💡✅ توضیحات تکمیلی دوره جامع مهندسی پزشکی:

✍️طی تجربیات چند سال گذشته متوجه شدیم که اکثر دانشجویان در مقطع کارشناسی ارشد و دکتری در انتخاب موضوع پایان نامه دچار مشکلات و سردرگمی‌هایی می‌شوند. یکی از دلایل اصلی سردرگمی دانشجویان مهندسی پزشکی در انتخاب موضوع پایان‌نامه، نداشتن #دید_کافی از این رشته است. برای مثال بسیاری از دانشجویان کارشناسی، رشته متفاوتی داشته‌اند و در کارشناسی ارشد وارد رشته مهندسی پزشکی(بیوالکتریک) شده‌اند که هیچ پیش‌زمینه‌ای از این رشته ندارند و به علت محدودیت زمانی در ارشد گاها" در انتخاب موضوع پایان‌نامه که اصلی‌ترین #بخش کارشناسی ارشد است و به نوعی #آینده_کاری دانشجو را تعیین می‌کند، دچار اشتباه می‌شوند.
🔺مشکل دیگر دانشجویان نداشتن تخصص کافی در پیاده‌سازی مقالات تخصصی و انجام تجزیه و تحلیل داده‌های مهندسی پزشکی است.
کارشناسی ارشد دوره‌ای کوتاه ولی پرپیچ و خمی است و در هر ترم دروس تخصصی ارائه می‌شود که در پایان ترم دانشجو باید یک #پروژه عملی برای درس موردنظر انجام دهد. اکثر #اساتید برای آماده‌سازی دانشجویان جهت انجام پایان‌نامه، پروژه‌هایی تعریف می‌کنند و دانشجویان باید طبق #مقالات_تخصصی پروژه‌ها را انجام دهند.
ازطرف دیگه بسیاری از دانشجویان با داده‌های مهندسی پزشکی آشنا نیستند لذا در انجام پروژه و #پیاده_سازی مقالات به مشکل می‌خورند.

📚دروس شناسایی آماری الگو و داده کاوی، جزء دروسی هستند که در اکثر دانشگاه‌های معتبر از جمله دانشگاه‌های تهران ارائه می‌شوند و در اکثر پروژه‌های مهندسی پزشکی از مباحث این دروس استفاده می‌شوند. دانشجویانی که این دروس را گذرانده باشند مطمئنا" در انجام پایان‌نامه خود #موفق خواهند بود.
در دوره جامع مهندسی پزشکی مباحث دو درس #پترن و #داده_کاوی به طور کامل آموزش داده می‌شوند و برای اینکه مطالب ملموس‌تر شوند، الگوریتم‌ها را روی داده‌های واقعی مهندسی پزشکی اعمال می‌شوند. در واقع با یک #تیر دو #نشان می زنیم😃. در این دوره علاوه بر آموزش مباحث تئوری و عملی الگوریتمهای دو درس، پروژه های مختلفی آموزش داده می‌شود.
✅ این دوره تنها دوره‌ای است که سعی کرده تمام مباحث مهندسی پزشکی را پوشش دهد!

⚠️ نکته‌ای که باید توجه شود این است که این دوره کاملا تخصصی است و مخصوص دانشجویان #ارشد و #دکتری طراحی شده است لذا برای دانشجویان کارشناسی توصیه نمی‌شود!

🌐 داده هایی که در این دوره استفاده می شود داده های مرتبط با مهندسی پزشکی و شرکت‌کنندگان علاوه‌ بر یادگیری مباحث، با داده‌های مهندسی پزشکی نیز آشنا می‌شوند.
◀️در این دوره ما #نحوه_کار با داده‌های مختلف را آموزش می‌دهیم و دانشجویان دیگر #سختی کار با داده‌ها را تجربه نخواهند کرد😊.

💯 بطبع این دوره برای دانشجویان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها می‌دهد ولی دانشجویانی که قصد یادگیری مباحث درس پترن و داده کاوی را دارند نیز میتوانند در این دوره شرکت کنند.
🌀پروژه‌هایی که طول دوره آموزش داده می شوند نتیجه چهار سال #تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی بر این است که پروژه‌های خوب و بروزی که امروزه در این رشته کار می‌کنند را انتخاب کنیم و براساس مقالات معتبر شبیه‌سازی کنیم.

✳️بعد اتمام دوره انتظار داریم دانشجویان دید بهتری از پروژه‌ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناشی ارشد انتخاب کنند، در #شبیه_سازی_مقالات تخصصی حوزه مهندسی پزشکی و در انجام #پروژه_پایان‌نامه مشکلی نداشته باشند.

🔺در این چند سال متوجه شدیم که اکثر دانشجویان مهندسی پزشکی مباحث را بلدند ولی در پیاده‌سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند و چگونه یک پروژه را از #صفرتاصد در #متلب به طور تخصصی انجام دهند.

🌀 5 پروژه عملی از صفر تا صد در متلب پیاده‌سازی می‌شود و شرکت‌کنندگان با موضوعات مختلفی آشنا شده و کار با داده‌های مختلف مهندسیی پزشکی را یاد می‌گیرند.

⏪برای اطلاع از جزئیات مباحث و پروژه هایی که در این دوره آموزش داده میشوند، فایل جزئیات دوره(PDF ) را مطالعه کنید.

➖➖➖➖➖
@IUST_Bioelecteric

⁉️این دوره برای چه کسانی پیشنهاد میشود؟

✅ افرادی که پروژه درسی یا پایان نامه آنها در راستای سیگنال EEG هست و نیاز هست که به صورت تخصصی سیگنال EEG را تحلیل کنند

✅ افرادی که میخواهند وارد حوزه پردازش سیگنال شوند

✅ افرادی که درس پترن، یادگیری ماشین و پردازش سیگنال دارند ( از پروژه هایی که در کلاس انجام میشه میتونند به عنوان پروژه درسی استفاده کنند )

✅ افرادی که میخواهند در حوزه واسط مغز و کامپیوتر( BCI) کار کنند!

🔴 این دوره پیش نیاز اکثر دوره های پردازش سیگنال هست و تمامی مباحث پایه مورد نیاز یک دانشجو در این دوره آموزش داده میشود!

🔵 دوستانی که دوره شرکت میکنند علاوه بر مطالبی که در بالا ذکر شد با پیاده سازی #مقالات تخصصی در پردازش سیگنال و پترن آشنا میشوند و میتوانند به کمک #کدها و مطالبی که در کلاس یاد میگیرند مقالات تخصصی رو #پیاده_سازی کنند😊

✅ برنامه ریزی کلاس بعد از تکمیل ظرفیت مشخص خواهد شد
#زمانبندی دوره به نحوی خواهد بود که دوستان شهرای دیگه هم بتونند در دوره شرکت کنند.

#ظرفیت باقی مانده دوره : 3 نفر
مدت دوره: 15 ساعت
مدرس دوره: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

☎️ جهت کسب اطلاعات بیشتر میتوانید شماره زیر تماس بگیرید:
0936-038-2687
@onlinebme_admin

📺 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

توضیحات تکمیلی 👇

مطالب این دوره تلفیق چندین مقاله تخصصی هست و شرکت کنندگان بعد از سپری کردن دوره #مهارت لازم جهت #پیاده_سازی #مقالات_تخصصی در این حوزه را بدست می آورند.

بعد از اتمام دوره، جهت به #چالش کشیدن مهارت شرکت کنندگان، برای هر فرد یک مقاله تخصصی میدیم که به صورت مرحله به مرحله به #کمک #مدرس دوره پیاده کنن و اگه مشکلی داشتن به صورت حضوری یا اسکایپ برطرف میکنیم.
➖➖➖➖➖➖➖➖➖
💡پیش نیاز دوره : داشتن مهارت برنامه نویسی در متلب
یک پکیج آموزشی 18 جلسه ای برای این منظور در سایت قرار گرفته است و میتوانید قبل از شرکت در دوره ویدیوهارو نگاه کنید👇👇

📺 آموزش اصول برنامه‌نویسی در #متلب ( #رایگان)

https://onlinebme.com/course/matlab/
➖➖➖➖➖➖➖➖➖➖
🔹اگه تا الان با حوزه یادگیری ماشین آشنا نشده اید پیشنهاد میکنیم که کلیپهای کوتاه زیر رو نگاه کنید.
https://onlinebme.com/course/machine-learning-in-matlab/
➖➖➖➖➖➖➖➖➖➖
و یا پکیج آموزشی دوره شبکه عصبی و یا یکی از فصلهای دوره یادگیری ماشین رو نگاه کنید. در اینصورت دوره خیلی میتونه براتون مفید باشه.
📺 پیاده سازی گام به گام #شبکه‌های_عصبی ( پروژه محور)
https://onlinebme.com/product/neural-networks-package/

📺 شناسایی الگو و یادگیری ماشین
(فعلا فصلهای 1-2-3 و بخش اول فصل 4 در سایت قرار گرفته است)
https://onlinebme.com/product/pattern-parametric-classifiers/

https://onlinebme.com/product/validation-methods-and-parameters/
➖➖➖➖➖➖➖➖
#ظرفیت دوره داره تکمیل میشه و زمانبندی بعد از تکمیل ظرفیت مشخص خواهد شد.

🏢 آکادمی انلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

در این دوره تمامی مباحث تخصصی و کاربردی پردازش سیگنال eeg از پایه و به صورت مرحله به مرحله آموزش داده شده بر روی سیگنال eeg پیاده سازی شده است.

این دوره کاملا پروژه محور هست و از همان ابتدا وارد بحثهای تخصصی شده و هر مبحثی که آموزش داده میشود، مستقیما روی سیگنال اعمال شده و نتایج به صورت عملی در پروژه ها بررسی می شود.
در این دوره پروژه های زیادی طبق مقالات تخصصی انجام شده که علاقه مندان به این حوزه، با کمک این پروژه ها و کدهای پیاده سازی شده، به راحتی میتوانند #پروژه های_تخصصی خود را جهت انجام #پروژه #پایان_نامه و نوشتن #مقالات تخصصی خود استفاده کنند و یک کار و خوب با کیفیت ارائه دهند.

تمام موارد مورد نیاز در انجام یک پروژه با کیفیت و تخصصی در این دوره طبق مقالات تخصصی آموزش داده شده است و علاقه مندان میتوانند از کدهای پیاده سازی شده در دوره استفاده کرده و پروژه های تخصصی خودشان را انجام دهند.
 
🔺در این دوره آموزش داده ایم که چطور میتوان از سیگنال eeg در سه حوزه مختلف زمان، فرکانس و ویولت ویژگی استخراج کرد.

🔺هر سه حوزه به طور مفصل بررسی شده و مباحث لازم جهت پردازش سیگنال در سه حوزه آموزش داده شده است. در ادامه ویژگیهای استخراج شده از سیگنال باهم ترکیب کرده ایم و  سپس با کمک روشهای انتخاب ویژگی از بین ویژگیهای استخراج شده، بهترین ویژگیها رانتخاب کرد و از آنها برای طبقه بندی سیگنال eeg استفاده کرده ایم. نتایج بدست آمده نشان میدهند که رویکردهای ارائه شده همانند مقالات معتبر و حتی بهتر از آنها هستند.
در ادامه دوره برای اینکه دوستان بتوانند در پروژه های خودشان دقت کار را بیشتر هم بکنند مباحث انتخاب کانالهای و باندهای فرکانسی بهینه را طبق مقالات تخصصی آموزش داده ایم که نتایج طبقه بندی را به طور قابل توجهی افزایش میدهند.

🔹برای اینکه دوستان کار با داده های مختلف آشنا شوند در این دوره از دو پایگاه داده بسیار معروف استفاده شده است.(داده صرع بن آلمان و تصور حرکتی bci competition)  
در این دوره از دو پایگاه داده استفاده شده تا دوستان هم کار با داده های مختلف آشنا شوند و همچنین بتوانند از دانش بدست آمده در دوره حوزه های مختلف استفاده کنند. نتایج بدست آمده در هر دو پایگاه داده نشانگر کیفیت و اهمیت روشهای آموزش داده شده است.

✅ تمام محتوای این دوره طبق تجربه چندین ساله ی آموزشی و پروژه ای خودم از طریق مطالعه و پیاده سازی مقالات تخصصی پردازش سیگنال مغزی(eeg) آماده شده است و تمامی مباحث بسیار کاربردی و مهم هستند. این دوره رو برای برای همه گروهایی که میخواهند به صورت تخصصی کارهای تحقیقاتی بر روی سیگنال eeg انجام دهند پیشنهاد می کنم.
این دوره برای همه دانشجویان علاقه مند به پردازش سیگنال از قبیل پزشکی، روان شناسی، علوم اعصاب، به خصوص #مهندسی_پزشکی و #هوش_مصنوعی مناسب است.

🔸این دوره بسیار جامع و کاملتر از دوره حضوری هست و این به این خاطر هست در دوره حضوری به خاطر فرصت محدودی که داشتیم نمیتوانستیم تمامی مباحث را در دوره آموزش دهیم.
در این دوره سعی شده تمامی مباحث مورد نیاز جهت پردازش تخصصی سیگنال eeg آموزش داده شود. و دوره کامل و جامعی برای شما باشد.
امیدوارم این دوره برایتان مفید باشد و بتوانید پروژه های تخصصی خودتان در این زمینه انجام دهید.
امیدوارم از مطالعه این دوره لذت ببرید.
محمد نوری زاده چرلو

 ⭕️جزئیات بیشتر 👇
🌀https://onlinebme.com/product/eeg-signal-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme