✅ تفاوت شبکه عصبی عمیق و انسان در درک محرک

نویسنده: پریسا ایلون

🔺زمانی که مادرتان شما را صدا می‌کند، صرف نظر از اینکه شدت صدای او چقدر باشد، حتی اگر پشت تلفنی ضعیف صحبت کند متوجه هستید که آن صدای مادر شما است. و اگر چهره او را از فاصله ای دور ببینید یا در محیطی با نور کم، همچنان می‌فهمید او مادر شماست. این تحمل به تغییرات یک مشخصه اصلی ادراک انسانی است. از طرفی، ما همیشه در معرض خطا قرار داریم. ممکن است نتوانیم بین صداها یا تصاویری که در حقیقت متفاوت‌اند، تفاوت قائل شویم. دانشمندان بسیاری در تلاش برای توضیح این قیبل خطاها بوده‌اند، اما، درک کامل تحمل به تغییرات در مغز هنوز کاملا روشن نشده است.
#شبکه_عصبی
#یادگیری_ماشین
#هوش_مصنوعی


جزئیات بیشتر

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🌐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

🌐 و بالاخره، یادگیری ماشین تنظیم بیان ژن را به روشنی توضیح می‌دهد.

✍ در عصر داده‌های بزرگ، #هوش‌مصنوعی برای دانشمندان بسیار کمک کننده بوده است. برای مثال الگوریتم‌های یادگیری ماشین به زیست‌شناسان کمک کرده است بسیاری از مولکول‌های سیگنالینگ سلولی را که در تنظیم بیان ژن درگیر هستند بهتر درک کنند. اما همچنان که الگوریتم‌های جدیدتری برای آنالیز داده‌های بزرگ‌تر به وجود می‌آیند، تفسیر و توضیح این داده‌ها نیز پیچیده‌تر و دشوارتر می‌شود. دو زیست‌شناس به نام‌های Justin B. Kinney و Ammar Tareen استراتژی جدیدی برای طراحی الگوریتم یادگیری ماشین ارائه دادند که خروجی قابل فهم‌تری از آنالیز داده‌ها ایجاد می‌کند.

جزئیات بیشتر 👇
https://onlinebme.com/finally-machine-learning-interprets-gene-regulation-clearly/

#یادگیری_ماشین
#شبکه‌_عصبی
#تنظیم_ژنی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@onlinebme

فصل چهارم این هفته تکمیل میشه
مباحثی که در فصل جدید آموزش داده ایم.
🔹شبکه عصبی پرسپترون تک لایه
▪️ قانون یادگیری پرسپترون
▪️ قانون یادگیری LMS
🔻وینرهاف
🔺گرادیان نزولی

🔹 شبکه عصبی پرسپترون چندلایه
🔺 قانون یادگیری پس انتشار خطا

🔬تجزیه و تحلیل عملکرد لایه های شبکه عصبی چند لایه
🔬نحوه انجام مسائل کلاسبندی با شبکه‌های عصبی
🔬 نحوه انجام مسائل رگرسیون با شبکه‌های عصبی

✅ پروژه های انجام شده

1⃣ تشخیص سرطان سینه با استفاده از شبکه‌های عصبی

2⃣ تشخیص نوع گل زنبق ( iris) با استفاده از شبکه‌های عصبی

3⃣ تخمین میزان آلودگی هوا با استفاده از شبکه‌های عصبی

4⃣ تخمین زاویه مفصل مچ پا از روی سیگنال #sEMG با استفاده از شبکه‌های عصبی


🔺🔻🔺🔻🔺🔻🔺🔻🔺
🔹مفهوم مسئله بهینه سازی
🔹فرق بین مسئله بهینه سازی مقید و نامقید
🔹قضیه لاگرانژ
🔹 مسئله linear programming
🔹 مسئله quadratic programming
🔹فاصله بین خط و نقاط
🔹تئوری و اثبات مباحث ریاضی SVM

🔹 hard margin svm
🔹soft margin svm
🔹 nonlinear svm
🔹 multi class svm

🔺support vector regression
🔹linear
🔹nonlinear

✅ پروژه های انجام شده

1⃣ تشخیص سرطان سینه با استفاده از SVM

2⃣ تشخیص نوع گل زنبق ( iris) با استفاده از SVM

3⃣ تخمین میزان آلودگی هوا با استفاده از SVR

4⃣ تخمین زاویه مفصل مچ پا از روی سیگنال #sEMG با استفاده از SVR

#پترن و #یادگیری_ماشین
➖➖➖➖➖➖➖➖
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

جلسه پنجم: تئوری و پیاده سازی فیلتر مکانی مشترک (CSP)

خلاصه: در این جلسه در ابتدا تئوری فیلتر مکانی مشترک( csp) آموزش داده شده و سپس به صورت مرحله به مرحله در متلب پیاده سازی میشود و به صورت شکلی در هر مرحله اثر اعمال این فیلتر توضیح داده میشود. برای اینکه درک مطالب راحتتر باشد، در ابتدای جلسه مفاهیم اولیه از قبیل ماتریس کواریانس و کاهش بعد توضیح داده میشود و همچنین الگوریتم PCA در متلب مرحله به مرحله پیاده سازی میشود تا کاربر با رویکرد کاهش بعد در ابتدای جلسه آشنا شده و با دید بهتری الگوریتم csp را یاد بگیرد.

🧑‍💻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
#Machine_learning

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

جلسه ششم: تئوری و پیاده سازی FBCSP

خلاصه: یکی از ایرادات فیلتر مکانیCSP اینه که برای فیلترینگ داده در ابتدا یک باند فرکانسی خاص مشخص میشود و این در حالی هست که در هر فرد این رنج میتونه متغیر باشه. فیلتر مکانی FBCSP یک روش معروفی هست که این ایراد CSP رو برطرف میکنه. در این جلسه الگوریتم FBCSP را طبق یک مقاله تخصصی در متلب #مرحله_به_مرحله پیاده سازی کرده و روی داده های واقعی BCI Competition اعمال میکنیم. در ادامه این الگوریتم یک روش #انتخاب_ویژگی هم پیاده سازی کرده ایم تا از بین ویژگی های بدست آمده، بهترین ویژگی ها انتخاب شوند.

🧑‍💻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 #FBCSP
#Machine_learning

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 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

فصل 4(بخش دوم): تئوری و پیاده‌سازی ماشین بردار پشتیبان(SVM) و شبکه عصبی پرسپترون چندلایه (MLP)

🔹شبکه عصبی پرسپترون تک لایه
▪️ قانون یادگیری پرسپترون
▪️ قانون یادگیری LMS
🔻وینرهاف
🔺گرادیان نزولی

🔹 شبکه عصبی پرسپترون چندلایه
🔺 قانون یادگیری پس انتشار خطا

🔬تجزیه و تحلیل عملکرد لایه های شبکه عصبی چند لایه
🔬نحوه انجام مسائل کلاسبندی با شبکه‌های عصبی
🔬 نحوه انجام مسائل رگرسیون با شبکه‌های عصبی

✅ پروژه های انجام شده

1⃣ تشخیص سرطان سینه با استفاده از شبکه‌های عصبی

2⃣ تشخیص نوع گل زنبق ( iris) با استفاده از شبکه‌های عصبی

3⃣ تخمین میزان آلودگی هوا با استفاده از شبکه‌های عصبی

4⃣ تخمین زاویه مفصل مچ پا از روی سیگنال #sEMG با استفاده از شبکه‌های عصبی


🔺🔻🔺🔻🔺🔻🔺🔻🔺
🔹مفهوم مسئله بهینه سازی
🔹فرق بین مسئله بهینه سازی مقید و نامقید
🔹قضیه لاگرانژ
🔹 مسئله linear programming
🔹 مسئله quadratic programming
🔹فاصله بین خط و نقاط
🔹تئوری و اثبات مباحث ریاضی SVM

🔹 hard margin svm
🔹soft margin svm
🔹 nonlinear svm

✅نحوه تعمیم svm برای مسائل چند کلاسه
🔹 تکنیک یکی در مقابل همه
🔹 تکنیک یکی در مقابل یکی

✅ نحوه تعمیم svm برای مسائل رگرسیون

🔺support vector regression
🔹linear
🔹nonlinear

✅ پروژه های انجام شده

1⃣ تشخیص سرطان سینه با استفاده از SVM

2⃣ تشخیص نوع گل زنبق ( iris) با استفاده از SVM

3⃣ تخمین میزان آلودگی هوا با استفاده از SVR

4⃣ تخمین زاویه مفصل مچ پا از روی سیگنال #sEMG با استفاده از SVR

#پترن و #یادگیری_ماشین
#SVM
#SVR
#MLP
➖➖➖➖➖➖➖➖➖➖➖
محتوای پکیج آموزشی:

🔹ویدیوی آموزشی تمامی جلسات
🔹کدهای متلب نوشته شده برای پروژه های انجام شده و جلسات آموزشی
🔹مقالات پیاده سازی شده و مراجع استفاده شده در آموزش
🔹گزارش پروژه های انجام شده در قالب Word و pdf
🔹جزوه دست نویس مدرس
➖➖➖➖➖➖➖➖➖➖
مدت زمان ویدیوهای آموزشی : 35 ساعت
مدرس: محمد نوری زاده چرلو


جزئیات بیشتر 👇👇
https://onlinebme.com/product/svm/

➖➖➖➖➖➖➖➖
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

🎁پکیج جامع فصل های اول تا چهارم پترن و یادگیری ماشین ( از بیزین تا SVM)


✅ این پکیج شامل تمام مباحث آموزش داده شده در 4 فصل دوره شناسایی الگو و یادگیری ماشین است.

فصل اول: مقدمه ای بر شناسایی الگو و یادگیری ماشین

فصل دوم: کلاسبندهای پارامتری
🔹بیزین
🔸ماکزیمم شباهت
🔹حداقل فاصبله اقلیدسی
🔸حداقل فاصله ماهالانوبیس

فصل سوم: روشهای ارزیابی و پارمترهای ارزیابی 

⚫️پارامترهای ارزیابی مسائل کلاسبندی (ماتریس کانفیوژن، صحت، حساسیت، اختصاصیت کلاسبندی)
🟢 روش ارزیابی the hold out method
🔴 روش ارزیابی k-fold cross validation
🟣 روش ارزیابی leave one out
🟢 روش ارزیابی random sub-sampling

⚫️نحوه انتخاب مدل بهینه با روش cross validation

فصل چهارم: الگوریتمهای غیرپارامتری در بحثهای رگرسیون و کلاسبندی

🔶الگوریتم نزدیکترین همسایه(knn)
🔷الگوریتم نزدیکترین همسایه وزندار (wknn)
🔶شبکه عصبی پرسپترون تک لایه
🔷شبکه عصبی پرسپترون چندلایه (MLP)
🔶ماشین بردار پشتیبان خطی(SVM)
🔷ماشین بردار پشتیبان غیرخطی(nonlinear SVM)
🟢ماشین بردار پشتیبان در مسائل رگرسیون (SVR)
➖➖➖➖➖➖➖➖➖➖➖
 🌀 جهت تهیه پکیج آموزشی چهار فصل دوره پترن و یادگیری ماشین به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

#پترن #یادگیری_ماشین
#پروژه_عملی #پیاده‌سازی_مقاله #پروژه‌های_درسی #پایان_نامه
#پروژه_محور
➖➖➖➖➖➖➖➖
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme