⬛️◼️◾️ 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 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
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@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 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
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
سلام
مرسی از لطف و محبت همیشگی دوستان عزیز
در این روزای سخت و نگران کننده کشورمون دلخوشیم به دلگرمی شما❤
خواستم اطلاع بدم امسال هم دوره های جدید خواهیم داشت🙂
در حال حاضر فصل پنجم دوره پردازش تصویر رو آماده میکنم .
همکارم خانم کاشفی هم دوره های جدیدی آماده خواهند کرد.
اگه عمری باقی باشه امسال هم کنار هم دوره های کاملا متفاوتی تجربه خواهیم کرد 😉
محمد نوری زاده چرلو
مرسی از لطف و محبت همیشگی دوستان عزیز
در این روزای سخت و نگران کننده کشورمون دلخوشیم به دلگرمی شما❤
خواستم اطلاع بدم امسال هم دوره های جدید خواهیم داشت🙂
در حال حاضر فصل پنجم دوره پردازش تصویر رو آماده میکنم .
همکارم خانم کاشفی هم دوره های جدیدی آماده خواهند کرد.
اگه عمری باقی باشه امسال هم کنار هم دوره های کاملا متفاوتی تجربه خواهیم کرد 😉
محمد نوری زاده چرلو
برای آنکه از شر نویزهای زیاد در فرآیند پژوهش خلاص شوید: مطالعات فرسایشی انجام دهید.
نمیتوانید سیستم خود را به طور کامل درک کنید؟ آیا میخواهید مطمئن شوید که کارکرد مدل واقعاً با فرضیه شما مرتبط است؟ سعی کنید بخشهایی را حذف کنید. حداقل 10% از زمان آزمایش خود را صرف تلاش صادقانه برای رد تز خود کنید!»
هما کاشفی در این پست در مورد مطالعات فرسایشی و اهمیت آن در یادگیری عمیق صحبت میکند!
⭕ جزئیات بیشتر👇👇
https://onlinebme.com/ablation-studies-in-artificial-intelligence/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
نمیتوانید سیستم خود را به طور کامل درک کنید؟ آیا میخواهید مطمئن شوید که کارکرد مدل واقعاً با فرضیه شما مرتبط است؟ سعی کنید بخشهایی را حذف کنید. حداقل 10% از زمان آزمایش خود را صرف تلاش صادقانه برای رد تز خود کنید!»
هما کاشفی در این پست در مورد مطالعات فرسایشی و اهمیت آن در یادگیری عمیق صحبت میکند!
⭕ جزئیات بیشتر👇👇
https://onlinebme.com/ablation-studies-in-artificial-intelligence/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
onlinebme
✅7 راه موثر برای جلوگیری از overfitting در الگوریتمهای یادگیری ماشین👌👌 🔷وقتی یک مدل یادگیری ماشین عملکرد خیلی خوبی روی داده آموزشی داشته باشد ولی روی داده جدید عملکرد خیلی پایینی داشته باشد، در این صورت به احتمال بسیار زیاد overfitting رخ داده است. در این…
✅ 5 روشی که اجازه نمیدهد شبکه عصبی شما بیشبرازش شود👌
✍در پیاده سازی شبکه هایی عصبی، عمده ترین مشکلی که با آن مواجه می شویم overfitting یا همان بیش برازش مدل هست. در این پست میخواهیم در مورد بیشبرازش و روشهایی جلوگیری از آن در شبکه عصبی صحبت کنیم.
⭕️جزئیات بیشتر 👇
https://onlinebme.com/5-methods-that-will-not-let-your-neural-network-model-overfit/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍در پیاده سازی شبکه هایی عصبی، عمده ترین مشکلی که با آن مواجه می شویم overfitting یا همان بیش برازش مدل هست. در این پست میخواهیم در مورد بیشبرازش و روشهایی جلوگیری از آن در شبکه عصبی صحبت کنیم.
⭕️جزئیات بیشتر 👇
https://onlinebme.com/5-methods-that-will-not-let-your-neural-network-model-overfit/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✅چگونه بهترین موجک مادر را انتخاب کنیم؟
✍در چند دهه ی اخیر، استفاده از ابزار ریاضی قدرتمندی به نام تبدیل ویولت با کاربردهای متنوع در میان پژوهشگران رایج شده است. این کاربردها می تواند در رشته ها و علوم مختلف مطرح گردد. برای مثال در مهندسی پزشکی از تبدیل ویولت برای از بین بردن نویز، پردازش سیگنال های بیولوژیکی و پردازش تصاویر پزشکی استفاده می گردد. اما چالشی که همواره پژوهشگران و محققان با آن روبرو هستند این است که از کدام ویولت مادر برای پیش بردن اهدافشان استفاده کنند تا به نتایج بهتری دست یابند. در این مقاله قصد داریم ضمن تعریف مختصری از تبدیل ویولت، به بررسی روش های انتخاب بهینه ترین ویولت مادر بپردازیم.
👩💻نویسنده: نسرین رفیعی
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/wavelet_analysismother_wavelet_selection/
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍در چند دهه ی اخیر، استفاده از ابزار ریاضی قدرتمندی به نام تبدیل ویولت با کاربردهای متنوع در میان پژوهشگران رایج شده است. این کاربردها می تواند در رشته ها و علوم مختلف مطرح گردد. برای مثال در مهندسی پزشکی از تبدیل ویولت برای از بین بردن نویز، پردازش سیگنال های بیولوژیکی و پردازش تصاویر پزشکی استفاده می گردد. اما چالشی که همواره پژوهشگران و محققان با آن روبرو هستند این است که از کدام ویولت مادر برای پیش بردن اهدافشان استفاده کنند تا به نتایج بهتری دست یابند. در این مقاله قصد داریم ضمن تعریف مختصری از تبدیل ویولت، به بررسی روش های انتخاب بهینه ترین ویولت مادر بپردازیم.
👩💻نویسنده: نسرین رفیعی
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/wavelet_analysismother_wavelet_selection/
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
onlinebme
☘️جهت دسترسی به مطالب آموزشی به لینکهای زیر مراجعه کنید👇👇 🔲▪️لینک ویدیوهای آموزشی اصول برنامه نویسی در متلب https://t.me/onlinebme/2354 🔲جلسه 1: مقدمه-چرا باید متلب را یاد بگیریم؟ https://t.me/onlinebme/2306 ▪️ جلسه 2: انواع m فایل نویسی در متلب https://…
سلام
اگه از دوستان کسی جزوه ای برای دوره متلب نوشته ممنون میشم عکس یا pdf جزوه رو برام بفرسته🌹
@onlinebme_admin
آپدیت:
جزوه در صفحه لینکدین قرار داده شد.
https://www.linkedin.com/posts
اگه از دوستان کسی جزوه ای برای دوره متلب نوشته ممنون میشم عکس یا pdf جزوه رو برام بفرسته🌹
@onlinebme_admin
آپدیت:
جزوه در صفحه لینکدین قرار داده شد.
https://www.linkedin.com/posts
Linkedin
Mohammad Norizadeh Cherloo on LinkedIn: جزوه اصول برنامه نویسی در متلب
۴ سال پیش اولین دوره ای که ضبط کردم دوره برنامهنویسی متلب بود
از اونجا که میدونستم این داستان سر دراز داره اسم دوره رو گذاشتم "سفری بی پایان"
دوره متلب در…
از اونجا که میدونستم این داستان سر دراز داره اسم دوره رو گذاشتم "سفری بی پایان"
دوره متلب در…
✅تکنیکهای آموزش شبکه های عصبی بزرگ
✍ ممکن است شبکههای عصبی عظیم، گزینهی مناسبی برای پروژهی شما باشند اما نگران روند آموزش آنها باشید. شبکههای عصبی بزرگ، مرکز اصلی پیشرفتهای اخیر در هوش مصنوعی هستند، اما آموزش این شبکهها چالش پژوهشی و مهندسی دشواری است که مستلزم سازماندهی دستهای از GPUهاست تا بتوانند یک محاسبه همزمان را انجام دهد. با افزایش سایز مدل، متخصصان یادگیری ماشین، انواع مختلفی از تکنیکها را توسعه دادهاند تا بتوانند روند آموزش مدل را در بسیاری از GPUها موازیسازی کنند. در نگاه اول، درک این تکنیکهای موازی سازی ممکن است دلهره آور به نظر برسد، اما تنها با در نظر گرفتن چند فرض در مورد ساختار محاسبات، تکنیکها واضحتر میشوند.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/techniques-for-training-large-neural-networks/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍ ممکن است شبکههای عصبی عظیم، گزینهی مناسبی برای پروژهی شما باشند اما نگران روند آموزش آنها باشید. شبکههای عصبی بزرگ، مرکز اصلی پیشرفتهای اخیر در هوش مصنوعی هستند، اما آموزش این شبکهها چالش پژوهشی و مهندسی دشواری است که مستلزم سازماندهی دستهای از GPUهاست تا بتوانند یک محاسبه همزمان را انجام دهد. با افزایش سایز مدل، متخصصان یادگیری ماشین، انواع مختلفی از تکنیکها را توسعه دادهاند تا بتوانند روند آموزش مدل را در بسیاری از GPUها موازیسازی کنند. در نگاه اول، درک این تکنیکهای موازی سازی ممکن است دلهره آور به نظر برسد، اما تنها با در نظر گرفتن چند فرض در مورد ساختار محاسبات، تکنیکها واضحتر میشوند.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/techniques-for-training-large-neural-networks/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✅درک شبکههای عصبی بازگشتی و LSTM
✍اگر تابحال از Apple’s Siri و Google voice search یا Google Translate استفاده کردهاید، باید بدانید که این اپلیکیشنها از شبکههای عصبی بازگشتی (RNN) استفاده میکنند که جدیدترین الگوریتمها برای دادههای توالی هستند. RNN اولین الگوریتمی است که به دلیل وجود حافظه داخلی، ورودی را به خاطر میسپارد و آن را برای مسائل یادگیری ماشین که شامل دادههای توالی هستند، مناسب میسازد. این یکی از الگوریتمهای اصلی یادگیری عمیق است که در چند سال گذشته به دستاوردهای شگفت انگیزی منجر شده است. در این پست، نحوهی عملکرد شبکههای عصبی بازگشتی توضیح داده میشوند و همچنین مسائل عمده و نحوهی حل آنها را پوشش خواهیم داد.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/understanding-recurrent-neural-network-and-lstm/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍اگر تابحال از Apple’s Siri و Google voice search یا Google Translate استفاده کردهاید، باید بدانید که این اپلیکیشنها از شبکههای عصبی بازگشتی (RNN) استفاده میکنند که جدیدترین الگوریتمها برای دادههای توالی هستند. RNN اولین الگوریتمی است که به دلیل وجود حافظه داخلی، ورودی را به خاطر میسپارد و آن را برای مسائل یادگیری ماشین که شامل دادههای توالی هستند، مناسب میسازد. این یکی از الگوریتمهای اصلی یادگیری عمیق است که در چند سال گذشته به دستاوردهای شگفت انگیزی منجر شده است. در این پست، نحوهی عملکرد شبکههای عصبی بازگشتی توضیح داده میشوند و همچنین مسائل عمده و نحوهی حل آنها را پوشش خواهیم داد.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/understanding-recurrent-neural-network-and-lstm/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✅ تولباکس EEGLAB چیست؟
✍هرکسی که علاقه مند به پردازش سیگنال های حیاتی از جمله سیگنال های EEG باشد، به احتمال زیاد نام EEGLAB را شنیده است. از حدود 17 سال گذشته تا کنون، EEGLAB، با مشارکت دهها برنامهنویس، نویسندگان افزونه و پلاگین و کاربران، به یک محیط گسترده و مورد استفاده برای تجزیه و تحلیل EEG انسانی و سایر دادههای مرتبط تبدیل شده است. این تولباکس از جعبه ابزارهای حرفه ای نرم افزار Matlab است که به طور خاص آنالیز و پردازش سیگنال های مغزی را آسان و لذت بخش کرده است. در این مقاله قصد داریم به بررسی این ابزار جدید بپردازیم و ویژگی های آن را مرور کنیم.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/what-is-eeglab/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍هرکسی که علاقه مند به پردازش سیگنال های حیاتی از جمله سیگنال های EEG باشد، به احتمال زیاد نام EEGLAB را شنیده است. از حدود 17 سال گذشته تا کنون، EEGLAB، با مشارکت دهها برنامهنویس، نویسندگان افزونه و پلاگین و کاربران، به یک محیط گسترده و مورد استفاده برای تجزیه و تحلیل EEG انسانی و سایر دادههای مرتبط تبدیل شده است. این تولباکس از جعبه ابزارهای حرفه ای نرم افزار Matlab است که به طور خاص آنالیز و پردازش سیگنال های مغزی را آسان و لذت بخش کرده است. در این مقاله قصد داریم به بررسی این ابزار جدید بپردازیم و ویژگی های آن را مرور کنیم.
⭕️ جزئیات بیشتر 👇👇
https://onlinebme.com/what-is-eeglab/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
onlinebme
نسخه جدید ربات بوستون میتونه خودش رو شارژ کنه @onlinebme
This media is not supported in your browser
VIEW IN TELEGRAM
رباتهای mini cheetah دیگه دارند ترسناک میشند!
@onlinebme
@onlinebme
✅ مفهوم کانولوشن در CNN
اگر بخواهیم تفاوت اصلی لایههای کانولوشن را با لایههای معمول شبکههای عصبی بیان کنیم، میتوانیم بگوییم لایههای Dense الگوهای global را در فضای ویژگی ورودی خود یاد میگیرند در حالیکه لایههای کانولوشن الگوهای local را یاد میگیرند. برای مثال یک تصویر را میتوان به الگوهای local چون edgeها، textureها و غیره تقسیم کرد. همچنین لایههای کانولوشنی میتوانند ویژگیها را به صورت سلسله مراتبی (از سادهترین ویژگیها چون خط و نقطه تا پیچیدهترین ویژگیها چون یک شی کامل) یاد بگیرند.
⭕جزئیات بیشتر👇👇
https://onlinebme.com/convolutional-operation-in-cnn/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
اگر بخواهیم تفاوت اصلی لایههای کانولوشن را با لایههای معمول شبکههای عصبی بیان کنیم، میتوانیم بگوییم لایههای Dense الگوهای global را در فضای ویژگی ورودی خود یاد میگیرند در حالیکه لایههای کانولوشن الگوهای local را یاد میگیرند. برای مثال یک تصویر را میتوان به الگوهای local چون edgeها، textureها و غیره تقسیم کرد. همچنین لایههای کانولوشنی میتوانند ویژگیها را به صورت سلسله مراتبی (از سادهترین ویژگیها چون خط و نقطه تا پیچیدهترین ویژگیها چون یک شی کامل) یاد بگیرند.
⭕جزئیات بیشتر👇👇
https://onlinebme.com/convolutional-operation-in-cnn/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
onlinebme
✅ تولباکس EEGLAB چیست؟ ✍هرکسی که علاقه مند به پردازش سیگنال های حیاتی از جمله سیگنال های EEG باشد، به احتمال زیاد نام EEGLAB را شنیده است. از حدود 17 سال گذشته تا کنون، EEGLAB، با مشارکت دهها برنامهنویس، نویسندگان افزونه و پلاگین و کاربران، به یک محیط…
✅نحوه نصب تولباکس EEGLAB
✍در پست های قبل در مورد تولباکس EEGLAB توضیحاتی ارائه دادیم. گفتیم EEGLAB تولباکسی است که برای اهداف تصویربرداری عصبی نوشته و طراحی شده است؛ بنابراین بطور اختصاصی بیشتر برای پردازش سیگنال های مغزی به کار می رود. همچنین بهترین پلتفرمی که EEGLAB بر روی آن سازگار است، نرم افزار قدرتمند متلب است. در این پست قصد داریم به نحوه ی نصب EEGLAB بر روی نرم افزار متلب بپردازیم.
Nasrin Rafiei
⭕جزئیات بیشتر👇👇
https://onlinebme.com/installing-eeglab/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍در پست های قبل در مورد تولباکس EEGLAB توضیحاتی ارائه دادیم. گفتیم EEGLAB تولباکسی است که برای اهداف تصویربرداری عصبی نوشته و طراحی شده است؛ بنابراین بطور اختصاصی بیشتر برای پردازش سیگنال های مغزی به کار می رود. همچنین بهترین پلتفرمی که EEGLAB بر روی آن سازگار است، نرم افزار قدرتمند متلب است. در این پست قصد داریم به نحوه ی نصب EEGLAB بر روی نرم افزار متلب بپردازیم.
Nasrin Rafiei
⭕جزئیات بیشتر👇👇
https://onlinebme.com/installing-eeglab/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
onlinebme
✅انواع واسط مغز و کامپیوتر 🔺غیرتهاجمی-نیمه تهاجمی-تهاجمی 🔷بسته به اینکه از چه روش برای ثبت سیگنالهای مغزی استفاده میشود، واسط مغز و کامپیوتر (BCI) را میتوان به سه دسته کلی تقسیمبندی کرد. روشهای زیادی برای ثبت سیگنالهای مغزی وجود دارد که به طور کلی میتوان…
✅ انواع (پارادایمهای) واسط مغز-کامپیوتر
▪️SSVEP
▫️P300
▪️Motor Imagery
✍واسطهای مغز-کامپیوتر عمدتا بر اساس سه نوع فعالیت مغزی ثبت شده توسط EEG طراحی و توسعه می یابند: BCI مبتنی بر تصور حرکتی، BCI مبتنی بر پتانسیل وابسته به رخداد P300 و BCI مبتنی بر SSVEP. در این پست میخواهیم سه نوع BCI را بررسی کنیم و با کاربردها و چالشهای هر کدام آشنا شویم. در آخر هم توضیح میدهیم که یک فرد برای وارد شدن به این حوزه به چه مهارتهایی نیاز دارد.
💡به افراد علاقه مند به حوزه واسط مغز-کامپیوتر پیشنهاد میکنیم که این پست رو تا آخر مطالعه کنند.
Mohammad Norizadeh Cherloo
⭕️جزئیات بیشتر👇
https://onlinebme.com/three-major-paradigms-of-eeg-based-brain-computer-interface/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
▪️SSVEP
▫️P300
▪️Motor Imagery
✍واسطهای مغز-کامپیوتر عمدتا بر اساس سه نوع فعالیت مغزی ثبت شده توسط EEG طراحی و توسعه می یابند: BCI مبتنی بر تصور حرکتی، BCI مبتنی بر پتانسیل وابسته به رخداد P300 و BCI مبتنی بر SSVEP. در این پست میخواهیم سه نوع BCI را بررسی کنیم و با کاربردها و چالشهای هر کدام آشنا شویم. در آخر هم توضیح میدهیم که یک فرد برای وارد شدن به این حوزه به چه مهارتهایی نیاز دارد.
💡به افراد علاقه مند به حوزه واسط مغز-کامپیوتر پیشنهاد میکنیم که این پست رو تا آخر مطالعه کنند.
Mohammad Norizadeh Cherloo
⭕️جزئیات بیشتر👇
https://onlinebme.com/three-major-paradigms-of-eeg-based-brain-computer-interface/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✅واسط مغز-کامپیوتر مبتنی بر P300
✍پتانسیل P300 یک پتانسیل وابسته به رخداد است که در شرایط oddball ایجاد می شود. حدودا 300 میلی ثانیه بعد از نمایش محرک نادر یک انحراف مثبت (P300) در سیگنال مغزی فرد ظاهر می شود. از این خاصیت مغز در کاربردهای مختلفی از جمله آشکارسازی سطح هوشیاری بیمار در کما، دروغ سنجی و واسط مغز کامپیوتر استفاده میکنند. مهمترین کاربرد آن در حوزه واسط مغز-کامپیوتر هست که در آن از P300 برای ایجاد ارتباط استفاده میکنند و برای افرادی که نمتیوانند صبحت کنند، این فرصت را ایجاد میکنند که بتوانند با کمک BCI-speller با افراد دیگر ارتباط برقرار کنند. در این پست میخواهیم با نحوه طراحی BCI-speller مبتنی بر P300 آشنا شویم.
⭕️ جزئیات بیشتر 👇
https://onlinebme.com/p300-based-bci-speller/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍پتانسیل P300 یک پتانسیل وابسته به رخداد است که در شرایط oddball ایجاد می شود. حدودا 300 میلی ثانیه بعد از نمایش محرک نادر یک انحراف مثبت (P300) در سیگنال مغزی فرد ظاهر می شود. از این خاصیت مغز در کاربردهای مختلفی از جمله آشکارسازی سطح هوشیاری بیمار در کما، دروغ سنجی و واسط مغز کامپیوتر استفاده میکنند. مهمترین کاربرد آن در حوزه واسط مغز-کامپیوتر هست که در آن از P300 برای ایجاد ارتباط استفاده میکنند و برای افرادی که نمتیوانند صبحت کنند، این فرصت را ایجاد میکنند که بتوانند با کمک BCI-speller با افراد دیگر ارتباط برقرار کنند. در این پست میخواهیم با نحوه طراحی BCI-speller مبتنی بر P300 آشنا شویم.
⭕️ جزئیات بیشتر 👇
https://onlinebme.com/p300-based-bci-speller/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme