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

❌💢 شروع ثبت نام هشتمین دوره فشرده پردازش سیگنال eeg 💢❌

✅ در این دوره تمام اصول مورد نیاز برای پردازش سیگنال eeg از دید یادگیری ماشین و #پترن آموزش داده میشود.

#سرفصل_مطالب
🔵پیش پردازش سیگنال در حوزه زمان و فرکانس جهت حذف نویز و آرتیفکت

🔴 نحوه بدست آوردن ریتمهای eeg ( تتا- دلتا - آلفا- بتا- گاما ) در حوزه #زمان، فرکانس( #فوریه ) و زمان- فرکانس( #ویولت )

🔵 استخراج ویژگی های مناسب از سیگنال در حوزه زمان- فرکانس - زمان فرکانس

🔴تجزیه و تحلیل سیگنال در حوزه زمان، فرکانس و زمان فرکانس

🔵 آشنایی با مفاهیم پایه یادگیری ماشین و شناسائی الگو

🔴 آشنایی با روال انجام یک پروژه استاندارد از دید یادگیری ماشین

🔵 نحوه کلاسبندی داده با استفاده از کلاسبندهای
- SVM
- KNN
- LDA
- BAYZIAN
- TREE

🔴 اعتبارسنجی مدل با استفاده از روشهای
random sampling
k-fold cross validation
Leave one out
The hold out method

🔵 ارزیابی مدل با پارامترهای
Accuracy
Sensitivity
Specificity
Confusion matrix

🔴 انتخاب ویژگیهای مناسب
ttest
FDR

🔵 انتخاب کانالهای بهینه در سیگنالهای EEG


🔲▪️ انجام پروژه تشخیص صرع از روی سیگنالهای eeg

🔲▪️انجام پیش بینی تشنج در صرع از روی سیگنالهای eeg

🔲▪️ کلاسبندی تصور حرکتی از روی سیگنال eeg در BCI


مدت دوره: 30 ساعت
هزینه دوره: 300 هزار تومان


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


🔴 این دوره #اولین دوره ی فشرده در ایران است که به صورت #تخصصی سیگنال eeg را تجزیه تحلیل میکند!

✅ یک سری مطالب اضافه شده که بعد از آپدیت شدن جزوه خام در کانال تلگرام قرار خواهد گرفت.

💡علاقه مندان میتوانند جهت پیش ثبت نام اسم و شماره تماس خودشون رو به شماره تماس زیر ارسال کنند.
بعد از تکمیل ظرفیت، جهت هماهنگی نهایی تماس گرفته خواهد شد.
@onlinebme_admin
0936-038-2687

#پردازش_سیگنال
#تهران
#EEG
#Machine_learning
#pattern_recognition

🏢 آکادمی انلاین 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

📝#جزوه_خام دوره "پترن و یادگیری ماشین"
🔵اولین دوره جامع و تخصصی در ایران
✅ 140 ساعت ویدیوی آموزشی به همراه کدهای متلب پروژه ها و مقالات پیاده سازی شده👌

🔲 فصل 1-3
۱-مقدمه ای بر شناسایی الگو و یادگیری ماشین
۲- تخمین ماکزیمم شباهت
۳- طبقه بند بیزین
۴- طبقه بند حداقل فاصله اقلیدسی
۵- طبقه بند حداقل فاصله ماهالانوبیس
6- پروژه های عملی

7- روشها و پارامترهای ارزیابی مدل یادگیری ماشین

⭕️ جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇
🌀https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

#دوره #پترن و #یادگیری_ماشین

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📝#جزوه_خام دوره "پترن و یادگیری ماشین"
🔵اولین دوره جامع و تخصصی در ایران
✅ 140 ساعت ویدیوی آموزشی به همراه کدهای متلب پروژه ها و مقالات پیاده سازی شده👌

🔲 فصل 4- بخش اول
1- knn
2- wknn1( article1)
3- wknn2( article2)
4- knn in regression
5- classifcation projects
6- regression projects

⭕️ جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇
🌀https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

#دوره #پترن و #یادگیری_ماشین

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📝#جزوه_خام دوره "پترن و یادگیری ماشین"
🔵اولین دوره جامع و تخصصی در ایران
✅ 140 ساعت ویدیوی آموزشی به همراه کدهای متلب پروژه ها و مقالات پیاده سازی شده👌

🔲 فصل 4- بخش دوم و سوم
🔹شبکه عصبی
1- نورون و اجزای آن
2- پرسپترون تک لایه
3- قانون یادگیری LMS
4- شبکه عصبی در مسائل رگرسیون
5- شبکه عصبی‌ پرسپترون چندلایه
6- پروژه های عملی طبقه بندی به شبکه عصبی
7- پروژه های عملی رگرسیون به شبکه عصبی

🔹 ماشین بردار پشتیبان svm
1- مسائل بهینه سازی
2- فاصله یک نقطه از خط
3- hard margin svm
4- soft margin svm
5- non linear SVM
6- multi class svm - OVO
7- multi class svm - OVR
8- Support vector regression
9- classification projects with svm
10- regression projects with svm



⭕️ جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇
🌀https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

#دوره #پترن و #یادگیری_ماشین

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📝#جزوه_خام دوره "پترن و یادگیری ماشین"
🔵اولین دوره جامع و تخصصی در ایران
✅ 140 ساعت ویدیوی آموزشی به همراه کدهای متلب پروژه ها و مقالات پیاده سازی شده👌

🔲 فصل 5- یادگیری جمعی
🟣پیاده سازی تکنیکهای یادگیری جمعی در مسائل کلاسبندی و رگرسیون:
🔹 Voting
🔹 Stacking
🔹 Bagging
🔺 tree
🔻 knn
🔺svm

🔹 Boosting
🔻SVM-AdaBoost
🔺LDA-AdaBoost
🔻Perceptron-AdaBoost
🔺KNN-AdaBoost
🔻TREE-AdaBoost
🔺ELM-AdaBoost
🔻WELM-AdaBoost
▪️AdaBoost.RT


⭕️ جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇
🌀https://onlinebme.com/product/ensemble-learning/

#دوره #پترن و #یادگیری_ماشین

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📝#جزوه_خام دوره "پترن و یادگیری ماشین"
🔵اولین دوره جامع و تخصصی در ایران
✅ 140 ساعت ویدیوی آموزشی به همراه کدهای متلب پروژه ها و مقالات پیاده سازی شده👌

فصل ششم: تئوری و پیاده سازی الگوریتمهای کاهش بعد PCA و LDA

🔹 feature conditioning
🔹 feature mapping
🔹 PCA
🔻dimension reduction
🔺classification
🔹 LDA
🔻dimension reduction
🔺classification
⭕️ جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇
🌀https://onlinebme.com/product/dimension-reduction-using-lda-pca

#دوره #پترن و #یادگیری_ماشین

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📝#جزوه_خام دوره "پترن و یادگیری ماشین"
🔵اولین دوره جامع و تخصصی در ایران
✅ 140 ساعت ویدیوی آموزشی به همراه کدهای متلب پروژه ها و مقالات پیاده سازی شده👌

🔲 فصل 7: انتخاب ویژگی(featureselection)

🔲 مقدمه ای بر انتخاب ویژگی
🔳 انتخاب ویژگی با روشهای اسکالر ( Filter methods)
🟣 انتخاب ویژگی با تست آماری ttest
🔵 انتخاب ویژگی با روش تجزیه و تحلیل واریانسها( anova)
🟢  انتخاب ویژگی با نرخ تفکیک پذیری فیشر(FDR)
🔴 انتخاب ویژگی با اطلاعات متقابل (mutual information) 

🔲 انتخاب ویژگی با روشهای برداری(ترکیبی)-  wrapper methods

🔹 feature conditioning
🔹filter methods feature Selection
🔹 ttsest
🔹 anova
🔻tvalue
🔻fvalue
🔺pvalue
🔹 fisher discriminant ratio
🔹 mutual information
🔹wrapper methods
🔹 sequential forward feature Selection
🔹 filter methods with wrapper methods

⭕️ جهت کسب اطلاعات بیشتر به لینک زیر مراجعه کنید👇
🌀https://onlinebme.com/product/season07-featrue-selection
#دوره #پترن و #یادگیری_ماشین
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme