onlinebme
4.87K subscribers
1.46K photos
568 videos
344 files
689 links
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
ارائه‌دهنده‌ی پکیجهای آموزشی پروژه محور:
برنامه‌نویسی متلب-پایتون
پردازش تصویر-سیگنالهای حیاتی
شناسایی الگو
یادگیری ماشین
شبکه‌های عصبی
واسط مغز-کامپیوتر

تماس👇
09360382687
@onlineBME_admin

www.onlinebme.com
Download Telegram
Media is too big
VIEW IN TELEGRAM
اولویت های ریاضیاتی در متلب و نحوه ذخیره و پاک کردن یک متغیر خاص
#آموزش #متلب از #مقدماتی تا #پیشرفته
#خلاصه و #مفید
#ویدیوی_آموزشی
#تدریس_خصوصی
#جلسه13
@IUST_Bioelecteric
Media is too big
VIEW IN TELEGRAM
کار با آرایه ها
بخش اول: آرایه های عددی یک بعدی
نحوه ایجاد و آدرس دهی آرایه عددی یک بعدی
#آموزش #متلب از #مقدماتی تا #پیشرفته
#خلاصه و #مفید
#ویدیوی_آموزشی
#تدریس_خصوصی
#جلسه14
@IUST_Bioelecteric
Media is too big
VIEW IN TELEGRAM
الگوریتم آدابوست:
بخش اول: توضیح کامل الگوریتم با ذکر چند مثال
#خلاصه و #مفید
#ساده
#ویدیوی_آموزشی #رایگان
#تدریس_خصوصی
#آدابوست
#adaboost
#classification
@IUST_Bioelecteric
خلاصه شده الگوریتم آدابوست:

#خلاصه و #مفید
#ساده
#فایل PDF و #ویدیوی_آموزشی را از کانال و سایت متلبخونه میتوانید دانلود کنید.
#تدریس_خصوصی
#آدابوست
#adaboost
#classification
@IUST_Bioelecteric
Media is too big
VIEW IN TELEGRAM
کار با آرایه ها
بخش اول: آرایه های عددی 2 بعدی
نحوه ایجاد و آدرس دهی آرایه عددی 2 بعدی
#آموزش #متلب از #مقدماتی تا #پیشرفته
#خلاصه و #مفید
#ویدیوی_آموزشی
#تدریس_خصوصی
#جلسه15
@IUST_Bioelecteric
animation.gif
289.4 KB
#تدریس_خصوصی #متلب
مدرس: حامد یگانگی
شماره تماس:
09108360268
@Hamed_Yg

@IUST_Bioelecteric
Forwarded from Easy_MATLAB (حامد یگانگی)
تجزیه ی سیگنال EEG به مولفه های اصلی. این نمودار به وسیله ی کتابخانه ی EEGLAB در متلب ایجاد شده است.
#تدریس_خصوصی_matlab
#تدریس_EEGLAB
@easy_matlab
Forwarded from Easy_MATLAB (حامد یگانگی)
🌸🌸👆👆👆شکل فوق خروجی روش ICA یا تجزیه ی مولفه های مستقل برای سیگنالهای مغزی EEG در حین یک آزمایش (task) مربوط به توجه کردن (attention) در افراد سالم بوده است. در نمودار های فوق موسوم به scalp maps مقدار فعالیت (activity) هر ناحیه با رنگ تعیین می شود. رنگهای داغتر (به سمت قرمز) یعنی فعالیت بیشتر در آن ناحیه. لذا مثلا در نقشه ی سر شماره 1 که فعالیت در ناحیه ی چشم بیشتر است، شاید بتوان استنتاج کرد که این component بیانگر eye blink artifact ،یا در اثر پلک زدن، بوده است که به خوبی با روش ICA جدا شده است.
#تدریس_خصوصی_matlab
#تدریس_EEGLAB
@easy_matlab