✅ عینک مجهز به تشخیص چهره/ سلاح جدید پلیسهای چینی

✍ پلیسهای چینی از عینکهای مجهز به #تشخیص_چهره برای ردیابی مسافرین استفاده میکنند!
براساس گزارش محلی، این عینکها در یکی از شلوغ ترین ایستگاههای مترو هنگام مسافرتهای سال نو استفاده می شود، دوره ای که یکی از شلوغ ترین زمانهاست و اغلب به عنوان بزرگترین رویداد مهاجرات انسان در روی زمین شناخته میشود.
پلیس محلی گزارش میدهد که این عینکها قبلا در دستگیری 7 مظنون تحت تعقیب و همچنین 26 نفر از کسانی که با هویت جعلی مسافرت میکردند استفاده شده است.

🔺مدیر اجرایی شرکت LLVission می گوید که این شرکت با پلیس محلی کار میکند تا بتواند این تکنولوژی را با توجه به نیازهایش توسعه دهد.
این دوربین ها قادر به شناسایی یک فرد از بین 10000 تصویر مرتبط به مظنونین در عرض 100 میلی ثانیه هست! اما ممکن است دقت شناسایی در استفاده های زمان حقیقی به خاطر #نویز_محیط تغییر کند.
🔺بزرگترین چالشی که این عینکها با آن روبرو هستند این است که هنگامی که از دوربینهای cctv استفاده میکنند، تصویر تار میشود و زمانی که میخواهد تشخیص هویت دهد ممکن است فرد حرکت کند.

https://www.theverge.com/platform/amp/2018/2/8/16990030/china-facial-recognition-sunglasses-surveillance

➖➖➖➖
🌐 @IUST_Bioelecteric

🌐 یک نوجوان 14 ساله برنامه ای (application) با استفاده از #هوش_مصنوعی و فناوری #تشخیص_چهره ساخته که به بیماران #آلزایمر کمک می کند تا عزیزانشان را به خاطر بیاورند.
✍️ اما یانگ، برنامه نویس جوان ما بعد از مشاهده اینکه مادربزرگش چقدر در به یاد آرودن اعضای خانواده خود اذیت میشد، تصمیم میگیرد تا با استفاده از هوش مصنوعی و تشخیص چهره اپی بسازد که به این به افراد کمک کند تا عزیزان خود را به خاطر بیاورند.
🔺در اپ در حال توسعه این برنامه نویس جوان ما، که timless نام دارد، بیماران مبتلا به آزایمر عکس دوستان و اعضای خانواده خود را انتخاب کرده و اپ با کمک فناوری تشخیص چهره به آنها می گوید که این برای چه شخصی هست و چه ارتباطی با بیمار دارند.
🔺همچنین اگر در یک اتاقی شخصی را بیمار نتواند تشخیص دهد، تنها کافیست یک عکس از شخص گرفته شود، بعد اپ به طور خودکار تشخیص میدهد که فرد مورد نظر کی هست.
🔺این اپ همچنین یک صفحه یادآوری دارد که در آن قرار ملاقاتهای روزانه را لیست کرده است، که عکس اعضای خانواده به همراه اسم و شماره تماس در صفحه نشان می دهد. اگر بیمار چندین بار با یک شخص تماس بگیرد، اتفاقاتی بعضی مواقع به خاطر بیماری می افتد، این اپ یک فلش چهت یادآوری سریع میزند و پیام میدهد که: مطمئن هستید که میخواهید تماس بگیرید؟ شما همین 5 دقیقه پیش تماس گرفته بودید.
🔺همچنین در این اپ یک صفحه به اسم(من-me) وجود دارد که مشخصات بیمار از قبیل اسم، سن، شماره تماس و آدرس وجود دارد.
https://www.fastcompany.com/40519094/a-14-year-old-made-an-app-to-help-alzheimers-patients-recognize-their-loved-ones?utm_content=buffer3fb85

❇️در کل ایده جالبیه، شما چطور میتوانید از هوش مصنوعی و تشخیص چهره در زندگی روزمره خود استفاده کنید؟ 😃🤔🤔

بیماری آلزایمر:
بیماری آلزایمر که به اختصار آلزایمر خوانده می‌شود، یک نوع اختلال عملکرد مغزی است که بتدریج توانایی‌های ذهنی بیمار تحلیل می‌رود. بارزترین نوع از انواع مختلف زوال عقل اختلال حافظه‌است. اختلال حافظه معمولاً بتدریج ایجاد شده و پیشرفت می‌کند. در ابتدا اختلال حافظه به وقایع و آموخته‌های اخیر محدود می‌شود ولی بتدریج خاطرات قدیمی هم آسیب می‌بینند. بیمار پاسخ سئوالی را که چند لحظه قبل پرسیده‌است فراموش می‌کند و مجدداً همان سؤال را می‌پرسد. بیمار وسایلش را گم می‌کند و نمی‌داند کجا گذاشته‌است. در خرید و پرداخت پول دچار مشکل می‌شود و نمی‌تواند حساب دارائیش را نگه دارد. بتدریج در شناخت دوستان و آشنایان و نام بردن اسامی آنها نیز مشکل ایجاد می‌شود. کم‌کم مشکل مسیر یابی پیدا شده و اگر تنها از منزل بیرون برود ممکن است گم شود. در موارد شدیدتر حتی در تشخیص اتاق خواب، آشپزخانه، دستشویی و حمام در منزل خودش هم مشکل پیدا می‌کند. بروز اختلال در حافظه و روند تفکر سبب آسیب عملکردهای اجتماعی و شخصی بیمار شده و در نتیجه ممکن است سبب افسردگی، عصبانیت و پرخاشگری بیمار شود.
منبع: ویکی پدیا.
➖➖➖➖
🌐 @IUST_Bioelecteric

✅​​ توسعه فیلتری جدید برای مقابله با الگوریتم #تشخیص_چهره

✍الگوریتم‌های تشخیص چهره طی سال‌های گذشته پیشرفت‌های بزرگی به خود دیده‌اند. به لطف استفاده از هوش مصنوعی، اکنون به‌راحتی می‌توان چهره‌ی فردی را بین میلیون‌ها تصویر شناسایی کرد که البته بسیاری از کارشناسان آن را به دلیل نقض قوانین حریم خصوصی افراد، منفی ارزیابی کردند.

حال در همین راستا گروهی از کارشناسان فیلتر جدیدی توسعه داده‌اند که از شناسایی و تشخیص چهره‌ی افراد در تصاویر توسط الگوریتم‌های موجود، جلوگیری می‌کند. نتیجه‌ی این پژوهش و جنگ هوش‌های مصنوعی، توسعه‌ی فیلتری مشابه نمونه‌های موجود در اپلیکیشن‌های شبکه‌های اجتماعی مانند اینستاگرام است که برای ایجاد امنیت حریم خصوصی به تصاویر اضافه می‌شود.

در پایین دو نمونه از تصاویر پرتره را مشاهده ‌می‌کنید که نمونه‌ی سمت چپ، گزینه‌ی آسانی برای الگوریتم‌های تشخیص چهره و نمونه‌ی سمت راست، حاوی فیلتر جلوگیری از تشخیص چهره است و در نهایت تفاوت پیکسل‌های دو تصویر را مشاهده می‌کنید که البته خود فیلتر تقریبا نامرئی است و امکان مشاهده‌ی ‌آن موجود نیست.

توضیحات بیشتر
https://goo.gl/cHcRAs

#پردازش_تصویر
💡دوره پردازش تصویرمون از تابستون شروع میشه😊

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

❇️ نمونه ای از پروژه هایی که در دوره پردازش تصویر آموزش خواهیم داد.

#تشخیص_دود در ویدیو
#پترن در پردازش تصویر
➖➖➖➖
✔️ @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

📋 #جزوه خام جلسه 4 پردازش سیگنال
☑️ پردازش سیگنال ECG| روشهای کاهش بعد| روشهای انتخاب ویژگی
#تشخیص_آپنه_خواب
#پردازش_سیگنال
#ECG
#feature_extraction
#Feature_selection
#pca #lda
✔️ @onlineBME

🌐⌚️چند روز پیش ساعت هوشمند شیائومی با نمایشگرOLED به نام Amazfit Verge معرفی شد!
جالبه بدونید که این ساعت میتواند #ضربان_قلب را در طول روز ردیابی کند!

جدیدترین ویژگی این ساعت سنسور ضربان قلب بهبودیافته است.

شبیه به ساعت اپل سری 4، اندازه گیری دقیق تر ضربان قلب برای تشخیص #آریتمی_قلبی و #فیبریلاسیون_دهلیزی استفاده می شود. اینها گروهی از شرایطی هستند که در آنها ضربان قلب نامنظم، خیلی سریع یا خیلی کند است. سازندگان ساعت امیدوار هستند که این ویژگی به افرادی که آگاه از بیماری خود نیستند، کمک کند.

https://gadgetsandwearables.com/2018/09/17/amazfit-verge/
#خبر
#مهندسی_پزشکی
#تشخیص_آریتمی_قلبی
#فیبریلاسیون_دهلیزی
#ECG

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

✅🌐 آزمایش آسیب شناسی با استفاده از هوش مصنوعی برای پیش بینی پیشرفت سرطان پروستات پس از جراحی
نویسنده: مهتاب فرجی

آزمایش آسیب شناسی که هوش مصنوعی را برای تشخیص نمونه های بافت بکار می برد، می تواند با دقت بالایی پیشرفت بیماری سرطان پروستات را بعد از جراحی پیش بینی کند.
جزئیات بیشتر 👇👇👇👇
http://onlinebme.ir/pathology-test-uses-ai-to-predict-prostate-cancer-progression-following-surgery/
#خبر
#تشخیص_سرطان_پروستات
#هوش_مصنوعی(AI)
#مهندسی_پزشکی
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME

✅الگوریتم یادگیری عمیق، آلزایمر را 6 سال زودتر از پزشکان تشخیص می دهد.
اخیرا الگوریتم جدیدی مبتنی بر یادگیری عمیق مطرح شده است که می تواند تصاویر اسکن PET فرد بیمار را بررسی کند و بیماری آلزایمر را شش سال زودتر از روش های رایج تشخیص کنونی تشخیص دهد. در این مطالعه از یادگیری ماشین برای تعیین الگوهای ظریف در تصاویر پزشکی استفاده شده است، که این الگوها توسط فرد انسانی قابل روئیت نیستند.

👩‍💻نویسنده: مهتاب فرجی

یکی از راه های تشخیص بیماری آلزایمر براساس نوعی تصویربرداری مغزی است که اسکن fluorodeoxyglucose PET-8(FDG-PET) نامیده میشود. از این نوع اسکن قبلا برای تشخیص چندین نوع سرطان استفاده شده است، اما اخیرا کارآیی خود را در تشخیص آلزایمر و همچنین در برخی از انواع بیماری های زوال عقلی نشان داده است.
این مطالعه، الگوریتم یادگیری ماشین را بر روی 2100 تصویر مغزی FDG-PET آموزش داد. درحالی که پزشکان از ارزیابی این تصاویر برای تشخیص بیماری آلزایمر استفاده می کنند، در مطالعه ی جدیدی که توسط Jae Ho Sohn انجام شده است، الگوریتم یادگیری عمیق قادر به تعیین الگوهایی ظریف در دیتای تصویر برای تشخیص بیماری آلزایمر است.

ادامه مطالب را در سایت زیر بخوانید👇👇
http://onlinebme.ir/deep-learning-algorithm-detects-alzheimers-up-to-six-years-before-doctors/
#خبر
#تشخیص_آلزایمر
#یادگیری_عمیق
#یادگیری_ماشین
#هوش_مصنوعی

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

⚠️چالش #10Yearschallenge شاید روشی برای جمع آوری نمونه های واقعی از تغییرات چهره افراد برای بهینه سازی الگوریتم تشخیص چهره باشد!
#تشخیص_چهره

✔️ @onlineBME

🌐 آیا چالش #10yearschallenge فیسبوک راهی برای بدست آوردن داده برای تشخیص چهره با هوش مصنوعی هست؟

👨‍💻نویسنده: محمد نوری زاده چرلو

✍اخیرا چالش جدید فیسبوک شروع شده که از کابران خواسته تا یک عکس از 10 سال پیش خود و یک عکس سال جدید با کپشن "بزرگ شدن چه تاثیری در شما گذاشت؟" پست کنند که الان این چالش رو به اسم 10yearschallenge نامگذاری شده است. بیش از 5.2 میلیون نفر از جمله سلبریتی‌ها در این چالش شرکت کردند. این چالش خیلی شبیه چالشهای "bird box challenge" و "top nine photos of the year challenge" هست، ولی این چالش تا حدودی کاربران را نگران کرده است.
گمانه زنی‌هایی در مورد انگیره پشت پرده این چالش شروع شده و باعث شده که برای بسیاری از کاربران سوال ایجاد شود که آیا فیسبوک این چالش را راه انداخته تا بتواند از اطلاعات افراد برای تشخیص چهره استفاده کند؟!

ادامه مطلب....
http://onlinebme.com/was-the-facebook-10-year-challenge-a-way-to-mine-data-for-facial-recognition-ai/
#تشخیص_چهره
#هوش_مصنوعی
#پردازش_تصویر
#AI
#10yearschallenge

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

❇️ نمونه ای از پروژه هایی که در دوره پردازش تصویر آموزش خواهیم داد.

#تشخیص_دود در ویدیو
#پترن در پردازش تصویر
➖➖➖➖
✔️ @onlineBME

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

3⃣جلسه سوم: قانون یادگیری #LMS و پیاده‌سازی شبکه عصبی #آدالاین و انجام پروژه عملی تشخیص سرطان سینه

#آدالاین #پارامترهای_ارزیابی ، #پروژه_عملی، #تشخیص_سرطان_سینه

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

3⃣جلسه سوم: قانون یادگیری LMS و پیاده‌سازی شبکه عصبی #آدالاین

✍ این جلسه یکی از #مهمترین جلسات دوره تخصصی پیاده‌سازی شبکه‌های عصبی در متلب است. در جلسه دوم ما قانون یادگیری پرسپترون را آموزش دادیم و دو ایراد اساسی این قانون را مطرح کردیم. یکی از ایرادهای قانون پرسپترون این بود که الگوریتم زمانی که داده ما غیرخطی بود (داده‌ای که در آن نتوان با یک خط از هم جدا کرد) نمیتوانست همگرا شود و در نتیجه نمیتوانست یاد بگیرد. و ایراد دوم این الگوریتم این است که نمیتواند مرز کلاسبندی بهینه‌ای بدست آورد. ما در این جلسه الگوریتم #حداقل_مربعات_خطا
Least means square error
را معرفی می‌کنیم و ایرادات الگوریتم پرسپترون را حل می‌کنیم. الگوریتم LMS به جای اینکه دنبال خطای صفر باشد، دنبال #خطای_حداقل است. و با این روش زمانی که داده به صورت غیرخطی هم باشد همگرا می‌شود.

الگوریتم #LMS با دو روش به نام #وینرهاف و گرادیان نزولی وزنهای سیناپسی بهینه را محاسبه می‌کند. این روش بهینه‌ترین مرز ممکن را بدست می‌آورد ولی یک ایراد اساسی دارد و زمانی که تعداد ویژگی ها زیاد باشد محاسبه ماتریس autocorrelation بسیار سخت می‌شود. برای حل این مشکل الگوریتم #گردایان_نزولی مطرح می‌شود، این الگوریتم به جای اینکه در یک لحظه وزنهای سیناپسی را محاسبه کند در طول زمان در جهت شیب منفی خطا حرکت می‌کند و  وزنهای سیناپسی بهینه را محاسبه می‌کند. ما در ابتدا الگوریتم وینرهاف را توضیح میدهیم و سپس مرحله به مرحله در متلب پیاده سازی می‌کنیم و سپس الگوریتم گرادیان نزولی را توضیح داده و مرحله به مرحله در متلب پیاده سازی می‌کنیم. و در نهایت شبکه عصبی #آدلاین را معرفی می‌کنیم و با استفاده از این شبکه مسائل کلاسبندی را انجام میدهیم. شبکه عصبی تک لایه آدالاین هر دو ایراد شبکه عصبی پرسپترون تک لایه را حل می‌کند.

بعد از این ما طبق کتاب Simon haykin انواع #روشهای_توقف_آموزش شبکه عصبی را توضیح میدهم. سه روش برای توقف آموزش شبکه عصبی است که هر سه روش آموزش داده شده و در متلب پیاده سازی می‌شوند.

برای آموزش شبکه عصبی نیاز است که داده ها به شبکه اعمال شوند و شبکه در طول زمان آموزش ببیند و برای اینکار دو روش به نام #دسته‌ای (batch mode) و #موردی(pattern mode) کتاب معرفی کرده که هر دو روش توضیح داده شده و در متلب پیاده‌سازی می‌شوند و مزایا و معایب هر روش توضیح داده می‌شود و در انتهای جلسه #پارامترهای_ارزیابی
#accuracy
#sensitivity
#specificity
یک طبقه بند توضیح داده می‌شود و سپس پروژه‌های انجام شده با پارامترهای گفته شده ارزیابی می‌شود.  و همچنین الگورتیم #cross_validation  که برای انتخاب ساختار بهینه یک شبکه عصبی استفاده میشود را توضیح میدهیم.

☑️ برای اینکه با کاربردهای عملی این شبکه‌ها آشنا شوید در یک ویدیو جداگانه 3 #پروژه_عملی به نام #تشخیص_سرطان_سینه ، #ناحیه‌بندی_تصویر و #پیاده‌سازی_گیتهای_منطقی AND, OR  را با استفاده از شبکه‌های عصبی به صورت مرحله به مرحله در متلب پیاده‌سازی کرده‌ایم.

🔻نکته: تمام مباحث این جلسه طبق مطالب فصل 5 کتاب Simon haykin است.

 ➖➖➖➖➖➖➖➖➖➖➖➖
جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

جهت خرید جلسه سوم به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/lms-and-adaline/

🎁🎁 کد #تخفیف 20 درصدی:
Neuralnetworks98
مهلت اعتبار: 1 روز

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

4⃣ جلسه چهارم: پیاده‌سازی شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا در متلب

#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی، #تشخیص_سرطان_سینه
#طبقه‌بندی
#کلاسبندی
 #پیش_بینی_میزان_آلودگی_هوا
#رگرسیون

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
4⃣ جلسه چهارم: پیاده‌سازی شبکه عصبی #پرسپترون_چندلایه با قانون یادگیری #پس_انتشار_خطا در متلب

این جلسه مهمترین جلسه دوره تخصصی پیاده‌سازی شبکه‌های عصبی در متلب است. ما در جلسه سوم الگوریتم #LMS را مطرح کرده و در نهایت شبکه‌عصبی آدالاین را معرفی کردیم که یک شبکه عصبی بهینه برای مسائل کلاسبندی و رگرسیون است.‌این شبکه‌ ایرادات شبکه عصبی پرسپترون تک لایه را برطرف کرد ولی خودش یک #ایراد اساسی دارد. که ‌این ‌ایراد در تمام شبکه‌های عصبی تک لایه وجود دارد. ‌ایراد شبکه عصبی آدالاین و یا پرسپترون تک لایه در #ساختارشان هست و به خاطر ‌اینکه #تک_لایه هستند نمی توانند مسائل #غیرخطی مثل xor را حل کنند. برای حل‌ این مسئله شبکه عصبی پرسپترون چندلایه مطرح شده است که با اضافه کردن #چند_لایه_پنهان توانسته‌اند مسائل بسیار پیچیده را به راحتی حل کنند. در ‌این جلسه تئوری الگوریتم پس ‌انتشار خطا کامل توضیح داده می‌شود و در نهایت در متلب مرحله به مرحله پیاده‌سازی می شود.‌ این جلسه برای همه گروه دانشجویی و مهندسی بسیار مفید هست و می‌توانند بعد از مشاهده‌ ویدیو هم #پروژه‌های_تخصصی خودشان را انجام دهند و هم ‌ایده‌های خود را در الگوریتم پس انتشار خطا ارائه بکنند. برای ‌اینکه در ‌این جلسه به مشکل نخورید بهتر است با #مشتق‌گیری آشنا باشید. جلسه کاملی هست و به جرات می‌‎توان گفت که #اولین دوره‌ای هست که به صورت تخصصی چنین شبکه‌ای را به صورت گام به گام در متلب پیاده‌سازی می‌کند.

بعد از‌ اینکه شبکه عصبی در متلب پیاده ‌شد، #عملکرد_لایه‌های_مختلف شبکه با #مثال_عملی توضیح داده می‌شود تا به صورت دقیق و عملی با ساختار و عملکرد شبکه‌های عصبی چندلایه آشنا شوید و متوجه شوید که شبکه‌های عصبی چندلایه چطور یک مسئله پیچیده را با ساده‌سازی مسئله در لایه‌های مختلف حل می کنند. ‌این جلسه، جلسه مورد علاقه من هست و تمام سعیم را کردم که به #زبان_ساده و در عین حال تخصصی و #جامع شبکه عصبی پرسپترون چندلایه و قانون یادگیری پس انتشار خطا را توضیح دهم و امیدوارم برای شما مفید باشد.

در انتهای دوره چندین پروژه عملی از جمله #تشخیص_سرطان_سینه (پروژه عملی #طبقه‌بندی) و #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی #رگرسیون) با استفاده از شبکه عصبی پرسپترون چندلایه به صورت #گام_به_گام در متلب پیاده‌سازی شد تا با انجام پروژه‌های عملی هم آشنا شوید و بتوانید پروژه‌های تخصصی خودتان را با مشاهده ‌این ویدیو انجام دهید.

نکته: تمام مباحث ‌این جلسه طبق مطالب فصل 6 کتاب Simon haykin است.

 ➖➖➖➖➖➖➖➖➖➖➖
جهت خرید جلسه چهارم به لینک زیر مراجعه کنید👇👇👇
https://onlinebme.com/product/multilayer-perceptron-with-backpropagation-algorithm/

جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب

مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

5⃣ نحوه تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش اول)
#نرخ_یادگیری
#ثابت #متغیر_با_زمان
#search_then_converge
#پرسپترون_چندلایه ، #پس_انتشار_خطا #پروژه_عملی، #تشخیص_سرطان_سینه
 #پیش_بینی_میزان_آلودگی_هوا
#رگرسیون
#طبقه‌بندی
#کلاسبندی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
7⃣ جلسه هفتم: پیاده‌سازی الگوریتم یادگیری دلتا بار دلتا برای تعیین نرخ یادگیری در قانون یادگیری پس انتشار خطا (بخش سوم)

✍ در جلسه ششم شروط مورد نیاز جهت تعیین #نرخ_یادگیری بهینه را  توضیح داده و سپس تئوری الگوریتم یادگیری #دلتا_دلتا را در متلب به صورت #گام_به_گام پیاده‌سازی کردیم. و ایرادات اساسی این الگوریتم را توضیح دادیم. در این الگوریتم با اینکه 4 شرط اساسی برای تعیین نرخ یادگیری گنجانده شده بود ولی مشکل اصلی این الگوریتم در نحوه #افزایش و #کاهش نرخ یادگیری است. برای اینکه نرخ یادگیری بهینه ای داشته باشیم لازم است که در جاهایی که #شیب_خطا در چند تکرار متوالی یکسان است نرخ یادگیری به صورت خطی و آهسته زیاد کنیم و از طرفی زمانی که علامت مشتق تابع هزینه در چندین تکرار متوالی متفاوت است لازم است که نرخ یادگیری سریع و به صورت #غیرخطی کم شود تا حالت نوسانی و ناپایدار پیش نیاید. الگوریتم دلتا دلتا همچنین قابلیتی ندارد و در نتیجه نرخ یادگیری بهینه که اساس یادگیری پس انتشار خطا است، را نمیتواند تعیین کند. الگوریتم دلتا بار دلتا برای حل این مسئله مطرح شده است که در این جلسه تئوری آن گفته شده و در متلب پیاده‌سازی می کنیم و در انتها برای اینکه با قابلیت این الگوریتم آشنا شوید و همچنین بتوانید از این الگوریتم در پروژه‎های عملی خودتان استفاده کنید چندین پروژه عملی از قبیل از جلمه #تشخیص_سرطان_سینه (پروژه عملی طبقه‌بندی) ، #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی #رگرسیون) با استفاده از شبکه عصبی پرسپترون چندلایه  انجام شده است و همچنین یک پروژه کلاسبندی #سه_کلاسه iris (#گل_زنبق) انجام شده است تا شما در انجام پروژه های چندکلاسه نیز مشکلی نداشته باشید. داده iris یک داده سه کلاسه معروفی است که آقای #فیشر(Fisher) معرفی کرده اند و یک داده مناسب برای #ارزیابی مدلهای #یادگیری_ماشین است. ما در این جلسه هر سه پروژه را به صورت مرحله به مرحله در متلب پیاده سازی می‌کنیم.

نکته: تمام مباحث ‌این جلسه طبق مطالب فصل 6 کتاب Simon haykin است.
 ➖➖➖➖➖➖➖➖➖➖➖
💡جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

8⃣ جلسه هشتم: پیاده‌سازی الگوریتم شبکه عصبی توابع شعاعی پایه(#RBF)

✍ ما تا جلسه هفتم تمام تمرکزمون برروی شبکه عصبی معروف پرسپترون بود و این جلسه شبکه عصبی توابع شعاعی پایه(radial basis function) را آموزش می‌دهیم. این شبکه یک شبکه عصبی 3 لایه است که ازیک لایه پنهان تشکیل شده است. از قضیه  جالب #کاور برای حل مسائل پیچیده و غیرخطی استفاده می‌کند و کاربردهای زیادی در عمل دارد. شبکه عصبی rbf رویکرد متفاوتی نسبت به پرسپترون چندلایه دارد و با یک رویکرد بسیار ساده و جالب مسائل پیچیده را حل می‌کند. برخلاف mlp که در آن وزنهای سیناپسی تمام لایه ها باید محاسبه می‌شدند در این شبکه لایه ورودی به صورت #مستقیم و بدون اینکه #وزن_سیناپسی در بین دولایه  باشد به لایه پنهان وصل شده است. نورونهای لایه پنهان این شبکه به عنوان یک #کرنل_غیرخطی (گوسیrbf) عمل می‌کنند و وظیفه #نگاشت داده از فضای #غیرخطی به فضای #خطی را برعهده دارند. هر یک از نورنهای لایه پنهان به یک #مرکز و #سیگمای بهینه نیاز دارند تا به درستی داده را نگاشت دهند، برای محاسبه مراکز و سیگمای مراکز چندین روش مثل الگوریتم خوشه‌بند #kmeans مطرح شده که طبق کتاب این روشها را توضیح داده و در متلب #پیاده‌سازی کرده و مزایا و معایب هر روش را با مثال عملی توضیح می‌دهیم. در این جلسه به صورت مختصر مفهوم #خوشه‌بندی توضیح داده شده و سپس عملکرد الگوریتم kmeans جهت تعیین مراکز را توضیح داده‌ایم.  بعد از پیدا کردن مراکز و سیگماهای بهینه در این شبکه لازم است که وزنهای سیناپسی بین لایه پنهان و لایه خروجی نیز محاسبه شوند که برای محاسبه وزن سیناپسی بهینه سه روش #وینرهاف، #شبه_معکوس و #گرادیان_نزولی را توضیح داده و در متلب پیاده سازی کرده‌ایم. و در انتها چندین مثال و پروژه عملی از قبیل جلمه #تشخیص_سرطان_سینه (پروژه عملی طبقه‌بندی) ، #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی #رگرسیون) و #کلاسبندی داده سه کلاسه iris (#گل_زنبق) با استفاده از شبکه عصبی RBF انجام داده ایم که با کارایی این شبکه عصبی آشنا شده و بتوانید #پروژه‌های_عملی خودتان را با استفاده از این الگوریتم در متلب پیاده‌سازی کنید.

نکته: تمام مباحث ‌این جلسه طبق مطالب فصل 7 کتاب Simon haykin است.


 ➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه هشتم به لینک زیر مراجعه کنید👇👇👇

https://onlinebme.com/product/rbf/
💡جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

9⃣ جلسه نهم: پیاده‌سازی شبکه عصبی Extreme Learning Machine ( #ELM )

ما تا جلسه هشتم از مباحث #کتاب معروف   Simon haykin استفاده کردیم و در دو جلسه آینده قصد داریم #پیاده‌سازی دو تا شبکه عصبی معروف #ELM و #PNN را طبق #مقالات_تخصصی آموزش دهیم تا با پیاده‌سازی مقالات تخصصی نیز آشنا شوید. شبکه عصبی #پرسپترون_چندلایه دو ایراد اساسی در زمان آموزش دارد: ایراد اول شبکه این است که از #گرادیان_نزولی برای تنظیم وزنها استفاده می‌کند و این باعث می‎شود که پروسه آموزش زمانبر باشد، مخصوصا زمانی که حجم داده آموزشی زیاد باشد! ایراد دوم این شبکه تعداد زیاد #پارامترها است. در این شبکه پارامترهای زیادی باید در پروسه آموزش تنظیم شوند و همین باعث می‌شود که زمان آموزش بسیار بالا باشد. شبکه عصبی ELM یک رویکرد بسیار ساده‌ای و در عین حال جالب برای حل این مسئله ارائه کرده است و به همین دلیل #سرعت_یادگیری بسیار بالایی دارد و سرعت یادگیری آن در مقایسه با #MLP شاید بتواند گفت 1000 برابر و حتی بیشتر شده است. این شبکه ساختاری همانند #RBF دارد ولی کلا یک پارامتر در طول آموزش تنظیم می‌‌کند. برخلاف RBF که وزنهای سیناپسی بین لایه ورودی و لایه پنهان ثابت و مقدار یک بود، در این شبکه لایه ورودی با یک سری وزن به لایه پنهان وصل شده شده است، البته خوبی #ماجرا اینجا هست که در این شبکه به وزنها یک مقدار #تصادفی در همان ابتدا اختصاص می‌دهند و نیازی نیست در طول آموزش تنظیم شوند. نورونهای لایه پنهان یک نورون معمولی هستند و نیازی به پیدا کردن مراکز و سیگمای هر نورون نیست و در نهایت تنها پارامتر قابل تنظیم این شبکه وزنهای سیناپسی بین لایه پنهان و لایه خروجی است. ELM یک شبکه #رو_به_جلو هست و با استفاده از روش #شبه_معکوس وزنهای سیناپسی را در یک لحظه محاسبه می‌کند. و همین امر باعث شده سرعت یادگیری این شبکه #بسیار_بالا باشد. نکته جالب ماجرا اینجاست که عملکرد این الگوریتم بسیار بالاست و با اینکه تعداد پارامتر قابل تنظیم کمتری دارد ولی عملکرد بسیار خوبی در مقالات برای این الگوریتم گزارش شده است.

🔘 در این ویدیو ما تئوری یادگیری این شبکه را طبق مقاله #به_زبان_ساده توضیح داده و سپس به صورت #مرحله_به_مرحله در متلب پیاده‌سازی کرده‌ایم. و در انتها برای اینکه با کارایی این مدل آشنا شوید چندین #پروژه_عملی از قبیل #تشخیص_سرطان_سینه (پروژه عملی طبقه‌بندی) ، #پیش_بینی_میزان_آلودگی_هوا (پروژه عملی رگرسیون) و کلاسبندی داده سه کلاسه iris ( #گل_زنبق ) با استفاده از شبکه عصبی ELM انجام داده‌ایم.

🔘 ما تا این جلسه برای #ارزیابی شبکه‌های عصبی از روش معمول (the hold out validation method) استفاده می‌کردیم که در آن یکبار داده به دو بخش #آموزش و #تست تقسیم شده و مدل یکبار آموزش و تست می‌شود. زمانی که تعداد داده کم باشد استفاده از این روش ارزیابی مناسب نیست و باید از روشهای استاندارد دیگری استفاده کنیم. ما در این جلسه #روشهای_ارزیابی 
k-fold cross validation، 
random subsampling 
leave one out validation 
را توضیح داده و سپس مرحله به مرحله در متلب پیاده سازی کرده‌ایم و درنهایت پروژه‌های عملی را با استفاده از این روشها ارزیابی می‌کنیم تا با #ارزیابی_استاندارد یک مدل #یادگیری_ماشین آشنا شوید و در پروژه های خود استفاده کنید.

🔺نکته: مباحث ‌این جلسه طبق مطالب مقاله پیوست می‌باشد.

 ➖➖➖➖➖➖➖➖➖➖➖
💡 جهت خرید جلسه نهم به لینک زیر مراجعه کنید👇👇👇

https://onlinebme.com/product/elm-neural-networks/

💡جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme