✅چرا پردازش تصویر مهم هست؟
پردازش تصویر دیجیتال به استفاده از الگوریتمهای کامپیوتری جهت اعمال تغییرات روی تصویر گفته می شود. پردازش تصویر به خاطر اینکه در حوزه های مختلف نقش کلیدی بازی میکند اهمیت بسیاری دارد. در این مقاله کاربردهای پردازش تصویر را توضیح میدهیم تا متوجه اهمیت این حوزه شویم. 

⭕جزئیات بیشتر👇👇
https://onlinebme.com/why-image-processing-is-important/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅از کاربردهای ساده پردازش تصویر
1- تشخیص حرکت دست
2- ناحیه بندی تصویر اکوکاردیوگرافی

روز برنامه نویسان عزیز مبارک ❤️

✅ ماشین بردار پشتیبان در مسائل رگرسیون(SVR)
✍ماشین بردار پشتیبان برای اولین بار در سال 1995 توسط Vapnik برای مسائل طبقه بندی ارائه شد. به خاطر عملکرد خیلی خوبی که SVM دارد از این روش استقبال خیلی خوبی شد. بعدها این مدل برای مسائل رگرسیون با نام رگرسیون بردار پشتیبان (Support Vector Regression) هم تعمیم یافته شد. در این مقاله سعی میکنیم به زبان ساده رویکرد 《ماشین بردار پشتبیان در مسائل رگرسیون》 را توضیح دهیم.

⭕️جزئیات بیشتر👇
https://onlinebme.com/support-vector-regression/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅پردازش تصویر(فصل چهارم): عملیات مورفورلوژی

✍ عملیات مورفورلوژی(Morphological operation) مجموعه ای از عملیاتی هست که مرتبط با ویژگی های شکل و مورفولوژی(ریخت) در یک تصویر هستند. از الگوریتمهای مورفولوژی(ریخت شناسی) به عنوان یک ابزار ریاضی برای استخراج اجزای تصویر استفاده می شود. عملیات مورفولوژی بیشتر برای پردازش تصاویر باینری استفاده می شوند اما میتوان برای تصاویر سطح خاکستری و رنگی هم استفاده کرد. از جمله کاربردهای عملیات مورفولوژی میتوان استخراج اجزای تصویر و بهبود مسیرها و شکستگی های باریک تصویر را نام برد. در این فصل تمامی تکنیک های مورفولوژی به صورت پروژه محور آموزش داده شده اند.
 
⭕ جزئیات بیشتر👇👇
https://onlinebme.com/product/morphological-operations-in-image-processing/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅چرا هر موقع شبکه عصبی را اجرا میکنم جواب متفاوتی بدست می آید؟

✍حتما برای شما هم پیش آماده که از یک شبکه عصبی در پروژه خودتون استفاده کرده اید و هر بار که اجرا کرده اید به یک نتیجه متفاوت رسیده اید! این برای یک پروژه اصلا نتیجه مناسب و قابل اعتمادی نیست. شبکه عصبی ما باید نتایج پایدار و قابل اعتمادی بدهد تا بتوان در عمل از آن استفاده کرد. نتایجی پایدار هستند که در همه اجراها یکسان و یا حداقل نزدیک بهم باشند. نه اینکه در هر اجرا یک دقت عجیب غریب بدست بیاید. در این مقاله در ابتدا دلایل ناپایداری نتایج شبکه عصبی و سپس راه حل این مشکل را بررسی می کنیم.

⭕جزئیات بیشتر👇👇
https://onlinebme.com/how-to-solve-randomness-of-neural-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅دوره جامع و پروژه محور شبکه عصبی کانولوشنی (CNN)

✍یادگیری عمیق یکی از حوزه‌های جذاب و پرکاربرد هوش مصنوعی است. در این دوره بر یکی از معروف‌ترین شبکه‌های عمیق به نام شبکه‌‌ی عصبی کانولوشنی (Convolutional Neural Network) تمرکز شده است. در این دوره‌ی پروژه محور ابتدا مفاهیم اولیه و تئوری شبکه‌های CNN توضیح داده می‌شود، سپس لایه‌های تشکیل دهنده‌ی شبکه‌ی CNN به طور دقیق تعریف می‌شوند، سپس نحوه‌ی ایجاد، آموزش و ارزیابی یک شبکه CNN با استفاده از فریم ورک تنسورفلو و کراس آموزش داده می‌شود و شبکه‌های معروف CNN پیاده سازی می‌شوند.

مدت زمان دوره: 11 ساعت
مدرس دوره: هما کاشفی امیری

⭕جزئیات بیشتر 👇👇
https://onlinebme.com/product/convolutional-neural-network/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme