✅ مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
👩‍💻هما کاشفی امیری
🗓28 دی 1402

✍شبکه‌های GAN حوزه‌ای مهیج و به سرعت در حال تغییر هستند که نوید مدل‌های مولد با قابلیت بالا را می‌دهند. برای مثال می‌توانند نمونه‌های واقعی در طیف وسیعی از مسائل تولید کنند، مانند تبدیل تصاویر تابستان به زمستان، تبدیل تصاویر روز به شب و یا تولید تصاویری از چهره‌ی انسان که هیچ کس غیرواقعی بودن آنها را متوجه نمی‌شود. در این مقاله‌، معرفی اولیه‌ای از شبکه‌های مولد تخاصمی یا GANها را ارائه خواهیم کرد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/generative-adversarial-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

دوره جامع و پروژه محور کار با سیگنال EEG با استفاده از پکیج MNE پایتون

بخش اول: مباحث پایه و عمومی

  🔹 نصب پکیج MNE_Python
  🔹 خواندن دیتاهای EEG به فرمت های مختلف (gdf, fif, mat, csv)
  🔹 کار با داده های EEGپیوسته و جداکردن ترایال ها
  🔹 پیش پردازش سیگنال
  🔹 تحلیل Time-Frequency سیگنال
  🔹 تجسم سازی سیگنال‌ها و نمایش نتایج
  🔹 انجام چندین پروژه ی عملی با الگوریتم های یادگیری ماشین

بخش دوم: انجام پروژه با شبکه‌های یادگیری عمیق

  🔸پروژه ی تشخیص بیماری صرع از روی سیگنال های EEG با الگوریتم های یادگیری عمیق
  🔸پروژه ی کلاسبندی سیگنال های EEG تصور حرکتی با الگوریتم های یادگیری عمیق (CNN)

  🔸و پروژه های دیگر


🔻نوع دوره: آنلاین همراه با ضبط ویدیوی جلسات
▪️مدت دوره: حدودا 30 ساعت

👩‍💻مدرس: هما کاشفی امیری

✅ جهت ثبت نام به آیدی زیر پیام دهید:
آیدی تلگرام: @mne_python_admin

#python  #MNE_Python #EEG

@Onlinebme

✅ دوره‌ی تخصصی MNE-Python
🔷  فصل اول: مبانی سیگنال EEG
    🔹ریتم‌های سیگنال EEG
    🔹نویز و آرتیفکت
   🔹 پارادایم‌های ثبت
   🔹فیلترینگ
🔷  فصل دوم: آموزش MNE-Python
    🔹نصب
    🔹لود کردن دیتاهای EEG
         🔸 gdf,.fif,.mat,.csv
    🔹عملیات مقدماتی
        🔸متدهای Inplace
        🔸کار با موقعیت سنسورها
    🔹کار با داده‌ی پیوسته
       🔸ساختار داده Raw
       🔸کار با eventها
       🔸نمایش داده
    🔹پیش پردازش
       🔸شناسایی آرتیفکت
       🔸کار با bad channels
       🔸فیلترینگ
       🔸اعمال ICA
       🔸تنظیم رفرنس
    🔹جداسازی داده پیوسته
      🔸تجسم سازی Epoch
      🔸تبدیل Epochs به دیتافریم
    🔹تحلیل زمان-فرکانس
      🔸 EpochsSpectrum
🔘 پروژه: کلاسبندی EEG با یادگیری ماشین
🔷فصل سوم: انجام پروژه با شبکه‌های عمیق
     🔸تشخیص بیماری صرع
     🔸کلاسبندی با CNN
     🔸پیاده سازی مقاله
@Onlinebme

✅حاشیه‌نویسی سیگنال پیوسته با استفاده از پکیج MNE پایتون

#MNE_PYTHON
👩‍💻هما کاشفی امیری
🗓12 بهمن 1402

✍️با استفاده از پکیج MNE پایتون می‌توانیم سیگنال پیوسته را نشانه‌گذاری یا به اصطلاح حاشیه‌نویسی کنیم و همچنین از این حاشیه‌نویسی‌ها در مراحل بعدی پردازش استفاده کنیم. در این مقاله، روند انجام آن را توضیح می‌دهیم.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/raw-signal-annotation-using-mne-oython/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

آخرین فرصت برای ثبت نام دوره ی پردازش سیگنال مغزی در پایتون

✅شروع کلاس از پنج شنبه ۱۹ بهمن

✅ دوره پایتورچ
🔷  فصل هفتم:
پیاده‌سازی شبکه‌های عصبی در پایتورچ
🔘 پروژه عملی: سری هفتم
◼️autograd    
◼️torch.optim
◼️torch.nn
◼️torch.nn.Module
◼️torch.nn.functional

@Onlinebme

✅ کتابخانه‌های ضروری مکمل کار با پکیج MNE پایتون

👩‍💻هما کاشفی امیری
🗓۲۶ بهمن ۱۴۰۲

✍به منظور کار با پکیج MNE پایتون، شناخت و یادگیری چند مورد از کتابخانه‌های پایتون ضروری است. این کتابخانه در خواندن دیتاست‌هایی مثل EEG، ذخیره سازی و جداسازی و تقسیم دیتاست به بخش‌های آموزش و آزمایش و همچنین استفاده از تکنیک‌های آموزش مدل مانند k-fold cross validation و … ضروری هستند. این کتابخانه‌ها عبارتند از: numpy، pandas و matplotlib و scikit-learn. در این مقاله به بررسی این کتابخانه‌های مهم پایتون و نقش آنها در کار با پکیج mne می پردازیم.

⭕️ جزئیات بیشتر👇

https://onlinebme.com/necessary-python-libraries-for-working-with-mne/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام
دوره پیاده‌سازی شبکه‌های عصبی با پایتورچ تموم شد
پکیج دوره هفته آینده بعد از ادیت نهایی در وبسایت قرار میگیره
@Onlinebme

✅ دوره MNE
🔷  فصل اول:
خواندن دیتاست فرمت .mat
🔘 پروژه عملی: سری اول
◼️mne.create_info   
◼️mne.EpochsArray


@Onlinebme

✅ دوره پایتورچ
🔷  فصل هفتم: شبکه عصبی کانولوشنال

🔘 پروژه عملی: سری هشتم
◼️CNN
◼️Convolutional Layers
◼️Pooling Layers
◼️Image Processing
◼️Signal Processing
◼️Classification
◼️Regression

@Onlinebme