Onlinebme

تمدید نخواهد شد.

⬛️◼️◾️ 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 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @onlinebme

💡 تخفیف 40درصدی Black Friday ✅ آکادمی ONLINEBME تخفیف 40 درصدی برای همه محصولات خود در نظر گرفته است. 🎊🎉 ▪️موقع تسویه تخفیف به صورت خودکار اعمال می‌شود و نیازی به وارد کردن کد تخفیف نیست. 🔺لازم به ذکر هست که تخفیفات فقط برای روز جمعه فعال خواهند بود. 🔘 دوره های Onlinebme https://onlinebme.com/shop/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅ درک مفهوم AUC ROC نویسنده: هما کاشفی امیری

✍️معیارهای ROC و AUC استانداردهای طلایی برای ارزیابی اثربخشی کلاسبندی هستند. در این مقاله می‌خواهیم به طور شهودی این مفاهیم را درک کنیم.

جزییات بیشتر: https://onlinebme.com/aucroc-curve/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

واسط مغز-کامپیوتر|| یک راه ارتباطی بین مغز و کامپیوتر ایجاد می‌کند (فعالیت الکتریکی مغز را به دستورات قابل اجرا جهت ارتباط یا کنترل یک دستگاه خارجی ترجمه و تفسیر میکند) و به افراد معلول (locked-in paralyzed) این امکان را میدهند که بتوانند استقلال عملکردی خودشون رو بدست بیاورند و محیط خود را -بدون نیاز به حرکات عضلانی خاص-کنترل کنند. 🔷واسط مغز-کامپیوتر معمولا براساس سه پارادایم مبتنی بر EEG طراحی می‌شود که طراحی، پردازش و کاربرد هرکدام میتواند متفاوت باشد. جهت درک بهتر این پارادایمها میتونید این پست رو مطالعه کنید. ⭕️جزییات بیشتر 👇 https://onlinebme.com/three-major-paradigms-of-eeg-based-brain-computer-interface/   🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

یک مرد 76ساله چینی با کمک BCI توانست کاراکترهای چینی (8 کاراکتر) را تنها با استفاده از  افکار خود بنویسد!   #BCI @Onlinebme

✅ مفهوم Batch normalization در یادگیری عمیق  👩‍💻نویسنده: فاطمه بذری

نرمالسازی دسته‌ای یا Batch Normalization به عنوان یکی دیگر از تکنیکهای Generalization در یادگیری عمیق محسوب می‌‌‌شود که بطور مستقیم،‌‌‌ در بهینه‌سازی مدلها نقش دارد. در واقع، پارامترهای ورودی را به کمک Adaptive normalization در مقیاسی مشابه قرار می‌دهد و اینگونه مشکلات ناشی از تغییر توزیع داده‌ها، طی مراحل آموزش را کاهش می‌دهد. اهمیت این تکنیک به‌دلیل اینکه بطور همزمان، سه مزیت Preprocessing ، Numerical stability و Regularization را به ساختار مدل تزریق می‌نماید، بسیار مورد توجه محققان در این حوزه یادگیری عمیق قرارگرفته است. در ادامه، ابتدا به بیان مقدمه‌ای در مورد چالش موجود و ایده‌ی حل آن توسط این تکنیک می‌پردازیم. سپس، نکاتی در مورد تفاوتهای استفاده از این لایه در convolutional layer/ layer Dense و پیاده‌سازی آن به کمک کتابخانه پایتورچ ارائه میدهیم.

⭕️جزییات بیشتر 👇 https://onlinebme.com/batch-normalization-in-deep-learning/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

با سلام خدمت دوستان گرامی🌱🌹 با عرض پوزش به دلیل عدم امکان هماهنگی ساعت جلسات دوره ها، برگزاری دو دوره "پردازش سیگنال پیشرفته" و " Generative AI " فعلا کنسل است. با سپاس

برای کسب اطلاعات بیشتر شرکت در دوره‌ها به @Onlinebmeadmin پیام دهید

دوره پردازش سیگنال EEG پیشرفته به زودی...

دوره Generative AI به زودی...

🔆✅برگزاری دو دوره همزمان "پردازش سیگنال EEG پیشرفته" و "Generative AI" به زودی...

✅ مفهوم Dropout در یادگیری عمیق 👩‍💻نویسنده: فاطمه بذری

یکی از موانع بزرگ در الگوریتم های یادگیری عمیق، Overfitting است که برای مقابله با این پدیده، راهکارهای متعددی تاکنون توسط محققان ارائه شده است که در قالب تکنیکهای Generalization معرفی و در مقالات مورد استفاده قرار می‌گیرد. در این پست، به بررسی و نحوه پیاده سازی یکی از این تکنیکها  با عنوان Dropout میپردازیم که تاثیر زیادی در مقاوم کردن مدل (شبکه های عصبی) طراحی شده در مواجهه با داده های واقعی دارد. در انتها هم توضیح میدهیم که چطور میتوانیم از Droupout در پایتورچ استفاده کنیم.

⭕️جزییات بیشتر 👇 https://onlinebme.com/dropout-in-neural-networks/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

✅معرفی پکیج tsai برای پردازش سیگنال ✍️پکیج tsai یک پکیج یادگیری عمیق مبتنی بر پایتورچ و fastai است که بر تکنیک‌های جدید پردازش برای تسک های سری زمانی تأکید کرده است مانند کلاسبندی، رگرسیون، پیش بینی و ... 🔹چه شبکه هایی را پوشش می‌دهد؟ شبکه‌هایی چون LSTM, GRU, MLP, FCN, ResNet, Transformer, ... 🔸link: https://github.com/timeseriesAI/tsai?tab=readme-ov-file

✅ تاریخچه Generative AI

✍️این روزها، هوش مصنوعی در همه جا وجود دارد و نمی‌توان از آن اجتناب کرد. موج هوش مصنوعی مولد یا Generative AI پس از راه اندازی ChatGPT توسط OpenAI بوجود آمد. آیا می‌دانستید Generative AI از دهه 1950 وجود داشته است؟ در آن زمان به اندازه‌ی اکنون، پیشرفته و قدرتمند نبود. با وجود اینکه هوش مصنوعی هنوز در مراحل اولیه‌ی خود است، نحوه‌ی کار و زندگی ما را در حال حاضر متحول کرده است. در این مقاله به تاریخچه‌ی Generative AI نگاهی می‌اندازیم.

⭕️ جزئیات بیشتر👇 https://onlinebme.com/history-of-generative-ai/ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

⚠️ 15 ساعت تا پایان تخفیف پاییزی تمدید نخواهد شد.

⚠️دو روز تا پایان تخفیف پاییزی...

جایزه نوبل فیزیک سال 2024، به دو نفر از پژوهشگران بسیار برجسته فیزیک و هوش مصنوعی (جان جِی. هاپفیلد و جفری اِی. هینتون) به خاطر "اکتشافات و اختراعات بنیادی که یادگیری ماشینی را برای شبکه‌های عصبی مصنوعی ممکن ساخته است"، رسید. دو برنده جایزه نوبل فیزیک امسال، از ابزارهای فیزیک برای توسعه روش‌هایی استفاده کرده‌اند که اساس یادگیری ماشینی قدرتمند امروزی است. جان هاپفیلد (استاد بازنشسته دانشگاه پرینستون) یک حافظه تداعی‌گر ایجاد کرده است که می‌تواند تصاویر و الگوهای دیگر را در داده‌ها ذخیره و بازسازی کند. جفری هینتون (استاد بازنشسته دانشگاه تورنتو و پژوهشگر ارشد گوگل) روشی ابداع کرده است که می‌تواند به صورت خودکار ویژگی‌های داده‌ها را پیدا کرده و وظایفی مانند شناسایی عناصر خاص در تصاویر را انجام دهد. @Onlinebme