⬛️◼️◾️ 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

✅نقشه راه به همراه توضیحات در وبسایت👇
https://onlinebme.com/roadmap-for-onlinebme-courses/

@Onlinebme

مطالعه جدید: استفاده از ChatGPT میتواند تفکر انتقادی را تضعیف کند

تضعیف ارتباطات مغزی در سیگنالهای مغزی افراد مشاهده شد!!

@Onlinebme

🔍📝 در این پژوهش، اثرات رفتاری و عصبی نوشتن مقاله با کمک مدل‌های زبانی (LLM) بررسی شده است.
شرکت‌کنندگان به سه گروه تقسیم شدند: استفاده از LLM، گروه Search، و فقط مغز brain-only(بدون ابزار).

همه شرکت‌کنندگان سه جلسه مشابه با شرایط کاملا یکسان را گذراندند و در جلسه چهارم، جای گروه LLM و Brain-only با هم عوض شد. یعنی به ترتیب به گروه LLM-to-Brain و Brain-to-LLM تبدیل شدند.

با استفاده از سیگنال‌های مغزی (EEG)، فعالیت شناختی حین نوشتن ارزیابی شد. همچنین کیفیت مقالات با کمک ابزار NLP، معلمان انسانی، و یک ابزار هوش مصنوعی ارزیابی شد.

💡نتایج این مطالعه نشان میدهد که:
🔺گروه Brain-only بیشترین فعالیت مغزی و قویترین شبکه‌های شناختی را داشند.
🔺گروه Search سطح متوسطی را نشان داد.
🔺گروه LLM ضعیفترین ارتباطات مغزی را ارائه داد.

🔷 نکته بعدی اینکه، گروه LLM-to-Brain در جلسه 4 ام سطح زیر مشارکت را نشان دادند، در عوض گروه Brain-to-LLM، سطح بالای یادآوری و فعالیت مغزی در بخش occipital-parietal همانند گروه search داشتند.

🔷 احساس مالکیت در گروه LLM کمترین میزان، و در گروه Brain-only بیشترین میزان گزارش شد. همچنین گروه LLM در به یادآوردن متنهای خودشان چالش اساسی داشتند.

⚠️ نتایج این مطالعه نشان میدهند که استفاده از LLM ها درسته که راحتی آنی به ارمغان میاورند، ولی در بلند مدت استفاده از آنها باعث کاهش عملکرد شناختی را خواهد داشت. این یعنی تضعیف تفکر انتقادی، تضعیف خلاقیت و مرگ تدریجی نوآوری ها و منحصر به فرد بودن ها!!!

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام و وقت بخیر
امیدوارم حالتون خوب باشه🙏

همانطور که قبلا اطلاع داده بودم، تصمیم داشتیم دوره‌ای در زمینه‌ی پیاده‌سازی شبکه‌های عصبی بازگشتی (RNN)  برگزار کنیم. هدف اصلی این دوره، آشنایی با تئوری و ریاضیات این نوع شبکه‌ها، پیاده‌سازی دستی آن‌ها، استفاده از کتابخانه PyTorch، و در نهایت انجام پروژه‌های عملی بود.

در این مدت که مشغول مطالعه‌ی روی شبکه‌های RNN و همچنین بررسی ترکیب آنها با سایر معماری‌ها مانند CNN  در مسائل مختلف بودم. متوجه شدم که عملکرد RNN در ترکیب با سایر شبکه‌های عصبی، به‌ویژه CNNها، بهینه تر و مؤثرتر میشود.

بر همین اساس، تصمیم گرفتم دوره‌ای جامع طراحی کنیم که فصل اول آن به RNN اختصاص داده بشه و در فصلهای بعدی به معرفی و پیاده‌سازی سایر شبکه‌ها مانند CNN و ترکیب آن‌ها با RNN در پروژه‌های مختلف بپردازیم.

این دوره با عنوان "شبکه‌های عصبی با محوریت RNN و CNN" برگزار خواهد شد و محتوای آن به‌ صورت کاربردی طراحی شده است. در این چند ماه تلاش کردم که الگوریتم‌های مختلف را مطالعه و بررسی کنم تا بتونم محتوایی کامل و ساختاریافته ارائه دهم.

الان فهرست مطالب دوره در حال نهایی شدن است و ثبت نام از این هفته آغاز خواهد شد.

سرفصل‌های تقریبی دوره:
فصل اول: مروری بر مفاهیم پایه شبکه‌های عصبی
🔺 پس انتشار خطا، توابع هزینه، روشهای بهینه سازی، dropout، batch normalization ....

فصل دوم: ریاضیات و پیاده‌سازی شبکه‌های بازگشتی (RNN, LSTM, GRU, BiLSTM)
🔺 پروژه‌های عمومی (مسائل قابل تعمیم به کاربردهای مختلف)
🔺 پروژه‌های پردازش سیگنال‌های حیاتی  (EEG, ECG)

فصل سوم: بررسی معماری شبکه‌های CNN
🔺انواع کانولوشن و ساختارهای رایج
🔺پیاده سازی شبکه EEGNet و توسعه‌ی آن
🔺پیاده سازی شبکه‌های ShallowNet و  DeepNet
🔺پروژه‌های عمومی و همچنین پروژه‌های مرتبط با سیگنال EEG و  ECG

فصل چهارم: ترکیب شبکه‌های RNN  و CNN
🔺پروژه‌های تحلیل داده‌های سری زمانی
🔺پروژه‌های پردازش سیگنال‌های حیاتی

فصل پنجم: آشنایی با  Attention
🔺آشنایی با انواع Self-Attention
🔺طراحی لایه Attention برای انتخاب Feature Map/ Channel
🔺طراحی Attention مخصوص شبکه‌های
 
✅ ترکیب RNN+LSTM+Attention و پیاده سازی آن در پروژه های مختلف  (تشخیص و پیش بینی خطا، سیگنالهای حیاتی، ... )

💡تمرکز این دوره بر ترکیب مبانی ریاضی و تئوری شبکه‌های عصبی با پروژه‌های عملی و کاربردی خواهد بود. امیدوارم کنار هم بتونیم تجربه خوبی داشته باشیم و خروجی خوبی از این دوره بدست بیاریم.

پیش نیاز دوره: پایتورچ
https://onlinebme.com/product/implementing-neural-networks-with-pytorch/

ثبت‌نام دوره این هفته شروع خواهد شد...

موفق باشید
محمد نوری‌زاده چرلو

کاربردهای هوش مصنوعی در پردازش سیگنال های حیاتی
از یادگیری ماشین تا واسط مغز-کامپیوتر
زمان: جمعه ۱۰ مرداد- ساعت ۲۱

https://www.linkedin.com/events/bci7355151563297857536

سلام
امیدوارم حالتون خوب باشه،
قصد داریم یک دوره آنلاین با عنوان «دوره جامع یادگیری عمیق»
با محوریت RNNs +CNNs +Attention برگزار کنیم.
در این دوره ریاضیات، پیاده‌سازی و کاربردی عملی شبکه‌های عصبی آموزش داده خواهد شد.

سرفصل دوره
1⃣ مروری بر مباحث مقدماتی
┤◼️Back propagation
┤◻️MLP
┤◼️Cost function
┤◻️Optimizers
┤◼️DataLoader
┤◻️Dropout
┤◼️Batch Normalization
┤◻️...
🗂 Projects

2⃣ پیاده‌سازی شبکه های بازگشتی
┤◼️Elman-Jordan
┤◻️RNN
┤◼️LSTM
┤◻️GRU
┤◼️BiLSTM
🗂 Projects

3⃣ آشنایی با ساختارهای مختلف شبکه های کانولوشنی
┤◼️Convolution layer
┤◻️Pooling layer
┤◼️Spatial conv
┤◻️Temporal conv
┤◼️Seperabale conv
┤◻️Resent
┤◼️....
🗂 Projects


4⃣ ترکیب CNN و RNN
🗂 Projects
5⃣ مکانیزم توجه
┤◻️Attention in CNN
┤◼️Attention in LSTM
🗂 Projects

6⃣ ترکیب CNN+RNN+Attention


مدرس دوره: محمد نوری زاده چرلو
مدت زمان دوره: 30-50 ساعت

دوستانی که قصد دارند در این دوره شرکت کنند به آیدی زیر پیام دهند.
@onlinebme_admin

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

دوره جامع یادگیری عمیق با محوریت RNNs+CNNs+Attention


💡سه هدف اصلی دوره:
🔷 ریاضیات شبکه‌های عصبی
🔷 درک عمیق شبکه های عصبی
🔷 انجام پروژه های عملی


آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام وقت همگی بخیر
دوره یادگیری عمیق از این هفته برگزار میشه
اولین جلسه روز جمعه خواهد بود«ساعت 1»

🔺این جلسه صرفا جهت آشنایی با چارچوپ کار و هماهنگی بیشتر هست. از هفته دیگه دوره رسماً استارت میخوره.

☑️ برنامه در هر جلسه:
◾️رفع اشکال (حل یکی از پروژه‌های هفته قبل)
◾️آموزش مباحث جدید

☑️ برنامه در طول هر هفته:
◼️ارسال ویدیوهای هر جلسه بعد از ادیت نهایی
◼️ارایه فیدبک لازم در پروژه ها توسط مدرس
◼️آماده‌سازی و ارائه جزوه خام قبل هر جلسه
◻️انجام پروژه‌های تعریف شده

دوستانی که قصد دارند در این دوره شرکت کنند به آیدی زیر پیام دهند.
@onlinebme_admin


امیدوارم که کنار هم تجربه ی خوبی داشته باشیم😊

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره یادگیری عمیق》
🔷  فصل 1: MLP و پس انتشار خطا
🔘 تمرینات سری اول 
▪️ Back Propagation

@Onlinebme

💡مطالعه بیشتر برای شرکت کنندگان دوره آنلاین یادگیری عمیق

✍اثبات روابط مربوط به گرادیان لایه خروجی در مباحث طبقه‌بندی دوکلاسه
Cost Fun: Binary Cross Entropy
Activation Fun: Sigmoid

🔘بخش کوتاهی از فصل سوم دوره پایتورچ

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡مطالعه بیشتر برای شرکت کنندگان دوره آنلاین یادگیری عمیق

✍اثبات روابط مربوط به گرادیان لایه خروجی در مباحث طبقه‌بندی چندکلاسه
Cost Fun: Cross Entropy
Activation Fun: SoftMax

🔘بخش کوتاهی از فصل سوم دوره پایتورچ

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره یادگیری عمیق》
🔷  فصل 2: Recurrent neural networks (RNNs)
🔘 تمرینات سری دوم 
▪️ Back Propagation Through Time 
▪️ Pure mathematics behind RNNs
▪️ Elman/Vanilla RNNs
▪️ Jordan RNNs
▪️ Elman-Jordan RNNs
▪️ Time series dataset

🔺مهلت تحویل تمرینات: دو 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

🔘بخش کوتاهی از فصل دوم دوره یادگیری عمیق
✍خلاصه اثبات روابط برای تنظیم وزنهای سیناپسی در RNNs

💡 Back Propagation Through Time (BPTT)

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره یادگیری عمیق》
🔷   Season 02: Bi-directional RNNs (BiRNNs)
🔘 تمرینات سری سوم 
▪️ Back Propagation Through Time 
▪️ Pure mathematics behind RNNs
▪️ Bi-directional RNNs
▪️ Time series

🔺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