onlinebme
سلام تصمیم بر این بود که کل دوره EEG ضبط شود و بعد یکجا منتشر شود. اما از اونجایی که خیلی از دوستان پروژه ی درسی و پایان نامه دارند و منتظر دوره EEG هستند تا طبق دوره کار خودشون رو پیش ببرند، برای همین طبق درخواست شما دوستان برنامه رو تغییر دادیم. دوره در…
مثالی از حذف نویز در حوزه فرکانس
از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس و نحوه حذف اطلاعات ناخواسته استفاده میکنیم تا درک بهتری از مسئله داشته باشیم
#دورهEEG
@onlinebme
از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس و نحوه حذف اطلاعات ناخواسته استفاده میکنیم تا درک بهتری از مسئله داشته باشیم
#دورهEEG
@onlinebme
onlinebme
مثالی از حذف نویز در حوزه فرکانس از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس و نحوه حذف اطلاعات ناخواسته استفاده میکنیم تا درک بهتری از مسئله داشته باشیم #دورهEEG @onlinebme
مثالی از حذف نویز در حوزه فرکانس
از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس و نحوه حذف اطلاعات ناخواسته استفاده میکنیم تا درک بهتری از مسئله داشته باشیم
#دورهEEG
@onlinebme
از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس و نحوه حذف اطلاعات ناخواسته استفاده میکنیم تا درک بهتری از مسئله داشته باشیم
#دورهEEG
@onlinebme
onlinebme
مثالی از حذف نویز در حوزه فرکانس از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس و نحوه حذف اطلاعات ناخواسته استفاده میکنیم تا درک بهتری از مسئله داشته باشیم #دورهEEG @onlinebme
مثال سوم برای تحلیل در حوزه فرکانس
از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس استفاده میکنیم تا درک بهتری از مسئله داشته باشیم
#دورهEEG
@onlinebme
از این مثال های #تصویری و #صوتی برای تحليل حوزه فرکانس استفاده میکنیم تا درک بهتری از مسئله داشته باشیم
#دورهEEG
@onlinebme
onlinebme
season6-dimension reduction.zip
season7-feature selection.zip
8.3 MB
📝#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
🔵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
onlinebme
پشتکار... @onlinebme
در خلال جنگ جهانی دوم آمریکاییها بمبافکنهاشون رو که گلوله ضدهوایی میخورد بررسی و تصمیم گرفتن نقاطی که بیشتر گلوله میخورن رو مقاومتر کنن و زره پوششی نقاطی که کمتر گلوله نمیخورن رو سبکتر کنن اما نتیجه کاملاً برعکس شد و آمار سقوط هواپیماهاشون بالا رفت. دلیل؟ چون اونها داشتن هواپیماهایی رو بررسی میکردن که موفق به بازگشت شده بودن نه هواپیماهای سقوط کرده رو. در واقع این هواپیماها چون گلوله به نقاط بخصوصی نخورده بود باعث شده بود سقوط نکنن و اون نقاطی که گلوله خورده بود باعث سقوط نمیشد. از اون مقطع، روششون رو تغییر دادن. این پدیده مرتبط با یه نکته آماریه به اسم survivorship bias یا تعصب بقاء یا سوگیری براساس بقاء. از این مفهوم در مورد مسائل زندگی هم استفاده میشه. مثلاً ما همیشه نمونههای موفق رو میبینیم مثل بیل گیتس که ترک تحصیل کرده (حالا بماند که تحصیل در هاروارد رو ولکرده، نه دبیرستان رو!) اما افراد خیلی بیشتری که ترک تحصیل کردن و به جایی نرسیدن رو نمیبینیم چون کسی زندگی اونها رو روایت نمیکنه.
ادامه 👇
@onlinebme
ادامه 👇
@onlinebme
onlinebme
در خلال جنگ جهانی دوم آمریکاییها بمبافکنهاشون رو که گلوله ضدهوایی میخورد بررسی و تصمیم گرفتن نقاطی که بیشتر گلوله میخورن رو مقاومتر کنن و زره پوششی نقاطی که کمتر گلوله نمیخورن رو سبکتر کنن اما نتیجه کاملاً برعکس شد و آمار سقوط هواپیماهاشون…
وقتی میخوایم از افراد موفق الگو برداری کنیم، کندوکاو در مورد نقاط قوتی که دارن، مسیری که رفتن یا کارهایی که کردن (مخصوصاً ریسکهایی که پذیرفتن یا شانسهایی که آوردن) میتونه ما رو گمراه کنه. افراد موفق بمبافکنهایی هستن که تونستن برگردن و اگه از خوانهای زیادی عبور کردن دلیلش گلولههایی بوده که بهشون اصابت نکرده و مسیرهایی که نرفتن و کارهایی که نکردن؛ نقاط ضعفی که گلوله نخورده. گاهی بد نیست برای موفقیت سراغ کسایی بریم که موفق نشدن: همکلاسیهای قدیمی که توی مقطعی از زندگی مسیرمون جدا شده، اما اونها هنوز تقریباً همونجایی هستن که شروع کردن. ببینیم چه نقاط ضعفی دارن که گلوله خورده، و همچنین: چه نقاط قوتی دارن که باعث موفقیتشون نشده. البته موفقیت برای هر کس میتونه معنی متفاوتی داشته باشه: شهرت، محبوبیت، فالوور بالا، مفید بودن، درآمد ...
LinkedIn: Farzad Mehrdad
@onlinebme
LinkedIn: Farzad Mehrdad
@onlinebme