دوره آموزشی: تشخیص COVID-19 با یادگیری چندوظیفهای (Multi-Task Learning) از تصاویر CT در MATLAB
کانال تلگرام : کانال یوتیوب : کانال آپارات : کانال ایتا
H.saadatmand@matlablearning.com
مدرس بیش از 250 دوره آموزشی در متلب و پایتون
با بیش از 15 سال تجربه در زمینه تدریس
معرفی دوره:
در این دوره جامع، نحوه طراحی و پیادهسازی یک مدل یادگیری چندوظیفهای (Multi-Task Learning) برای تشخیص کرونا (COVID-19) با استفاده از تصاویر CT از ریه آموزش داده میشود. مدل طراحیشده قادر است بهصورت همزمان دو وظیفه اصلی، یعنی طبقهبندی وجود یا عدم وجود بیماری و بخشبندی نواحی آسیبدیده در ریه را انجام دهد. این آموزش شامل تمامی مراحل از تئوری اولیه تا پیادهسازی عملی در MATLAB خواهد بود.
سر فصلهای دوره:
بخش 1: مقدمه و تئوری یادگیری چندوظیفهای
تعریف و مفهوم یادگیری چندوظیفهای (MTL)
اهمیت یادگیری همزمان وظایف برای تحلیل تصاویر پزشکی
مروری بر ساختار و عملکرد شبکههای عصبی عمیق مبتنی بر CNN
مروری بر چالشها و اهمیت استفاده از تصاویر CT در تشخیص COVID-19
بخش 2: آمادهسازی دادهها و برچسبها
معرفی دیتاستهای تصاویر CT از ریه
پیشپردازش تصاویر CT برای طبقهبندی و بخشبندی
تعریف و آمادهسازی لیبلها برای طبقهبندی (مثبت یا منفی بودن COVID-19)
ایجاد ماسکهای بخشبندی برای نواحی آسیبدیده در تصاویر CT
استانداردسازی و نرمالسازی دادهها در MATLAB
بخش 3: طراحی معماری شبکه عصبی
ساختار کلی شبکه عصبی برای یادگیری چندوظیفهای از تصاویر CT
تعریف لایههای مشترک (Shared Layers) برای استخراج ویژگیهای عمومی تصاویر
طراحی سرهای جداگانه برای وظایف طبقهبندی و بخشبندی
انتخاب و تنظیم ابرپارامترهای شبکه (Learning Rate، Optimizer، و …)
بخش 4: تعریف تابع هزینه (Loss Function)
معرفی اهمیت و نقش توابع هزینه در یادگیری چندوظیفهای
تعریف تابع Cross-Entropy برای طبقهبندی مثبت و منفی COVID-19
تعریف تابع Dice Loss یا IoU Loss برای بخشبندی نواحی آسیبدیده
ترکیب توابع هزینه با وزندهی مناسب برای بهینهسازی همزمان هر دو وظیفه
بخش 5: آموزش و تست شبکه
پیادهسازی فرآیند آموزش مدل در MATLAB
تعریف حلقه آموزش (Training Loop) و تنظیم پارامترها
استفاده از دادههای تس
نقد و بررسیها
هنوز بررسیای ثبت نشده است.