Onlinebme

💡تکنیک Bag of Words در پردازش زبان طبیعی | آموزش کامل همراه با پروژه‌ی عملی spam detection نویسنده: محمد نوری زاده چرلو تکنیک  BOW یکی از  پرکاربردترین روش‌ها در استخراج ویژگی‌های متنی در حوزه‌ی NLP است. یکی از چالشهای اصلی در داده‌های متنی، تفاوت اندازه‌ی بردار ویژگی بین نمونه ها است که فرآیند آموزش مدل‌های یادگیری ماشین را با چالش روبرو میکند. روش BOW با تبدیل متن به یک بردار ویژگی یکسان و قابل پردازش، این مشکل را برطرف می‌کند و پایه‌ی بسیاری از مدل‌های طبقه ‌بندی متون است. در این پست ابتدا با مفهوم BOW، نحوه‌ی ساخت بردار ویژگی و کاربردهای آن در sentiment analysis آشنا می‌شوید. سپس یک پروژه‌ی عملی "تشخیص پیامکهای Spam" رو به صورت گام به گام پیاده سازی خواهیم کرد. ✅دسترسی به کدهای پروژه در GitHub GitHub| Spam detection in python ⭕️جزییات بیشتر در وبسایت Onlinebme 👇👇 Onlinebme| Bag Of Words 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

سلام وقت بخیر، فصل مربوط به شبکه‌های بازگشتی (RNN) این هفته به پایان رسید. یک هفته استراحت خواهیم داشت و پس از آن وارد فصل سوم دوره (شبکه‌های کانولوشنی) می‌شویم. در فصل دوم، یکی از پروژه هایی که با استفاده از RNNها انجام دادیم تولید متن بود. این شبکه ها از اولین مدلهایی بودند که برای اینکار استفاده میشدند. با این حال، RNNها محدودیتهایی داشتند و در تولید متن عملکرد چندان دقیق و کارآمدی نداشتند که بعدها با معرفی مکانیزم توجه  و سپس مدل‌های مبتنی بر ترنسفورمرها، یک تحول بزرگ در تولید محتوا رخ داد و نتیجه آن مدل‌های قدرتمندی مانند  ChatGPTاست. در این پروژه، یک شبکه‌ی سبک LSTM  (با تنها یک لایه بازگشتی و تعداد نورون محدود) رو روی یک دیتاست بسیار کوچک آموزش دادیم. سپس با استفاده از مدل آموزش دیده، چند نمونه متن به ازای مقادیر مختلف temperature تولید کردیم که خروجی جالبی داشتند.   پارامتر temperature که از مکانیک آماری قرض گرفته شده، در مدل‌های زبانی برای کنترل میزان خلاقیت، ریسک پذیری و تنوع در انتخاب کلمات استفاده میشه. مقادیر پایینتر، خروجی را محافظه‌ کارانه، تکراری و قابل پیش‌ بینی میکنند. و در عوض مقادیر بالاتر، باعث تولید متنهای خلاقانه تر و غیرقابل ‌پیش‌‍بینی تر میشوند در ادامه چند نمونه از متن‌های تولید شده را با شما به اشتراک می‌گذارم:   Prime text: i like to say Temperature: 0.99

i like to say my word its time. how i should have to tell you. but they are married who were in any fix they mostly went to badger the dangerous look at the beginning of the stone own under a tree not long to be a leader. he left we thus with sid words that no star is a continual feast. little twoeyes. here we thank you lady mary so did she get a little ashamed of the questions who lived in that way. she said. he came down and carried it quickly about her. asked beth anxiously. so she was an odd merchant seeing that his son might choose. then they went and stood before the door and the one kept a wonderful one. then the kings daughter came with the cattle and went on his way …

  Prime text: i like to say Temperature: 0.1

i like to say my word its being rather dirty. but i cant tell you how we can manage. i am glad you think that i was a ghost or a man. i want to be able to find it. he hesitated. he forgot all about the ball. i want to lift my whole in the world to fill such a thing or two. my brother say a name i have killed many times. ye have called me a silly ass. i was dumb. i hadnt a bit of it out of the window…

    Prime text: the girl Temperature: 0.3

the girl was afraid of the beautiful character. the poor woman declared with a little milk at once with a ball of dry kind. she began to beat her with a great storm as a sacrifice. the tin woodman followed with the swallow and fell asleep. when she saw him turning she threw her into the basin. she was so beautiful that he hoped it would be wise to him. but he never told anybody except that they should not come. so long after wealth and darling lived only a few hours earlier to …

    Prime text: i love to Temperature: 0.3

i love to hunt my husband. it is a pity because i am a capital fellow. i dont know how to read it. i have never seen him before. i dont know how to give him to mine. i have been married behind. i am a traveler please excuse me. i will not tell you how to behave. but you must not talk about that. it is a pity because i am a smart toad and i dont know. i was sweeping my room my lady my lady i bought my mates in... 

💡در فصل چهارم مدلهای کارآمدتری بررسی خواهیم کرد😊 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

برگرفته از یک داستان کاملاً واقعی 😅 @Onlinebme

وقتی برای هرکاری از ChatGPT استفاده میکنیم! @onlinebme

🔘بخش کوتاهی از فصل دوم دوره یادگیری عمیق ✍خلاصه اثبات روابط برای تنظیم وزنهای سیناپسی در RNNs 💡 Back Propagation Through Time (BPTT) 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

💡مطالعه بیشتر برای شرکت کنندگان دوره آنلاین یادگیری عمیق ✍اثبات روابط مربوط به گرادیان لایه خروجی در مباحث طبقه‌بندی چندکلاسه Cost Fun: Cross Entropy Activation Fun: SoftMax 🔘بخش کوتاهی از فصل سوم دوره پایتورچ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

💡مطالعه بیشتر برای شرکت کنندگان دوره آنلاین یادگیری عمیق ✍اثبات روابط مربوط به گرادیان لایه خروجی در مباحث طبقه‌بندی دوکلاسه Cost Fun: Binary Cross Entropy Activation Fun: Sigmoid 🔘بخش کوتاهی از فصل سوم دوره پایتورچ 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

سلام وقت همگی بخیر دوره یادگیری عمیق از این هفته برگزار میشه اولین جلسه روز جمعه خواهد بود«ساعت 1» 🔺این جلسه صرفا جهت آشنایی با چارچوپ کار و هماهنگی بیشتر هست. از هفته دیگه دوره رسماً استارت میخوره. ☑️ برنامه در هر جلسه: ◾️رفع اشکال (حل یکی از پروژه‌های هفته قبل) ◾️آموزش مباحث جدید ☑️ برنامه در طول هر هفته: ◼️ارسال ویدیوهای هر جلسه بعد از ادیت نهایی ◼️ارایه فیدبک لازم در پروژه ها توسط مدرس ◼️آماده‌سازی و ارائه جزوه خام قبل هر جلسه ◻️انجام پروژه‌های تعریف شده دوستانی که قصد دارند در این دوره شرکت کنند به آیدی زیر پیام دهند. @onlinebme_admin امیدوارم که کنار هم تجربه ی خوبی داشته باشیم😊 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

سلام امیدوارم حالتون خوب باشه، قصد داریم یک دوره آنلاین با عنوان «دوره جامع یادگیری عمیق» با محوریت RNNs +CNNs +Attention برگزار کنیم. در این دوره ریاضیات، پیاده‌سازی و کاربردی عملی شبکه‌های عصبی آموزش داده خواهد شد. سرفصل دوره 1⃣ مروری بر مباحث مقدماتی ┤◼️Back propagation ┤◻️MLP ┤◼️Cost function ┤◻️Optimizers ┤◼️DataLoader ┤◻️Dropout ┤◼️Batch Normalization ┤◻️... 🗂 Projects 2⃣ پیاده‌سازی شبکه های بازگشتی ┤◼️Elman-Jordan ┤◻️RNN ┤◼️LSTM ┤◻️GRU ┤◼️BiLSTM 🗂 Projects 3⃣ آشنایی با ساختارهای مختلف شبکه های کانولوشنی ┤◼️Convolution layer ┤◻️Pooling layer ┤◼️Spatial conv ┤◻️Temporal conv ┤◼️Seperabale conv ┤◻️Resent ┤◼️.... 🗂 Projects 4⃣ ترکیب CNN و RNN 🗂 Projects 5⃣ مکانیزم توجه ┤◻️Attention in CNN ┤◼️Attention in LSTM 🗂 Projects 6⃣ ترکیب CNN+RNN+Attention مدرس دوره: محمد نوری زاده چرلو مدت زمان دوره: 30-50 ساعت دوستانی که قصد دارند در این دوره شرکت کنند به آیدی زیر پیام دهند. @onlinebme_admin 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی @Onlinebme

شروع لایو

کاربردهای هوش مصنوعی در پردازش سیگنال های حیاتی از یادگیری ماشین تا واسط مغز-کامپیوتر زمان: جمعه ۱۰ مرداد- ساعت ۲۱ https://www.linkedin.com/events/bci7355151563297857536

آخرین روز تخفیف تابستانه... تمدید نخواهد شد.

سلام و وقت بخیر امیدوارم حالتون خوب باشه🙏 همانطور که قبلا اطلاع داده بودم، تصمیم داشتیم دوره‌ای در زمینه‌ی پیاده‌سازی شبکه‌های عصبی بازگشتی (RNN)  برگزار کنیم. هدف اصلی این دوره، آشنایی با تئوری و ریاضیات این نوع شبکه‌ها، پیاده‌سازی دستی آن‌ها، استفاده از کتابخانه PyTorch، و در نهایت انجام پروژه‌های عملی بود. در این مدت که مشغول مطالعه‌ی روی شبکه‌های RNN و همچنین بررسی ترکیب آنها با سایر معماری‌ها مانند CNN  در مسائل مختلف بودم. متوجه شدم که عملکرد RNN در ترکیب با سایر شبکه‌های عصبی، به‌ویژه CNNها، بهینه تر و مؤثرتر میشود. بر همین اساس، تصمیم گرفتم دوره‌ای جامع طراحی کنیم که فصل اول آن به RNN اختصاص داده بشه و در فصلهای بعدی به معرفی و پیاده‌سازی سایر شبکه‌ها مانند CNN و ترکیب آن‌ها با RNN در پروژه‌های مختلف بپردازیم. این دوره با عنوان "شبکه‌های عصبی با محوریت RNN و CNN" برگزار خواهد شد و محتوای آن به‌ صورت کاربردی طراحی شده است. در این چند ماه تلاش کردم که الگوریتم‌های مختلف را مطالعه و بررسی کنم تا بتونم محتوایی کامل و ساختاریافته ارائه دهم. الان فهرست مطالب دوره در حال نهایی شدن است و ثبت نام از این هفته آغاز خواهد شد. سرفصل‌های تقریبی دوره: فصل اول: مروری بر مفاهیم پایه شبکه‌های عصبی 🔺 پس انتشار خطا، توابع هزینه، روشهای بهینه سازی، dropout، batch normalization .... فصل دوم: ریاضیات و پیاده‌سازی شبکه‌های بازگشتی (RNN, LSTM, GRU, BiLSTM) 🔺 پروژه‌های عمومی (مسائل قابل تعمیم به کاربردهای مختلف) 🔺 پروژه‌های پردازش سیگنال‌های حیاتی  (EEG, ECG) فصل سوم: بررسی معماری شبکه‌های CNN 🔺انواع کانولوشن و ساختارهای رایج 🔺پیاده سازی شبکه EEGNet و توسعه‌ی آن 🔺پیاده سازی شبکه‌های ShallowNet و  DeepNet 🔺پروژه‌های عمومی و همچنین پروژه‌های مرتبط با سیگنال EEG و  ECG فصل چهارم: ترکیب شبکه‌های RNN  و CNN 🔺پروژه‌های تحلیل داده‌های سری زمانی 🔺پروژه‌های پردازش سیگنال‌های حیاتی فصل پنجم: آشنایی با  Attention 🔺آشنایی با انواع Self-Attention 🔺طراحی لایه Attention برای انتخاب Feature Map/ Channel 🔺طراحی Attention مخصوص شبکه‌های   ✅ ترکیب RNN+LSTM+Attention و پیاده سازی آن در پروژه های مختلف  (تشخیص و پیش بینی خطا، سیگنالهای حیاتی، ... ) 💡تمرکز این دوره بر ترکیب مبانی ریاضی و تئوری شبکه‌های عصبی با پروژه‌های عملی و کاربردی خواهد بود. امیدوارم کنار هم بتونیم تجربه خوبی داشته باشیم و خروجی خوبی از این دوره بدست بیاریم. موفق باشید محمد نوری‌زاده چرلو

2 روز تا پایان تخفیف تابستانه... تمدید نخواهد شد