با شرکت در این دوره، شما به مزایای کلیدی زیر دست خواهید یافت:

• کسب مهارت‌های تخصصی و پرتقاضا: شما بر یکی از مهم‌ترین فناوری‌های روز دنیا در حوزه سلامت مسلط می‌شوید و خود را از دیگران متمایز می‌کنید.
• توانایی حل مسائل واقعی: یاد می‌گیرید چگونه با چالش‌های کار با داده‌های پزشکی واقعی، از جمله پیش‌پردازش و افزایش داده، مقابله کنید و مدل‌هایی بسازید که دقت بالایی در تشخیص دارند.
• ایجاد پورتفولیوی قدرتمند: با تکمیل پروژه‌های عملی دوره، مانند تشخیص ذات‌الریه از روی تصاویر X-ray و طبقه‌بندی تومورهای مغزی، رزومه و پورتفولیوی خود را برای فرصت‌های شغلی آینده تقویت می‌کنید.
• درک عمیق از تئوری و عمل: این دوره تنها به کدنویسی محدود نمی‌شود؛ شما مفاهیم تئوریک پشت الگوریتم‌ها را نیز به خوبی درک خواهید کرد تا بتوانید مدل‌ها را بهینه کرده و معماری‌های جدید طراحی کنید.

• مبانی یادگیری عمیق و شبکه‌های عصبی:
  • مروری بر مفاهیم پایه یادگیری ماشین و تفاوت آن با یادگیری عمیق.
  • آشنایی کامل با مکانیزم‌های کلیدی مانند گرادیان کاهشی (Gradient Descent) و الگوریتم پس‌انتشار (Backpropagation).
  • درک عملکرد نورون‌ها، لایه‌ها و توابع فعال‌سازی (Activation Functions).
• مقدمه‌ای جامع بر شبکه‌های عصبی پیچشی (CNN):
  • تشریح کامل لایه‌های بنیادین CNN: لایه کانولوشن (Convolution)، لایه ادغام (Pooling) و لایه کاملاً متصل (Fully Connected).
  • آشنایی با معماری‌های کلاسیک و مدرن CNN مانند LeNet, AlexNet, VGG, و ResNet.
  • درک مفاهیم حیاتی مانند فیلترها (Kernels)، گام (Stride) و لایه‌گذاری (Padding) و تأثیر آن‌ها بر عملکرد مدل.
• کار تخصصی با تصاویر پزشکی:
  • آشنایی با فرمت‌های استاندارد تصاویر پزشکی، به‌ویژه فرمت DICOM و نحوه استخراج اطلاعات از آن.
  • یادگیری تکنیک‌های پیش‌پردازش (Preprocessing) ضروری مانند نرمال‌سازی هیستوگرام، تغییر اندازه و حذف نویز.
  • پیاده‌سازی روش‌های افزایش داده (Data Augmentation) برای جلوگیری از بیش‌برازش و بهبود تعمیم‌پذیری مدل.
• پیاده‌سازی مدل‌های CNN برای تشخیص بیماری:
  • آموزش عملی کار با کتابخانه‌های قدرتمند TensorFlow و Keras برای ساخت مدل‌های یادگیری عمیق.
  • پروژه عملی اول: ساخت یک مدل CNN از صفر برای تشخیص ذات‌الریه (Pneumonia) از روی تصاویر X-ray قفسه سینه.
  • پروژه عملی دوم: طبقه‌بندی انواع تومورهای مغزی با استفاده از تصاویر MRI و به‌کارگیری تکنیک‌های پیشرفته‌تر.
• تکنیک‌های پیشرفته و بهینه‌سازی مدل:
  • استفاده از یادگیری انتقالی (Transfer Learning) و Fine-Tuning مدل‌های از پیش آموزش‌دیده برای دستیابی به دقت بالا با داده‌های کمتر.
  • آشنایی با معیارهای ارزیابی عملکرد مدل در مسائل پزشکی مانند دقت (Accuracy)، حساسیت (Sensitivity/Recall)، و ویژگی (Specificity).
  • پیاده‌سازی تکنیک‌های جلوگیری از بیش‌برازش (Overfitting) مانند Dropout، Regularization و Early Stopping.

• آشنایی با مبانی برنامه‌نویسی پایتون: تسلط بر مفاهیم پایه‌ای مانند متغیرها، حلقه‌ها، توابع و ساختارهای داده (لیست‌ها و دیکشنری‌ها) ضروری است.
• درک اولیه از ریاضیات: آشنایی با مفاهیم مقدماتی جبر خطی (ماتریس‌ها و بردارها) و حساب دیفرانسیل (مشتق) به درک عمیق‌تر الگوریتم‌ها کمک می‌کند.
• آشنایی مقدماتی با یادگیری ماشین: اگرچه مفاهیم پایه مرور می‌شوند، داشتن یک دید کلی از مفاهیمی مانند آموزش، تست و اعتبارسنجی مدل یک مزیت محسوب می‌شود.
• انگیزه و اشتیاق برای یادگیری: مهم‌ترین پیش‌نیاز، علاقه شما به ترکیب دنیای هوش مصنوعی و پزشکی برای حل چالش‌های واقعی است.

• دانشجویان و فارغ‌التحصیلان رشته‌های فنی: مهندسی کامپیوتر، هوش مصنوعی، فناوری اطلاعات، و مهندسی پزشکی که به دنبال تخصص در یک حوزه نوآورانه هستند.
• متخصصان و دانشجویان علوم پزشکی: پزشکان، رادیولوژیست‌ها، و دانشجویان پزشکی که می‌خواهند با ابزارهای هوش مصنوعی آشنا شده و از آن‌ها در کار و تحقیقات خود استفاده کنند.
• توسعه‌دهندگان نرم‌افزار: برنامه‌نویسانی که قصد دارند وارد حوزه پررونق فناوری سلامت (Health-Tech) شوند و مهارت‌های خود را به‌روز کنند.
• پژوهشگران و تحلیلگران داده: افرادی که در تحقیقات خود با داده‌های تصویری سروکار دارند و می‌خواهند از قدرت یادگیری عمیق برای تحلیل داده‌های خود بهره ببرند.