1,575,000 تومان
اهداف دوره
آشنایی با هوش مصنوعی
آشنایی با روش های یادگیری ماشین آشنایی با روش های یادگیری عمیق کار با کتابخانه های محبوب و متداول زبان پایتون |
ظرفیت ثبت نام تکمیل شده است.
بخش اول:
1– آشنایی با انواع مدل های یادگیری عمیق
– شبکه عصبی کانولوشن (CNN) Convolutional neural network
– شبکه های عصبی (LSTM) Long short-term memory
– شبکه های عصبی خودرمزنگار عمیق Autoencoder (AE) Deep
– شبکه عصبی (GAN) Generative adversarial network
– آشنایی با شبکه های عصبی کانولوشن معروف مبتنی بر ساختار CNN
–AlexNet–ResNet–Inception V3- Google Net–VGG Net- DenseNet
ResNeXt–Mobile Net– Efficient Net
– تکنیک Transfer Learning یا یادگیری انتقالی
– آموزش مدل های کانولوشنی–بازگشتی مبتنی بر مکانیسم توجه(Attention)
– آموزش مدل های یادگیری عمیق مبتنی بر ترنسفورمرها(Transformer)
2- کاربردهای هوش مصنوعی و یادگیری عمیق در پردازش داده های علوم اعصاب با استفاده از سیگنال EEG ، تصاویر MRI و fMRI شامل:
Emotion recognition, Mental workload, Motor imagery, Sleep stage scoring, Seizure detection, Alzheimer and Mild Cognitive Impairment (MCI) classification, Major depressive disorder (MDD), Schizophrenia and Obsessive-compulsive disorder (OCD) detection, rTMS treatment prediction, Brain Tumor segmentation and classification, Driver Fatigue Detection.
3- معرفی دیتابیس های (EEG, MRI, fMRI) قابل دانلود معتبر حوزه علوم اعصاب
زمان: پنجشنبه ١١ خرداد ١۴٠٢، ساعت 8:30 الی 17:30
مدرس: دکتر احمد شالباف
بخش دوم: دسته بندی سیگنال های مغزی EEG با یادگیری عمیق
– معرفی دیتاست EEG برای تشخیص و پیش بینی پاسخ به درمان داروییدر افراد افسرده
– تحلیل و پیش پردازش سیگنال های مغزی با استفاده از روش ICA وتوسعه اسکریپت پیش پردازش خودکار داده ها
– ساخت ورودی تصویر تبدیل فوریه زمان کوتاه و تبدیل ویولت از رویسیگنال های EEG برای مدل های شبکه های عصبی کانولوشنی (CNN)
– ساخت ورودی تصویر داده خام از روی سیگنال های EEG برای مدلهای شبکه های عصبی کانولوشنی
– ساخت ورودی تصویر ارتباطات مغزی از روی سیگنال های EEG برایمدل های شبکه های عصبی کانولوشنی
– پیاده سازی و استفاده از مدل های Pre-trained CNN محبوب همچون VGG16 ، Efficient Net , Inception, Resnet, و بررسی آنها در مسائل Transfer Learning برای حل مسائل طبقه بندی سیگنال EEG
– آماده سازی توالی تصاویر برای استفاده در مدل های شبکه های عصبیکانولوشنی–بازگشتی (CNN-LSTM)
– توسعه مدل های کانولوشنی–بازگشتی مبتنی بر مکانیسم توجه(Attention)
– توسعه مدل های یادگیری عمیق مبتنی بر ترنسفورمرها (Transformer)
– استفاده از روش های رای گیری اکثریت برای ترکیب مدل ها و پیادهسازی روش های بهینه سازی برای ترکیب مدل ها
– تقسیم داده ها برای آموزش و استفاده از Cross-Validation و ثبتخروجی های مدل و نمایش نمودارهای آموزش
– تولید انواع معیارهای ارزیابی مدل شامل ماتریس کانفیوژن، نمودارROC، دقت و صحت
– تحلیل خروجی های مدل های مختلف و مقایسه آنها و جمع بندی مباحث
زمان: پنجشنبه ١٨ خرداد ١۴٠٢، ساعت ٨:٣٠ الی ١۴:٣٠
مدوس: مهندس محسن شهابی
بخش سوم:
– بررسی و پیاده سازی Autoencoder Deep و Variational Autoencoder در مسائلanomaly detection و data augmentation
– بررسی و پیاده سازی شبکه های (GAN) جهت افزایش دادگان و تولید داده fake (بر روی داده های EEG)
– بخش بندی (Segmentation) تصاویر MRI به کمک شبکه Unet جهتتشخیص ناحیه تومور های مغزی
– طراحی لایه به لایه شبکه Unet و اتصالات بهینه مابین شبکه به شکلی کهدر فرآیند آموزش همگرایی بهتر و سریعتری رخ دهد
– طبقه بندی تصاویر سه بعدی FMRI به کمک شبکه های سه بعدی عصبی کانولوشنی
زمان: جمعه ١٩ خرداد ١۴٠٢، ساعت 8:30 الی 14:30
مدرس: مهندس محسن صفار
هزینه ثبت نام: ١.۵۷۵ میلیون تومان
هزینه ثبت نام گروهی با تخفیف ویژه برای دانشجویان:
گروه 5 نفره (برای هر نفر): ۱.۲ میلیون تومان
گروه 10 نفره (برای هر نفر): ۹۴۵ هزار تومان
.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه(نظر) ارسال کنند.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.