onlinebme

واسط مغز-کامپیوتر|| یک راه ارتباطی بین مغز و کامپیوتر ایجاد می‌کند (فعالیت الکتریکی مغز را به دستورات قابل اجرا جهت ارتباط یا کنترل یک دستگاه خارجی ترجمه و تفسیر میکند) و به افراد معلول (locked-in paralyzed) این امکان را میدهند که بتوانند استقلال عملکردی خودشون رو بدست بیاورند و محیط خود را -بدون نیاز به حرکات عضلانی خاص-کنترل کنند.

🔷واسط مغز-کامپیوتر معمولا براساس سه پارادایم مبتنی بر EEG طراحی می‌شود که طراحی، پردازش و کاربرد هرکدام میتواند متفاوت باشد. جهت درک بهتر این پارادایمها میتونید این پست رو مطالعه کنید.

⭕️جزییات بیشتر 👇
https://onlinebme.com/three-major-paradigms-of-eeg-based-brain-computer-interface/
 

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

یک مرد 76ساله چینی با کمک BCI توانست کاراکترهای چینی (8 کاراکتر) را تنها با استفاده از  افکار خود بنویسد!  
#BCI
@Onlinebme

✅معرفی پکیج tsai برای پردازش سیگنال

✍️پکیج tsai یک پکیج یادگیری عمیق مبتنی بر پایتورچ و fastai است که با معرفی تکنیک‌های جدید پردازش برای تسک های سری زمانی طراحی شده است مانند کلاسبندی، رگرسیون، پیش بینی و ...
از این پکیج می توان برای پردازش سیگنال های EEG بهره گرفت.

🔹چه شبکه هایی را پوشش می‌دهد؟
شبکه‌هایی چون LSTM, GRU, MLP, FCN, ResNet, Transformer, ...

🔸link: https://github.com/timeseriesAI/tsai?tab=readme-ov-file

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

@Onlinebme

جایزه نوبل فیزیک سال 2024، به دو نفر از پژوهشگران بسیار برجسته فیزیک و هوش مصنوعی (جان جِی. هاپفیلد و جفری اِی. هینتون) به خاطر "اکتشافات و اختراعات بنیادی که یادگیری ماشینی را برای شبکه‌های عصبی مصنوعی ممکن ساخته است"، رسید.

دو برنده جایزه نوبل فیزیک امسال، از ابزارهای فیزیک برای توسعه روش‌هایی استفاده کرده‌اند که اساس یادگیری ماشینی قدرتمند امروزی است.

جان هاپفیلد (استاد بازنشسته دانشگاه پرینستون) یک حافظه تداعی‌گر ایجاد کرده است که می‌تواند تصاویر و الگوهای دیگر را در داده‌ها ذخیره و بازسازی کند.

جفری هینتون (استاد بازنشسته دانشگاه تورنتو و پژوهشگر ارشد گوگل) روشی ابداع کرده است که می‌تواند به صورت خودکار ویژگی‌های داده‌ها را پیدا کرده و وظایفی مانند شناسایی عناصر خاص در تصاویر را انجام دهد.

@Onlinebme

Back-Propagation 😁
@Onlinebme

onlinebme pinned Deleted message

⬛️◼️◾️ 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

😅GANs in action

@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

What makes us human?

@Onlinebme

This is SAM2

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

@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

@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

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