دوره شبکه عصبی به پایان رسید و لازمه که از همینجا از همه شرکت کنندگان بخاطر شرکت در این دوره تشکر کنیم و امیدواریم که این دوره برای دوستان مفید بوده باشه😊.

🔶 لازمه که مروری داشته باشیم به مباحثی که در این دوره آموزش داده شد تا از این طریق دوستان دیگه ای که علاقه مند به یادگیری این مباحث هستند در دوره های بعد شرکت کنند.
🚩وجه #تمایز این دوره با دوره های دیگه این بود که اولا در این دوره نحوه استفاده از توابع آماده متلب آموزش داده نشد بلکه نحوه ی پیاده سازی شبکه ها بطور کامل آموزش داده شد! (چون باور داریم که یک مهندس باید خودش کد بنویسه نه اینکه از منابع آماده استفاده کنه).

استفاده از شبکه عصبی آماده برای شخصی که مهندسی نمیخونه و صرفا مصرف کننده هست مناسب هست.

🔺در این دوره نحوه #پیاده_سازی شبکه های عصبی آموزش داده شد و مطمئنا شرکت کنندگان بعد از تمرین و تکرار مطالبی که آموزش داده شد، در پیاده سازی شبکه ها، بهبود شبکه ها، شبیه سازی مقالات و استفاده از شبکه ها در پروژه های عملی دچار مشکل نخواهند شد.

🔺 در این دوره سعی بر این بوده است که تمام مباحث کتاب معروف Siomon Haykin را آموزش بدیم.

🔺کتاب معروف Siomon Haykin، کتابی استاندارد برای یادگیری شبکه های عصبی است که در بیشتر دانشگاههای داخل و خارج کشور تدریس می شود.

🔺در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده شد و سپس به طور گام به گام در متلب پیاده سازی شد.

🔺علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNNو ELM (بانظارت – که جهت کلاسبندی و پیش بینی استفاده می شوند) را طبق مقالات معتبر پیاده سازی کردیم که از این طریق شرکت کنندگان با پیاده سازی مقالات نیز آشنا شدند.

🔺تمامی شبکه ها در متلب پیاده سازی و سپس در پروژه‌های عملی استفاده شدند!

🚩وجه #تمایز دیگه ای این دوره با دوره های دیگه این بود که این دوره کاملا #پروژه_محور بود و در طول دوره پروژه های مختلفی با شبکه های عصبی انجام شد.

🔗پروژه هایی که در دوره آموزش داده شدند:
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی آدالاین
◦ تشخیص سرطان سینه با استفاده از قانون یادگیری وینرهاف
◦ #تشخیص سرطان سینه با استفاده از ML(ماکزیمم شباهت)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی توابع شعاعی پایه (RBF)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی (ELM(Extreme learning machine
◦ تشخیص #سرطان_سینه با استفاده از شبکه عصبی احتمالی (PNN)
◦ کلاسبندی داده های سه کلاسه iris# (داده ی معروف در سایت uci) با استفاده از شبکه هایی عصبی
Pnn-Elm-Rbf
MLP(back propagation)
MLP(delta delta) -MLP(delta bar delat)

◦ #خوشه_بندی با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری رقابتی(som)
◦ پیاده سازی الگوریتم #PCA(تجزیه مولفه های اساسی) با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری هببین
◦ کلاسبندی داده های دوکلاسه و #چندکلاسه (توزیع نرمال)، مثال AND، OR، NOT، XOR
◦ #تخمین کیفیت شراب با استفاده از شبکه های عصبی
◦ #پیش_بینی نرخ ارز با استفاده از شبکه های عصبی

🌟با پیاده سازی این پروژه ها ، دوستان با مباحث مرتبط با تقسیم داده(روش معمول (70-30) و k_fold cross validation)، تست و ارزیابی شبکه، لیبل گذاری داده، تعیین مدل بهینه آشنا شدند.


⤵⤵⤵⤵⤵⤵⤵⤵⤵⤵⤵
💡دوره ی بعدی #مهرماه در #مشهد برگزار خواهد شد. دوستانی که قصد شرکت در دوره را دارند میتوانند برای پیش ثبت نام با شماره زیر تماس بگیرند.

0936-038-2687
@Bio_Engineerr
مدرس دوره: مهندس محمد نوری زاده چرلو

➖➖➖➖➖
سایتمون رو هم دنبال کنید🙏🙏😊😊


http://matlabkhoone.ir/2017/09/08/%D9%BE%D8%A7%DB%8C%D8%A7%D9%86-%D8%A7%D9%88%D9%84%DB%8C%D9%86-%D8%AF%D9%88%D8%B1%D9%87-%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D8%B9%D8%B5%D8%A8%DB%8C-%D8%AF%D8%B1-%D8%AA%D9%87%D8%B1%D8%A7/
➖➖➖➖➖
@IUST_Bioelecteric

🌐 تخمین سن افراد با استفاده از شبکه عصبی کانولوشن

نویسنده: پریسا ایلون

✍ طی سال‌های گذشته دانشمندان تکنیک‌های مبتنی بر یادگیری ماشین مختلفی را برای تشخیص چهره طراحی کرده‌اند. این تکنیک‌ها می‌توانند کاربردهای جالبی داشته باشند، برای مثال، ارتقاء مانیتور نظارتی، کنترل امنیت و یا کاربرد در سیستم قضایی. علاوه بر تشخیص چهره، پیشرفت در یادگیری ماشین، در ایجاد ابزارهایی برای تخمین و پیش‌بینی فاکتورهای کیفیتی از جمله سن و یا جنسیت فرد با آنالیز چهره نیز موفق بوده است.
🔺در یک مطالعه اخیر دانشمندان دانشگاه Kwazulu-Natal در آفریقا جنوبی مدلی مبتنی بر یادگیری ماشین برای تخمین سن افراد با بررسی تصاویر تهیه شده از چهره در موقعیت‌های کنترل نشده ایجاد کردند. این مطالعه در مجله Spingerمنتشر شد و در کنگره جهانی Computational Collective Intelligence (ICCCI) نیز ارائه شده است.
#تخمین_سن
#شبکه‌های_عصبی
#کانولوشن
#یادگیری_ماشین

جزئیات بیشتر👇👇
https://onlinebme.com/age-estimation-using-deep-learning/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme