🌀یادگیری جمعی (ensemble learning): فلسفه اصلی یادگیری جمعی این است که به جای اتکا به یک مدل منفرد، چندین مدل در کنار هم برای حل یک مسئله به کار گرفته شوند. این رویکرد با ترکیب خروجی مدل‌های مختلف، عملکرد کلی را بهبود میدهد و در بسیاری از موارد، خطای تعمیم (Generalization Error) را نسبت به یک مدل تکی کاهش می‌دهد. به عبارت دیگر، یادگیری جمعی احتمال بروز underfitting و overfitting  را کاهش می‌دهد. اما نکته مهم در اینجا، روش ترکیب و هماهنگی بین مدل‌ها است.
به طور کلی تکنیکهای یادگیری جمعی به چهار دسته تقسیم می شوند که در ادامه هر کدام را به صورت مختصر بررسی میکنیم.
 

1️⃣روش Voting: ساده ترین روش یادگیری جمعی. چندین مدل با ساختار متفاوت یا مشابه آموزش میبینند و تصمیم نهایی با رأی گیری از مدل‌ها انجام میشود.
در مسائل طبقه بندی: هر مدل یک لیبل برای داده ورودی پیش بینی میکند، و مقداری که بیشترین رأی را بیاورد، خروجی نهایی خواهد بود.
در رگرسیون: خروجی نهایی از میانگینِ خروجی مدلها محاسبه میشود.
🔹 مزیت: تصمیم گیری جمعی و کاهش بایاس مدل.
🔸 ایراد: رأی همه مدل‌ها یکسان در نظر گرفته می شود، حتی اگر دقت برخی مدل‌ها باهوش تر باشند!

2️⃣روش Stacking: مشابه Voting است، اما به جای رأی‌گیری ساده، از یک مدل یادگیرنده (معمولاً رگرسیون یا طبقه بندی خطی) استفاده می‌شود که یاد می‌گیرد چگونه خروجی مدل‌های قبلی را وزندهی کند.
🔹 مزیت:  رای گیری وزندار و منعطف تر از voting
🔸 ایراد: پیچیدگی بیشتر و نیاز به تنظیم دقیق. همچنین مثل voting، از استراتژی خاصی برای بهبود عملکرد مدل پایه استفاده نمی‌کند.
 
3️⃣روش Bagging (Bootstrap Aggregating): برای کاهش overfitting  طراحی شده است. مدل پایه (معمولاً مدلی با واریانس بالا مانند درخت تصمیم) روی نمونه‌های تصادفی مختلف از داده‌ها آموزش داده میشود.
در پروسه تصمیم گیری هر مدل خروجی جداگانه میدهد و خروجی نهایی از ترکیب آن‌ها (مثلاً رأی گیری یا میانگین‌ گیری) به دست می‌آید.
🔹 مزیت: مناسب برای داده‌هایی با احتمال overfitting یا تعداد داده کم.
🔸 ایراد: نیاز به تعداد زیادی مدل دارد و  اگر داده overfitting نداشته باشد، مزیت چندانی ندارد.

4️⃣روش Boosting: برخلاف Bagging که مدل‌ها به صورت مستقل آموزش می‌بینند، در Boosting مدل‌ها به صورت ترتیبی و با تمرکز بر اصلاح خطاهای مدل قبلی آموزش داده میشوند: Adaboost یکی از روشهای مشهور در این گروه است.
🔹 مزیت: مناسب برای حل مسائل سخت و بهبود چشمگیر دقت در بسیاری از موارد.
🔸 ایراد: مستعد overfitting  است و مدل پایه باید ضعیف باشد (یعنی کمی بهتر از تصادفی عمل کند- برای مثال حدودا 55-65 درصد برای مسائل دو کلاسه)، وگرنه باعث افت دقت میشود.

نتیجه‌گیری:
تکنیکهایEnsemble Learning  نه تنها یک ترفند ساده، بلکه یک استراتژی قدرتمند برای ساخت مدل‌های پایدار و دقیق در مسائل یادگیری ماشین هستند. انتخاب روش مناسب بستگی به نوع داده، مدل پایه، و هدف شما از آموزش دارد. 
 
💡کد متلب و پایتون روش‌های یادگیری جمعی
https://onlinebme.com/ensemble-learning-matlab-and-python-codes/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

من وقتی فقط 4 تا سوال رایگان میتونم از ChatGPT بپرسم!
@Onlinebme

🔥 چالش 10 هفته ای یادگیری پایتون: هفته چهارم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته چهارم
◾️ آشنایی با Matplotlib
◾️آشنایی متدهای نمودارها

☑️ 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

🔥 رکورد جهانی گینس شکسته شد: حل مکعب روبیک در ٠.١ ثانیه توسط ربات!

تیمی از دانشجویان مدرسه مهندسی برق و کامپیوتر در دانشگاه پردو آمریکا موفق شدند با طراحی رباتی به نام «Purdubik’s Cube» مکعب روبیک 3x3 را فقط در ۰.۱۰۳ ثانیه حل کنند.
آنها با موفقیت خود رکورد جدیدی ثبت کرده‌اند که رکورد قبلی گینس را با فاصله‌ای چشمگیر شکسته است.

رکورد قبلی با ۰.۳۰۵ ثانیه در اختیار شرکت «میتسوبیشی الکتریک» بود و کمتر از یک سال دوام آورد اما ربات تیم دانشگاه پردو با حل روبیک در زمانی کمتر از یک‌سوم رکورد پیشین، جهش بزرگی در این حوزه رقم زده است. این زمان حتی از یک پلک‌زدن نیز سریع‌تر می‌تواند روبیک را حل کند؛ زیرا پلک‌زدن انسان بین ۲۰۰ تا ۳۰۰ میلی‌ثانیه طول می‌کشد.
Digiato

@Onlinebme

✅ الگوریتم ICA در مثال cocktail party برای جدا کردن صداهای مستقل

💡همین مفهوم در بحث پردازش سیگنال های مغزی استفاده می شود.

@Onlinebme

☑️پزشک متخصصی که میگه شغلش رو از دست خواهد داد!

💡 یک متخصص ریه با ۲۰ سال تجربه میگه: الان هوش مصنوعی سریعتر و دقیقتر از من میتونه عکسهای X-ray رو تحلیل کنه!

می‌گه قبلاً خودش خیلی سریع میتونست ذات‌الریه رو تشخیص بده، ولی حالا هوش مصنوعی این کارو توی چند ثانیه انجام میده!
واقعاً شگفت‌انگیزه!

@Onlinebme

🔥 چالش 10 هفته ای یادگیری پایتون: هفته پنجم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته پنجم
◾️ آشنایی با برنامه نویسی به سبک OOP

☑️ 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

📺 آموزش کاربردی تولباکس EEGLAB- پیش پردازش سیگنال مغزی

📢 خوشحالم که اعلام کنم دوره‌ی آموزشی کوتاه مدت EEGLAB آماده شده و به صورت رایگان در وبسایت قرار گرفته است.

✅ در این دوره سعی کردم مراحل اصلی پیش‌پردازش سیگنال EEG در محیط EEGLAB رو به صورت مرحله به مرحله روی یک داده واقعی اموزش بدهم.
 
🔘دوره EEGLAB

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@Onlinebme

 🎯 فهرست مطالب دوره EEGLAB
🔹 نصب و راه‌اندازی  EEGLAB
🔹  خواندن و ذخیره سازی سیگنال EEG
🔹  تصویرسازی سیگنال EEG (حوزه زمان، طیف فرکانسی، توپوگرافی)
🔹  ریسمپلینگ سیگنال  EEG
🔹 فیلترینگ سیگنال EEG
🔹 نحوه Re-referencing
🔹 درونیابی کانالهای EEG
🔹 حذف آرتیفکت‌های بزرگ به صورت دستی
🔹 تحلیل کامل ICA  و  نحوه انتخاب مؤلفه‌های مناسب
🔹 آشنایی با ابزار ICLabel  برای لیبل‌گذاری و تشخیص نویز
🔹 حذف آرتیفکتهای EEG با استفاده از ICA
🔹 جداسازی Epoch ها و Baseline correction
 
 
💡الگوریتم ICA و EEG
حذف آرتفیکتهای EEG با کمک ICA یکی از مهمترین مراحل در پیش پردازش سیگنال EEG هست و برای اینکه بتوانیم به شکل بهینه از این ابزار برای کاهش نویز سیگنال مغزی استفاده کنیم، لازمش اینه که شناخت دقیقی از مولفه های ICA داشته باشیم. سعی کردم در این دوره روی این مبحث بیشتر تمرکز کنم و با تحلیل چندین نمونه ی مختلف، شناخت کافی نسبت به این مولفه ها داشته باشیم. یک وبسایت خوب هم جهت تحلیل، تمرین و تست معرفی کردم که خیلی میتونه در تحلیل مولفه های ICA کمک کننده باشند.

🔗 لینک ویدیوها:
🧠 نصب و راه اندازی  EEGLAB، تصویرسازی سیگنال  EEG
🧠 فیلترینگ و Resampling سیگنال  EEG
🧠 بحث Re-referencing  در EEGLAB
🧠  حذف دستی آرتیفکت‌ها و Channel interpolation
🧠 مفاهیم اولیه در مورد ICA
🧠 تحلیل مؤلفه‌های ICA
🧠 معرفی وبسایت ICLabel برای یادگیری تحلیل مولفه های ICA
🧠 حذف نویز EEG با کمک ICA
🧠 جداسازی Epochها و Baseline correction

 

رفتار من با ChatGPT بعد از صحبتهای هم‌بنیان‌گذار گوگل😅

⚠️ هوش مصنوعی را تهدید کنید تا پاسخ‌های بهتری بگیرید!
@Onlinebme

💡چند منبع خوب برای یادگیری پردازش سیگنال مغزی EEG


برای پردازش سیگنال های مغزی (EEG) داشتن دانش پایه بسیار میتواند کمک کننده باشد.
آشنا بودن با مباحثی مانند ساختار مغز، فرایند تولید امواج مغزی، نحوه ثبت سیگنال EEG، انواع نویزها در سیگنالهای مغزی و نحوه حذف آنها و روشهای استخراج ویژگی، در درک و پردازش اصولی سیگنال مغزی و طراحی الگوریتمها بسیار میتوانند مفید باشند.

در این پست چندین وبسایت مفید و معتبر را معرفی میکنم که میتونند به درک بهتر مفاهیم پایه و پیش‌ پردازش سیگنال مغزی EEG کمک زیادی کنند.

✅ اگر تازه با EEG آشنا شده اید یا قصد دارید یادگیری رو از پایه شروع کنید، این منابع میتونند نقطه شروع مناسبی باشند.


🔹آموزش مفاهیم پایه EEG
🌐 learningeeg.com
این وبسایت به صورت ساده و تصویری مفاهیم پایه‌ای EEG رو توضیح میدهد. از نحوه ثبت سیگنال شروع میکند و بعدش سیستم 10-20 رو توضیح میدهد و در ادامه هم نویزهای رایج و آرتیفکت‌ها در EEG رو به صورت تصویری توضیح میدهد. در آخر هم اطلاعاتی درباره سیگنال EEG در بیماران مبتلا به صرع ارائه میدهد که برای افرادی که میخواهند روی این بیماری کار کنند میتواند مفید باشد. به طور کل انیمیشن‌ها و تصاویر این سایت به درک شهودی مطالب کمک زیادی می‌کنند.


🔹وبسایت رسمی EEGLAB
🌐 sccn.ucsd.edu/eeglab
در این سایت، ابزار EEGLAB به ‌طور کامل معرفی شده و مستندات و ویدیوهای آموزشی آقای Arnold Delorme، خالق EEGLAB، در دسترس هستند. البته ویدیوها کمی تخصصی هستند و فرض شده مخاطب با مفاهیم اولیه آشنایی دارد. با این حال، این وبسایت مرجع اصلی یادگیری EEGLAB محسوب می‌شود.


🔹آموزش تحلیل و لیبل‌ گذاری مولفه‌های  ICA در ICALabel
همه افرادی که کار پیش پردازش با EEGLAB انجام داده اند با چالش انتخاب مولفه های ICA روبرو شده اند. این وبسایت اطلاعات خیلی کاربردی ای برای آشنایی با این مولفه ها ارائه داده است.
🌐 آشنایی با مولفه‌های ICA 
🌐 تمرین و  تحلیل صدها مولفه نمونه (لیبل گذاری شده با متخصصین)
🌐 تست عملی جهت لیبل گذاری مولفه ها (همراه با جواب)
در این مجموعه کاربردی، شما ابتدا با مولفه‌های ICA آشنا میشوید، بعدش تعداد زیادی مولفه که توسط چندین expert لیبل گذاری شده‌اند را تحلیل میکنید، و در نهایت در یک آزمون شرکت میکنید. اگر این سه مرحله را با دقت طی کنید، به دانش کافی برای تشخیص و حذف آرتیفکت‌ها با کمک ICA خواهید رسید.


🔹وب‌سایت رسمی MNE-Python
🌐 mne.tools/stable/auto_tutorials
این سایت، مستندات رسمی کتابخانه MNE را شامل میشود که یکی از قدرتمندترین ابزارهای تحلیل EEG با پایتون است. در هر بخش از مفاهیم پایه گرفته تا پردازش‌های پیشرفته، همراه با کد و خروجی نمونه توضیح داده شده است.



🔹سایت Neural Data Science in Python
🌐 neuraldatascience.io – EEG section
مخاطب اصلی این وبسایت محققین حوزه علوم اعصاب شناختی و روانشناسی هست و با کمک مستندات این وبسایت افراد یاد میگیرند که چطوری با استفاده از پایتون، داده‌های مغزی رو تحلیل کنند. بخشی از آموزشها به EEG و نحوه کار با MNE اختصاص پیدا کرده، ولی تمرکز اصلی آن بر آموزش مفاهیم داده محور در نوروساینس هست.


🔹 Onlinebme (گروه ما)
🌐https://onlinebme.com/product-category/signal-processing/
گروه ما هم چندین دوره تخصصی برای آموزش پردازش سیگنالهای مغزی (پیش پردازش، استخراج ویژگی و یادگیری ماشین) ارائه داده است که به افراد دید کافی برای انجام تحقیقات عملی روی EEG را میدهد.
آموزش‌ها از سطح پایه شروع شده و به صورت گام ‌به ‌گام به مباحث پیشرفته مانند تشخیص بیماری‌ از روی سیگنال مغزی، و طراحی سیستم های واسط مغز کامپیوتر مبتنی بر EEG  آموزش داده شده است.

💡 جمع‌بندی:
و نکته اخر اینکه برای وارد شدن به دنیای EEG بهتره اول با مفاهیم پایه با EEG آشنا شوید که شامل نحوه ثبت سیگنال مغزی، پیش پردازش سیگنال مغزی (که لازمش آشنایی با انواع نویز و نحوه حذف آنها هست) و روشهای استخراج ویژگی (زمان، فرکانس، زمان-فرکانس) میشود. فردی که این مباحث رو به خوبی بلد باشه در هر حوزه ای راحتتر میتونه مطالعات خودش رو پیش ببره

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@Onlinebme

سلام
وقت بخیر
تمرینات دور ششم، هفته دیگه در کانال قرار میگیره تا دوستان فرصت بکنند تمرینات جلسات قبل رو تکمیل کنند.

🔥 چالش 10 هفته ای یادگیری پایتون: هفته ششم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته ششم
◾️ تسلط بر با الگوریتم های شناسایی الگو-یادگیری ماشین
☑️ لطفا، تمرینات رو به صورت فایل زیپ شده ایمیل کنید. بعد از بررسی در همان ایمیل فیدبک لازم داده خواهد شد.
مهلت ارسال: ۱۴ روز (به خاطر حجم زیاد تمرینات)

موفق باشید

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡مقاله خیلی خوب برای یادگیری PCA 👌
@Onlinebme

💡مقاله G-MEANS برای خوشه بندی داده های که تعداد خوشه ها معلوم نیست.

✅این الگوریتم به صورت سلسله مراتبی داده رو خوشه بندی می‌کنه و تعداد خوشه هارو هم خودش با رویکرد جالبی که داره پیدا میکنه👌
@Onlinebme

💡کتاب خیلی خوب برای یادگیری یادگیری جمعی 👌
@Onlinebme

برای مباحث دیگه هم کتاب و مقاله زیاد بود ولی واقعیتش گفتم قرار دادنشون اینجا صرفا شما رو سردرگم میکند. بدون تعارف بخوام بگم، دوره یادگیری ماشین عصاره این مقالات و کتابها هست و واقعا فکر نمیکنم دوره ای چه در منابع ایرانی و چه منابع خارجی مباحث یادگیری ماشین-شناسایی الگو را تا این میزان گسترده و جزئی آموزش داده باشند.

من در این دوره سعی کرده بودم تمام مباحث رو براساس مطالعاتم در چندسال که از منابع مختلفی (کتاب و مقاله) یاد گرفته بودم آماده کنم و در اختیار شما قرار بدهم. یادمه فقط ضبط این دوره 8 ماه طول کشید. تهیه این تمرینات باعث شد یه مروری بر اون روزها داشته باشم.

 پیشنهاد میکنم اگه میخواهید پایه قوی در بحث یادگیری ماشین و یادگیری عمیق داشته باشید سرفرصت مناسب این دوره رو نگاه کنید که پایه و اساس تمام مباحث مرتبط با هوش مصنوعی هست. 
موفق باشید 💐

غمین باد آنکه او شادت نخواهد

خراب آن کس که آبادت نخواهد...

مراقبت از سلامت روان در روزهای بحرانی

متاسفانه این روزها کشور ما درگیر بحرانیست که زندگی‌ هممون رو دگرگون کرده. ترس، غم، و بی قراری تبدیل به بخشی از روزمره‌ی ما شده اند. اما در دل این تاریکی، مراقبت از روان نه تنها یک نیاز، بلکه یک تصمیم آگاهانه برای بقا، رشد و تاب ‌آوریمون هست.

نکات ساده‌ای وجود دارند که میتونند کمکمون کنند قوی بمونیم.
 

📵اخبار را با دوز کم مصرف کن.
زمان‌بندی کن: صبح و عصر. مرور لحظه‌ به‌ لحظه، مغز را در حالت هشدار مداوم قرار میده.
« مواجهه‌ی مکرر با اخبار تنش‌زا، سطح کورتیزول را بالا نگه میداره »


💬 احساساتت را بیرون بریز- با صحبت یا نوشتن.
ترس، اگر پنهان بمونه، بزرگ‌تر میشه. حرف زدن با آدم‌های امن یا نوشتن در دفتر، فشار رو می‌تونه کم کنه.


🕯 یک روتین ساده برای بدنت بساز.
خواب منظم، وعده‌های غذایی منظم، و حتی چند دقیقه حرکت یا کشش بدن، به مغز پیام امنیت میده.


🧘‍♀️ نفس عمیق تمرین کن
چند دقیقه در روز، قطع ارتباط کن. موسیقی، دعا، یا فقط نفس عمیق. الگوی 4-8-8، یعنی ۴ ثانیه دم، 8 ثانیه نگه‌داشتن، 8 ثانیه بازدم. فقط روزی ۳ بار میتونه عالی باشه.


🚶‍♂️ بدنت را فعال نگه دار.
یوگا، نرمش، یا حتی قدم‌زدن کوتاه. حرکت فیزیکی یعنی خروج از حالت یخ‌زدگی روانی.


🫂 اگر شریک عاطفی داری، تماس فیزیکی را دست‌کم نگیر.
آغوش یا تماس فیزیکی ملایم، یا حتی نشتن کنار شخصی که دوستش داریم ترشح هورمون‌های آرام‌بخش مثل اکسی‌ توسین را افزایش میده.
 تماس فیزیکی امن ضد اضطرابه.


🥦تغذیه ساده ولی مقوی داشته باش.
بدن در بحران، دنبال انرژی است. نان سبوس‌دار، تخم‌مرغ، میوه، ماست، مغزها رو در اولویت بگذار. قند و کافئین زیاد؟ ممنوع.
«تغذیه متعادل یعنی پیام امنیت به مغز»


💧 هیدراته بمون
استرس می‌تونه احساس تشنگی رو سرکوب کنه، و کم ‌آبی تمرکز و خلق رو پایین میاره. 
پس سعی کن هر ۱–۲ ساعت یک لیوان آب یا دمنوش بخوری.


🎒 برای روزهای مبهم آماده باش
یک کیف اضطراری داشته باش که میتونی اینارو داخلش قرار بدی (کنسرو ماهی یا لوبیا، بیسکوییت خشک یا مغزها، بطری آب، پاوربانک، چراغ قوه، نسخه‌ای از داروهای ضروری، کپی مدارک مهم، ...). مغز وقتی ببینه آماده‌ای، آروم‌تر میشه!
 
PDF

به امید روزهایی آرامتر، که دوباره بتوانیم نفس راحت بکشیم...
@Onlinebme