آموزش #پردازش_تصویر در متلب
#جلسه_سومdip : مفهوم نمونه برداری و کوانتیزه کرده تصاویر
#کوانتیزاسیون #نمونه_برداری

✅💡پردازش تصویر را به صورت حرفه ای با ما تجربه کنید😉
#آموزش_رایگان
@IUST_Bioelecteric

📦 کدهای #متلب جلسه 6
#کد_رایگان
#آموزش_رایگان
➖➖➖➖
@IUST_Bioelecteric

📦 کدهای #متلب جلسه 7
جمع و تفریق
مثال عملی👌
#کد_رایگان
#آموزش_رایگان
#پردازش_تصویر
➖➖➖➖
@IUST_Bioelecteric

📦 کدهای #متلب جلسه 7
🔺نحوه استفاده از عمل ضرب برای جداسازی ناحیه مورد نظر از تصویر
مثال عملی👌
#کد_رایگان
#آموزش_رایگان
#پردازش_تصویر از مقدماتی تا پیشرفته(DIP from A-Z)
➖➖➖➖
@IUST_Bioelecteric

📦 کدهای #متلب جلسه 7
🔺نحوه استفاده از عمل تقسیم در متلب به همراه یک مثال عملی👌
#کد_رایگان
#آموزش_رایگان
#پردازش_تصویر از مقدماتی تا پیشرفته(DIP from A-Z)
➖➖➖➖
@IUST_Bioelecteric

📦 کدهای #متلب جلسه 7
🔺 توابع
imlincomb,
imabscomb,
imcomplement
#کد_رایگان
#آموزش_رایگان
#پردازش_تصویر از مقدماتی تا پیشرفته(DIP from A-Z)
➖➖➖➖
@IUST_Bioelecteric

✅ توضیحات کد متلب:
در این کد یک داده دو کلاسه با توزیع نرمال تولید شده است.
سپس به دو بخش آموزش و تست تقسیم شده است.
توسط داده آموزش و لیبل آنها وزنهای سیناپسی بهینه طبق قانون یادگیری هب محاسبه شده اند.
بعد از محاسبه وزنهای سیناپسی، داده های تست به شبکه اعمال شده اند و خروجی داده های تست محاسبه شده اند.
سپس خروجیهای تخمین زده شده مدل با مقادیر واقعی مقایسه شده و دقت کلاسبندی محاسبه شده است.
در آخر مرز کلاسبندی بدست آمده توسط شبکه عصبی نیز رسم شده است.
#آموزش_رایگان
#کد_متلب_رایگان
➖➖➖➖
@IUST_Bioelecteric

با سلام
#مطالب_آموزشی_سال96
👇👇👇👇
شما همراهان عزیز جهت استفاده از مطالب آموزشی ( فایل pdf) قرار داده شده در کانال می توانید از هشتک های زیر:
#Neural_Network
#neural_network
#Multi_layer_perceptron
#MLP
#mlp
#RBF
#batch_mode
#pattern_mode
#deep_learning
#convolutional_neural_networks
#pattern_recognition
#pca
#neuroscience
#classification
#KNN
#kmeans_clusterring
#FCM
#EEG
#qeeg
#brain_mapping
#qrs
#detection
#ssvep
#outliers
#feature_selection
#neuroscience
#voice_recognition
#image_processing
#bit_level_slicing
#image_registeration
#image_fusion
#template_matching
#pet
#OpenCV
#Python
#OpenCV_in_Python
#endnote
#data_mining
#bone_age
#p300
#ERP
#پردازش_تصویر
#پردازش_تصاویرپزشکی
#پردازش_تصویر
#عکاسی
#پردازش_تصویر
#تبدیل_تصویر_خاکستری_به_باینری
#برجسته_کردن_لبه
#فیلتر_مکانی
#انطباق_تصاویر
#مورفولوژی
#ایزو
#سرعت_شاتر
#دریچه_دیافراگم
#تصویربرداری
#سن_استخوانی
#نویزسفید
#شبکه_عصبی_پرسپترون_چندلایه
#صفرتاصدRBF
#شبکه_عصبی_RBF
#قضیه_کاور
#مهندسی_عصبی ( بخش یک تا 5 )
#تحریک_الکتریکی_عملکردی
#عصب_شناسی
#خطای_شنیداری
#سیگنالهای_حیاتی
#اسپایک_سورتینگ
#نرمال_سازی
#استخراج_ویژگی
#انتتخاب_ویژگی
#رگرسیون
#کلاسبندی
#کلاسبند_حداقل_فاصله
#سفیدکردن
#تطبیق_الگو
#تجزیه_تحلیل_مولفه_های_اصلی
#باندگاما_بتا_آلفا_تتا_دلتا
#نقشه_برداری_مغزی
#واسط_مغزوکامپیوتر
#رگرسیون
#اکوی_قلب
#پردازش_صوت
#کاشت_الکترود
#روش_پارامتری
#ترجمه
#ویدیوی_آموزشی
#آموزش_کدنویسی_در_متلب
نطریه #نسبیت #انیشتین
#توفنده #استارت‌آپ
#استرس
#آدرنالین
#اپینفرین
#جراحی
#چالش_مانکن

خلاصه مطالب دوره شبکه عصبی و دوره جامع:
#رگرسیون
#کلاسبندی
#جلسه_اول
#دوره_شبکه_عصبی
#اولویت_های_ریاضیاتی
#مسیرهای_جستجو
#قوانین_نقطه_گذاری
#قوانین_اسم_گذاری
#کنترل_برنامه
#توابع_پرکاربرد
#تابع_find
#آرایه_ منظم
#مغزانسان
#مرز
#نورون
#پرسپترون
#پرسپترون_تک_لایه
داده #خطی
#همگرا
#نورون_بیولوژیکی
#نورون_مصنوعی
#یادگیری_هبین
#هبین
➖➖➖➖➖
#دوره_جامع_مهندسی_پزشکی
#ارزیابی
#BCI
#motor_imagery
#EOG
#matlab
#neuroscience
#signal_processing
#Pattern_recognition
#kmeans
#random_subsampling
#leave_one_out
#k_fold_cross_validation
#knn
#slp
#while
#for
و یا از کلمات کلیدی زیر:
سرعت شاتر دوربین
سرعت نور
آموزش اوپن سی وی
کوانتیزه کردن تصویر
هیستوگرام
ادغام تصاویر پزشکی
فیلترهای مکانی
بینایی ماشین
پردازش تصویر
آستانه گذاری محلی
شبکه عصبی
الگوریتم LMS
کاهش نویز سیگنال ECG
ثبت خارج سلولی
رگرسیون
کلاسبندی
خوشه بندی
الگوریتم kmeans
منطق فازی
روش ارزیابی
کلاسبندهای پارامتری
کلاسبند فاصله اقلیدسی، ماهالانوبیس
فیلتر باترورث
رزولوشن فرکانسی
آرتیفکت
نویز
افزونگی
بیماری ویلسون
بیماری ALS
بیماری پارکینسون
بیماری صرع
جراحی و کنترل مثانه
نحوه تولید اعداد تصادفی در یک بازه خاص
استفاده نمایید.
همچنین جهت استفاده از ویدیوی های آموزشی #رایگان می توانید از هشتک های زیر:
#ویدیوی_آموزشی
🔸پردازش تصویر
#ناحیه_بندی_با_svm
#جلسه_اولdip
#جلسه_دومdip
#جلسه_سومdip
#جلسه_4DIP
#جلسه5
#جلسه6
#جلسه7
#histogram_stretching
#bit_level_slicing
#svm
🔸 پردازش سیگنال- پترن-BCI
#فیزیونت
#ادابوست
#تجزیه_مولفه_های_اساسی
#کاهش_ابعاد_با_pca
#کلاسبندی_با_svm
#کلاسبندی #بخش_اول #بخش_دوم #بخش_سوم
#لیبل_گذاری
#شناسایی_الگو
#رگرسیون_خطی
#رگرسیون_خطی_چندمتغیره
#دانسیته_احتمال_ماکزیمم
#کنترل_دست_مصنوعی_با_ذهن
#داده_تصوری_حرکتی
ویژگیهای #آماری
#mean #varicance #skewness #kurtosis
#BCI
#pca
#adaboost
#EEGLAB
🔹 آموزش برنامه نویسی متلب از مقدماتی تا پیشرفته:
بخش 1 تا بخش 8 (کلمات کلیدی)
#جلسه9
#جلسه10
#جلسه11
#جلسه12
#جلسه13
#جلسه14
#جلسه15
استفاده نمائید.

✅ با ما همراه باشید😊
سایت آنلاین bme داره آماده میشه، از این بعد ویدیوهای آموزشی رایگان رو در سایت قرار داده و در کانال اطلاع رسانی خواهیم کرد😉
➖➖➖➖
@onlineBME

✅ تشخیص تصاویر فوتوشاپ شده توسط #هوش_مصنوعی و #یادگیری_ماشین
شرکت Adobe
✍ بسیاری از کارشناسان جهان به طور فزاینده ای نگران ابزارهای جدید AI هستند.
ابزاری که ویرایش تصویر و فیلم رو بسیار راحت کرده است و از طرفی استفاده گسترده مردم ازفضای مجازی باعث شده که تصاویر تکان دهنده ی جعلی بدون هیچ بررسی به اشتراک گذاشته شوند!
برخی از این ابزار توسط خود شرکت Adobe توسعه پیدا کرده اند!
اما کنار این ابزار، جدیدا شرکت Adobe درباره نحوه استفاده از یادگیری ماشین برای تشخیص خودکار تصاویر جعلی تحقیقات انجام می دهد.
آخرین کار این شرکت در کنفرانس بینایی ماشین CVPR ارائه شد که نشان میدهد چطور میشه بررسی هایی که یک شخص روی تصاویر انجام میدهد را با یادگیری ماشین با زمان کمتری انجام داد و تصاویر جعلی را تشخیص داد.
مقاله ارائه شده نشان دهنده یک پیشرفت شگرف نیست که بتوان به صورت یک محصول تجاری بهش دسترسی پیدا کرد. ولی جالبه که شرکت Adobe علاقه خود را به این حوزه نشان داده است.

منبع:
https://www.theverge.com/2018/6/22/17487764/adobe-photoshopped-fakes-edit-spotted-using-machine-learning-ai
پ.ن: تصویر معروف ویرایش شده(جعلی) که دولت #ایران بعد از آزمایش موشکهای خود در سال 2008 منتشر کرد.
(این تصویر در تحقیقات adobe جزء تصاویر #آموزش و یا #تست نبوده است )

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

📦 کدهای #متلب جلسه 7 + چند نمونه تصویر پزشکی dicom از غدد بزاقی ( mri)
🔺 توابع
#imread
#imshow
#dicomread
#کد_رایگان
#آموزش_رایگان
#پردازش_تصویر از مقدماتی تا پیشرفته
➖➖➖➖➖➖
📖 @onlineBME

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

9⃣ جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )

ما تا جلسه هشتم از مباحث #کتاب معروف   Simon haykin استفاده کردیم و در دو جلسه آینده قصد داریم #پیاده‌سازی دو تا شبکه عصبی معروف #ELM و #PNN را طبق #مقالات_تخصصی آموزش دهیم تا با پیاده‌سازی مقالات تخصصی نیز آشنا شوید. شبکه عصبی #پرسپترون_چندلایه دو ایراد اساسی در زمان آموزش دارد: ایراد اول شبکه این است که از #گرادیان_نزولی برای تنظیم وزنها استفاده می‌کند و این باعث می‎شود که پروسه آموزش زمانبر باشد، مخصوصا زمانی که حجم داده آموزشی زیاد باشد! ایراد دوم این شبکه تعداد زیاد #پارامترها است. در این شبکه پارامترهای زیادی باید در پروسه آموزش تنظیم شوند و همین باعث می‌شود که زمان آموزش بسیار بالا باشد. شبکه عصبی ELM یک رویکرد بسیار ساده‌ای و در عین حال جالب برای حل این مسئله ارائه کرده است و به همین دلیل #سرعت_یادگیری بسیار بالایی دارد و سرعت یادگیری آن در مقایسه با #MLP شاید بتواند گفت 1000 برابر و حتی بیشتر شده است. این شبکه ساختاری همانند #RBF دارد ولی کلا یک پارامتر در طول آموزش تنظیم می‌‌کند. برخلاف RBF که وزنهای سیناپسی بین لایه ورودی و لایه پنهان ثابت و مقدار یک بود، در این شبکه لایه ورودی با یک سری وزن به لایه پنهان وصل شده شده است، البته خوبی #ماجرا اینجا هست که در این شبکه به وزنها یک مقدار #تصادفی در همان ابتدا اختصاص می‌دهند و نیازی نیست در طول آموزش تنظیم شوند. نورونهای لایه پنهان یک نورون معمولی هستند و نیازی به پیدا کردن مراکز و سیگمای هر نورون نیست و در نهایت تنها پارامتر قابل تنظیم این شبکه وزنهای سیناپسی بین لایه پنهان و لایه خروجی است. ELM یک شبکه #رو_به_جلو هست و با استفاده از روش #شبه_معکوس وزنهای سیناپسی را در یک لحظه محاسبه می‌کند. و همین امر باعث شده سرعت یادگیری این شبکه #بسیار_بالا باشد. نکته جالب ماجرا اینجاست که عملکرد این الگوریتم بسیار بالاست و با اینکه تعداد پارامتر قابل تنظیم کمتری دارد ولی عملکرد بسیار خوبی در مقالات برای این الگوریتم گزارش شده است.

🔘 در این ویدیو ما تئوری یادگیری این شبکه را طبق مقاله #به_زبان_ساده توضیح داده و سپس به صورت #مرحله_به_مرحله در متلب پیاده‌سازی کرده‌ایم. و در انتها برای اینکه با کارایی این مدل آشنا شوید چندین #پروژه_عملی از قبیل #تشخیص_سرطان_سینه (پروژه عملی طبقه‌بندی) ، #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی رگرسیون) و کلاسبندی داده سه کلاسه iris ( #گل_زنبق ) با استفاده از شبکه عصبی ELM انجام داده‌ایم.

🔘 ما تا این جلسه برای #ارزیابی شبکه‌های عصبی از روش معمول (the hold out validation method) استفاده می‌کردیم که در آن یکبار داده به دو بخش #آموزش و #تست تقسیم شده و مدل یکبار آموزش و تست می‌شود. زمانی که تعداد داده کم باشد استفاده از این روش ارزیابی مناسب نیست و باید از روشهای استاندارد دیگری استفاده کنیم. ما در این جلسه #روشهای_ارزیابی 
k-fold cross validation، 
random subsampling 
leave one out validation 
را توضیح داده و سپس مرحله به مرحله در متلب پیاده سازی کرده‌ایم و درنهایت پروژه‌های عملی را با استفاده از این روشها ارزیابی می‌کنیم تا با #ارزیابی_استاندارد یک مدل #یادگیری_ماشین آشنا شوید و در پروژه های خود استفاده کنید.

🔺نکته: مباحث ‌این جلسه طبق مطالب مقاله پیوست می‌باشد.

 ➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه نهم به لینک زیر مراجعه کنید👇👇👇

https://onlinebme.com/product/elm-neural-networks/

💡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