✅ نحوه نرمال کردن داده بین یک بازه خاص
#شبکه_عصبی
#رگرسیون #تابع_فعال
👇👇👇👇👇
@IUST_Bioelecteric

🔷 توابع فعال استفاده شده در شبکه های عصبی
#شبکه_عصبی
#نرمال_سازی
#رگرسیون #تابع_فعال
👇👇👇👇👇👇👇
@IUST_Bioelecteric

✅شبکه عصبی RBF
در روزهای آینده فایلی آموزشی به همراه پیاده سازی در متلب در کانال قرار داده خواهد شد.
#رگرسیون
#کلاسبندی
#قضیه_کاور
#صفرتاصدRBF
#RBF

@IUST_Bioelecteric

🔷 فرق بین کلاسبندی و رگرسیون
#رگرسیون
#کلاسبندی
@iust_bioelecteric

🔷 فرق بین کلاسبندی و رگرسیون
#رگرسیون
#کلاسبندی
@iust_bioelecteric

✅ رگرسیون خطی
بخش دوم: پیاده سازی رگرسیون خطی در متلب به دو روش مختلف

#matlab
#data_mining
#pattern_recognition
#رگرسیون_خطی
#ویدیوی_آموزشی_رایگان
#خلاصه_مفید
➖➖➖➖➖
@IUST_Bioelecteric

✅ رگرسیون خطی
بخش اول: مفهوم رگرسیون(فایل pdf)
فرق رگرسیون با کلاسبندی
بررسی راه حلهای موجود جهت حل معادله رگرسیون خطی
#رگرسیون_خطی_چندمتغیره
#data_mining
#pattern_recognition
➖➖➖➖➖
@IUST_Bioelecteric

فرق بین رگرسیون و کلاسبندی
#رگرسیون
#کلاسبندی
➖➖➖➖➖
@IUST_Bioelecteric

🔷 فرق بین کلاسبندی و رگرسیون
#رگرسیون
#کلاسبندی
@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

📺 فرق بین کلاسبندی و رگرسیون

👨‍💻مدرس: محمد نوری زاده چرلو

#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_نظارتی
#کلاسبندی
#رگرسیون
#پیش_بینی
#پترن
اطلاعات بیشتر:
https://onlinebme.com/unit/classification-and-regression/?id=4621

🏢 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

4⃣ جلسه چهارم: پیاده‌سازی شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب

#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی، #تشخیص_سرطان_سینه
#طبقه‌بندی
#کلاسبندی
 #پیش_بینی_میزان_آلودگی_هوا
#رگرسیون

🏢 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
4⃣ جلسه چهارم: پیاده‌سازی شبکه عصبی #پرسپترون_چندلایه با قانون یادگیری #پس_انتشار_خطا در متلب

این جلسه مهمترین جلسه دوره تخصصی پیاده‌سازی شبکه‌های عصبی در متلب است. ما در جلسه سوم الگوریتم #LMS را مطرح کرده و در نهایت شبکه‌عصبی آدالاین را معرفی کردیم که یک شبکه عصبی بهینه برای مسائل کلاسبندی و رگرسیون است.‌این شبکه‌ ایرادات شبکه عصبی پرسپترون تک لایه را برطرف کرد ولی خودش یک #ایراد اساسی دارد. که ‌این ‌ایراد در تمام شبکه‌های عصبی تک لایه وجود دارد. ‌ایراد شبکه عصبی آدالاین و یا پرسپترون تک لایه در #ساختارشان هست و به خاطر ‌اینکه #تک_لایه هستند نمی توانند مسائل #غیرخطی مثل xor را حل کنند. برای حل‌ این مسئله شبکه عصبی پرسپترون چندلایه مطرح شده است که با اضافه کردن #چند_لایه_پنهان توانسته‌اند مسائل بسیار پیچیده را به راحتی حل کنند. در ‌این جلسه تئوری الگوریتم پس ‌انتشار خطا کامل توضیح داده می‌شود و در نهایت در متلب مرحله به مرحله پیاده‌سازی می شود.‌ این جلسه برای همه گروه دانشجویی و مهندسی بسیار مفید هست و می‌توانند بعد از مشاهده‌ ویدیو هم #پروژه‌های_تخصصی خودشان را انجام دهند و هم ‌ایده‌های خود را در الگوریتم پس انتشار خطا ارائه بکنند. برای ‌اینکه در ‌این جلسه به مشکل نخورید بهتر است با #مشتق‌گیری آشنا باشید. جلسه کاملی هست و به جرات می‌‎توان گفت که #اولین دوره‌ای هست که به صورت تخصصی چنین شبکه‌ای را به صورت گام به گام در متلب پیاده‌سازی می‌کند.

بعد از‌ اینکه شبکه عصبی در متلب پیاده ‌شد، #عملکرد_لایه‌های_مختلف شبکه با #مثال_عملی توضیح داده می‌شود تا به صورت دقیق و عملی با ساختار و عملکرد شبکه‌های عصبی چندلایه آشنا شوید و متوجه شوید که شبکه‌های عصبی چندلایه چطور یک مسئله پیچیده را با ساده‌سازی مسئله در لایه‌های مختلف حل می کنند. ‌این جلسه، جلسه مورد علاقه من هست و تمام سعیم را کردم که به #زبان_ساده و در عین حال تخصصی و #جامع شبکه عصبی پرسپترون چندلایه و قانون یادگیری پس انتشار خطا را توضیح دهم و امیدوارم برای شما مفید باشد.

در انتهای دوره چندین پروژه عملی از جمله #تشخیص_سرطان_سینه (پروژه عملی #طبقه‌بندی) و #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی #رگرسیون) با استفاده از شبکه عصبی پرسپترون چندلایه به صورت #گام_به_گام در متلب پیاده‌سازی شد تا با انجام پروژه‌های عملی هم آشنا شوید و بتوانید پروژه‌های تخصصی خودتان را با مشاهده ‌این ویدیو انجام دهید.

نکته: تمام مباحث ‌این جلسه طبق مطالب فصل 6 کتاب Simon haykin است.

 ➖➖➖➖➖➖➖➖➖➖➖
جهت خرید جلسه چهارم به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/multilayer-perceptron-with-backpropagation-algorithm/

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

4⃣ جلسه چهارم: 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

#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی،
 #پیش_بینی_میزان_آلودگی_هوا
#رگرسیون

🏢 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

5⃣ نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
#نرخ_یادگیری
#ثابت #متغیر_با_زمان
#search_then_converge
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی، #تشخیص_سرطان_سینه
 #پیش_بینی_میزان_آلودگی_هوا
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 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
6⃣ جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)

#نرخ_یادگیری #دلتا_دلتا
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی،
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 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
7⃣ جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)

#نرخ_یادگیری #دلتا_بار_دلتا
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی،
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 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
7⃣ جلسه هفتم: پیاده‌سازی الگوریتم یادگیری دلتا بار دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)

✍ در جلسه ششم شروط مورد نیاز جهت تعیین #نرخ_یادگیری بهینه را  توضیح داده و سپس تئوری الگوریتم یادگیری #دلتا_دلتا را در متلب به صورت #گام_به_گام پیاده‌سازی کردیم. و ایرادات اساسی این الگوریتم را توضیح دادیم. در این الگوریتم با اینکه 4 شرط اساسی برای تعیین نرخ یادگیری گنجانده شده بود ولی مشکل اصلی این الگوریتم در نحوه #افزایش و #کاهش نرخ یادگیری است. برای اینکه نرخ یادگیری بهینه ای داشته باشیم لازم است که در جاهایی که #شیب_خطا در چند تکرار متوالی یکسان است نرخ یادگیری به صورت خطی و آهسته زیاد کنیم و از طرفی زمانی که علامت مشتق تابع هزینه در چندین تکرار متوالی متفاوت است لازم است که نرخ یادگیری سریع و به صورت #غیرخطی کم شود تا حالت نوسانی و ناپایدار پیش نیاید. الگوریتم دلتا دلتا همچنین قابلیتی ندارد و در نتیجه نرخ یادگیری بهینه که اساس یادگیری پس انتشار خطا است، را نمیتواند تعیین کند. الگوریتم دلتا بار دلتا برای حل این مسئله مطرح شده است که در این جلسه تئوری آن گفته شده و در متلب پیاده‌سازی می کنیم و در انتها برای اینکه با قابلیت این الگوریتم آشنا شوید و همچنین بتوانید از این الگوریتم در پروژه‎های عملی خودتان استفاده کنید چندین پروژه عملی از قبیل از جلمه #تشخیص_سرطان_سینه (پروژه عملی طبقه‌بندی) ، #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی #رگرسیون) با استفاده از شبکه عصبی پرسپترون چندلایه  انجام شده است و همچنین یک پروژه کلاسبندی #سه_کلاسه iris (#گل_زنبق) انجام شده است تا شما در انجام پروژه های چندکلاسه نیز مشکلی نداشته باشید. داده iris یک داده سه کلاسه معروفی است که آقای #فیشر(Fisher) معرفی کرده اند و یک داده مناسب برای #ارزیابی مدلهای #یادگیری_ماشین است. ما در این جلسه هر سه پروژه را به صورت مرحله به مرحله در متلب پیاده سازی می‌کنیم.

نکته: تمام مباحث ‌این جلسه طبق مطالب فصل 6 کتاب Simon haykin است.
 ➖➖➖➖➖➖➖➖➖➖➖
💡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

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

#مرکز #سیگما #قضیه_کاور #kmeans
#پروژه_عملی #رگرسیون #طبقه‌بندی #کلاسبندی

🏢 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

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