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 〰〰〰〰〰 پردازش سیگنال قلبی 〰〰〰〰 ⚪️ دوره پردازش سیگنال ECG ◽️مدت زمان دوره: 37 ساعت و 45 دقیقه 🔘 Link 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

Me vs ChatGPT! @Onlinebme

🎯 چارچوب انجام یک پروژه تشخیص آریتمی قلبی با سیگنال  ECG؛ از معرفی داده تا روال ارزیابی مدل متأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آن‌طور که باید به نحوه طراحی آزمایش‌ها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.

یک مطالعه مروری در 2023 این روش هارو بررسی کرده که از این 357 مقاله، فقط 38 مقاله به شکل استاندارد روش خودشون رو ارزیابی کردند!

اکثرا هم یک مدل با Accuracy بسیار بالا گزارش می‌شود، اما وقتی دقیق‌تر بررسی می‌کنیم، متوجه می‌شویم که نحوه تقسیم داده‌ها یا روش ارزیابی، قابلیت واقعی مدل برای تعمیم به بیماران جدید را نشان نمی‌دهد. مشکل اینجاست که اگر ما هم صرفاً همان چارچوب‌های رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم. ☑️ به نظر من در پروژه‌های پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست می‌آوریم واقعاً قابل اعتماد باشد؟» 🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کرده‌ام و چارچوبی را که برای طراحی آزمایش‌ها و ارزیابی روش‌های تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح داده‌ام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالش‌هایی که در مسیر وجود دارند. اگر روی پایان‌نامه، مقاله یا پروژه‌ای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار می‌کنید، فکر می‌کنم این ویدیو قبل از شروع آزمایش‌های نهایی می‌تواند برایتان مفید باشد. 🎥 ویدئو https://youtu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM ⭕️ جزییات بیشتر 👇 https://onlinebme.com/arrhythmia-detection-using-ecg-evaluation-paradigms/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

 🧠 آیا می‌توان شبکه‌ای ساخت که کمی شبیه مغز یاد بگیرد؟ ▪️در شبکه‌های عصبی معمولی، یک نورون می‌تواند از طریق وزن‌های مختلف هم اثر مثبت و هم اثر منفی روی نورون‌های بعدی بگذارد. ▫️اما در مغز، وضعیت متفاوت است. نورون‌ها عمدتاً تحریکی (Excitatory) یا مهاری (Inhibitory) هستند؛ یعنی ماهیت اثر خروجی آن‌ها ثابت می‌ماند. این ویژگی را با نام Dale’s principle  می‌شناسیم. ☑️ حالا یک سؤال جالب مطرح می‌شود: اگر شبکه عصبی را مجبور کنیم این محدودیت زیستی را رعایت کند، آیا هنوز می‌تواند یاد بگیرد؟ 📑مقاله‌ی جدید Diffusing Blame دقیقاً همین سؤال را بررسی می‌کند. پژوهشگران شبکه را به دو جریان جداگانه‌ی تحریکی و مهاری تقسیم کردند و وزن‌های قابل یادگیری را غیرمنفی نگه داشتند. 🔺اما چالش مهم دیگری باقی می‌ماند: Backpropagation برای محاسبه‌ی سهم هر لایه در خطا، به اطلاعات وزن‌های مسیر forward  در مسیر backward وابسته است؛ مسئله‌ای که به Weight Transport Problem  معروف است و سازوکار مشخصی برای آن در مغز نمی‌شناسیم. 💡راه‌حل این مقاله، استفاده از Error Diffusion  است. به‌جای اینکه خطا مثل Backpropagation لایه ‌به ‌لایه به عقب برگردد، یک سیگنال خطای خروجی مستقیماً به بخش‌های مختلف شبکه می‌رسد. نویسندگان با معرفی Modulo Error Routing  این ایده را برای مسائل چندکلاسه نیز گسترش داده‌اند. و نتیجه؟ ✅ این شبکه واقعاً توانست یاد بگیرد: MNIST → 96.7٪ CIFAR-10 → 61.7٪ در یادگیری تقویتی نیز Error Diffusion را با PPO ترکیب کردند و روی چند محیط آزمایش کردند. در بعضی موارد عملکرد رقابتی بود، اما در مسائل دشوارتر همچنان فاصله و ناپایداری نسبت به روش‌های مبتنی بر Backpropagation دیده می‌شود. 💡اما شاید مهم‌ترین پیام مقاله همین باشد: این پژوهش نمی‌گوید Backpropagation را کنار بگذاریم. بلکه نشان می‌دهد می‌توان محدودیت‌هایی الهام‌گرفته از ساختار واقعی مغز را وارد شبکه کرد و بدون Weight Transport و با رعایت  Dale’s principle، همچنان یک سیستم یادگیرنده ساخت. و این ما را به یک سؤال عمیق‌تر می‌رساند: اگر مغز از Backpropagation کلاسیک استفاده نمی‌کند، پس چگونه مسئله‌ی Credit Assignment  را حل می‌کند؟ این مقاله پاسخ نهایی را پیدا نکرده؛ اما یک قدم جالب در مسیر پیدا کردن آن است.  📄 مقاله: Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks مطالعه مقاله در arXiv Piko 🐾 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme #Backpropagation #Neuroscience #DeepLearning #BiologicallyPlausibleAI  

📄مقاله تازه‌ای با عنوان  Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks  منتشر شده است که مستقیماً به قلب مسئله‌ی Credit Assignment و محدودیت‌های بیولوژیکی شبکه‌های عصبی می‌زند. نکته اصلی مقاله رو اگه بخوایم به صورت خلاصه بگیم اینه: پژوهشگران می‌خواستند ببینند آیا می‌شود یک شبکه عصبی بسازیم که از نظر نحوه اتصال نورون‌ها بیشتر شبیه مغز باشد، اما همچنان بتواند یاد بگیرد؛ بدون اینکه برای آموزش از Backpropagation معمولی استفاده کند.  و جواب مقاله این است:  تا حدی بله، اما هنوز با شبکه‌های معمولی فاصله دارد.  @onlinebme

⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین! داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو با یه «واترمارک نامرئی» علامت گذاری می‌کنه.  این کار رو برای رعایت قوانین جدید شفافیت اتحادیه اروپا انجام دادن، اما نکته‌ی مهم اینه که این علامت‌گذاری فقط مال اروپا نیست؛ جهانیه و همه‌جا اعمال می‌شه. ▪️حالا دقیقاً چی می‌شه؟ وقتی Claude براتون متن می‌نویسه، یه علامت ماشینی (watermark) خیلی ریز و نامرئی رو مستقیم توی خودِ متن جاسازی میکنه.  شما با چشم نمی‌بینینش، معنای جمله رو خراب نمی‌کنه، کیفیتش هم همون‌طور می‌مونه. ولی وقتی کپی می‌کنین و جای دیگه پیست می‌کنین، این علامت همراهش میره. حتی بعضی وقتا بعد از ویرایش‌های سبک هم هنوز پابرجاست! 🔺 برای فایل‌ها و عکس‌ها هم قضیه جداست. اونا رو با متادیتای امضاشده‌ی دیجیتال (استاندارد C2PA) نشونه‌دار می‌کنه تا معلوم بشه این فایل از زیر دست Claude رد شده. ▪️ولی بخش واقعاً نگران‌کننده‌ش اینه: فرض کنین خودتون متن رو نوشتین و فقط دادین به Claude که یه کم ویرایش کنه، ترجمه‌ش کنه، خلاصه‌ش کنه یا نگارشش رو بهتر کنه. باز هم ممکنه خروجی نهایی این علامت رو داشته باشه. سیستم فقط می‌فهمه که «این متن از Claude عبور کرده»، نه اینکه لزوماً خودِ Claude نویسنده‌ی اصلیش بود. ▪️شرکت Anthropic گفته قراره ابزار تشخیص این علامت‌ها رو در اختیار ناشرها، ژورنال‌های علمی، دانشگاه‌ها و پلتفرم‌ها بذاره. جزئیاتش هنوز نیومده، اما مسیر مشخصه: ردیابی محتواهایی که با هوش مصنوعی تولید یا پردازش شدن، داره خیلی راحت‌تر می‌شه. 💡 این موضوع مخصوصاً برای دنیای دانشگاه و پژوهش مهمه.  تصور کنین در آینده یه ژورنال یا دانشگاه بتونه علاوه بر ابزارهای تشخیص AI، بررسی کنه که آیا یه متن یا فایل ردپایی از تولید یا پردازش توسط یه مدل هوش مصنوعی داره یا نه. ▪️دیگه فقط بحث این نیست که «آیا این متن شبیه نوشته‌ی AI هست؟» بلکه می‌شه پرسید: ؟ « این محتوا کجا و چطور تولید یا پردازش شده؟ » به این مفهوم می‌گن Content Provenance؛ یعنی منشأ و سابقه‌ی تولید محتوا. ▪️البته Anthropic تأکید کرده که وجود این علامت به‌معنی اثبات صددرصدی «نویسندگی کامل توسط هوش مصنوعی» نیست و اگه متن رو حسابی بازنویسی کنین، ممکنه علامت ضعیف بشه یا از بین بره. ولی واقعیت اینه که عصر متن‌های کاملاً بدون ردپا، داره کم‌کم تموم می‌شه. 🧐 شما چطور با این موضوع برخورد می‌کنین؟ اینو اقدام مثبتی برای شفافیت می‌دونین، یا محدودیت جدیدی برای استفاده‌ی آزاد از ابزارهای هوش مصنوعی؟ نظرتون رو بگین. 📚 مطالعه بیشتر: 🔗 راهنمای رسمی Anthropic درباره نحوه علامت‌گذاری محتوای Claude: How Claude marks AI-generated content Piko 🐾 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین! داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو با یه «واترمارک نامرئی» علامت گذاری می‌کنه.  این کار رو برای رعایت قوانین جدید شفافیت اتحادیه اروپا انجام دادن، اما نکته‌ی مهم اینه که این علامت‌گذاری فقط مال اروپا نیست؛ جهانیه و همه‌جا اعمال می‌شه. @onlinebme

📱 گوشی شما زمان رو دو بار ازتون می‌دزده! فرض کنید صبح گوشی رو فقط برای چک کردن یه پیام برمیدارید... یه ویدئو می‌بینید، بعد یکی دیگه، یه خبر، یه پست، یه استوری... سرتون رو که بلند می‌کنید، می‌بینید یک ساعت گذشته! 😐 حالا از خودتون می‌پرسید: «من توی این یک ساعت دقیقاً چی کار کردم؟» و عجیب اینجاست که خیلی وقت‌ها جواب مشخصی ندارید. همه‌چیز یه جور مبهمه. 🔺این فقط یه حس شخصی نیست. 🔬پژوهش‌ها درباره ادراک زمان و رسانه‌های دیجیتال نشون میدن که وقتی شدیداً درگیر محتوای دیجیتال می‌شیم، توجه ما مدام از یک محرک به محرک بعدی منتقل می‌شه. مغز برای دنبال کردن این جریان بی‌پایان محتوا انرژی و توجه زیادی مصرف می‌کنه و در نتیجه، توجه کمتری برای دنبال کردن گذر زمان باقی می‌مونه . یعنی یک ساعت واقعاً سریع‌تر نگذشته؛ ما فقط کمتر متوجه گذشتنش شدیم. حتی جالب‌تر اینکه در یک مطالعه، وقتی افراد خودشان محتوای بعدی را انتخاب می‌کردند، کم‌برآورد کردن زمان شدیدتر از زمانی بود که فقط همان محتوا را به ‌صورت منفعلانه تماشا می‌کردند. اما قسمت عجیب‌تر ماجرا بعداً اتفاق می‌افته! شب که میشه و میخواید روزتون رو مرور کنید، مغز برای ساختن یک تصویر از گذشته به نقاط عطف حافظه تکیه میکنه. ·▪️ یه گفت‌وگوی خوب ·▪️ یه پیاده ‌روی ·▪️ یه غذای خوب با دوستتون ·▪️ یه اتفاق جالب این‌ها تبدیل میشن به لنگرهایی که روزمون رو در حافظه نگه میدارن. اما یک ساعت اسکرول کردن چی؟ ده‌ها و شاید صدها محتوای کاملاً متفاوت... خبر، طنز، تبلیغ، گربه، ورزش، سیاست، یک ویدئو، یک دستور غذا... آنقدر متنوع و پراکنده که در نهایت ممکنه هیچ‌کدوم تبدیل به یک خاطره مشخص نشن. و اینجاست که گوشی میتونه زمان رو دو بار از ما بدزده: ⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته. 🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه می‌کنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم. و حتی عجیب‌تر... گاهی لازم نیست اصلاً گوشی رو دستتون گرفته باشید. برخی پژوهش‌ها نشون داده‌اند که صرف حضور گوشی هوشمند روی میز، حتی وقتی خاموش و صفحه‌اش رو به پایینه، می‌تونه با عملکرد توجه تداخل داشته باشه. اما شاید مهم‌ترین بخش این داستان این باشه: 🧠 ما لزوماً خاطرات کمتری پیدا نمی‌کنیم؛ داریم خاطرات کم‌رنگ‌تری می‌سازیم. هر روز حجم بسیار زیادی از محتوای دیجیتال وارد زندگی ما میشه. تجربه‌های زیادی داریم، اما بخش زیادی از آن‌ها ممکنه هیچ وقت به یک «نقطه عطف» در حافظه تبدیل نشن. 💡خبر خوب؟ این اتفاق قابل تغییر دادنه. شاید گاهی گوشی رو بذاریم توی اتاق دیگه. گاهی چند ساعت بدون صفحه‌ نمایش داشته باشیم. و شاید از همه مهم‌تر، به جای اینکه همیشه دنبال محتوای بیشتر باشیم، کمی بیشتر در همان چیزی که داریم تجربه می‌کنیم بمانیم. چون شاید مشکل این نباشه که زندگی‌مون اتفاقات کمی داره. شاید فقط باید به مغزمون فرصت بدیم اتفاقات مهم رو ثبت کنه... 📚 مطالعه بیشتر: https://msense.de/posts/your-phone-steals-time-twice/ Piko 🐾 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

📱 گوشی شما زمان رو دو بار ازتون می‌دزده! ⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته. 🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه می‌کنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم. و حتی عجیب‌تر... @onlinebme

سلام اقای دکتر وقتتون بخیر مقاله من هم چاپ شد خواستم ازتون تشکر کنم راهنمایی ها و دوره های شما نبود من هیچوقت نمیتونست این مسیر رو شروع کنم. یه دنیا تشکر برای لطف و محبتتون

این پژوهش یک مدل یادگیری عمیق ترکیبی با نام ResSPNet برای احراز هویت افراد بر اساس سیگنال‌های EEG ارائه می‌کند. در این مدل، شبکه  SPCNN ویژگی‌های زمانی و مکانی سیگنال خام EEG را استخراج می‌کند و شبکه ResNet-101 نیز ویژگی‌های فرکانسی را از تصاویر طیف‌نگار حاصل از تبدیل STFT یاد می‌گیرد. سپس این ویژگی‌ها با یکدیگر ترکیب می‌شوند تا فرایند احراز هویت با دقت و اطمینان بیشتری انجام شود. برای افزایش کاربردپذیری سیستم، تعداد کانال‌های EEG از ۲۲ کانال به ۶ کانال کاهش یافته است. مدل با ۲۲ کانال به F-score  برابر با ۹۸٫۸ درصد و با ۶ کانال منتخب به ۹۶٫۱ درصد رسید؛ بنابراین، با افت اندک عملکرد، پیچیدگی و هزینه سیستم کاهش یافت.

From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery😉 @Onlinebme

💡متا از نسل جدید رابط مغز و کامپیوتر غیرتهاجمی خود رونمایی کرد. ✍پژوهشگران متا از Brain2Qwerty v2، پیشرفته‌ترین سامانه غیرتهاجمی برای تبدیل فعالیت مغز به متن، رونمایی کرده‌اند. این سامانه با ترکیب سیگنال‌های مغزی ثبت‌شده توسط دستگاه MEG، مدل‌های یادگیری عمیق و مدل‌های زبانی بزرگ (LLMs)، می‌تواند جملات را تقریباً به‌صورت لحظه‌ای رمزگشایی کند. نکته جالب اینجاست که Brain2Qwerty v2 بدون نیاز به کاشت الکترود در مغز کار می‌کند، اما دقت آن به سطحی نزدیک شده که پیش‌تر تنها در رابط‌های مغز و کامپیوتر تهاجمی قابل دستیابی بود. متا همچنین کدهای آموزشی این پروژه را به‌صورت متن‌باز منتشر کرده تا پژوهشگران سراسر جهان بتوانند این مسیر را ادامه دهند. 💡 چرا این خبر مهم است؟ این پژوهش می‌تواند گامی مهم در توسعه رابط‌های مغز و کامپیوتر غیرتهاجمی باشد؛ فناوری‌ای که در آینده شاید به افرادی که به دلیل بیماری‌های عصبی یا آسیب‌های مغزی توانایی صحبت کردن را از دست داده‌اند، امکان برقراری ارتباط مؤثر را بدهد. 📚 مطالعه بیشتر: 🔗 https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/ Piko 🐾 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

تصویر اول: سه کتاب در یک نگاه - ChatGPT تصویر دوم: رویکرد آموزشی در دوره های ما @Onlinebme

📚 اگر کسی از من بپرسد برای یادگیری Deep Learning از کجا شروع کنم، این سه کتاب جزو اولین پیشنهادهای من خواهند بود😉 📘 Neural Networks and Learning Machines 💡کتابی که برای من سنگ بنای یادگیری شبکه‌های عصبی بود. Heykin فقط شبکه‌های عصبی رو آموزش نمیده؛ بلکه یاد میده هنگام مطالعه یک الگوریتم جدید، از دید فنی به دنبال چه چیزهایی باشیم و چگونه آن را از روی روابط ریاضی به پیاده‌سازی برسانیم. 📗 Deep Learning اثر ارزشمند Goodfellow، Bengio و Courville که به من کمک کرد مفاهیمی مانند توابع هزینه، بهینه‌سازی و چالش‌های آموزش شبکه‌های عمیق را عمیق‌تر درک کنم. این کتاب فراتر از روابط ریاضی هست و شهود پشت بسیاری از ایده‌های مهم Deep Learning را توضیح می‌دهد. 📙 Dive into Deep Learning منبعی که فاصله بین تئوری و عمل را کم میکنه. این کتاب به‌جای تمرکز صرف بر روابط ریاضی، روی ساختار، شهود و پیاده‌سازی تأکید داره و تقریباً همه مفاهیم را در قالب کد و پروژه‌های عملی ارائه می‌کند. ➖➖➖➖➖➖ 💡 مطالعه این کتاب‌ها و کنارش مطالعه چندین مقاله (همیشه دوست دارم نگاه نویسنده به چالش و نحوه حل مسیله رو بدونم) باعث شده در طراحی دوره ها بر اساس سه اصل باشه: ✔️ درک ساختار و چرایی شکل‌گیری معماری‌ها ✔️ یادگیری ریاضیات و اثبات روابط ✔️ پیاده‌سازی دستی قبل از استفاده از ابزارهای آماده حاصل این مسیر، طراحی دو دوره آموزشی بود: 🔹 دوره تخصصی شبکه‌های عصبی در PyTorch 🔹 دوره جامع یادگیری عمیق در دوره جامع یادگیری عمیق، از MLP شروع می‌کنیم، سپس سراغ RNN، CNN و در نهایت مکانیزم Attention می‌رویم. ابتدا مفاهیم و ریاضیات را یاد می‌گیریم، شبکه‌ها را کاملاً دستی پیاده‌سازی می‌کنیم و در پایان به سراغ پروژه‌های عملی می‌رویم. دوره جدید به زودی در سایت قرار میگیره.... LinkedIn 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

🧠 چین یک گام مهم در مسیر تجاری‌سازی رابط‌های مغز و کامپیوتر برداشت. نهادهای نظارتی چین مجوز استفاده پزشکی از سامانه BCI موسوم به NEO را صادر کرده‌اند؛ سامانه‌ای که به افراد مبتلا به آسیب‌های نخاعی کمک می‌کند تنها با سیگنال‌های مغزی، یک دستکش رباتیک را کنترل کرده و بخشی از توانایی حرکت دست خود را بازیابند. این نخستین بار است که یک رابط مغز و کامپیوتر تهاجمی، خارج از چارچوب آزمایش‌های بالینی مجوز استفاده تجاری دریافت می‌کند. 💡نکته جالب اینجاست که NEO برخلاف برخی رقبای شناخته‌شده، الکترودهای خود را داخل بافت مغز فرو نمی‌برد؛ بلکه آن‌ها را روی غشای محافظ مغز قرار می‌دهد. همین طراحی کم‌تهاجمی‌تر احتمالاً یکی از دلایل سرعت بالاتر دریافت مجوز بوده است. این فناوری پس از ۳۶ مطالعه و جراحی بالینی به مرحله تأیید رسیده و گزارش‌ها نشان می‌دهد بیماران شرکت‌کننده بهبود قابل توجهی در عملکرد دست خود تجربه کرده‌اند. به نظر می‌رسد رقابت جهانی در حوزه رابط‌های مغز و کامپیوتر وارد مرحله تازه‌ای شده است؛ مرحله‌ای که در آن دیگر فقط درباره آزمایشگاه‌ها صحبت نمی‌کنیم، بلکه از ورود واقعی این فناوری به سیستم درمانی صحبت می‌شود. #BCI #BrainComputerInterface #Neuroscience #Neurotechnology Piko 🐾 China approves brain chip to treat paralysis — a world first @Onlinebme

📺 مثال تصویری از نحوه اجرای Pooling در CNNs😉 @Onlinebme

✅ توضیح لایه Pooling در شبکه‌های عصبی کانولوشنالی CNNs ✍لایه Pooling یکی از اجزای کلیدی در معماری شبکه‌های عصبی کانولوشنال است که با کاهش ابعاد تصویر، ویژگی‌های مهم آن را حفظ می کند. این لایه نه تنها پیچیدگی محاسباتی را به شدت کاهش می‌دهد، بلکه باعث بهبود تعمیم‌پذیری (Generalization) مدل و مقاوم بودن آن در برابر تغییرات مکانی  نیز می‌شود. لایه پولینگ (pooling) به شبکه های عصبی CNNs کمک میکند که به جای فشرده سازی ساده، بهترین ویژگی‌ها را استخراج کنند. 💡در این پست به زبان ساده و با مثال تصویری توضیح می‌دهیم که pooling دقیقاً چه کاری انجام می‌دهد. در ادامه با انواع pooling (Max Pooling و Average Pooling)، تفاوت آن‌ها با down-sampling ساده، چالش‌های شبکه بدون pooling، و نحوه پیاده‌سازی آن‌ها در PyTorch آشنا می‌شویم. همچنین به لایه Adaptive Pooling و کاربردهای مهم آن در Transfer Learning می‌پردازیم. اگر می‌خواهید عمیقاً درک کنید که چرا شبکه‌هایی مثل AlexNet و LeNet-5 موفق شدند، مطالعه این پست اولین قدم مهم شماست😊 ⭕️جزییات بیشتر 👇👇 💡Deep learning|2-pooling 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅شیوه کار لایه Pooling در شبکه های کانولوشنالی ✍لایه پولینگ، اندازه تصویر رو کاهش میده، اما ویژگی های خیلی مهم تصویر رو حفظ میکنه. در لایه های پولینگ فقط مسئله کاهش بعد نیست، بلکه این لایه کمک میکند شبکه عصبی تعمیم پذیر باشه، الگوی های کلیدی رو برجسته می کند، و پیچیدگی محاسباتی رو به شدت کاهش میدهد. همانطور که در این ویدیو میبینیم این شخص میاد تصویر رو به نوارهای افقی و عمودی برش میزنه و چهار نسخه کوچکتر از اصلیش میسازه. درسته که کیفیتش (رزولوشن مکانی) کمتر میشه، ولی هنوز به اندازه کافی جزئیات داره که بشه تشخیصش داد. این فرایند دقیقاً شبیه همون چیزیه که در pooling شبکه‌های عصبی کانولوشنی (CNN) اتفاق میافته. مزایای لایه پولینگ لایه Pooling اندازه تصویر رو کوچکتر میکنه ولی ویژگی‌های مهمش رو نگه میداره. این کار فقط فشرده‌سازی نیست، بیشتر مثل عصاره گیری کردنه. با تمرکز روی عناصر برجسته، pooling به شبکه عصبی کمک می‌کنه: - الگوهای کلیدی رو برجسته کنه - پیچیدگی محاسباتی رو کم کنه - تعمیم پذیری مدل رو بهتر کنه 🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme