✅انسان یا ماشین: هوش مصنوعی در تشخیص سرطان پوست از متخصصین پوست هم بهتر عمل می کند
👩🏫نویسنده: هما کاشفی امیری
🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.
🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.
🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.
🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.
🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.
🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانوم ها را تشخیص داد.
منبع:
https://m.medicalxpress.com/news/2018-05-machine-ai-dermatologists-skin-cancer.html
#خبر
#هوش_مصنوعی
#شبکه_عصبی_کانولوشنی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...
👩🏫نویسنده: هما کاشفی امیری
🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.
🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.
🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.
🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.
🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.
🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانوم ها را تشخیص داد.
منبع:
https://m.medicalxpress.com/news/2018-05-machine-ai-dermatologists-skin-cancer.html
#خبر
#هوش_مصنوعی
#شبکه_عصبی_کانولوشنی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME
Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...
Medicalxpress
Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...
onlinebme
👩💻👨💻 ۱۳ سپتامبر روز جهانی برنامه نویسان مبارک❤️❤️ ✔️ @OnlineBME
❇️🌐 بهترین زبانهای برنامه نویسی برای علوم داده، تجزیه و تحلیلهای پیشرفته و یادگیری ماشین در سال 2018
👨💻 نویسنده: محمد نوری زاده چرلو
✍ در سال 2018، زمینه علوم داده همچنان به سرعت در حال رشد است. در نتیجه تراشه های پردازش سریع و زبانهای برنامه نویسی قابل خواندن، از جمله به روز رسانی بسته، علوم داده امروزه، هم برای مشتریان و هم برای متخصصان در دسترس است.
اگر بخواهید سفر خود را در Science Data آغاز کنید، مقدار منابع موجود فراتر از هر زمانی است که شما برای تسلط بر تمام زبان های برنامه نویسی در دسترس داشته باشید. بنابراین، به دلیل تحول در بوتکمپ های اطلاعاتی از جمله #هوش_مصنوعی، #یادگیری_عمیق و برنامه‌های مهندسیِ داده، برای یادگیری شما در سفر علمی داده های خود، زبانهای برنامه نویسی را پشنهاد میکنم.
برخی از زبانهای برنامه نویسی برتر در سال 2018 عبارتند از:
1- #پایتون نسبت به جاوا برای اکثر دانشمندان یادگیری ماشین که روی تجزیه و تحلیل احساسات کار میکنند، در اولویت بیشتری قرار دارد.
جدا از استفاده پایتون در توسعه وب، پایتون اهمیت خود را در #داده_کاوی، محاسبات علمی و سایر حوزه ها نشان می دهد. پایتون گسترده و انعطاف پذیر است، بنابراین بسیاری از توسعه دهندگان ترجیح می دهند از پایتون به عنوان یک زبان برنامه نویسی استفاده کنند. برنامه های مدرن امروزه مانند #Instagram و #Pinterest با استفاده از زبان برنامه نویسی پایتون ساخته شده و توسعه داده می‌شوند. در ایالات متحده در سطوح آکادمیک، پایتون تبدیل به یک زبان برنامه نویسی محبوب شده است و به عنوان یک زبان برنامه نویسی تدریس می شود. برخی از نکات مهم عبارتند از:
پایتون یک زبان عمومی است که کمک می کند تا سیستم تولید به عملیات تبدیل شود.
پایتون برای توسعه برنامه های کاربردی بهترین است.
قدرت پایتون در دقت است.
ضعف پایتون در کمبود کد معماری است.
2- زبان برنامه نویسی R:
یک زبان برنامه نویسی مبتنی بر محاسبات آماری و گرافیکی است. میتوان مدل و نمونه ی اولیه را با R بررسی کرد.
عمدتا برای باز کردن الگوها در بلوک های بزرگ داده استفاده می شود که کار دانشمندان را آسان تر می کند. #گوگل، #فیس_بوک، #بانک_مرکزی آمریکا و #نیویورک_تایمز همه از R استفاده می کنند و همچنان استفاده های تجاری آن گسترش می یابد. نکات مهمی که باید زبان برنامه نویسی R در نظر گرفت:
برای درک و اکتشاف داده های آماری بهترین است.
قدرت آن در داشتن الگوریتمهای زبان ماشین زیاد در توابع خود است.
پکیجهای کمی دارد(ضعف).
3- جاوا: #جاوا یک زبان برنامه نویسی خوب برای یک برنامه نویس تازه کار است. به عنوان یک زبان برنامه نویسی قابل خواندن، از برنامه نویسی کاربردی پشتیبانی می‌کند.
4- متلب: #متلب یک زبان برنامه نویسی برای #محاسبات_عددی است که در سال 1984 توسط math’s work توسعه داده شد. متلب، حدود یک میلیون نفر کاربر دارد که از زمینه های مختلف مهندسی، مثل اقتصاد، و علوم داده هستند. متلب برای محاسبات عددی طراحی شده است و در آزمایشگاهای HPC همانند پایتون استفاده می شود. برای کسانی که برنامه نویسی را بلد هستند، یادگیری پایتون راحت خواهد بود. برنامه نویسی متلب مبتنی بر C، C ++ و زبانهای برنامه نویسی جاوا است.
5- زبان برنامه نویسی C: یکی از قدیمترین زبان برنامه نویسی در میان سایر زبانهای برنامه نویسی است. C به عنوان مادر همه زبان های در نظر گرفته شده است و یک زبان برنامه نویسی ضروری برای ساخت الگورتیم های پیش بینی شده، است. زبانهای دیگر مثل C++، جاوا، C# به نوعی فرزندان C هستند.
منبع:
https://process.filestackapi.com/cache=expiry:max/resize=width:700/compress/MMfuMl7lQAOOdFv5FxhQ
https://www.codementor.io/dyako/the-best-programming-languages-for-data-science-and-machine-learning-in-2018-nkfl0ukgs
#زبان_برنامه_نویسی
#پایتون
#جاوا
#متلب
#مهندسی_پزشکی
#هوش_مصنوعی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
👨💻 نویسنده: محمد نوری زاده چرلو
✍ در سال 2018، زمینه علوم داده همچنان به سرعت در حال رشد است. در نتیجه تراشه های پردازش سریع و زبانهای برنامه نویسی قابل خواندن، از جمله به روز رسانی بسته، علوم داده امروزه، هم برای مشتریان و هم برای متخصصان در دسترس است.
اگر بخواهید سفر خود را در Science Data آغاز کنید، مقدار منابع موجود فراتر از هر زمانی است که شما برای تسلط بر تمام زبان های برنامه نویسی در دسترس داشته باشید. بنابراین، به دلیل تحول در بوتکمپ های اطلاعاتی از جمله #هوش_مصنوعی، #یادگیری_عمیق و برنامه‌های مهندسیِ داده، برای یادگیری شما در سفر علمی داده های خود، زبانهای برنامه نویسی را پشنهاد میکنم.
برخی از زبانهای برنامه نویسی برتر در سال 2018 عبارتند از:
1- #پایتون نسبت به جاوا برای اکثر دانشمندان یادگیری ماشین که روی تجزیه و تحلیل احساسات کار میکنند، در اولویت بیشتری قرار دارد.
جدا از استفاده پایتون در توسعه وب، پایتون اهمیت خود را در #داده_کاوی، محاسبات علمی و سایر حوزه ها نشان می دهد. پایتون گسترده و انعطاف پذیر است، بنابراین بسیاری از توسعه دهندگان ترجیح می دهند از پایتون به عنوان یک زبان برنامه نویسی استفاده کنند. برنامه های مدرن امروزه مانند #Instagram و #Pinterest با استفاده از زبان برنامه نویسی پایتون ساخته شده و توسعه داده می‌شوند. در ایالات متحده در سطوح آکادمیک، پایتون تبدیل به یک زبان برنامه نویسی محبوب شده است و به عنوان یک زبان برنامه نویسی تدریس می شود. برخی از نکات مهم عبارتند از:
پایتون یک زبان عمومی است که کمک می کند تا سیستم تولید به عملیات تبدیل شود.
پایتون برای توسعه برنامه های کاربردی بهترین است.
قدرت پایتون در دقت است.
ضعف پایتون در کمبود کد معماری است.
2- زبان برنامه نویسی R:
یک زبان برنامه نویسی مبتنی بر محاسبات آماری و گرافیکی است. میتوان مدل و نمونه ی اولیه را با R بررسی کرد.
عمدتا برای باز کردن الگوها در بلوک های بزرگ داده استفاده می شود که کار دانشمندان را آسان تر می کند. #گوگل، #فیس_بوک، #بانک_مرکزی آمریکا و #نیویورک_تایمز همه از R استفاده می کنند و همچنان استفاده های تجاری آن گسترش می یابد. نکات مهمی که باید زبان برنامه نویسی R در نظر گرفت:
برای درک و اکتشاف داده های آماری بهترین است.
قدرت آن در داشتن الگوریتمهای زبان ماشین زیاد در توابع خود است.
پکیجهای کمی دارد(ضعف).
3- جاوا: #جاوا یک زبان برنامه نویسی خوب برای یک برنامه نویس تازه کار است. به عنوان یک زبان برنامه نویسی قابل خواندن، از برنامه نویسی کاربردی پشتیبانی می‌کند.
