آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
ارائهدهندهی پکیجهای آموزشی پروژه محور:
برنامهنویسی متلب-پایتون
یادگیری ماشین
یادگیری عمیق
شناسایی الگو
شبکه عصبی
واسط مغز-کامپیوتر
پردازش سیگنالهای حیاتی
تماس👇
09360382687
@onlineBME_admin
www.onlinebme.com
Post #4316
2.74K
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
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
- ❤ 9
- 🤩 3
- 🤣 2
- 👍 1
