✅مقدمه ای بر آموزش Autoencoderها


✍️هوش مصنوعی، طیف گسترده‌ای از فناوری‌ها و تکنیک‌ها را در برمی‌گیرد که سیستم‌های کامپیوتری را قادر می‌سازد تا مسائلی مانند فشرده سازی داده‌ها که در بینایی ماشین، شبکه‌های کامپیوتری، معماری کامپیوتر و بسیاری از زمینه های دیگر وجود دارند را حل کنند. Autoencoderها یا خودرمزنگارها، شبکه‌های عصبی بدون ناظر هستند که از یادگیری ماشین برای فشرده سازی داده استفاده می‌کنند. در این مقاله به معرفی این شبکه‌ها می‌پردازیم.

⭕️ جزئیات بیشتر 👇

https://onlinebme.com/autoencoders/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

ما پنجاه سال پیش یک اشتباهی کردیم و الان هم داریم تاوانش رو میدهیم...
#مغز
@Onlinebme

✅ ساخت dataloader سفارشی با کمک DataLoader و Dataset پایتورچ

✍در پروژه های یادگیری ماشین، مخصوصا یادگیری عمیق، ما با حجم بسیار بالای داده (big data) روبرو هستیم. و هندل کردن چنین داده ای جهت آموزش یک شبکه عصبی میتواند بسیار سخت و پیچیده باشد. از طرفی کدهای مربوط به پردازش نمونه‌ها  و آموزش شبکه عصبی هم میتواند بسیار شلوغ باشد. ما به طور ایده آل دوست داریم، که کد مربوط به آموزش مدل، با کد مربوط به داده جدا باشد تا یک کد خوانا و مدولار داشته باشیم. پایتورچ برای حل این مسئله دو تا کلاس به اسم Dataset و DataLoader دارد که کار با داده را بسیار ساده و راحت می‌کنند. در این پست میخواهیم با Dataset و DataLoader آشنا شویم و در آخر هم توضیح میدهیم که چطور میتوان یک DataLoader اختصاصی برای داده خود با کمک ابزار PyTorch بسازیم.

🔘 جزئیات بیشتر 👇
🌀https://onlinebme.com/creat-a-custom-dataset-in-pytorch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅تحلیل سیگنال‌های MEG/EEG با کتابخانه MNE پایتون


✍در این مقاله به تحلیل سیگنال‌های EEG/MEG با استفاده از پکیج MNE-Python می‌پردازیم. اینکه چطور دیتاست را بخوانیم، ترایال‌ها را جدا کنیم و یا آنها را رسم کنیم. در این مقاله مهم‌ترین ساختار داده‌های پکیج MNE-Python معرفی می‌شوند: Raw, Epochs.

⭕️ جزئیات بیشتر 👇

https://onlinebme.com/meg-eeg-signal-analysis-using-mne-python/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡 شبکه عصبی و اهمیت مدل سازی مغز انسان
👨‍💻محمد نوری زاده چرلو
🗓 13 آذر 1402
#PyTorch

✍شبکه عصبی یک روشی در هوش مصنوعی است که به کامپیوتر یاد میدهد تا داده ها را به روشی پردازش کند که از مغز انسان الهام گرفته شده است. ولی سوال اساسی این است که چرا میخواهیم مغز انسان را مدل کنیم و اینکه چرا امروزه مدلسازی مغز انسان انقدر اهمیت پیدا کرده است. در این پست میخواهیم با اهمیت و نحوه مدلسازی مغز انسان آشنا شویم

🔘 جزئیات بیشتر👇
https://onlinebme.com/neural-networks-and-modeling-the-brain-with-computers/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ترنسفورمرها (Transformers) چطور کار می‌کنند؟
👩‍💻هما کاشفی امیری
🗓16 آذر 1402

✍️ترنسفورمرها نوعی از معماری شبکه عصبی هستند که محبوبیت زیادی پیدا کرده‌اند. ترنسفورمرها اخیراً توسط OpenAI در مدل‌های زبانی مورد استفاده قرار گرفته‌اند همچنین اخیراً توسط DeepMind برای AlphaStar استفاده شده‌اند. ترنسفورمرها برای حل مسائل انتقال توالی (Sequence Transduction) یا ترجمه ماشینی ساخته شده‌اند. یعنی هر تسکی که یک دنباله‌ی ورودی را به یک دنباله‌ی خروجی تبدیل می‌کند. از جمله‌ی این مسائل تشخیص گفتار، تبدیل متن به گفتار و … است.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/transformers/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ گرادیان نزولی و نقش آن در فرایند یادگیری شبکه های عصبی
🧑‍💻محمد نوری زاده چرلو
🗓20 آذر 1402
#PyTorch
💡گرادیان نزولی (gradient descent) یک الگوریتم بهینه سازی است که در شبکه های عصبی با کمک آن وزنهای سیناپسی تنظیم می شوند. به عبارتی با کمک گرادیان نزولی، شبکه های عصبی آموزش دیده و دانش لازم برای حل مئسله را بدست می آوردند.
🔺این الگوریتم با یک مقدار اولیه برای پارامتر بهینه سازی (وزنهای سیناپسی در شبکه های عصبی) شروع می‌کند، و براساس شیب خطا پارامتر بهینه سازی را تنظیم می‌کند.
🔺 گردایان نزولی در طول تکرارهای مختلف، در جهت شیب منفی خطا حرکت می‌کند تا به نقطه بهینه (global minima) همگرا شود. با کمک این رویکرد، شبکه های عصبی، در طول زمان وزنهای سیناپسی خود را برای حل مسئله خاص تنظیم می‌کنند.
🔺در این پست میخواهیم با فلسفه گرادیان نزولی برای حل مسئله، و چالشهایی که دارد آشنا شویم.

🔘جزئیات بیشتر 👇
https://onlinebme.com/gradient-descent/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅کار با داده‌های حوزه‌ی فرکانس در پکیج MNE پایتون
👩‍💻هما کاشفی امیری
🗓23 آذر 1402

✍️در این مقاله یاد می‌گیریم که با استفاده از پکیج MNE پایتون چطور بازنمایی‌های حوزه فرکانس داده‌ی خود را تجسم سازی کنیم و برای این منظور کلاس‌های Spectrum و EpochsSpectrum را معرفی می‌کنیم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/working-with-frequency-domain-data-using-mne-python/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅پارامترهای ارزیابی در مسائل رگرسیون و طبقه بندی
🧑‍💻محمد نوری زاده چرلو
🗓27 آذر 1402

✍در طراحی و تعیین پارامترهای یک مدل یادگیری ماشین، روشها و پارامترهای ارزیابی نقش بسیار مهمی دارند. چرا که به ما کمک می‌کنند دید درستی به مدل طراحی شده داشته باشیم و متوجه بشویم که مدل یادگیری ماشین underfit ،overfit  شده است یا نه. در مسائل طبقه بندی و رگرسیون برای ارزیابی مدل یادگیری ماشین پارامترهای ارزیابی مختلفی وجود دارد، در این پست میخواهیم با چند تا از این پارامترهای ارزیابی مهم آشنا شویم.

🔘جزئیات بیشتر 👇
https://onlinebme.com/validation-parameters-in-regression-and-classification/
 
 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅مکانیزیم Attention در یادگیری عمیق
👩‍💻هما کاشفی امیری
🗓30 آذر 1402

✍️با پیچیده‌تر شدن مدل‌های یادگیری عمیق، نیاز به روش‌های موثر پردازش حجم زیادی از داده، اهمیت فزاینده‌ای پیدا کرده است. یکی از این روش‎ها، مکانیزیم توجه (attention) است که به مدل امکانی می‌دهد تا در هنگام پیش بینی بر مرتبط‌ترین اطلاعات، تمرکز کند و پیش‌بینی را بر اساس آنها انجام دهد.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/%d9%8eattention-in-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ حالت های ارائه داده آموزشی به شبکه های عصبی
#PyTorch
👨‍💻محمد نوری زاده چرلو
🗓 04 دی 1402

✍ در آموزش شبکه های عصبی، داده های آموزش را میتوان به سه شکل pattern mode, batch-mode و mini-batch به شبکه عصبی ارائه داد. هرکدام از این حالتها مزایا و معایب خودشون رو دارند. در این پست میخواهیم با هر سه حالت آموزش شبکه عصبی و مزایا و معایب آنها آشنا شویم و در آخر هم بررسی می‌کنیم که batch-size را چند در نظر بگیریم بهتر است و داستان عدد جادویی 32 چیه؟

🔘 جزئیات بیشتر 👇
https://onlinebme.com/pattern-mode-batch-mode-and-mini-batch-mode-in-training-neural-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅رسم موقعیت مکانی الکترودهای سیگنال EEG با استفاده از پکیج MNE پایتون
#MNE_PYTHON
👩‍💻هما کاشفی امیری
🗓7 دی 1402

✍️در این مقاله توضیح می‌دهیم که چطور می‌توان با استفاده از پکیج MNE پایتون، موقعیت مکانی حسگرها را خواند و رسم کرد و پکیج MNE چطور موقعیت مکانی حسگرها را تشخیص می‌دهد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/working-with-sensor-locations-with-mne-python/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✨ سال نو میلادی بر هم‌وطنان عزیز مسیحی مبارک باشه❤️

@onlinebme

✅شبکه عصبی پرسپترون چند لایه و مسائل غیرخطی
👨‍💻محمد نوری زاده چرلو
19 دی 1402
#PyTorch

شبکه عصبی پرسپترون چندلایه از سه نوع لایه ورودی، پنهان و خروجی تشکیل شده است. از قانون یادگیری پس انتشار خطا برای تنظیم وزنهای سیناپسی خود استفاده می‌کند و میتواند در مسائل طبقه بندی، رگرسیون و مدلسازی استفاده شود. در این پست میخواهیم با ساختار این شبکه عصبی و نقش هر لایه آن در حل مسئله را بررسی کنیم.

☑️مباحثی که در این پست بررسی میکنیم: 
◻️مسئله XOR و خواب زمستانی هوش مصنوعی
◻️مسئله غیرخطی و پرسپترون تک لایه
◻️قضیه کاور
◻️ شبکه عصبی پرسپترون چندلایه
◻️ نقش لایه ها در پرسپترون چند لایه
    ▪️ لایه ورودی
    ▪️ لایه‌های پنهان
    ▪️ لایه خروجی
◻️ بررسی یک سری سوالات رایج

🔘 جزئیات بیشتر 👇
https://onlinebme.com/multilayer-perceptron-neural-network-for-nonlinear-data/
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme