📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب

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

5⃣ نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
#نرخ_یادگیری
#ثابت #متغیر_با_زمان
#search_then_converge
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی، #تشخیص_سرطان_سینه
 #پیش_بینی_میزان_آلودگی_هوا
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 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
6⃣ جلسه ششم: پیاده‌سازی الگوریتم یادگیری #دلتا_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش دوم)

#نرخ_یادگیری #دلتا_دلتا
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی،
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 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
7⃣ جلسه هفتم: پیاده‌سازی الگوریتم یادگیری #دلتا_بار_دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)

#نرخ_یادگیری #دلتا_بار_دلتا
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی،
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 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

8⃣ جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)

#مرکز #سیگما #قضیه_کاور #kmeans
#پروژه_عملی #رگرسیون #طبقه‌بندی #کلاسبندی

🏢 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 )
#پیاده‌سازی_مقاله
#پروژه_عملی
#رگرسیون
#طبقه‌بندی
#کلاسبندی
#روشهای_ارزیابی
#the_hold_out_method
#K_fold_cross_validation
#leave_one_out
#random_subsampling

🏢 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

📺 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)

#پیاده‌سازی_مقاله #پروژه_عملی #طبقه‌بندی #کلاسبندی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

❌💢 پکیج آموزشی دوره تخصصی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی ( motor imagery)💢❌

مدرس : محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
مدت زمان ویدیوها: 19 ساعت

✍ واسط مغز و کامپیوتر، BCI، که نقش راه ارتباطی بین مغز و کامپیوتر را بازی می‌کند، اخیر مورد توجه بسیاری از محفقین قرار گرفته است. BCI سیستمی است که برخی از سیگنال‌های حیاتی اندازه‌گیری شده فرد را دریافت کرده و به صورت زمان حقیقی یا تک ترایال جنبه‌های انتزاعی حالت شناختی فرد را پیش بینی می‌کند.  در دوره تخصصی پردازش سیگنال EEG  بطور کامل در مورد سیستم BCI  توضیح داده شده است.
🔵 واسط مغز و کامپیوتر مبتنی بر تصور حرکتی(motor imagery)، حالتی که شخص تصور می‌کند را از روی سیگنال‌های مغزی( EEG) فرد، تشخیص داده و به دستور تبدیل می‌کند. هدف فناوری BCI این است که یک #راه_ارتباطی جدید برای افراد معلول (فلج) ایجاد کند به طوری که افراد هیچ وابستگی‌ای به کنترل عضلات نداشته باشند. سیگنال EEG یکی از ورودی‌هایی هست که BCI از طریق این سیگنال ارتباط بین شخص و محیط بیرونی را فراهم می‌کند. در BCI مبتنی بر تصور حرکتی از شخص خواسته‌ می‌شود تا حرکتی را بدون اینکه انجام دهد تصور کند، که در نتیجه آن رخدادهایی مرتبط با تصور در مغز رخ می‌دهد. هدف #BCI این است که از روی سیگنال‌های EEG نوع حرکت تصور شده توسط شخص را تشخیص دهد. تشخیص نوع تصوری که فرد انجام داده از روی  سیگنال #EEG که روزلوشن مکانی مناسبی ندارد کار بسیار سختی است و به الگوریتمهای پیشرفته ای نیاز است.

🔹ما در این دوره تخصصی تمام مباحثی که برای پردازش داده‌های #EEG مبتنی بر تسک تصوری حرکتی هست را آموزش می‌دهیم و برای اینکه با عملکرد عملی این الگوریتم ها آشنا شوید، چندین #پروژه_عملی طبق چند #مقاله_تخصصی روی داده های واقعی سایت #BCI_competition انجام میدهیم.

🗂از سه مجموع داده EEG مبتنی بر تسک تصور حرکتی در این دوره استفاده شده است. در ابتدا #پروسه_ثبت و اطلاعات مربوط به این داده‌ها را کامل توضیح می‌دهیم، باندهای #فرکانسی که مرتبط با تصور حرکتی و #مناطق مغزی مرتبط با تصور حرکتی را توضیح می‌هیم. سپس شروع به تحلیل داده‌ها می‌کنیم. در ادامه انواع فیلترهای #مکانی و #فرکانسی جهت #کاهش_نویز سیگنال و #source_localization را توضیح داده  و به صورت #گام_به_گام در متلب پیاده سازی کرده و روی داده اعمال می‌کنیم، در ادامه روش‌های استخراج ویژگی و کلاسبندی داده تصوری حرکتی را توضیح داده و روی داده پیاده‌‌سازی می‌کنیم.
✅ در این دوره تئوری الگوریتم معروف #CSP ، الگوهای مکانی مشترک (Common Special Patterns)
را به زبان ساده توضیح داده و سپس #گام_به_گام در متلب پیاده‌سازی کرده و بر روی داده اعمال می‌کنیم.

✅در نهایت معایب و مزایای CSP را بررسی می‌کنیم و برای حل مشکل این الگورتیم معروف، الگورتیم‌ بهبود یافته شده CSP یعنی
#FBCSP -filter bank CSP
 را پیاده‌سازی می‌کنیم.

در این دوره برای کلاسبندی داده‌ها از سه کلاسبند معروف بنام
 SVM-support vector machine  knn-k nearest neighbors 
lda-linear discriminant analysis
استفاده کرده‌ایم.

🔹برای ارزیابی و اعتبارسنجی مدلهای طراحی شده از چهار روش معروف
 k-fold cross validation
the hold out method
random subsampling 
leave one out 
استفاده کرده ایم.

✅ در پایان این دوره، شرکت‌کننده دیگر هیچ مشکلی در انجام #پروژه‌های_عملی  و پردازش سیگنال‌های EEG مبتنی بر تصوری حرکتی و #پیاده‌سازی_مقالات تخصصی جهت بهبود عملکرد کلاسبندی نخواهد داشت.

🔴4 تا مقاله تخصصی در این دوره پیاده سازی شده است که میتوانید برای #پروژه_های_درسی یا #پایان_نامه خود استفاده کنید.
🔵پروژه های عملی بر روی سه داده معروف bci competition انجام شده اند👌
جزئیات بیشتر 👇👇👇
https://onlinebme.com/product/brain-computer-interface-package-motorimagery/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

💡سوال و جواب
#پکیج_آموزشی
#پیاده‌سازی_مقالات
#پردازش_سیگنال
#دوره_تخصصی
#پروژه_محور
#پروژه_عملی
@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

🎁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