🗒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

💡متا از نسل جدید رابط مغز و کامپیوتر غیرتهاجمی خود رونمایی کرد.

✍پژوهشگران متا از Brain2Qwerty v2، پیشرفته‌ترین سامانه غیرتهاجمی برای تبدیل فعالیت مغز به متن، رونمایی کرده‌اند. این سامانه با ترکیب سیگنال‌های مغزی ثبت‌شده توسط دستگاه MEG، مدل‌های یادگیری عمیق و مدل‌های زبانی بزرگ (LLMs)، می‌تواند جملات را تقریباً به‌صورت لحظه‌ای رمزگشایی کند.
نکته جالب اینجاست که Brain2Qwerty v2 بدون نیاز به کاشت الکترود در مغز کار می‌کند، اما دقت آن به سطحی نزدیک شده که پیش‌تر تنها در رابط‌های مغز و کامپیوتر تهاجمی قابل دستیابی بود. متا همچنین کدهای آموزشی این پروژه را به‌صورت متن‌باز منتشر کرده تا پژوهشگران سراسر جهان بتوانند این مسیر را ادامه دهند.
💡 چرا این خبر مهم است؟
این پژوهش می‌تواند گامی مهم در توسعه رابط‌های مغز و کامپیوتر غیرتهاجمی باشد؛ فناوری‌ای که در آینده شاید به افرادی که به دلیل بیماری‌های عصبی یا آسیب‌های مغزی توانایی صحبت کردن را از دست داده‌اند، امکان برقراری ارتباط مؤثر را بدهد.
📚 مطالعه بیشتر:
🔗 https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery😉

@Onlinebme

این پژوهش یک مدل یادگیری عمیق ترکیبی با نام ResSPNet برای احراز هویت افراد بر اساس سیگنال‌های EEG ارائه می‌کند. در این مدل، شبکه  SPCNN ویژگی‌های زمانی و مکانی سیگنال خام EEG را استخراج می‌کند و شبکه ResNet-101 نیز ویژگی‌های فرکانسی را از تصاویر طیف‌نگار حاصل از تبدیل STFT یاد می‌گیرد. سپس این ویژگی‌ها با یکدیگر ترکیب می‌شوند تا فرایند احراز هویت با دقت و اطمینان بیشتری انجام شود.
برای افزایش کاربردپذیری سیستم، تعداد کانال‌های EEG از ۲۲ کانال به ۶ کانال کاهش یافته است. مدل با ۲۲ کانال به F-score  برابر با ۹۸٫۸ درصد و با ۶ کانال منتخب به ۹۶٫۱ درصد رسید؛ بنابراین، با افت اندک عملکرد، پیچیدگی و هزینه سیستم کاهش یافت.

سلام اقای دکتر وقتتون بخیر مقاله من هم چاپ شد خواستم ازتون تشکر کنم راهنمایی ها و دوره های شما نبود من هیچوقت نمیتونست این مسیر رو شروع کنم.
یه دنیا تشکر برای لطف و محبتتون