🔵 آگهی جذب هیات علمی
گروه فیزیک پزشکی و مهندسی پزشکی دانشگاه علوم پزشکی تهران جهت تکمیل کادر هیات علمی، در قالب طرح تعهد خدمت با شرایط زیر دعوت به همکاری مینماید.
✅ دانش آموختهی مقطع دکترای فیزیک پزشکی از یکی دانشگاههای برتر کشور.
✅ دارای مقالات معتبر در زمینهی تصویربرداری پزشکی با محوریت امآرآی
✅ گذراندن پایاننامه با نمرات عالی در هر دو مقطع کارشناسی ارشد و دکترا با موضوع تصویربرداری امآرآی
واجدین شرایط نسبت به ارسال رزومهی خود حداکثر تا تاریخ ۱۴۰۰/۰۷/۱۵ به آدرس ایمیل زیر میتوانند اقدام نمایند.
تلفن تماس : ۶۶۴۸۲۶۵۴
TUMS.MedicalPhysics@gmail.com
گروه فیزیک پزشکی و مهندسی پزشکی دانشگاه علوم پزشکی تهران جهت تکمیل کادر هیات علمی، در قالب طرح تعهد خدمت با شرایط زیر دعوت به همکاری مینماید.
✅ دانش آموختهی مقطع دکترای فیزیک پزشکی از یکی دانشگاههای برتر کشور.
✅ دارای مقالات معتبر در زمینهی تصویربرداری پزشکی با محوریت امآرآی
✅ گذراندن پایاننامه با نمرات عالی در هر دو مقطع کارشناسی ارشد و دکترا با موضوع تصویربرداری امآرآی
واجدین شرایط نسبت به ارسال رزومهی خود حداکثر تا تاریخ ۱۴۰۰/۰۷/۱۵ به آدرس ایمیل زیر میتوانند اقدام نمایند.
تلفن تماس : ۶۶۴۸۲۶۵۴
TUMS.MedicalPhysics@gmail.com
Forwarded from EEG workshop
یکی از روشهای کاهش بعد ماتریس ویژگی و پیدا کردن راستاهایی که بیشترین پراکندگی درانها هست روش تحلیل مولفه های اساسی PCA است
این روش در matlab با دستور pcacov هم می تواند انجام شود.
داده ingredients چهار بعدی است که هر مشاهده در یک سطر است و متغیرها ستون هستند. با زدن PCA متوجه میشویم قدرت پراکندگی یا واریانس در بعد چهارم مولفه پی سی ای خیلی کم است(0.2) پس این راستا اطلاعاتی ندارد و قابل حذف است
برای حذف مولفه چهارم ماتریس pc را سه ستون اول را که متناظر با سه واریانس بیشتر است میگیریم و سپس در ماتریس ingredients ضرب میکنیم حالا چهاربعد به سه بعد کاهش میابد که بیشترین پراکندگی را دارند براساس واریانسها 99.96% انرژی در این سه بعد حفظ شده است. اگر راستای اول و دوم را بگیریم 97.88% انرژی اطلاعات را حفظ کرده ایم(یعنی ستونهای اول و دوم ماتریس pc)
این روش در matlab با دستور pcacov هم می تواند انجام شود.
داده ingredients چهار بعدی است که هر مشاهده در یک سطر است و متغیرها ستون هستند. با زدن PCA متوجه میشویم قدرت پراکندگی یا واریانس در بعد چهارم مولفه پی سی ای خیلی کم است(0.2) پس این راستا اطلاعاتی ندارد و قابل حذف است
برای حذف مولفه چهارم ماتریس pc را سه ستون اول را که متناظر با سه واریانس بیشتر است میگیریم و سپس در ماتریس ingredients ضرب میکنیم حالا چهاربعد به سه بعد کاهش میابد که بیشترین پراکندگی را دارند براساس واریانسها 99.96% انرژی در این سه بعد حفظ شده است. اگر راستای اول و دوم را بگیریم 97.88% انرژی اطلاعات را حفظ کرده ایم(یعنی ستونهای اول و دوم ماتریس pc)
Forwarded from EEG workshop
Ingredients
چهار متغیر دارد که ۱۳ مشاهده از انها وجود دارد
چهار متغیر دارد که ۱۳ مشاهده از انها وجود دارد
Forwarded from EEG workshop
Latent
مقادیر ویژه متناظر با هر راستا یا قدرت پراکندی و یا واریانس هر راستاست
و explained در صد انرژی هر راستاست
مقادیر ویژه متناظر با هر راستا یا قدرت پراکندی و یا واریانس هر راستاست
و explained در صد انرژی هر راستاست
Forwarded from EEG workshop
سطر اخر تبدیل چهار بعد متغیر ingredients به دو بعدی که بیشترین واریانس یا انرژی را دارند است
Forwarded from EEG workshop
از متغیر explained دیده میشود که ۹۷.۵ در صد پراکندگی حول راستای اول است که متناظر با ستون اول اول ماتریس coeff است که حدودا راستای ۴۵ درجه است
Forwarded from EEG workshop
راستاهای pca برهم عمود هستند یعنی ستونهای ماتریس coeff متعامدند
Forwarded from EEG workshop
اگر داده های x را به یک بعد کاهش دهیم و سپس به دو بعد برگردیم اطلاعات بعد اصلی حفظ و اطلاعات بعد دوم حدف میشود
EEG workshop
یکی از روشهای کاهش بعد ماتریس ویژگی و پیدا کردن راستاهایی که بیشترین پراکندگی درانها هست روش تحلیل مولفه های اساسی PCA است این روش در matlab با دستور pcacov هم می تواند انجام شود. داده ingredients چهار بعدی است که هر مشاهده در یک سطر است و متغیرها ستون هستند.…
در متلبهای جدید ۲۰۱۸ دستور بجای pcacov از pca استفاده شود
دوستان و شرکت کنندگان کارگاه متلب آخرین ورژن برنامه هایی که در کارگاه استفاده و ادیت شد در درایو با اسم program_ex_new بارگذاری شده است