بوت کمپ هوش مصنوعی در پزشکی
مهندس باشی یا پزشک و یا متخصص علوم انسانی، همه میدونن که هوش مصنوعی در حوزه های بین رشته ای جذابیت بالایی داره و یکی از جذاب ترین بین رشته هایی اون، کاربرد هوش مصنوعی در پزشکی و سلامت هست!
امروزه هوش مصنوعی در بخش های مختلف حوزه پزشکی و سلامت، از تشخیص و درمان بیماری ها تا کشف داروها و طراحی پروتئین کاربرد داره.
در این بوت کمپ از فیلاگر، قراره از صفر، مدل های هوش مصنوعی تشخیص سرطان رو طراحی کنید و با جدیدترین دیتاست های موجود اون رو آموزش بدید!
پس بریم که مهندس هوش مصنوعی در حوزه پزشکی بشیم🚀
اگر توی هر مرحله از ثبت‌نام مشکلی داشتید یا خواستید سوالی بپرسید، کافیه به آی دی تلگرام پشتیبانی فیلاگر در لینک زیر پیام بدید💜
t.me/filoger_support💬
بوت کمپ هوش مصنوعی در پزشکی فیلاگر
📍اگه شما هم به دنبال یادگیری یکی از کاربردهای مهم هوش مصنوعی در فضای کسب و کار هستین، بوت کمپ آموزش کاربرد هوش مصنوعی در پزشکی و سلامت فیلاگر از بهترین انتخاب هاست!
اینجا قراره یاد بگیرید:
- چطور یک مدل تشخیص بیماری از عکس رادیولوژی (مثلا تشخیص سرطان) رو از صفر طراحی کرد🩻
- چطور با دیتاست های جدید این مدل رو آموزش بدید🧬
- و همینطور شانس مشارکت در نوشتن یک مقاله علمی این حوزه در کنار انجام پروژه عملی رو پیدا میکنید🧑🏼⚕️🧑🏻🔬
📍آخر این دوره، چی میشه؟
🟣 یک مدل تشخیص کنسر از روی تصاویر پزشکی رو خودتون طراحی میکنید.
🟣 یاد میگیرید چطور با دیتاست‌های تصویری پزشکی، مدل های هوش مصنوعی طراحی کنید!
🟣برای ورود به بازار کار حوزه هوش مصنوعی در پزشکی و سلامت آماده میشید🚀
آماده‌ای مهندس هوش مصنوعی در پزشکی و سلامت بشی؟!
ویژگی‌های متمایز بوت کمپ هوش مصنوعی در پزشکی فیلاگر
تیم دلسوز و متعهد!
شاید عجیب باشه، اما این یکی از مهمترین تمایزهای فیلاگر هست💜
مُدرسین مشغول به فعالیت در همین زمینه کاری
مدرس این دوره در زمینه تدریس خودش، پروژه‌های عملی توسعه داده.
کوچینگ 24 ساعته توسط TA ها
در تمام طول دوره و کلاس های رفع اشکال هفتگی، TAها مشکلات شما را حل میکنند
امکان مشارکت در ارائه مقاله
در صورت بودن در بین برترین دانشجوهای دوره، تعدادی از شما به انتخاب مدرس در مقاله بین المللی این دوره مشارکت داده خواهند شد
مدرک معتبر
گواهینامه الکترونیکی قابل اعتبار سنجی از جامعه هوش مصنوعی|فیلاگر
پروژه محور
پس از آموزش، پروژه با دیتاست های واقعی انجام میدهید
زمان‌بندی
📆 هر هفته دو جلسه ی پیاپی
یکشنبه ها (18:30_17:00 و 20:30_19:00)
ویدیو هر جلسه ضبط هم میشه، در پنل کاربری شما قرار میگیره و تا حداقل یک سال پس از اتمام دوره، در دسترس شماست
شروع از ۲۷ آبان ماه 140۳ و به مدت ۶ هفته
سرفصل‌های بوت کمپ هوش مصنوعی در پزشکی فیلاگر
Medical Image Analysis with AI: From Data to Diagnosis Using
the Breast-Lesions-USG Dataset
جلسه ۱ هفته اول
Session 1:Introduction to Medical Imaging and Machine Learning
۱- Overview of medical imaging modalities (Ultrasound, X-ray, MRI, CT)
۲- Introduction to machine learning and AI in healthcare
۳- Overview of the Breast-Lesions-USG dataset
- در این جلسه، به بررسی روش‌های مختلف تصویربرداری پزشکی مانند سونوگرافی، اشعه ایکس، MRI و CT پرداخته میشود. همچنین، مفاهیم اولیه یادگیری ماشین و هوش مصنوعی در حوزه بهداشت و درمان معرفی میشود. در نهایت، نگاهی به مجموعه داده Breast-Lesions-USG خواهیم داشت.
کلمات کلیدی: تصویربرداری پزشکی، یادگیری ماشین، هوش مصنوعی، سونوگرافی، MRI، مجموعه داده.
جلسه ۲ هفته اول
Session 2: Exploring the Dataset
۱- Detailed exploration of the dataset’s clinical features and images
۲- Data visualization and summary statistics
۳- Basic understanding of the BIRADS system and medical annotations
- در این جلسه، ویژگی‌های بالینی و تصاویر موجود در مجموعه داده به طور دقیق بررسی میشود. همچنین، به تجزیه و تحلیل داده‌ها و آمار خلاصه پرداخته خواهد شد. در اینجا، سیستم BIRADS و حاشیه‌نویسی‌های پزشکی نیز مورد بررسی قرار میگیرد.
کلمات کلیدی: بررسی داده، ویژگی‌های بالینی، BIRADS، تجزیه و تحلیل داده، حاشیه‌نویسی پزشکی.
جلسه ۳ هفته دوم
Session 3: Data Preprocessing for Tabular Data
۱- Handling missing data
۲- Encoding categorical variables
۳- Standardizing numerical variables
۴- Splitting data into training, validation, and testing sets
- در این جلسه، به نحوه مدیریت داده‌های گمشده، کدگذاری متغیرهای دسته‌ای و استانداردسازی متغیرهای عددی پرداخته میشود. همچنین، داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمایشی تقسیم می‌شوند.
کلمات کلیدی: پیش‌پردازش داده، داده‌های گمشده، کدگذاری، استانداردسازی، تقسیم داده.
جلسه 4 هفته دوم
Session 4: Classification with Tabular Data
1- Introduction to machine learning models (Logistic Regression, Random Forest)
2- Training and evaluating models with tabular data
3- Cross-validation and hyperparameter tuning
- این جلسه به معرفی مدل‌های یادگیری ماشین مانند رگرسیون لجستیک و جنگل تصادفی اختصاص دارد. همچنین، آموزش و ارزیابی مدل‌ها با استفاده از داده‌های جدولی و تکنیک‌های اعتبارسنجی متقابل و تنظیم هایپرپارامترها مورد بررسی قرار میگیرد.
کلمات کلیدی: طبقه‌بندی، رگرسیون لجستیک، جنگل تصادفی، اعتبارسنجی متقابل، هایپرپارامتر.
جلسه 5 هفته سوم
Session 5: Introduction to Deep Learning and CNNs
1- Overview of neural networks and CNNs
2- Explanation of convolutional layers, pooling layers, and fully connected layers
3- Introduction to TensorFlow/Keras for deep learning
- در این جلسه، به بررسی شبکه‌های عصبی و شبکه‌های عصبی کانولوشنی (CNN) پرداخته میشود. همچنین، لایه‌های کانولوشنی، لایه‌های استخر و لایه‌های کاملاً متصل توضیح داده میشود. مقدمه‌ای بر TensorFlow/Keras برای یادگیری عمیق نیز ارائه میشود.
کلمات کلیدی: یادگیری عمیق، شبکه‌های عصبی، CNN، TensorFlow، Keras.
جلسه ۶ هفته سوم
Session 6: Data Preparation for Image Classification + Guest Lecture
۱- Preprocessing ultrasound images
۲- Data augmentation techniques
۳- Organizing datasets for image classification tasks
۴- Guest Lecture: A doctor will discuss the role and impact of AI in the medical field,
focusing on real-world applications and challenges faced in clinical practice.
- در این جلسه، پیش‌پردازش تصاویر سونوگرافی و تکنیک‌های افزایش داده بررسی میشود. همچنین، سازماندهی مجموعه داده‌ها برای وظایف طبقه‌بندی تصویر انجام میشود. در این جلسه، یک پزشک درباره نقش و تأثیر هوش مصنوعی در پزشکی صحبت خواهد کرد.
کلمات کلیدی: آماده‌سازی داده، طبقه‌بندی تصویر، افزایش داده، سخنرانی مهمان، هوش مصنوعی در پزشکی.
جلسه ۷ هفته چهارم
Session 7: Building CNNs for Image Classification
۱- Designing and implementing CNNs for image classification
۲- Training the CNN model on ultrasound images
۳- Evaluating model performance and tuning hyperparameters
- این جلسه به طراحی و پیاده‌سازی CNNها برای طبقه‌بندی تصویر اختصاص دارد. همچنین، آموزش مدل CNN بر روی تصاویر سونوگرافی و ارزیابی عملکرد مدل و تنظیم هایپرپارامترها مورد بررسی قرار میگیرد.
کلمات کلیدی: ساخت CNN، طبقه‌بندی تصویر، آموزش مدل، ارزیابی عملکرد، هایپرپارامتر.
جلسه ۸ هفته چهارم
Session 8: Advanced CNN Architectures and Transfer Learning
۱- Exploring advanced CNN architectures (ResNet, DenseNet)
۲- Transfer learning and its applications in medical image analysis
۳- Fine-tuning a pre-trained model for image classification
- در این جلسه، به بررسی معماری‌های پیشرفته CNN مانند ResNet و DenseNet پرداخته میشود. همچنین، یادگیری انتقالی و کاربردهای آن در تحلیل تصاویر پزشکی مورد بررسی قرار میگیرد.
کلمات کلیدی: معماری CNN، یادگیری انتقالی، ResNet، DenseNet، تحلیل تصاویر پزشکی.
جلسه ۹ هفته پنجم
Session 9: Introduction to Image Segmentation
۱- Overview of segmentation tasks in medical imaging
۲- Introduction to U-Net and segmentation architectures
۳- Preprocessing images for segmentation tasks
- در این جلسه، به بررسی وظایف تقسیم‌بندی در تصویربرداری پزشکی و معرفی U-Net و معماری‌های تقسیم‌بندی پرداخته میشود. همچنین، پیش‌پردازش تصاویر برای وظایف تقسیم‌بندی مورد بررسی قرار میگیرد.
کلمات کلیدی: تقسیم‌بندی تصویر، U-Net، تصویربرداری پزشکی، پیش‌پردازش.
جلسه ۱۰ هفته پنجم
Session 10: Building a U-Net for Segmentation
۱- Implementing U-Net for segmenting breast lesions
۲- Training and evaluating the segmentation model
۳- Discussion of segmentation metrics (Dice score, Intersection over Union)
- این جلسه به پیاده‌سازی U-Net برای تقسیم‌بندی ضایعات پستان اختصاص دارد. همچنین، آموزش و ارزیابی مدل تقسیم‌بندی و بحث درباره معیارهای تقسیم‌بندی (نمره Dice، Intersection over Union) انجام میشود.
کلمات کلیدی: U-Net، تقسیم‌بندی ضایعات، آموزش مدل، معیارهای تقسیم‌بندی.
جلسه ۱۱ هفته ششم
Session 11: Model Interpretability and Explainable AI
۱- Importance of interpretability in medical AI applications
۲- Techniques for explaining model predictions (Grad-CAM, SHAP)
۳- Demonstrating explainable AI for classification and segmentation models
- در این جلسه، به اهمیت تفسیرپذیری در کاربردهای هوش مصنوعی پزشکی پرداخته میشود. تکنیک‌های توضیح پیش‌بینی‌های مدل (Grad-CAM، SHAP) و نمایش هوش مصنوعی قابل توضیح برای مدل‌های طبقه‌بندی و تقسیم‌بندی بررسی میشود.
کلمات کلیدی: تفسیر مدل، هوش مصنوعی قابل توضیح، Grad-CAM، SHAP، کاربردهای پزشکی.
جلسه ۱۲ هفته ششم
Session 12: Student Presentations and Future Plans
۱- Student presentations on their project
۲- Group discussion on potential future applications of AI in medical imaging
۳- Plans for further learning and exploration in medical AI
- در این جلسه، دانشجویان پروژه‌های خود را ارائه میدهند و بحث گروهی درباره کاربردهای آینده هوش مصنوعی در تصویربرداری پزشکی و برنامه‌های یادگیری و کاوش بیشتر در هوش مصنوعی پزشکی انجام میشود.
کلمات کلیدی: ارائه دانشجویی، کاربردهای آینده، هوش مصنوعی در تصویربرداری پزشکی، برنامه‌های یادگیری.
مدرس دوره
گواهینامه
در انتها بوت کمپ هوش مصنوعی در پزشکی فیلاگر، به دانشجویانی که حد نصاب لازم از پروژه‌ها را کسب کرده باشند، گواهینامه الکترونیکی به زبان انگلیسی و با Certificate Number قابل اعتبار سنجی از “جامعه هوش مصنوعی ایران|فیلاگر” تقدیم میشود. همچنین به دانشجویان برتر، سرتیفیکیت گولد Top Student ارائه خواهد شد.
سوالات متداول:
برای ورود به بوت کمپ هوش مصنوعی در پزشکی فیلاگر، آشنایی ابتدایی با پایتون نیاز است، اما در صورت نداشتن این آشنایی، نگران نباشید. یک مینی دوره آموزش پایتون مقدماتی توسط فیلاگر تهیه شده که پیش از شروع دوره در اختیار شماست و میتوانید با ورود به یوتیوب فیلاگر این مینی دوره کوتاه را آموزش ببینید.
چه مهندس باشید، چه پزشک و یا حتی از دانشجویان و محصلین علوم انسانی، این دوره برای شما مناسب هست. برای ورود به این دوره، نیاز به پیش زمینه های پزشکی یا مواردی به غیر از آشنایی اولیه با پایتون ندارید.
بله، بوت کمپ هوش مصنوعی در پزشکی فیلاگر با هدف آموزش عملی این فرایند به شما طراحی شده و در طی دوره شما به عنوان پروژه، مدل تشخیص کنسر را طراحی خواهید کرد.
ویدیو هر جلسه ضبط و بعد از برگزاری جلسه جهت تماشای آنلاین در اختیار تمام دانشجویان قرار خواهد گرفت تا افرادی که به هر دلیل نتوانستند در جلسه‌ای شرکت کنند به مطالب جلسات مختلف دسترسی داشته باشند. پس اگر موفق به حضور آنلاین در جلسه‌ای نشدید، جای نگرانی نیست و ویدیو در اختیار شماست.
البته اولویت اصلی، حضور دانشجویان دوره در کلاس آنلاین به منظور انجام تمرین‌ها و شرکت در پروژه‌هاست.
از همان ابتدای دوره، شما به همراه دیگر شرکت‌کنندگان در یک گروه تلگرامی اختصاصی با حضور مُدرس و تیم آموزشی عضو خواهید شد و میتوانید سوالات خود را به سادگی بپرسید و پاسخ بگیرید. همچنین در تمام جلسات حل تمرین و کلاس میتوانید سوالات خود را بپرسید.
ویدیو هر جلسه بعد از اتمام کلاس در اختیار شما قرار میگیرد تا بتوانید به محتوای کلاس دسترسی آنلاین داشته باشید. پس عدم حضور در یک یا چند جلسه اختلالی در فرایند یادگیری و یا گرفتن گواهینامه پایان دوره بعد از حل تمرین ها برای شما ایجاد نمیکند. البته حضور آنلاین در کلاس‌ها برای همکاری با دیگر دانشجویان در اولویت است.
بعد از کلیک بر روی دکمه “ثبت نام” در انتهای همین صفحه، وارد صفحه‌ای میشوید که در آن نام، نام خانوادگی، ایمیل و شماره تماس خود را باید وارد کنید.
حتما ایمیل و شماره تماس خود را به صورت صحیح وارد کنید. این دو مورد راه ارتباطی ما با شما هست.
سپس به صفحه پرداخت وارد میشوید. حداکثر تا ۷۲ ساعت پس از پرداخت موفق، از طرف فیلاگر به شما ایمیل ارسال میشود. تمام هماهنگی‌های بعدی جهت ورود به دوره و موارد دیگر، از طریق پشتیبانی تلگرام فیلاگر به شما اطلاع داده میشود.
در صورت وجود هر مشکلی، کافی است به تلگرام پشتیبانی فیلاگر با آی دی @filoger_support پیام بدهید.
بعد از پرداخت موفق، صبر کنید تا دوباره به وب سایت فیلاگر برگردید.
ما به آدرس ایمیلی که زمان ثبت‌نام وارد کردید هم پیام میدیم. پس ایمیل خودتون رو هم چک کنید.
پنل ورود به کلاس های آنلاین، پنل دسترسی به ویدیوهای هر جلسه، گروه تلگرامی دوره و … همگی از طریق اکانت پشتیبانی تلگرامی فیلاگر به شما معرفی خواهد شد. کافی است بعد از دریافت ایمیل، به آی دی پشتیبانی فیلاگر طبق روالی که در ایمیل ذکر شده، پیام دهید.
در هر مرحله در صورت نیاز به راهنمایی، به پشتیبانی تلگرام فیلاگر به آی دی filoger_support پیام دهید. همکاران ما تمام کارهای لازم برای شما را انجام میدهند 💜
اگر توی هر مرحله از ثبت‌نام مشکلی داشتید یا خواستید سوالی بپرسید، کافیه به آی دی تلگرام پشتیبانی فیلاگر در لینک زیر پیام بدید💜
t.me/filoger_support💬
نظرات دانشجویان دورهای قبل
نظرات دانشجویان دیگر دوره‌های آموزشی فیلاگر
نظرات دیگر دانشجویان فیلاگر، که باعث افتخار ماست💜
در صورت وجود هر سوال یا نیاز به راهنمایی، در تلگرام با آی‌دی پشتیبانی فیلاگر به نشانی filoger_support@ در ارتباط باشید.
قبل از هرچیزی، فرم درخواست مشاوره را تکمیل کنید!