در یک محیط، پیش بینی می کنند.
یک سیستم یادگیری تقویتی سیاستی را ایجاد می کند که بهترین استراتژی را برای دریافت بیشترین پاداش تعریف می کند.
یادگیری تقویتی برای آموزش روبات‌ها برای انجام وظایفی مانند راه رفتن در اتاق و برنامه‌های نرم‌افزاری مانند AlphaGo برای انجام بازی Go استفاده میشود.
هوش مصنوعی مولد
هوش مصنوعی مولد کلاسی از مدل‌ها است که محتوا را از ورودی کاربر ایجاد می‌کند. برای مثال، هوش مصنوعی مولد می‌تواند تصاویر، ترکیب‌های موسیقی و جوک‌های منحصربه‌فردی ایجاد کند. می تواند مقالات را خلاصه کند، نحوه انجام یک کار را توضیح دهد، یا یک عکس را ویرایش کند.
هوش مصنوعی مولد می‌تواند ورودی‌های مختلفی را دریافت کند و خروجی‌های مختلفی مانند متن، تصویر، صدا و ویدئو ایجاد کند. همچنین می تواند ترکیبی از اینها را بگیرد و ایجاد کند. به عنوان مثال، یک مدل می تواند یک تصویر را به عنوان ورودی بگیرد و یک تصویر و متن را به عنوان خروجی ایجاد کند، یا یک تصویر و متن را به عنوان ورودی بگیرد و یک ویدیو را به عنوان خروجی ایجاد کند.
ما می‌توانیم مدل‌های مولد را با ورودی‌ها و خروجی‌هایشان، که معمولاً به صورت «نوع ورودی» تا «نوع خروجی» نوشته می‌شوند، مورد بحث قرار دهیم. به عنوان مثال، در زیر فهرستی جزئی از برخی ورودی ها و خروجی ها برای مدل های تولیدی آمده است:
○ متن به متن
○ متن به تصویر
○ متن به ویدئو
○ متن به کد
○ تبدیل متن به گفتار
○ تصویر و متن به تصویر
هوش مصنوعی مولد چگونه کار می کند؟
در سطح بالا، مدل‌های مولد الگوهایی را در داده‌ها با هدف تولید داده‌های جدید اما مشابه یاد می‌گیرند. مدل های مولد مانند زیر هستند:
○ کمدین هایی که با مشاهده رفتارها و سبک حرف زدن افراد یاد می گیرند که از دیگران تقلید کنند
○ هنرمندانی که با مطالعه تعداد زیادی نقاشی در آن سبک، نقاشی را در سبک خاصی یاد می گیرند
برای تولید خروجی‌های منحصربه‌فرد و خلاقانه، مدل‌های مولد در ابتدا با استفاده از رویکردی بدون نظارت آموزش داده می‌شوند، جایی که مدل یاد می‌گیرد داده‌هایی را که روی آن آموزش داده شده است تقلید کند. این مدل گاهی اوقات با استفاده از یادگیری تحت نظارت یا تقویتی بر روی داده‌های خاص مرتبط با وظایفی که ممکن است از مدل خواسته شود، آموزش داده میشود، برای مثال، خلاصه کردن یک مقاله یا ویرایش یک عکس.
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR
یادگیری تقویتی
مدل های یادگیری تقویتی با دریافت پاداش یا جریمه بر اساس اقدامات انجام شده در یک محیط، پیش بینی می کنند.
یک سیستم یادگیری تقویتی سیاستی را ایجاد می کند که بهترین استراتژی را برای دریافت بیشترین پاداش تعریف می کند.
یادگیری تقویتی برای آموزش روبات‌ها برای انجام وظایفی مانند راه رفتن در اتاق و برنامه‌های نرم‌افزاری مانند AlphaGo برای انجام بازی Go استفاده میشود.
هوش مصنوعی مولد
هوش مصنوعی مولد کلاسی از مدل‌ها است که محتوا را از ورودی کاربر ایجاد می‌کند. برای مثال، هوش مصنوعی مولد می‌تواند تصاویر، ترکیب‌های موسیقی و جوک‌های منحصربه‌فردی ایجاد کند. می تواند مقالات را خلاصه کند، نحوه انجام یک کار را توضیح دهد، یا یک عکس را ویرایش کند.
هوش مصنوعی مولد می‌تواند ورودی‌های مختلفی را دریافت کند و خروجی‌های مختلفی مانند متن، تصویر، صدا و ویدئو ایجاد کند. همچنین می تواند ترکیبی از اینها را بگیرد و ایجاد کند. به عنوان مثال، یک مدل می تواند یک تصویر را به عنوان ورودی بگیرد و یک تصویر و متن را به عنوان خروجی ایجاد کند، یا یک تصویر و متن را به عنوان ورودی بگیرد و یک ویدیو را به عنوان خروجی ایجاد کند.
ما می‌توانیم مدل‌های مولد را با ورودی‌ها و خروجی‌هایشان، که معمولاً به صورت «نوع ورودی» تا «نوع خروجی» نوشته می‌شوند، مورد بحث قرار دهیم. به عنوان مثال، در زیر فهرستی جزئی از برخی ورودی ها و خروجی ها برای مدل های تولیدی آمده است:
○ متن به متن
○ متن به تصویر
○ متن به ویدئو
○ متن به کد
○ تبدیل متن به گفتار
○ تصویر و متن به تصویر
هوش مصنوعی مولد چگونه کار می کند؟
در سطح بالا، مدل‌های مولد الگوهایی را در داده‌ها با هدف تولید داده‌های جدید اما مشابه یاد می‌گیرند. مدل های مولد مانند زیر هستند:
○ کمدین هایی که با مشاهده رفتارها و سبک حرف زدن افراد یاد می گیرند که از دیگران تقلید کنند
○ هنرمندانی که با مطالعه تعداد زیادی نقاشی در آن سبک، نقاشی را در سبک خاصی یاد می گیرند
برای تولید خروجی‌های منحصربه‌فرد و خلاقانه، مدل‌های مولد در ابتدا با استفاده از رویکردی بدون نظارت آموزش داده می‌شوند، جایی که مدل یاد می‌گیرد داده‌هایی را که روی آن آموزش داده شده است تقلید کند. این مدل گاهی اوقات با استفاده از یادگیری تحت نظارت یا تقویتی بر روی داده‌های خاص مرتبط با وظایفی که ممکن است از مدل خواسته شود، آموزش داده میشود، برای مثال، خلاصه کردن یک مقاله یا ویرایش یک عکس.
#برنامه_نویسی #یادگیری_ماشین #هوش_مصنوعی
📍امبدلب به فارسی:
@mBedLabLearning
📍mBedLab in English:
@mBedLabLearningEN
📍mBedLab Türkçe'de
@mBedLabLearningTR