1,780,000 تومان
ظرفیت ثبت نام تکمیل شده است.
– آشنایی با مقدمات راهاندازی بستر کدنویسی پایتون
– معرفی بسترهای کدنویسی به زبان پایتون همچون google colab و vscode
– معرفی مختصر دیتاتایپ های پایتون همچون لیست، دیکشنری و …
– معرفی سخت افزار مناسب و سازگار برای کد نویسی به زبان پایتون
– آشنایی با conda package manager و نصب پکیج های مورد نیاز.
– کار با محیط anaconda navigator
– معرفی anaconda prompt جهت ساخت محیط های مختلف
– آشنایی، معرفی کتابخانه numpy جهت کار با ماتریس ها، بردارها و عملیات جبری بر روی آنها.
– آشنایی و کار با کتابخانه matplotlib برای رسم نمودار و اشکال مختلف
– آشنایی و کار با کتابخانه pandas جهت فراخوانی دادگان جدولی
– آشنایی و کار با کتابخانه scikit learn جهت پیاده سازی مدل های یادگیری ماشین
– نرمال سازی دادگان
– معرفی شاخص های مختلف ارزیابی طبقه بندی مدل های یادگیری ماشین
مدرس: مهندس محسن صفار، دانشجوی دکتری تخصصی برق
زمان: پنجشنبه 26 بهمن، ساعت 8:30 الی 14:30
– مقدمه و معرفی هوش مصنوعی و یادگیری ماشین
– آشنایی با روشهای ارزیابی مدلهای هوش مصنوعی
– معرفی روشهای متداول یادگیری ماشین مانند KNN, SVM, Bayesian Decision, clustring
– آشنایی با روشهای کاهش و انتخاب ویژگیها
– معرفی شبکه های عصبی مصنوعی (Artificial Neural Network)
– معرفی شبکه های عصبی چند لایه MLP
-آشنایی با روشهای آموزش، توابع خطا و بهینهسازی
مدرس: دکتر احمد شالباف، عضو هیأت علمی دانشگاه علوم پزشکی شهید بهشتی
زمان: جمعه 27 بهمن ساعت 8:30 الی 17:30
– آشنایی با ابزارهای تصویربرداری مغزی در حوزهی علوم اعصاب و شناختی، بررسی مزایا و معایب
– آشنایی با روشهای ثبت، بررسی و حذف آرتیفکت سیگنالهای الکتروفیزیولوژیک مغزی(EEG) به عنوان شاخص فرایندهای ذهنی
– استخراج ERP ها از سیگنال پیوسته EEGو معرفی مولفه های مختلف آن
– آشنایی با فناوری طیف نگاری مادون قرمز (fNIRS) ؛ تئوری، پیاده سازی، پیش پردازش سیگنال
– آشنایی با اصول تشکیل تصویر MRIو تکنیک تصویر برداری کارکردی مغز (fMRI) و شیوه های جمع آوری و تفسیر داده
مدرس: دکتر رضا شالباف، دکتر رضا شالباف، عضو هیأت علمی مؤسسه آموزش عالی علوم شناختی
زمان: پنجشنبه 3 اسفند، ساعت 8:30 الی 13:30
– مقدمه، تاریخچه و معرفی روشهای یادگیری عمیق (Deep learning) و کاربردهای آن
– آشنایی با شبکه های عصبی کانولوشن (CNN) Convolutional neural network
– آشنایی با شبکه های عصبی کانولوشن معروف مبتنی بر ساختار CNN مانند
-AlexNet-ResNet-Inception V3- Google Net-VGG
– تکنیک Transfer Learning یا یادگیری انتقالی
2- کاربردهای هوش مصنوعی 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
مدرس: دکتر احمد شالباف، عضو هیأت علمی دانشگاه علوم پزشکی شهید بهشتی
زمان: پنجشنبه 3 اسفند، ساعت 14:30 الی 18:30
– پیاده سازی الگوریتم های یادگیری ماشین مانند شبکه های SVM،, decision Trees و Nearest Neighbors
– پیاده سازی شبکه های عصبی چند لایه MLP
– پیاده سازی روش های کاهش و انتخاب ویژگی ها
– تقسیم بندی دادگان به گروه های آموزش و صحه گذاری به روش cross validation
– محاسبه confusion matrix و تفسیر آن
– بررسی یک case studyبا رویکرد علوم شناختی از مرحله فراخوانی دیتا تا تشخیص نهایی به کمک کتابخانه های معرفی شده
– معرفی و راه اندازی پکیج TensorFlow و کتابخانه Keras
– آشنایی، پیاده سازی و پیکربندی شبکه های عمیق کانولوشنی (CNN) و طراحی آن ها برای حل مسائل طبقه بندی (Classification)
– معرفی شبکه های Pre-trained محبوب همچون VGG16 و Resnet و بررسی آنها در مسائل Transfer Learning
– آموزش و تست ساختار های شبکه های عمیق برای حل مسائل مختلف
– پیاده سازی کاربردهای هوش مصنوعی و یادگیری عمیق در پردازش دادگانEEG ، MRI
مدرس: مهندس محسن صفار، دانشجوی دکتری تخصصی برق
زمان: جمعه 4 اسفند، ساعت 8:30 الی 14:30
.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.