نوشته‌ها

اولین دوره ‏ی جامع تخصصی و عملی برای دانشجویان مهندسی پزشکی در مشهد

ویژگی های اصلی دوره

یکی از مشخصه های برجسته ی دوره ی جامع تخصصی و عملی این است که برای اولین بار در ایران برگزار می شود و همانطور که از عنوان دوره مشخص است تنها دوره ای است که سعی شده تمام مباحث مهندسی پزشکی را پوشش دهد!

در این دوره علاوه بر مباحث شناسایی آماری الگو و داده کاوی، چندین پروژه عملی مطابق با مقالات معتبر آموزش داده می شود که دانشجویان با پروژه های مختلفی در حوزه مهندسی پزشکی آشنا شده و بعد از دوره دید بهتری نسبت به مباحث مهندسی پزشکی پیدا می کنند و با آگاهی کامل موضوعات مورد علاقه شان را برای پایان نامه انتخاب کنند.

نکته: این دوره کاملا تخصصی است و مخصوص دانشجویان ارشد و دکتری هست. برای دانشجویان کارشناسی توصیه نمیشود!

 

البته یه سری دوستان غیرمهندسی پزشکی با توجه به عنوان دوره،  مهندسی پزشکی هست دید مناسبی از محتوای دوره ندارند، که باید بگوییم هدف و تمرکز  این  دوره بر روی مباحث درس شناسایی آماری الگو (پترن) و درس داده کاوی است که اساس تمام پروژه های مهندسی در شاخه های مختلف است.

سعی ما براین است که مباحث این دو درس را کامل آموزش دهیم و برای اینکه مطلب ملموس‌تر شوند، الگوریتم‌ها را روی داده های واقعی اعمال می‌کنیم. داده هایی که در این دوره استفاده می شود داده های مرتبط با مهندسی پزشکی است.

بطبع این دوره برای دوستان مهندسی پزشکی بسیار مفیدتر خواهد بود و به آنها دید بهتری از پروژه ها می دهد. پروژه‌هایی که طول دوره آموزش داده می شوند نتیجه چهار سال تجربه گروه مهندسی پزشکی دانشجویان علم و صنعت تهران هست و سعی کردیم پروژه های خوب و بروزی که امروزه در این رشته کار میشود را انتخاب کنیم و براساس مقالات معتبر شبیه سازی کنیم.

 بعد اتمام دوره انتظار داریم دوستان شرکت کننده دید بهتری از پروژه ها داشته باشند و بتوانند موضوعات مناسبی برای پایان نامه دکتری و کارشناسی ارشد انتخاب کنند. این دوره برای اولین بار در ایران برگزار می شود و هدف این است که دوستان به طور مناسب آموزش ببینند تا در شبیه سازی مقالات تخصصی در حوزه مهندسی پزشکی و در انجام پروژه پایان‌نامه مشکلی نداشته باشند. در این دوره ما نحوه کار با داده‌های مختلف را نیز آموزش میدهیم و دوستان سختی کار با داده ها را دیگر تجربه نخواهند کرد.

همانطور که گفتیم هدف اصلی از برگزاری دوره این است که مباحث تخصصی را پروژه محور آموزش دهیم تا شرکت‌کنندگان بعد از اتمام دوره، بتوانند پایان‌نامشون رو خودشون انجام دهند و مشکلاتی از قبیل کار با داده، برنامه‌نویسی در متلب، تجزیه و تحلیل داده‌ها نداشته باشند.

 تو این چند سال متوجه شدیم که اکثر دوستان مهندسی پزشکی مباحث را بلدند ولی در پیاده‌سازی و تحلیل داده ها مشکل دارند. در این دوره ما آموزش می دهیم که چگونه داده را دانلود، تجزیه و تحلیل بکنند. علاوه بر آموزش مباحث درس شناسایی آماری الگو و داده کاوی، ۵ پروژه عملی از صفر تا صد در متلب پیاده‌سازی می‌شوند و شرکت‌کنندگان با موضوعات مختلفی آشنا شده و کار با داده‌های مختلف پزشکی را یاد می‌گیرند.


ادامه مطلب …

روش اعتبار سنجی k- fold cross validation


 

 

 

در این ویدئو روش های اعتبارسنجی توضیح داده شده است

۱- Model selection

در این روش هدف رسیدن به یک مدل و ساختار بهینه است. برای مثال در شبکه های عصبی، تعداد لایه‌های پنهان و تعداد نورون‌ها در لایه های مختلف، پارامترهای آزادی که کاربر تعیین میکند، را با استفاده از این روش تعیین می کنیم یا در کلاسبند KNN ، تعداد همسایه های نزدیک را تعیین می‌کنیم. 

یکی از روشهای معروفی که استفاده می شود، cross validation  است.

در این روش داده را به سه بخش تقسیم می کنند:

  • داده آموزش
  • داده validation
  • داده تست

در ابتدا یک ساختار توسط کاربر تعیین می شود و با استفاده از داده آموزش کلاسبند را با ساختار تعیین شده آموزش می دهند. سپس با استفاده از داده validation کلاسبند آموزش دیده را تست کرده و پارامترهای ارزیابی (برای مثال دقت کلاسبندی)را به ازای آن ساختار بدست می‌آورند. سپس ساختار دیگری را در نظر می گیرند و مراحل قبل را تکرار می کنند.

به ازای ساختارهای مختلف این عمل انجام می شود و در نهایت ساختاری که بیشترین دقت کلاسبندی را داشته انتخاب می کنند.

در نهایت، داده های آموزش و validation را باهم ترکیب کرده و کلاسبند با ساختار بهینه بدست آمده تست کرده و پارامترهای ارزیابی نهایی را محاسبه میکنند.… برای مشاهده ی ادامه ی این متن به  این بخش از سایت ببینید.

 


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال

 

 

 

روش‌های اعتبارسنجی کلاسبند

۱- Model selection

هدف از این روش اعتبارسنجی، رسیدن به یک مدل و ساختار بهینه است.

برای مثال در شبکه های عصبی، تعداد لایه‌های پنهان، تعداد نورون‌ها در لایه های مختلف و پارامترهای آزاد تعیین شده توسط کاربر؛ با این روش تعیین یا در کلاسبند KNN ، تعداد همسایه های نزدیک را تعیین می‌کنیم.

یکی از روشهای معروفی که استفاده می شود، cross validation  است.

در این روش داده را به سه بخش تقسیم می کنند:

  • داده آموزش
  • داده validation
  • داده تست

در ابتدا یک ساختار توسط کاربر تعیین  و با استفاده از داده آموزش کلاسبند  با ساختار تعیین شده آموزش داده می شود. سپس با استفاده از داده validation کلاسبند آموزش دیده را تست کرده و پارامترهای ارزیابی (برای مثال دقت کلاسبندی)را به ازای آن ساختار بدست می‌آورند. سپس ساختار دیگری را در نظر می گیرند و مراحل قبل را تکرار می کنند. به ازای ساختارهای مختلف این عمل انجام می شود و در نهایت ساختاری که بیشترین دقت کلاسبندی را داشته انتخاب می کنند. در نهایت، داده های آموزش و validation را باهم ترکیب کرده و کلاسبند با ساختار بهینه بدست آمده تست کرده و پارامترهای ارزیابی نهایی را محاسبه میکنند.

ادامه مطلب …

اولین دوره‏ ی جامع عملی مهندسی پزشکی – بیوالکتریک در تهران

سر فصل مطالبی که در دوره جامع آموزش داده خواهد شد:

 ۱) آموزش اصول برنامه نویسی در متلب

  • آرایه ها
  •  تابع نویسی و برنامه نویسی
  •   توابع پرکاربرد متلب
  •    نمودارها
  •    شرط ها و حلقه‌ها

 ۲)   آموزش الگوریتم‌های شناسایی الگو

  • روش‌های استخراج ویژگی
  •  روش‌های انتخاب ویژگی
  • روش ­های کلاس‌بندی
  •  روش‌های خوشه‌بندی

۳)   انجام پروژه‌های عملی

پروژه ­های عملی در مورد مباحث زیر انجام خواهد شد: 

  • تشخیص بیماری صرع از روی سیگنالهای EEG
  • سیگنالهای EEG
  • کلاس‌بندی داده های تصوری و حرکتی EEG (واسط مغز و کامپیوتر-BCI)
  • تشخیص بیماری های قلبی با استفاده از سیگنال ECG
  •  Spike sorting با استفاده از دو روش مختلف

     روش اول: تطبیق الگو (Template matching)

       روش دوم: خوشه‌بندی(clustering)

۴)   آموزش شبیه ­سازی مقالات

  • در جلسه­ ی اول پروژه­ایی برای هر شرکت­ کننده بصورت مجزا تعریف می­شود که موضوع این پروژه می­تواند براساس علایق شرکت­ کننده باشد و یا توسط مدرس تعریف شود.
  • در طول دوره، قبل و یا بعد از کلاس به سوالات مربوط به پروژه‌ها پاسخ داده خواهد شد.
  • پروژه‌هایی که در طول دوره انجام می ­شوند براساس مقالات می‌باشند و شرکت کنندگان با نحوه شبیه‌سازی مقالات آشنا می‌شوند و پروژه های خود را گام به گام در طول دوره شبیه‌سازی می‌کنند

 

دستاوردهای اولین دوره 

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

  • برنامه‌نویسی در محیط متلب
  • پیاده‏ سازی تمامی الگوریتم ­های مربوط به شناسایی الگو
  • پیاده ‏سازی پروژه‌های مرتبط با رابط مغز و کامپیوتر
  • پیاده ‏سازی پروژه‌های مرتبط با علوم اعصاب محاسباتی
  • شبیه‌سازی مقالات مرتبط با رشته مهندسی پزشکی بیوالکتریک

هزینه ثبت نام: ۴۰۰ هزار تومان

محل برگزاری: جهاد دانشگاهی دانشگاه علم و صنعت واقع در نارمک-خیابان ملک‏ لو پلاک ۱۵۸ و یا در آموزشگاهی در حوالی میدان انقلاب

مدت زمان دوره: ۲۵ ساعت(هر هفته یک جلسه ۴ ساعته در روز  پنج شنبه یا جمعه)

مهلت ثبت نام دوره: تا ۴ مرداد

زمان شروع دوره: ۵ مرداد ماه

مدرس: محمد نوری زاده چرلو


جهت پیش ثبت‏ نام و کسب اطلاعات بیشتر با شماره‏ ی زیر تماس بگیرید:

۰۹۳۶۰۳۸۲۶۸۷

از طریق کانال تلگرام و یا سایت  جزئیات مربوط به دوره را دنبال کنید:

کانال تلگرام:  @IUST_Bioelecteric

 

لینک ورود به کانال 

الگوریتم آدابوست  

الگوریتم آدابوست

الگوریتم آدابوست مخفف بوستینگ(ارتقاء) تطبیقی بوده و یک الگوریتم یادگیری ماشین است که توسط یاو فروند و رابرت شاپیر ابداع شد. در واقع الگوریتم آدابوست یک متا الگوریتم است که بمنظور ارتقاء عملکرد(افزایش دقت کلاسبندی) همراه دیگر الگوریتم‌های یادگیری استفاده می‌شود. در این الگوریتم، کلاسبند هر مرحله جدید به نفع نمونه‌های غلط کلاسبندی شده در مراحل قبل تنظیم می‌گردد.
هدف الگوریتم آدابوست افزایش میزان یادگیری کلاسبندها هست. این الگوریتم با ترکیب چند کلاسبند ضعیف یک مرز مناسب جهت تفکیک داده‌های بین دوکلاس بدست می آورد.
شعار کلاسبند ها همیشه به نفع داده هایی که در مرحله قبل به اشتباه کلاسبندی شده اند، عمل می کنیم. الگوریتم آدابوست نسبت به داده‌های نویزی و پرت حساس است؛ ولی نسبت به مشکل بیش برازش از بیشتر الگوریتم‌های یادگیری برتری دارد.

الگوریتم آدابوست

آدابوست

کلاسبند ضعیف

فقط کافیست از طبقه بند نصادفی(۵۰٪) (برای داده های دو کلاسه التبه)بهتر باشد و به این ترتیب بهبود عملکرد الگوریتم با تکرارهای بیشتر بهبود می‌یابد. حتی کلاسبندهای با خطای بالاتر از تصادفی با گرفتن ضریب منفی عملکرد کلی را بهبود می‌بخشند.  در الگوریتم آدابوست در هر دور یک طبقه بند ضعیف اضافه می‌شود. در هر فراخوانی بر اساس اهمیت نمونه‌ها، وزن‌های نمونه های آموزشی براساس خطای کلاسبندی بروز می‌شوند.
در هر دور وزن نمونه‌های غلط طبقه‌بندی شده افزایش و وزن نمونه‌های درست طبقه‌بندی شده کاهش داده می‌شود(و یا ثابت می ماند)؛ بنابراین کلاسبند جدید تمرکز بر نمونه‌هایی که سخت تر یادگرفته می‌شوند، خواهند داشت.

 

الگوریتم آدابوست

الگوریتم آدابوست

 

جهت آشنایی کامل با الگوریتم آدابوست پیشنهاد می کنیم حتما ویدیوی زیر را مشاهده کنید


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

 لینک کانال  

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید