⬛️◼️◾️ 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


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

سلام
دوره《پردازش سیگنال ECG》تموم شد
پکیج دوره هفته آینده بعد از ادیت نهایی در وبسایت قرار می‌گیرد.

@Onlinebme

✅ 《دوره پردازش سیگنال ECG》
🔷  فصل 6: شبکه عصبی
🔘 پروژه سری سوم 
▪️ Deep learning

@Onlinebme

پای مصنوعی محرک که برای ساختش از آناتومی پای انسان الهام گرفته شده است.

@Onlinebme

🔆       《دوره پردازش سیگنال ECG》        🔆

✅ دوره پردازش سیگنال ECG یک دوره کاملا پروژه محور است (49 مثال، 16 تمرین، 19 پروژه) و در آن روشهای پردازش سیگنال ECG به صورت گام به گام آموزش داده شده و در پایتون پیاده سازی می شوند.

1⃣ در فصل 1 انواع داده ها معرفی شده و نحوه خواندن آنها آموزش داده می‌شود.

2⃣ در فصل 2 روشهای پیش پردازش از جمله کاهش نویز، تشخیص پیکهای R، استخراج RRI و QRS آموزش داده می‌شود.

3⃣ در فصل 3، روشهای استخراج ویژگی از جمله morphological, temporal برای QRS ها و ویژگی های حوزه زمان و فرکانس برای RRI ها آموزش داده می شود.

4⃣ در فصل 4 روشهای طبقه بندی و ارزیابی آموزش داده می شود.

5⃣در فصل 5 روشهای انتخاب ویژگی آموزش داده می شود.

6⃣ در انتها هم نحوه پردازش سیگنال ECG با شبکه های عصبی در پایتورچ آموزش داده می‌شود.

در این دوره، دو پایگاه داده معتبر مورد استفاده قرار گرفته اند.
▪️ MIT-BIH Arrhythmia Database
▪️ Apnea-ECG Database

مدرس: محمد نوری زاده چرلو
مدت زمان دوره: 37 ساعت و 45 دقیقه

🔘 جزئیات بیشتر 👇
https://onlinebme.com/product/ecg-signal-processing-course/

🏢 @Onlinebme

✅پیاده سازی یک autoencoder ساده در کراس


هما کاشفی امیری
28 تیر 1403

✍️می خواهیم به نحوه ی پیاده سازی autoencoderها در کراس نگاهی بیندازیم، معماری شبکه عصبی که سعی می کند بازنمایی فشرده ای از داده ی ورودی به دست دهد.

🔘 جزئیات بیشتر 👇

https://onlinebme.com/implementing-an-autoencoder-in-keras/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

کنترل drone با ذهن (سیگنالهای مغزی)

💡مسابقات drone تحت کنترل مغز، رشته‌ای نوظهور است که علوم اعصاب و علوم رایانه را با هم ترکیب می‌کند تا به شرکت‌کنندگان اجازه دهد پهپادها را تنها با استفاده از افکار خود هدایت کنند.

🔷 در این مسابقات از رابط های مغز و کامپیوتر (BCIs) برای تبدیل سیگنال های الکتریکی مغز به دستورات برای پهپادها استفاده می کنند.

🏢@Onlinebme

استفاده جالب از هوش مصنوعی برای تصاویر نوستالژی از هنرمندان 😍

🏢@Onlinebme

بازوی مصنوعی مبتنی بر هوش مصنوعی
@Onlinebme

😅Training vs. Testing

@Onlinebme

محققان MIT یک مدل هوش مصنوعی ابداع کرده‌اند که می‌تواند سرطان سینه را تا 5 سال زودتر از تشخیص بالینی تشخیص دهد.
این خبر خیلی خوبی است، چراکه به طور بالقوه انقلابی در تشخیص زودهنگام ایجاد کرده و جان افراد بی‌شماری را نجات خواهد داد.


@Onlinebme

✅شبکه Variational Autoencoder(VAE) چیست و چه تفاوتی با Autoencoder معمولی دارد؟

هما کاشفی امیری
11مرداد 1403

✍️در این مقاله می‌خواهیم ساختار Variational autoencoder (VAE) را بررسی کنیم و ببینیم چه تفاوتی با Autoencoder معمولی دارد. مدل های VAE ساده ترین نوع مدل‌های مولد یا Generative modelها هستند که می توانند داده ی جدید تولید کنند.

🔘 جزئیات بیشتر 👇

https://onlinebme.com/variational-autoencoder/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅پس از موفقیت مدل Meta Segment Anything (SAM) برای تصاویر، مدل SAM2 معرفی شده است که برای سگمنت بندی اشیا در تصاویر و ویدیو کاربرد دارد.
@Onlinebme

This is SAM2

https://ai.meta.com/blog/segment-anything-2/

@Onlinebme

✅مدلسازی Generative دربرابر Discriminative

✍️از چشم انداز آکادمیکی، پیشرفت‌های حاصل در discriminative modeling را ساده‌تر می‌توان بررسی کرد؛ زیرا می‌توانیم عملکرد شبکه‌ها را با استفاده از معیارهای عملکردی، ارزیابی کنیم، اما ارزیابی مدل‌های generative دشوار است. به خصوص زمانی که کیفیت خروجی‌های تولید شده subjective است. بنابراین در سال‌های اخیر بیشترین تأکید بر آموزش مدل‌های discriminative بوده است تا به عملکرد انسانی یا فوق انسانی در تفکیک تصاویر و متن برسد.

🔷️اطلاعات بیشتر👇

https://onlinebme.com/generative-vs-discriminative-modeling/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

😅GANs in action

@onlinebme