onlinebme

24 May 2025 16:23

 🎯 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

 

onlinebme

24 May 2025 11:17

🔥 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

onlinebme

18 May 2025 11:43

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

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

@Onlinebme

onlinebme

17 May 2025 21:09

🔥 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

onlinebme

14 May 2025 16:21

🌀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

onlinebme

11 May 2025 14:44

🔥 چالش 10 هفته ای یادگیری پایتون: هفته سوم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته سوم
◾️ آشنایی با آرایه های NumPy
◾️آشنایی ویژگی های آرایه ها
☑️ vectorization
☑️ Broadcasting

◾️ آشنایی با آدرس دهی آرایه ها
◾️ آشنایی با متدهای آرایه ها

☑️ 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

onlinebme

06 May 2025 15:14

✅ آموزش نصب تولباکس EEGLAB و تصویرسازی سیگنال EEG

✍ تولباکس EEGLAB یک ابزار بسیار قوی در محیط متلب برای پیش پردازش و تحلیل سیگنال های مغزی (EEG) هست. این تولباکس یک رابط گرافیکی تعاملی فراهم میکند که کار با داده های EEG را بسیار ساده تر میکند. با کمک ابزار متنوعی که در  EEGLAB تعبیه شده افراد میتوانند به راحتی سیگنال‌های مغزی را بارگذاری، پیش پردازش، تصویرسازی و در حوزه‌های زمان و فرکانس تحلیل کنند.

💡در این ویدیو ابتدا با نحوه اضافه کردن تولباکس EEGLAB به متلب آشنا می شویم، سپس یک نمونه تصویرسازی EEG انجام میدهیم. 

💡در این ویدیو مباحث زیر آموزش داده میشود:
☑️دانلود EEGLAB
☑️نصب EEGLAB
☑️خواندن سیگنال EEG
☑️آشنایی با اطلاعات مرتبط با EEG
☑️نمایش سیگنال EEG در حوزه زمان
☑️نمایش موقعیت کانالها
☑️نمایش سیگنال EEG در حوزه فرکانس (توپوگرافی و اسپکتروگرام)

⭕️جزییات بیشتر 👇👇

📷 Video 🔘Website

Next: EEG Preprocessing Pipeline in EEGlab

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

onlinebme

30 April 2025 18:19

✅ 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

onlinebme

28 April 2025 10:52

✅ 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

onlinebme

26 April 2025 18:45

🔥 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

onlinebme

26 April 2025 10:06

https://ieeexplore.ieee.org/document/10972360

onlinebme

23 April 2025 09:57

💡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

onlinebme

22 April 2025 10:33

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

@Onlinebme

onlinebme

16 April 2025 17:03

✅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

⏭ Next video: Preprocessing in EEGLAB
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

onlinebme

15 April 2025 16:28

Perfect accuracy!
@Onlinebme

onlinebme

24 May 2025 16:07

📺 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

onlinebme

22 May 2025 10:01

☑️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

onlinebme

17 May 2025 22:09

🔥 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

onlinebme

17 May 2025 11:37

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

onlinebme

14 May 2025 16:15

قدرت در اتحاد است، اما اتحادی هدفمند و ساختار یافته!
@onlinebme

onlinebme

11 May 2025 14:13

⬛️◼️◾️ 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

onlinebme

04 May 2025 10:53

🔥 چالش 10 هفته ای یادگیری پایتون: هفته دوم
💡مهارتهای مورد نیاز برای انجام تمرینات و پروژه های هفته دوم
◾️ آشنایی با لیست و متدهای آن
◾️آشنایی با رشته و متدهای آن
◾️ آشنایی با تاپل و متدهای آن
◾️آشنایی با دیکشنری و متدهای آن
◾️ آشنایی با فایل و متدهای آن

☑️ 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

onlinebme

30 April 2025 18:16

✅تایم لپس کوتاه از توضیح ریاضیات SVMs

@Onlinebme

onlinebme

28 April 2025 08:20

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

onlinebme

26 April 2025 10:06

✅️ 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.

onlinebme

23 April 2025 10:01

💡 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

onlinebme

22 April 2025 10:34

☑️ 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

onlinebme

20 April 2025 14:23

💡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

onlinebme

15 April 2025 16:37

💡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.

onlinebme

14 April 2025 19:17

✅ 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