همیشه دوست داشتم شبکه عصبیCNN رو همانند سایر شبکه ها مثل MLP، اول کاملا به صورت دستی پیاده سازی کنم. قبلا یکی دوبار تلاش کردم ولی موفق نشدم کامل پیاده سازی کنم. و این برمیگشت به عدم شناخت دقیق من از چهارچوب CNN و یه سری ریزه کاری ها در کدنویسی.


بعد از یادگیری RNN مجددا شانسم رو امتحان کردم، از اونجا که BPTT پیچیدگی های زیادی داشت، درک اون کمک کرد CNNهارو هم بتونم پیاده سازی کنم. و خب خیلی خوشحال شدم از این اتفاق😊

این هفته، در جلسه اول فصل شبکه های کانولوشنی قراره باهم یک شبکه ی عصبی کانولوشنی رو بدون استفاده از ابزار آماده پایتورچ پیاده سازی کنیم. ریاضیات و یپاده سازی خواهیم داشت😉

از جلسه بعد، میریم سراغ ابزار پایتورچ و معرفی ساختارهای مختلف!

💡 ما در دوره یادگیری عمیق، ابتدا شبکه‌های عصبی رو کاملا دستی پیاده‌سازی میکنیم، بعدش میریم سراغ ابزارهای آماده.

و برای پیاده‌سازی هم، اول ریاضیات و اثبات روابط یادگیری شبکه های عصبی رو کامل یاد میگیریم😊

در آخر هم میریم سراغ پروژه های عملی...

⬛️◼️◾️ 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

💡از کشف تصادفی تا جایزه نوبل، داستانی که بینایی ماشین را متحول کرد!

کشف اتفاقی یک لبهٔ نور در آزمایشگاهی ساده در جان‌هاپکینز
به فهم عملکرد نورون‌های بینایی انجامید،
جایزهٔ نوبل گرفت،
و پایهٔ شبکه‌های کانولوشنی (CNN) شد.

اگر امروز مدل‌هایی مانند HMAX، LeNet، AlexNet، ResNet   یا  Vision Transformers وجود دارند، ریشهٔ اصلی آن‌ها به همان روزی برمی‌گردد که یک خط نور، به ‌طور کاملاً تصادفی، یک نورون را فعال کرد.

✍ در دهه‌ی ۱۹۶۰، دو دانشمند جوان به نامهای David Hubel  وTorsten Wiesel در دانشگاه Johns Hopkins، همکاری‌ای را آغاز کردند که بعدها یکی از مهم‌ترین کشفیات علوم اعصاب و بینایی ماشین را رقم زد.
نکته‌ی جالب این بود که آنها تجهیزات بسیار ابتدایی داشتند:
یک میکروالکترود، یک نمایشگر اسلایدی ساده و یک گربهی بیهوش.

⭕️جزییات بیشتر👇👇
PDF | website

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

در این ویدیو آقای ویزل نحوه مشخص کردن receptive field نورون‌ها رو توضیح میدهند...
@Onlinebme

وضعیت من بعد از پیاده‌سازی هر الگوریتم (بعد از ۳۵۵ روز تلاش برای درک و پیاده‌سازیش)😂

@Onlinebme

🗒جزوه خام: جلسه یک از فصل سوم دوره‌ی جامع یادگیری عمیق

☑️شبکه‌های عصبی کانولوشنی (CNNs)
💡تئوری و ریاضیات+ پیاده‌سازی+ پروژه عملی

@Onlinebme

☑️ این روزها باگهای برنامه نویسی فقط بیشتر نشده‌اند… پیچیده تر هم شده‌ اند!!

🔺یکی از دلایلش اینه که ما بیش از حد به مدل‌های زبانی مثل ChatGPT تکیه می‌کنیم، مدل‌هایی که کد تولید می‌کنن بدون اینکه ما دقیقاً بفهمیم پشتش چه خبره.

🔻مشکل از هوش مصنوعی نیست. مشکل از اینه که ما داریم «فهمیدن» رو با «کپی کردن» جایگزین می‌کنیم.

💡برای مسیر یادگیری برنامه نویسی، بهتره که:

1⃣ مبانی رو خودمون یاد بگیریم، مثل متغیرها، حلقه ها، شرطها، توابع، کلاسها، ساختمان داده ها، ...
2⃣ کد کوچک و ساده بسازیم تا رفتار واقعی برنامه رو بفهمیم.
3⃣ قبل از سؤال پرسیدن از LLM، یک بار خودمون فکر کنیم.
4⃣ کد تولیدی مدل‌ها رو خط‌ به ‌خط بخونیم، نه اینکه فقط اجرا کنیم.
5⃣ از LLM برای راهنمایی استفاده کنیم، نه برای جایگزینی فکر کردن.

⚠️ هوش مصنوعی ابزار قدرتمندیه، ولی بدون دانش پایه، تبدیل میشه به یک جعبهٔ جادوی خطرناک. هرچی کمتر بفهمیم، بیشتر باگ میسازیم!!

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

سلام، چندین بار دوستان پرسیده بودند که برای درس پردازش سیگنال دیجیتال (DSP) چه کتابی بخونند، برای همین گفتم که کتابی خودم خوندم و خیلی مفید بود رو اینجا معرفی کنم.

یادمه دوران ارشد یک کتاب فوق‌العاده داشتیم که هم مفاهیم رو خیلی روان توضیح می‌داد و هم کاملاً کدمحور بود؛ مخصوصاً با مثال‌های MATLAB که واقعاً به فهم عمیقتر موضوعات کمک می‌کرد.
این کتاب Digital Signal Processing Using MATLAB (4th Ed.) هست.
این کتاب یکی از محبوبترین منابع برای یادگیری DSP هست.
از ویژگی‌های برجستهٔ این کتاب میتونم به نکات زیر اشاره کنم:
      ◼️توضیح مفاهیم DSP به‌صورت کاملاً شفاف
     ◼️تمرین‌ها و پروژه‌های متنوع همراه با کد  MATLAB
     ◼️مناسب برای دانشجویان کارشناسی و کارشناسی ارشد
     ◼️رویکرد «حل مسئله» که باعث فهم عمیقتر موضوعات میشه

🔺برای رعایت حق نشر، لینک رسمی کتاب رو قرار میدم:
📚 Digital Signal Processing Using MATLAB: A Problem-Solving Companion — Vinay K. Ingle & John G. Proakis

https://www.amazon.com/Digital-Signal-Processing-Using-MATLAB/dp/1305635124/ref=sr_1_1?ie=UTF8&qid=1453320715&sr=8-1&keywords=9781305635128

🔷 البته نسخهٔ PDF این کتاب توی بعضی سایت‌ها وجود داره، ولی چون وضعیت حق کپی ‌رایتش مشخص نیست، اینجا لینکش رو قرار نمیدهم.

💡برای دوستانی که میخوان مفاهیم DSP رو پایه‌ای و کاربردی یاد بگیرند، این کتاب میتونه شروع خیلی خوبی باشه.

☑️ در کنار این کتاب، چند منبع دیگه هم در در پست  معرفی کردم که می‌تونید برای مطالعه بیشتر بررسی‌شون کنید.
امیدوارم براتون مفید باشه 🙌📘
https://onlinebme.com/best-practical-books-for-learning-digital-signal-processing-dsp/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ 《دوره یادگیری عمیق》
🔷 Season 03: CNNs
🔘 تمرینات سری ششم 
▪️ CNNs
▪️ Convolutional layer
▪️ Pooling layer
▪️ Dense layer
▪️ Mathematics
▪️ Back Propagation 
▪️ LeNet-5
▪️ Hybrid model (CNNs+RNNs)
▪️ Classification
▪️ Image processing
▪️ Signal processing

🔺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

سلام،
بعد از مدتها وصل شدیم!!
امیدوارم در سلامت باشید🙏❤️
از خودتون مراقبت کنید... برای رسیدن به روشنایی باید با صبوری از دل تاریکی ها عبور کرد.

✅توضیح لایه کانولوشن در شبکه های عصبی کانولوشنالی CNNs

✍شبکه های عصبی کانولوشنالی یکی از مهمترین ابزار بینایی ماشین، پردازش تصویر و سیگنال هستند. بعد از ظهور شبکه های عصبی CNNs، انقلاب بزرگی در حوزه بینایی ماشین و بعد در سایر حوزه ها اتفاق افتاد. امروزه کاربردهای شبکه های عصبی کانولوشنالی را در همه جا میشه دید، از بحث بینایی ماشین در زندگی روزمره مثل کنترل ترافیک، تشخیص پلاک خورو، ماشینهای خودران، و در بحثهای مهمتر مثل پزشکی که از CNNها به صورت فزاینده ای جهت تحلیل تصاویر و سیگنالهای پزشکی استفاده میشود.
شبکه های  عصبی CNN به طور کلی از سه لایه کانولوشن (convolution)، لایه پولینگ (pooling) و لایه های fully-connected تشکیل شده اند. لایه های کانولوشن بخش اصلی CNNs هست.
در این بخش قصد داریم با لایه کانولشن و نحوه طراحی آن در محیط پایتورچ-PyTorch آشنا شویم.
⭕️جزییات بیشتر 👇👇
💡Deep learning|1- Convolution

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅شیوه کار لایه Pooling در شبکه های کانولوشنالی

✍لایه پولینگ، اندازه تصویر رو کاهش میده، اما ویژگی های خیلی مهم تصویر رو حفظ میکنه. در لایه های پولینگ فقط مسئله کاهش بعد نیست، بلکه این لایه کمک میکند شبکه عصبی تعمیم پذیر باشه، الگوی های کلیدی رو برجسته می کند، و پیچیدگی محاسباتی رو به شدت کاهش میدهد.

همانطور که در این ویدیو میبینیم این شخص میاد تصویر رو به نوارهای افقی و عمودی برش میزنه و چهار نسخه کوچکتر از اصلیش میسازه. درسته که کیفیتش (رزولوشن مکانی) کمتر میشه، ولی هنوز به اندازه کافی جزئیات داره که بشه تشخیصش داد.

این فرایند دقیقاً شبیه همون چیزیه که در pooling شبکه‌های عصبی کانولوشنی (CNN) اتفاق میافته.

مزایای لایه پولینگ لایه Pooling اندازه تصویر رو کوچکتر میکنه ولی ویژگی‌های مهمش رو نگه میداره. این کار فقط فشرده‌سازی نیست، بیشتر مثل عصاره گیری کردنه. با تمرکز روی عناصر برجسته، pooling به شبکه عصبی کمک می‌کنه:
- الگوهای کلیدی رو برجسته کنه
- پیچیدگی محاسباتی رو کم کنه
- تعمیم پذیری مدل رو بهتر کنه

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ توضیح لایه Pooling در شبکه‌های عصبی کانولوشنالی CNNs

✍لایه Pooling یکی از اجزای کلیدی در معماری شبکه‌های عصبی کانولوشنال است که با کاهش ابعاد تصویر، ویژگی‌های مهم آن را حفظ می کند. این لایه نه تنها پیچیدگی محاسباتی را به شدت کاهش می‌دهد، بلکه باعث بهبود تعمیم‌پذیری (Generalization) مدل و مقاوم بودن آن در برابر تغییرات مکانی  نیز می‌شود. لایه پولینگ (pooling) به شبکه های عصبی CNNs کمک میکند که به جای فشرده سازی ساده، بهترین ویژگی‌ها را استخراج کنند.

💡در این پست به زبان ساده و با مثال تصویری توضیح می‌دهیم که pooling دقیقاً چه کاری انجام می‌دهد. در ادامه با انواع pooling (Max Pooling و Average Pooling)، تفاوت آن‌ها با down-sampling ساده، چالش‌های شبکه بدون pooling، و نحوه پیاده‌سازی آن‌ها در PyTorch آشنا می‌شویم. همچنین به لایه Adaptive Pooling و کاربردهای مهم آن در Transfer Learning می‌پردازیم. اگر می‌خواهید عمیقاً درک کنید که چرا شبکه‌هایی مثل AlexNet و LeNet-5 موفق شدند، مطالعه این پست اولین قدم مهم شماست😊

⭕️جزییات بیشتر 👇👇
💡Deep learning|2-pooling

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

📺 مثال تصویری از نحوه اجرای Pooling در CNNs😉

@Onlinebme

🧠 چین یک گام مهم در مسیر تجاری‌سازی رابط‌های مغز و کامپیوتر برداشت.

نهادهای نظارتی چین مجوز استفاده پزشکی از سامانه BCI موسوم به NEO را صادر کرده‌اند؛ سامانه‌ای که به افراد مبتلا به آسیب‌های نخاعی کمک می‌کند تنها با سیگنال‌های مغزی، یک دستکش رباتیک را کنترل کرده و بخشی از توانایی حرکت دست خود را بازیابند. این نخستین بار است که یک رابط مغز و کامپیوتر تهاجمی، خارج از چارچوب آزمایش‌های بالینی مجوز استفاده تجاری دریافت می‌کند.

💡نکته جالب اینجاست که NEO برخلاف برخی رقبای شناخته‌شده، الکترودهای خود را داخل بافت مغز فرو نمی‌برد؛ بلکه آن‌ها را روی غشای محافظ مغز قرار می‌دهد. همین طراحی کم‌تهاجمی‌تر احتمالاً یکی از دلایل سرعت بالاتر دریافت مجوز بوده است.
این فناوری پس از ۳۶ مطالعه و جراحی بالینی به مرحله تأیید رسیده و گزارش‌ها نشان می‌دهد بیماران شرکت‌کننده بهبود قابل توجهی در عملکرد دست خود تجربه کرده‌اند.
به نظر می‌رسد رقابت جهانی در حوزه رابط‌های مغز و کامپیوتر وارد مرحله تازه‌ای شده است؛ مرحله‌ای که در آن دیگر فقط درباره آزمایشگاه‌ها صحبت نمی‌کنیم، بلکه از ورود واقعی این فناوری به سیستم درمانی صحبت می‌شود.
#BCI #BrainComputerInterface #Neuroscience #Neurotechnology
Piko 🐾
China approves brain chip to treat paralysis — a world first

@Onlinebme

📚 اگر کسی از من بپرسد برای یادگیری Deep Learning از کجا شروع کنم، این سه کتاب جزو اولین پیشنهادهای من خواهند بود😉

📘 Neural Networks and Learning Machines
💡کتابی که برای من سنگ بنای یادگیری شبکه‌های عصبی بود. Heykin فقط شبکه‌های عصبی رو آموزش نمیده؛ بلکه یاد میده هنگام مطالعه یک الگوریتم جدید، از دید فنی به دنبال چه چیزهایی باشیم و چگونه آن را از روی روابط ریاضی به پیاده‌سازی برسانیم.

📗 Deep Learning
اثر ارزشمند Goodfellow، Bengio و Courville که به من کمک کرد مفاهیمی مانند توابع هزینه، بهینه‌سازی و چالش‌های آموزش شبکه‌های عمیق را عمیق‌تر درک کنم. این کتاب فراتر از روابط ریاضی هست و شهود پشت بسیاری از ایده‌های مهم Deep Learning را توضیح می‌دهد.


📙 Dive into Deep Learning
منبعی که فاصله بین تئوری و عمل را کم میکنه. این کتاب به‌جای تمرکز صرف بر روابط ریاضی، روی ساختار، شهود و پیاده‌سازی تأکید داره و تقریباً همه مفاهیم را در قالب کد و پروژه‌های عملی ارائه می‌کند.
➖➖➖➖➖➖
💡 مطالعه این کتاب‌ها و کنارش مطالعه چندین مقاله (همیشه دوست دارم نگاه نویسنده به چالش و نحوه حل مسیله رو بدونم) باعث شده در طراحی دوره ها بر اساس سه اصل باشه:
✔️ درک ساختار و چرایی شکل‌گیری معماری‌ها
✔️ یادگیری ریاضیات و اثبات روابط
✔️ پیاده‌سازی دستی قبل از استفاده از ابزارهای آماده

حاصل این مسیر، طراحی دو دوره آموزشی بود:
🔹 دوره تخصصی شبکه‌های عصبی در PyTorch
🔹 دوره جامع یادگیری عمیق
در دوره جامع یادگیری عمیق، از MLP شروع می‌کنیم، سپس سراغ RNN، CNN و در نهایت مکانیزم Attention می‌رویم. ابتدا مفاهیم و ریاضیات را یاد می‌گیریم، شبکه‌ها را کاملاً دستی پیاده‌سازی می‌کنیم و در پایان به سراغ پروژه‌های عملی می‌رویم.
دوره جدید به زودی در سایت قرار میگیره....
LinkedIn

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme