📝💡 18 سوال مهم شبکه عصبی مصنوعی در مصاحبه

✍ موضوع شبکه عصبی برای هر فرد مشتاق به Data Scientist و مهندسی یادگیری ماشین ضروری است که شناخت خوبی از این شبکه های عصبی داشته باشد. در این مقاله قصد داریم تا در رابطه با سوالات مهم در زمینه شبکه مصنوعی (ANN) بحث کنیم. این موضوع به شما کمک می‌کند تا درک روشنی از روش‌ها داشته باشید و همچنین برای مصاحبه‌های علوم داده، که سطح بسیار اساسی آن را در مفاهیم پیچیده پوشش می دهد، بسیار مفید واقع می شود.
⭕️ جزئیات بیشتر👇👇
https://onlinebme.com/neural-network-interview-questions

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

خوشحالم که اعلام کنم مقاله ما در مجله Computers in Biology and Medicine پذرفته شد.
ممنون از دوست عزیزم خانم هما کاشفی امیری و استاد گرانقدرم دکتر محمد رضا دلیری🙏🌹

Ensemble Regularized Common Spatio-Spectral Pattern (Ensemble RCSSP) Model for Motor Imagery-based EEG Signal Classification - ScienceDirect

https://www.researchgate.net/publication/352336118_Ensemble_Regularized_Common_Spatio-Spectral_Pattern_Ensemble_RCSSP_Model_for_Motor_Imagery-based_EEG_Signal_Classification

#BCI #EEG #Motor_imagery #ensemble_learning #csp #cssp #rcsp

@onlinebme

✅ معرفی پایگاه داده برای واسط مغز-کامپیوتر مبتنی بر SSVEP

✍ برای اینکه بتوانیم یک پروژه واسط مغز کامپیوتر مبتنی بر SSVEP با کیفیت انجام دهیم به یک پایگاه داده SSVEP استاندارد نیاز داریم. در این بخش پایگاه داده معروف و Benchmark برای SSVEP را معرفی میکنیم تا دوستان بتوانند در پروژه های تحقیقاتی خود استفاده کنند. این پایگاه داده SSVEP در مقالات بسیار معتبری برای ارزیابی روشهای ارائه شده استفاده شده است.
این پایگاه داده 40 کلاسه بوده و از نوع BCI Speller است . داده‌ی EEG 64 کاناله است و تعداد سابجکت‌ها 35 نفر فرد سالم است (8 نفر باتجربه و 27 نفر مبتدی نسبت به آزمایش). نحوه‌ی کدگذاری 40 محرک بینایی با روش Joint Frequency and Phase Modulation می‌باشد. طیف سیگنال‌های تحریک این دیتا از 8 هرتز تا 15.8 هرتز با فاصله 0.2 هرتز است.

💡این پایگاه داده benchmark هست و دوستان میتونن ازش برای ارزیابی روشهاشون در پایان نامه خود استفاده کنند.

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/ssvep-dataset
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Machine learning
#fun
@onlinebme

✅ پکیجهای آموزشی onlinebme
⚠️اولین گروه آموزشیِ تخصصی و پروژه محور

⭕️⭕️ اصول برنامه‌نویسی در متلب (رایگان)
مدت دوره: 11 ساعت
🌀 https://onlinebme.com/course/matlab/

⭕️⭕️ پیاده سازی گام به گام شبکه های عصبی
مدت دوره: 25 ساعت
🌀 https://onlinebme.com/course/neural-networks-in-matlab/

⭕️⭕️ دوره جامع پردازش سیگنال مغزی(EEG)
مدت دوره: 50 ساعت
🌀 https://onlinebme.com/product/eeg-signal-processing/

⭕️⭕️ واسط مغز و کامپیوتر مبتنی بر SSVEP
مدت دوره: 33 ساعت
🌀https://onlinebme.com/product/bci_ssvep/

⭕️⭕️ پردازش سیگنال مغزی(EEG) مبتنی بر تسک تصور حرکتی (BCI)
مدت دوره: 21 ساعت
🌀 https://onlinebme.com/product/brain-computer-interface-package-motorimagery/


✅ دوره شناسایی الگو و یادگیری ماشین (اولین دوره جامع و تخصصی در ایران)
⚠️ 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

🟣▪️پترن و یادگیری ماشین (فصل یک تا 4): از بیزین تا SVM
مدت دوره: 75 ساعت
🌀 https://onlinebme.com/product/season-1-4-packages-pattern-recognition/

🔵▪️پترن و یادگیری ماشین (فصل 5): یادگیری جمعی (Ensemble learning)
مدت دوره: 18 ساعت
🌀 https://onlinebme.com/product/ensemble-learning/

🟢▪️پترن و یادگیری ماشین (فصل 6): کاهش بعد (dimensionality reduction)
مدت دوره: 11 ساعت
🌀 https://onlinebme.com/product/dimension-reduction-using-lda-pca/

🔴▪️پترن و یادگیری ماشین (فصل 7): انتخاب ویژگی (feature selection)
مدت دوره: 16 ساعت
🌀https://onlinebme.com/product/season07-featrue-selection/


🟠▪️فصل هشتم: خوشه بندی ( clustering)
مدت دوره: 13 ساعت
🌀https://onlinebme.com/product/pattern-season08-clustering/



✅ دوره جامع پردازش تصویر
🟠فصل اول: مباحث مقدماتی، آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
مدت دوره: 30 ساعت
🌀https://onlinebme.com/product/image-processing-chapter1
🔵فصل دوم: پردازش هیستوگرام تصویر
مدت دوره : 6 ساعت و 30 دقیقه
🌀https://onlinebme.com/product/image-prcessing-chapter2

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ آموزش پیاده‌سازی مقاله فیلترهای مکانی طیفی مشترک(cssp)

✍ فیلترهای مکانی طیفی مشترک (common spetio-spectral patterns) یکی از الگوریتمهای بهبودیافته‌ی csp است. یکی از ایرادات فیلتر مکانی مشترک(csp) این است که هنگام محاسبه فیلترهای مکانی، اطلاعات طیفی را در نظر نمی‌گیرد، برای حل این مشکل  csp، الگوریتم cssp مطرح شده است که هنگام محاسبه فیلترها، علاوه بر بهینه سازی مکانی، بهینه سازی فرکانسی نیز انجام میدهد. در این دوره ی مقاله محور، تئوری و ریاضیات الگورتیم cssp طبق مقاله تخصصی آموزش داده شده و سپس مرحله به مرحله پیاده سازی شده است.
 
🔖فهرست مطالب
·      مرروی بر فیلتر مکانی مشترک(csp)
·      نحوه طراحی فیلتر fir
·      تئوری و پیاده سازی فیلتر مکانی-طیفی مشترک (cssp)
·      نحوه رسم نقشه توپوگرافی در محیط eeglab
·      نحوه رسم نقشه توپوگرافی مغزی الگوریتم csp
·      نحوه رسم نقشه توپوگرافی مغزی الگوریتم cssp

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/product/common-spetio-spectral-patterns

#پکیج_آموزشی
#پیاده‌سازی_مقاله

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

مطالعات معتبر ثابت کرده اند که الگوریتم csp در پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی نسبت به سایر رویکردها عملکرد بهتری دارد.
اما با این حال این الگوریتم دارای یک سری محدودیتهایی هست که محققان مختلفی این محدودیتها را عنوان کرده و راه حلی را برای رفع آنها مطرح کرده اند که منجر به ارائه الگوریتمهای بهتری در مقایسه با csp شده است .
الگوریتمهای مختلفی از قبیل:
FBCSP
CSSP
CSSSP
RCSP
...

در جهت رفع مشکلات CSP ارائه شده اند.
دوستانی که دوره تصور حرکتی را نگاه کرده باشند خیلی راحت میتونن دو الگوریتم CSSP و FBCSP را ترکیب کنند و یک الگوریتم کارآمدتری بدست بیاورند. که نتیجه بهتری را ارائه خواهد داد.
کافیست در الگوریتم FBCSP به جای CSP از CSSP استفاده کنند...
@onlinebme