☑️ تابع هزینه Cross-Entropy
◾️مناسب مسائل طبقه بندی
◽️جریمه بیشتر خطاهای با سطح اطمینان بالا
◾️قابلیت تعمیم برای داده های نامتعادل

☑️ تابع هزینه Hinge
◾️مناسب مسائل طبقه بندی
◽️مسائل max-margin همانند SVM

☑️ تابع هزینه MSE
◾️مناسب مسائل رگرسیون
◽️جریمه بیشترخطاهای زیاد
◾️حساس به داده های پرت

☑️تابع هزینه MAE
◾️مناسب مسائل رگرسیون
◽️جریمه یکسان خطاها
◾️مقاوم به داده های پرت
◽️ناتوانی در تولید خروجی های خاص

☑️ تابع هزینه Huber
◾️مناسب مسائل رگرسیون
◽️ترکیب دو تابع MSE و MAE
◾️مقاوم به داده‌های پرت
◽️نیاز به تنظیم هایپرپارمتر


PDF
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دستی مصنوعی ساخته شده توسط شرکت Open Bionics

شرکت Open Bionics یک شرکت بیونیک است که در زمینه تولید ابزارهای کمکی مقرون‌ به‌ صرفه و پیشرفته فعالیت میکنه.
این شرکت ابزارهایی مثل دست مصنوعی برای
بهبود عملکرد بدن انسان طراحی میکنه. با Hero Arm، که از فناوری چاپ سه بعدی استفاده شده برای ساختش، وارد این حوزه شده، و حالا محصولات مختلفی در این زمینه ارایه میده.


@Onlinebme

💡صحبتهای آقای اختیاری* در مورد اهمیت توانایی‌های شناختی

🔷امروزه همه تقریبا امکانات لازم برای ارتقاء خود دارند، دیگه مثل قبل نیست که شخصی به خاطر نبود امکانات به جایگاهی که میخواد نرسه.
🔷در دنیای امروزی محدودیتها به خود آدم رسیده! همه چی به خود فرد بستگی داره، اینکه چقدر یک فرد میتونه تمرکز و توجه خودش رو در رسیدن به هدفی که میخواد مدیریت کنه!
*

دکتر حامد اختیاری، عصب‌شناس شناختی و روانپزشک

@Onlinebme

✅مهندسی در خدمت انسان: نسل بعدی پروتزهای بایونیک

💡 پروتزهای بایونیک، نه تنها عملکرد افراد داری معلولیت رو بازیابی می‌کنند، بلکه زیبایی، پویایی و استقلال را به زندگی انسان‌ها می‌بخشند. این ابزارهای پوشیدنی با ترکیب رباتیک، هوش مصنوعی و تکنولوژی پوشیدنی، بدون نیاز به جراحی‌های تهاجمی، زندگی مارو متحول کرده و استقلال عملکردی افراد رو ارتقاء میدهند.

@Onlinebme

✅ نسل بعدی پروتزها، انگشتان بایونیکی خواهند بود؛ انعطاف‌ پذیرتر و کارآمدتر از دست‌های مصنوعی!

💡ویژگی‌های کلیدی این تکنولوژی‌ها:

☑️ اتصال از راه دور: این انگشتان بایونیکی از دستگاه‌های پوشیدنی و غیرتهاجمی برای ارتباط با بدن استفاده می‌کنند که نیازی به عمل جراحی ندارند و همه افراد در هر سن و سالی میتونند از آن استفاده بکنند.

☑️ کنترل بی‌زحمت: سنسورهای پیشرفته و تکنولوژی بی‌سیم، سیگنال‌های عصبی یا حرکات عضلانی را رمزگشایی کرده و به دستورات حرکتی دقیق تبدیل می‌کنند.

☑️ بازیابی استقلال عملکردی: این فناوری، انجام کارهای روزمره را برای افراد ممکن، ارتباط با محیط را تسهیل و کیفیت زندگی را ارتقاء می‌دهد.

☑️ تاثیر روانی مثبت: فراتر از بهبود عملکرد فیزیکی، این پروتزها اعتماد به ‌نفس رو افزایش داده، سلامت روان رو تقویت کرده و کیفیت زندگی افراد رو به صورت معناداری ارتقاء میدهند.

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡وقتی دقت خیییلی بالاست، به احتمال بسیار زیاد مشکلی وجود داره و باید موارد زیر رو با دقت چک کنیم:

1⃣ گام اول: بررسی موارد سطح اول

🟠 داده رو درست تقسیم شده؟ ممکنه حواسمون نباشه و داده تست و ترین یکی باشه.
داده رو درست ساختم؟ اگر خودتون دارید داده رو میخونید یا ویژگی استخراج می‌کنید، ممکنه داده های یه گروه رو یه چیز پَرت بسازید. مثلا برای من خیلی پیش اومده که دیدم شمارنده حلقه رو در آدرس دهی آرایه ها اعمال نکردم، و همه سمپل های یک گروه از یک نمونه کپی شده اند!
🟡 آیا مدلی که طراحی شده درسته! ساختارو مجدد چک کنید و مطمئن بشید که ساختار، ورودی و خروجی ها درست اند. اگر مدل شما خیلی پیچیده باشه، احتمالش هست که overfitting رخ داده باشه.

🔴 داده متعادل هست یا نامتعادل: اگر داده نامتعادل باشه احتمالش خیلی زیاده که مدل به سمت داده ای که تعداد نمونه زیادی داره بایاس شده و همه رو اون گروه تشخیص داده! و چون تعداد گروه دیگه کم هست، خطای خیلی ناچیزی ایجاد میشه! مثلا یک گروه 10000 نمونه است، گروه دوم 100 تا!
 
2⃣ گام دوم: بررسی موراد سطح دوم

🟣آیا نشتی داده (data leakage) اتفاق افتاده؟

نشتی داده یعنی مدل در زمان آموزش به اطلاعاتی دست پیدا کرده که تشخیص هدف رو خیلی راحت کرده ولی در عمل همچین اطلاعاتی نخواهد بود و مدل خیلی بد عمل خواهد کرد. مثلا شما میخواهید سیستمی طراحی کنید که تشخیص بده یک بیمار به بیمارستان مجدد مراجعه خواهد کرد یا نه، اگر شما وضعیت بیمار رو به عنوان ویژگی بدهید، نشتی داده رخ خواهد داد.
نکته: در ارزیابی مدلهای یادگیری ماشین، مخصوصا در پروژه های سری زمانی، از روش random subsampling استفاده نکنید، چون منجر به دقت خیلی بالا میشه به خاطر data leakage، ولی در عمل دقت بسیار پایینی بدست خواهید آورد. همون روش k-fold cross validation که مورد تایید اکثر محققین است برای ارزیابی استفاده کنید.

 
🔵 اگه در پروژتون انتخاب ویژگی، کاهش بعد، یا نرمالیزشن انجام دادید، باید ببینید که به صورت استاندارد انجام شده یا نه. راه استاندارد اینه که همه کارها فقط با کمک داده آموزش انجام بشه. یعنی مثلا در کاهش بعد با PCA شما بردارهای ویژه رو با کمک داده آموزشی بدست بیارید و بعد اونارو روی داده تست و آموزش جهت کاهش بعد یا حذف افزونگی استفاده کنید.

3⃣گام سوم: ایرادی ندیدم! مجدد چک کنید.

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅نحوه ایجاد virtual environment در VsCode

1⃣ مرحله اول: اطمینان از نصب بودن پایتون در سیستم
برای اینکار در ترمینال vscode یا CMD سیستم دستور زیر رو اجرا کنید.
python --version

اگر پایتون نصب باشه، نسخه آن نمایش داده میشه، در غیراینصورت خطای میده که باید به سایت پایتون بروید و پایتون رو نصب کنید.

2⃣ مرحله دوم: ایجاد یک فولدر در مسیر دلخواه برای ساخت venv
یک مسیری انتخاب کنید و اونجا یک فولدری خالی ایجاد کنید.
 
3⃣ مرحله سوم: ساخت محیط مجازی در مسیر مشخص شده.
ابتدا از منوی file، گزینه open folder برید به مسیری که فولدر خالی ایجاد کردید، سپس select folder رو انتخاب کنید.
سپس، از طریق منوی view موارد زیر رو انجام بدید:
View--command platee-- create environment-- venv environment

4⃣ مرحله چهارم: انتخاب مفسر پایتون و نوشتن اولین اسکریپت
کدی نوشته و بعد از ذخیره اجرا کنید، موقع اجرا مفسر پیشنهادی رو انتخاب کنید.
حال در مسیر مورد نظر شما محیط مجازی ساخته شده است و میتونید از vscode برای برنامه نویسی پایتون استفاده کنید.

