🔷 کتاب علوم اعصاب محاسباتی

#کتاب
#تئوری
#neuroscience

@IUST_Bioelecter

🏢 فردا جلسه آخر دوره تخصصی پیاده سازی شبکه های عصبی هست
امیدواریم بچه ها به مرحله آخر رسیده باشن😊😅
✅ دوره بعدیمون پاییز شروع خواهد شد. 😊
#شبکه_عصبی
#تئوری ➕ #پیاده_سازی➕ #پروژه_عملی
✔️ @onlineBME

📽🎥 صحبتهای دکتر محسن شیرازی فارغ التحصیل دانشگاه
Sapienza University of Rome,Italy
و محقق افتخاری دانشگاه UON استرالیا در مورد دوره شبکه عصبی و همکاری #پروژه #پیش_بینی میزان نشست خاک در #حفاری_مترو توسط ماشین آلات غول پیکر با استفاده از شبکه عصبی
#دوره
#پیاده_سازی #شبکه‌های_عصبی

#تئوری ➕ پیاده سازی ➕ پروژه عملی
جهت ثبت نام با شماره زیر تماس بگیرید:
شماره تماس:
0936-038-2687
آیدی تلگرام:
@OnlineBME_Admin
➖➖➖➖➖➖
✔️ @OnlineBME

📽🎥 صحبت های مهندس سوگل میری ( یکی از شرکت کنندگان دوره پترن در پردازش سیگنال ) درباره دوره های آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
#دوره
#پترن در #پردازش_سیگنال
#علوم_اعصاب
#واسط_مغز_کامپیوتر
#یادگیری_ماشین
#EEG #ECG
#تئوری ➕ پیاده سازی ➕ پروژه عملی

جهت ثبت نام با شماره زیر تماس بگیرید:
شماره تماس:
0936-038-2687
آیدی تلگرام:
@OnlineBME_Admin
➖➖➖➖➖➖
✔️ @OnlineBME

📽🎥 صحبت های مهندس محمدعلی خو ( یکی از شرکت کنندگان شبکه عصبی) درباره دوره های آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
#دوره
#پیاده_سازی #شبکه‌های_عصبی

#تئوری ➕ پیاده سازی ➕ پروژه عملی

✔️ @OnlineBME

📚کتاب شبکه عصبی Simon Haykin

✍️این کتاب بدون شک یکی از بهترین کتابها جهت یادگیری بحث شبکه های عصبی و یادگیری ماشین هست. یکی از نکات کلیدی این کتاب این است که به صورت روان و ساده مطالب نوشته شده است. روان و ساده، خلاصه و مفید، بدون پرداختن به مطالب اضافی و خسته کننده .هر چقدر این کتاب رو بخونید بیشتر لذت خواهید برد. تئوری هر مبحثی رو در ابتدا توضیح میده و سپس میاد الگوریتم خلاصه شده شبکه رو می نویسه. کافیه بیس برنامه نویسیتون خوب باشه،تا بتونید تمام مباحث این کتاب رو در یک محیط برنامه نویسی پیاده سازی کنید. این کتاب تمام مباحث رو صفر تا صد توضیح میده و کنار شبکه های عصبی تمام بحثهای جانبی مفید رو توضیح میده، مثل نحوه آموزش و تست، روشهای آموزش و تست، روشهای ارزیابی، ووو این کتاب در اکثر دانشگاههای معتبر دنیا به عنوان مرجع معرفی می شود.
ما طول این 3 سالی که در کنار شما دوستان بودیم، سعی کردیم تمام مباحث این کتاب را به صورت کامل آموزش بدهیم و همگام با کتاب شبکه‌های عصبی را پیاده‌سازی کنیم.
تنها ایرادی که میشه برای کتاب گرفت اینه که مثال نداره، ما در دوره هامون برای حل این مشکل، مثالهای مختلفی حل می کنیم و بعد از پیاده‌سازی شبکه‌ها، ابتدا مدلهامون رو با مثال های ساده، سپس روی مثالهای واقعی مثل تشخیص سرطان سینه، پیش بینی میزان سهام، پیش بینی میزان نشست خاک در حفاری متروها، پیش بینی میزان آلودگی هوا، مدلسازی روابط خطی و غیرخطی، خوشه بندی داده ها ووو الگوریتمها را ارزیابی کنیم تا دوستان شرکت کننده در دوره ها علاوه بر یادگیری مباحث #تئوری و #پیاده‌سازی، بتوانند از شبکه ها در #پروژه‌های‌واقعی خودشان استفاده کنند، که هدف از یادگیری شبکه‌های عصبی همین است! ما سعی کردیم یک قدم جلوتر بریم و علاوه‌بر مطالب کتاب، چندین مقاله پیاده‌سازی کنیم، تا دوستان با نحوه پیاده‌سازی مقالات تخصصی این حوزه آشنا بشوند.
به دوستانی که علاقه‌مند به یادگیری شبکه‌های عصبی هستند پیشنهاد می‌کنم حتما با این کتاب شروع کنند.
یه خبر خوب هم برای دوستانی که به خاطر مسافت و یا هر دلیل دیگه‌ای نمی‌توانند در دوره‌های ما شرکت کنند، ٫پکیج‌آموزشی شبکه‌های عصبی داره آماده میشه و به زودی در کانال تلگرام اطلاع رسانی خواهد شد.
دوستان میتونن در بخش پیش ثبت نام این پکیج اسم‌نویسی کنند و از تخفیفات ویژه این پکیج در زمان انتشار آن بهره مند شوند.
مخلصیم😊❤️


#دوره
#شبکه‌عصبی
#پکیج‌آموزشی
http://onlinebme.com/course/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

همراهان عزیز در بهار با دوره های زیر در کنار شما خواهیم بود😊❤️
1⃣ دوره پترن در پردازش سیگنالهای حیاتی
2⃣ دوره جامع پردازش تصویر
3⃣ دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
4⃣ آموزش اصول برنامه نویسی متلب ( هزینه #رایگان )


لینک مربوط به برنامه کلاسها 👇👇👇
https://onlinebme.com/بهار-98/

💡سعی ما این است که در دوره ها سه اصل رو رعایت کنیم :
تئوری ➕ پیاده‌سازی ➕ پروژه عملی

✅در روزهای آینده برنامه کارگاهها رو هم اعلام خواهیم کرد.

#پردازش_سیگنال #پردازش_تصویر #پردازش_تصاویرپزشکی
#پترن #یادگیری_ماشین #شبکه_عصبی #هوش_مصنوعی
#واسط_مغز_کامپیوتر #bci
#نوروساینس #neuroscience
#تئوری #پیاده‌سازی #پروژه_عملی
#متلب #پایتون #برنامه‌نویسی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
☘ @onlinebme

✅ مروری مختصر بر مباحثی که در دوره ي تخصصی " پیاده سازی شبکه های عصبی در متلب" آموزش داده خواهد شد.
تئوری ➕ پیاده‌سازی ➕ پروژه عملی


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

🔹 جهت کسب اطلاعات بیشتر به شماره و آیدی زیر پیام بدهید 👇👇
@OnlineBME_Admin
0936-038-2687
#شبکه_عصبی
#دوره
#پروژه_محور
#کلاسبندی
#پیشبینی
#خوشه_بندی
#کاهش_بعد
#مدلسازی
#استخراج_ویژگی
#تئوری #پیاده_سازی #پروژه_عملی
#mlp #perceptron #rbf #elm #pnn #som #recurrent #jordan #elman
🏢 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

✍در جلسه دوم ما در ابتدا شبکه‌عصبی پرسپترون تک لایه را آموزش داده و در متلب گام به گام پیاده‌سازی ‌می‌کنیم. این شبکه ساده‌ترین نوع شبکه عصبی است که برای #کلاسبندی داده‌های #خطی استفاده می‌شود. قبل از اینکه بخواهیم یک شبکه عصبی را در محیطی ‌پیاده‌سازی کنیم لازم است که در ابتدا به #سه_سوال_اساسی جواب بدیم:

1-     ساختار این شبکه چیه؟
2-     قانون یادگیری شبکه چیه؟
3-      کاربرد این شبکه کجاست؟

ما در این جلسه به این سه سوال جواب داده و سپس #تئوری_همگرایی قانون یادگیری پرسپترون را آموزش میدهیم. بعد از اینکه تئوری  شبکه عصبی پرسپترون تک لایه را یاد گرفتیم یک #الگوریتم_خلاصه_شده جهت یادگیری این شبکه می‌نویسم و طبق آن در متلب به صورت #مرحله-به-مرحله #پیاده‌سازی ‌می‌کنیم. و در نهایت چند مثال عملی انجام می‌دهیم تا مطالب را به طور عملی درک کنیم.  سپس برای درک بهتر مطالب، آموزش می‌دهیم که چطور میتوان #مرز تفکیک کننده داده‌ها را رسم کرد تا متوجه بشویم که شبکه عصبی پرسپترون تک لایه چطور یک مسئله کلاسبندی را انجام میدهد.

در نهایت #عیب الگوریتم #یادگیری_پرسپترون را با یک مثال عملی در متلب نشان میدهیم و بعد سراغ #راه_حل می‌رویم. قانون یادگیری پرسپترون با اینکه انقلابی در حوزه هوش مصنوعی به پا کرده است ولی دو تا مشکل اساسی دارد که در ویدیو توضیح می‌دهیم. به دلیل اینکه طبقه‌بند ماکزیمم شباهت(maximum likelihood ) شباهت خیلی زیادی به پرسپترون تک لایه دارد فصل چهارم کتاب Simon haykin طبقه بندML را در ادامه مطالب پرسپترون تک لایه آورده و ایده کلاسبندی این طبقه بند را توضیح داده است. ماهم برای اینکه رشته مطالب کتاب از دست نرود تئوری کلاسبند ML را توضیح داده و سپس در متلب ‌پیاده‌سازی کرده و یک مثال عملی هم با این کلاسبند انجام می‌دهیم. سپس شباهت و تفاوت این دو کلاسبند را به طور مفصل توضیح میدهیم و نشان میدهیم که شبکه عصبی اگر قانون یادگیری پرسپترون را بهبود دهد خیلی بهتر از کلاسبندهای #پارامتری مثل ML خواهد بود.  

🔺نکته: مباحث این جلسه طبق مطالب فصل 4 کتاب Simon haykin است.

🔍 کلمات کلیدی: شبکه عصبی پرسپترون تک لایه، قانون یادگیری پرسپترون، داده خطی ، ایراد قانون یادگیری پرسپترون، کلاسبند پارمتری و غیر پارامتری، کلاسبند ماکزیمم شباهت
➖➖➖➖➖➖➖➖➖➖➖➖

جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🎁🎁 کد #تخفیف 20 درصدی:
Neuralnetworks98
مهلت اعتبار: 2 روز

🏢 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 جلسه پنجم: نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)

✍ در جلسه چهارم #تئوری الگوریتم معروف #پس_انتشار_خطا را آموزش داده در متلب به صورت #مرحله_به_مرحله پیاده‌سازی کرده و چندین پروژه عملی از جلمه 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 کردیم. الگوریتم پس انتشار خطا همانند LMS از گرادیان نزولی برای تنظیم وزنهای سیناپسی استفاده می‌کند. الگوریتم گرادیان نزولی در جهت شیب منفی خطا با یک گامی(نرخ یادگیری) حرکت می‌کند تا به مقدار بهینه برسد. مقدار بهینه جایی است که شیب خطا صفر شود. در حالت ایده آل با تعیین یک نرخ یادگیری مناسب می‌توان به خطای حداقل رسید. ولی در پروژه‌های عملی تعیین نرخ یادگیری بسیار سخت و چالش برانگیز است، زیرا که اگه نرخ یادگیری کم انتخاب شود، الگوریتم ممکن است در #مینیمم‌های_محلی گیر کند (زیرا که مینیمم محلی خواصی شبیه به مینیمم اصلی دارند و در این مناطق نیز شیب خطا صفر است و الگوریتم به اشتباه فکر می‌کند که به مقدار بهینه رسیده است) و در نتیجه شبکه به درستی آموزش نمی‌بیند و یا اگر نرخ یادگیری بزرگ انتخاب شود امکان دارد شبکه به حالت نوسانی و #ناپایدار برسد و در نتیجه همگرا نشده و آموزش نبیند. در این جلسه چالش‌های تعیین نرخ یادگیری را توضیح می‌دهیم و در ادامه چند روش ساده از قبیل ترم ممنتوم، search then converge و time variant  را برای حل این مسئله طبق مطالب کتاب ارائه می‌دهیم و در متلب پیاده‌سازی می‌کنیم و مزایا و معایب هر روش را توضیح می‌دهیم و در انتها توضیح می‌دهیم که روشهای ذکر شده با اینکه تا حدودی توانسته‌اند مشکل تعیین نرخ یادگیری را حل کنند ولی کافی نیستند و نیاز است که شرطهای دیگری نیز در تعیین #نرخ_یادگیری گنجانده شود.

برای درک بهتر مطالب ما در این جلسه نیز چندین مثال و #پروژه_عملی در متلب انجام داده‌ایم.

نکته: تمام مباحث‌این جلسه طبق مطالب فصل 6 کتاب Simon haykin است.
➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه پنجم به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/learning-rate-determination-in-mlp/

💡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

جلسه دهم: پیاده‌سازی شبکه عصبی احتمالیProbabilistic Neural Network ( #PNN)

✍ در این جلسه نیز همانند جلسه نهم یک شبکه عصبی معروف به اسم PNN را طبق دو #مقاله تخصصی آموزش می‌دهیم تا با پیاده‌سازی مقالات تخصصی نیز آشنا شوید. این شبکه از لحاظ تصمیم‌گیری شباهت زیادی با کلاسبند #بیزین دارد و همین باعث شده عملکرد طبقه‌بندی بالایی داشته باشد و در عمل خیلی از این شبکه عصبی استفاده کنند. همانطور که می‌دانید طبقه‌بند بیزین اگر تمام شرایطی که نیاز دارد فراهم شود #بهینه‌ترین طبقه‌بند بین تمام طبقه‌بندها خواهد بود. ولی از آنجا که در عمل نمی‌توان تمام شرایط را فراهم کرد در نتیجه عملکرد بهینه‌ای ندارد. شبکه عصبی PNN  از چهار لایه input layer, pattern layer, summation layer  و output layer تشکیل شده است و از یک ایده بسیار جالبی برای کلاسبندی استفاده می کند. #تئوری یادگیری این شبکه عصبی را طبق دو مقاله تخصصی ضمیمه شده در پیوست،  به زبان ساده توضیح داده و سپس در متلب #مرحله_به_مرحله پیاده سازی می کنیم. و برای اینکه با کارایی خوب این شبکه آشنا شوید دو پروژه تخصصی تشخیص سرطان سینه  و کلاسبندی داده سه کلاسهiris (گل زنبق) با استفاده از شبکه عصبی PNN انجام داده‌ایم. و در آخر #مزایا_و_معایب هر روش را با مثال عملی توضیح داده ایم.

🔺نکته: مباحث ‌این جلسه طبق مطالب مقالات پیوست می‌باشد.

 ➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه دهم به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/pnn-neural-network/

💡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
❇️ #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

❌ 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

📦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