✅ 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

❌ دوره شبکه عصبی برای چه کسانی پیشنهاد میشود؟


⭕️ این دوره برای کسانی که درس شبکه عصبی دارند پیشنهاد میشه.
🔺 چرا که تمام جزئیات مربوط به تئوری شبکه‌های عصبی در این دوره طبق مرجع معتبر کتاب simon heykin آموزش داده شده است و دانشجو با مشاهده این دوره میتونه مباحث رو یاد بگیره و مشکلی در این حوزه نداشته باشه


⭕️ افرادی که این ترم #تمرین و #پروژه‌های_درسی برای شبکه عصبی دارند.
🔺در این دوره تمامی شبکه‌های عصبی به صورت مرحله به مرحله پیاده سازی شده اند ( توجه کنید که در این دوره تولباکسی معرفی نمیشه بلکه تمام شبکه ها پیاده سازی میشن👌) که با دانشی که در این دوره بدست میارین به راحتی میتونین تمرینات رو انجام بدین


⭕️ افرادی که پروژه درسی و پایان نامه دارند!
🔺پروژه های زیادی در این دوره با استفاده از شبکه‌های عصبی طبق مقالات تخصصی انجام شده که میتونید از اونا تو پروژه های درسیتون استفاده کنید.


⭕️ افرادی که میخوان وارد حوزه یادگیری ماشین، پترن و deep learning شوند!
🔺در این دوره تمامی مباحث از صفر تا صد آموزش داده شده و شخصی که هیچ پیش زمینه قبلی با حوزه یادگیری ماشین نداره، در این دوره با این مباحث آشنا میشه، و با استفاده از شبکه‌های عصبی پیاده سازی شده و پروژه های انجام شده دید کامل به این حوزه پیدا میکنه و به راحتی میتونه موضوعات دیگه رو پیش ببره!


✅ با افتخار از شما دعوت میکنیم شبکه های عصبی رو با آموزشهای تخصصی ما یاد بگیرید.صفر_تا_صد به صورت تخصصی
#تئوری #پیاده‌سازی #پروژه_محور #تمرینات_درسی #پروژه‌های_درسی #پایان_نامه

📺 پیاده سازی گام به گام شبکه‌های عصبی ( پروژه محور)
https://onlinebme.com/product/neural-networks-package/

مدت زمان دوره: 25 ساعت

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 ویدیوهای فصل اول دوم آماده شده اند و در چند روز آینده در سایت قرار میگیرند.
دوستانی که امکان شرکت حضوری ندارند میتوانند ویدیوهارو تهیه کنند.

تعداد جلسات فصل و دوم: 13 جلسه
مدت زمان ویدیوها: 17 ساعت

✅در این دوره دو تا بحث جدید اضافه شده:
🔹علاوه بر پیاده سازی تک تک الگوریتمها ، اگه توابعشون در متلب موجود باشه، نحوه فراخوانیشون هم توضیح داده میشه.
🔹تعداد پروژه ها زیاد شده اند و برای هر پروژه علاوه بر توضیحات ویدیو یک گزارش کامل هم نوشته شده و از کدها و گزارشات نوشته شده میتوانید در #پروژه‌های_درسی خودتون استفاده کنید.

@onlinebme

سلام
📺 ویدیوهای آموزشی فصل اول و دوم دوره #پترن در سایت قرار گرفته است.
از طریق لینک زیر میتوانید جزئیات این دوره رو مشاهده کنید.
مدت زمان: 17 ساعت
تعداد جلسات: 14

🔺در این جلسات علاوه بر آموزش و پیاده سازی الگوریتمها، چندین پروژه عملی انجام شده است، برای هر پروژه ی انجام شده هم یک گزارش کامل به صورت word نوشته شده و کنار کدها و ویدیوهای آموزشی قرار گرفته است و از آنها میتوانید برای پروژه های درسی خودتون استفاده کنید.

https://onlinebme.com/product/pattern-parametric-classifiers/

✅ فصل سوم هم ضبط و بخشی از فصل چهارم هم ضبط شده و در روزهای آینده در سایت قرار خواهند گرفت.

مدرس دوره: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
#پترن #یادگیری_ماشین
#کلاسبندهای_پارامتری
#ماکزیمم_شباهت
#بیزین
#کلاسبند_حداقل_فاصله_اقلیدسی
#کلاسبند_حداقل_فاصله_ماهالانوبیس
#پروژه_محور
#پروژه‌های_عملی
#پروژه‌های_درسی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📦سرفصل مطالب مربوط به پیاده سازی الگوریتمهای مبتنی بر نزدیک ترین همسایه( knn , wknn, dwknn , knn in regression ):

⚪️تئوری تصمیم گیری کلاسبندهای متبنی بر نزدیکترین همسایه(knn)

⚫️پیاده‌سازی مرحله به مرحله کلاسبند knnمعرفی تولباکس آماده متلب( برای آن دسته از دوستانی که میخواهند فقط با ابزار کار کنند)

🔴انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم knn

🔵تئوری تصمیم گیری کلاسبند knn وزندار( wknn معرفی شده توسط دو مقاله اول که در جلسه دوم آموزش داده شده است)

⚪️ پیاده‌سازی مرحله به مرحله الگوریتم wknn ( پیاده سازی مقالات 1-2)

⚫️انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم wknn

🔴تئوری تصمیم گیری کلاسبند knn وزندار (wknn معرفی شده توسط سوم که در جلسه سوم آموزش داده شده است)

🔵 پیاده‌سازی مرحله به مرحله الگوریتم wknn ( پیاده سازی بخش اول مقاله 3)

⚪️انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم wknn

⚫️تئوری تصمیم گیری کلاسبند knn وزنداردوگانه (dwknn معرفی شده توسط سوم که در جلسه سوم آموزش داده شده است) 

🔵پیاده‌سازی مرحله به مرحله الگوریتم dwknn( پیاده سازی بخش دوم مقاله 3)

🔴انجام یک مثال عملی بسیار ساده جهت آشنایی با عملکرد الگوریتم DWKNN


✅ پروژه هایی که در این ویدیوهای انجام داده ایم به صورت زیر است:

🔹تشخیص سرطان سینه با استفاده از کلاسبندهای knn، wknn و dwknn
🔸تشخیص نوع گل زنبق(iris) با استفاده از کلاسبندهای knn، wknn و dwknn
🔹تشخیص بیماری پارکیسنون از روی راه رفتن افراد با استفاده از کلاسبندهای knn، wknn و dwknn

➖➖➖➖➖➖➖➖➖➖➖
🔬 آزمایشاتی که انجام داده ایم به صورت زیر است:

1- تعیین تعداد k بهینه برای کلاسبند knn

2- تعیین معیار فاصله مناسب برای کلاسبند knn
🔴 معیار هایی که در ویدیوها پیاده سازی کرده ایم به صورت زیر است:

🔻فاصله اقلیدسی(euclidean) 
🔺فاصله بلوک شهری( city block) 
🔻فاصله چبیشف(chebychev)
🔺فاصله مینکوفسکی (minkowski) 
🔻فاصله کسینوسی (cosine)
🔺فاصله همبستگی (correlation)

3- بررسی عملکرد knn های وزندار

4- بررسی تاثیر k روی عملکرد knn  و knnهای وزندار

5- تاثیر نرمال کردن ویژگی ها بر روی عملکرد الگوریتمهای knn

➖➖➖➖➖➖➖➖➖➖➖
💡 انجام مسائل #رگرسیون با الگوریتم knn

✅مباحثی که در جلسه آخر آموزش داده ایم به صورت زیر است:

🔹فرق بین کلاسبندی و رگرسیون با یک مثال ساده
🔹تئوری تصمیم گیری knn در مسائل رگرسیون
🔹پیاده سازی knn برای مسائل رگرسیون
🔹تئوری تصمیم گیری wknnدر مسائل رگرسیون
🔹پیاده سازی wknnبرای مسائل رگرسیون

🔴انجام یک پروژه عملی رگرسیون (پیش بینی میزان آلودگی هوا با استفاده از الگوریتمهای knn و wknn)

🔹بررسی معایب knn
➖➖➖➖➖➖➖➖➖➖➖

✅یک خبر خوب هم برای دوستان بدهیم و آن هم این است که برای هر #پروژه ای که انجام شده یک #گزارش کامل 20-30 صفحه ای در #word نوشته و کنار کدها و ویدیوهای آموزشی قرار داده ایم تا دوستان بتوانند از این گزارشها در #پروژه‌های_درسی و #پایان_نامه خود استفاده کنند.

💡روال گزراش نویسی به صورت زیر است:

🔹چکیده
🔸مقدمه
🔹توضیح تئوری الگوریتمها
🔸توضیح خط به خط کدهای پیاده‌سازی شده برای الگوریتمها
🔹توضیح پایگاه داده
🔸جمع بندی و آزمایشات
➖➖➖➖➖➖➖➖➖➖➖
تعداد جلسات: 8
مدت زمان: 12 ساعت 
مدرس: محمد نوری زاده چرلو

#Knn, #wknn , #dwknn , #knn for #regression
#Distance
#weighted_knn
#کلاسبند_نزدیکترین_همسایه #تئوری #پیاده‌سازی #پیاده‌سازی_مقالات #پروژه‌های_عملی #پروژه‌های_درسی #کلاسبندی #رگرسیون
#شناسائی_الگو
#پترن
#یادگیری_ماشین

جزییات بیشتر👇👇
https://onlinebme.com/product/k-nearest-neighbors/

🏢 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

🎁پکیج جامع فصل های اول تا چهارم پترن و یادگیری ماشین ( از بیزین تا SVM)


✅ این پکیج شامل تمام مباحث آموزش داده شده در 4 فصل دوره شناسایی الگو و یادگیری ماشین است.

فصل اول: مقدمه ای بر شناسایی الگو و یادگیری ماشین

فصل دوم: کلاسبندهای پارامتری
🔹بیزین
🔸ماکزیمم شباهت
🔹حداقل فاصبله اقلیدسی
🔸حداقل فاصله ماهالانوبیس

فصل سوم: روشهای ارزیابی و پارمترهای ارزیابی 

⚫️پارامترهای ارزیابی مسائل کلاسبندی (ماتریس کانفیوژن، صحت، حساسیت، اختصاصیت کلاسبندی)
🟢 روش ارزیابی the hold out method
🔴 روش ارزیابی k-fold cross validation
🟣 روش ارزیابی leave one out
🟢 روش ارزیابی random sub-sampling

⚫️نحوه انتخاب مدل بهینه با روش cross validation

فصل چهارم: الگوریتمهای غیرپارامتری در بحثهای رگرسیون و کلاسبندی

🔶الگوریتم نزدیکترین همسایه(knn)
🔷الگوریتم نزدیکترین همسایه وزندار (wknn)
🔶شبکه عصبی پرسپترون تک لایه
🔷شبکه عصبی پرسپترون چندلایه (MLP)
🔶ماشین بردار پشتیبان خطی(SVM)
🔷ماشین بردار پشتیبان غیرخطی(nonlinear SVM)
🟢ماشین بردار پشتیبان در مسائل رگرسیون (SVR)
➖➖➖➖➖➖➖➖➖➖➖
 🌀 جهت تهیه پکیج آموزشی چهار فصل دوره پترن و یادگیری ماشین به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

#پترن #یادگیری_ماشین
#پروژه_عملی #پیاده‌سازی_مقاله #پروژه‌های_درسی #پایان_نامه
#پروژه_محور
➖➖➖➖➖➖➖➖
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme