۱۳۵,۰۰۰ تومان

آموزش یادگیری عمیق در پزشکی

آموزش یادگیری عمیق در پزشکی

هزینه آموزش
۱۳۵,۰۰۰ تومان

تعداد دانشجو
۱,۹۴۶ نفر
مدت زمان
۴ ساعت و ۲ دقیقه
محتوای این آموزش
تضمین کیفیت
۱۳ بازخورد (مشاهده نظرات)

با یک جستجوی ساده با عبارت کلیدی Deep Learning in Medicine با صدها مقاله، کتاب و متون علمی مواجه خواهیم شد که اهمیت بیش از پیش این زمینه تحقیقاتی را بیان می کند. تکنیک های سنتی پردازش تصویر، قادر به انجام عملیات محاسباتی بر روی تصاویر با رزولوشن فوق العاده بالای گرافیکی نبوده و لذا یادگیری عمیق به عنوان تکنیکی موفق در پزشکی جای خود را میان محققان بازکرده است. این فرادرس بر آموزش یادگیری عمیق با رویکرد پزشکی نیز تمرکز دارد.

آموزش یادگیری عمیق در پزشکی

تعداد دانشجو
۱,۹۴۶ نفر
مدت زمان
۴ ساعت و ۲ دقیقه
هزینه آموزش
۱۳۵,۰۰۰ تومان
محتوای این آموزش
۱۳ بازخورد (مشاهده نظرات)

امین زاده شیرازی

دانشجوی دکتری تخصصی بیوانفورماتیک (Bioinformatics)

امین زاده شیرازی دانشجوی دکترای بایوانفورماتیک دانشگاه استرالیای جنوبی (UniSA) می باشند و در مرکز تحقیقات سرطان این دانشگاه مشغول به انجام رساله دکترای خود در زمینه تشخیص دقیق بیماری های مغز با استفاده از هوش مصنوعی و یادگیری عمیق هستند.

توضیحات تکمیلی

امروزه کاربردهای هوش مصنوعی بر هیچ کس پوشیده نیست. در این میان، یادگیری ماشین به عنوان یکی از مهم ترین شاخه های این زمینه جایگاه ویژه ای را در تمامی علوم به خود اختصاص داده است. یادگیری عمیق با بهره گیری از مبانی شبکه های عصبی مصنوعی در حل بسیاری از مباحث حوزه پردازش تصاویر پزشکی از قبیل: طبقه بندی، آشکارسازی و بخش بندی عکس های MRI و Pathology، قدرت خود را به اثبات رسانده است.

با یک جستجوی ساده با عبارت کلیدی Deep Learning in Medicine با صدها مقاله، کتاب و متون علمی مواجه خواهیم شد که اهمیت بیش از پیش این زمینه تحقیقاتی را بیان می کند. تکنیک های سنتی پردازش تصویر، قادر به انجام عملیات محاسباتی بر روی تصاویر با رزولوشن فوق العاده بالای گرافیکی نبوده و لذا یادگیری عمیق به عنوان تکنیکی موفق در پزشکی جای خود را میان محققان بازکرده است. این فرادرس بر آموزش یادگیری عمیق با رویکرد پزشکی نیز تمرکز دارد.

 

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مقدمه ای بر یادگیری عمیق در علوم پزشکی
    • تاریخچه یادگیری عمیق
    • یادگیری عمیق و نقش آن در پزشکی
  • درس دوم: پیش نیازهای مورد نیاز برای کار با تکنیک های یادگیری عمیق
    • معرفی سیستم عامل لینوکس
      • نصب لینوکس (Linux)
      • معرفی مهم ترین دستورات CMD
    • نصب کارت گرافیک، CUDA و cuDNN
    • نصب محیط برنامه نویسی
      • پایتون (Python)
      • تنسورفلو (TensorFlow)
      • کراس
    • عیب یابی و تست
  • درس سوم: مهم ترین و کاربردی ترین دستورات پایتون
    • مفاهیم پایه
      • تصاویر رنگی و سیاه و سفید
      • تنسور (Tensor)
      • انواع داده‌ ها در تصاویر
    • نمونه پروژه پایتون با داده های تصویری
      • معرفی و ورود ماژول ها
      • بارگذاری داده های تصویری
      • نگاهی به ویژگی های تصاویر بارگذاری شده
      • تعریف و فراخوانی تابع، دستورات شرطی و تکرار برای پیش پردازش داده ها
      • برنامه نویسی شی گرا در پایتون و ساخت Object
      • نمایش تصاویر پردازش شده
      • Images Re-size, Re-color, Augmentation, One-Hot Encoding
  • درس چهارم: مفاهیم پایه و مهم ترین شبکه های عصبی قابل استفاده در پزشکی
    • Zero Padding
    • Filter
    • Filter Depth
    • Kernel Size
    • Convolution
    • Stride
    • Feature Map
    • Pooling
    • Unpooling
    • Transpose Convolution
    • Ground Truth
    • مهم ترین شبکه های عصبی قابل استفاده در پزشکی
      • شبکه عصبی کانولوشنال (CNN)
      • (FCN (Fully Convolutional Neural Network
      • U-Net) Medical Image Segmentation)
        • نحوه ارزیابی مدل Segmentation
      • یادگیری عمیق، دسته بندی بیماران و پیش بینی پدیده های پزشکی
      • یادگیری عمیق و کاوش در فرایندهای زیستی مرتبط با بیماری های انسان
  • درس پنجم: پیاده سازی مدل بخش بندی تصویر U-NET در محیط برنامه نویسی
    • بررسی نمونه های پاتولوژی سرطان سینه
      •  پیش پردازش نمونه ها
      • پیاده سازی مدل بخش بندی تصویر U-NET در محیط برنامه نویسی

 

مفید برای
  • مهندسی پزشکی
  • مهندسی کامپیوتر
  • بیوانفورماتیک

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

Anaconda 2018.12 for Linux Installer

پیش نمایش‌ها

۱. مقدمه‌ ای بر یادگیری عمیق در علوم پزشکی
۲. پیش‌ نیازهای مورد نیاز برای کار با تکنیک‌ های یادگیری عمیق
۳. مهم ترین و کاربردی‌ ترین دستورات پایتون
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۴. مفاهیم پایه و مهم ترین شبکه‌ های عصبی قابل ‌استفاده در پزشکی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. پیاده‌ سازی مدل بخش ‌بندی تصویر U-NET در محیط برنامه‌ نویسی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۸ جلسه ویدئویی با مجموع ۴ ساعت و ۲ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش یادگیری عمیق در پزشکی
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۶۹۵۰۹ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVML9710
مدت زمان ۴ ساعت و ۲ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۵۰۳ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.
آموزش‌های مرتبط با آموزش یادگیری عمیق در پزشکی


نظرات

تا کنون ۱,۹۴۶ نفر از این آموزش استفاده کرده اند و ۱۳ نظر ثبت شده است.
مریم
مریم
۱۴۰۰/۰۲/۲۲

تمرکز زیادی روی مباحث داشتند و مطالب رو به خوبی باز کرده بودند جامع بود.

شادی
شادی
۱۴۰۰/۰۶/۲۷

عالی
کاش دوره های پیشرفته تری هم داشت این دوره :/

سید شهراد
سید شهراد
۱۴۰۰/۰۲/۳۱

سلام، ممنون ، استاد بیان خوبی دارند و بصورت مختصر مطالب عنوان شده، ولی اگر تمرین و توضیحات بیشتر داشتن، بهتر بود.

یونس
یونس
۱۳۹۹/۰۳/۲۰

ایشون عالی هستند خارج از فرادرس تونستم باهاشون ارتباط هم بگیرم بسیار خوش برخوردند

وحید
وحید
۱۳۹۹/۰۳/۱۷

مطالب در حد متوسط، خیلی عمیق و کاربردی به موضوع پرداخته نشده است و به نظرم میشه به صورت تکمیلی تر نیز ارائه کنید.

علی
علی
۱۳۹۹/۰۱/۰۵

صفر تا صد این آموزش خوب بود، منتهی اگه بشه که پژوهشی یا پروژه محورتر باشه، قطعا مفید تر خواهد بود.

محمدحسین
محمدحسین
۱۳۹۸/۱۱/۰۸

از همه نظر عالی بود فقط اینکه سعی کنید به صورت کدنویسی مباحث ارائه بشه فوق العاده میشه

احسان
احسان
۱۳۹۸/۱۰/۲۴

تسلط لازم نداشتن و به نظرم آموزش خوبی نبود

علی
علی
۱۳۹۸/۱۱/۱۰

راضی بودم خوب بود یه ایرادی که میشد از این آموزش گرفت این بود که موقع نصب نرم افزار به مشکل میخوردم و باید با مراجعه به گروه های مختلف متوجه اشتباهم میشدم ولی در کل خوب بود نوع تدریس مدرس جذاب بود.

سجاد
سجاد
۱۳۹۸/۱۰/۲۹

آموزش خوب بود به کارم اومد مطالب با اینکه خلاصه بود ولی همه مطالب رو در بر میگرفت بیشتر برای علاقه مندیم نگاه کردم.

برچسب‌ها:
ANN | Auto Encoders | CNN | Convolution | Deep learning | Feature Map | Filter Depth | Kernel Size | Linux | Medical Image Segmentation | MRI | Naive Bayes | Neural Networks | Pathology | python | RBM | SVM | Transpose Convolution | Unpooling | Zero Padding | آرایه | برنامه نویسی پایتون | پاتولوژی سرطان سینه | پردازش تصویر پزشکی | پیش نیازهای سخت افزاری و نرم افزاری | تصویر U-NET | تکنیک بخش بندی تصویر NET-U | تکنیک های یادگیری عمیق | تنسور | تنسورفلو | سیستم عامل لینوکس | شبکه عصبی کانولوشنال | شبکه عصبی کانولوشنی | شبکه عصبی مصنوعی | عملیات ریاضی و توابع | فرایندهای زیستی | فیلترها | کاربردهای یادگیری عمیق | کالس ها | کاوش در بیماری انسان | کراس | مدل U-NET | مهندسی پزشکی | یادگیری ژرف | یادگیری عمیق | یادگیری عمیق با رویکرد پزشکی | یادگیری عمیق در پزشکی | یادگیری عمیق در تشخیص پزشکی | یادگیری عمیق و نقش آن در نظارت بر درمان بیماری ها
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۸ جلسه ویدئویی
×