بطبع این دوره برای دوستان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها میدهد. پروژه هایی که طول دوره آموزش داده می شوند نتیجه چهار سال تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی کردیم پروژه های خوب و بروزی که امروزه در این رشته کار میکنند را انتخاب کنیم و براساس مقالات معتبر شبیه سازی کنیم.
بعد اتمام دوره انتظار داریم دوستان شرکت کننده دید بهتری از پروژه ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناشی ارشد انتخاب کنند. این دوره برای اولین بار در ایران برگزار می شود و هدف اینه که دوستان به طور مناسب آموزش ببینند تا در شبیه سازی مقالات تخصصی در حوزه مهندسی پزشکی، در انجام پروژه پایان نامه مشکلی نداشته باشند. در این دوره ما نحوه کار با داده های مختلف را آموزش میدهیم و دوستان سختی کار با داده ها را دیگر تجربه نخواهند کرد.
💡هدف اصلی ما اینه که دوستان شرکت کننده بعد از اتمام دوره، بتوانند پایان نامشون رو خودشون انجام دهند و مشکلاتی از قبیل کار با داده، برنامه نویسی، تجزیه و تحلیل داده ها نداشته باشند.😊
💡تو این چند سال متوجه شدیم که بیشتر دوستان مهندسی پزشکی بیشتر مباحث را بلدند ولی در پیاده سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند. 5 پروژه عملی از صفر تا صد در متلب پیاده سازی می شود و شرکت کنندگان با موضوعات مختلفی آشنا شده و کار با داده های مختلف پزشکی را یاد میگیرند.👌

✅ پروژه هایی که در طول دوره آموزش داده می شوند را در زیر خلاصه کرده ایم:
نکته: لازم به ذکر است که تمامی الگوریتمهای درس #شناسایی _آماری_الگو و #داده_کاوی را را روی این پروژه ها اعمال میکنیم و دوستان علاوه بریادگیری الگوریتمها، نحوه استفاده از الگوریتمها در #پروژه_های_عملی را نیز یاد میگیرند!

- کار با سیگنالهای مغزیِ eeg ( داده مربوط به صرع- داده های تصوری حرکتی- اسپایک(unit activity))
- کار با سیگنالهای قلبیِ ecg(داده های مربتط با آرتیمی های قلبی(داده استاندارد سایت فیزیونت))

- تشخیص بیماری #صرع از روی سیگنالهای EEG (داده استاندارد 5 کلاسه دانشگاه بن آلمان)، روشهای مختلف استخراج ویژگی در حوزه زمان، فرکانس، زمان فرکانس آشنا می شوند.
🔹 تمامی الگوریتمها درس پترن و داده کاوی روی این داده ها اعمال می شوند!

- کلاس‌بندی داده های تصوری و حرکتی EEG (واسط مغز و کامپیوترBCI)، در این پروژه الگوریتم معروف csp و fbcsp آموزش داده شده سپس روی داده اعمال میشوند.
الگوریتم csp یک الگوریتم معروفی است که برای کاهش تعداد کانالها در داده های تصوری حرکتی دوکلاسه استفاده میشود.
نحوه تعمیم این الگوریتم برای داده ها چندکلاسه را نیز آموزش میدهیم.
روشهای بهبود یافته دیگر csp برای دانشجویان به عنوان تمرین تعریف می شود.

- اسپایک سورتینگ با استفاده از دو روش مختلف
1- خوشه بندی (kmeans-fcm)
2-Template matching

🔹اسپایک سورتینگ یا همان کلاسترینگ (مرتب سازی)اسپایکها یک تکنیک رایج در میان دانشمندان علوم و اعصاب جهت مطالعه عملکرد مغز است و در سالیان اخیر برای درمان بیماریهای از قبیل صرع، فلج و از دست دادن حافظه استفاده می کنند.
برای بررسی بیماریها نیاز به داشتن اطلاعات درباره فعالیت تک تک نورون ها است. در ثبت خارج سلولی فعالیت چندین نورون همزمان ثبت می شود. برای تفکیک فعالیت نورونها از تکنیک اسپایک سورتینگ استفاده میکنند.
در این دوره مفاهیم ثبت داخل و خارج سلولی، تکنیکهای اسپایک سورتینگ را آموزش داده و یک پروژه عملی نیز انجام میدهیم!

- تشخیص بیماری های قلبی با استفاده از سیگنال ECG
🔹امروزه افراد زیادی از نارسایی قلبی رنج میبرند و اگر در زمان مناسب بیماریها تشخیص داده شود میتوان از اتفاقات ناگوار جلوگیری کرد. ثابت شده فعالیت الکتریکی قلب اطلاعات مفیدی درباره وضعیت سلامت قلب ارائه میدهد. پزشکان برای تشخیص بیماریهای قلبی از سیگنال ECG یا همان نوار قلبی استفاده می کنند. ولی مشکلی که اینجا هست اینه که بررسی نوار قلبی بسیار زمان‌بر و خسته کننده ست، از طرف دیگر ممکن است پزشک متخصص نباشد و تحلیل اشتباهی انجام دهد.
در این دوره نحوه کار با داده ECG و نحوه تجزیه و تحلیل داده ها را آموزش میدهیم تا بتوانیم مدلی دقیق (نزدیک به نظر پزشکان متخصص) و بسیار سریع(خودکار) طراحی کنیم.

✅ شرکت‏ کنندگان بعد از اتمام این دوره، قادر خواهند بود به:
- برنامه‌نویسی در محیط متلب
- پیاده‏ سازی تمامی الگوریتمهای مربوط به شناسایی الگو و داده کاوی
- پیاده‏ سازی پروژه‌های مرتبط با رابط مغز و کامپیوتر
- پیاده‏ سازی پروژه‌های مرتبط با علوم اعصاب محاسباتی
- شبیه‌سازی مقالات مرتبط با رشته مهندسی پزشکی بیوالکتریک
- انجام پایان نامه
➖➖➖➖➖
@IUST_Bioelecteric

💡دوره ی بعدی #مهرماه در #مشهد (به احتمال زیاد در دو دانشگاه مختلف) 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

💡💡💡دوره ها #فشرده و در #دوهفته برگزار خواهند شد.
به دوستانی که هر دو دوره(دوره شبکه های عصبی در متلب- دوره جامع مهندسی پزشکی) را شرکت کنند 10 درصد #تخفیف تعلق می‌گیرد!

#متلب
#پایان_نامه
#شبیه_سازی_مقالات
#پروژه_درسی
#دوره
#شبکه_عصبی
#پترن
#داده_کاوی
#علوم_اعصاب
#واسط_مغز_کامپیوتر
#پروژه_عملی
➖➖➖➖➖
سایتمون رو هم دنبال کنید🙏🙏😊😊
http://matlabkhoone.ir
➖➖➖➖➖
@IUST_Bioelecteric

سلام خدمت همه همراهان عزیز
بابت فعالیت کم کانال در چند روز اخیر عذرخواهی میکنیم 🙏🙏

✅ برای فصل جدید، برنامه های #ویژه ای تدارک دیده ایم😊

چند نفر به گروه تخصصی و آموزشمیون اضافه شده اند و قصد داریم تخصصی تر در کانال فعالیت کنیم.
در نظر سنجی های اخیر متوجه شدیم که اکثر اعضای کانال به پردازش تصویر علاقه مند هستند، لذا در فصل جدید، ویدیوهای آموزشی#رایگان برای پردازش تصویر در کانال قرار خواهیم داد.
💡مباحث کتاب پردازش تصویر #گونزالس رو کامل به صورت مختصر و مفید آموزش خواهیم داد.
💡آموزشهای ما #پروژه_محور خواهند بود و برای هر مبحث مثال و پروژه های مختلفی انجام خواهیم داد.
💡دوستان علاقه مند به شبکه های عصبی، داده کاوی، پترن میتوانند از مطالبی که در فصلهای قبل در کانال قرار داده شده استفاده کنند، مباحث جدید نیز در کانال قرار داده خواهد شد.
💡پردازش تصویر، به دو زبان برنامه نویسی #متلب و #پایتون آموزش داده خواهد شد.
💡از آنجا که در کانالمون برنامه نویسی پایتون آموزش داده نشده، در ابتدا، اصول برنامه نویسی در پایتون آموزش داده خواهد شد.
💡بدلیل استقبال شما از اخبار مرتبط با #هوش_مصنوعی و #مهندسی_پزشکی، هر هفته اخبار بروز و جدید در این حوزه ها در کانال قرار داده خواهد شد.
💡در فصلهای آتی، مباحثی که در بیو نوشته شده به صورت تخصصی در قالب ویدیوهای آموزشی رایگان در کانال قرار داده خواهد شد.

ممنون از همراهیتون🙏🙏🙏🌹🌹
برای تک تک شما عزیزان آرزوی موفقیت داریم❤️❤️
کانال تخصصی و آموزشی دانشجویان علم و صنعت تهران😊
➖➖➖➖➖
#هوش_مصنوعی
#مهندسی_پزشکی
#پردازش_تصویر
#پایتون
#متلب
#ویدیوی_آموزشی_رایگان
#پترن ( شناسایی آماری الگو )
#داده_کاوی
#پردازش_سیگنال
#شبکه_عصبی
#اخبار_مهندسی_پزشکی
#اخبار_هوش_مصنوعی
➖➖➖➖➖
@IUST_Bioelecteric

✅ ✍️ واسط مغز و رایانه BCI (brain-computer interface) چیست؟

🔺واسط مغز و رایانه از مجموعه‌ای از سنسورها و اجزای پردازش سیگنال تشکیل می‌شود که فعالیت مغزی فرد را مستقیماً به یک سری سیگنال‌های ارتباطی یا کنترلی تبدیل می‌کند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاه‌های ثبت امواج مغزی ثبت کرد که معمولاً به دلیل #دقت_زمانی بالا و #ارزان بودن و همچنین استفاده آسان، از EEG برای ثبت امواج مغزی استفاده می‌شود. الکترودهای EEG در سطح پوست سر قرار می‌گیرند و میدان الکتریکی حاصل از فعالیت نورون‌ها را اندازه‌گیری می‌کنند. در مرحله بعد این امواج بررسی شده و ویژگی‌های موردنظر استخراج می‌شود و از روی این ویژگی‌ها می‌توان حدس زد که کاربر چه فعالیتی را در نظر دارد.

✅ تصور حرکتی (Motor imagery) چیست ؟

🔺 در BCI تصوری حرکتی از شخص خواسته می‌شود تا تصور کند که بخشی از بدن خود را حرکت می‌دهد. در نتیجه تصور حرکت، باعث فعال شدن سیستم عصبی می شود که در نتیجه آن #رخدادهایی در مغز اتفاق می‌افتد. وظیفه سیستم BCI این است که این رخدادها را از سیگنالهای EEG استخراج نمونه و براساس آن #نوع حرکت را تشخیص دهد.

✅تعریف استاندارد تصور حرکتی (motor imagery):

🔺 تصور حرکتی یک حالت دینامیکی(پویا) در طول زمانی که فرد به صورت ذهنی یک حرکتی را شبیه سازی می کند( به صورت ذهنی حرکتی را انجام میدهد.) است.
https://en.wikipedia.org/wiki/Motor_imagery

بزارید یک مثال ساده توضیح دهیم:
🔺 فرض کنید شما بازی بیسبال را بلد هستید . حال یک نفر به شما می‌گوید در ذهن خود فرض کن که با چوب بیسبال به توپ ضربه می زنی . یعنی شما یک عمل حرکتی(motor action ) مشخص را تصور کرده اید که این امر سبب ایجاد یک network یا شبکه ی ارتباطی در مغز می شود یا ساده بگیم باعث فعال شدن سیستم عصبی می‌شود، به این تصور حرکتی می‌گویند.

✅ تصور مکانی(Spatial imagery) چیست ؟
🔺حال فرض کنید از شما می خواهند که در ذهن خود، درِ خانه‌تان را باز کنید و وارد اتاقتان شوید . در اتاقتان چه می بینید؟ میزی که در اتاقتان قرار دارد را نگاه کنید چه وسایلی بر روی آن دارد؟ دفتر, قاب عکس و کتابهایتان را ببینید .پنجره اتاقتان کجاست؟ و ... این امر سبب ایجاد یک فعالیت خاص در مغز می شود .

🔺تعداد زیادی از مطالعات تصویربرداری عملکردی نشان داده اند که تصور حرکتی مرتبط با فعال‌سازی خاص مدارهای عصبی درگیر در مرحله اولیه کنترل موتور، است. این مدارات شامل منطقه موتور مکانیکی، قشر حرکتی اولیه، قشر پریتال پایین، بیزال گنگلیا و مخچه هست.

✅ در #دوره_جامع_مهندسی_پزشکی نحوه کار با داده‌های تصوری حرکتی آموزش داده می‌شود و همچنین یک سیستم BCI مبتنی بر تصوری حرکتی را به صورت گام به گام در #متلب طراحی کرده و توسط آن EEG ناشی از تصوری حرکتی دست راست و چپ را کلاسبندی می‌کنیم.
هدف از انجام این پروژه آشنایی دانشجویان با سیستم bci و همچنین نحوه کار با داده های تصوری حرکتی می باشد.
#واسط_مغزوکامپیوتر
#داده_تصوری_حرکتی
#دوره_جامع_مهندسی_پزشکی
#دوره_تخصصی و #پروژه_محور
#پردازش_سیگنال
#BCI
💡 برای پیش ثبت نام دوره #تهران با شماره زیر تماس بگیرید:
09360382687
@Bio_engineerr
➖➖➖➖➖
@IUST_Bioelecteric

این شکل نشان میدهد که وقتی فرد تصور ذهنی انجام میدهد نواحی که در قشر حرکتی فعال می‌شوند حدود 30 درصد زمانی است که در حالت واقعی فعال میشوند
#داده_تصوری_حرکتی
#دوره_جامع_مهندسی_پزشکی
@IUST_Bioelecteric

💡✅ توضیحات تکمیلی دوره جامع مهندسی پزشکی:

✍️طی تجربیات چند سال گذشته متوجه شدیم که اکثر دانشجویان در مقطع کارشناسی ارشد و دکتری در انتخاب موضوع پایان نامه دچار مشکلات و سردرگمی‌هایی می‌شوند. یکی از دلایل اصلی سردرگمی دانشجویان مهندسی پزشکی در انتخاب موضوع پایان‌نامه، نداشتن #دید_کافی از این رشته است. برای مثال بسیاری از دانشجویان کارشناسی، رشته متفاوتی داشته‌اند و در کارشناسی ارشد وارد رشته مهندسی پزشکی(بیوالکتریک) شده‌اند که هیچ پیش‌زمینه‌ای از این رشته ندارند و به علت محدودیت زمانی در ارشد گاها" در انتخاب موضوع پایان‌نامه که اصلی‌ترین #بخش کارشناسی ارشد است و به نوعی #آینده_کاری دانشجو را تعیین می‌کند، دچار اشتباه می‌شوند.
🔺مشکل دیگر دانشجویان نداشتن تخصص کافی در پیاده‌سازی مقالات تخصصی و انجام تجزیه و تحلیل داده‌های مهندسی پزشکی است.
کارشناسی ارشد دوره‌ای کوتاه ولی پرپیچ و خمی است و در هر ترم دروس تخصصی ارائه می‌شود که در پایان ترم دانشجو باید یک #پروژه عملی برای درس موردنظر انجام دهد. اکثر #اساتید برای آماده‌سازی دانشجویان جهت انجام پایان‌نامه، پروژه‌هایی تعریف می‌کنند و دانشجویان باید طبق #مقالات_تخصصی پروژه‌ها را انجام دهند.
ازطرف دیگه بسیاری از دانشجویان با داده‌های مهندسی پزشکی آشنا نیستند لذا در انجام پروژه و #پیاده_سازی مقالات به مشکل می‌خورند.

📚دروس شناسایی آماری الگو و داده کاوی، جزء دروسی هستند که در اکثر دانشگاه‌های معتبر از جمله دانشگاه‌های تهران ارائه می‌شوند و در اکثر پروژه‌های مهندسی پزشکی از مباحث این دروس استفاده می‌شوند. دانشجویانی که این دروس را گذرانده باشند مطمئنا" در انجام پایان‌نامه خود #موفق خواهند بود.
در دوره جامع مهندسی پزشکی مباحث دو درس #پترن و #داده_کاوی به طور کامل آموزش داده می‌شوند و برای اینکه مطالب ملموس‌تر شوند، الگوریتم‌ها را روی داده‌های واقعی مهندسی پزشکی اعمال می‌شوند. در واقع با یک #تیر دو #نشان می زنیم😃. در این دوره علاوه بر آموزش مباحث تئوری و عملی الگوریتمهای دو درس، پروژه های مختلفی آموزش داده می‌شود.
✅ این دوره تنها دوره‌ای است که سعی کرده تمام مباحث مهندسی پزشکی را پوشش دهد!

⚠️ نکته‌ای که باید توجه شود این است که این دوره کاملا تخصصی است و مخصوص دانشجویان #ارشد و #دکتری طراحی شده است لذا برای دانشجویان کارشناسی توصیه نمی‌شود!

🌐 داده هایی که در این دوره استفاده می شود داده های مرتبط با مهندسی پزشکی و شرکت‌کنندگان علاوه‌ بر یادگیری مباحث، با داده‌های مهندسی پزشکی نیز آشنا می‌شوند.
◀️در این دوره ما #نحوه_کار با داده‌های مختلف را آموزش می‌دهیم و دانشجویان دیگر #سختی کار با داده‌ها را تجربه نخواهند کرد😊.

💯 بطبع این دوره برای دانشجویان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها می‌دهد ولی دانشجویانی که قصد یادگیری مباحث درس پترن و داده کاوی را دارند نیز میتوانند در این دوره شرکت کنند.
🌀پروژه‌هایی که طول دوره آموزش داده می شوند نتیجه چهار سال #تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی بر این است که پروژه‌های خوب و بروزی که امروزه در این رشته کار می‌کنند را انتخاب کنیم و براساس مقالات معتبر شبیه‌سازی کنیم.

✳️بعد اتمام دوره انتظار داریم دانشجویان دید بهتری از پروژه‌ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناشی ارشد انتخاب کنند، در #شبیه_سازی_مقالات تخصصی حوزه مهندسی پزشکی و در انجام #پروژه_پایان‌نامه مشکلی نداشته باشند.

🔺در این چند سال متوجه شدیم که اکثر دانشجویان مهندسی پزشکی مباحث را بلدند ولی در پیاده‌سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند و چگونه یک پروژه را از #صفرتاصد در #متلب به طور تخصصی انجام دهند.

🌀 5 پروژه عملی از صفر تا صد در متلب پیاده‌سازی می‌شود و شرکت‌کنندگان با موضوعات مختلفی آشنا شده و کار با داده‌های مختلف مهندسیی پزشکی را یاد می‌گیرند.

⏪برای اطلاع از جزئیات مباحث و پروژه هایی که در این دوره آموزش داده میشوند، فایل جزئیات دوره(PDF ) را مطالعه کنید.

➖➖➖➖➖
@IUST_Bioelecteric

✅ مشکلات پزشکان – نقش مهندسین
💡 بخش اول
👨‍🏫نویسنده: محمد نوری زاده چرلو
به خاطر درخواست مکرر اعضای کانال، قصد داریم روشهای تصویربرداری پزشکی را دوباره به طور مختصر توضیح دهیم. اما لازم است در ابتدا یک سری نکاتی رو ذکر کنیم.
✍️ از آنجا که اکثر ما (مهندسین پزشکی- برق- هوش مصنوعی) برای پایان نامه روی تصاویر پزشکی کار می کنیم و همیشه دغدغه پیدا کردن #داده داریم، در زیر به این موضوع و مشکلاتی که داریم می پردازیم:
روشهای تصویربرداری مختلفی از جمله، اولتراسوند، mri، pet و ... وجود دارند که جهت تشیخص بیماری در بیمارستان ها استفاده می شوند و پزشکان با تجزیه و تحلیل این تصاویر، بیماری فرد را تشیخص می دهند. اما از آنجا که روش‌های #دستی به #هزینه و #زمان بالایی نیاز دارند و از آنجایی که تخمین‌های مربوط به هر کاربر با کاربر دیگر #متفاوت است، قابلیت #اطمینان پایینی دارند، لازم است که روشهای خودکار و کامپیوتری جهت محاسبه یک سری پارامترها استفاده شود. اهمیت بالای تشخیص بیماری باعث شده محققین زیادی در حوزه #مهندسی علاقه مند به فعالیت در این حوزه پزشکی شوند و به پزشکان در تجزیه و تحلیل تصاویر کمک کنند.
پزشکان معمولا به چند دلیل در تشخیص بیماری به #مشکل می‌خورند که چهار مورد آنرا توضیح میدهیم:
1- زمان کافی برای تحلیل تمام تصاویر ندارند یا اینطور بگیم که تعداد تصاویر بسیار بالاست و بررسی همه این تصاویر توسط پزشک واقعا #زما_بر است.
برای تشخیص بیماری لازم است پزشکان یک سری پارامترها از روی تصاویر اندازه گیری کنند و طبق اندازه گیریها تصمیم گیری کنند. برای مثال برای تشخیص بیماری های #قلبی لازم است که پزشک از روی تصاویر #نسبت_برون_ده قلبی، حجم بطن چپ، ضحامت دیواره و .... را محاسبه کنند. در پست بعد به طور مفصل در #اکوکاردیوگرافی صحبت خواهیم کرد.
محاسبه این پارامترها توسط پزشک بسیار زمان بر است و عملا سرعت تصمیم گیری و بعضی مواقع دقت تصمیم گیری را پایین می آورد.

2- ممکن است بعضی تصاویر اطلاعات #کافی در مورد بیماری نشان ندهند و تنها با استفاده از یک نوع تصویر(مثلا mri) پزشک نتواند یک بیماری تشخیص دهند.
برای مثال بعضی از روشهای تصویربرداری مثل MRI تنها اطلاعات ساختاری اندامها را در اختیار پزشک قرار میدهند و یا بعضی از روشهای تصویربردای مثل pet تنها اطلاعات عملکردی اندامها را در اختیار پزشک قرار می دهند. اما پزشک برای تشخیص درست به هر دو تصویر به صورت همزمان نیاز دارد!
3- ممکن است تصاویر نویزی باشند و تشخیص بیماری توسط پزشک را سخت کنند
4- ممکن است تشخیص بیماری با چشم غیرمسلح از روی تصاویر ممکن نباشد.

✅ اینجاست که #نقش مهندسین #پررنگ_تر می‌شود. 👌
🔺برای رفع مشکل اول مهندسین با استفاده از دانش پردازش تصویر، محاسبه پارامترها را به صورت #خودکار انجام میدهند. معمولا به صورت زمان حقیقی پارمترها محاسبه می شوند و پزشک با استفاده از این پارامترها بیماری را سریع تشخیص می دهد و با اینکار ممکن است از یک خطر بزرگ جلوگیری شود و سریع روند درمان شروع شود!
🔺 برای رفع مشکل دوم مهندسین از روشهای انطباق و ادغام تصاویر استفاده می کنند(قبلا این روشها توضییح داده شده است. از هشتکهای قرار داده شده استفاده کنید و مطالب را مطالعه کنید).
ادغام تصاویر، به معنای ترکیب دو یا چند تصویر و به دست آوردن یک تصویر نهایی، با هدف تجمیع اطلاعات مفید در تصویر نهایی، می‌باشد.
🔺برای رفع مشکل سوم دو راه وجود دارد، یکی اینکه سیستم تصویربرداری را بهبود بدهند، اما از آنجا که هزینه دستگاهها بالاست نمیتوان اینکار را انجام داد. راه دوم اینکه از روشهای پردازش تصویر جهت کاهش نویز استفاده کنیم. یعنی بعد از اینکه تصاویر توسط دستگاههای تصویربرداری گرفته شد، توسط مهندسین نویز تصاویر کاهش یابد تا پزشک بتواند با دقت بالاتری بیماری را تشخیص دهد.
🔺تصاویری وجود دارند که در حوزه زمان(مکان) اطلاعاتی را در مورد بیماری نشان نمیدهند، یعنی نمیتوان با چشم غیرمسلح چنین ویژگی های را مشاهده کرد، ولی وقتی این تصاویر توسط الگورتیمهای پردازش تصاویر به حوزه فرکانس یا زمان-فرکانس انتقال داده میشود اطلاعات مفیدی درباره تصویر میتوان مشاهده کرد که راهکار برای حل مشکل چهارم است.

◀️ پست ادامه دارد.....

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@IUST_Bioelecteric

✅ مشکلات پزشکان – نقش مهندسین
💡 بخش دوم
👨‍🏫نویسنده: محمد نوری زاده چرلو
برای اینکه بتوانیم در حوزه پزشکی پیشرفتی داشته باشیم، لازم است که تبادل اطلاعات بین پزشکان و مهندسین وجود داشته باشد و بیمارستانها با دانشگاهها همکاریهای هدفمند داشته باشند. در بیمارستانها باید فضایی باشد که پزشکان و مهندسین باهم به صورت هدفمند همکاری کنند.
⚠️ ولی متاسفانه در #ایران بیمارستانها با دانشگاهها هیچگونه همکاری (دانشگاههای مهندسی) ندارند و به ندرت می‌توان پزشکی پیدا کرد که با مهندسین همکاری داشته باشند.
برای اینکه مهندسین هم بتوانند ایده های خود را در تشخیص بیماری از روی تصاویر پیاده کنند و بتوانند از دانش های دیگه ای از قبیل هوش مصنوعی در این زمینه استفاده کنند، لازم است که یک سری تصاویر استاندارد و البته تعداد کافی داشته باشند. متاسفانه عمده ترین مشکل ما مهندسین پیدا کردن همین #داده است و #عمرکوتاه ما در دوره کارشناسی ارشد و دکتری بیشتر برای پیدا کردن داده #صرف میشود تا تحقیق و پژوهش!😞😕 و به خاطر محدودیت زمانی نمیتوانیم ایده های خود را عملی کنیم و معمولا در آخر کار دانشجو به صورت عجله ای صرفا جهت دفاع پردازشهای مقدماتی روی تصاویر انجام میدهد(البته در دکتری فرصت 4 ساله هست و گاها با مشکل مواجه نمیشوند).
⚠️متاسفانه در دانشگاههای ایران آزمایشگاهی جهت تصویربرداری و انجام آزمایشات به خاطر هزینه های بسیار بالای تجهیزات پزشکی وجود ندارد. و از طرف دیگر در بیمارستانها هم جایی برای این آزمایشات توسط مهندسین وجود ندارد.

◀️تنها چاره دانشجو کمک گرفتن از پزشکان هست که متاسفانه این اتفاق به ندرت پیش میاد که پزشک فرصت کافی برای همکاری با دانشجو داشته باشد چون وقتشو برای محاسبه پارامترها به صورت #دستی صرف می کند. 😂😏
🔺به طور میانگین مدت زمانی که یک دانشجو برای پیدا کردن داده در ایران صرف میکند از سه تا 6 ماه هست! عملا عمر دانشجو صرف پیدا کردن داده می شود و البته در آخر داده ای غیراستاندارد و تعداد محدود که عملا نتایج از دید آماری قابل اطمینان نیستند پیدا می کند!

✅در کشورهای پیشرفته، معمولا بانک اطلاعاتی بسیاری زیادی وجود دارد و معمولا بیمارستانها اطلاعات بیماران را با رعایت تمام استانداردها ذخیره می کنند و در اختیار محققین خود قرار میدهند و به خاطر همین هست این همه پیشرفت می کنند.

🌐 مطالب و ویدیوهای آموزشی #رایگان ما را از #سایت متلبخونه هم میتونید دنبال کنید:👇👇
http://matlabkhoone.ir/
➖➖➖➖➖
@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

با سلام
❇️ آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی قصد دارد تابستان چند #دوره در #تهران برگزار کند.
🔺 علاقه مندان جهت پیش ثبت نام به آیدی زیر مراجعه کنند:
@onlineBME_admin

1⃣ دوره تخصصی پیاده سازی #شبکه‌های_عصبی مصنوعی در متلب
✔️ تئوری ➕پیاده سازی➕پروژه
#perceptron , #mlp(back propagation learning) #modifiedMLP (delta delta & delta bar learning ), #rbf , #modifiedRBF( jacopian learning)
#ELM , #PNN , #ELMAN #JORDAN , #SOM (competitive & hebbian learning)

🔺 تمام مباحث کتاب شبکه عصبی سیمون هیکن آموزش داده شده و سپس در متلب پیاده سازی میکنیم و در نهایت چندین پروژه عملی انجام میدهیم.😊

2⃣ دوره #پترن در پردازش سیگنال
در این دوره مباحث درس شناسایی الگو آموزش داده و سپس الگوریتمها در متلب پیاده سازی میکنیم.
برای اینکه با کاربرد این الگوریتمها آشنا بشیم چندین پروژه عملی طبق مقالات معتبر روی #سیگنالهای_حیاتی انجام میشود تا دوستان شرکت کننده بعد از اتمام دوره مشکلی در #شبیه_سازی_مقالات، کار با #داده های واقعی، انجام پروژه #پایان_نامه مشکلی نداشته باشند.

3⃣ پردازش تصویر
این دوره یک دوره جامع است که شامل سه بخش است:
🔹 #مقدماتی: آموزش مباحث کتاب #گونزالس
🔹 #پیشرفته1 : پردازش تصاویر پزشکی
MRI, CT, ultrasound, dinamic MRI
🔹 #پیشرفته2 : پترن در پردازش تصویر
✅ در روزهای آینده چندتا از #پروژه هایی که در این دوره ها آموزش داده خواهند شد را به صورت ویدیو و یا عکس در کانال قرار خواهیم داد تا علاقه مندان از قبل یه دید کلی نسبت به دوره ها داشته باشند.
لازم به ذکر است که دوره ها بعد از تکمیل ظرفیت برگزار خواهند شد، لذا دوستانی که مایل به شرکت در دوره ها هستند اسم و شماره تماس خودشون رو به آیدی زیر بفرستند.
@onlineBME_admin
شماره تماس:
0936-038-2687
موفق باشید🙏🌹

#دوره_تابستانه 😊
#شبکه_عصبی
#پردازش_تصویر
#پردازش_سیگنال
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

❇️🌐 بهترین زبانهای برنامه نویسی برای علوم داده، تجزیه و تحلیلهای پیشرفته و یادگیری ماشین در سال 2018
👨‍💻 نویسنده: محمد نوری زاده چرلو

✍ در سال 2018، زمینه علوم داده همچنان به سرعت در حال رشد است. در نتیجه تراشه های پردازش سریع و زبانهای برنامه نویسی قابل خواندن، از جمله به روز رسانی بسته، علوم داده امروزه، هم برای مشتریان و هم برای متخصصان در دسترس است.
اگر بخواهید سفر خود را در Science Data آغاز کنید، مقدار منابع موجود فراتر از هر زمانی است که شما برای تسلط بر تمام زبان های برنامه نویسی در دسترس داشته باشید. بنابراین، به دلیل تحول در بوتکمپ های اطلاعاتی از جمله #هوش_مصنوعی، #یادگیری_عمیق و برنامه‌های مهندسیِ داده، برای یادگیری شما در سفر علمی داده های خود، زبانهای برنامه نویسی را پشنهاد میکنم.
برخی از زبانهای برنامه نویسی برتر در سال 2018 عبارتند از:

1- #پایتون نسبت به جاوا برای اکثر دانشمندان یادگیری ماشین که روی تجزیه و تحلیل احساسات کار میکنند، در اولویت بیشتری قرار دارد.
جدا از استفاده پایتون در توسعه وب، پایتون اهمیت خود را در #داده_کاوی، محاسبات علمی و سایر حوزه ها نشان می دهد. پایتون گسترده و انعطاف پذیر است، بنابراین بسیاری از توسعه دهندگان ترجیح می دهند از پایتون به عنوان یک زبان برنامه نویسی استفاده کنند. برنامه های مدرن امروزه مانند #Instagram و #Pinterest با استفاده از زبان برنامه نویسی پایتون ساخته شده و توسعه داده می‌شوند. در ایالات متحده در سطوح آکادمیک، پایتون تبدیل به یک زبان برنامه نویسی محبوب شده است و به عنوان یک زبان برنامه نویسی تدریس می شود. برخی از نکات مهم عبارتند از:
پایتون یک زبان عمومی است که کمک می کند تا سیستم تولید به عملیات تبدیل شود.
پایتون برای توسعه برنامه های کاربردی بهترین است.
قدرت پایتون در دقت است.
ضعف پایتون در کمبود کد معماری است.

2- زبان برنامه نویسی R:
یک زبان برنامه نویسی مبتنی بر محاسبات آماری و گرافیکی است. میتوان مدل و نمونه ی اولیه را با R بررسی کرد.
عمدتا برای باز کردن الگوها در بلوک های بزرگ داده استفاده می شود که کار دانشمندان را آسان تر می کند. #گوگل، #فیس_بوک، #بانک_مرکزی آمریکا و #نیویورک_تایمز همه از R استفاده می کنند و همچنان استفاده های تجاری آن گسترش می یابد. نکات مهمی که باید زبان برنامه نویسی R در نظر گرفت:
برای درک و اکتشاف داده های آماری بهترین است.
قدرت آن در داشتن الگوریتمهای زبان ماشین زیاد در توابع خود است.
پکیجهای کمی دارد(ضعف).

3- جاوا: #جاوا یک زبان برنامه نویسی خوب برای یک برنامه نویس تازه کار است. به عنوان یک زبان برنامه نویسی قابل خواندن، از برنامه نویسی کاربردی پشتیبانی می‌کند.

4- متلب: #متلب یک زبان برنامه نویسی برای #محاسبات_عددی است که در سال 1984 توسط math’s work توسعه داده شد. متلب، حدود یک میلیون نفر کاربر دارد که از زمینه های مختلف مهندسی، مثل اقتصاد، و علوم داده هستند. متلب برای محاسبات عددی طراحی شده است و در آزمایشگاهای HPC همانند پایتون استفاده می شود. برای کسانی که برنامه نویسی را بلد هستند، یادگیری پایتون راحت خواهد بود. برنامه نویسی متلب مبتنی بر C، C ++ و زبانهای برنامه نویسی جاوا است.


5- زبان برنامه نویسی C: یکی از قدیمترین زبان برنامه نویسی در میان سایر زبانهای برنامه نویسی است. C به عنوان مادر همه زبان های در نظر گرفته شده است و یک زبان برنامه نویسی ضروری برای ساخت الگورتیم های پیش بینی شده، است. زبانهای دیگر مثل C++، جاوا، C# به نوعی فرزندان C هستند.

منبع:

https://process.filestackapi.com/cache=expiry:max/resize=width:700/compress/MMfuMl7lQAOOdFv5FxhQ

https://www.codementor.io/dyako/the-best-programming-languages-for-data-science-and-machine-learning-in-2018-nkfl0ukgs

#زبان_برنامه_نویسی
#پایتون
#جاوا
#متلب
#مهندسی_پزشکی
#هوش_مصنوعی

🏢 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

#پرسپترون_تک_لایه ، #پرسپترون #ماکزیمم_شباهت ، #داده_خطی ، #کلاسبندی #مرز_تفکیک_کننده

🏢 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

💡 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

📺 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

✅ مقالات پیاده سازی شده در دوره تخصصی پردازش سیگنال eeg مبتنی بر تسک تصور حرکتی

💡همانطور که گفته ایم دوره های آموزشی ما تنها یک ویدیوی آموزشی نیستند. پکیج آموزشی علاوه بر #ویدیوهای_آموزشی، شامل #کدهای_متلب نوشته شده برای پروژه ها، #مقالات پیاده سازی شده، #داده های استفاده شده در دوره ها و #جزوه نوشته شده توسط مدرس دوره نیز است.

💯 در این دوره 4 مقاله پیاده سازی شده و روی 3 داده معروف bci competition اعمال شده اند.

💯از مقالات پیاده سازی شده و پروژه های انجام شده میتوانید در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنید.


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ مقالات پیاده سازی شده در دوره تخصصی پردازش سیگنال eeg مبتنی بر تسک تصور حرکتی

💡همانطور که گفته ایم دوره های آموزشی ما تنها یک ویدیوی آموزشی نیستند. پکیج آموزشی علاوه بر #ویدیوهای_آموزشی، شامل #کدهای_متلب نوشته شده برای پروژه ها، #مقالات پیاده سازی شده، #داده های استفاده شده در دوره ها و #جزوه نوشته شده توسط مدرس دوره نیز است.

💯 در این دوره 4 مقاله پیاده سازی شده و روی 3 داده معروف bci competition اعمال شده اند.

💯از مقالات پیاده سازی شده و پروژه های انجام شده میتوانید در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنید.


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅چطور در عرض 6 ماه متخصص داده کاوی شدم؟!

✍ برای 8 سال از فضای درس و تلاش سخت دور بودم، بدون اینکه هیچ برنامه‌ای برای زندگی‌ام داشته باشم. ممکن است تعجب کنید چطور کسی می‌تواند یک زندگی این چنینی داشته باشد. در محل کار، رئیس‌م مرا می‌آزرد و من می‌دانستم که باید تغییری در زندگی‌ام ایجاد کنم.

دوست پسرم پیشنهاد کرد که میتوانم یک تحلیلگر داده شوم! به او گفتم مگر دیوانه ای! من حتی پایه ترین مطالب را در مورد برنامه‌نویسی نمی دانم! قطعا او در مورد توانایی من اغراق می کرد!

دو هفته پس از آن، دوستم آنا، دقیقا همین پیشنهاد را به من کرد و این باعث شد من در مورد پیشنهاد آن‌ها بیشتر فکر کنم. چرا که نه؟ تصمیم گرفتم از اول شروع کنم، خودم را از نو بسازم و یک تحلیلگر داده شوم.

تصمیم گرفتم خودم یاد بگیرم، بنابراین با دوره‌های آنلاین شروع کردم. بعد متوجه شدم که با موقعیت دکترا علوم اعصاب، می‌توانم از یک آموزش رسمی برای کسب شغل تحلیل داده برخوردار شوم. من نیاز به مهارت عملی داشتم.

در این داستان در مورد دوره‌های مختلفی که گذاراندم صحبت خواهم کرد و این که چطور توانستم یک موقعیت شغلی تحلیل داده در استارت‌آپ سلامتی در سیلیکون والی بدست آورم.

در آن زمان، بسیاری از کلاس‌های آنلاینی که دیدم رایگان بودند. بنابراین این چالش را برای خودم ایجاد کردم که هر چه را لازم دارم رایگان بیاموزم. من کمی خسیس هستم😊.

جزئیات بیشتر👇👇👇👇👇
https://onlinebme.com/4-days-ago-towards-data-science-how-i-went-from-zero-coding-skills-to-data-scientist-in-6-months/
#داده_کاوی
#برنامه‌نویسی


🏢 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

🦠ویروس کرونا: هوش مصنوعی، علوم داده و تکنولوژی چطور در مقابله با شیوع بیماری ما را یاری می‌کنند؟
نویسنده: پریسا ایلون

✍ از زمان گزارش اولین مورد ابتلا به ویروس کرونا در ووهان چین، این بیماری حداقل به صد کشور دیگر گسترش یافته است. هنگام شروع به مقابله با ویروس، چین از تکنولوژی، هوش مصنوعی و علوم داده خود برای دنبال کردن و جلوگیری از همه‌گیر شدن بیماری استفاده کرد، درحالی که رهبران تکنولوژی از جمله علی بابا و هوآوی فعالیت‌های حوزه سلامت را در شرکت‌های خود را افزایش دادند. در نتیجه، استارت آپ‌های تکنولوژی با کادر درمان و پژوهشگران و دولت‌مردان سراسر جهان دست به دست هم دادند تا همزمان با گسترس ویروس، تکنولوژی را به کار گیرند.
در اینجا 10 مورد از موارد استفاده از هوش مصنوعی، علوم داده و تکنولوژی برای مدیریت بیماری ارائه خواهد شد.
#هوش_مصنوعی
#کرونا #داده_کاوی #تکنولوژی
جزئیات بیشتر 👇
https://onlinebme.com/coronavirus-how-artificial-intelligence-data-science-and-technology-is-used-to-fight-the-pandemic/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme