یادگیری بازنمایی یا Representation Learningروشی برای آموزش یک مدل یادگیری ماشین است تا بتواند مفیدترین بازنمایی داده‌ی ورودی را یاد بگیرد. این بازنمایی‌ها که اغلب به عنوان ویژگی (feature) شناخته می‌شوند، حالت‌های داخلی مدل هستند که می‌توانند داده‌های ورودی را…

اگر تابحال مقالات مربوط به کاربرد شبکه‌های عمیق در پردازش انواع مختلف سیگنال EEG را بررسی کرده باشید، احتمالاً متوجه شده‌اید که بسته به کاربرد و عملکرد مناسب مدل، شبکه‌های عمیق در نقش‌های مختلفی ظاهر شده‌اند. برای مثال در برخی…

در محیط بالینی، تشخیص خودکار تشنج های صرع اهمیت فزاینده ای پیدا می کند، زیرا می تواند به طور قابل توجهی بار مراقبت از بیماران مبتلا به صرع صعب العلاج را کاهش دهد. سیگنال های الکتروانسفالوگرافی (EEG) فعالیت الکتریکی مغز…

در سال‌های اخیر، الگوریتم‌های یادگیری عمیق به سرعت توسعه یافته‌اند و در حال تبدیل شدن به ابزاری قدرتمند در مهندسی پزشکی هستند. به طور خاص، تمرکز زیادی بر کاربرد الگوریتم‌های یادگیری عمیق در رمزگشایی وضعیت فیزیولوژیکی یا پاتولوژیک مغز از…

ترنسفورمرها نوعی از معماری شبکه عصبی هستند که محبوبیت زیادی پیدا کرده‌اند. ترنسفورما اخیراً توسط OpenAI در مدل‌های زبانی مورد استفاده قرار گرفته‌اند همچنین اخیراً توسط DeepMind برای AlphaStar استفاده شده‌اند. ترنسفورمرها برای حل مسائل انتقال توالی (Sequence Transduction) یا…

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…

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…

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…

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

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؟

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…

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…