https://virgool.io/feed/@mohyfahim علاقه مند به مخابرات و اینترنت اشیا fa 2026-06-07 01:38:23 https://files.virgool.io/upload/users/25587/avatar/1RfjzF.png?height=120&width=120 https://virgool.io/@mohyfahim https://virgool.io/@mohyfahim/esp32-tutorial-series-p0-uwyy18ow2ltt مقدمهسلام خوش آمدید.در این سری قصد دارم که در مورد راه اندازی ماژول ESP32 صحبت کنم. در مورد راه اندازی این ماژول با استفاده از Arduino IDE مطالب خوب و کافی در اینترنت مشاهده می کنید. علاوه بر این، استفاده از Arduino IDE واقعا خیلی از کار ها را راحت کرده است ولی Core ای که برای ESP32 استفاده می شود ، کامپایل شده ی ESP-IDF است. ESP-IDF فریم ورک شرکت espressif برای ماژول های ESP32 و خانواده های آن (ESP32s2-s3-c3 و ...) است. اگر گیت هاب این فریم ورک را مشاهده کنید، متوجه آپدیت های سریع و بروز بودن آن می شوید. اما هسته ی Arduino IDE از یک سری از ریلیز های خاص ESP-IDF استفاده می کند و همزمان با این فریم ورک بروز نمی شود. از طرف دیگر، برخی از پارامتر های ماژول (مثل سایز بافر های مختلف و ...) در حین کامپایل شدن سورس ESP-IDF و تبدیل به Arduino IDE Core ،فیکس شده است. این عامل باعث می شود تا قدرت کانفیگ کردن و مانور دادن شما در طراحی یک سیستم امبدد کم شود.Photo by Umberto on Unsplashمن هم بر اساس نیاز خودم مجبور شدم که بجای استفاده از Arduino IDE از ESP-IDF استفاده کنم. بنابراین در این مجموعه، چیزهایی که برای راه اندازی ESP-IDF یادگرفتم را با شما به اشتراک می گذارم. بسیار خوشحال خواهم شد که شما هم اطلاعات خودتان را در این مورد با من به اشتراک بگذارید و اگر ای مطالب مفید بود، برای دوستانتان هم بفرستید.معرفی ESP32ماژول ESP32 یک میکروکنترلر SoC است که دارای WiFi و Bluetooth است. در بعضی از ورژن های آن تک هسته ای و در برخی از آنها دو هسته ای است. این هسته ها از خانواده Xtensa یا RISC-V است. مقدار رم و فلش نیز بر اساس ورژن های مختلف آن، متفاوت است. برای مقایسه جزییات ویژگی هر کدام از سری های ESP32، می توانید به لینک زیر مراجعه کنید:مقایسه سخت افزاریماژولی که من استفاده می کنم، ESP32-CAM است که هسته ی آن ESP32-S است که توسط AiThinker توسعه داده شده است. این ماژول یک دوربین 2MP دارد و حافظه ی PSRAM و FLASH آن ، 4MB است.هسته این ماژول تفاوتی با ماژول های ESP32 ندارد و هنگام کامپایل کردن، تارگت را ESP32 انتخاب خواهیم کرد.در بازار ۲ نوع ESP32 وجود دارد ، یک خانواده ی Wroom و دیگری خانواده Wrover. چیپ هر ۲ نوع ، همان ESP32 است، فقط در خانواده Wrover ، رم اضافی یا external RAM استفاده شده است. آنتن های آنها از نوع pcb on-board هستند ولی بعضی از آنها ، از آنتن خارجی استفاده می کنند. بعدا در مورد نحوه ی تبدیل مد کاری از آنتن داخلی به خارجی و بلعکس صحبت خواهیم کرد. در حال حاضر با توجه به مواردی که در ذهنم دارم، در مورد موضوعات زیر صحبت خواهم کرد:Setting up the ESP-IDFWiFi and provisioningBluetoothHTTP client and serverSocket client and serverMQTT clientTLSESP-NOWFile systems and other storageCameraMesh NetworkFace Detection via CNNWiFi CSIOTAاگر موضوع جالب دیگری هم فکر میکنید با من به اشتراک بگذارید تا در مورد آن بخوانیم و به این لیست اضافه کنیم.ممنون ^_^نسخه ی انگلیسی این پست Mohy Fahim Mohy Fahim Thu, 17 Mar 2022 12:05:29 +0330 https://virgool.io/@mohyfahim/%D8%A7%D9%85%D9%86%DB%8C%D8%AA-%D9%84%D8%A7%DB%8C%D9%87-%D9%81%DB%8C%D8%B2%DB%8C%DA%A9%DB%8C-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%DB%8C-%DA%A9%D9%87-%D9%87%DA%A9-%D9%86%D9%85%DB%8C%D8%B4%D9%88%D8%AF-aompd81oih9n امنیت لایه فیزیکی چیست ؟برای فهمیدن امنیت لایه فیزیکی ، ابتدا باید در مورد لایه ی فیزیکی یک شبکه صحبت کنیم. محیطی که در آن می‌خواهیم یک بیت را از فرستنده به گیرنده منتقل کنیم که این محیط می­تواند یک محیط سیمی یا بی‌سیم باشد. پروتکل های مختلف اترنت ، توکن رینگ ، وای فای، بلوتوث و ... در این لایه وجود دارند اما در امنیت لایه فیزیکی، از ویژگی‌های ذاتی کانال بی‌سیم استفاده می‌کنیم. (یعنی این روش مختص شبکه‌های بی‌سیم است)پس در امنیت لایه فیزیکی قصد داریم که امنیت را در فاز انتقال اطلاعات تأمین کنیم، برخلاف روش‌های مرسوم که در لایه‌های بالاتر شبکه بکاربرده می‌شوند (روش‌های مبتنی بر رمزنگاری).تفاوت دیگری که این روش با روش‌های مبتنی بر رمزنگاری‌ دارد این است که وابسته به قدرت محاسباتی سیستمی نیست، یعنی توانایی محاسباتی سیستم شنودگر ، محدودیتی برای ما ایجاد نمی‌کند که یک نکته ی بسیار مثبت است!!این روش ها در سال های 1970 معرفی شده‌اند ولی امروزه به دلیل گسترده شدن شبکه‌های بی‌سیم و محبوبیت تلفن‌های همراه، توجه ویژه‌ای به این نوع امنیت شده است.unsplahs.comچگونه امنیت را در فاز انتقال اطلاعات ایجاد کنیم ؟در شبکه‌های بی‌سیم ، مفهومی وجود دارد به نام "ظرفیت" که مشخص کننده‌ی بیشترین تعداد بیت‌هایي است که در این لینک در یک ثانیه و در یک هرتز منتقل می­شود. به عنوان مثال اگر ظرفیت لینکی 5 بیت برثانیه بر هرتز باشد، و پهنای باندی که استفاده می‌کنیم 10 کیلوهرتز باشد، ما یک لینک با حداکثر نرخ 50 کیلوبیت بر ثانیه (50 kbps) ایجاد کردیم.مقدار این ظرفیت وابسته به میزان نویز موجود در این کانال بی‌سیم است به طور دقیق‌تر ، وابسته به نسبت توان سیگنال ارسالی به توان نویز است که با پارامتر SNR (سیگنال به نویز) آن را نشان می­دهیم و B پهنای باند در دسترس ما است.در مثال بالا اگر سیگنالی با نرخ 60 کیلوبیت بر ثانیه ارسال کنیم، چه می‌شود؟ گیرنده نمی‌تواند سیگنال دریافتی را به درستی آشکار کند و سیگنال دریافتی دیگر فایده‌ای ندارد.اگر از این ویژگی به درستی استفاده کنیم و کاری کنیم که نرخ ارسالی برای گیرنده‌ی اصلی مناسب باشد درحالی که برای شنودگر زیاد باشد، می‌توانیم از شنود دوری کنیم ( یعنی سیگنال آشکار شده توسط شنودگر، شبیه مثال بالا پر از خطا شده و دیگر فایده ای ندارد)واضح است که اگر ظرفیت شنودگر بیشتر از ظرفیت گیرنده‌ی اصلی باشد ، نمی‌توانیم از شنود دوری کنیم و روش هایی مثل تولید نویز مصنوعی ( جهت تضعیف کانال شنودگر برای پایین آوردن ظرفیت آن) یا cooperative jamming می‌توانند در این حالت مفید واقع شوند.آیا استفاده از امنیت لایه‌ی فیزیکی کافی است و دیگر نیاز به رمزنگاری نداریم ؟بوضوح خیر، همانطور که دیدیم ، دو محدودیت به صورت کلی وجود دارد : توانایی محاسباتی و کیفیت کانال .محدودیت اول باعث می‌شود که روش های رمزنگاری توسط سیستم های قوی‌تر شکست بخورد و استفاده از امنیت لایه‌فیزیکی مکملی برای تامین امنیت می‌شود.محدودیت دوم باعث می‌شود که اولا فقط بتوانیم اینگونه امنیت را برای شبکه های بی‌سیم استفاده کنیم ( زیرا به عنوان مثال در فیبر نوری SNR به بی‌نهایت میل می‌کند و کانال گیرنده و شنودگر محدودیتی در ظرفیت ندارد). ثانیا اگر ظرفیت شنودگر را به هردلیلی نتوانیم کمتر از ظرفیت گیرنده‌ی اصلی کنیم ، دیگر نمی‌توانیم امنیت را در فاز انتقال اطلاعات تامین کنیم. پس همچنان تکنیک های رمزنگاری لازم است.هدف ما این است که از یک ویژگی ذاتی که وجود دارد ( چه بخواهیم ، چه نخواهیم در کانال بی‌سیم ، ظرفیت حدی دارد) به درستی استفاده کنیم.برای توضیحات تکمیلی می‌توانید به این لینک مراجعه کنید.اگر این مطلب برایتان مفید بود ، آنرا با دوستانتان به اشتراک بگذارید.بدرود Mohy Fahim Mohy Fahim Fri, 04 Oct 2019 18:35:36 +0330 https://virgool.io/dataio/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A7%D9%86%D8%AA%D9%82%D8%A7%D9%84-transfer-learning-qw1hjrqirfm7 در قسمت قبل مقاله ای را در مورد نحوه ی ترکیب دو روش Model-Based و Data-Driven بررسی کردیم و در این قسمت می­خواهیم مبحث Transfer Learning را مورد مطالعه قرار دهیم و دو مسئله را از همان مقاله بررسی کنیم.مفاهیم مخابراتی ساده بیان شده اند تا این پست مناسب همه باشدunsplash.comیادگیری انتقال Transfer Learningیادگیری انتقال ، یک مسئله ی یادگیری ماشین است که در آن از دانش کسب شده توسط یک سیستم یادگیری ، در انجام یک فعالیت متفاوت ولی مرتبط استفاده بشود.4 حالت به صورت زیر دارد :1- Instance-Based Transfer Learning2- Mapping-Based Transfer Learning3- Network-Based Transfer Learning4- Adversarial-Based Transfer Learningاز 4 مورد فوق ، مورد سوم را توضیح می­دهیم.برای توضیحات تکمیلی به این مقاله مراجعه کنید.مورد سوم ، Network-Based Transfer Learning نوعی از یادگیری انتقال است که در آن ، از ضرایب و ترم های بایاس بدست آمده پس از فرآیند یادگیری از سیستم یادگیری اولیه ، به عنوان ضرایب اولیه (initializing) سیستم یادگیری ثانویه استفاده می­شود.به عنوان مثال یک شبکه ی عصبی جهت تشخیص خودروهای سواری ، فرایند یادگیری را طی کرده است. سپس برای ایجاد یک شبکه ی عصبی جهت تشخیص اتوبوس ها ، میتوان وزن ها و بایاس های هر لایه را ، با مقادیر وزن ها و بایاس های هرلایه ی شبکه ی عصبی اول ( تشخیص دهنده ی خودرو های سواری) مقداردهی اولیه کرد و سپس با مجموعه داده های مناسب ، فرایند یادگیری را برای تشخیص اتوبوس ها شروع کرد.از ویژگی های مثبت این روش میتوان به کاهش داده مورد نیاز برای فرایند یادگیری ثانویه اشاره کرد که همانطور که گفته شد ، این ویژگی برای مخابرات سیار بسیار مناسب است.واضح است که انتخاب دو فرایند نامناسب موجب یادگیری منفی میشود!حال به مثال زیر توجه کنید : (به جهت سادگی این مطلب ، روابط ریاضی را نشان نمیدهیم .)مسئله ی اول : کنترل توان در شبکه های وایرلسفرض کنیم که K آنتن فرستنده داریم و M کاربر که هرکدام N آنتن گیرنده دارند و ­راندمان انرژی کلی KPI مورد نظر ما است.در این مسئله میخواهیم توان ارسالی هر آنتن را طوری انتخاب کنیم که مقدار این راندمان ماکسیمم شوداز طرفی توان ارسالی هر آنتن یک محدوده نیز دارد .1- این مسئله باید هر دفعه که شرایط کانال عوض میشود حل بشود2- در هر بار حل مسئله ، باید قبل از اینکه شرایط کانال تغییر کند (Coherence Time) ، حل بشودبه دلایل فوق ، مشکل پیاده سازی در این مسئله وجود دارد و این یک مسئله از دسته ی 2 است که در قسمت قبل توضیح دادیم.طبق الگوریتم گفته شده ، ابتدا Training-Set را از رابطه های Model-Based تشکیل میدهیم. مقدار محدوده ی توان و شرایط کانال را به عنوان ورودی به شبکه ی عصبی میدهیم و مقادیر توان ارسالی هر آنتن را از خروجی دریافت میکنیم.پس داده هایی به صورت زیر ، از حل روابط ریاضی تولید میکنیم :به عنوان مثال اگر تعداد فرستنده ها برابر 4 و تعداد کاربران برابر 10 باشد که هرکدام 2 آنتن داشته باشند و یک شبکه ی عصبی با 6 لایه که به ترتیب 512 ، 256 ، 128 ، 64 ، 32 و 16 نورون دارند را تشکیل دهیم ، داریم : (برای مطالعه ی جزییات سیستم یادگیری به مقاله ی اصلی مراجعه شود)میبینیم که نتایج قابل قبول هستند و لازم به ذکر است که فرایند لرنینگ به صورت آفلاین انجام میشود و اردر محاسباتی پس از اتمام فرایند یادگیری بسیار پایین تر از حل معادله ی اصلی است . پس مشکل پیچیدگی حل معادله رفع میشود.در این حالت تعداد داده های Training Set برابر 100000 و تعداد داده های تست برابر 10000 است . چون داده ها از روی رابطه ی تئوری ساخته شده اند ، مشکلی در تعداد زیاد داده ها نداریم.محدودیت در تعداد داده های عملی داریم که در مثال بعدی بررسی میشود.مسئله ی دوم : راندمان انرژی شبکه های مخابرات سلولی ، با توزیع سلول ها به صورت شبکه های مربعیدر این مسئله ، اگر توزیع سلول ها به صورت توزیع پواسون باشد ، یک رابطه ی دقیق میتوانیم به دست بیاوریم ولی این رابطه برای شبکه های مربعی، یک رابطه ی غیر دقیق است ولی قابل پیاده سازی و حل .پس با یک مسئله از دسته ی سوم درگیر هستیم . طبق الگوریتم گفته شده ابتدا با استفاده از رابطه ی غیر دقیق ، داده تولید میکنیم برای اموزش شبکه ی عصبی غیر دقیق ، سپس با پیاده سازی سیستم ، داده های عملی جمع میکنیم و فرایند یادگیری سیستم را اصلاح میکنیم ( Network-Based Transfer Learning) یعنی شبکه ی عصبی دقیق ، ضرایب وزن و بایاس شبکه ی عصبی غیر دقیق را به عنوان شرایط اولیه دارد و با تعدادی داده ی عملی ، شبکه ی عصبی دقیق ، آموزش میبیند ( در واقع شبکه ی عصبی غیر دقیق را اصلاح کردیم)اگر سیستم در مجموع با 10000 داده اموزش ببیند و تعداد x تا از آنها داده های عملی باشد که در مرحله ی دوم استفاده میشود ، نمودار های زیر را خواهیم داشت :همانطور که میبینم ، با تعداد 40 داده ی عملی ، مقدار خطا ، به مقدار حالتی که همه ی 10000 داده عملی باشند ، نزدیک است .کاهش تعداد داده های عملی بسیار چشم گیر است.در این دو قسمت سعی شد تا مفاهیم ترکیب دو متد و مزیت های آنها را بررسی کنیم. در حال حاضر روی استفاده از این متد ها در امنیت لایه ی فیزیکی مشغول هستم و امیدوارم به زودی ، نتایج کارهای شخصی خودم را هم قرار دهم .اگر این مطلب برای شما مفید بود ، آنرا با دوستانتان به اشتراک بگذارید. Mohy Fahim Mohy Fahim Tue, 16 Jul 2019 10:37:08 +0430 https://virgool.io/dataio/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D9%85%D8%B3%D8%A7%D8%A6%D9%84-%D8%B1%D8%A7-%D8%A8%D8%A7-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%D8%AD%D9%84-%DA%A9%D9%86%DB%8C%D9%85-g4dlfjhrppf7 چند وقت پیش مقاله ای با عنوان Wireless Networks Design in the Era of Deep Learning Model-Based, AI-Based, or Bothبا هدف توضیح چرایی و چگونگی استفاده از یادگیری عمیق در شبکه های مخابرات بی سیم منتشر شد و در آن مسائل مختلف این حوزه به 4 دسته ی مختلف تقسیم بندی شده است.این دسته بندی ها به گونه ای است که میتوان آنها را در زمینه های دیگر مثل مکانیک ، الکترونیک و ... نیز به کار گرفت.unsplash.comاما به علت آنکه تا به حال ، مدلسازی های ریاضی برای مسائل مخابراتی کافی بودند ( به مقدار مناسبی دقیق و قابل پیاده سازی بودند) ، زمینه های مختلف این حوزه در ترکیب با هوش مصنوعی به مقدار زیادی ناشناخته مانده است. ولی با ظهور نسل 5 و ویژگی های آن ، نیاز به استفاده از الگوریتم های یادگیری عمیق برای ایجاد سیستم های "هوش شناختی" حس شد.بطور کلی در حل مسائل ، هنگامی رو به این الگوریتم ها می­اوریم که مدلسازی مسئله با پیچیدگی زیادی روبرو باشد. برای همین ، بجای تحلیل مستقیم ریاضی(Model-Based) ، با استفاده از جمع آوری داده و الگوریتم های یادگیری (Data-Driven)، مدلسازی سیستم را با استفاده از شبکه ی عصبی انجام میدهیم.اما در اکثر اوقات میتوان همچنان از مدل های ریاضی بدست آمده استفاده کرد و با استفاده از ترکیب هر دو روش Model-Based , Data-Driven سیستم را مدل سازی کرد.از مزیت هایی که استفاده از Model-Based در کنار Data-Driven دارد، میتوان به کاهش داده های لازم برای آموزش سیستم و همینطور کاهش پیچیدگی مدل نهایی اشاره کرد. ( در چند مطالعه ی موردی ، این ویژگی ها را نشان می­دهیم )مسائل به 4 دسته به صورت زیر تقسیم بندی شده است :در دسته ی اول ، استفاده از روش Model-Based و Data-Driven ، هرکدام به تنهایی ، نتیجه ی یکسانی را خواهند داشت . در دسته ی چهارم ، به وضوح فقط روش Data-Driven نتیجه ی مطلوب را خواهد داشت.در دسته های 2 و 3 استفاده ی ترکیبی از هر دو روش پیشنهاد میشوددسته ی دوم : بهینه کردن مدلدسته ی سوم : تصحیح کردن مدلدر دسته ی دوم چون مدل ریاضی دقیق است ولی قابل حل شدن و پیاده سازی نیست ، ابتدا با استفاده از مدل ریاضی ، داده های لازم (Training set) برای فرایند یادگیری را تولید میکنیم و سپس شبکه ی عصبی را آموزش می­دهیم و سیستم را به صورت شبکه ی عصبی پیاده سازی میکنیم.در دسته ی سوم چون یک مدل غیر دقیق ولی قابل پیاده سازی و حل کردنی داریم ، ابتدا یک شبکه ی عصبی را با داده های تقریبی بدست آمده از مدل ریاضی، تشکیل میدهیم و سپس با مقدار کمی داده ی عملی و دقیق ، شبکه ی تقریبی را اصلاح میکنیم.در این روش نیاز به استفاده از داده های عملی (Empirical-Data) کاهش پیدا می­کند که در حوزه ی مخابرات وایرلس این یک امتیاز بسیار مثبت است ( چون جمع آوری داده های عملی در شبکه های بی سیم بسیار مشکل است)پس به طور کلی ، مسائل در حوزه های مختلف را در یکی از این 4 دسته بندی قرار می­دهیم و رویکرد مناسب با آنرا پیش می­گیریم.در قسمت بعد با روش Transfer Learning آشنا میشیم و دو مطالعه ی موردی را بررسی میکنیم و نتایج این رویکرد هارا بررسی می­کنیم.اگر این مطلب برایتان مفید بود ، حتما آنرا با دوستانتان به اشتراک بگذارید.قسمت دوم Mohy Fahim Mohy Fahim Mon, 15 Jul 2019 21:41:45 +0430 https://virgool.io/Approach/%D8%A8%D9%87%D8%AA%D8%B1%DB%8C%D9%86-%D8%A8%D8%A7%D9%86%DA%A9-%D8%AF%D8%A7%D9%86%D9%84%D9%88%D8%AF-%D8%B1%D8%A7%DB%8C%DA%AF%D8%A7%D9%86-%DA%A9%D8%AA%D8%A7%D8%A8-sgbx6n9bzdqa در مورد کتاب های زبان اصلی و تخصصی مطمئنم که اگه کتابی رو اینجا برای دانلود پیدا نکردین ، جای دیگه ای رو هم پیدا نمیکنین که کتابتون رو داشته باشه. تجربه ی من که اینطوری بود.میتونین اسم کتاب رو از سایت آمازون کپی کنین و داخل این سایت جستجو کنین.موفق باشین *_*Library Genesis : libgen.rsاز سایت unsplash.com Mohy Fahim Mohy Fahim Sat, 30 Mar 2019 18:30:10 +0430 https://virgool.io/@mohyfahim/%DA%86%D8%B1%D8%A7%D8%BA-%D9%82%D9%88%D9%87-%D8%A7%DB%8C-%D8%AF%D8%B1-%D9%85%D8%B3%DB%8C%D8%B1-%D8%AA%DA%A9%D9%86%D9%88%D9%84%D9%88%DA%98%DB%8C-qsw8klu2sa3r مقدمه – از چی می­نویسم و چرا می­نویسم ؟اگر شما به دنبال فرصت های جدید و علاقه ­هاتون در زمینه ی ارتباطات و فناوری اطلاعات هستین ، خوندن این مجوعه رو به شما پیشنهاد می­کنم.از سایت unsplash.comسه سال پیش ، برای پنج سالِ بعدِ خودم ، آینده ای رو متصور شدم. اگر آینده ام رو یک ساختمون درنظر بگیریم ، تونستم اسکلت ساختمون رو برای خودم مشخص کنم و حالا وقت اون بود که شروع به مشخص کردن جزییات برنامه هام بکنم. به همین خاطر در زمینه هایی که تصور میکردم مورد علاقه ی من باشه شروع به جستجو کردم تا ببینم مسیر تحصیلی و کاری خودم رو چطور میتونم به هم نزدیک کنم.تنها چیزی که در شروع کار میدونستم این بود که زمینه ی مورد علاقه ی من باید مستقیما به تکنولوژی های روز مربوط بشه. رشته ی برق رو انتخاب کرده بودم و شناخت سطحی از گرایش هاش داشتم. مدتی هم بود که احساس میکردم اگه رشته ی کامپیوتر رو انتخاب میکردم بهتر بود ولی در نهایت تصمیم گرفتم تا گرایش مخابرات رو انتخاب کنم (مهندس مخابراتی که سیستم های دیجیتال رو خوب بدونه) و در حال حاضر روی "استفاده از هوش مصنوعی در سیستم های مخابراتی" کار می­کنم. سلسله جستجو های زیادی اتفاق افتاد . زمینه های مختلفی از طراحی مدار ، کار با میکروها ، اینترنت اشیاء ، طراحی آنتن های مایکرواستریپ ، شبکه های نسل 4و5 بگیر تا کدنویسی فرانت اند و بک اند سایت و شبکه های کامپیوتری و نوشتن اپلیکیشن و پردازش سیگنال و ... رو تمرین کردم و تقریبا به همشون علاقه مند بودم. مشکلی با این گستردگی علایق نداشتم مخصوصا بعد از دیدن این ویدیو از تد: https://www.ted.com/talks/emilie_wapnick_why_some_of_us_don_t_have_one_true_calling ولی تصمیم گرفتم تا تمرکزم رو بیشتر روی یک زمینه قرار بدم .به تدریج تاریکی های نقشه راه در ذهنم روشن شد و حالا اینجا هستم.و اما پیشنهاد من برای پیدا کردن زمینه ی کاری مورد علاقه­ تون:1. اول از همه شروع کنید ! اولین چیزی که فکر می­کنید علاقه مندید رو شروع کنید.سلف استادی خیلی بدرد میخوره و بعد از یک مدت تمرین و یادگیری ، یک پروژه ی عملی باهاش انجام بدید.2. از کسب تجربه و ورود به حوزه های جدید نترسید ، اگر زمینه ی مورد نظرتون رو پیدا نکردید به جستجو ادامه بدید و برای خودتون مشخص کنید که دقیقا از دنیا چه میخواید.3.در انجمن ها شرکت کنید و به خوندن مقالات و اخبار جدید ( مثلا برای من IEEE ) که شمارو به روز نگه میداره بپردازید.این مسئله خیلی به شخص من کمک کرد. از خوندن مقالات چاپ شده در مجله ها بگیر تا پست های وبلاگ. 4. از تجربیات دیگران با دید منطقی نتیجه گیری کنید ، مخصوصا از تجربیات شکست !5. و در نهایت افزایش سن و ثابت تر شدن شخصیت به تثبیت علایق و روشن شدن راه شما کمک میکنه. هدفم از نوشتن این مجموعه چیه ؟ من قصد ندارم داستان بنویسم ، می­خوام نتایج شخصی خودم رو در قالبی مناسب و جذاب در اختیار کسانی که مثل من در جستجوی زمینه های جدید و بروز هستن، قرار بدم.مجموعه ی "چراغ قوه ای در مسیر تکنولوژی " رو با یکی از جذاب ترین و داغ ترین بحث های روز ، اینترنت اشیاء ، شروع می­کنیم. Mohy Fahim Mohy Fahim Fri, 29 Mar 2019 23:28:45 +0430