https://youtu.be/vLxgDQmM57Y?si=FWh5ATI49EU93wii

مباحث یادگیری عمیق و توضیحی در مورد انتشار جلو گرد (Forward Propagation) و انتشار عقبگرد (Backward Propagation)

این ویدیوهای آموزشی پیش نیاز شرکت در برخی کلاس های دانشگاهی بنده است که البته به طور مستقل می تواند برای فراگیران مفید باشد. بعد از مفاهیم یادگیری عمیق به سراغ مدلهای بزرگ زبانی (LLMs) خواهیم رفت.
در صورت علاقه به این مباحث در این کانال دانشگاهی می توانید سایبسکرایب کنید تا از مباحث جدید مطلع شوید.

https://www.youtube.com/channel/UCTOuxIhJxcxNOntTpamJeAA
امیدوارم برای دانشجویان داخل کشور مفید باشد. شاد و خرسند باشید./ افشین آشفته

#DeepLearning #AI #MachineLearning #ForwardPropagation #Backpropagation

https://youtu.be/yNvvVPAhkD0?si=9jbayXQNfauz7beb
گفتگو با پروفسور دکتر ریس سی جونز در رابطه با سواد آماری و چگونگی داستان سرایی با داده
پروفسور دکتر جونز استاد مدعو آموزش آمار در دانشگاه متروپولیتن منچستر و عضو هیئت تحریریه مجله تدریس آمار است.
در مراسم روز جهانی سواد آماری افتخار عضویت در نشستی را داشتم که از ایشان به عنوان سخنران مدعو دعوت کردیم و در این سخنرانی جذاب، پروفسور جونز به بررسی قدرت سواد آماری و چگونگی استفاده از داده ها برای ایجاد روایت های قانع کننده پرداخت و با تکیه بر تجربه گسترده خود در علوم زیست پزشکی، آموزش و آمار، بینش هایی را در مورد اهمیت درک و برقراری ارتباط موثر داده ها به اشتراک گذاشت.
موضوعات کلیدی تحت پوشش:
✅ نقش داستان سرایی در تحلیل داده ها
✅ چرا سواد آماری در تجارت، تحقیق و زندگی روزمره اهمیت دارد
✅ چگونه از داده ها درک درستی داشته باشیم
✅تفاوت آمار توصیفی و استنباطی
✅ نمونه های واقعی از تفسیر نادرست داده ها
امیدوارم لذت ببرید./افشین آشفته

برای اطلاع از بقیه مباحث، می توانید در کانال یوتیوب زیر سایبسکرایب کنید.
https://www.youtube.com/channel/UCTOuxIhJxcxNOntTpamJeAA

کاوش در چرخه حیات علم داده: سفر از دیتا تا نتیجه موثر
https://dassweb.fep.up.pt
سخنرانی بنده در وبینار علم داده و آمار که توسط دانشکده اقتصاد دانشگاه پورتو با دعوت پروفسور پائولا بریتو و پروفسور ماریا ادواردا سیلوا
در این سخنرانی به چگونه تاثیر علم داده و هوش مصنوعی با استفاده از منابع داده جدید پرداختم.
امروزه با پیشرفت در مدلهای زبانی بزرگ، هوش مصنوعی، DataSpace و پلتفرم‌های وب، متخصصان در سراسر صنایع باید با سیستم‌های پیچیده و کارآمد منطبق شوند. با این حال، این انطباق و پذیرش این فناوری‌ها به چیزی بیش از تخصص فنی نیاز دارد.
مفاهیمی مانند متدولوژی‌های به‌روز، حاکمیت قوی در امنیت و حریم خصوصی، و چارچوب های قانونی و عملیاتی هوش مصنوعی که می بایست با دقت و ظرافت تدوین شوند.
متخصصانی باید تربیت شوند که مجموعه ای از مهارت‌های متنوع را دارا باشند.
این جلسه فرصتی برای بحث در مورد چگونگی پر کردن شکاف بین فناوری و اجرای عملی در صنعت بود.
ویدئو و اسلاید در اینجا موجود است:
https://lnkd.in/dVvkMYUH

نوروز و مقدم بهار بر همه همراهان گرامی فرخنده باد!

اهمیت سواد داده و آمار در عصر هوش مصنوعی

👉 https://lnkd.in/dxkxX3QC

🎙️گفتگویی با دکتر استیو از سازمان همکاری و توسعه اقتصادی (OECD) و مدیر سابق بخش تحلیل داده های سازمان بهداشت جهانی (WHO)، که مطالب جالبی را در مورد اهمیت سواد داده و آمار برای همگی در دنیای امروز داده‌ها، هوش مصنوعی و جریان سریع اطلاعات به اشتراک می‌گذارد.

🧠دکتر استیو اعتقاد دارد «سواد داده و آمار فقط مربوط به درک اعداد نیست، بلکه نیازمند شناخت زمینه و موضوع، ایجاد کنجکاوی و شک‌گرایی علمی و ارایه پاسخی قابل قبول برای ارتباطی شفاف است.»

در این ویدیو موضوعات زیر به بحث گذاشته شده است:

📚 بحث (1): معنای سواد داده‌ و آمار
📚 بحث (2): داستان‌سرایی با داده‌ها
📚 بحث (3): چگونگی انتقال مفاهیم تفکر انتقادی
📚 بحث (4): پیشرفت‌های فناوری، هوش مصنوعی و نوآوری‌ها
📚 بحث (5): مسیرهای آینده و تأثیر جهانی داده و آمار در عصر هوش مصنوعی

این ویدیو را در یوتیوب مشاهده کنید.
👉 https://lnkd.in/dxkxX3QC

امیدوارم برای علاقه مندان داخل کشور مفید باشد.
در صورت لزوم می توانید زیرنویس فارسی را فعال کنید.

#سواد_آماری #سواد_داده #هوش_مصنوعی #علم_داده

درود به همگی. این مقاله با موضوع پرکاربرد امروزه MLOps تقدیم می شود که به بررسی اهمیت ذخیره‌سازهای ویژگی در چارچوب‌های عملیات یادگیری ماشین (ML) می‌پردازد، و به طور خاص بررسی می‌کند که چگونه بر زمان پردازش و کارایی کلی گردش کار تأثیر می‌گذارند. این مقاله با همکاری یکی از دانشجویان بنده شاغل در بانک مرکزی برزیل در این مجله علمی IEEE به چاپ رسید. امیدوارم مورد استفاده علاقه مندان قرار گیرد.

Nunes, C., & Ashofteh, A. (2025). The Feature Stores in Streamlining MLOps Workflows. IT Professional, 27(4), 40-47. doi: 10.1109/MITP.2025.3532129
👉 https://doi.org/10.1109/MITP.2025.3532129

سپاس از مهرتان./آشفته

درود. ویدیوی آخرین سخنرانی بنده در دانشگاه پورتو در ارتباط با علم داده و هوش مصنوعی

لینکدین
https://www.linkedin.com/groups/12424311/
یوتیوب
https://youtu.be/GKtc4QQ9MlQ

در صورت نیاز می توانید از زیرنویس فارسی یوتیوب استفاده کنید. در این کانال برخی کلاس ها و سخنرانی ها به مرور به اشتراک گذاشته می شود. امیدوارم برای دانشجویان داخل کشور مفید باشد. /شاد و خرم باشید.

مقاله اخیر در رابطه با بکارگیری یادگیری ماشین برای ارزیابی ریسک اعتباری مشتری

Pereira, A.F.P., Ashofteh, A. (2026). The Main Challenges of Machine Learning for Credit Scoring. Springer, Cham. https://doi.org/10.1007/978-3-032-12879-9_45

درود. در زیر برخی تحقیقات اخیر را تقدیم دوستان ارجمند می کنم. مهرتان پایدار.

- Feroz, A., Ashofteh, A., & Doosti, H. (2025). Biologically Realistic Bayesian Shape-Constrained Mortality Forecasting with Wavelet Smoothing.
https://aisel.aisnet.org/acis2025/274

- Pereira, A., & Ashofteh, A. (2026). The Main Challenges of Machine Learning for Credit Scoring.
https://doi.org/10.1007/978-3-032-12879-9_45

- Coutinho, M. A., Ashofteh, A., & Al Helaly, Y. (2026). Risk Taxonomies and Governance Frameworks for Generative AI: A Review of Ethical, Cybersecurity, and Regulatory Challenges.
https://doi.org/10.1007/978-3-032-10721-3_1

- Diachkov, D., & Ashofteh, A. (2026). Exploring Machine Learning Techniques for Early Detection of Macroeconomic Crisis.
https://doi.org/10.1007/978-3-032-10721-3_65

- Duarte, A., Zuffa, M., & Ashofteh, A. (2026). Brand Impact on the Perception of Colours and Archetypes.
https://doi.org/10.62161/revvisual.v18.5967

- Pereira, J. L., Ashofteh, A., & Scott, I. (2026). Blockchain for Know Your Customer Process in Anti-money Laundering Compliance: A Review in Financial Services.
https://doi.org/10.1007/978-3-032-10721-3_10

- Carvalho, R., Ashofteh, A., & Campos, P. (2026). AI-Driven Output Checking for Official Statistics: Leveraging LLMs and Workflow Automation.
https://doi.org/10.1007/978-3-032-10721-3_27

درود و آرزوی سلامتی برای همگی؛ همانطور که می دانید گروهی پارسی زبان در لینکدین درباره علم داده و هوش مصنوعی داریم که در طی قطعی اینترنت و کاهش شدید فعالیت بیشتر اعضا، گروه از طرف لینکدین غیرفعال تلقی شد.
نتیجه در کمال تعجب این بود که کلیه مطالب گروه لینکدین که در طی چندسال گذشته جهت ارتقای دانش، اطلاع از تحولات فناوری های اخیر و کمک به نسل جوان داخل کشور به اشتراک گذاشته شده بودند به طور خودکار حذف شدند.
جهت احیای گروه، تقاضایی از همراهان عزیز دارم.
لطفا مطالب علمی و تجربیات تخصصی خودتان را در زمینه علم داده و هوش مصنوعی مجددا در گروه لینکدین زیر به اشتراک بگذارید تا با اشتراک مطالب شما به حالت قبل برگردیم.
https://www.linkedin.com/groups/12424311/
به اشتراک گذاری مطالب علمی، تجربیات، تحولات اخیر و دانش تخصصی و تجربیات کاری شما در زمینه علم داده، یادگیری ماشین، هوش مصنوعی و فناوری های نوین بسیار مفید و سازنده خواهند بود.

همانطور که می دانید تبلیغات دوره ها، کنفرانس ها، محصولات، شرکت ها و غیره منتشر نخواهند شد.

منتظر مطالب شما دوستان هستیم. 💐

باسپاس، افشین آشفته، عضو هیات علمی دانشگاه نووا

#ققنوس

همراهان گرامی درود. امروز سه شنبه ساعت ۱۷:۳۰ (پنج و نیم عصر به وقت ایران) سخنرانی در رابطه با مدلسازی سریهای زمانی توسط یکی از دوستان بنده که استاد علوم کامپیوتر، ریاضیات و آمار دانشگاه ایلینوی هستند در دانشگاه نووا برگزار می شود که لینک زیر را برای علاقه مندان به شرکت آنلاین در مایکروسافت تیمز در دسترس قرار دادم.

https://teams.microsoft.com/meet/362618635712328?p=EIGRq2DzNDiGbbJ5MO

همانطور که می دانید ارایه به زبان انگلیسی است.

مقاله جدیدی امروز با عنوان «تبدیل کانولوشن برای کاهش ابعاد کافی در سری‌های زمانی» را که در مجله ژاپنی آمار و علوم داده (https://doi.org/10.1007/s42081-026-00364-y) منتشر کردیم که در لینک زیر به صورت رایگان قابل مطالعه است.

https://rdcu.be/fxyoh

این مقاله در مورد مدل های پیش بینی سری زمانی است.
معمولا مجموعه داده‌های سری زمانی اغلب شامل مشاهدات یا تأخیرهای گذشته زیادی هستند، اما تنها تعداد کمی از ترکیبات این تأخیرها ممکن است برای درک یا پیش‌بینی اتفاقات بعدی مهم باشند.
در این مقاله، ما یک روش جدید کاهش ابعاد کافی مبتنی بر کانولوشن را معرفی می‌کنیم که اطلاعات تأخیرهای با ابعاد بالا را فشرده می‌کند و در عین حال مرتبط‌ترین اطلاعات در مورد رفتار آینده سری را حفظ می‌کند.
این کاهش ابعاد می تواند مدل‌های واضح‌تر، سریع‌تر و قابل اعتمادتر در زمینه‌هایی مانند امور مالی، اقتصاد، بیمه، بهداشت عمومی و پیش‌بینی‌های زیست‌محیطی و غیره تولید کند.
از دیگر نویسندگان این مقاله از دانشگاه وست فلوریدا و دانشگاه ساوترن ایلینوی صمیمانه تشکر می‌کنم.
لینکدین:
https://www.linkedin.com/groups/12424311/