✅ روش‌های اعتبارسنجی کلاسبندها
#ارزیابی
#k_fold_cross_validation
#random_subsampling
#leave_one_out
خلاصه مطالب #دوره_جامع_مهندسی_پزشکی

🌐 دوره بعدی در #مشهد برگزار میشود!
➖➖➖➖
@IUST_Bioelecteric

✅ روش‌ اعتبارسنجی متقابل
#ارزیابی
#k_fold_cross_validation
خلاصه مطالب #دوره_جامع_مهندسی_پزشکی
🌐 دوره بعدی در #مشهد برگزار میشود!
➖➖➖➖
@IUST_Bioelecteric

📚 در این ویدیوها سعی شده که به تمام سوالات زیر با یک مثال عملی پاسخ داده شود : 👇👇

🔹 نحوه #لیبل_گذاری داده های دو کلاس است؟
🔸 چطور یک پروژه #شناسایی الگو انجام دهیم؟!
🔹 پروژه #شناسایی_الگو (#پترن) شامل چه مراحلی است؟
🔸 چطور یک مدل برای #کلاسبندی #طراحی کنیم؟
🔹 از کجا بدونیم مدل طراحی شده #خوب کار می کند یا نه؟!
🔸 نحوه #ارزیابی مدل طراحی شده؟!
🔹 نحوه #تقسیم داده به دو بخش آموزش و تست؟
🔸 نحوه #لیبل_گذاری داده های تست و آموزش ؟
⚠️ 📚 پروژه ای که در این ویدیوها آموزش داده شده، یک تسک بسیار ساده ای است و هدف این است که دوستان با انجام یک پروژه کلاسبندی آشنا بشوند.

💡ویدیوهای آموزشی بنابه درخواست اعضای گروه آماده میشوند!
✅#سوالات خود را با ادمین کانال در میان بگذارید.
🔹سرفرصت به همه سوالات در قالب ویدیوی آموزشی پاسخ داده خواهد شد!
➖➖➖➖
@IUST_Bioelecteric
https://telegram.me/joinchat/BcXDaEEL4FjSZ9Uxrki-9Q
.

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

📺 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

9⃣ جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )

ما تا جلسه هشتم از مباحث #کتاب معروف   Simon haykin استفاده کردیم و در دو جلسه آینده قصد داریم #پیاده‌سازی دو تا شبکه عصبی معروف #ELM و #PNN را طبق #مقالات_تخصصی آموزش دهیم تا با پیاده‌سازی مقالات تخصصی نیز آشنا شوید. شبکه عصبی #پرسپترون_چندلایه دو ایراد اساسی در زمان آموزش دارد: ایراد اول شبکه این است که از #گرادیان_نزولی برای تنظیم وزنها استفاده می‌کند و این باعث می‎شود که پروسه آموزش زمانبر باشد، مخصوصا زمانی که حجم داده آموزشی زیاد باشد! ایراد دوم این شبکه تعداد زیاد #پارامترها است. در این شبکه پارامترهای زیادی باید در پروسه آموزش تنظیم شوند و همین باعث می‌شود که زمان آموزش بسیار بالا باشد. شبکه عصبی ELM یک رویکرد بسیار ساده‌ای و در عین حال جالب برای حل این مسئله ارائه کرده است و به همین دلیل #سرعت_یادگیری بسیار بالایی دارد و سرعت یادگیری آن در مقایسه با #MLP شاید بتواند گفت 1000 برابر و حتی بیشتر شده است. این شبکه ساختاری همانند #RBF دارد ولی کلا یک پارامتر در طول آموزش تنظیم می‌‌کند. برخلاف RBF که وزنهای سیناپسی بین لایه ورودی و لایه پنهان ثابت و مقدار یک بود، در این شبکه لایه ورودی با یک سری وزن به لایه پنهان وصل شده شده است، البته خوبی #ماجرا اینجا هست که در این شبکه به وزنها یک مقدار #تصادفی در همان ابتدا اختصاص می‌دهند و نیازی نیست در طول آموزش تنظیم شوند. نورونهای لایه پنهان یک نورون معمولی هستند و نیازی به پیدا کردن مراکز و سیگمای هر نورون نیست و در نهایت تنها پارامتر قابل تنظیم این شبکه وزنهای سیناپسی بین لایه پنهان و لایه خروجی است. ELM یک شبکه #رو_به_جلو هست و با استفاده از روش #شبه_معکوس وزنهای سیناپسی را در یک لحظه محاسبه می‌کند. و همین امر باعث شده سرعت یادگیری این شبکه #بسیار_بالا باشد. نکته جالب ماجرا اینجاست که عملکرد این الگوریتم بسیار بالاست و با اینکه تعداد پارامتر قابل تنظیم کمتری دارد ولی عملکرد بسیار خوبی در مقالات برای این الگوریتم گزارش شده است.

🔘 در این ویدیو ما تئوری یادگیری این شبکه را طبق مقاله #به_زبان_ساده توضیح داده و سپس به صورت #مرحله_به_مرحله در متلب پیاده‌سازی کرده‌ایم. و در انتها برای اینکه با کارایی این مدل آشنا شوید چندین #پروژه_عملی از قبیل #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 ELM انجام داده‌ایم.

🔘 ما تا این جلسه برای #ارزیابی شبکه‌های عصبی از روش معمول (the hold out validation method) استفاده می‌کردیم که در آن یکبار داده به دو بخش #آموزش و #تست تقسیم شده و مدل یکبار آموزش و تست می‌شود. زمانی که تعداد داده کم باشد استفاده از این روش ارزیابی مناسب نیست و باید از روشهای استاندارد دیگری استفاده کنیم. ما در این جلسه #روشهای_ارزیابی 
k-fold cross validation، 
random subsampling 
leave one out validation 
را توضیح داده و سپس مرحله به مرحله در متلب پیاده سازی کرده‌ایم و درنهایت پروژه‌های عملی را با استفاده از این روشها ارزیابی می‌کنیم تا با #ارزیابی_استاندارد یک مدل #یادگیری_ماشین آشنا شوید و در پروژه های خود استفاده کنید.

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

 ➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه نهم به لینک زیر مراجعه کنید👇👇👇

https://onlinebme.com/product/elm-neural-networks/

💡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