4- متلب: #متلب یک زبان برنامه نویسی برای #محاسبات_عددی است که در سال 1984 توسط math’s work توسعه داده شد. متلب، حدود یک میلیون نفر کاربر دارد که از زمینه های مختلف مهندسی، مثل اقتصاد، و علوم داده هستند. متلب برای محاسبات عددی طراحی شده است و در آزمایشگاهای HPC همانند پایتون استفاده می شود. برای کسانی که برنامه نویسی را بلد هستند، یادگیری پایتون راحت خواهد بود. برنامه نویسی متلب مبتنی بر C، C ++ و زبانهای برنامه نویسی جاوا است.
5- زبان برنامه نویسی C: یکی از قدیمترین زبان برنامه نویسی در میان سایر زبانهای برنامه نویسی است. C به عنوان مادر همه زبان های در نظر گرفته شده است و یک زبان برنامه نویسی ضروری برای ساخت الگورتیم های پیش بینی شده، است. زبانهای دیگر مثل C++، جاوا، C# به نوعی فرزندان C هستند.
منبع:
https://process.filestackapi.com/cache=expiry:max/resize=width:700/compress/MMfuMl7lQAOOdFv5FxhQ
https://www.codementor.io/dyako/the-best-programming-languages-for-data-science-and-machine-learning-in-2018-nkfl0ukgs
#زبان_برنامه_نویسی
#پایتون
#جاوا
#متلب
#مهندسی_پزشکی
#هوش_مصنوعی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
onlinebme
داستان یک کامپیوتر بلندپرواز به نام A.N.N! 🔹خنگ دوست داشتنی😅 ✔️ @OnlineBME
✅راهی جدید برای توضیح شبکه های عصبی
👩🏫نویسنده: هما کاشفی امیری
✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.
منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
👩🏫نویسنده: هما کاشفی امیری
✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.
منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME
TechCrunch
A new way to explain neural networks
By now, most of us have a general idea of what a neural network is, at least insomuch as its role in enabling the “machine learning” part of what’s considered AI today. Also known as deep learning, neural networks are the algorithmic constructs that enable…
✅یادگیری عمیق چیست؟ یک راهنمای ساده با 8 مثال عملی
👩🏫نویسنده: هما کاشفی امیری
✍️اخیراً در این رابطه که ماشین ها می توانند کارهای انسان ها در کارخانه ها، انبارها، ادارات و خانه را به خوبی انجام دهند بحث های زیادی صورت گرفته است. با وجود اینکه تکنولوژی به سرعت در حال رشد است ممکن است عباراتی چون هوش مصنوعی، یادگیری ماشین، یادگیری عمیق همچنان برای شما گیج کننده باشد. می خواهیم 8 مثال عملی را ارائه کنیم که استفاده ی واقعی از تکنولوژی یادگیری عمیق را روشن سازد
با ما همراه باشید😊
یادگیری عمیق چیست؟🤔
حوزه ی هوش مصنوعی اساساً به این معناست که ماشین ها می توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این تعریف مشمول یادگیری ماشین هم می شود که در آن نیز ماشین ها یاد می گیرند با استفاده از تجربه و کسب مهارت و بدون دخالت انسان یاد بگیرند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم های الهام گرفته از مغز انسان از میزان زیادی از داده های مربوطه یاد می گیرند. همانطور که ما از تجربیات خود یاد می گیریم، الگوریتم های هوش مصنوعی می توانند یک تسک را چندین بار انجام دهند و هر بار نتایج خود را بهبود بخشند. ما به یادگیری عمیق اشاره کردیم زیرا شبکه های عصبی، لایه های متعدد (عمیقی) دارند که به آنها قابلیت یادگیری می دهد.
یادگیری ماشین به ماشین ها کمک می کند تا مسائل پیچیده را حتی زمانی که از یک مجموعه داده ی بسیار متنوع، بدون ساختار استفاده می کنیم تشخیص دهد. هرچقدر الگوریتم ها عمیق تر یادبگیرند، عملکرد بهتری دارند.
8 نمونه عملی از یادگیری عمیق
در عصری هستیم که ماشین ها می توانند مسائل پیچیده را بدون دخالت انسان حل کنند. آنها با چه مشکلاتی روبرو خواهند شد. در ادامه کارهایی را معرفی می کنیم که یادگیری عمیق به خوبی پشتیبانی می کند و همچنان با تزریق داده های بیشتر، الگوریتم های آنها در حال توسعه هستند:
1️⃣دستیاران مجازی
دستیاران مجازی مانند Alexa یا Siri یا Cortana ارائه دهندگان خدمات آنلاین از یادگیری عمیق برای درک گفتار و زبان انسانی استفاده می کنند تا گفتار آنها را در زمانی که با یکدیگر صحبت می کنند بفهمند.
2️⃣ترجمه
الگوریتم های یادگیری عمیق می توانند به طور خودکار ترجمه کنند. این قابلیت برای مسافران، تاجران و افراد دولتی بسیار مفید است.
3️⃣چشم اندازی برای کامیون های تحویل بار بدون راننده، هواپیماهای بدون سرنشین و اتومبیل های خودمختار
اینکه یک وسیله ی نقلیه ی خودمختار واقعیت های جاده را درک می کند و چگونه به آنها پاسخ می دهد و اینکه آیا در روبرویش خیابان است یا وسیله ی نقلیه ی دیگر همگی با الگوریتم های یادگیری عمیق و تزریق داده ی زیاد به آنها صورت می گیرد.
4️⃣چت بات ها و ربات های خدماتی
چت بات ها و ربات ها می توانند در بسیاری از شرکت ها به مشتریان خدمات ارائه دهند و به شیوه ای هوشمند و مفید سوالات متنی و شفاهی را به لطف الگوریتم های یادگیری عمیق بپرسند و پاسخ دهند.
5️⃣رنگ آمیزی تصاویر
تبدیل تصاویر سیاه و سفید به رنگی کاری بود که به طور سنتی توسط انسان انجام می شد. امروزه الگوریتم های یادگیری عمیق می توانند با استفاده از زمینه ها و اشیا در تصاویر و شناسایی آنها به طور زیبایی بازسازی و رنگ آمیزی کنند که نتایج آنها زیبا و چشمگیر است.
6️⃣تشخیص چهره
یادگیری عمیق برای تشخیص چهره نه تنها برای اهداف امنیتی بلکه برای تگ کردن افراد در پست های فیس بوک نیز مورد استفاده قرار می گیرد. و ممکن است در آینده اقلام جنس های مورد نیاز خود را در فروشگاه برداریم و تنها با یک برنامه ی تشخیص چهره مبالغ را پرداخت کنیم.
7️⃣پزشکی و داروسازی
از تشخیص بیماری و تومور تا نسخه ی داروهای شخصی، یادگیری عمیق بسیار موثر بوده و مورد توجه بزرگ ترین شرکت های دارویی و پزشکی است.
8️⃣خرید و سرگرمی شخصی
آیا تابحال در این رابطه فکر کرده اید که Netflix چطور به شما تماشای ویدیوی بعدی را پیشنهاد می کند؟ و یا اینکه آمازون لیستی از اجناس را پیشنهاد می دهد که احتمال دارد آنها را در آینده خریداری کنید و شما شگفت زده می شوید که اینها دقیقا همان اجناسی است که نیاز دارید؟ بله همه ی اینها کار یادگیری عمیق است.😊
منبع:
https://www.forbes.com/sites/bernardmarr/2018/10/01/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/#63e59b8f8d4b
#خبر
#هوش_مصنوعی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
👩🏫نویسنده: هما کاشفی امیری
✍️اخیراً در این رابطه که ماشین ها می توانند کارهای انسان ها در کارخانه ها، انبارها، ادارات و خانه را به خوبی انجام دهند بحث های زیادی صورت گرفته است. با وجود اینکه تکنولوژی به سرعت در حال رشد است ممکن است عباراتی چون هوش مصنوعی، یادگیری ماشین، یادگیری عمیق همچنان برای شما گیج کننده باشد. می خواهیم 8 مثال عملی را ارائه کنیم که استفاده ی واقعی از تکنولوژی یادگیری عمیق را روشن سازد
با ما همراه باشید😊
یادگیری عمیق چیست؟🤔
حوزه ی هوش مصنوعی اساساً به این معناست که ماشین ها می توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این تعریف مشمول یادگیری ماشین هم می شود که در آن نیز ماشین ها یاد می گیرند با استفاده از تجربه و کسب مهارت و بدون دخالت انسان یاد بگیرند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم های الهام گرفته از مغز انسان از میزان زیادی از داده های مربوطه یاد می گیرند. همانطور که ما از تجربیات خود یاد می گیریم، الگوریتم های هوش مصنوعی می توانند یک تسک را چندین بار انجام دهند و هر بار نتایج خود را بهبود بخشند. ما به یادگیری عمیق اشاره کردیم زیرا شبکه های عصبی، لایه های متعدد (عمیقی) دارند که به آنها قابلیت یادگیری می دهد.
یادگیری ماشین به ماشین ها کمک می کند تا مسائل پیچیده را حتی زمانی که از یک مجموعه داده ی بسیار متنوع، بدون ساختار استفاده می کنیم تشخیص دهد. هرچقدر الگوریتم ها عمیق تر یادبگیرند، عملکرد بهتری دارند.
8 نمونه عملی از یادگیری عمیق
در عصری هستیم که ماشین ها می توانند مسائل پیچیده را بدون دخالت انسان حل کنند. آنها با چه مشکلاتی روبرو خواهند شد. در ادامه کارهایی را معرفی می کنیم که یادگیری عمیق به خوبی پشتیبانی می کند و همچنان با تزریق داده های بیشتر، الگوریتم های آنها در حال توسعه هستند:
1️⃣دستیاران مجازی
دستیاران مجازی مانند Alexa یا Siri یا Cortana ارائه دهندگان خدمات آنلاین از یادگیری عمیق برای درک گفتار و زبان انسانی استفاده می کنند تا گفتار آنها را در زمانی که با یکدیگر صحبت می کنند بفهمند.
2️⃣ترجمه
الگوریتم های یادگیری عمیق می توانند به طور خودکار ترجمه کنند. این قابلیت برای مسافران، تاجران و افراد دولتی بسیار مفید است.
3️⃣چشم اندازی برای کامیون های تحویل بار بدون راننده، هواپیماهای بدون سرنشین و اتومبیل های خودمختار
اینکه یک وسیله ی نقلیه ی خودمختار واقعیت های جاده را درک می کند و چگونه به آنها پاسخ می دهد و اینکه آیا در روبرویش خیابان است یا وسیله ی نقلیه ی دیگر همگی با الگوریتم های یادگیری عمیق و تزریق داده ی زیاد به آنها صورت می گیرد.
4️⃣چت بات ها و ربات های خدماتی
چت بات ها و ربات ها می توانند در بسیاری از شرکت ها به مشتریان خدمات ارائه دهند و به شیوه ای هوشمند و مفید سوالات متنی و شفاهی را به لطف الگوریتم های یادگیری عمیق بپرسند و پاسخ دهند.
5️⃣رنگ آمیزی تصاویر
تبدیل تصاویر سیاه و سفید به رنگی کاری بود که به طور سنتی توسط انسان انجام می شد. امروزه الگوریتم های یادگیری عمیق می توانند با استفاده از زمینه ها و اشیا در تصاویر و شناسایی آنها به طور زیبایی بازسازی و رنگ آمیزی کنند که نتایج آنها زیبا و چشمگیر است.
6️⃣تشخیص چهره
یادگیری عمیق برای تشخیص چهره نه تنها برای اهداف امنیتی بلکه برای تگ کردن افراد در پست های فیس بوک نیز مورد استفاده قرار می گیرد. و ممکن است در آینده اقلام جنس های مورد نیاز خود را در فروشگاه برداریم و تنها با یک برنامه ی تشخیص چهره مبالغ را پرداخت کنیم.
7️⃣پزشکی و داروسازی
از تشخیص بیماری و تومور تا نسخه ی داروهای شخصی، یادگیری عمیق بسیار موثر بوده و مورد توجه بزرگ ترین شرکت های دارویی و پزشکی است.
8️⃣خرید و سرگرمی شخصی
آیا تابحال در این رابطه فکر کرده اید که Netflix چطور به شما تماشای ویدیوی بعدی را پیشنهاد می کند؟ و یا اینکه آمازون لیستی از اجناس را پیشنهاد می دهد که احتمال دارد آنها را در آینده خریداری کنید و شما شگفت زده می شوید که اینها دقیقا همان اجناسی است که نیاز دارید؟ بله همه ی اینها کار یادگیری عمیق است.😊
منبع:
https://www.forbes.com/sites/bernardmarr/2018/10/01/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/#63e59b8f8d4b
#خبر
#هوش_مصنوعی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME
✅الگوریتم یادگیری عمیق، آلزایمر را 6 سال زودتر از پزشکان تشخیص می دهد.
اخیرا الگوریتم جدیدی مبتنی بر یادگیری عمیق مطرح شده است که می تواند تصاویر اسکن PET فرد بیمار را بررسی کند و بیماری آلزایمر را شش سال زودتر از روش های رایج تشخیص کنونی تشخیص دهد. در این مطالعه از یادگیری ماشین برای تعیین الگوهای ظریف در تصاویر پزشکی استفاده شده است، که این الگوها توسط فرد انسانی قابل روئیت نیستند.
👩💻نویسنده: مهتاب فرجی
یکی از راه های تشخیص بیماری آلزایمر براساس نوعی تصویربرداری مغزی است که اسکن fluorodeoxyglucose PET-8(FDG-PET) نامیده میشود. از این نوع اسکن قبلا برای تشخیص چندین نوع سرطان استفاده شده است، اما اخیرا کارآیی خود را در تشخیص آلزایمر و همچنین در برخی از انواع بیماری های زوال عقلی نشان داده است.
این مطالعه، الگوریتم یادگیری ماشین را بر روی 2100 تصویر مغزی FDG-PET آموزش داد. درحالی که پزشکان از ارزیابی این تصاویر برای تشخیص بیماری آلزایمر استفاده می کنند، در مطالعه ی جدیدی که توسط Jae Ho Sohn انجام شده است، الگوریتم یادگیری عمیق قادر به تعیین الگوهایی ظریف در دیتای تصویر برای تشخیص بیماری آلزایمر است.
ادامه مطالب را در سایت زیر بخوانید👇👇
http://onlinebme.ir/deep-learning-algorithm-detects-alzheimers-up-to-six-years-before-doctors/
#خبر
#تشخیص_آلزایمر
#یادگیری_عمیق
#یادگیری_ماشین
#هوش_مصنوعی
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
اخیرا الگوریتم جدیدی مبتنی بر یادگیری عمیق مطرح شده است که می تواند تصاویر اسکن PET فرد بیمار را بررسی کند و بیماری آلزایمر را شش سال زودتر از روش های رایج تشخیص کنونی تشخیص دهد. در این مطالعه از یادگیری ماشین برای تعیین الگوهای ظریف در تصاویر پزشکی استفاده شده است، که این الگوها توسط فرد انسانی قابل روئیت نیستند.
👩💻نویسنده: مهتاب فرجی
یکی از راه های تشخیص بیماری آلزایمر براساس نوعی تصویربرداری مغزی است که اسکن fluorodeoxyglucose PET-8(FDG-PET) نامیده میشود. از این نوع اسکن قبلا برای تشخیص چندین نوع سرطان استفاده شده است، اما اخیرا کارآیی خود را در تشخیص آلزایمر و همچنین در برخی از انواع بیماری های زوال عقلی نشان داده است.
این مطالعه، الگوریتم یادگیری ماشین را بر روی 2100 تصویر مغزی FDG-PET آموزش داد. درحالی که پزشکان از ارزیابی این تصاویر برای تشخیص بیماری آلزایمر استفاده می کنند، در مطالعه ی جدیدی که توسط Jae Ho Sohn انجام شده است، الگوریتم یادگیری عمیق قادر به تعیین الگوهایی ظریف در دیتای تصویر برای تشخیص بیماری آلزایمر است.
ادامه مطالب را در سایت زیر بخوانید👇👇
http://onlinebme.ir/deep-learning-algorithm-detects-alzheimers-up-to-six-years-before-doctors/
#خبر
#تشخیص_آلزایمر
#یادگیری_عمیق
#یادگیری_ماشین
#هوش_مصنوعی
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
✅ معرفی دوره های آنلاین و رایگان یادگیری عمیق
🌀 در سایت زیر دوره های آنلاین برخی از دانشگاه های معتبر جهان که اخیرا برگزار می شوند و به صورت کاملا رایگان هستند رو معرفی کرده ایم.
علاقه مندان می توانند به سایت زیر مراجعه کرده و در دوره های آنلاین شرکت کنند.
👇👇👇
http://onlinebme.ir/list-of-free-deep-learning-courses-online/
#دوره_های_آنلاین
#رایگان
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
🌀 در سایت زیر دوره های آنلاین برخی از دانشگاه های معتبر جهان که اخیرا برگزار می شوند و به صورت کاملا رایگان هستند رو معرفی کرده ایم.
علاقه مندان می توانند به سایت زیر مراجعه کرده و در دوره های آنلاین شرکت کنند.
👇👇👇
http://onlinebme.ir/list-of-free-deep-learning-courses-online/
#دوره_های_آنلاین
#رایگان
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
معرفی دوره‌های آنلاین و رایگان یادگیری عمیق - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
در زیر دوره‌های آنلاین شبکه‌های عصبی و یادگیری عمیق برخی از دانشگاه‌های معتبر جهان که اخیراً برگزار می‌شوند و به‌صورت کاملاً رایگان هستند رو معرفی کرده‌ایم . علاقه‌مندان می‌توانند به سایت‌های زیر مراجعه کرده و در دوره‌های آنلاین شرکت کنند (از برنامه گذر از…
🌐 پیشرفت فوق العاده هوش مصنوعی در تولید تصاویر جعلی
👨💻 نویسنده: محمد نوری زاده چرلو
✍️ اخیرا مقاله ای توسط محققان Nvidia منتشر شده است که در آن گزارش داده اند که با استفاده از هوش مصنوعی، تصاویر جعلی رنگی ایجاد می کنند که این تصاویر به اندازه ای واقع گرایانه هستند که تشخیص جعلی بودن این تصاویر بسیار سخت شده است و تصاویر تولید شده با تصاویر 4 سال قبل زمین تا آسمان متفاوت هستند.
اطلاعات بیشتر...👇👇👇
http://onlinebme.com/ai-image-generation-fake-faces-people/
#هوش_مصنوعی
#یادگیری_عمیق
#تصاویرجعلی
#سفارش_ترجمه:
✔️ @OnlineBME_Admin
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
👨💻 نویسنده: محمد نوری زاده چرلو
✍️ اخیرا مقاله ای توسط محققان Nvidia منتشر شده است که در آن گزارش داده اند که با استفاده از هوش مصنوعی، تصاویر جعلی رنگی ایجاد می کنند که این تصاویر به اندازه ای واقع گرایانه هستند که تشخیص جعلی بودن این تصاویر بسیار سخت شده است و تصاویر تولید شده با تصاویر 4 سال قبل زمین تا آسمان متفاوت هستند.
اطلاعات بیشتر...👇👇👇
http://onlinebme.com/ai-image-generation-fake-faces-people/
#هوش_مصنوعی
#یادگیری_عمیق
#تصاویرجعلی
#سفارش_ترجمه:
✔️ @OnlineBME_Admin
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
پیشرفت فوق‌العاده‌ی هوش مصنوعی(AI) در تولید تصاویر جعلی - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
اخیرا مقاله ای توسط محققان Nvidia منتشر شده است که در آن گزارش داده اند که با استفاده از هوش مصنوعی، تصاویر جعلی رنگی ایجاد می کنند که این تصاویر به اندازه ای واقع گرایانه هستند که تشخیص جعلی بودن این تصاویر بسیار سخت شده است و تصاویر تولید شده با تصاویر…
This media is not supported in your browser
VIEW IN TELEGRAM
📺 در این ویدیو فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق رو توضیح میدهیم
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✅ مفاهیم پایه یادگیری ماشین و شناسایی الگو
👨💻مدرس: محمد نوری زاده چرلو
🔘 فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
https://t.me/onlinebme/2528
🔘 انواع روشهای یادگیری ماشین و کاربردهای آنها
https://t.me/onlinebme/2568
🔘 فرق بین کلاسبندی و رگرسیون
https://t.me/onlinebme/2594
🔘 مفهوم خوشه بندی
https://t.me/onlinebme/2595
🔘 مفهوم ویژگی، استخراج ویژگی و بردار ویژگی در یادگیری ماشین
https://t.me/onlinebme/2597
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
👨💻مدرس: محمد نوری زاده چرلو
🔘 فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
https://t.me/onlinebme/2528
🔘 انواع روشهای یادگیری ماشین و کاربردهای آنها
https://t.me/onlinebme/2568
🔘 فرق بین کلاسبندی و رگرسیون
https://t.me/onlinebme/2594
🔘 مفهوم خوشه بندی
https://t.me/onlinebme/2595
🔘 مفهوم ویژگی، استخراج ویژگی و بردار ویژگی در یادگیری ماشین
https://t.me/onlinebme/2597
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
Telegram
onlinebme
📺 در این ویدیو فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق رو توضیح میدهیم
👨💻مدرس: محمد نوری زاده چرلو
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621…
👨💻مدرس: محمد نوری زاده چرلو
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621…
Forwarded from onlinebme
✅ مفاهیم پایه یادگیری ماشین و شناسایی الگو
👨💻مدرس: محمد نوری زاده چرلو
🔘 فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
https://t.me/onlinebme/2528
🔘 انواع روشهای یادگیری ماشین و کاربردهای آنها
https://t.me/onlinebme/2568
🔘 فرق بین کلاسبندی و رگرسیون
https://t.me/onlinebme/2594
🔘 مفهوم خوشه بندی
https://t.me/onlinebme/2595
🔘 مفهوم ویژگی، استخراج ویژگی و بردار ویژگی در یادگیری ماشین
https://t.me/onlinebme/2597
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
👨💻مدرس: محمد نوری زاده چرلو
🔘 فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
https://t.me/onlinebme/2528
🔘 انواع روشهای یادگیری ماشین و کاربردهای آنها
https://t.me/onlinebme/2568
🔘 فرق بین کلاسبندی و رگرسیون
https://t.me/onlinebme/2594
🔘 مفهوم خوشه بندی
https://t.me/onlinebme/2595
🔘 مفهوم ویژگی، استخراج ویژگی و بردار ویژگی در یادگیری ماشین
https://t.me/onlinebme/2597
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
Telegram
onlinebme
📺 در این ویدیو فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق رو توضیح میدهیم
👨💻مدرس: محمد نوری زاده چرلو
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621…
👨💻مدرس: محمد نوری زاده چرلو
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621…
🌐مدل #یادگیری_عمیق جدید برای تشخیص عواطف انسانی مبتنی بر سیگنال EEG
نویسنده: پریسا ایلون
✍ پیشرفت های اخیر #یادگیری_ماشین در طراحی روشهای تشخیص عواطف انسانی کمک کننده بوده است. برخی از این روش‌ها با تحلیل سیگنال #EEG کار میکنند. این سیگنال حاصل فعالیت مغز است که از سطح پوست سر ثبت میشود.
بسیاری از روشهای طبقه‌بندی عواطف مبتنی بر EEG که در دهه گذشته معرفی شدند از الگوریتمهای سنتی یادگیری ماشین مثل مدل SVM استفاده میکنند. این روش‌ها نیاز به تعداد نمونه‌های کمتری برای فرایند یادگیری دارند. اخیرا دانشمندان مجموعه داده‌های بسیاری را تهیه کرده‌اند که دارای سیگنال EEG هستند.
جزئیات بیشتر 👇
https://onlinebme.com/deep-eeg-based-emotion-recognition/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
نویسنده: پریسا ایلون
✍ پیشرفت های اخیر #یادگیری_ماشین در طراحی روشهای تشخیص عواطف انسانی کمک کننده بوده است. برخی از این روش‌ها با تحلیل سیگنال #EEG کار میکنند. این سیگنال حاصل فعالیت مغز است که از سطح پوست سر ثبت میشود.
بسیاری از روشهای طبقه‌بندی عواطف مبتنی بر EEG که در دهه گذشته معرفی شدند از الگوریتمهای سنتی یادگیری ماشین مثل مدل SVM استفاده میکنند. این روش‌ها نیاز به تعداد نمونه‌های کمتری برای فرایند یادگیری دارند. اخیرا دانشمندان مجموعه داده‌های بسیاری را تهیه کرده‌اند که دارای سیگنال EEG هستند.
جزئیات بیشتر 👇
https://onlinebme.com/deep-eeg-based-emotion-recognition/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
مدل یادگیری عمیق جدید برای تشخیص عواطف انسانی مبتنی بر سیگنال EEG - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
پیشرفت های اخیر یادگیری ماشین در طراحی روشهای تشخیص عواطف انسانی کمک کننده بوده است. برخی از این روش‌ها با تحلیل سیگنال EEG کار میکنند. این سیگنال حاصل فعالیت مغز است که از سطح پوست سر ثبت میشود.بسیاری از روشهای طبقه‌بندی عواطف مبتنی بر EEG که در دهه…
🌐 آیا تصویربرداری MRI می‌تواند سطح هوش کودکان را تعیین کند؟
✍ گروهی از پژوهشگران در مرکز علوم و مهندسی محاسبات و دادهSkoltech (CDISE) جایگاه چهارم را در رقابت بین‌المللی تعیین هوش بزرگسالان بر اساس تصاویر MRI کسب کردند. برای اولین بار، دانشمندان Skoltech از روشهای ترکیبی مبتنی بر شبکه سه بعدی یادگیری عمیق برای حل چالش پیش‌بینی استفاده کردند. نتایج آنها در مجله Adolescent Brain Cognitive Development Neurocognitive Prediction منتشر شده است.
#یادگیری_عمیق #MRI
#سطح_هوش
جزئیات بیشتر 👇👇👇
https://onlinebme.com/can-mri-predict-intelligence-levels-in-children/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍ گروهی از پژوهشگران در مرکز علوم و مهندسی محاسبات و دادهSkoltech (CDISE) جایگاه چهارم را در رقابت بین‌المللی تعیین هوش بزرگسالان بر اساس تصاویر MRI کسب کردند. برای اولین بار، دانشمندان Skoltech از روشهای ترکیبی مبتنی بر شبکه سه بعدی یادگیری عمیق برای حل چالش پیش‌بینی استفاده کردند. نتایج آنها در مجله Adolescent Brain Cognitive Development Neurocognitive Prediction منتشر شده است.
#یادگیری_عمیق #MRI
#سطح_هوش
جزئیات بیشتر 👇👇👇
https://onlinebme.com/can-mri-predict-intelligence-levels-in-children/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
تعیین سطح هوش کودکان با MRI؟! - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
گروهی از پژوهشگران در مرکز علوم و مهندسی محاسبات و دادهSkoltech (CDISE) جایگاه چهارم را در رقابت بین‌المللی تعیین هوش بزرگسالان بر اساس تصاویر MRI کسب کردند. برای اولین بار، دانشمندان Skoltech از روشهای ترکیبی مبتنی بر شبکه سه بعدی یادگیری عمیق برای حل…
Forwarded from onlinebme
This media is not supported in your browser
VIEW IN TELEGRAM
📺 در این ویدیو فرق بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق رو توضیح میدهیم
👨💻مدرس: محمد نوری زاده چرلو
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
👨💻مدرس: محمد نوری زاده چرلو
#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
اطلاعات بیشتر:
https://onlinebme.com/unit/difference-between-ai-machine-learning-and-deep-learning/?id=4621
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme