✅یادگیری بازنمایی یا Representation Learning چیست؟

هما کاشفی امیری
24 خرداد 1403

✍️یادگیری بازنمایی روشی برای آموزش یک مدل یادگیری ماشین است تا بتواند مفیدترین بازنمایی داده‌ی ورودی را یاد بگیرد. این بازنمایی‌ها که اغلب به عنوان ویژگی شناخته می‌شوند، حالت‌های داخلی مدل هستند که می‌توانند داده‌های ورودی را به خوبی خلاصه‌ کنند و از این طریق به الگوریتم کمک می‌کنند تا الگوهای کلی داده‌ها را بهتر درک کند.

🔘 جزئیات بیشتر 👇
https://onlinebme.com/representation-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ محاسبه چگالی طیفی توان طبق روش Welch
👨‍💻محمد نوری زاده چرلو
🗓21 خرداد 1403

🔺️ چگالی طیفی توان (Power Spectral Density) توزیع توان در بازه‌های فرکانسی را مشخص می‌کند که میتوان با کمک تبدیل فوریه آنرا محاسبه کنیم. از آنجا که PSD اطلاعات زیادی در مورد پدیده‌ای که بررسی می‌کنیم ارائه می‌دهد، استفاده از آن در پردازش سیگنال‌های حیاتی برای تحلیل و استخراج ویژگی بسیار رایج است.
 در این پست موارد زیر را بررسی می‌کنیم:
▪️        آشنایی با مفهوم PSD
▪️        نحوه محاسبه PSD طبق رویکرد Welch
▪️        محاسبه توان طبق قاعده‌ی ذوزنقه‌ای

🔘 جزئیات بیشتر 👇
https://onlinebme.com/power-spectral-density-calculation-using-welch-method/

📌 فایل PDF

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 3: استخراج ویژگی
🔘 تمرینات سری ششم
▪️ Feature extraction from RRI

@Onlinebme

✅مفهوم Early Stopping در یادگیری ماشین چیست؟


هما کاشفی امیری
۳۱ خرداد ۱۴۰۳

✍️زمانی که مدل‌های یادگیری ماشین را آموزش می‌دهیم ممکن است این مدل‌ها روی داده‌ی آموزش بیش از حد آموزش ببینند و یا به اصطلاح داده‌ی آموزشی را حفظ کنند و بیش برازش (Overfitting) رخ دهد. اغلب در چنین مواقعی می‌بینیم که خطای مجموعه داده‌ی آموزش به طور پیوسته در طول زمان کاهش پیدا می‎‌کند اما خطای مجموعه داده‌ی Validation دوباره افزایش می‌یابد. رویکرد Early Stopping برای جلوگیری از این مسئله پیشنهاد شده است. 

🔘 جزئیات بیشتر 👇

https://onlinebme.com/what-is-early-stopping-in-machine-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

از آنجاییکه انتخاب دیتاست یا پایگاه داده نقش بسیار مهمی در پژوهش های ما دارد، لازم است با دیتاست هایی که در مقالات اخیر استفاده می شود آشنا باشیم.

◽️معرفی دیتاست EEG تشنج صرعی
CHB-MIT

🟣یکی از پایگاه داده‌ یا دیتاست‌های مهم EEG صرع تشنجی که در مقالات اخیر از آن استفاده شده است CHB-MIT است که در این مقاله به بررسی آن می‌پردازیم.


اطلاعات بیشتر👇

https://onlinebme.com/chb-mit-database/
#معرفی_پایگاه_داده
#EEG
#MNE
#dataset
#database

@onlinebme

✅مفهوم آموزش خصمانه (Adversarial Training)


هما کاشفی امیری
7تیر 1403

✍️در بسیاری از مواقع شبکه‌های عصبی که روی دیتاست‌های تست i.i.d ارزیابی می‌شوند، به عملکردی نزدیک به عملکرد انسانی دست پیدا می‌کنند. طبیعی است که تعجب کنیم آیا واقعاً این مدل‌ها، درکی در سطح انسان از تسک‌ها کسب کرده‌اند؟ به منظور بررسی میزان درک یک شبکه از تسک موردنظر، می‌توانیم نمونه‌ داده‌هایی را جستجو کنیم که مدل آنها را به درستی کلاسبندی نمی‌کند. این بار سعی می‌کنیم مدل را به طور خصمانه‌تری آموزش دهیم.

🔘 جزئیات بیشتر 👇

https://onlinebme.com/adversarial-training/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

◽️معرفی دیتاست های بینایی ماشین

🟣در این مقاله، لیستی جامع از دیتاست‌های با کیفیت بینایی ماشین را ارائه کرده‌ایم که می‌توانید به صورت رایگان به آنها دسترسی داشته باشید.


اطلاعات بیشتر👇

https://onlinebme.com/open-source-datasets-for-machine-vision/
#معرفی_پایگاه_داده
#image_classification
#image_segmentation
#Object_detection
#face_detection
#dataset
#database

@onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 4: طبقه‌بندی
🔘 پروژه سری اول 
▪️ classification and validation

@Onlinebme

Google Shadow Art🐦🐧🐤🐻🐹🐱

بازی هوش مصنوعی جالبی است که با استفاده از آن می توانید با دست خود سایه حیوانات را بسازید و هوش مصنوعی باقی آن را تکمیل می کند.😊

اول باید حیوانی که می خواهید ایجاد کنید را انتخاب کنید سپس سایه آن را با دستانتان ایجاد کنید.

لینک بازی:
https://shadowart.withgoogle.com/?lang=en-us#

@Onlinebme

کانولوشن با padding و stride های مختلف
#deeplearning
Source
@Onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 5: انتخاب ویژگی
🔘 پروژه سری دوم 
▪️ feature selection

@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
دوره《پردازش سیگنال ECG》تموم شد
پکیج دوره هفته آینده بعد از ادیت نهایی در وبسایت قرار می‌گیرد.

@Onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 6: شبکه عصبی
🔘 پروژه سری سوم 
▪️ Deep learning

@Onlinebme

پای مصنوعی محرک که برای ساختش از آناتومی پای انسان الهام گرفته شده است.

@Onlinebme

🔆       《دوره پردازش سیگنال ECG》        🔆

✅ دوره پردازش سیگنال ECG یک دوره کاملا پروژه محور است (49 مثال، 16 تمرین، 19 پروژه) و در آن روشهای پردازش سیگنال ECG به صورت گام به گام آموزش داده شده و در پایتون پیاده سازی می شوند.

1⃣ در فصل 1 انواع داده ها معرفی شده و نحوه خواندن آنها آموزش داده می‌شود.

2⃣ در فصل 2 روشهای پیش پردازش از جمله کاهش نویز، تشخیص پیکهای R، استخراج RRI و QRS آموزش داده می‌شود.

3⃣ در فصل 3، روشهای استخراج ویژگی از جمله morphological, temporal برای QRS ها و ویژگی های حوزه زمان و فرکانس برای RRI ها آموزش داده می شود.

4⃣ در فصل 4 روشهای طبقه بندی و ارزیابی آموزش داده می شود.

5⃣در فصل 5 روشهای انتخاب ویژگی آموزش داده می شود.

6⃣ در انتها هم نحوه پردازش سیگنال ECG با شبکه های عصبی در پایتورچ آموزش داده می‌شود.

در این دوره، دو پایگاه داده معتبر مورد استفاده قرار گرفته اند.
▪️ MIT-BIH Arrhythmia Database
▪️ Apnea-ECG Database

مدرس: محمد نوری زاده چرلو
مدت زمان دوره: 37 ساعت و 45 دقیقه

🔘 جزئیات بیشتر 👇
https://onlinebme.com/product/ecg-signal-processing-course/

🏢 @Onlinebme

✅پیاده سازی یک autoencoder ساده در کراس


هما کاشفی امیری
28 تیر 1403

✍️می خواهیم به نحوه ی پیاده سازی autoencoderها در کراس نگاهی بیندازیم، معماری شبکه عصبی که سعی می کند بازنمایی فشرده ای از داده ی ورودی به دست دهد.

🔘 جزئیات بیشتر 👇

https://onlinebme.com/implementing-an-autoencoder-in-keras/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme