نوشته‌ها

اولین دوره ی آموزش شبکه های عصبی در متلب در تبریز

معرفی دوره ی آموزش شبکه های عصبی در متلب

اولین وجه تمایز  دوره ی آموزش شبکه های عصبی در متلب با سایر دوره ها این است که در این دوره نحوه استفاده از توابع آماده متلب آموزش داده نمی‌شود بلکه نحوه‌ی پیاده‎سازی شبکه های عصبی  بطور کامل آموزش داده می­شود. وجه تمایز دیگه این دوره با سایر دوره ها این است که این دوره کاملا پروژه محور بوده و در طول دوره پروژه‌های مختلفی با شبکه های عصبی انجام می‌شود

در این دوره نحوه پیاده‌سازی شبکه های عصبی آموزش داده می شود و مطمئنا شرکت کنندگان بعد از تمرین و تکرار مطالبی که آموزش داده می‌شود، در پیاده‌سازی شبکه‌ها، بهبود شبکه‌ها، شبیه‌سازی مقالات و استفاده از شبکه‌ها در پروژه‌های عملی دچار مشکل نخواهند شد.

در  دوره ی آموزش شبکه های عصبی در متلب  سعی بر این است که تمام مباحث کتاب معروف Siomon Haykin آموزش داده شود. کتاب معروف Siomon Haykin، کتابی استاندارد برای یادگیری شبکه‌های عصبی است که در بیشتر دانشگاه‌های داخل و خارج کشور تدریس می‌شود.  در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده می‌شود و سپس به طور گام به گام در متلب پیاده‌سازی می‌شود. علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNN و  ELMرا طبق مقالات معتبر پیاده‌سازی می­کنیم که از این طریق شرکت‌کنندگان با پیاده‌سازی مقالات نیز آشنا می‌شوند.

سر فصل مطالبی که در دوره ی آموزش شبکه های عصبی در متلب ارائه می شود:

۱- آموزش اصول برنامه نویسی در متلب

  • آرایه ها
  • تابع نویسی و برنامه نویسی
  • توابع پرکاربرد متلب
  • نمودارها
  • شرط ها و حلقه‌ها
آموزش متلب در آموزش شبکه های عصبی در متلب

آموزش متلب

 

 

  1. مقدمه ای بر شبکه عصبی
  • نورون بیولوژیکی
  • نورون مصنوعی
  • خواص مغز انسان

 

 

۳- شبکه عصبی پرسترون تک لایه

  • قانون یادگیری پرسپترون
  • قانون یادگیری وینرهاف
  • قانون یادگیری lms
  • گرادیان نزولی

 

شبکه عصبی پرسترون تک لایه در دوره ی آموزش شبکه های عصبی در متلب

شبکه عصبی پرسترون تک لایه

 

 

۴- ماکزیمم احتمال (Maximum Likelihood)

۵- شباهت ماکزیمم شباهت به شبکه عصبی پرسپترون تک لایه

۶- شبکه عصبی آدالاین

۷- شبکه عصبی پرسپترون چندلایه

شبکه عصبی پرسپترون چندلایه در دوره ی  آموزش شبکه های عصبی در متلب

شبکه عصبی پرسپترون چندلایه

۸- شبکه عصبی پرسپترون چند لایه با قانون یادگیری پس انتشارخطا

۹- شبکه عصبی پرسپترون چند لایه با قانون یادگیری دلتا دلتا

۱۰-شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار

۱۱- شبکه عصبی توابع شعاعی پایه (Radial-Basis Function Networks)

شبکه عصبی توابع شعاعی پایه در دوره ی آموزش شبکه های عصبی در متلب

شبکه عصبی توابع شعاعی پایه

 

 

۱۲- شبکه عصبی ELM)Extreme Learning Machine)

 

ELM در دوره ی آموزش شبکه های عصبی در متلب

ELM

 

 

۱۳- شبکه عصبی احتمالی(Probabilistic Neural Networks)

شبکه عصبی احتمالی در دوره ی آموزش شبکه های عصبی در متلب

شبکه عصبی احتمالی

 

۱۴- شبکه‌های عصبی بدون نظارت شده (رقابتی و هبیین – SOM)

 

 SOM در دوره ی آموزش شبکه های عصبی در متلب

SOM

 

۱۵- انجام پروژه‌های عملی با استفاده از شبکه‌های عصبی

 

  • پروژه هایی که در دوره آموزش داده می‌شوند:
  • تشخیص سرطان سینه با استفاده از شبکه عصبی آدالاین
  • تشخیص سرطان سینه با استفاده از قانون یادگیری وینرهاف
  • تشخیص سرطان سینه با استفاده از ML(ماکزیمم شباهت)
  • تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا
  • تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
  • تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار دلتا
  • تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
  • تشخیص سرطان سینه با استفاده از شبکه عصبی توابع شعاعی پایه (RBF)
  • تشخیص سرطان سینه با استفاده از شبکه عصبی ELM(Extreme learning machine)
  • تشخیص سرطان سینه با استفاده از شبکه عصبی احتمالی (PNN)
  • کلاسبندی داده‌های سه کلاسه (داده ی معروف در سایت uci) با استفاده از شبکه‌های عصبی
  • Pnn
  • Elm
  • Rbf
  • MLP(back propagation)
  • MLP(delta delta)
  • MLP(delta bar delat
  • خوشه‌بندی داده با استفاده از شبکه‌های عصبی خودسازمانده با قانون یادگیری رقابتی (som)
som در دوره ی آموزش شبکه های عصبی در متلب

som

 

  • پیاده‌سازی الگوریتم PCA(تجزیه مولفه‌های اساسی) با استفاده از شبکه‌های عصبی خودسازمانده با قانون یادگیری هببین
 PCA در دوره ی آموزش شبکه های عصبی در متلب

PCA

 

  • کلاسبندی داده های دوکلاسه و چندکلاسه (توزیع نرمال)، مثال AND، OR، NOT، XOR
کلاسبندی داده های دوکلاسه و چندکلاسه در دوره ی آموزش شبکه های عصبی در متلب

کلاسبندی داده های دوکلاسه و چندکلاسه

 

  • تخمین کیفیت شراب با استفاده از شبکه های عصبی(داده معروف سایت UCI)

 

تخمین کیفیت شراب با استفاده از شبکه های عصبی در دوره ی آموزش شبکه های عصبی در متلب

تخمین کیفیت شراب با استفاده از شبکه های عصبی

 

  • پیش بینی نرخ ارز با استفاده از شبکه های عصبی(رگرسیون)
پیش بینی نرخ ارز با استفاده از شبکه های عصبی در دوره ی آموزش شبکه های عصبی در متلب

پیش بینی نرخ ارز با استفاده از شبکه های عصبی

 

  • تشخیص بیماری صرع با استفاده از شبکه های عصبی(کلاس‌بندی)
تشخیص بیماری صرع با استفاده از شبکه های عصبی در دوره ی آموزش شبکه های عصبی در متلب

تشخیص بیماری صرع با استفاده از شبکه های عصبی

 

  • شناسایی سیستم های بیولوژیکی با استفاده از شبکه‌های عصبی(رگرسیون)

 

نکته: با پیاده سازی این پروژه ها در دروه ی آموزش شبکه های عصبی در متلب ، دوستان با مباحث مرتبط با تقسیم داده (روش معمول (۷۰-۳۰) و k_fold cross validation)، تست و ارزیابی شبکه، لیبل‌گذاری داده، تعیین مدل بهینه آشنا می‌شوند.

 

 

  • شرکت‏ کنندگان بعد از اتمام این دوره، قادر خواهند بود به:

  • برنامه‌نویسی در محیط متلب
  • پیاده‏ سازی تمامی شبکه­ های عصبی در متلب
  • استفاده از شبکه ‏های عصبی در پروژه ­های کلاسبندی و رگرسیون
  • انجام پروژه‌های عملی با استفاده از شبکه‌های عصبی
  • کاهش بعد و استخراج ویژگی با استفاده از شبکه‌های عصبی
  • حل مسائل کلاسبندی با استفاده از شبکه‌های عصبی
  • حل مسائل پیش‌بینی با استفاده از شبکه‌های عصبی
  • خوشه‌بندی داده‌ها با استفاده از شبکه‌های عصبی

 

در هر جلسه برای دانشجویان تمرین و پروژه تعریف می‌شود و جلسه بعد در ابتدا رفع اشکال می‌شود.

 


 

مدرس : مهندس محمد نوری زاده چرلو فارغ التحصیل کارشناسی ارشد رشته ی مهندسی پزشکی(بیوالکتریک) از دانشگاه علم و صنعت

مدت زمان دوره: ۲۵ ساعت

جهت ثبت ‏نام در دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب، و کسب اطلاعات بیشتر به این لینک مراجعه کنید و یا با شماره ‏ی زیر تماس بگیرید: 

۰۹۳۶۰۳۸۲۶۸۷

جزئیات هر دوره در کانال تلگرام و سایت توضیح داده شده است:

کانال تلگرام:  @IUST_Bioelecteric

 

پایان اولین دوره ی شبکه های عصبی در تهران

دوره ی پیاده سازی شبکه های عصبی به پایان رسید و لازمه که از همینجا از همه شرکت کنندگان بخاطر شرکت در این دوره تشکر کنیم و امیدواریم که این دوره برای دوستان مفید بوده باشه.

 لازمه که مروری داشته باشیم به مباحثی که در این دوره آموزش داده شد تا از این طریق دوستان دیگه ای که علاقه مند به یادگیری این مباحث هستند در دوره های بعد شرکت کنند.

وجه تمایز این دوره با دوره های دیگه این بود که اولا در این دوره نحوه استفاده از توابع آماده متلب آموزش داده نشد بلکه نحوه ی پیاده سازی شبکه ها بطور کامل آموزش داده شد! (چون باور داریم که یک مهندس باید خودش کد بنویسه نه اینکه از منابع آماده استفاده کنه).

استفاده از شبکه عصبی آماده برای شخصی که مهندسی نمیخونه و صرفا مصرف کننده هست مناسب هست.

  1. در این دوره نحوه پیاده سازی شبکه های عصبی آموزش داده شد و مطمئنا شرکت کنندگان بعد از تمرین و تکرار مطالبی که آموزش داده شد، در پیاده سازی شبکه ها، بهبود شبکه ها، شبیه سازی مقالات و استفاده از شبکه ها در پروژه های عملی دچار مشکل نخواهند شد.
  2.  در این دوره سعی بر این بوده است که تمام مباحث کتاب معروف Siomon Haykin را آموزش بدیم.
  3. کتاب معروف Siomon Haykin، کتابی استاندارد برای یادگیری شبکه های عصبی است که در بیشتر دانشگاههای داخل و خارج کشور تدریس می شود.
  4. در ابتدای هر جلسه، مباحث تئوری کتاب آموزش داده شد و سپس به طور گام به گام در متلب پیاده سازی شد.
  5. علاوه بر مباحث کتاب Siomon Haykin ، دو شبکه عصبی معروفPNNو ELM (بانظارت – که جهت کلاسبندی و پیش بینی استفاده می شوند) را طبق مقالات معتبر پیاده سازی کردیم که از این طریق شرکت کنندگان با پیاده سازی مقالات نیز آشنا شدند.
  6. تمامی شبکه ها در متلب پیاده سازی و سپس در پروژه‌های عملی استفاده شدند!

وجه تمایز دیگه ای این دوره با دوره های دیگه این بود که این دوره کاملا پروژه محور بود و در طول دوره پروژه های مختلفی با شبکه های عصبی انجام شد.

 

پروژه هایی که در دوره آموزش داده شدند:

◦ تشخیص سرطان سینه با استفاده از شبکه عصبی آدالاین
◦ تشخیص سرطان سینه با استفاده از قانون یادگیری وینرهاف
◦ تشخیص سرطان سینه با استفاده از ML(ماکزیمم شباهت)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا بار دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی پرسپترون چندلایه با قانون یادگیری دلتا دلتا
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی توابع شعاعی پایه (RBF)
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی (ELM(Extreme learning machine
◦ تشخیص سرطان سینه با استفاده از شبکه عصبی احتمالی (PNN)
◦ کلاسبندی داده های سه کلاسه iris# (داده ی معروف در سایت uci) با استفاده از شبکه هایی عصبی
-(Pnn -Elm -Rbf -MLP (back propagation)- MLP (delta bar delat)-MLP (delta delta.

◦ خوشه_بندی با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری رقابتی(som)
◦ پیاده سازی الگوریتم PCA(تجزیه مولفه های اساسی) با استفاده از شبکه های عصبی خودسازمانده با قانون یادگیری هببین
◦ کلاسبندی داده های دوکلاسه و #چندکلاسه (توزیع نرمال)، مثال AND، OR، NOT، XOR
◦ تخمین کیفیت شراب با استفاده از شبکه های عصبی
◦ پیش_بینی نرخ ارز با استفاده از شبکه های عصبی

با پیاده سازی این پروژه ها ، دوستان با مباحث مرتبط با تقسیم داده(روش معمول (۷۰-۳۰) و k_fold cross validation)، تست و ارزیابی شبکه، لیبل گذاری داده، تعیین مدل بهینه آشنا شدند.

 


دوره ی بعدی مهرماه در مشهد برگزار خواهد شد. دوستانی که قصد شرکت در دوره را دارند میتوانند برای پیش ثبت نام با شماره زیر تماس بگیرند.

۰۹۳۶-۰۳۸-۲۶۸۷

Bio_Engineerr@
مدرس دوره: مهندس محمد نوری زاده چرلو

اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال