💡✅ توضیحات تکمیلی دوره شبکه عصبی:

✍️ امروزه در ایران دوره های مختلفی برای درس شبکه عصبی برگزار می‌شود و البته هر کدام مزایای خودشون رو دارند و با اهدافی دوره ها رو برگزار می‌کنند.
گروه تخصصی و آموزشی مدرسین علم و صنعت تهران هم سعی براین دارد که در این مسیر فعالیت کند، اما به صورت #متفاوت!
سعی ما بر این است که یک دوره صرفا عملی و یا صرفا تئوری برگزار نکینم. ما در این دوره علاوه برمباحث تئوری، همزمان مباحث عملی رو به صورت گام به گام آموزش می‌دهیم.

🔺 اولین #وجه_تمایز دوره شبکه عصبی ما با سایر دوره ها این است که در این دوره نحوه استفاده از #توابع_آماده_متلب آموزش داده نمی‌شود بلکه نحوه‌ی #پیاده_سازی شبکه ها بطور کامل آموزش داده می شود و مطمئنا شرکت‌کنندگان بعد از #تمرین و تکرار مطالبی که آموزش داده می‌شود، در پیاده‌سازی شبکه‌ها، #بهبود شبکه‌ها، شبیه‌سازی #مقالات و استفاده از شبکه‌ها در #پروژه‌های_عملی دچار مشکل نخواهند شد.

🔺 دوره به صورت #آکادمیک هست و سعی بر این است که تمام مباحث #کتاب معروف Siomon Haykin آموزش داده شود. کتاب Siomon Haykin، کتابی #استاندارد برای یادگیری شبکه‌های عصبی است که در بیشتر دانشگاه‌های داخل و خارج کشور تدریس می‌شود. در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده می‌شود و سپس به طور گام به گام در متلب پیاده‌سازی می‌شود.
از آنجا شرکت کنندگان علاوه بر یادگیری مباحث عملی، مباحث تئوری را نیز یاد میگیرند لذا شرکت‌کنندگان بعد از اتمام دوره، می‎توانند #نمره_کاملی در درس شبکه عصبی (در هر مقطعی) بگیرند که این یکی از مزیتهای دیگر دوره شبکه عصبی ما است.
از آنجا که دوره ما #پروژه محور است، سعی شده مسائل و پروژه های مختلفی با استفاده از شبکه عصبی انجام شود تا شرکت کنندگان بعد از اتمام دوره بتوانند پروژه های خود را با شبکه های عصبی انجام دهند.

✅💡پروژه هایی که در این دوره با استفاده از شبکه های عصبی انجام داده می‌شوند:
💡تشخیص #سرطان_سینه با استفاده از شبکه های عصبی
💡تشخیص بیماری #صرع از روی سیگنالهای مغزی با استفاده از شبکه های عصبی
💡تخمین کیفیت #شراب با استفاده از شبکه های عصبی(داده معروف سایت UCI)
💡پیش بینی #نرخ_ارز با استفاده از شبکه های عصبی
💡کلاسبندی داده های دوکلاسه و #چندکلاسه، مثل داده سه کلاسه #iris (داده ی معروف در سایت uci)
💡حل مسائل مختلف از قبیل گیتهای منطقی(and, or, xor,…) با استفاده از شبکه‌های عصبی
💡 تخمین کیفیت شراب با استفاده از شبکه های عصبی(داده معروف سایت UCI)


تمامی شبکه ها از #صفرتاصد آموزش داده می‌شوند، در ابتدا، مباحث تئوری آموزش داده می‌شود و سپس به صورت گام به گام در متلب پیاده‌سازی می شوند و بعد از پیاده سازی در پروژه های عملی استفاده می شوند.
#مزایا و #معایب هر شبکه به صورت #واقعی در پروژه‌های عملی نشان داده می‌شود و هنرجو از این طریق #درک بهتری نسبت به شبکه‌ها پیدا می‌کند.

🔺علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNN و ELMرا طبق مقالات معتبر پیاده‌سازی می¬کنیم که از این طریق شرکت‌کنندگان با پیاده‌سازی مقالات نیز آشنا می‌شوند.


✅ شرکت‏ کنندگان بعد از اتمام این دوره، قادر خواهند بود به:

💡 برنامه‌نویسی در محیط متلب
💡پیاده‏سازی تمامی شبکه‌های عصبی در متلب
💡 حل مسائل مختلف از قبیل گیتهای منطقی(and, or, xor,…) با استفاده از شبکه‌های عصبی
💡 استفاده از شبکه‏های عصبی در پروژه‌های کلاسبندی و رگرسیون
💡 انجام پروژه‌های عملی با استفاده از شبکه‌های عصبی
💡 کاهش بعد و استخراج ویژگی با استفاده از شبکه‌های عصبی
💡 حل مسائل کلاسبندی با استفاده از شبکه‌های عصبی
💡 حل مسائل پیش‌بینی با استفاده از شبکه‌های عصبی
💡 خوشه‌بندی داده‌ها با استفاده از شبکه‌های عصبی

✅ 💡بعد از اتمام دوره دانشجویانی که طول دوره فعال بودند و نمره قابل قبولی دریافت کردند، انتخاب می شوند تا در کارهای عملی و پروژه‌های پژوهشی جهت نوشتن مقالات همکاری ‌شود.

https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q
➖➖➖➖➖
@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