پگاه حبی - دانشجوی ارشد مهندسی شیمی، محقق پارک علم و فناوری استان آذربایجان غربی
یاسر ترابی - دانشجوی ارشد مهندسی فناوری اطلاعات، محقق پارک علم و فناوری استان آذربایجان غربی
سمیرا کرامت طلاتپه - دانشجوی دکتری مهندسی کامپیوتر، محقق پارک علم و فناوری استان آذربایجان غربی
پرویز قربانزاده - مدرس دانشگاه، محقق پارک علم و فناوری استان آذربایجان غربی

تقریبا از چهار دهه پیش بادگیری عمیق و داده های زیست پزشکی در حال تکامل و تغذیه یکدیکر هستند. گستردگی. پیچیدگی ورشد روز افزون داده های زیست پزشکی. توسعه روش های جدید یادگیری عمیق را سبب شده است و کاربرد این روش ها در داده هایزیست پزشکی منحر به اکتشافات علمی ۹ راه حل های عملی شده است. پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی،حجم بسیار زیادی از داده های زبستی و فیزیولوژیک را ابجاد کرده است. از جمله تصویرهای پزشکی. الکتروانسفالو گرافی. نقشه هایژنوم و توالی های پرونئینی. بادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود.الگوربتم های میتنی بر بادگیری عمبق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند. توانایی بالایی برای استخراج کردنویژگی و الگوهای بادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این تحقیق فراهم کردن مروری بر روی تکنیک هایبادگیری عمیق و بعضی از حد ید ترین کاربردهای آن ها در زمینه ی زیست پزشکی می باشد. ما نخست معماری های مولد باد گیریعمیق و کاربردهای آن را بررسی می کنیم. سپس دو بخش دیکر از معماری های بادگیری عمیق. بعنی معماری های وابسته و معماری-های ترکیبی بادگیری عمیق را معرفی می کنیم. در نهابت بعضی از نمونه های کاربردی روش بادگیری عمیق ارائه می گردد.

یادگیری عمیق، زبست پزشکی، شبکه های عصبی، استخراج ویژگی