📋 #جزوه خام جلسه اول پردازش تصویر
☑️ مقدمه ای بر پردازش تصویر
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#دوره
#پردازش_تصویر
✔️@onlineBME

🚅🚅 دبی!
اولین سیستم حمل نقل مبتنی بر #هوش_مصنوعی در جهان با نام Multi Tran System در دبی
#خبر
✔️ @onlineBME

🔷 آخرین رتبه‌بندی دانشگاه‌های ایران

✔️ @onlineBME

🔺بررسی مدارس نفرات برتر کنکور نشون داده که مدرسه همه نفرات #پولی و #غیردولتی بوده!🤦‍♂🤦‍♀

✔️ @onlineBME

📋 #جزوه خام جلسه دوم شبکه عصبی
☑️ شبکه عصبی پرسپترون تک لایه و قوانین یادگیری
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#نورون
#خواص_مغز_انسان
#دوره
#شبکه‌های_عصبی

✔️@onlineBME

📋 #جزوه خام جلسه 2 پردازش سیگنال
☑️ کلاسبندها| پارامترها و روشهای ارزیابی کلاسبندها
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#پردازش_سیگنال
#Classification
#Boosting
@onlineBME

✅تولید مقاله برای ویکیپدیا به کمک #هوش_مصنوعی
🖊نویسنده: هما کاشفی امیری
یکی از تیم های Google Brain نرم افزاری را آموزش داده اند که می تواند مقالات سبک ویکیپدیا را با خلاصه سازی اطلاعات صفحات وب تولید کند.
همانطور که میدانیم اینترنت یک منبع تمام نشدنی از مقالات است. خواندن و ثبت کردن همه ی آنها دشوار است اما با کمک هوش مصنوعی می توان اطلاعات را به خلاصه های مفیدی تبدیل کرد، هرچند این کار اصلا آسان نیست.
یکی از مقالات اخیر در ICLR توضیح داده است که خلاصه سازی متن توسط کامپیوترها چقدر می تواند دشوار باشد. برای مثال Salesforce از شبکه عصبی بازگشتی با روش یادگیری تقویتی استفاده کرده است تا اطلاعات را به عنوان ورودی بگیرد و خلاصه ی آن را خروجی بدهد که نتایج آن بد نبوده است.
از تفاوتهایی که بین جمله بندی انسان با کامپیوتر این که جملات تولید شده با کامپیوتر کوتاه و ساده هستند و خلاقیت و ریتم کلی متن در آنها دیده نمی شود. تلاشهای اخیر Google Brain نتیجه بخش تر بوده است، جملات طولانی تر و طبیعی تر شده اند. خواندن متن تولید شده توسط کامپیوتر کمی سخت است، حروف ابتدایی هر جمله بزرگ نیستند و اکثر جملات ساختار مشابهی دارند. اما به طور کلی خوانایی دارد!
این مدل top ten صفحه ی وب در مورد یک موضوع خاص را می گیرد و یا اطلاعات را از لینکهای مرجع یک مقاله ی ویکیپدیا استخراج می کند. اکثر صفحات انتخابی برای آموزش استفاده می شوند و تنها تعداد کمی از آنها برای تست مدل به کار گرفته میشوند.

منبع:
https://www.theregister.co.uk/2018/02/15/google_brain_ai_wikipedia
#خبر
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

📕📒📗یادگیری ماشین
#جلسه_پنجم( #ML5 ) :
ادامه درخت تصمیم
👩‍🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML5
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

📋 #جزوه خام جلسه دوم پردازش تصویر
☑️ تبدیلات هندسی| شدت روشنایی|پردازش هیستوگرام| فیلترهای مکانی در پردازش تصویر
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#پردازش_تصویر
✔️@onlineBME

تمرین جلسه دوم پردازش تصویر

🔹بعد از شبیه سازی کد متلب و گزارش مختصر از نتیجه را به آیدی زیر ارسال کنید.
@onlineBME_Admin

✔️ @OnlineBME

📋 #جزوه خام جلسه سوم شبکه عصبی
☑️ شبکه عصبی پرسپترون #چندلایه و قوانین یادگیری
#پس_انتشارخطا
#دلتا_دلتا
#دلتابار
#پروژه_عملی
#کلاسبندی
#پیشبینی |آلودگی هوا |میزان نشست خاک در مترو

✔️@onlineBME

✅✅هوش مصنوعی چطور می فهمد که بازیکنی در فوتبال آسیب دیده است؟
👩‍🏫 نویسنده: هما کاشفی امیری
دانشگاه Pisa، CNR و FC بارسلونا الگوریتمی را ارائه کرده اند که می تواند بیش از 50% از آسیب های عضلانی اعضای تیم فوتبال حرفه ای را تشخیص دهد.
آسیب ها تأثیر عمده ای بر عملکرد و بودجه ی باشگاه های ورزشی دارند. جدیدترین نمونه ی آن را می توان آسیب ماتادور Cavani دانست که در شکست اورگوئه در جام جهانی اخیر در روسیه نقشی تعیین کننده داشت.
مجله ی علمی معتبر Plo sOne پژوهش گروهی از محققان دانشگاه Pisa، CNR و میلان و FC بارسلونا و فیلادلفیا را منتشر کرده است که الگوریتمی بر پایه ی Big Data و روش های هوش مصنوعی پیچیده توسعه داده اند تا آسیب های وارده به بازیکنان تیم فوتبال را شناسایی کند.
این الگوریتم پارامترهای فیزیکی مختلف حاصل از دستگاه های GPS که بازیکنان در طول بازی می پوشند را با هم ترکیب می کند تا ریسک آسیب عضلات را محاسبه کند و استراتژی های پیشگیرانه ارائه دهد.
در تست های انجام شده روی یک تیم حرفه ای در طی یک فصل بازی، الگوریتم بیش از 50 درصد از آسیب های عضلانی را به درستی پیش بینی کرده است. این نشان می دهد که اگر بازیکن بیشتر بدود به احتمال زیاد بیشتر آسیب خواهد دید و از این طریق می توان از استراتژی های پیشگیرانه استفاده کرد و وضعیت تیم را بهبود داد.
به گفته ی محققان این طرح، اگر مربیان ورزشی در طی مسابقات قهرمانی این اطلاعات را در دست داشته باشند می توانند در حدود 70% از هزینه های مربوط به ریکاوری بازیکنان صرفه جویی کنند.
منبع:
http://sobigdata.eu/blog/how-artificial-intelligence-understands-when-player-gets-injured
#خبر
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

📋 #جزوه خام جلسه 3 پردازش سیگنال
☑️ استخراج ویژگی | فیلترینگ| تبدیل ویولت | تبدیل فوریه | ویژگیهای آماری
#تشخیص_صرع
#پردازش_سیگنال
#EEG
#Classification
#feature_extraction

✔️ @onlineBME

اتحادیه بین‌المللی انجمن‌های ریاضی جهان با پیشنهاد کمیته زنان انجمن #ریاضی ایران، روز تولد مریم #میرزاخانی، سوم ماه می (۱۳ اردیبهشت) را #روزجهانی «زن در ریاضیات» نامگذاری کرد.
ایسنا

✔️ @onlineBME

📚 آموزش برنامه نویسی پایتون
#جلسه8_python

#python_for_loop

👩‍🏫 مدرس: مهندس معصومه دلگرمی 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME

📕📒📗یادگیری ماشین
#جلسه_ششم( #ML6 ) :
ادامه درخت تصمیم
👩‍🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML6
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅اجاره مغز موش: AI هوشمندتر در پایگاه داده های با مقیاس بزرگ!!
👩‍🏫نویسنده: هما کاشفی امیری

هوش مصنوعی، مصنوعی هست اما خیلی هوشمند نیست و یکی از دلایل آن این است که برای آموزش به مجموعه داده های بسیار بزرگ و عظیم نیازمندیم. اگر بتوانید مغز موش مصنوعی را اجاره کنید چه؟ و یا گزینه ی بهتر، اگر بتوانید یک مغز مصنوعی انسان بسازید که خیلی سریعتر یاد بگیرد؟ این پروژه یکی از استارتاپ های در حال انجام است در عرض 5 سال تحقق می یابد.
دکتر Danilak معتقد است که ترکیب عملکرد فلش با LANهای مقیاس بزرگ با تأخیر و هزینه ی کمتر امکان شبیه سازی بلادرنگ شبکه های عصبی مقیاس بزرگ را فراهم می آورد. مقیاس بزرگ تا حد مغز موش که در نهایت به مغز انسان خواهد رسید. پژوهش های مربوط به این حوزه به یک دهه قبل باز می گردد. در ایالات متحده، Brain Project وجود دارد، در حالیکه در اتحادیه ی اروپار، میلیاردها یورو برای پروژه ی Human Brain در نظر گرفته شده است. یکی از آخرین پیشرفت های علوم اعصاب محاسباتی، neuromorphic hardware SpiNNaker مبتنی برARM است.
مشکل اصلی اتصال است. مغز انسان 100 میلیارد نورون دارد و هر یک به 10000 سیناپس دیگر متصل هستند. پروژه ی SpiNNaker یک شبکه سوئیچ بسته چند منظوره را برای تعداد زیادی بسته های کوچک توسعه داده است که می تواند این مسئله را مدیریت کند.
برآوردهای فعلی نشان می دهند که بیش از 500000000 پردازنده نیاز است تا بتوان مغز انسان را شبیه سازی کرد چیزی که شاید با سوپرکامپیوترهای مبتنی بر GPU هم ممکن نباشد.
منبع:
https://www.zdnet.com/article/brain-simulation-in-hyperscale-datacenters/#ftag=RSSbaffb68

#خبر
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

Rat brain for rent: Smarter AI in hyperscale datacenters | ZDNet
AI is artificial, but it isn't very intelligent. What if you could rent an artificial rat brain, or even bett

📋 #جزوه خام جلسه سوم پردازش تصویر
☑️ عملیات مورفولوژی | تبدیل هاف| فیلترهای حوزه فرکانس در پردازش تصویر
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#پردازش_تصویر
✔️@onlineBME

عبدالله رئیسی رتبه ۲ کنکور انسانی از دور افتاده ترین روستای سراوان، همون جا که یک سال چون لوازم التحریر نداشته مدرسه نرفته.
#پشتکار
#هدف
@onlineBME

🌐 کوله پشتی HoverGlide اولین کوله پشتی شناور جهان👌
✔️ @onlineBME