✅روش‌های تشخیص داده‌های پرت( Outliers)

داده های پرت یا Outlier ها می توانند درکی از داده های مورد مطالعه به ما بدهند و بر نتایج آماری تاثیر بگذارند. شناسایی آن ها به ما کمک می کند تا ناهماهنگی را پیدا کنیم و هرگونه خطا در فرآیندهای آماری را تشخیص دهیم. در این مقاله ضمن تعریف داده های پرت، روش های شناسایی آن ها در مجموعه داده را شرح خواهیم داد.

⭕جزئیات بیشتر👇👇
https://onlinebme.com/how-to-find-outliers
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

بعد میگن چرا برای افراد باردار به جای MRI از سونوگرافی استفاده می‌کنند!
این تصویریه که MRI نشون میده 😅
@onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️

🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆


〰〰〰〰〰 برنامه‌نویسی متلب 〰〰〰〰〰

🔲 اصول برنامه‌نویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link


〰〰〰〰〰 برنامه‌نویسی پایتون  〰〰〰〰〰

⚪️ فصل 1: اصول برنامه‌نویسی پایتون 
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link


〰〰〰 شناسایی الگو و یادگیری ماشین 〰〰〰

⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
 
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتم‌های کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتم‌های خوشه‌بندی
◽️مدت دوره: 13 ساعت
🔘 Link


〰〰〰〰〰 شبکه‌های عصبی 〰〰〰〰〰

⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link

⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link

〰〰〰〰 پردازش سیگنال مغزی 〰〰〰〰

⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link

⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link

〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰

⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

سلام
مرسی از لطف و محبت همیشگی دوستان عزیز
در این روزای سخت و نگران کننده کشورمون دلخوشیم به دلگرمی شما❤

خواستم اطلاع بدم امسال هم دوره های جدید خواهیم داشت🙂
در حال حاضر فصل پنجم دوره پردازش تصویر رو آماده میکنم .
همکارم خانم کاشفی هم دوره های جدیدی آماده خواهند کرد.
اگه عمری باقی باشه امسال هم کنار هم دوره های کاملا متفاوتی تجربه خواهیم کرد 😉

محمد نوری زاده چرلو

برای آنکه از شر نویزهای زیاد در فرآیند پژوهش خلاص شوید: مطالعات فرسایشی انجام دهید.
نمی‌توانید سیستم خود را به طور کامل درک کنید؟ آیا می‌خواهید مطمئن شوید که کارکرد مدل واقعاً با فرضیه شما مرتبط است؟ سعی کنید بخش‌هایی را حذف کنید. حداقل 10% از زمان آزمایش خود را صرف تلاش صادقانه برای رد تز خود کنید!»
هما کاشفی در این پست در مورد مطالعات فرسایشی و اهمیت آن در یادگیری عمیق صحبت میکند!

⭕ جزئیات بیشتر👇👇
https://onlinebme.com/ablation-studies-in-artificial-intelligence/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ 5 روشی که اجازه نمی‌دهد شبکه عصبی شما بیش‌برازش شود👌

✍در پیاده سازی شبکه هایی عصبی، عمده ترین مشکلی که با آن مواجه می شویم overfitting  یا همان بیش برازش مدل هست. در این پست میخواهیم در مورد بیش‌برازش و روش‌هایی جلوگیری از آن در شبکه عصبی صحبت کنیم.

⭕️جزئیات بیشتر 👇
https://onlinebme.com/5-methods-that-will-not-let-your-neural-network-model-overfit/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅چگونه بهترین موجک مادر را انتخاب کنیم؟

✍در چند دهه ی اخیر، استفاده از ابزار ریاضی قدرتمندی به نام تبدیل ویولت با کاربردهای متنوع در میان پژوهشگران رایج شده است. این کاربردها می تواند در رشته ها و علوم مختلف مطرح گردد. برای مثال در مهندسی پزشکی از تبدیل ویولت برای از بین بردن نویز، پردازش سیگنال های بیولوژیکی و پردازش تصاویر پزشکی استفاده می گردد. اما چالشی که همواره پژوهشگران و محققان با آن روبرو هستند این است که از کدام ویولت مادر برای پیش بردن اهدافشان استفاده کنند تا به نتایج بهتری دست یابند. در این مقاله قصد داریم ضمن تعریف مختصری از تبدیل ویولت، به بررسی روش های انتخاب بهینه ترین ویولت مادر بپردازیم.

👩‍💻نویسنده: نسرین رفیعی

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/wavelet_analysismother_wavelet_selection/

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

سلام
اگه از دوستان کسی جزوه ای برای دوره متلب نوشته ممنون میشم عکس یا pdf جزوه رو برام بفرسته🌹
@onlinebme_admin

آپدیت:
جزوه در صفحه لینکدین قرار داده شد.
https://www.linkedin.com/posts

✅تکنیکهای آموزش شبکه های عصبی بزرگ

✍ ممکن است شبکه‌های عصبی عظیم، گزینه‌ی مناسبی برای پروژه‌ی شما باشند اما نگران روند آموزش آنها باشید. شبکه‌های عصبی بزرگ، مرکز اصلی پیشرفت‌های اخیر در هوش مصنوعی هستند، اما آموزش این شبکه‌ها چالش پژوهشی و مهندسی دشواری است که مستلزم سازماندهی دسته‌ای از GPUهاست تا بتوانند یک محاسبه همزمان را انجام دهد. با افزایش سایز مدل، متخصصان یادگیری ماشین، انواع مختلفی از تکنیک‌ها را توسعه داده‌اند تا بتوانند روند آموزش مدل را در بسیاری از GPUها موازی‌سازی کنند. در نگاه اول، درک این تکنیک‌های موازی سازی ممکن است دلهره آور به نظر برسد، اما تنها با در نظر گرفتن چند فرض در مورد ساختار محاسبات، تکنیک‌ها واضح‌تر می‌شوند.

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/techniques-for-training-large-neural-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅درک شبکه‌های عصبی بازگشتی و LSTM

✍اگر تابحال از Apple’s Siri و Google voice search یا Google Translate استفاده کرده‌اید، باید بدانید که این اپلیکیشن‌ها از شبکه‌های عصبی بازگشتی (RNN) استفاده می‌کنند که جدیدترین الگوریتم‌ها برای داده‌های توالی هستند. RNN اولین الگوریتمی است که به دلیل وجود حافظه داخلی، ورودی را به خاطر می‌سپارد و آن را برای مسائل یادگیری ماشین که شامل داده‌های توالی هستند، مناسب می‌سازد. این یکی از الگوریتم‌های اصلی یادگیری عمیق است که در چند سال گذشته به دستاوردهای شگفت انگیزی منجر شده است. در این پست، نحوه‌ی عملکرد شبکه‌های عصبی بازگشتی توضیح داده می‌شوند و همچنین مسائل عمده و نحوه‌ی حل آنها را پوشش خواهیم داد.

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/understanding-recurrent-neural-network-and-lstm/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ تولباکس EEGLAB چیست؟

✍هرکسی که علاقه مند به پردازش سیگنال های حیاتی از جمله سیگنال های EEG   باشد، به احتمال زیاد نام EEGLAB را شنیده است. از حدود 17 سال گذشته تا کنون، EEGLAB، با مشارکت ده‌ها برنامه‌نویس، نویسندگان افزونه و پلاگین و کاربران، به یک محیط گسترده و مورد استفاده برای تجزیه و تحلیل EEG انسانی و سایر داده‌های مرتبط تبدیل شده است. این تولباکس از جعبه ابزارهای حرفه ای نرم افزار Matlab است که به طور خاص آنالیز و پردازش سیگنال های مغزی را آسان و لذت بخش کرده است. در این مقاله قصد داریم به بررسی این ابزار جدید بپردازیم و ویژگی های آن را مرور کنیم.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/what-is-eeglab/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

مراحل پیاده‌سازی مقاله...
#fun
@onlinebme