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

8⃣ جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)

✍ ما تا جلسه هفتم تمام تمرکزمون برروی شبکه عصبی معروف پرسپترون بود و این جلسه شبکه عصبی توابع شعاعی پایه(radial basis function) را آموزش می‌دهیم. این شبکه یک شبکه عصبی 3 لایه است که ازیک لایه پنهان تشکیل شده است. از قضیه  جالب #کاور برای حل مسائل پیچیده و غیرخطی استفاده می‌کند و کاربردهای زیادی در عمل دارد. شبکه عصبی rbf رویکرد متفاوتی نسبت به پرسپترون چندلایه دارد و با یک رویکرد بسیار ساده و جالب مسائل پیچیده را حل می‌کند. برخلاف mlp که در آن وزنهای سیناپسی تمام لایه ها باید محاسبه می‌شدند در این شبکه لایه ورودی به صورت #مستقیم و بدون اینکه #وزن_سیناپسی در بین دولایه  باشد به لایه پنهان وصل شده است. نورونهای لایه پنهان این شبکه به عنوان یک #کرنل_غیرخطی (گوسیrbf) عمل می‌کنند و وظیفه #نگاشت داده از فضای #غیرخطی به فضای #خطی را برعهده دارند. هر یک از نورنهای لایه پنهان به یک #مرکز و #سیگمای بهینه نیاز دارند تا به درستی داده را نگاشت دهند، برای محاسبه مراکز و سیگمای مراکز چندین روش مثل الگوریتم خوشه‌بند #kmeans مطرح شده که طبق کتاب این روشها را توضیح داده و در متلب #پیاده‌سازی کرده و مزایا و معایب هر روش را با مثال عملی توضیح می‌دهیم. در این جلسه به صورت مختصر مفهوم #خوشه‌بندی توضیح داده شده و سپس عملکرد الگوریتم kmeans جهت تعیین مراکز را توضیح داده‌ایم.  بعد از پیدا کردن مراکز و سیگماهای بهینه در این شبکه لازم است که وزنهای سیناپسی بین لایه پنهان و لایه خروجی نیز محاسبه شوند که برای محاسبه وزن سیناپسی بهینه سه روش #وینرهاف، #شبه_معکوس و #گرادیان_نزولی را توضیح داده و در متلب پیاده سازی کرده‌ایم. و در انتها چندین مثال و پروژه عملی از قبیل جلمه #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 RBF انجام داده ایم که با کارایی این شبکه عصبی آشنا شده و بتوانید #پروژه‌های_عملی خودتان را با استفاده از این الگوریتم در متلب پیاده‌سازی کنید.

نکته: تمام مباحث ‌این جلسه طبق مطالب فصل 7 کتاب Simon haykin است.


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

https://onlinebme.com/product/rbf/
💡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

📺 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 )
#پیاده‌سازی_مقاله
#پروژه_عملی
#رگرسیون
#طبقه‌بندی
#کلاسبندی
#روشهای_ارزیابی
#the_hold_out_method
#K_fold_cross_validation
#leave_one_out
#random_subsampling

🏢 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

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

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

جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)

#پیاده‌سازی_مقاله #پروژه_عملی #طبقه‌بندی #کلاسبندی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره #تخصصی پیاده سازی شبکه‌های عصبی در متلب
❇️ #اولین دوره ای که در آن شبکه های عصبی را به صورت تخصصی آموزش داده می‌شوند!
🔺#تئوری
🔺 #پیاده‌سازی #مرحله_به_مرحله
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتری و راحتری با آن برقرارکنه😉

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

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

❌💢 پکیج آموزشی دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی ( motor imagery)💢❌

مدرس : محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
مدت زمان ویدیوها: 19 ساعت

✅ اولین دوره تخصصی در ایران که در آن تمام اصول مورد نیاز برای پردازش سیگنال eeg مبتنی بر تسک تصور حرکتی به صورت #مرحله_به_مرحله آموزش داده میشود.

🔴4 تا مقاله تخصصی در این دوره پیاده سازی شده است.
🔵پروژه های عملی بر روی سه داده معروف bci competition انجام شده اند👌
جزئیات بیشتر 👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

#پیاده‌سازی_مقالات
#پروژه_محور
#پردازش_سیگنال
#واسط_مغز_کامپیوتر
#EEG
#BCI
#motor_imagery
#Pattern_recognition

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

❌💢 پکیج آموزشی دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی ( motor imagery)💢❌

مدرس : محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
مدت زمان ویدیوها: 19 ساعت

✍ واسط مغز و کامپیوتر، BCI، که نقش راه ارتباطی بین مغز و کامپیوتر را بازی می‌کند، اخیر مورد توجه بسیاری از محفقین قرار گرفته است. BCI سیستمی است که برخی از سیگنال‌های حیاتی اندازه‌گیری شده فرد را دریافت کرده و به صورت زمان حقیقی یا تک ترایال جنبه‌های انتزاعی حالت شناختی فرد را پیش بینی می‌کند.  در دوره تخصصی پردازش سیگنال EEG  بطور کامل در مورد سیستم BCI  توضیح داده شده است.
🔵 واسط مغز و کامپیوتر مبتنی بر تصور حرکتی(motor imagery)، حالتی که شخص تصور می‌کند را از روی سیگنال‌های مغزی( EEG) فرد، تشخیص داده و به دستور تبدیل می‌کند. هدف فناوری BCI این است که یک #راه_ارتباطی جدید برای افراد معلول (فلج) ایجاد کند به طوری که افراد هیچ وابستگی‌ای به کنترل عضلات نداشته باشند. سیگنال EEG یکی از ورودی‌هایی هست که BCI از طریق این سیگنال ارتباط بین شخص و محیط بیرونی را فراهم می‌کند. در BCI مبتنی بر تصور حرکتی از شخص خواسته‌ می‌شود تا حرکتی را بدون اینکه انجام دهد تصور کند، که در نتیجه آن رخدادهایی مرتبط با تصور در مغز رخ می‌دهد. هدف #BCI این است که از روی سیگنال‌های EEG نوع حرکت تصور شده توسط شخص را تشخیص دهد. تشخیص نوع تصوری که فرد انجام داده از روی  سیگنال #EEG که روزلوشن مکانی مناسبی ندارد کار بسیار سختی است و به الگوریتمهای پیشرفته ای نیاز است.

🔹ما در این دوره تخصصی تمام مباحثی که برای پردازش داده‌های #EEG مبتنی بر تسک تصوری حرکتی هست را آموزش می‌دهیم و برای اینکه با عملکرد عملی این الگوریتم ها آشنا شوید، چندین #پروژه_عملی طبق چند #مقاله_تخصصی روی داده های واقعی سایت #BCI_competition انجام میدهیم.

🗂از سه مجموع داده EEG مبتنی بر تسک تصور حرکتی در این دوره استفاده شده است. در ابتدا #پروسه_ثبت و اطلاعات مربوط به این داده‌ها را کامل توضیح می‌دهیم، باندهای #فرکانسی که مرتبط با تصور حرکتی و #مناطق مغزی مرتبط با تصور حرکتی را توضیح می‌هیم. سپس شروع به تحلیل داده‌ها می‌کنیم. در ادامه انواع فیلترهای #مکانی و #فرکانسی جهت #کاهش_نویز سیگنال و #source_localization را توضیح داده  و به صورت #گام_به_گام در متلب پیاده سازی کرده و روی داده اعمال می‌کنیم، در ادامه روش‌های استخراج ویژگی و کلاسبندی داده تصوری حرکتی را توضیح داده و روی داده پیاده‌‌سازی می‌کنیم.
✅ در این دوره تئوری الگوریتم معروف #CSP ، الگوهای مکانی مشترک (Common Special Patterns)
را به زبان ساده توضیح داده و سپس #گام_به_گام در متلب پیاده‌سازی کرده و بر روی داده اعمال می‌کنیم.

✅در نهایت معایب و مزایای CSP را بررسی می‌کنیم و برای حل مشکل این الگورتیم معروف، الگورتیم‌ بهبود یافته شده CSP یعنی
#FBCSP -filter bank CSP
 را پیاده‌سازی می‌کنیم.

در این دوره برای کلاسبندی داده‌ها از سه کلاسبند معروف بنام
 SVM-support vector machine  knn-k nearest neighbors 
lda-linear discriminant analysis
استفاده کرده‌ایم.

🔹برای ارزیابی و اعتبارسنجی مدلهای طراحی شده از چهار روش معروف
 k-fold cross validation
the hold out method
random subsampling 
leave one out 
استفاده کرده ایم.

✅ در پایان این دوره، شرکت‌کننده دیگر هیچ مشکلی در انجام #پروژه‌های_عملی  و پردازش سیگنال‌های EEG مبتنی بر تصوری حرکتی و #پیاده‌سازی_مقالات تخصصی جهت بهبود عملکرد کلاسبندی نخواهد داشت.

🔴4 تا مقاله تخصصی در این دوره پیاده سازی شده است که میتوانید برای #پروژه_های_درسی یا #پایان_نامه خود استفاده کنید.
🔵پروژه های عملی بر روی سه داده معروف bci competition انجام شده اند👌
جزئیات بیشتر 👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🔹 دوره #تخصصی و #پروژه_محور پردازش سیگنال eeg مبتنی بر تصور حرکتی

☘ هدف ما در دوره این بوده که مطالب طوری آموزش داده بشوند که دوستان بتوانند علاوه بر یادگیری مباحث، از #پروژه_ها و #مقالات #پیاده‌سازی شده در پروژه های خود استفاده کنند. 👌

✅ 4 #مقاله_تخصصی در این دوره پیاده سازی شده که دوستان میتوانند از آنها در کارهای خود استفاده کنند.
برای اینکه دوره برای همه علاقه مندان مفید باشه پروژه های عملی روی سه داده معروف سایت bci competition پیاده سازی شده اند. دو تا از پایگاه داده ها #دوکلاسه هستند و یکیش #4کلاسه هست.

✅ لازم به ذکر است که پروژه ها و مقالاتی که در این دوره پیاده سازی شده اند میتوانند برای افرادی که #پایان_نامه یا #پروژه_های_درسی دارند مورد استفاده قرار بگیرند👇👇👇👇
💡پروژه مناسب برای درس پردازش سیگنالهای حیاتی
💡پروژه مناسب برای درس واسط مغز و کامپیوتر (BCI)
💡پروژه مناسب برای درس شناسایی آماری الگو (پترن)

✅ دوستانی که هر دوره رو تهیه کرده اند میتوانند هر دو دوره رو باهم ترکیب کنند و برای پروژه هایی درسی و پایان نامه خودشون استفاده کنند
از روشهای گفته شده در این دوره برای پیش پردازش و استخراج ویژگی استفاده کنند.
Butterworth filter + CAR/Laplacian + CSP /FCSP
و برای کلاسبندی به جای کلاسبندهای آموزش داده شده در این دوره (از قبیل SVM, KNN, LDA ) از شبکه های عصبی آموزش داده شده در دوره #شبکه_عصبی استفاده کنند.
delta bar rule MLP
RBF
ELM
PNN
و پروژه و پایان نامه خودشون رو پیش ببرند😊
✅ دوستانی که این دوره رو بگذرونن در پیاده سازی مقالات
RCSP, CSSP ,CSSSP
ومقالاتی شبیه به اینها مشکلی نخواهند داشت😉


----------------onlinebme------------
💡 ایده پیشنهادی ما برای شما😊
Butterworth Filter + CAR/Laplacian + CSP /FCSP + MLP (Delta-bar-rule) /RBF/ELM/PNN
------------------------------------------


جزئیات بیشتر 👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

💡سوال و جواب
#پکیج_آموزشی
#پیاده‌سازی_مقالات
#پردازش_سیگنال
#دوره_تخصصی
#پروژه_محور
#پروژه_عملی
@onlinebme

💡 اول ترم را با یادگیری شبکه‌های عصبی شروع کنیم 😊

📺 دوره #تخصصی پیاده سازی گام به گام شبکه‌های عصبی در متلب

🔴 #اولین دوره ای که در آن شبکه های عصبی به صورت #گام_به_گام پیاده سازی شده و روی پروژه های عملی اعمال میشوند👌

🔺#تئوری
🔺 #پیاده‌سازی #گام_به_گام
🔺انجام #پروژه‌های_عملی

✅ ویدیوها طوری #تدوین شده اند که کاربر ارتباط بهتر و راحتری با آن برقرارکنه😉

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

🔹 جلسه اول: مقدمه‌ای بر شبکه‌ی عصبی (#نورون و اجزای تشکیل دهنده آن)
🌀https://t.me/onlinebme/2633

🔸 جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون
🌀https://t.me/onlinebme/2637

🔹 جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه
🌀https://t.me/onlinebme/2638

🔸 جلسه سوم( بخش دوم ): انجام پروژه های عملی با استفاده از شبکه های عصبی (ناحیه بندی تصویر )
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم(بخش اول): پیاده سازی گام به گام شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2642

🔹جلسه چهارم( بخش دوم ): پیاده سازی گام به گام پروژه پیش بینی میزان آلودگی هوا با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب
🌀https://t.me/onlinebme/2645

🔸جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
🌀https://t.me/onlinebme/2651

🔹جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)
🌀https://t.me/onlinebme/2661

🔸 جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)
🌀https://t.me/onlinebme/2664

🔹 جلسه هشتم: پیاده‌سازی شبکه عصبی توابع شعاعی پایه(#RBF)
🌀https://t.me/onlinebme/2679

🔸 جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )
🌀https://t.me/onlinebme/2687

🔹 جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)
🌀https://t.me/onlinebme/2694

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

#پروژه_محور
از #پروژه های انجام شده و #مقالات پیاده سازی شده در این دوره میتوانید در پروژه های درسی و #پایان_نامه خود استفاده کنید👌

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme