✅ فرق بین  convolution و  cross-correlation

✍اگه پردازش تصویر یا شبکه های عمیق کار کرده باشید حتما دو عبارت کانولوشن (convolution) و میان-همبستگی (cross-correlation) را شنیده اید. هر دو عملیات از لحاظ ریاضیاتی خیلی شبیه بهم هستند. اگه بخوایم یه تعریف کلی در مورد هر کدوم بگیم، کانولوشن اثر یک سیگنال در سیگنال دومی را بررسی می‌کند، در حالی که میان-همبستگی میزان شباهت بین دو سیگنال را بررسی می‌کند. در این پست میخواهیم با فرق بین کانولوشن و میان-همبستگی آشنا شویم و همچنین به این سوال پاسخ دهیم که در لایه‌های کانولوشن شبکه عصبی CNN از convolution استفاده می‌شود یا cross-correlation.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/the-difference-between-convolution-and-cross-correlation/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ چطور از segment anything model استفاده کنیم؟

✍در این پست می‌خواهیم به قابلیت‌های مدل Segment Anything (SAM) بپردازیم. این مدل کارآمد و سریع را برای سگمنت بندی تصاویر بررسی می‌کنیم. با بیش از یک میلیارد ماسک روی یازده میلیون تصاویر دارای مجوز و احترام به حریم خصوصی، عملکرد Zero-shot مدل SAM قابل رقابت با نتایج کاملاً نظارت شده‌ی قبلی یا حتی برتر از آن است. برای اطلاعات بیشتر در مورد نحوه‌ی عملکرد SAM و معماری مدل، با ما همراه باشید.

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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتون
📝 تمرینات فصل اول: جلسه هشتم 
دوستانی که در دوره پایتون شرکت کرده اند لطفا  تمرینات رو انجام داده و به صورت فایل زیپ ( فایل گزارش به همراه کدها) به ایمیل زیر ارسال کنند🙏
M.norizadeh1369@gmail.com

✅دوره پایتون
📝 تمرینات فصل اول: جلسه نهم 


@onlinebme

✅ معرفی پنج سایت برای استفاده ی رایگان از GPT-4

✍اخیراً OpenAI با توسعه‌ی آخرین مدل زبانی خود GPT-4 بسیاری از تولید کنندگان محتوا را مشتاق آزمایش قابلیت‌های جدید هوش مصنوعی کرده است. با این حال GPT-4 در حال حاضر برای عموم در دسترس نیست و فقط برای مشترکینی که سرویس ChatGPT Plus را دارند قابل دسترسی است. خوشبختانه سایت‌هایی وجود دارند که کاربران می‌توانند به صورت رایگان به ChatGPT 4 (GPT-4) دسترسی داشته باشند یا از آن استفاده کنند.

⭕️ جزییات بیشتر👇
https://onlinebme.com/-chatgpt4-gpt4/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ درک یادگیری انتقالی در یادگیری عمیق

✍استفاده مجدد از یک مدل از پیش آموخته شده برای یک مسئله‌ی جدید، یادگیری انتقالی نام دارد. مفهوم یادگیری انتقالی به طور خاص در یادگیری عمیق بسیار محبوب است زیرا این قابلیت را دارد که شبکه‌های عصبی عمیق را با میزان کمی داده، آموزش دهد. این حوزه به ویژه در زمینه‌ی علم داده ارزشمند است زیرا بیشتر موقعیت‌های دنیای واقعی برای آموزش مدل‌های پیچیده، به میلیون‌ها داده‌ی برچسب گذاری شده نیاز ندارند.

⭕️ جزییات بیشتر👇
https://onlinebme.com/%d9%8ftransferlearning-in-deeplearning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دوره پایتون
📝 تمرینات فصل اول: جلسه دهم 


@onlinebme

یادگیری تقویتی

@onlinebme

✅ آیا Small Data مسئله ی مهم بعدی در علم داده است؟

✍اندرو ان جی یکی از پیشگامان هوش مصنوعی پیش بینی کرده است که دهه‌ی آینده شاهد هوش مصنوعی داده محور خواهد بود. اگر تنها 50 نمونه‌ داده‌ی خوش ساخت داشته باشیم، ممکن است دیگر به میلیون‌ها نمونه داده‌ی نویزی نیاز نداشته باشیم.

⭕️ جزییات بیشتر👇
https://onlinebme.com/data-centric-ai-vs-model-centric-ai/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ اصول برنامه نویسی در پایتون

✍پایتون یک زبان برنامه‌نویسی سطح بالا هست و به خاطر قابلیتهای مهمی که دارد، امروزه محبوبیت زیادی در جامعه علمی پیدا کرده است و میلیونها نفر در سراسر جهان از این زبان برنامه نویسی استفاده می‌کنند و هر روز به این تعداد افزوده می شود.
🔺 از پایتون در زمینه های مختلفی از جمله، تحلیل داده، یادگیری ماشین، یادگیری عمیق، طراحی نرم افزار و وبسایت ها استفاده می شود. پایتون یک زبان برنامه‌نویسی چندمنظوره هست و به همین خاطر از آن می‌توان در زمینه های مختلف استفاده کرد.
💡 در این دوره به صورت گام به گام اصول برنامه نویسی پایتون را آموزش داده ایم.

🔷 170 تمرین و مثال در طول دوره انجام شده است تا شرکت کنندگان با انجام آنها، مهارت لازم برای برنامه نویسی و دانش لازم برای حل مسئله را کسب کنند.  

👨‍💻مدرس: محمد نوری زاده چرلو
🕒مدت زمان دوره: 32 ساعت
 
#دوره_تمرین_محور #پشتیبانی_آنلاین

⭕️جزئیات بیشتر👇👇
https://onlinebme.com/product/python-programming/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ مطالعه جدید ما در زمینه BCI مبتنی بر P300 

Tittle: A novel multiclass-based framework for P300 detection in BCI matrix speller: temporal EEG patterns of non-target trials vary based on their position to previous target stimuli.

Authors: Mohammad Norizadeh Cherloo; Amir Mohammad Mijani; Liang Zhan; Mohammad Reza Daliri

Journal: Engineering Applications of Artificial Intelligence

ممنون از امیرمحمد عزیز و استاد گرانقدرم دکتر محمدرضا دلیری🙏🌹

🌀https://www.researchgate.net/publication/370865092

#BCI #EEG #P300 #temporal_EEG_pattern #multi_classification

@Onlinebme

✅نحوه ی انتخاب بهترین معیار ارزیابی برای مسائل رگرسیون

✍قبل از اینکه یک مدل رگرسیون را بسازیم، باید چند دقیقه ای به نحوه ی ارزیابی آن با دقت فکر کنیم. عواملی مختلفی درتصمیم گیری برای نحوه ی ارزیابی رگرسیون نقش دارند. مثلا این که آیا خطاهای بزرگ نسبت به خطاهای کوچک، باید بیشتر جریمه شوند؟ یا اینکه این معیار چقدر باید برای کاربر شهودی و قابل درک باشد؟ در این مقاله رایج ترین معیارهای ارزیابی برای مسائل رگرسیون عنوان شده است. برای هر معیار، مثالی آورده ایم تا به شما کمک کند بهترین معیار را با توجه به مساله خودتان انتخاب کنید.

⭕️جزئیات بیشتر 👇👇
https://onlinebme.com/how-to-choose-the-best-evaluation-metric-for-regression-problems/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

32 سال پیش، نخستین شبکه عصبی کانولوشن یا CNN برای تشخیص دست‌خط ساخته شده. این فیلم داره نشون میده که چطور کار می‌کرده 😊

@Onlinebme

✅ مدل یادگیری ماشین خود را باSHAP value توضیح دهید.

✍به مرور که الگوریتم‌های یادگیری ماشین پیچیده‌تر می‌شوند، تفسیرپذیری یادگیری ماشین اهمیت فزاینده‌ای پیدا می‌کند. اگر الگوریتم‌های یادگیری ماشین شما قابل توضیح نباشند، احتمال پذیرش آنها توسط دیگران هم کمتر است. مدل‌های با عملکرد پایین‌تر اما قابل توضیح (مانند رگرسیون خطی) گاهی بر مدل‌های جعبه سیاه کارآمدتر (مانند شبکه‌های عصبی) ترجیح داده می‌شوند. به همین دلیل است که تحقیقات پیرامون هوش مصنوعی قابل توضیح (Explainable AI) اخیراً با پروژه‌های شگفت انگیزی مانند SHAP در حال ظهور است.

⭕️ جزییات بیشتر👇
https://onlinebme.com/explain-your-machine-learning-model-using-shap-value/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

Debugging 😅

@Onlinebme

If else instruction😅👌
#programming
@Onlinebme

✅نحوه ی انتخاب بهترین معیار ارزیابی برای مسائل طبقه بندی 

✍برای اینکه یک مدل طبقه بندی را به خوبی ارزیابی کنیم باید به دقت در نظر بگیریم که کدام معیار ارزیابی مناسب ترین انتخاب است. این مقاله رایج ترین معیارهای ارزیابی که برای تسک های طبقه بندی استفاده می شود را پوشش می دهد و شامل مثال های مرتبطی است که اطلاعات لازم برای انتخاب مناسب ترین معیار از میان آن ها را در اختیار شما قرار می دهد.

⭕️جزئیات بیشتر 👇
https://onlinebme.com/how-to-choose-the-best-evaluation-metric-for-classification-problems/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

🧠 نگاهی عمیق به مغز
@Onlinebme