5⃣ مرحله نهایی: نصب کتابخانه‌های مورد نیاز (اختیاری ولی ضروری برای پروژه‌ها)

💡برای اینکه بتونید به ابزارهای بیشتری دسترسی داشته باشید، باید کتابخانه هایی که لازم هست رو نصب کنید.
میتونید از طریق ترمینال vscode، یا CMD سیستم و یا در همان کد jupyter با دستور pip install libararyName کتابخانه مدنظر رو نصب کنید.
 
☑️ اگه کتابخانه ای نصب نمیشه، موارد زیر رو به ترتیب بررسی کنید:
🔷دستور نصب درست نوشته شده ؟
(از وبسایت اصلی کتابخانه میتونید بررسی کنید، برخی دستورات متفاوتی دارند)
🔷اینترنت اختلال داره یا نه؟
🔷فیلترشکن روشن هست یا خاموش؟ (دو حالت رو هم چک کنید، گاها وجود فیلترشکن باعث نصب یا عدم نصب میشه).

 
پ.ن: اولین ویدیو به این سبک تند هست که خیلی وقت دوستان گرفته نشه. اگه نظری داشتید خوشحال میشم مطرح کنید تا ویدیوهای بعدی لحاظ کنم.
🎦📺https://youtu.be/YsSLeYVo2D4?si=r2ORoA8x2HpOikqj

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡تاثیر خواب در یادگیری از نگاه باربارا اوکلی

شاید خوابیدن برای ما اغلب اتلاف وقت به نظر برسه، اما نقش کلیدی در یادگیری ما داره! خواب صرفا برای استراحت نیست، بلکه بخش مهمی از فرایند یادگیری و تثبیت حافظه است.

1⃣ دفع سموم مغزی در طول خواب
🔺بیدار موندن باعث ایجاد مواد سمی میشه که عملکرد مغز رو تحت تاثیر قرار میده، خواب باعث پاکسازی این سموم میشه!

🔺کم خوابی اجازه نمیده که ما واضح فکر بکنیم! کم خوابی یعنی امتحان دادن با مغزی پر از سموم! مثل رانندگی با ماشینیه که باکش با بنزینی که توش شکر ریخته اند، پر شده!

2⃣ جلوگیری از بیماریهای جسمی و روانی
🔺کم خوابی در بلند مدت تاثیرات مخربی میتونه بر سلامت جسم و روان داشته باشه، مثل سردرد، افسردگی، مشکلات قلبی عروقی، دیابت و حتی مرگ زودهنگام!

3⃣ تثبیت یادگیری
🔺در طول خواب، مغز اطلاعات کم اهمیت رو حذف میکنه و در عوض اطلاعات مهمی که میخواهیم یا نیاز داریم یادمون بمونه رو برجسته تر میکنه!

4⃣ تمرین در طول خواب
🔺مغز ما در طول خواب بخشهای سختِ مسائل رو تمرین (rehearse) میکنه و الگوهای عصبی مختلفی رو بررسی میکنه تا یادگیری ما رو عمیق تر بکنه!

5⃣ پیدا کردن راه حل برای مسائل سخت
🔺در طول خواب، بخش خودآگاه ما در قشر prefrontal مغزی غیرفعال میشه و این فرصت رو به سایر بخشهای مغزی میده که به راحتی باهم در تعامل باشند و بتونند باهم راه حل‌های عصبی برای یادگیری تسکی که میخواهیم یاد بگیریم بسازند.

📌فایل PDF

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

با کمال تأسف مطلع شدم که پروفسور سایمون هیکین (Simon Haykin) در تاریخ ۱۳ آوریل ۲۰۲۵ درگذشتند.
امیدوارم روحشون در آرامش باشه🌹❤️🙏

@Onlinebme

☑️ پرفسور سایمون هیکین استاد برجسته‌ ی مهندسی برق و کامپیوتر در دانشگاه McMaster کانادا بود و نقش بزرگی در توسعه مفاهیم یادگیری ماشین، پردازش سیگنال، شبکه‌های عصبی و سیستم‌های تطبیقی داشت.
از جمله کتابهای علمی ایشون که منابع اصلی در بسیاری از دانشگاههای معتبر دنیا هستند و برای نسلهای زیادی از پژوهشگران و دانشجویان الهام بخش بودند:
🔷 Neural Networks and Learning Machines
🔷 Adaptive Filter Theory

من آقای هیکین رو با کتاب بی‌ نظیرشون در زمینه شبکه‌های عصبی شناختم. کتابی فوق ‌العاده با زبانی ساده و روان که مفاهیم پیچیده‌ی یادگیری ماشین و شبکه‌های عصبی رو به بهترین شکل ممکن توضیح میدهد.

به شخصه خودم با خوندن این کتاب وارد این حوزه شدم و اولین دوره ای هم که برای شبکه های عصبی برگزار کردم براساس همین کتاب بود. در کتاب آقای هیکن بدون اینکه به حاشیه بروند و وارد تئوری های پیچیده شوند، همیشه سه مسئله رو برای توضیح هر شبکه عصبی رعایت میکردند، توضیح ساختار، قانون یادگیری و الگوریتم خلاصه شده ای که برای آموزش و تست شبکه عصبی ارائه میدادند، پیاده سازی شبکه ها رو بی نهایت راحت میکرد. در ادامه هم تئوری های پیچیده رو برای علاقه مندان گذاشته بود.

@Onlinebme

💡نقشه راه و چالش ۱۰ هفته‌ای یادگیری پایتون با Onlinebme
#چالش_10_هفته‌ای

🔥 اگه میخوای پایتون یاد بگیری ولی نمیدونی از کجا و کی شروع کنی، این چالش برای توئه!

@Onlinebme

💡 نقشه راه و چالش 10 هفته‌ای یادگیری پایتون با Onlinebme

✅ بخش اول: شروع از صفر - یادگیری اصول پایه برنامه نویسی در پایتون

1⃣ هفته اول: پایتون مقدماتی
🔺نصب، متغیرها، if-else، try-except، حلقه‌ها، توابع
2⃣ هفته دوم: ساختارهای داده
🔺لیست، دیکشنری، تاپل، رشته‌ها، فایل‌ها


✅ بخش دوم: پایتون پیشرفته + کتابخانه‌های کاربردی

3⃣ هفته سوم: کار با آرایه های NumPy
4⃣ هفته چهارم: رسم نمودار با Matplotlib
5⃣ هفته پنجم: برنامه‌نویسی شیء گرایی در پایتون
6⃣ هفته ششم: کار با Pandas برای تحلیل داده
7⃣ هفته هفتم: یادگیری ماشین با scikit-learn


✅ بخش سوم: شروع یادگیری عمیق با PyTorch

8⃣ هفته هشتم: کار با تنسورها در PyTorch
9⃣ هفته نهم: ساخت دیتاست سفارشی در PyTorch
🔟 هفته دهم: طراحی شبکه عصبی در PyTorch

📌 جزییات نقشه راه

💡 هر هفته تمرینات مرتبط در کانال تلگرام منتشر میشه و شما میتونید تمرین‌ها رو انجام داده و برای ما بفرستید.

✅ تمرینها بررسی شده و فیدبک اختصاصی دریافت میکنید.

🎯 هدف چالش
هدف اصلی این چالش ۱۰ هفته‌ای اینه که فرصتی برای یادگیری منظم باشه؛ مسیری که ما رو متعهد کنه هر هفته بخشی از اون رو همراه با دیگران پیش ببریم و از یادگیری‌ مون لذت ببریم!


📍 از شما دعوت میکنیم به چالش ۱۰ هفته‌ای بپیوندید و با یادگیری پایتون، وارد دنیای تحلیل داده و هوش مصنوعی شوید😉

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅️ روش RCCSSP برای طبقه بندی سیگنال EEG اجرای حرکت
✍ روش RCCSSP از یک تکنیک به نام SS-CCA استفاده می‌کند. این روش با اضافه کردن تأخیر زمانی به سیگنال‌های EEG، اطلاعات زمانی را وارد فرآیند استخراج ویژگی می‌کند. یعنی داده‌ها به‌گونه‌ای بازسازی می‌شوند که شامل نسخه‌ای از سیگنال با کمی تأخیر زمانی نیز باشند. در ادامه، از همبستگی بین کلاس‌ها با کمک (SS-CCA) استفاده می‌شود تا مشخص شود کدام کانال‌ها بیشتر با کلاس هدف مرتبط هستند. این همبستگی به صورت ضریب‌هایی محاسبه می‌شود و کانال‌هایی که همبستگی زمانی ضعیف‌تری دارند، وزن بیشتری می‌گیرند، چون اطلاعات تمایز بیشتری بین کلاس‌ها دارند. وزن‌دهی به کانال‌ها باعث می‌شود فیلترهای مکانی به شکلی بهینه طراحی شوند تا بیشترین جداسازی بین کلاس‌ها را داشته باشند. در نهایت، این فیلترها روی سیگنال EEG اعمال می‌شوند تا ویژگی‌هایی استخراج شود که برای طبقه‌بندی دقیق‌تر مناسب‌تر هستند.

🔥 چالش 10 هفته ای یادگیری پایتون: هفته اول
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته اول
◾️نصب و راه اندازی پایتون
◾️کار با متغیرها و data types
◾️توابع تعاملی پایتون (input, pritnt, …)
◾️دستورات شرطی (if-elif-else)
◾️حلقه ها (for-while)
◾️تابع نویسی (def-call)
◾️آشنایی با try-except

☑️ لطفا، تمرینات رو به صورت فایل زیپ شده ایمیل کنید. بعد از بررسی در همان ایمیل فیدبک لازم داده خواهد شد.
مهلت ارسال: 7 روز
موفق باشید

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

𝟭. 𝗮𝗽𝗽𝗲𝗻𝗱( )
یک آیتم به انتهای لیست اضافه می‌کنه
𝟮. 𝗰𝗼𝘂𝗻𝘁( )
  تعداد یک آیتم خاص در لیست رو بر میگردونه
𝟯. 𝗰𝗼𝗽𝘆( )
یک نمونه مستقل از لیست می‌سازه
𝟰. 𝗶𝗻𝗱𝗲𝘅( )
موقعیت آیتم رو برمیگردونه.
𝟱. 𝗶𝗻𝘀𝗲𝗿𝘁(𝟭, )
یک آیتم در آدرس مشخص شده در لیست قرار میده
𝟲. 𝗿𝗲𝘃𝗲𝗿𝘀𝗲( )
ترتیب آیتمها در لیست رو برعکس میکنه
𝟳. 𝗽𝗼𝗽( )
آیتم آخر رو از لیست حذف کرده و در خروجی قرار میده
𝟴. 𝗰𝗹𝗲𝗮𝗿( )
تمام آیتمهای داخل لیست رو حذف میکنه
𝟵. 𝗽𝗼𝗽(𝟭)
نمونه مشخص شده رو از لیست حذف و در خروجی قرار میده

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ آموزش نصب و نحوه استفاده از GitHub Copilot در VsCode

💡اخیرا VsCode یک افزونه ای به نام GitHub Copilot  معرفی کرده که روند کدنویسی رو بسیار بهینه و تسهیل کرده  که با استفاده از اون، تنها با یک prompt مناسب، میتونید در عرض چند ثانیه کد پروژه مدنظرتون رو تولید کنید. داشتن همچین افزونه ای مثل این میمونه که یک دستیار هوشمند در کنارتون دارید و هرچی بخواهید ازش سریع براتون انجام میده.

🔷 افزونه GitHub Copilot به عنوان یکی از پیشرفته‌ ترین ابزارهای برنامه نویسی مبتنی بر هوش مصنوعی، میتونه فرآیند نوشتن کد را بسیار سریع‌تر و هوشمندتر بکنه.  این ابزار با ارائه ی پیشنهادهای کدنویسی در لحظه، به افراد کمک میکنه تا در زمان کمتر، کدهای بهتر و استانداردتری بنویسند.

🤷چرا GitHub Copilot رو نصب کنیم؟
◾️صرفه‌جویی در زمان کدنویسی
◾️کمک به یادگیری بهتر ساختارهای کدنویسی
◾️افزایش دقت در کدنویسی الگوریتم‌ها
◾️دریافت پیشنهادهای خلاقانه
◾️ ویرایش لحظه ای کد

در یک ویدیویی روال نصب و کار با این ابزار رو توضیح دادم.
⭕️ جزییات بیشتر 👇👇
https://onlinebme.com/github-copilot-in-vscode/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ ماشین بردار پشتیبان SVMs
✍ماشین بردار پشتیبان یکی از مهمترین روش‌های یادگیری با ناظر است که هم برای مسائل طبقه‌بندی و هم رگرسیون به کار میرود (البته مدل طبقه‌بندی آن محبوبیت بیشتری بین محققین دارد!). تابع هزینه این الگوریتم طوری طراحی شده که به الگوریتم کمک می‌کند بهینه ترین مرز تصمیم گیری را پیدا کند.این روش توسط آقای Vapnik معرفی شده و به طور گسترده‌ای در پروژه‌ها و مطالعات مختلف استفاده میشود.

💡دو مزیت اصلی SVM
◾️تابع هزینه محدب: «همیشه در مینیمم اصلی همگرا میشود!»
◽️کارایی بالا در ابعاد بالا: «از آنجا که SVM  به ابعاد حساس نیست و براساس بردارهای پشتیبان کار میکند.»
 
🔷 مرز بهینه (Optimum hyperplane)
در مسائل طبقه بندی، بهینه ترین مرز، مرزی هست که علاوه بر حداقل خطای تصمیم گیری، حاشیه امنیت بیشتری داشته باشه. یعنی مرزی پیدا کنه که بیشترین فاصله رو از گروه‌ها داشته باشه، تا در شرایط جدید که تغییرات اجتناب ناپذیر هست، باز مدل بتونه تصمیم گیری بهتری داشته باشد.  
مثل ایستادن بین دو دریاست. باید تا جایی که میشود از دو طرف آب فاصله بگیریم تا در هنگام جزر و مد کمتر خیس شویم!
 
💡تفاوت رویکرد Vapnik و Wiener  

◾️ ایده Wiener در Wiener-Hopf: آقای وینر دنبال مدلهایی بود که خروجی رو بر اساس حداقل کردن خطا بهینه سازی کنند. مثلا در فیلتر وینر هدف پیدا کردن بهترین تقریب خطی برای داده ها هست و در این رابطه به صورت صریح ماکزیمم کردن فاصله بین کلاسها بیان نشده است. برای همین مدل لزوما به بهینه ترین مرز نمی رسد.

◾️ ایده Vapnik در SVMs: وپنیک هدف رو فراتر برده است! یعنی علاوه بر کاهش خطا، پیدا کردن مرزی با بیشترین حاشیه‌ی امن بین کلاسها را هم به تابع هزینه اضافه کرد و همین رویکرد ضمانت میکنه که مدل به بهینه ترین مرز ممکن برسه (البته اگر چنین مرزی وجود داشته باشد!)
 
☑️ الگوریتم SVM در مقایسه با شبکه های عصبی

🔺همگرایی:  تابع هزینه SVM محدب است و مدل حتما در مینمم اصلی همگرا میشود.  برای همین اگر مسئله جواب داشته باشد، SVM حتما به بهترین مرز ممکن میرسد. اما تابع هزینه برای شبکه های عصبی غیر محدب است و احتمال اینکه مدل به جای مینیمم اصلی در مینیمم محلی گیر کند وجود دارد و همین باعث میشه شبکه های عصبی لزوما بهترین جواب ممکن برای مسئله را پیدا نکنند!

🔺 پیچیدگی محاسباتی: شبکه های عصبی پیچیدگی محاسباتی کمتری دارند! چرا که در آموزش نیاز به کل داده به صورت یکجا ندارند! و همین باعث میشه راحتتر (از لحاظ سخت افزاری) پیاده سازی کرد. اما در SVM نیازه که ماتریس کل داده رو برای حل مسئله Quadratic Programming بسازیم. این یعنی در حین یادگیری به کل داده‌ی آموزشی نیاز است، به همین دلیل آموزش SVM (مخصوصا در مسائل رگرسیون) روی دیتاست های بزرگ  کند و سنگین میشه! و در برخی موارد در کامپیوترهای شخصی عملا نمیتوان از SVM برای حل مسئله استفاده کرد.

💡البته stochastic SVM هم برای حل این مسئله ارائه شده که آپدیت پارامترها به صورت تدریجی و تقریبی انجام میشه، ولی در این نوع SVM تابع هزینه از حالت محدب در میاد و دیگه مدل لزوما به بهینه ترین مرز تصمیم گیری نمیرسد.

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme