✅ویژگی‌های دوره
◽️بررسی دقیق تئوری و ریاضیات مرتبط با شبکه‌های عصبی
      ▪️مشتق گیری
      ▪️توابع هزینه
      ▪️روشهای بهینه‌سازی مبتنی بر SGD

◻️پروژه محور بودن دوره| 101 مثال + 24تمرین + 40 پروژه
◻️تقویت مهارت برنامه‌نویسی به سبک OOP پایتون
◻️ پیاده‌سازی مقالات تخصصی در طول دوره
◻️ استفاده از منابع معتبر در گردآوری مباحث دوره
◻️ پشتیبانی آنلاین
 
🗂 محتوای پکیج آموزشی
    🔷 70 ساعت ویدیوی آموزشی
    🔷 جزوه دست نویس مدرس
    🔷 کدهای پیاده‌سازی شده در طول دوره

👨‍💻مدرس: محمد نوری زاده چرلو

🔘جزئیات بیشتر👇👇
https://onlinebme.com/product/implementing-neural-networks-with-pytorch/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅کار با ICA در MNE-Python

👩‍💻هما کاشفی امیری
🗓۱۷ اسفند ۱۴۰۲

✍روش تحلیل مولفه‌های مستقل (Independent Components Analysis (ICA)) تکنیکی برای برآورد سیگنال‌های منابع مستقل از مجموعه‌ای از ضبط‌هاست که در آن سیگنال‌های منبع در نسبت‌های ناشناخته با هم ترکیب شده‌اند. در این مقاله با ICA آشنا می شویم و اینکه چطور می توان با استفاده از پکیج MNE-Python با آن کار کرد.

⭕️ جزییات بیشتر👇
https://onlinebme.com/mne-python

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

☑️ مطالعه مروری روشهای بهینه‌سازی مبتنی بر گرادیان نزولی

💡روند تکامل گرادیان نزولی

⬛️ مباحثی که در این پست بررسی می‌کنیم:
    ▪️ یادگیری در شبکه عصبی
    ▫️تابع هزینه و نقش آن در یادگیری
    ▪️فلسفه گرادیان نزولی
    ▫️ محدودیت‌های گرادیان نزولی
    ▪️نرخ یادگیری متغیر با زمان
    ▫️گرادیان نزولی با ترم ممنتوم
    ▪️روش بهینه‌سازی AdaGrad
    ▫️روش بهینه‌سازی RMSprop
    ▪️روش بهینه‌سازی AdaDelta
    ▫️روش بهینه‌سازی Adam

💡PyTorch
🔘 مطالعه در وبسایت
@Onlinebme

✅ تنسورفلو یا پایتورچ، چرا PyTorch برای محققین انتخاب مناسبی است؟

👨‍💻محمد نوری زاده چرلو
🗓21 اسفند 1402

💡تنسورفلو یا پایتورچ، مسئله این است! تنسورفلو و پایتورچ دو پلتفرم قدرتمند یادگیری عمیق، به عبارتی دو ستون اصلی در زمینه یادگیری عمیق هستند. تنسورفلو توسط گوگل توسعه پیدا کرده و به scalability و سازگاری مشهور است. در کاربردهای صنعتی خیلی بیشتر استفاده میشود و اکوسیستم بسیار قوی دارد. اما علارغم همه این قابلیتهای TensorFlow، من به عنوان یک پژوهشگر به دلایل زیر انتخابم پایتورچ هست

🔘جزئیات بیشتر 👇
https://onlinebme.com/pytorch-vs-tensorflow-why-i-choose-pytorch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام
وقت همه دوستان عزیز بخیر باشه

قصد داریم یک دوره با عنوان" پردازش سیگنالهای قلبی(ECG)" برگزار کنیم.

در این دوره اصول پایه پردازش سیگنالهای قلبی آموزش داده خواهد شد.
🔷 پیش پردازش سیگنال ECG
🔷 استخراج ویژگی از سیگنال ECG
🔷 انتخاب ویژگی
🔷 طبقه‌بندی با الگوریتمهای یادگیری ماشین
🔷 طبقه‌بندی با الگوریتمهای یادگیری عمیق

دوستانی که قصد دارند در این دوره شرکت کنند به آیدی زیر پیام دهند.
@onlinebme_admin

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡دوره قراره آنلاین برگزار بشه (هر هفته یک جلسه ۴ ساعته)

✅ ویژگی‌های دوره
💡 پروژه محور| همانند سایر دوره ها، این دوره نیز پروژه محور هست و از داده های معتبر در این دوره برای آموزش و انجام پروژه‌ها استفاده خواهیم کرد.

💡 پیاده‌سازی مقاله| در این دوره، مقالات تخصصی پیاده‌سازی خواهیم کرد و شرکت‌کنندگان علاوه بر یادگیری مباحث، با اصول پیاده‌سازی مقالات تخصصی نیز آشنا خواهند شد.

💡ویدئوهای آموزشی| ویدئوهای هر جلسه آنلاین ضبط میشه و بعد از ادیت ویدئوها، در اختیار شرکت کنندگان قرار میگیره.

💡کدهای پیاده‌سازی شده‌| همانند سایر دوره‌ها، کدهای پیاده‌سازی شده در طول دوره برای پروژه‌ها و مقالات، در اختیار شرکت‌کنندگان قرار میگیره.

💡پشتیبانی آنلاین| طول دوره و بعد از دوره شرکت کنندگان می‌توانند با مدرس دوره در ارتباط باشند. علاوه‌براین، برای هر فصل دوره پروژه‌ای تعریف میشه و پروژه‌ها توسط مدرس بررسی شده و فیدبکهای لازم داده میشه.


مدت زمان دوره: حدودا 25 ساعت
مدرس دوره: محمد نوری زاده چرلو

🔷ثبت نام و اطلاعات بیشتر👇
@onlinebme_admin

#ECG #قلب
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ معرفی اولین پایگاه داده دوره پردازش سیگنال ECG

🔷معرفی پایگاه داده MIT BIH Arrhythmia 
🔷 نحوه خواندن داده .dat در پایتون

سایت فیزیونت یک منبع پایگاه داده رایگان برای تحقیقات پزشکی هست که توسط آزمایشگاه فیزولوژی محاسباتی MIT مدیریت می‌شود.  پایگاه داده MIT BIH Arrhythmia برای تحقیقات روی بیماریهای آریتمی قلبی ثبت شده است. این پایگاه داده  شامل 48 ثبت نیم ساعته سیگنال ECG است که به فرمت .dat قابل دانلود هست. در این پست (💡در دو ویدیو) میخواهیم با این پایگاه داده و چارچوب تحقیقات روی این داده آشنا شویم، در انتها هم توضیح می دهیم که چطور می توان این داده را در پایتون خواند.  
🔘 جزئیات بیشتر

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@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 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
سال نو همه همراهان عزیز مبارک باشه 🎉
امیدواریم سال جدید برای همه سالی پر از خبر و برکت باشه🙏❤️



🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
 

✅ نگاه کلی به دوره‌های آکادمی Onlinebme
🟠30 درصد تخفیف پاییزی 🎊🎊🎉

🏷 لیست دوره‌های Onlinebme
┤ ◼️ برنامه‌نویسی Python
┤ ◻️ برنامه‌نویسی MATLAB
┤ ◼️ یادگیری ماشین|شناسائی الگو
┤ ◻️ پردازش سیگنالهای مغزی‌ (EEG)
┤ ◼️ برنامه‌نویسی شئی گرا(OOP)
┤ ◻️ واسط مغز-کامپیوتر (BCI)
┤ ◼️ شبکه‌های عصبی
┤ ◻️ پردازش تصویر
┤ ◼️ یادگیری عمیق 
┤ ◻️ بینایی ماشین
┤ ◼️ پیاده‌سازی شبکه‌های عصبی با پایتورچ
┘ ◼️ پردازش سیگنال EEG در پایتون(MNE)

💡پکیجهای آموزشی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

نولاند آرباگ، اولین شخصی که تراشه نورولینک در مغز او ایمپلنت شده، اینجا احساسش در مورد تراشه رو توصیف میکنه🙂

@Onlinebme

✅ شطرنج بازی کردن اولین فرد ایمپلنت شده نورولینک!

آقای Noland Arbaugh به خاطر یک حادثه غواصی، از شانه به پایین فلج شده است.

🔺اینجا به لطف تراشه نورولینک میتونه موس رو تنها با افکارش کنترل کنه و شطرنج بازی کنه.

🔻 البته کنترل موس توسط افکار چیز تازه ای در حوزه BCI نیست و قبلا هم همچین سیستمهایی طراحی شده است. خوبی تراشه نورولینک اینه که بیسیمه و میشه در خونه یا هرجایی خارج از آزمایشگاه هم به راحتی استفاده کرد.

💡 گفته میشه که هدف بعدی نورولینک دادن بینایی به نابینایان هست!
@Onlinebme

✅الگوریتم‌های یادگیری عمیق در پردازش سیگنال EEG


👩‍💻هما کاشفی امیری
🗓۹ فروردین ۱۴۰۳

✍در سال‌های اخیر، الگوریتم‌های یادگیری عمیق به سرعت توسعه یافته‌اند و در حال تبدیل شدن به ابزاری قدرتمند در مهندسی پزشکی هستند. به طور خاص، تمرکز زیادی بر کاربرد الگوریتم‌های یادگیری عمیق در رمزگشایی وضعیت فیزیولوژیکی یا پاتولوژیک مغز از الکتروانسفالوگرافی (EEG) شده است. در این مقاله، کاربرد فعلی الگوریتم‌های یادگیری عمیق در انواع تسک‌های رمزگشایی EEG بررسی می‌شود. در این مقاله، اصول اولیه الگوریتم‌های یادگیری عمیق مورد استفاده در رمزگشایی EEG به طور خلاصه شرح داده شده است از جمله شبکه عصبی کانولوشنی (CNN)، شبکه باور عمیق (DBN)، شبکه خودرمزنگار (autoencoder) و شبکه‌های عصبی بازگشتی (RNN)

⭕️ جزییات بیشتر👇

https://onlinebme.com/deep-learning-algorithms-for-eeg-signal-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅یادگیری عمیق برای کاربردهای واسط مغز-کامپیوتر مبتنی بر EEG


👩‍💻هما کاشفی امیری
🗓۲۳ فروردین ۱۴۰۳

✍یادگیری عمیق، چشم اندازهای عالی برای حل تسک‌های پیچیده‌ی مرتبط مانند کلاسبندی تصاویر حرکتی، تشخیص تشنج صرع و تشخیص توجه راننده با استفاده از داده‌ی EEG نشان داده است. محققان در حال حاضر کارهای زیادی روی رویکردهای مبتنی بر یادگیری عمیق در حوزه‌ی BCI انجام داده‌اند. علاوه بر این تقاضای زیادی برای مطالعاتی وجود دارد که تنها بر مدل‌های یادگیری عمیق در کاربردهای BCI مبتنی بر EEG تأکید شود. در این مقاله به چالش‌های فعلی و جهت گیری‌های مطالعات آتی اشاره می‌کنیم.

⭕️ جزییات بیشتر👇

https://onlinebme.com/deep-learning-for-eeg-based-bcis/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام
وقت همگی بخیر

☑️ "دوره پردازش سیگنال ECG" از جمعه این هفته شروع میشه😊

🕒 دوره جمعه‌ها از ساعت 3 تا 7 خواهد بود.

🎞ویدیوی جلسات ضبط میشه و بعد از ادیت تا روز دوشنبه هفته بعدی همراه با سایر محتوا در اختيار همه شرکت کنندگان قرار میگیره.

🗂📗 لطفا طبق روال دوره های Onlinebme، پروژه‌ها رو انجام داده و فایل گزارش رو به ایمیل من ارسال کنید تا بررسی شده و فیدبک لازم داده بشه.

موفق باشید...

🔖 جزوه خام دوره برنامه‌نویسی شئی گرا

🏷 سرفصل دوره OOP در پایتون 
┤ ◻️ مقدمه‌ای بر برنامه‌نویسی OOP
┤ ◼️ارتباط بین class و  object
┤ ◻️  تعریف class در پایتون
┤ ◼️ ساخت  object
┤ ◻️ تعریف شناسه برای  object
┤ ◼️ تعریف متد برای  object
┤ ◻️ تعریف شناسه برای کلاس
┤ ◼️ تعریف متد برای کلاس
┤ ◻️ کپسوله سازی|Encapsulation
┤ ◼️ اوررایدینگ|Overriding 
┤ ◻️ ارث‌بری|inheritance
┤ ◼️ متدهای جادویی
┘ ◻️ انجام پروژه

🔘Link
@Onlinebme

سلام به همه دوستان
بسیار خوشحالم که اعلام کنم دوره ی پردازش سیگنال مغزی با پکیج MNE-Python روی سایت قرار گرفت.

🔷 دوره‌ی MNE-Python از دو بخش تشکیل شده است. در بخش اول، مفاهیم پایه‌ای پردازش سیگنال EEG با استفاده از کتابخانه‌ی MNE-Python آموزش داده می‌شود. تمامی مراحل اعم از خواندن دیتاست به فرمت‌های مختلف، جدا کردن سیگنال‌های پیوسته و خام به ترایال‌ها و پیش پردازش و … مرحله به مرحله ارائه می‌شوند. در بخش دوم، برای دیتاست‌های معروف EEG  با استفاده از پکیج MNE و الگوریتم‌های یادگیری ماشین و یادگیری عمیق، پروژه انجام می‌شود و مقاله‌های جدید پیاده‌سازی می‌شوند. سیگنال‌های EEG مورد استفاده در این دوره شامل سیگنال‌های تصورحرکتی، صرع، SSVEP، Distance Learning هستند.


اطلاعات بیشتر👇

https://onlinebme.com/product/eeg-processing-with-python-mne/

عکس رادیولوژی😍
@Onlinebme