⬛️◼️◾️ 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

سلام
مرسی از لطف و محبت همیشگی دوستان عزیز
در این روزای سخت و نگران کننده کشورمون دلخوشیم به دلگرمی شما❤

خواستم اطلاع بدم امسال هم دوره های جدید خواهیم داشت🙂
در حال حاضر فصل پنجم دوره پردازش تصویر رو آماده میکنم .
همکارم خانم کاشفی هم دوره های جدیدی آماده خواهند کرد.
اگه عمری باقی باشه امسال هم کنار هم دوره های کاملا متفاوتی تجربه خواهیم کرد 😉

محمد نوری زاده چرلو

برای آنکه از شر نویزهای زیاد در فرآیند پژوهش خلاص شوید: مطالعات فرسایشی انجام دهید.
نمی‌توانید سیستم خود را به طور کامل درک کنید؟ آیا می‌خواهید مطمئن شوید که کارکرد مدل واقعاً با فرضیه شما مرتبط است؟ سعی کنید بخش‌هایی را حذف کنید. حداقل 10% از زمان آزمایش خود را صرف تلاش صادقانه برای رد تز خود کنید!»
هما کاشفی در این پست در مورد مطالعات فرسایشی و اهمیت آن در یادگیری عمیق صحبت میکند!

⭕ جزئیات بیشتر👇👇
https://onlinebme.com/ablation-studies-in-artificial-intelligence/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ 5 روشی که اجازه نمی‌دهد شبکه عصبی شما بیش‌برازش شود👌

✍در پیاده سازی شبکه هایی عصبی، عمده ترین مشکلی که با آن مواجه می شویم overfitting  یا همان بیش برازش مدل هست. در این پست میخواهیم در مورد بیش‌برازش و روش‌هایی جلوگیری از آن در شبکه عصبی صحبت کنیم.

⭕️جزئیات بیشتر 👇
https://onlinebme.com/5-methods-that-will-not-let-your-neural-network-model-overfit/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅چگونه بهترین موجک مادر را انتخاب کنیم؟

✍در چند دهه ی اخیر، استفاده از ابزار ریاضی قدرتمندی به نام تبدیل ویولت با کاربردهای متنوع در میان پژوهشگران رایج شده است. این کاربردها می تواند در رشته ها و علوم مختلف مطرح گردد. برای مثال در مهندسی پزشکی از تبدیل ویولت برای از بین بردن نویز، پردازش سیگنال های بیولوژیکی و پردازش تصاویر پزشکی استفاده می گردد. اما چالشی که همواره پژوهشگران و محققان با آن روبرو هستند این است که از کدام ویولت مادر برای پیش بردن اهدافشان استفاده کنند تا به نتایج بهتری دست یابند. در این مقاله قصد داریم ضمن تعریف مختصری از تبدیل ویولت، به بررسی روش های انتخاب بهینه ترین ویولت مادر بپردازیم.

👩‍💻نویسنده: نسرین رفیعی

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/wavelet_analysismother_wavelet_selection/

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

سلام
اگه از دوستان کسی جزوه ای برای دوره متلب نوشته ممنون میشم عکس یا pdf جزوه رو برام بفرسته🌹
@onlinebme_admin

آپدیت:
جزوه در صفحه لینکدین قرار داده شد.
https://www.linkedin.com/posts

✅تکنیکهای آموزش شبکه های عصبی بزرگ

✍ ممکن است شبکه‌های عصبی عظیم، گزینه‌ی مناسبی برای پروژه‌ی شما باشند اما نگران روند آموزش آنها باشید. شبکه‌های عصبی بزرگ، مرکز اصلی پیشرفت‌های اخیر در هوش مصنوعی هستند، اما آموزش این شبکه‌ها چالش پژوهشی و مهندسی دشواری است که مستلزم سازماندهی دسته‌ای از GPUهاست تا بتوانند یک محاسبه همزمان را انجام دهد. با افزایش سایز مدل، متخصصان یادگیری ماشین، انواع مختلفی از تکنیک‌ها را توسعه داده‌اند تا بتوانند روند آموزش مدل را در بسیاری از GPUها موازی‌سازی کنند. در نگاه اول، درک این تکنیک‌های موازی سازی ممکن است دلهره آور به نظر برسد، اما تنها با در نظر گرفتن چند فرض در مورد ساختار محاسبات، تکنیک‌ها واضح‌تر می‌شوند.

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/techniques-for-training-large-neural-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅درک شبکه‌های عصبی بازگشتی و LSTM

✍اگر تابحال از Apple’s Siri و Google voice search یا Google Translate استفاده کرده‌اید، باید بدانید که این اپلیکیشن‌ها از شبکه‌های عصبی بازگشتی (RNN) استفاده می‌کنند که جدیدترین الگوریتم‌ها برای داده‌های توالی هستند. RNN اولین الگوریتمی است که به دلیل وجود حافظه داخلی، ورودی را به خاطر می‌سپارد و آن را برای مسائل یادگیری ماشین که شامل داده‌های توالی هستند، مناسب می‌سازد. این یکی از الگوریتم‌های اصلی یادگیری عمیق است که در چند سال گذشته به دستاوردهای شگفت انگیزی منجر شده است. در این پست، نحوه‌ی عملکرد شبکه‌های عصبی بازگشتی توضیح داده می‌شوند و همچنین مسائل عمده و نحوه‌ی حل آنها را پوشش خواهیم داد.

⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/understanding-recurrent-neural-network-and-lstm/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ تولباکس EEGLAB چیست؟

✍هرکسی که علاقه مند به پردازش سیگنال های حیاتی از جمله سیگنال های EEG   باشد، به احتمال زیاد نام EEGLAB را شنیده است. از حدود 17 سال گذشته تا کنون، EEGLAB، با مشارکت ده‌ها برنامه‌نویس، نویسندگان افزونه و پلاگین و کاربران، به یک محیط گسترده و مورد استفاده برای تجزیه و تحلیل EEG انسانی و سایر داده‌های مرتبط تبدیل شده است. این تولباکس از جعبه ابزارهای حرفه ای نرم افزار Matlab است که به طور خاص آنالیز و پردازش سیگنال های مغزی را آسان و لذت بخش کرده است. در این مقاله قصد داریم به بررسی این ابزار جدید بپردازیم و ویژگی های آن را مرور کنیم.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/what-is-eeglab/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

مراحل پیاده‌سازی مقاله...
#fun
@onlinebme

✅ مفهوم کانولوشن در CNN
اگر بخواهیم تفاوت اصلی لایه‌های کانولوشن را با لایه‌های معمول شبکه‌های عصبی بیان کنیم، می‌توانیم بگوییم لایه‌های Dense الگوهای global را در فضای ویژگی ورودی خود یاد می‌گیرند در حالیکه لایه‌های کانولوشن الگوهای local را یاد می‌گیرند. برای مثال یک تصویر را می‌توان به الگوهای local چون edgeها، textureها و غیره تقسیم کرد. همچنین لایه‌های کانولوشنی می‌توانند ویژگی‌ها را به صورت سلسله مراتبی (از ساده‌ترین ویژگی‌ها چون خط و نقطه تا پیچیده‌ترین ویژگی‌ها چون یک شی کامل) یاد بگیرند.

⭕جزئیات بیشتر👇👇
https://onlinebme.com/convolutional-operation-in-cnn/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅نحوه نصب تولباکس EEGLAB

✍در پست های قبل در مورد تولباکس EEGLAB توضیحاتی ارائه دادیم. گفتیم EEGLAB تولباکسی است که برای اهداف تصویربرداری عصبی نوشته و طراحی شده است؛ بنابراین بطور اختصاصی بیشتر برای پردازش سیگنال های مغزی به کار می رود. همچنین بهترین پلتفرمی که EEGLAB بر روی آن سازگار است، نرم افزار قدرتمند متلب است. در این پست قصد داریم به نحوه ی نصب EEGLAB بر روی نرم افزار متلب بپردازیم.

Nasrin Rafiei
⭕جزئیات بیشتر👇👇
https://onlinebme.com/installing-eeglab/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅ انواع (پارادایم‌های) واسط‌ مغز-کامپیوتر
▪️SSVEP
▫️P300
▪️Motor Imagery

✍واسط‌های مغز-کامپیوتر عمدتا بر اساس سه نوع فعالیت مغزی ثبت شده توسط EEG طراحی و توسعه می یابند: BCI مبتنی بر تصور حرکتی، BCI مبتنی بر پتانسیل وابسته به رخداد P300 و BCI مبتنی بر SSVEP. در این پست میخواهیم سه نوع BCI را بررسی کنیم و  با کاربردها و چالشهای هر کدام آشنا شویم. در آخر هم توضیح میدهیم که یک فرد برای وارد شدن به این حوزه به چه مهارتهایی نیاز دارد.

💡به افراد علاقه مند به حوزه واسط مغز-کامپیوتر پیشنهاد میکنیم که این پست رو تا آخر مطالعه کنند.
Mohammad Norizadeh Cherloo

⭕️جزئیات بیشتر👇
https://onlinebme.com/three-major-paradigms-of-eeg-based-brain-computer-interface/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

MRI vs FMRI
@onlinebme

✅واسط مغز-کامپیوتر مبتنی بر P300

✍پتانسیل P300 یک پتانسیل وابسته به رخداد است که در شرایط oddball ایجاد می شود. حدودا 300 میلی ثانیه بعد از نمایش محرک نادر یک انحراف مثبت (P300) در سیگنال مغزی فرد ظاهر می شود. از این خاصیت مغز در کاربردهای مختلفی از جمله آشکارسازی سطح هوشیاری بیمار در کما، دروغ سنجی و واسط مغز کامپیوتر استفاده میکنند. مهمترین کاربرد آن در حوزه واسط مغز-کامپیوتر هست که در آن از P300 برای ایجاد ارتباط استفاده میکنند و برای افرادی که نمتیوانند صبحت کنند، این فرصت را ایجاد میکنند که بتوانند با کمک BCI-speller با افراد دیگر ارتباط برقرار کنند. در این پست میخواهیم با نحوه طراحی BCI-speller مبتنی بر P300 آشنا شویم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/p300-based-bci-speller/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#imageprocessing
دوره پردازش تصویر
@onlinebme

⚠️ننگ XoR بر دامن شبکه‌های عصبی🤖
❄️زمستان هوش مصنوعی❄️

❄️واقعا زمستونی درکار بوده؟ چرا اصلا زمستون شده؟!

✍ از وقتی تورینگ با تعریف از هوش یک جریان تحقیقاتی رو شروع کرد و مفاهیم مثل پرسپترون بیان شد، بودجه‌های تحقیقاتی زیادی سمت دانشگاه‌ها روانه شد ولی از همون اول خیلیا موافق این جریان نبودند. با به وجود اومدن ADALINE و دادن یه فرمول ریاضی جذاب برای شبکه‌های عصبی هیجان زیادی به پا شد.

ولی راستش یه مشکل اساسی وجود داشت. سال ۱۹۶۰ آدالاین شبکه‌ی عصبی یک لایه رو معرفی کرد. خب مشکلش چیه؟! اون زمان شبکه‌های عصبی سعی داشتند گیت‌های منطقی رو یاد بگیرند. یادتون باشه بحث سخت‌افزار و ساخت کامپیوتر‌ها خیلی داغ بوده و اگر شبکه‌های عصبی مفهوم گیت AND رو یاد میگرفتند، میتونستند خیلی مفاهیم رو شبیه‌سازی کنند.

🔔حالا به شکل‌های پست نگاه کنید. شکل اول یک AND رو نمایش میده، با یک شبکه یک لایه، میتونید یک صفحه جدا کننده بسازید و نقاط رو از هم جدا کنید. این شبکه دو تا ورودی و یک خروجی داره. طبعا میتونید چنین خطی رو پیدا کنید و فقط بحث دقت پیدا کردن این صفحه جدا کنندس.

حالا به شکل دیگه که XoR رو نشون میده دقت کنید. اینجا غیر ممکنه با یک صفحه (بخونید خط) یک‌ها رو از صفرها جدا کنید!! یعنی ۲۰ سال تلاش برای ساخت مفهوم هوش با یک XoR به هدر رفت. گزارش و اثبات اینکه شبکه‌ی عصبی از بازسازی توابع غیر خطی مثل XoR عاجزه ننگی شد بر دامن محققان این حوزه. در همین زمان در انگلیس هم منتقدانی در مورد بزرگنمایی تحقیقات این حوزه مقالاتی نوشتند و بودجه تحقیقاتی این حوزه‌ها از سمت دانشگاه‌ها و دولت‌ها به شدت کاهش پیدا کرد.

در واقع زمستان به خاطر کاهش بودجه تحقیقاتی بود! محققین هم که مثل بقیه باید درامد داشته باشن رفتن به سمت مناطق گرمسیری.
این ماجرا تو اومد مفهوم MADALINE و در نهایت دو لایه شدن شبکه‌های عصبی ادامه داشت. پاک کردن ننگ XoR سالها برای محققین این حوزه طول کشید و شبکه‌ی عصبی دو لایه دوباره آبروی رفته این حوزه رو برگردوند.

ولی واقعیت کل قضیه زمستان سرد، نبود پول و انگیزه برای تحقیقات بود. مهم نیست چه قدر شکل و شمایل هوش مصنوعی عوض میشد، محققین روی این حوزه‌ها کار نمیکردن تا یک مفهوم جدید ارائه بدن. پس هر موقع شک کردید که ممکنه برای یک حوزه زمستانی فرا برسه اول ببینید چه کسانی فلوی مالی اون حوزه رو تامین میکنند.
LinkedIn: Ghandi (Data Scientist)

✅مردی که رکورد بیشترین استفاده از واسط مغز-کامپیوتر را دارد

✍در سال 2004  ناتان کوپلند (Nathan Copeland) در یک صانحه تصادف از سینه به پایین فلج شد به طوری که نمیتوانست اندام خود را حس بکند. کوپلند در سال 2014 به تحقیقی که دانشگاه پیتسزبرگ برای بیمارانی که دچار ضایعه نخاعی جدی بودند انجام میداد پیوست. این آزمایش امکان برگرداندن  برخی از تواناهایی که این بیماران از دست داده بودند را توسط واسط مغز و کامپیوتر (BCI) مورد مطالعه قرار میداد. کوپلند بلافاصله در این آزمایش اسم نویسی کرد، اگرچه این کار نیاز به جراحی مغزی داشت و کسی به طور دقیق نمیدانست که این دستگاه چه مدتی کارآمد خواهد بود. "این جمله را امیلی برای WIRED مینویسد: "کوپلند در حال جشن گرفتن هفت سال و سه ماهگی استفاده از این دستگاه است و میگوید که مطمانا  دوباره این کار را انجام خواهد داد."

⭕️جزئیات بیشتر👇
https://onlinebme.com/this-man-set-the-record-for-wearing-a-bci/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme