✅ 《دوره یادگیری عمیق》
🔷 Season 02: RNNs IN PRACTICE
🔘 تمرینات سری پنجم 
▪️ RNN
▪️ LSTM
▪️ GRU
▪️ Bi-directional LSTM
▪️ Bi-directional GRU
▪️ Time series
▪️ PyTorch
▪️ Text Generation
▪️ Word-Level & Character-Level
▪️ Regression
▪️ Classification
▪️ Signal processing

🔺مهلت تحویل تمرینات: دو هفته

💡 کدهای پیاده‌سازی شده برای پروژه ها به صورت فایل زیپ ارسال شوند.


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡مجموعه ای از پست‌های آموزشی ما در حوزه یادگیری ماشین، شبکه‌های عصبی و PyTorch (از مفاهیم پایه تا مباحث پیشرفته)
 
 
✍ در یکی دو سال گذشته، سعی کرده ایم مجموعه ای از پستهای آموزشی-کاربردی در حوزه برنامه نویسی پایتون، یادگیری ماشین، و یادگیری عمیق با شما به اشتراک بگذاریم. در این پستها، از مفاهیم پایه مانند توابع هزینه و ساختار شبکه‌های عصبی گرفته تا موضوعات پیشرفته تر مثل روش‌های بهینه سازی، نحوه انتخاب معیارهای ارزیابی، ساخت دیتالودرهای سفارشی در پایتورچ...

✅ برای اینکه دسترسی به همه این مطالب راحتتر بشه، تصمیم گرفتم تمام پست‌ها، همراه با لینک وبسایت و PDF را در یک پست مرتب قرار دهم.
💡اگر در مسیر یادگیری ماشین هستید، این مجموعه میتونه برایتان به‌عنوان یک هندبوک آموزشی عمل کند.


🔵 بخش اول: Python & PyTorch — راهنمای عملی
نقشه راه یادگیری ماشین (از روشهای کلاسیک تا دیپ لرنینگ)
PDF | website
 نقشه راه و چالش 10 هفته‌ای یادگیری پایتون
PDF | website
معرفی اجمالی کتابخانه PyTorch
PDF | website
تفاوت تنسور PyTorch با آرایه NumPy 
PDF | website
تنسورفلو یا پایتورچ- چرا PyTorch برای محققین انتخاب مناسبی است؟
PDF | website
خواندن داده‌ با فرمتهای مختلف در پایتون
PDF | website
ساخت dataloader سفارشی با کمک DataLoader و Dataset پایتورچ
PDF | website
 
🔵 بخش دوم: مفاهیم پایه‌ای یادگیری ماشین و شبکه‌های عصبی
شبکه عصبی و اهمیت مدل سازی مغز انسان
PDF | website
انواع «یادگیری» در یادگیری ماشین
PDF | website
پنج موردی که باید در شروع کار با یادگیری عمیق بدانید
PDF | website
نحوه حل یک مسئله در شبکه عصبی
PDF | website
شبکه عصبی پرسپترون چند لایه و مسائل غیرخطی
PDF | website
شبکه عصبی CNN چطور کار میکنه؟!
PDF | website
تکنیک BOW در پردازش زبان طبیعی
PDF | website | GitHub
 
🔵 بخش سوم: توابع هزینه، معیارهای ارزیابی و تحلیل مدل
تابع هزینه cross entropy و تفاوت آن با مربعات خطا  (MSE)
PDF | website
پارامترهای ارزیابی در مسائل رگرسیون و طبقه بندی
PDF | website
نحوه ی انتخاب بهترین معیار ارزیابی برای مسائل رگرسیون
PDF | website
 
🔵 بخش چهارم: بهینه سازی (Optimization)
گرادیان نزولی و نقش آن در فرایند یادگیری شبکه های عصبی
PDF | website
مطالعه مروری روشهای بهینه‌سازی مبتنی بر گرادیان نزولی (از SGD تا Adam)
PDF | website
 
 
 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

همیشه دوست داشتم شبکه عصبیCNN رو همانند سایر شبکه ها مثل MLP، اول کاملا به صورت دستی پیاده سازی کنم. قبلا یکی دوبار تلاش کردم ولی موفق نشدم کامل پیاده سازی کنم. و این برمیگشت به عدم شناخت دقیق من از چهارچوب CNN و یه سری ریزه کاری ها در کدنویسی.


بعد از یادگیری RNN مجددا شانسم رو امتحان کردم، از اونجا که BPTT پیچیدگی های زیادی داشت، درک اون کمک کرد CNNهارو هم بتونم پیاده سازی کنم. و خب خیلی خوشحال شدم از این اتفاق😊

این هفته، در جلسه اول فصل شبکه های کانولوشنی قراره باهم یک شبکه ی عصبی کانولوشنی رو بدون استفاده از ابزار آماده پایتورچ پیاده سازی کنیم. ریاضیات و یپاده سازی خواهیم داشت😉

از جلسه بعد، میریم سراغ ابزار پایتورچ و معرفی ساختارهای مختلف!

💡 ما در دوره یادگیری عمیق، ابتدا شبکه‌های عصبی رو کاملا دستی پیاده‌سازی میکنیم، بعدش میریم سراغ ابزارهای آماده.

و برای پیاده‌سازی هم، اول ریاضیات و اثبات روابط یادگیری شبکه های عصبی رو کامل یاد میگیریم😊

در آخر هم میریم سراغ پروژه های عملی...

⬛️◼️◾️ 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

💡از کشف تصادفی تا جایزه نوبل، داستانی که بینایی ماشین را متحول کرد!

کشف اتفاقی یک لبهٔ نور در آزمایشگاهی ساده در جان‌هاپکینز
به فهم عملکرد نورون‌های بینایی انجامید،
جایزهٔ نوبل گرفت،
و پایهٔ شبکه‌های کانولوشنی (CNN) شد.

اگر امروز مدل‌هایی مانند HMAX، LeNet، AlexNet، ResNet   یا  Vision Transformers وجود دارند، ریشهٔ اصلی آن‌ها به همان روزی برمی‌گردد که یک خط نور، به ‌طور کاملاً تصادفی، یک نورون را فعال کرد.

✍ در دهه‌ی ۱۹۶۰، دو دانشمند جوان به نامهای David Hubel  وTorsten Wiesel در دانشگاه Johns Hopkins، همکاری‌ای را آغاز کردند که بعدها یکی از مهم‌ترین کشفیات علوم اعصاب و بینایی ماشین را رقم زد.
نکته‌ی جالب این بود که آنها تجهیزات بسیار ابتدایی داشتند:
یک میکروالکترود، یک نمایشگر اسلایدی ساده و یک گربهی بیهوش.

⭕️جزییات بیشتر👇👇
PDF | website

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

در این ویدیو آقای ویزل نحوه مشخص کردن receptive field نورون‌ها رو توضیح میدهند...
@Onlinebme

وضعیت من بعد از پیاده‌سازی هر الگوریتم (بعد از ۳۵۵ روز تلاش برای درک و پیاده‌سازیش)😂

@Onlinebme

🗒جزوه خام: جلسه یک از فصل سوم دوره‌ی جامع یادگیری عمیق

☑️شبکه‌های عصبی کانولوشنی (CNNs)
💡تئوری و ریاضیات+ پیاده‌سازی+ پروژه عملی

@Onlinebme

☑️ این روزها باگهای برنامه نویسی فقط بیشتر نشده‌اند… پیچیده تر هم شده‌ اند!!

🔺یکی از دلایلش اینه که ما بیش از حد به مدل‌های زبانی مثل ChatGPT تکیه می‌کنیم، مدل‌هایی که کد تولید می‌کنن بدون اینکه ما دقیقاً بفهمیم پشتش چه خبره.

🔻مشکل از هوش مصنوعی نیست. مشکل از اینه که ما داریم «فهمیدن» رو با «کپی کردن» جایگزین می‌کنیم.

💡برای مسیر یادگیری برنامه نویسی، بهتره که:

1⃣ مبانی رو خودمون یاد بگیریم، مثل متغیرها، حلقه ها، شرطها، توابع، کلاسها، ساختمان داده ها، ...
2⃣ کد کوچک و ساده بسازیم تا رفتار واقعی برنامه رو بفهمیم.
3⃣ قبل از سؤال پرسیدن از LLM، یک بار خودمون فکر کنیم.
4⃣ کد تولیدی مدل‌ها رو خط‌ به ‌خط بخونیم، نه اینکه فقط اجرا کنیم.
5⃣ از LLM برای راهنمایی استفاده کنیم، نه برای جایگزینی فکر کردن.

⚠️ هوش مصنوعی ابزار قدرتمندیه، ولی بدون دانش پایه، تبدیل میشه به یک جعبهٔ جادوی خطرناک. هرچی کمتر بفهمیم، بیشتر باگ میسازیم!!

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام، چندین بار دوستان پرسیده بودند که برای درس پردازش سیگنال دیجیتال (DSP) چه کتابی بخونند، برای همین گفتم که کتابی خودم خوندم و خیلی مفید بود رو اینجا معرفی کنم.

یادمه دوران ارشد یک کتاب فوق‌العاده داشتیم که هم مفاهیم رو خیلی روان توضیح می‌داد و هم کاملاً کدمحور بود؛ مخصوصاً با مثال‌های MATLAB که واقعاً به فهم عمیقتر موضوعات کمک می‌کرد.
این کتاب Digital Signal Processing Using MATLAB (4th Ed.) هست.
این کتاب یکی از محبوبترین منابع برای یادگیری DSP هست.
از ویژگی‌های برجستهٔ این کتاب میتونم به نکات زیر اشاره کنم:
      ◼️توضیح مفاهیم DSP به‌صورت کاملاً شفاف
     ◼️تمرین‌ها و پروژه‌های متنوع همراه با کد  MATLAB
     ◼️مناسب برای دانشجویان کارشناسی و کارشناسی ارشد
     ◼️رویکرد «حل مسئله» که باعث فهم عمیقتر موضوعات میشه

🔺برای رعایت حق نشر، لینک رسمی کتاب رو قرار میدم:
📚 Digital Signal Processing Using MATLAB: A Problem-Solving Companion — Vinay K. Ingle & John G. Proakis

https://www.amazon.com/Digital-Signal-Processing-Using-MATLAB/dp/1305635124/ref=sr_1_1?ie=UTF8&qid=1453320715&sr=8-1&keywords=9781305635128

🔷 البته نسخهٔ PDF این کتاب توی بعضی سایت‌ها وجود داره، ولی چون وضعیت حق کپی ‌رایتش مشخص نیست، اینجا لینکش رو قرار نمیدهم.

💡برای دوستانی که میخوان مفاهیم DSP رو پایه‌ای و کاربردی یاد بگیرند، این کتاب میتونه شروع خیلی خوبی باشه.

☑️ در کنار این کتاب، چند منبع دیگه هم در در پست  معرفی کردم که می‌تونید برای مطالعه بیشتر بررسی‌شون کنید.
امیدوارم براتون مفید باشه 🙌📘
https://onlinebme.com/best-practical-books-for-learning-digital-signal-processing-dsp/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره یادگیری عمیق》
🔷 Season 03: CNNs
🔘 تمرینات سری ششم 
▪️ CNNs
▪️ Convolutional layer
▪️ Pooling layer
▪️ Dense layer
▪️ Mathematics
▪️ Back Propagation 
▪️ LeNet-5
▪️ Hybrid model (CNNs+RNNs)
▪️ Classification
▪️ Image processing
▪️ Signal processing

🔺مهلت تحویل تمرینات: یک هفته

💡 از روابط اثبات شده عکس گرفته و به ترتیب روابط شماره گذاری شوند و همراه با کدهای پیاده‌سازی شده برای پروژه ها به صورت فایل زیپ ارسال شوند.



🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام و وقت بخیر خدمت همه همراهان عزیز،
پس از پیگیری‌های طولانی، اختلال درگاه پرداخت زرین‌پال برطرف شد و هم‌ اکنون امکان ثبت سفارش فراهم است.
از صبر و همراهی شما در این مدت بسیار سپاسگزاریم.🙏🌹

توصیه من به دوستانی که درگاه اینترنتی دارند یا میخوان تهیه کنند اینه که در شرایط فعلی بازار کسب و کار ایران، به هیچ عنوان به یک سرویس‌ دهنده اکتفا نکنید.

اگه از زرین پال استفاده میکنید باید بگم که زرین پال تا زمانی خوبه که به مشکلی نخورید.

متأسفانه زرین‌ پال علی‌ رغم سابقه خوب گذشته، این روزها در بخش پشتیبانی و سرعت عمل دچار افت شدیدی شده، طوری که چالش‌های فنی که قبلا در یکی دو ساعت برطرف میشد، الان به دلیل عدم پاسخگویی به موقع، هفته‌ها طول میکشه.