1,575,000 تومان
شروع دوره : 20 مهر 1402
مدت دوره: 21 ساعت (آنلاین)
سطح دوره : پیشرفته
پيش نياز اين دوره :
ظرفیت ثبت نام تکمیل شده است.
گروه علمی سیناپس با همکاری آزمایشگاه ملی نقشه برداری مغز برگزار می کند
دومین دوره جامع پیشرفته “پردازش داده های علوم اعصاب با روش های یادگیری عمیق مبتنی بر پایتون”
مدت دوره: 21 ساعت (آنلاین)
شروع دوره : 20 مهر 1402
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 یادگیری عمیق در پردازش داده های علوم اعصاب با استفاده از سیگنال EEG ، تصاویر MRI و fMRI
3- معرفی دیتابیس های (EEG, MRI, fMRI) قابل دانلود معتبر حوزه علوم اعصاب
مدرس: دکتر احمد شالباف، دکترای مهندسی پزشکی، دانشیار دانشگاه علوم پزشکی شهید بهشتی
زمان: پنجشنبه 20 مهر 1402، ساعت 8:30 الی 17:30
بخش دوم: دسته بندی سیگنال های مغزی EEG با یادگیری عمیق مبتنی بر پایتون
– معرفی دیتاست EEG برای تشخیص و پیش بینی پاسخ به درمان دارویی در افراد افسرده
– تحلیل و پیش پردازش سیگنال های مغزی با استفاده از روش ICA و توسعه اسکریپت پیش پردازش خودکار داده ها
– ساخت ورودی تصویر تبدیل فوریه زمان کوتاه و تبدیل ویولت از روی سیگنال های EEG برای مدل های شبکه های عصبی کانولوشنی (CNN)
– ساخت ورودی تصویر داده خام از روی سیگنال های EEG برای مدل های شبکه های عصبی کانولوشنی
– ساخت ورودی تصویر ارتباطات مغزی از روی سیگنال های EEG برای مدل 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 عصبی کانولوشنی-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 پیاده سازی روش های بهینه سازی برای ترکیب مدل ها
– تقسیم داده ها برای آموزش و استفاده از Cross-Validation و ثبت خروجی های مدل و نمایش نمودارهای آموزش
– تولید انواع معیارهای ارزیابی مدل شامل ماتریس کانفیوژن، نمودار ROC، دقت و صحت
– تحلیل خروجی های مدل های مختلف و مقایسه آنها و جمع بندی مباحث
مدرس: مهندس محسن شهابی، دانشجوی دکتری مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی
زمان: جمعه21 مهر1402، ساعت 8:30 الی 14:30
بخش سوم: پیاده سازی مدل های یادگیری عمیق مبتنی بر پایتون
– 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 جهت تشخیص ناحیه تومور های مغزی
– طراحی لایه به لایه شبکه Unet و اتصالات بهینه مابین شبکه به شکلی که در فرآیند آموزش همگرایی بهتر و سریعتری رخ دهد
– طبقه بندی تصاویر سه بعدی FMRI به کمک شبکه های سه بعدی عصبی کانولوشنی
مدرس: مهندس محسن صفار، دانشجوی دکتری مهندسی برق دانشگاه تهران
زمان: جمعه 28 مهر1402، ساعت 8:30 الی 14:30
هزینه ثبت نام: ١.۵۷۵ میلیون تومان
هزینه ثبت نام برای شرکت کنندگان دوره مقدماتی هوش مصنوعی شهریور ماه : 875 هزار تومان
هزینه ثبت نام گروهی با تخفیف ویژه برای دانشجویان:
گروه 5 نفره (برای هر نفر): 1.1 میلیون 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.