CNN
الگوریتمهای یادگیری عمیق در پردازش سیگنال EEG
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 (Transformers) چطور کار میکنند؟
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…
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…
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…
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…
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.
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؟
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…
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…
AlexNet:معماری که CNNها را به چالش کشید
سالها پیش، ما هنوز از دیتاستهای کوچکی مثل CIFAR, NORB استفاده میکردیم که متشکل از دهها هزار تصویر بودند. این دیتاستها برای مدلهای یادگیری ماشین مناسب بودند تا تسکهای تشخیص ساده را یاد بگیرند. با این حال، زندگی واقعی هرگز…
شبکه عصبی کانولوشنی (CNN) چیست
CNN که مخفف شبکه عصبی کانولوشنی (Convolutional Neural Network) است کلاس خاصی از شبکههای عصبی مصنوعی (Artificial Neural Network) در هوش مصنوعی است. این شبکهها مشابه شبکههای عصبی سنتی دارای لایهی ورودی، لایهی پنهان و لایهی خروجی هستند. تعداد لایههای…