دوره شبکه عصبی به پایان رسید و لازمه که از همینجا از همه شرکت کنندگان بخاطر شرکت در این دوره تشکر کنیم و امیدواریم که این دوره برای دوستان مفید بوده باشه😊.

🔶 لازمه که مروری داشته باشیم به مباحثی که در این دوره آموزش داده شد تا از این طریق دوستان دیگه ای که علاقه مند به یادگیری این مباحث هستند در دوره های بعد شرکت کنند.
🚩وجه #تمایز این دوره با دوره های دیگه این بود که اولا در این دوره نحوه استفاده از توابع آماده متلب آموزش داده نشد بلکه نحوه ی پیاده سازی شبکه ها بطور کامل آموزش داده شد! (چون باور داریم که یک مهندس باید خودش کد بنویسه نه اینکه از منابع آماده استفاده کنه).

استفاده از شبکه عصبی آماده برای شخصی که مهندسی نمیخونه و صرفا مصرف کننده هست مناسب هست.

🔺در این دوره نحوه #پیاده_سازی شبکه های عصبی آموزش داده شد و مطمئنا شرکت کنندگان بعد از تمرین و تکرار مطالبی که آموزش داده شد، در پیاده سازی شبکه ها، بهبود شبکه ها، شبیه سازی مقالات و استفاده از شبکه ها در پروژه های عملی دچار مشکل نخواهند شد.

🔺 در این دوره سعی بر این بوده است که تمام مباحث کتاب معروف Siomon Haykin را آموزش بدیم.

🔺کتاب معروف Siomon Haykin، کتابی استاندارد برای یادگیری شبکه های عصبی است که در بیشتر دانشگاههای داخل و خارج کشور تدریس می شود.

🔺در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده شد و سپس به طور گام به گام در متلب پیاده سازی شد.

🔺علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNNو ELM (بانظارت – که جهت کلاسبندی و پیش بینی استفاده می شوند) را طبق مقالات معتبر پیاده سازی کردیم که از این طریق شرکت کنندگان با پیاده سازی مقالات نیز آشنا شدند.

🔺تمامی شبکه ها در متلب پیاده سازی و سپس در پروژه‌های عملی استفاده شدند!

🚩وجه #تمایز دیگه ای این دوره با دوره های دیگه این بود که این دوره کاملا #پروژه_محور بود و در طول دوره پروژه های مختلفی با شبکه های عصبی انجام شد.

🔗پروژه هایی که در دوره آموزش داده شدند:
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی آدالاین
◦ تشخیص سرطان سینه با استفاده از قانون یادگیری وینرهاف
◦ #تشخیص سرطان سینه با استفاده از ML(ماکزیمم شباهت)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی توابع شعاعی پایه (RBF)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی (ELM(Extreme learning machine
◦ تشخیص #سرطان_سینه با استفاده از شبکه عصبی احتمالی (PNN)
◦ کلاسبندی داده های سه کلاسه iris# (داده ی معروف در سایت uci) با استفاده از شبکه هایی عصبی
Pnn-Elm-Rbf
MLP(back propagation)
MLP(delta delta) -MLP(delta bar delat)

◦ #خوشه_بندی با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری رقابتی(som)
◦ پیاده سازی الگوریتم #PCA(تجزیه مولفه های اساسی) با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری هببین
◦ کلاسبندی داده های دوکلاسه و #چندکلاسه (توزیع نرمال)، مثال AND، OR، NOT، XOR
◦ #تخمین کیفیت شراب با استفاده از شبکه های عصبی
◦ #پیش_بینی نرخ ارز با استفاده از شبکه های عصبی

🌟با پیاده سازی این پروژه ها ، دوستان با مباحث مرتبط با تقسیم داده(روش معمول (70-30) و k_fold cross validation)، تست و ارزیابی شبکه، لیبل گذاری داده، تعیین مدل بهینه آشنا شدند.


⤵⤵⤵⤵⤵⤵⤵⤵⤵⤵⤵
💡دوره ی بعدی #مهرماه در #مشهد 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

➖➖➖➖➖
سایتمون رو هم دنبال کنید🙏🙏😊😊


http://matlabkhoone.ir/2017/09/08/%D9%BE%D8%A7%DB%8C%D8%A7%D9%86-%D8%A7%D9%88%D9%84%DB%8C%D9%86-%D8%AF%D9%88%D8%B1%D9%87-%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D8%B9%D8%B5%D8%A8%DB%8C-%D8%AF%D8%B1-%D8%AA%D9%87%D8%B1%D8%A7/
➖➖➖➖➖
@IUST_Bioelecteric

💡✅ 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

📺 دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

جلسه هشتم: انجام پروژه های چندکلاسه تسک تصور حرکتی

خلاصه: الگوریتم csp برای داده های دو کلاسه ارائه شده و اگه بخواهیم برای داده های #چندکلاسه استفاده کنیم لازمه که در این الگوریتم رو برای داده های چندکلاسه با یک تکنیکی #تعمیم دهیم.
در این جلسه در ابتدا نحوه تبدیل داده به فرمت gdf سایت bci competition رو به فرمت .mat توضیح میدهیم سپس الگوریتم csp رو با دو روش ذکر شده در #مقاله مرتبط تعمیم میدهیم و همچنین کلاسبند SVM رو برای داده های چندکلاسه تعمیم میدهیم و یک پروژه عملی با کمک این الگوریتم طبق مقاله تخصصی انجام میدهیم تا با نحوه انجام پروژه های چند کلاسه هم آشنا شوید.

🧑‍💻مدرس: محمد نوری زاده چرلو

🌀جهت تهیه پکیج آموزشی به سایت زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/
#پردازش_سیگنال
#پیاده‌سازی_مقاله
#پروژه_عملی
#واسط_مغز_کامپیوتر
#یادگیری_ماشین
#فیلترهای_مکانی_مشترک
#csp #bci #EEG #GDF
#Machine_learning

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme