آموزش PCA و پردازش سیگنال چندمتغیره، کاربردی روی داده عصبی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک متدهای پیشرفته جبر خطی
- شامل یک دوره فشرده سه ساعته درباره جبر خطی
- اعمال متدهای پیشرفته جبر خطی در متلب و پایتون
- شبیهسازی داده چندمتغیره برای تست متدهای تحلیل
- تحلیل مجموعه دادههای سری زمانی چندمتغیره
- آشنایی با چالشهایی که دانشمندان عصبشناسی با آنها مواجه هستند.
- یادگیری درباره تحلیل داده عصبشناسی مدرن
پیشنیازهای دوره
- پیشینهای از جبر خطی (دوره فشرده سه ساعته ارائه شده است.)
- پیشینهای از علم عصبشناسی (یا علاقه به یادگیری)
- کمی تجربه در برنامهنویسی متلب و پایتون (فقط برای انجام تمرینها)
- علاقه به یادگیری جبر خطی کاربردی
توضیحات دوره
دوره درباره چیست؟
علم عصبشناسی (علم مغز) در حال تغییر است و فناوریهای جدید تصویربرداری از مغز، مجموعه دادههای خیلی بزرگ را ایجاد میکند، اما تحلیل کلان داده ناشی از آن یکی از بزرگترین چالشها در عصبشناسی مدرن است (اگر ما را باور ندارید، از یک دانشمند عصبشناس بپرسید).
افزایش تعداد کانالهای داده که به طور همزمان رکورد میشوند، امکان کشفهای جدیدی در مورد ساختار مکانی-زمانی مغز را فراهم میآورد، اما همچنین چالشهای جدیدی برای تحلیل داده ارائه میدهد. به دلیل اینکه داده در ماتریسها ذخیره میشوند، الگوریتمهای توسعهیافته در جبر خطی به شدت مفید هستند.
هدف دوره آموزش برخی متدهای تحلیل داده مبتنی بر ماتریس در داده سری زمانی عصبی، با تأکید بر کاهش ابعاد چندمتغیره و متدهای جداسازی منابع است. این موضوع شامل ماتریسهای کوواریانس، تحلیل مؤلفه اصلی (PCA)، تجزیه مقدار ویژه تعمیم یافته (بهتر از PCA) و تحلیل مؤلفه مستقل (ICA) میشود. این دوره از نظر ریاضی دقیق است اما برای افرادی که هیچ پیشینهای در ریاضیات رسمی ندارند، قابل دسترسی است. این دوره با کد متلب و پایتون همراه است (توجه داشته باشید که ویدئوها کد متلب را نشان میدهند و کد پایتون تطابق نزدیک دارد).
اگر جز افراد زیر هستید، باید این دوره را بگذرانید:
- یک محقق عصبشناسی هستید که به دنبال راههایی برای تحلیل داده چندمتغیره خود هستید.
- دانشجویی هستید که میخواهد برای موقعیت دکتری یا پسادکتری عصبشناسی رقابتی باشد.
- غیرعصبشناسی هستید که به یادگیری بیشتر درباره سوالات بزرگ در علم مغز مدرن علاقهمند هستید.
- یادگیرنده مستقل هستید که میخواهید دانش جبر خطی خود را پیشرفت دهید.
- ریاضیدان، مهندس یا فیزیکدانی هستید که به تجزیه ماتریسهای کاربردی در عصبشناسی کنجکاوید.
- شخصی هستید که میخواهید درباره تحلیل مؤلفه اصلی (PCA) و یا تحلیل مؤلفه مستقل (ICA) بیشتر یاد بگیرید.
- به تصاویری که پیشنمایش دوره نشان میدهد علاقهمند هستید و میخواهید بدانید معنی آن چیست. (پاسخها در دوره وجود دارد.)
آیا مطمئن نیستید که آیا این دوره برای شما مناسب است یا خیر؟
ما به سختی تلاش کردیم تا این دوره را برای افراد با حداقل پیشینه در جبر خطی و برنامهنویسی قابل دسترس کنیم. اما این دوره برای همه مناسب نیست. ویدئوهای پیشنمایش را ببینید و بدون تردید انتخاب کنید.
این دوره برای چه کسانی مناسب است؟
- کسی که به تحلیل داده نسل بعدی عصبشناسی علاقهمند است.
- یادگیرندگانی که به جبر خطی کاربردی برای چالشهای کلان داده مدرن علاقهمند هستند.
- دانشمندان عصبشناسی که با کلان داده سروکار دارند.
- ریاضیدانان، مهندسان و فیزیکدانانی که به یادگیری درباره داده عصبشناسی علاقهمند هستند.
آموزش PCA و پردازش سیگنال چندمتغیره، کاربردی روی داده عصبی
-
مخاطب هدف و یادگیری از این دوره 04:44
-
علم عصبشناسی چندمتغیره چیست؟ 10:44
-
فیلترهای فضایی خطی چه هستند؟ 08:23
-
چرا فیلترهای فضایی برای علم عصبشناسی مفید هستند؟ 05:11
-
نکته مهم - دانلود تمام مباحث دوره 06:53
-
دانلود کد پایتون 03:17
-
مفهوم “بعد” در سیگنالهای اندازهگیری شده 07:33
-
مفهوم “منبع” در سیگنالهای اندازهگیری شده 09:25
-
منابع، میکس کردن و غیر میکس کردن 18:11
-
کاهش ابعاد در مقابل جداسازی منبع 05:15
-
فیلترینگ خطی در مقابل غیرخطی 10:10
-
الزامات داده برای جداسازی منبع 04:20
-
آشنایی با این بخش 04:31
-
بردارها و ماتریسها 13:55
-
ضرب برداری (شامل ضرب داخلی) 11:59
-
ضرب ماتریسها 20:08
-
متلب - بردارها و ماتریسها 02:34
-
استقلال خطی 19:24
-
رتبه ماتریس 18:52
-
جابجایی یک ماتریس 05:17
-
متلب - رتبه و جابجایی 01:03
-
معکوس ماتریس 22:18
-
ترانهادگی A 10:38
-
متلب - معکوس و AtA 00:28
-
ویژگیها و بردارها و قطریسازی 29:38
-
تجزیه مقدار منفرد (SVD) 22:48
-
SVD برای فشردهسازی 11:24
-
متلب - eig و svd 00:53
-
استفاده از داده واقعی و شبیهسازی شده 21:55
-
همبستگی و کوواریانس - اصطلاحات و ماتریسها 20:38
-
ایجاد ماتریسهای کوواریانس در داده 13:19
-
متلب - کوواریانس داده شبیهسازی شده 14:45
-
متلب - کوواریانس با داده واقعی 05:59
-
اثبات - ماتریسهای کوواریانس متقارن هستند 09:25
-
ارزیابی و بهبود کیفیت کوواریانس 13:35
-
متلب - فواصل کوواریانس آزمونهای تکی 11:50
-
فرم درجه دوم و سطح کوواریانس 17:11
-
متلب - مصورسازی فرم درجه دوم 09:59
-
PCA - اهداف، مقاصد و راهحل 18:01
-
متلب - شهود PCA با داده دوبعدی 09:32
-
چگونه تحلیل مؤلفه اصلی (PCA) را انجام دهیم؟ 08:54
-
تمرین - PCA روی داده بدون قفل فازی 05:44
-
هندسه PCA 09:10
-
اثبات متعامد بودن مؤلفه اصلی 09:25
-
نمودارهای سنگ ریزه و طیفهای ویژه 11:13
-
متلب - PCA داده شبیهسازی شده EEG 10:27
-
متلب - PCA روی داده واقعی EEG 07:25
-
تمرین - تکرار PCA با استفاده از ()pca 01:22
-
متلب - اهمیت میانگینسازی برای PCA 06:51
-
کاهش ابعاد با استفاده از SVD به جای تجزیه مقدار ویژه 07:41
-
متلب - PCA از طریق SVD و کوواریانس 07:23
-
PCA برای بازنمایی فضای حالت 06:12
-
متلب - بازنمایی فضای حالت از طریق PCA 04:11
-
متلب - PCA روی داده multitrial 17:16
-
محدودیتهای تحلیل مؤلفه اصلی 08:33
-
انگیزه فرضیه محور برای GED 07:06
-
GED - اهداف، مقاصد و راهحل 11:00
-
متلب - شهود GED با سطحهای کوواریانس 10:34
-
وزنهای GED و عدم متعامد بودن 08:59
-
متلب - GED در یک مثال ساده 10:36
-
مصورسازی فیلتر فضایی در مقابل الگوهای فضایی 08:43
-
عدم قطعیت در علامت مؤلفه 10:58
-
متلب - تنظیم علامتهای مؤلفه 08:50
-
متلب - دو مؤلفه در داده EEG شبیهسازی شده 14:19
-
ساخت ماتریسهای S و R 12:21
-
متلب - مؤلفه مرتبط با تسک در EEG 15:46
-
متلب - اسکن طیفی در MEG و EEG 09:14
-
فشردهسازی دو مرحلهای و جداسازی منبع 08:29
-
تمرین - جداسازی دو مرحلهای منبع در داده واقعی EEG 04:55
-
پیشسفیدسازی ZCA 11:36
-
متلب - داده شبیهسازی شده با و بدون ZCA 09:20
-
تمرین - ZCA و جداسازی دو مرحلهای روی داده واقعی EEG 05:17
-
جداسازی منبع با کوواریانسهای غیرایستا 18:28
-
متلب - داده EEG شبیهسازی شده با دیپلهای متناوب 16:08
-
منظمسازی - تئوری، ریاضیات و شهود 16:13
-
متلب - تأثیرات منظمسازی در داده واقعی 09:11
-
متدهای تجربی برای مقدار منظمسازی 04:19
-
متلب - اعتبارسنجی متقاطع منظمسازی 20:03
-
راهحلهای مقدار مختلط 17:14
-
متلب - GED در مقابل تحلیل عاملی 08:08
-
پتانسیل برانگیخته حالت پایا 07:47
-
انگیزهها برای فیلتر فضایی برای پاسخ حالت پایا 08:54
-
پایپلاین تحلیل RESS 13:12
-
متلب - مثال با داده واقعی EEG 17:45
-
بررسی تحلیل مؤلفه مستقل (ICA) 17:27
-
متلب - توزیعهای داده و ICA 16:09
-
متلب - ICA و PCA و GED روی داده شبیهسازی شده 18:32
-
متلب - بررسی توزیعهای IC در داده واقعی 11:39
-
بیش برازش چیست و چرا نامناسب است؟ 12:38
-
ایجاد و کاربرد فیلتر بدون بایاس 06:06
-
اعتبارسنجی متقاطع (آزمون دروننمونهای در مقابل بروننمونهای) 14:50
-
آزمون جایگشت 08:51
-
متلب - آزمون جایگشت 13:55
-
ریاضیات، فیزیولوژی و آناتومی 06:48
-
شبکههای عملکردی در مقابل هدایت حجم 05:13
-
تفسیر تفاوتهای فردی 03:50
-
انبوهی از انتخابهای جداسازی منبع (و یک لیست مطالعه) 05:08
-
آیا کاهش ابعاد همیشه خوب است؟ 08:39
مشخصات آموزش
آموزش PCA و پردازش سیگنال چندمتغیره، کاربردی روی داده عصبی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:98
- مدت زمان :17:34:23
- حجم :4.32GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy