معرفی دوره ی Generative AI و دوره ی پیشرفته پردازش سیگنال EEG

1-معرفی دوره‌ی Generative AI

دوره Generative AI یک دوره ی آنلاین کاملاً پروژه محور است.در این دوره، مدلهایی چون Autoencoder, Variational Autoencoder, Generative Adversarial Network, Transformer, Vision Transformer به صورت تئوری آموزش داده میشوند و در فریم ورک کراس پایتون پیاده سازی خواهند شد. همچنین دو پروژه با دیتاست های معتبر انجام خواهد شد. دیتاستهای مورد استفاده در این دوره عبارتند از:

• CT-COVID 19

• Monet2photo

فصل اول با مقدمه ای بر ضرورت وجود مدلهای Generativeو جزئیات آن آغاز می شود. در این فصل به تفاوت بین مدلهای Generative در برابر Discriminativeپرداخته می شود. در فصل دوم، شبکه های Autoencoder و انواع آن معرفی می شوند و در فریم ورک کراس برای دیتاست MNISTپیاده سازی می شوند. در این فصل مقاله ی Stacked-autoencoder based model for COVID-19 diagnosis on CT images (Li et. Al)  با دیتاست CT-COVID19پیاده سازی می شود. در ادامه ی این فصل شبکه Variational autoencoderبه همراه پیاده سازی آن ارائه و انواع مختلف این شبکه معرفی خواهند شد. در فصل دوم این دوره، شبکه Generative Adversarial Network و انواع مختلف آن معرفی خواهند شد. در انتهای این فصل، پروژه تبدیل نقاشی به تصویر با دیتاست monet2photo با شبکه CycleGAN پیاده سازی خواهد شد. در فصل سوم، شبکه ی Transformerبه همراه تمام اجزای داخلی آن تدریس خواهد شد. از مفهوم attention آغاز شده و تک تک مراحل در کراس پیاده سازی می شوند. در انتهای دوره، مدل Vision Transformer (ViT)معرفی و به طور دقیق بررسی خواهد شد و پروژه کلاسبندی تصویر برای آن انجام خواهد شد.

اهداف اصلی دوره Generative AI

• درک مفاهیم پایه و جزئی مدل‌های مربوط به Generative AI
  • انواع خودرمزنگارها (AutoEncoder)
  • خودرمزنگارهای Variational Autoencoder (VAE)
  • شبکه‌های Generative Adversarial Network (GAN) و انواع آن
  • مدل Transformers و یادگیری تمام اجزا و بخش‌های درونی آن‌
  • Vision Transformer (ViT)

• کدنویسی انواع شبکه‌های Autoencoder، Variational Autoencoder وGANو Transformers و ViT و انجام پروژه‌های متعدد در فریم ورک کراس با این شبکه‌ها
• کسب مهارت و خلاقیت پیشنهاد مدل‌های جدید بر پایه‌ی مدل‌های تدریس شده

پیش نیاز دوره Generative AI

• آشنایی با شبکه‌ عصبی
• آشنایی کلی با مفاهیم یادگیری عمیق
• آشنایی با شبکه عصبی کانولوشنی
• آشنایی با شبکه عصبی بازگشتی
• آشنایی با برنامه‌نویسی پایتون و فریم ورک تنسورفلو و کراس

سرفصل دوره Generative AI

مقدمه:

• مقدمه‌ای بر ضرورت وجود مدل‌های Generative و جزئیات آن
• مدلسازی Discriminative در برابر Generative
• فریم ورک Generative Modeling
• حوزه‌های کاربرد
• آینده Generative AI

فصل اول:

• معرفی شبکه‌های Autoencoder

• Undercomplete Autoencoders
• Regularized Autoencoders
• Sparse Autoencoders
• Denoising Autoencoders
• توضیح اجزای یک Autoencoder ساده
  • پیاده‌سازی Autoencoder در کراس با دیتاست MNIST
• انجام پروژه‌ی رنگ آمیزی تصاویر سیاه و سفید با دیتاست CIFAR10 (Colorizing Autoencoder)

• پیاده‌سازی Denoising Autoencoder با دیتاست MNIST
• پیاده سازی مقاله Stacked-autoencoder-based model for COVID-19 diagnosis on CT images (Li et. Al) با دیتاست CT-COVID19                                                                                    

• معرفی شبکه Variational Autoencoder و ضرورت آن

• توضیح دقیق مفهوم KL Divergence به همراه اثبات ریاضیاتی
• پیاده‌سازی VAE با شبکه MLP برای دیتاست MNIST
• پیاده‌سازی VAE با شبکه CNN برای دیتاست MNIST
• پیاده‌سازی Conditional VAE با شبکه CNN برای دیتاست MNIST

فصل دوم:

• توضیح شبکه‌ی Generative Adversarial Network به همراه اجزای داخلی
• توضیح شبکه Deep Convolutional GAN
  • پیاده‌سازی شبکه Deep Convolutional GAN برای دیتاست MNIST
• توضیح شبکه‌ی Conditional GAN
  • پیاده‌سازی شبکه Conditional GAN برای دیتاست MNIST
• توضیح شبکه Wasserstein GAN
  • پیاده‌سازی شبکه Wasserstein GAN برای دیتاست MNIST
• توضیح شبکه InfoGAN
  • پیاده‌سازی شبکه InfoGAN برای دیتاست MNIST
• توضیح شبکه CycleGAN
  • پیاده‌سازی پروژه تبدیل نقاشی به تصویر با دیتاست monet2photo با شبکه CycleGAN

فصل سوم:

• معرفی شبکه Transformer
• 
  • توضیح مفهوم Attention
  • توضیح مفهوم Positional Encoding
  • توضیح TextVectorization
  • توضیح مفهوم ScaledDotProduction Attention
  • توضیح Multi-head Attention
  • توضیح بخش Encoder
  • توضیح بخش Decoder
  • پیاده‌سازی تک تک مراحل فوق در کراس
  • پیاده‌سازی Transformer با ترکیب مراحل فوق

• معرفی شبکه Vision Transformer (ViT)

2-معرفی دوره‌ی پردازش سیگنال EEG پیشرفته

دوره ی پیشرفته پردازش سیگنال EEGیک دوره ی آنلاین کاملاً پروژه محور است. در این دوره، چهار مقاله ی جدید با چهار دیتاست مختلف EEGبه صورت مرحله به مرحله در پایتون پیاده سازی خواهند شد. از مدلهای Generative AI برای پردازش سیگنالهای EEGاستفاده خواهد شد. دیتاست های مورد استفاده در دوره:

• MI_Stroke EEG

• BCI Competition IV-2a

• CHB-MIT

• SEED

در ابتدای دوره، مقدمه ای از سیگنال EEG گفته می شود و رویکرد مقالات اخیر در پردازش سیگنالهای EEG مورد بحث و بررسی قرار می گیرد. در فصل اول، دیتاست MI_Stroke EEG معرفی می شود و انواع روشهای یادگیری ماشین و یادگیری عمیق برای کلاسبندی این سیگنال بررسی می شود و اثر آنها بر پارامترهای ارزیابی سنجیده می شود. در فصل دوم، برای دیتاست تصور حرکتی، مقاله ی تبدیل سیگنال به تصویرو کلاسبندی آن انجام می شود. در فصل سوم از یک autoencoder برای استخراج ویژگی از دیتاست صرع CHB-MIT استفاده می شود. در فصل چهارم،از دیتاست SEED EEG برای Data Augmentation با استفاده از شبکه GAN استفاده می شود.

اهداف اصلی دوره پردازش سیگنال EEG پیشرفته

• آشنایی با انواع روش های پیش پردازش سیگنال EEG و اثر آن بر معیارهای ارزیابی
• آشنایی با نحوه ی پیاده‌سازی مقالات اخیر در حوزه‌ی EEG
• آشنایی با نحوه‌‌ی تبدیل سیگنال به تصویر و پیاده‌سازی مقالات اخیر
• آشنایی با نحوه‌ی کار با چهار دیتاست مختلف EEG
• آشنایی با نحوه‌ی اعمال شبکه‌های Generative مانند AE, GAN برای سیگنال EEG

پیش نیاز دوره پردازش سیگنال EEG پیشرفته

• آشنایی با مبانی سیگنال EEG
• آشنایی با پایتون و فریم ورک تنسورفلو و کراس
• آشنایی با کتابخانه MNE-Python
• آشنایی با مدل‌های یادگیری ماشین برای کلاسبندی سیگنال
• آشنایی با شبکه‌های یادگیری عمیق مانند CNN, Autoencoder, GAN و …

سرفصل دوره پردازش سیگنال EEG پیشرفته

مقدمه:

• مقدمه‌‌‌ای کوتاه بر سیگنال EEG
• رویکرد مقالات اخیر برای پردازش سیگنال EEG

فصل اول:

• معرفی انواع روش‌های پیش پردازش سیگنال EEG
• نحوه‌ی انتخاب بهترین مجموعه متدهای پیش پردازش برای سیگنال EEG با توجه به کاربرد
• معرفی دیتاست سکته MI_Stroke EEG
  • لینک دیتاست: https://figshare.com/articles/dataset/EEG_data_of_motor_imagery_for_stroke_patients/7636301

• لینک مقاله دیتاست:

https://www.nature.com/articles/s41597-023-02787-8

• اعمال انواع روش های پیش پردازش روی این دیتاست
• کلاسبندی با روش های یادگیری ماشین و یادگیری عمیق و مقایسه آنها
• معرفی انواع معیارهای ارزیابی و بررسی و مقایسه آنها

فصل دوم:

• • معرفی دیتاست تصور حرکتی BCICompetition IV-2a
  • پیاده‌سازی مقاله سیگنال به تصویر با دیتاست فوق

• • • لینک مقاله:

https://ieeexplore.ieee.org/document/8585027

• توضیح تمام الگوریتم‌های موردنیاز برای پیاده‌سازی مقاله

فصل سوم:

• معرفی دیتاست صرع CHB-MIT
  • لینک دیتاست: https://physionet.org/content/chbmit/1.0.0/
• پیاده سازی مقاله کلاسبندی سیگنال صرع با Autoencoder
  • لینک مقاله: https://www.mdpi.com/1424-8220/23/8/4112

فصل چهارم:

• • معرفی دیتاست SEED eeg
    • لینک دیتاست: https://bcmi.sjtu.edu.cn/home/seed/seed.html

• پیاده‌سازی مقاله Data Augmentation با عنوان GAN-Based Data Augmentation For Improving The Classification Of EEG Signals (Bhat et.al) با استفاده از دیتاست SEED
• لینک مقاله:https://dl.acm.org/doi/abs/10.1145/3453892.3461338

ویژگیهای دوره ها

• پروژه محور| دوره پروژه محور هست و از داده های معتبر در این دوره برای آموزش و انجام پروژه‌ها استفاده خواهیم کرد.
• پیاده‌سازی مقاله| در این دوره، مقالات تخصصی پیاده‌سازی خواهیم کرد و شرکت‌کنندگان علاوه بر یادگیری مباحث، با اصول پیاده‌سازی مقالات تخصصی نیز آشنا خواهند شد.
• ویدئوهای آموزشی| ویدئوهای هر جلسه آنلاین ضبط میشه و بعد از ادیت ویدئوها هفته بعدش در اختیار شرکت کنندگان قرار میگیرد.
• کدهای پیاده‌سازی شده‌| کدهای پیاده‌سازی شده در طول دوره برای پروژه‌ها و مقالات، در اختیار شرکت‌کنندگان قرار میگیرد.
• پشتیبانی آنلاین| طول دوره و بعد از دوره شرکت کنندگان می‌توانند با مدرس دوره در ارتباط باشند.

مدت زمان هر دوره: حدوداً 32 ساعت

مدرس دوره: هما کاشفی امیری

جهت ثبت نام به آیدی تلگرام زیر پیام دهید…

@Onlinebmeadmin