machine learning

یادگیری عمیق در واسط مغز و کامپیوتر

یادگیری عمیق برای کاربردهای واسط مغز-کامپیوتر مبتنی بر EEG

یادگیری عمیق، چشم اندازهای عالی برای حل تسک‌های پیچیده‌ی مرتبط مانند کلاسبندی تصاویر حرکتی، تشخیص تشنج صرع و تشخیص توجه راننده با استفاده از داده‌ی EEG نشان داده است. محققان در حال حاضر کارهای زیادی روی رویکردهای مبتنی بر یادگیری…
یادگیری عمیق در واسط مغز و کامپیوتر

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…
1.necessary libraries for mne

کتابخانه‌های ضروری مکمل کار با پکیج MNE پایتون

به منظور کار با پکیج MNE پایتون، شناخت و یادگیری چند مورد از کتابخانه‌های پایتون ضروری است. این کتابخانه در خواندن دیتاست‌هایی مثل EEG، ذخیره سازی و جداسازی و تقسیم دیتاست به بخش‌های آموزش و آزمایش و همچنین استفاده از…
7-Generative Adversarial Netwrok

مقدمه‌ای بر Generative Adversarial Networks (GANs) یا شبکه‌های مولد تخاصمی

شبکه‌های GAN حوزه‌ای مهیج و به سرعت در حال تغییر هستند که نوید مدل‌های مولد با قابلیت بالا را می‌دهند. برای مثال می‌توانند نمونه‌های واقعی در طیف وسیعی از مسائل تولید کنند، مانند تبدیل تصاویر تابستان به زمستان، تبدیل تصاویر…
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…
SHAP_Value

مدل یادگیری ماشین خود را با SHAP Value توضیح دهید

به مرور که الگوریتم‌های یادگیری ماشین پیچیده‌تر می‌شوند، تفسیرپذیری یادگیری ماشین اهمیت فزاینده‌ای پیدا می‌کند. اگر الگوریتم‌های یادگیری ماشین شما قابل توضیح نباشند، احتمال پذیرش آنها توسط دیگران هم کمتر است. مدل‌های با عملکرد پایین‌تر اما قابل توضیح (مانند رگرسیون…
دیتاست کوچک

آیا “Small Data” مسئله‌ی مهم بعدی در علم داده است؟

Andrew NG یکی از پیشگامان هوش مصنوعی پیش کرده است که دهه‌ی آینده شاهد هوش مصنوعی داده محور خواهد بود. اگر تنها 50 نمونه‌ داده‌ی خوش ساخت داشته باشیم، ممکن است دیگر به میلیون‌ها نمونه داده‌ی نویزی نیاز نداشته باشیم.
segment Anything

چطور از Segment Anything Model (SAM) استفاده کنیم؟

در این پست می‌خواهیم به قابلیت‌های مدل Segment Anything (SAM) بپردازیم. این مدل کارآمد و سریع را برای سگمنت بندی تصاویر بررسی می‌کنیم. با بیش از یک میلیارد ماسک روی یازده میلیون تصاویر دارای مجوز و احترام به حریم خصوصی،…
معرفی مدل Segment Anything (SAM): پیش به سوی اولین مدل پایه برای سگمنت بندی تصویر

معرفی مدل Segment Anything: اولین مدل پایه برای سگمنت‌بندی تصویر

سگمنت بندی (Segmentation) به معنی شناسایی پیکسل‌های تصویر متعلق به یک شی است و یکی از تسک‌های اصلی در بینایی ماشین است و در طیف گسترده‌ای از برنامه‌ها استفاده می‌شود از تحلیل تصاویر علمی گرفته تا ویرایش تصاویر. اما ایجاد…
انواع یادگیری در یادگیری ماشین

انواع مختلف یادگیری در یادگیری ماشین

با توجه به اینکه تمرکز اصلی حوزه‌ی یادگیری ماشین «یادگیری» است، انواع مختلف یادگیری وجود دارد که باید به عنوان متخصص به آنها مسلط باشیم. برخی از انواع یادگیری، زیرمجموعه‌هایی دارند که شامل انواع مختلف الگوریتم‌هاست مانند «یادگیری با ناظر».…
یادگیری ماشین چیست؟

یادگیری ماشین چیست

یادگیری ماشین شاخه ای از هوش مصنوعی و علوم کامپیوتر هست است که به کامپیوترها توانایی یادگیری میدهد، بدون اینکه برای آنها یک کد صریحی نوشته شده باشد. یادگیری ماشین بر توسعه برنامه های رایانه ای متمرکز است که بتوانند…
فرق بین داده کاوی و یادگیری ماشین

تفاوت بین یادگیری ماشین و داده کاوی

در این مقاله به توضیح مواردی نظیر تعاریف و تمایزات موجود در بین دو موضوع اصلی یادگیری ماشین (Machine Learning) و داده کاوی (Data Mining) پرداخته ایم. روند توضیحات در این مقاله به شرح زیر خواهد بود: صحبت از داده…