هما کاشفی

EEGNet architecture

EEGNet: یک شبکه عصبی کانولوشنی فشرده برای BCIهای مبتنی بر EEG

در این مقاله، EEGNet را معرفی می‌کنیم که یک شبکه CNN فشرده برای کلاسبندی و تفسیر BCIهای مبتنی بر EEG است. کاربرد کانولوشن‌های Depthwise و Separable که قبلاً در حوزه‌ی بینایی ماشین استفاده می‌شده را برای ساخت یک شبکه خاص…
EEG signal classification using CNN

روش‌های رایج اعمال سیگنال EEG به عنوان ورودی به شبکه‌های عمیق

اخیراً سیگنال‌های EEG توجه فزاینده‌ای را به خود جلب کرده‌اند. کلاسبندی سیگنال‌های EEG به دلیل ماهیت دینامیکی سیگنال، نسبت سیگنال به نویز کم، پیچیدگی و وابستگی به موقعیت سنسور بسیار دشوار است. الگوریتم‌های یادگیری عمیق، افق روشنی را برای کلاسبندی…
EEG Spectrogram (bands)

مقدمه‌ای بر EEG Spectrogram (طیف نگاری سیگنال EEG)

از آنجاییکه نظارت پیوسته‌ بر عملکرد مغز به بخش رایجی از مراقبت‌های بالینی تبدیل شده است، EEG پیوسته امکان تشخیص و شناسایی بهتر الگوهای بیماری (برای مثال صرع) را در بیماران بدحال فراهم کرده است. با این حال، افزایش حجم…
1-Brain Computer Interface

واسط مغز-کامپیوتر و الگوریتم های یادگیری عمیق

در حال حاضر کامپیوترها و مغزها هر روز در آزمایشگاه‌های فناوری پیشرفته با یکدیگر صحبت می‌کنند و هر روز این کار را بهتر و بهتر انجام می‌دهند. برای مثال افراد معلول می‌توانند یاد بگیرند که با قدرت ذهن خود بر…
Convnet_feature_representaion

به تصویر کشیدن آن چیزی که Convnetها یاد می‌گیرند

بازنمایی ویژگی‌هایی که توسط convnetها آموخته می‌شوندتا حد زیادی قابل تجسم هستند به این دلیل که آنها بازنمایی مفاهیم بصری هستند.
Depthwise Separable Convolution

معرفی لایه‌ی Separable Convolution

هرکسی که نگاهی به معماری شبکه MobileNet بیندازد، با مفهوم separable convolution روبرو خواهد شد. اما این لایه چیست و چه تفاوتی با لایه‌ی کانولوشن معمولی دارد؟
معرفی انواع کانولوشن‌ها: Conv1D, Conv2D, Conv3D

معرفی انواع کانولوشن‌ها: Conv1D, Conv2D, Conv3D

شاید تا بحال تصاویر و تجسم سازی‌های زیادی از لایه‌های کانولوشنی با ابعاد مختلف دیده باشید و پس از خواندن یک مقاله‌ی کامل هنوز هم درک تصاویر برایتان مشکل بوده باشد. در این مقاله قصد داریم لایه‌های کانولوشنی با ابعاد…
Deep learning challenges

چالش های آموزش شبکه‌های عمیق و راه حل آنها

یادگیری عمیق و شبکه‌های عصبی از پیشرفته‌ترین و پرکاربردترین فناوری‌های امروزی هستند. علیرغم پیشرفت قابل توجه آنها، هنوز چالش‌های زیادی در یادگیری عمیق وجود دارد که محققان و متخصصان در تلاشند تا بر این چالش‌ها غلبه کنند و مدل‌های بهتری…
Sparse Data

کار با داده‌های تنک (Sparse Data)

داده‌ی تنک یا Sparse Data داده‌ای است که تعداد زیادی مقادیر صفر دارد. داده‌ی تنک را نباید با داده‌ی از دست رفته یا missing data اشتباه گرفت زیرا داده‌ی تنک مقادیر خالی یا صفر را نشان می‌دهد در حالیکه داده‌ی…

قدرت ChatGPT Code Interpreter: تجسم سازی داده‌ها بدون نوشتن یک خط کد

آیا تا بحال آرزو کرده‌اید که ای کاش می‌توانستید با کد خود چت کنید و از او بپرسید چه می‌کند و یا شاید حتی آن را متقاعد کنید که کمی بهتر همکاری کند؟ اگر چنین است، رویای شما با ظهور…
CNN

کاربردهای دنیای واقعی شبکه‌های عصبی کانولوشنی CNN

شبکه‌های عصبی کانولوشنی (CNN) نوعی از الگوریتم‌های یادگیری عمیق هستند که در انواع مختلف مسائل دنیای واقعی کاربرد دارند. CNNها را می‌توان آموزش داد تا تصاویر را کلاسبندی کنند، اشیای یک تصویر را تشخیص دهند و حتی کلمه‌ی بعدی در…
شبکه عصبی CNN چطور کار میکنه؟!

شبکه عصبی CNN چطور کار میکنه

شبکه عصبی کانولوشنی، یا همان CNN، یک نوع از شبکه های عصبی هست که از مسیر بینایی انسان برای طراحی آن الهام گرفته شده است. این شبکه یکی از معروفترین شبکه های عصبی است و در حوزه های مختلف مورد…