🔷 کتاب علوم اعصاب محاسباتی

#کتاب
#تئوری
#neuroscience

@IUST_Bioelecter

🏢 فردا جلسه آخر دوره تخصصی پیاده سازی شبکه های عصبی هست
امیدواریم بچه ها به مرحله آخر رسیده باشن😊😅
✅ دوره بعدیمون پاییز شروع خواهد شد. 😊
#شبکه_عصبی
#تئوری ➕ #پیاده_سازی➕ #پروژه_عملی
✔️ @onlineBME

📽🎥 صحبتهای دکتر محسن شیرازی فارغ التحصیل دانشگاه
Sapienza University of Rome,Italy
و محقق افتخاری دانشگاه UON استرالیا در مورد دوره شبکه عصبی و همکاری #پروژه #پیش_بینی میزان نشست خاک در #حفاری_مترو توسط ماشین آلات غول پیکر با استفاده از شبکه عصبی
#دوره
#پیاده_سازی #شبکه‌های_عصبی

#تئوری ➕ پیاده سازی ➕ پروژه عملی
جهت ثبت نام با شماره زیر تماس بگیرید:
شماره تماس:
0936-038-2687
آیدی تلگرام:
@OnlineBME_Admin
➖➖➖➖➖➖
✔️ @OnlineBME

📽🎥 صحبت های مهندس سوگل میری ( یکی از شرکت کنندگان دوره پترن در پردازش سیگنال ) درباره دوره های آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
#دوره
#پترن در #پردازش_سیگنال
#علوم_اعصاب
#واسط_مغز_کامپیوتر
#یادگیری_ماشین
#EEG #ECG
#تئوری ➕ پیاده سازی ➕ پروژه عملی

جهت ثبت نام با شماره زیر تماس بگیرید:
شماره تماس:
0936-038-2687
آیدی تلگرام:
@OnlineBME_Admin
➖➖➖➖➖➖
✔️ @OnlineBME

📽🎥 صحبت های مهندس محمدعلی خو ( یکی از شرکت کنندگان شبکه عصبی) درباره دوره های آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
#دوره
#پیاده_سازی #شبکه‌های_عصبی

#تئوری ➕ پیاده سازی ➕ پروژه عملی

✔️ @OnlineBME

📚کتاب شبکه عصبی Simon Haykin

✍️این کتاب بدون شک یکی از بهترین کتابها جهت یادگیری بحث شبکه های عصبی و یادگیری ماشین هست. یکی از نکات کلیدی این کتاب این است که به صورت روان و ساده مطالب نوشته شده است. روان و ساده، خلاصه و مفید، بدون پرداختن به مطالب اضافی و خسته کننده .هر چقدر این کتاب رو بخونید بیشتر لذت خواهید برد. تئوری هر مبحثی رو در ابتدا توضیح میده و سپس میاد الگوریتم خلاصه شده شبکه رو می نویسه. کافیه بیس برنامه نویسیتون خوب باشه،تا بتونید تمام مباحث این کتاب رو در یک محیط برنامه نویسی پیاده سازی کنید. این کتاب تمام مباحث رو صفر تا صد توضیح میده و کنار شبکه های عصبی تمام بحثهای جانبی مفید رو توضیح میده، مثل نحوه آموزش و تست، روشهای آموزش و تست، روشهای ارزیابی، ووو این کتاب در اکثر دانشگاههای معتبر دنیا به عنوان مرجع معرفی می شود.
ما طول این 3 سالی که در کنار شما دوستان بودیم، سعی کردیم تمام مباحث این کتاب را به صورت کامل آموزش بدهیم و همگام با کتاب شبکه‌های عصبی را پیاده‌سازی کنیم.
تنها ایرادی که میشه برای کتاب گرفت اینه که مثال نداره، ما در دوره هامون برای حل این مشکل، مثالهای مختلفی حل می کنیم و بعد از پیاده‌سازی شبکه‌ها، ابتدا مدلهامون رو با مثال های ساده، سپس روی مثالهای واقعی مثل تشخیص سرطان سینه، پیش بینی میزان سهام، پیش بینی میزان نشست خاک در حفاری متروها، پیش بینی میزان آلودگی هوا، مدلسازی روابط خطی و غیرخطی، خوشه بندی داده ها ووو الگوریتمها را ارزیابی کنیم تا دوستان شرکت کننده در دوره ها علاوه بر یادگیری مباحث #تئوری و #پیاده‌سازی، بتوانند از شبکه ها در #پروژه‌های‌واقعی خودشان استفاده کنند، که هدف از یادگیری شبکه‌های عصبی همین است! ما سعی کردیم یک قدم جلوتر بریم و علاوه‌بر مطالب کتاب، چندین مقاله پیاده‌سازی کنیم، تا دوستان با نحوه پیاده‌سازی مقالات تخصصی این حوزه آشنا بشوند.
به دوستانی که علاقه‌مند به یادگیری شبکه‌های عصبی هستند پیشنهاد می‌کنم حتما با این کتاب شروع کنند.
یه خبر خوب هم برای دوستانی که به خاطر مسافت و یا هر دلیل دیگه‌ای نمی‌توانند در دوره‌های ما شرکت کنند، ٫پکیج‌آموزشی شبکه‌های عصبی داره آماده میشه و به زودی در کانال تلگرام اطلاع رسانی خواهد شد.
دوستان میتونن در بخش پیش ثبت نام این پکیج اسم‌نویسی کنند و از تخفیفات ویژه این پکیج در زمان انتشار آن بهره مند شوند.
مخلصیم😊❤️


#دوره
#شبکه‌عصبی
#پکیج‌آموزشی
http://onlinebme.com/course/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

همراهان عزیز در بهار با دوره های زیر در کنار شما خواهیم بود😊❤️
1⃣ دوره پترن در پردازش سیگنالهای حیاتی
2⃣ دوره جامع پردازش تصویر
3⃣ دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
4⃣ آموزش اصول برنامه نویسی متلب ( هزینه #رایگان )


لینک مربوط به برنامه کلاسها 👇👇👇
https://onlinebme.com/بهار-98/

💡سعی ما این است که در دوره ها سه اصل رو رعایت کنیم :
تئوری ➕ پیاده‌سازی ➕ پروژه عملی

✅در روزهای آینده برنامه کارگاهها رو هم اعلام خواهیم کرد.

#پردازش_سیگنال #پردازش_تصویر #پردازش_تصاویرپزشکی
#پترن #یادگیری_ماشین #شبکه_عصبی #هوش_مصنوعی
#واسط_مغز_کامپیوتر #bci
#نوروساینس #neuroscience
#تئوری #پیاده‌سازی #پروژه_عملی
#متلب #پایتون #برنامه‌نویسی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
☘ @onlinebme

✅ مروری مختصر بر مباحثی که در دوره ي تخصصی " پیاده سازی شبکه های عصبی در متلب" آموزش داده خواهد شد.
تئوری ➕ پیاده‌سازی ➕ پروژه عملی


مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جهت کسب اطلاعات بیشتر به شماره و آیدی زیر پیام بدهید 👇👇
@OnlineBME_Admin
0936-038-2687
#شبکه_عصبی
#دوره
#پروژه_محور
#کلاسبندی
#پیشبینی
#خوشه_بندی
#کاهش_بعد
#مدلسازی
#استخراج_ویژگی
#تئوری #پیاده_سازی #پروژه_عملی
#mlp #perceptron #rbf #elm #pnn #som #recurrent #jordan #elman
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
2⃣جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون

✍در جلسه دوم ما در ابتدا شبکه‌عصبی پرسپترون تک لایه را آموزش داده و در متلب گام به گام پیاده‌سازی ‌می‌کنیم. این شبکه ساده‌ترین نوع شبکه عصبی است که برای #کلاسبندی داده‌های #خطی استفاده می‌شود. قبل از اینکه بخواهیم یک شبکه عصبی را در محیطی ‌پیاده‌سازی کنیم لازم است که در ابتدا به #سه_سوال_اساسی جواب بدیم:

1-     ساختار این شبکه چیه؟
2-     قانون یادگیری شبکه چیه؟
3-      کاربرد این شبکه کجاست؟

ما در این جلسه به این سه سوال جواب داده و سپس #تئوری_همگرایی قانون یادگیری پرسپترون را آموزش میدهیم. بعد از اینکه تئوری  شبکه عصبی پرسپترون تک لایه را یاد گرفتیم یک #الگوریتم_خلاصه_شده جهت یادگیری این شبکه می‌نویسم و طبق آن در متلب به صورت #مرحله-به-مرحله #پیاده‌سازی ‌می‌کنیم. و در نهایت چند مثال عملی انجام می‌دهیم تا مطالب را به طور عملی درک کنیم.  سپس برای درک بهتر مطالب، آموزش می‌دهیم که چطور میتوان #مرز تفکیک کننده داده‌ها را رسم کرد تا متوجه بشویم که شبکه عصبی پرسپترون تک لایه چطور یک مسئله کلاسبندی را انجام میدهد.

در نهایت #عیب الگوریتم #یادگیری_پرسپترون را با یک مثال عملی در متلب نشان میدهیم و بعد سراغ #راه_حل می‌رویم. قانون یادگیری پرسپترون با اینکه انقلابی در حوزه هوش مصنوعی به پا کرده است ولی دو تا مشکل اساسی دارد که در ویدیو توضیح می‌دهیم. به دلیل اینکه طبقه‌بند ماکزیمم شباهت(maximum likelihood ) شباهت خیلی زیادی به پرسپترون تک لایه دارد فصل چهارم کتاب Simon haykin طبقه بندML را در ادامه مطالب پرسپترون تک لایه آورده و ایده کلاسبندی این طبقه بند را توضیح داده است. ماهم برای اینکه رشته مطالب کتاب از دست نرود تئوری کلاسبند ML را توضیح داده و سپس در متلب ‌پیاده‌سازی کرده و یک مثال عملی هم با این کلاسبند انجام می‌دهیم. سپس شباهت و تفاوت این دو کلاسبند را به طور مفصل توضیح میدهیم و نشان میدهیم که شبکه عصبی اگر قانون یادگیری پرسپترون را بهبود دهد خیلی بهتر از کلاسبندهای #پارامتری مثل ML خواهد بود.  

🔺نکته: مباحث این جلسه طبق مطالب فصل 4 کتاب Simon haykin است.

🔍 کلمات کلیدی: شبکه عصبی پرسپترون تک لایه، قانون یادگیری پرسپترون، داده خطی ، ایراد قانون یادگیری پرسپترون، کلاسبند پارمتری و غیر پارامتری، کلاسبند ماکزیمم شباهت
➖➖➖➖➖➖➖➖➖➖➖➖

جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🎁🎁 کد #تخفیف 20 درصدی:
Neuralnetworks98
مهلت اعتبار: 2 روز

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🔥 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب🔥

مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

5⃣ جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)

✍ در جلسه چهارم #تئوری الگوریتم معروف #پس_انتشار_خطا را آموزش داده در متلب به صورت #مرحله_به_مرحله پیاده‌سازی کرده و چندین پروژه عملی از جلمه تشخیص سرطان سینه (پروژه عملی طبقه‌بندی) و پیش بینی میزان آلودگی هوا (پروژه عملی رگرسیون) با استفاده از شبکه عصبی پرسپترون چندلایه به صورت گام به گام در متلب پیاده‌سازی کردیم. الگوریتم پس انتشار خطا همانند LMS از گرادیان نزولی برای تنظیم وزنهای سیناپسی استفاده می‌کند. الگوریتم گرادیان نزولی در جهت شیب منفی خطا با یک گامی(نرخ یادگیری) حرکت می‌کند تا به مقدار بهینه برسد. مقدار بهینه جایی است که شیب خطا صفر شود. در حالت ایده آل با تعیین یک نرخ یادگیری مناسب می‌توان به خطای حداقل رسید. ولی در پروژه‌های عملی تعیین نرخ یادگیری بسیار سخت و چالش برانگیز است، زیرا که اگه نرخ یادگیری کم انتخاب شود، الگوریتم ممکن است در #مینیمم‌های_محلی گیر کند (زیرا که مینیمم محلی خواصی شبیه به مینیمم اصلی دارند و در این مناطق نیز شیب خطا صفر است و الگوریتم به اشتباه فکر می‌کند که به مقدار بهینه رسیده است) و در نتیجه شبکه به درستی آموزش نمی‌بیند و یا اگر نرخ یادگیری بزرگ انتخاب شود امکان دارد شبکه به حالت نوسانی و #ناپایدار برسد و در نتیجه همگرا نشده و آموزش نبیند. در این جلسه چالش‌های تعیین نرخ یادگیری را توضیح می‌دهیم و در ادامه چند روش ساده از قبیل ترم ممنتوم، search then converge و time variant  را برای حل این مسئله طبق مطالب کتاب ارائه می‌دهیم و در متلب پیاده‌سازی می‌کنیم و مزایا و معایب هر روش را توضیح می‌دهیم و در انتها توضیح می‌دهیم که روشهای ذکر شده با اینکه تا حدودی توانسته‌اند مشکل تعیین نرخ یادگیری را حل کنند ولی کافی نیستند و نیاز است که شرطهای دیگری نیز در تعیین #نرخ_یادگیری گنجانده شود.

برای درک بهتر مطالب ما در این جلسه نیز چندین مثال و #پروژه_عملی در متلب انجام داده‌ایم.

نکته: تمام مباحث‌این جلسه طبق مطالب فصل 6 کتاب Simon haykin است.
➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه پنجم به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/learning-rate-determination-in-mlp/

💡جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme