Onlinebme
🧠 چین یک گام مهم در مسیر تجاریسازی رابطهای مغز و کامپیوتر برداشت. نهادهای نظارتی چین مجوز استفاده پزشکی از سامانه BCI موسوم به NEO را صادر کردهاند؛ سامانهای که به افراد مبتلا به آسیبهای نخاعی کمک میکند تنها با سیگنالهای مغزی، یک دستکش رباتیک را کنترل…
💡متا از نسل جدید رابط مغز و کامپیوتر غیرتهاجمی خود رونمایی کرد.
✍پژوهشگران متا از Brain2Qwerty v2، پیشرفتهترین سامانه غیرتهاجمی برای تبدیل فعالیت مغز به متن، رونمایی کردهاند. این سامانه با ترکیب سیگنالهای مغزی ثبتشده توسط دستگاه MEG، مدلهای یادگیری عمیق و مدلهای زبانی بزرگ (LLMs)، میتواند جملات را تقریباً بهصورت لحظهای رمزگشایی کند.
نکته جالب اینجاست که Brain2Qwerty v2 بدون نیاز به کاشت الکترود در مغز کار میکند، اما دقت آن به سطحی نزدیک شده که پیشتر تنها در رابطهای مغز و کامپیوتر تهاجمی قابل دستیابی بود. متا همچنین کدهای آموزشی این پروژه را بهصورت متنباز منتشر کرده تا پژوهشگران سراسر جهان بتوانند این مسیر را ادامه دهند.
💡 چرا این خبر مهم است؟
این پژوهش میتواند گامی مهم در توسعه رابطهای مغز و کامپیوتر غیرتهاجمی باشد؛ فناوریای که در آینده شاید به افرادی که به دلیل بیماریهای عصبی یا آسیبهای مغزی توانایی صحبت کردن را از دست دادهاند، امکان برقراری ارتباط مؤثر را بدهد.
📚 مطالعه بیشتر:
🔗 https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍پژوهشگران متا از Brain2Qwerty v2، پیشرفتهترین سامانه غیرتهاجمی برای تبدیل فعالیت مغز به متن، رونمایی کردهاند. این سامانه با ترکیب سیگنالهای مغزی ثبتشده توسط دستگاه MEG، مدلهای یادگیری عمیق و مدلهای زبانی بزرگ (LLMs)، میتواند جملات را تقریباً بهصورت لحظهای رمزگشایی کند.
نکته جالب اینجاست که Brain2Qwerty v2 بدون نیاز به کاشت الکترود در مغز کار میکند، اما دقت آن به سطحی نزدیک شده که پیشتر تنها در رابطهای مغز و کامپیوتر تهاجمی قابل دستیابی بود. متا همچنین کدهای آموزشی این پروژه را بهصورت متنباز منتشر کرده تا پژوهشگران سراسر جهان بتوانند این مسیر را ادامه دهند.
💡 چرا این خبر مهم است؟
این پژوهش میتواند گامی مهم در توسعه رابطهای مغز و کامپیوتر غیرتهاجمی باشد؛ فناوریای که در آینده شاید به افرادی که به دلیل بیماریهای عصبی یا آسیبهای مغزی توانایی صحبت کردن را از دست دادهاند، امکان برقراری ارتباط مؤثر را بدهد.
📚 مطالعه بیشتر:
🔗 https://ai.meta.com/blog/brain2qwerty-brain-ai-human-communication/
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
Meta AI
From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery
❤6👏2
Onlinebme
💡متا از نسل جدید رابط مغز و کامپیوتر غیرتهاجمی خود رونمایی کرد. ✍پژوهشگران متا از Brain2Qwerty v2، پیشرفتهترین سامانه غیرتهاجمی برای تبدیل فعالیت مغز به متن، رونمایی کردهاند. این سامانه با ترکیب سیگنالهای مغزی ثبتشده توسط دستگاه MEG، مدلهای یادگیری عمیق…
This media is not supported in your browser
VIEW IN TELEGRAM
From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery😉
@Onlinebme
@Onlinebme
❤8👍1
Forwarded from frjm
👏7
Forwarded from frjm
این پژوهش یک مدل یادگیری عمیق ترکیبی با نام ResSPNet برای احراز هویت افراد بر اساس سیگنالهای EEG ارائه میکند. در این مدل، شبکه SPCNN ویژگیهای زمانی و مکانی سیگنال خام EEG را استخراج میکند و شبکه ResNet-101 نیز ویژگیهای فرکانسی را از تصاویر طیفنگار حاصل از تبدیل STFT یاد میگیرد. سپس این ویژگیها با یکدیگر ترکیب میشوند تا فرایند احراز هویت با دقت و اطمینان بیشتری انجام شود.
برای افزایش کاربردپذیری سیستم، تعداد کانالهای EEG از ۲۲ کانال به ۶ کانال کاهش یافته است. مدل با ۲۲ کانال به F-score برابر با ۹۸٫۸ درصد و با ۶ کانال منتخب به ۹۶٫۱ درصد رسید؛ بنابراین، با افت اندک عملکرد، پیچیدگی و هزینه سیستم کاهش یافت.
برای افزایش کاربردپذیری سیستم، تعداد کانالهای EEG از ۲۲ کانال به ۶ کانال کاهش یافته است. مدل با ۲۲ کانال به F-score برابر با ۹۸٫۸ درصد و با ۶ کانال منتخب به ۹۶٫۱ درصد رسید؛ بنابراین، با افت اندک عملکرد، پیچیدگی و هزینه سیستم کاهش یافت.
👏13❤3👍1
Forwarded from frjm
سلام اقای دکتر وقتتون بخیر مقاله من هم چاپ شد خواستم ازتون تشکر کنم راهنمایی ها و دوره های شما نبود من هیچوقت نمیتونست این مسیر رو شروع کنم.
یه دنیا تشکر برای لطف و محبتتون
یه دنیا تشکر برای لطف و محبتتون
❤22👍2😁1
📱 گوشی شما زمان رو دو بار ازتون میدزده!
⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.
🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه میکنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.
و حتی عجیبتر...
@onlinebme
⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.
🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه میکنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.
و حتی عجیبتر...
@onlinebme
❤4
Onlinebme
📱 گوشی شما زمان رو دو بار ازتون میدزده! ⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته. 🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه میکنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم. و حتی عجیبتر... @onlinebme
📱 گوشی شما زمان رو دو بار ازتون میدزده!
فرض کنید صبح گوشی رو فقط برای چک کردن یه پیام برمیدارید...
یه ویدئو میبینید، بعد یکی دیگه، یه خبر، یه پست، یه استوری...
سرتون رو که بلند میکنید، میبینید یک ساعت گذشته! 😐
حالا از خودتون میپرسید: «من توی این یک ساعت دقیقاً چی کار کردم؟»
و عجیب اینجاست که خیلی وقتها جواب مشخصی ندارید. همهچیز یه جور مبهمه.
🔺این فقط یه حس شخصی نیست.
🔬پژوهشها درباره ادراک زمان و رسانههای دیجیتال نشون میدن که وقتی شدیداً درگیر محتوای دیجیتال میشیم، توجه ما مدام از یک محرک به محرک بعدی منتقل میشه. مغز برای دنبال کردن این جریان بیپایان محتوا انرژی و توجه زیادی مصرف میکنه و در نتیجه، توجه کمتری برای دنبال کردن گذر زمان باقی میمونه
.
یعنی یک ساعت واقعاً سریعتر نگذشته؛ ما فقط کمتر متوجه گذشتنش شدیم.
حتی جالبتر اینکه در یک مطالعه، وقتی افراد خودشان محتوای بعدی را انتخاب میکردند، کمبرآورد کردن زمان شدیدتر از زمانی بود که فقط همان محتوا را به صورت منفعلانه تماشا میکردند.
اما قسمت عجیبتر ماجرا بعداً اتفاق میافته!
شب که میشه و میخواید روزتون رو مرور کنید، مغز برای ساختن یک تصویر از گذشته به نقاط عطف حافظه تکیه میکنه.
·▪️ یه گفتوگوی خوب
·▪️ یه پیاده روی
·▪️ یه غذای خوب با دوستتون
·▪️ یه اتفاق جالب
اینها تبدیل میشن به لنگرهایی که روزمون رو در حافظه نگه میدارن.
اما یک ساعت اسکرول کردن چی؟
دهها و شاید صدها محتوای کاملاً متفاوت...
خبر، طنز، تبلیغ، گربه، ورزش، سیاست، یک ویدئو، یک دستور غذا...
آنقدر متنوع و پراکنده که در نهایت ممکنه هیچکدوم تبدیل به یک خاطره مشخص نشن.
و اینجاست که گوشی میتونه زمان رو دو بار از ما بدزده:
⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.
🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه میکنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.
و حتی عجیبتر...
گاهی لازم نیست اصلاً گوشی رو دستتون گرفته باشید.
برخی پژوهشها نشون دادهاند که صرف حضور گوشی هوشمند روی میز، حتی وقتی خاموش و صفحهاش رو به پایینه، میتونه با عملکرد توجه تداخل داشته باشه.
اما شاید مهمترین بخش این داستان این باشه:
🧠 ما لزوماً خاطرات کمتری پیدا نمیکنیم؛ داریم خاطرات کمرنگتری میسازیم.
هر روز حجم بسیار زیادی از محتوای دیجیتال وارد زندگی ما میشه. تجربههای زیادی داریم، اما بخش زیادی از آنها ممکنه هیچ وقت به یک «نقطه عطف» در حافظه تبدیل نشن.
💡خبر خوب؟ این اتفاق قابل تغییر دادنه.
شاید گاهی گوشی رو بذاریم توی اتاق دیگه.
گاهی چند ساعت بدون صفحه نمایش داشته باشیم.
و شاید از همه مهمتر، به جای اینکه همیشه دنبال محتوای بیشتر باشیم، کمی بیشتر در همان چیزی که داریم تجربه میکنیم بمانیم.
چون شاید مشکل این نباشه که زندگیمون اتفاقات کمی داره.
شاید فقط باید به مغزمون فرصت بدیم اتفاقات مهم رو ثبت کنه...
📚 مطالعه بیشتر:
https://msense.de/posts/your-phone-steals-time-twice/
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
فرض کنید صبح گوشی رو فقط برای چک کردن یه پیام برمیدارید...
یه ویدئو میبینید، بعد یکی دیگه، یه خبر، یه پست، یه استوری...
سرتون رو که بلند میکنید، میبینید یک ساعت گذشته! 😐
حالا از خودتون میپرسید: «من توی این یک ساعت دقیقاً چی کار کردم؟»
و عجیب اینجاست که خیلی وقتها جواب مشخصی ندارید. همهچیز یه جور مبهمه.
🔺این فقط یه حس شخصی نیست.
🔬پژوهشها درباره ادراک زمان و رسانههای دیجیتال نشون میدن که وقتی شدیداً درگیر محتوای دیجیتال میشیم، توجه ما مدام از یک محرک به محرک بعدی منتقل میشه. مغز برای دنبال کردن این جریان بیپایان محتوا انرژی و توجه زیادی مصرف میکنه و در نتیجه، توجه کمتری برای دنبال کردن گذر زمان باقی میمونه
.
یعنی یک ساعت واقعاً سریعتر نگذشته؛ ما فقط کمتر متوجه گذشتنش شدیم.
حتی جالبتر اینکه در یک مطالعه، وقتی افراد خودشان محتوای بعدی را انتخاب میکردند، کمبرآورد کردن زمان شدیدتر از زمانی بود که فقط همان محتوا را به صورت منفعلانه تماشا میکردند.
اما قسمت عجیبتر ماجرا بعداً اتفاق میافته!
شب که میشه و میخواید روزتون رو مرور کنید، مغز برای ساختن یک تصویر از گذشته به نقاط عطف حافظه تکیه میکنه.
·▪️ یه گفتوگوی خوب
·▪️ یه پیاده روی
·▪️ یه غذای خوب با دوستتون
·▪️ یه اتفاق جالب
اینها تبدیل میشن به لنگرهایی که روزمون رو در حافظه نگه میدارن.
اما یک ساعت اسکرول کردن چی؟
دهها و شاید صدها محتوای کاملاً متفاوت...
خبر، طنز، تبلیغ، گربه، ورزش، سیاست، یک ویدئو، یک دستور غذا...
آنقدر متنوع و پراکنده که در نهایت ممکنه هیچکدوم تبدیل به یک خاطره مشخص نشن.
و اینجاست که گوشی میتونه زمان رو دو بار از ما بدزده:
⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.
🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه میکنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.
و حتی عجیبتر...
گاهی لازم نیست اصلاً گوشی رو دستتون گرفته باشید.
برخی پژوهشها نشون دادهاند که صرف حضور گوشی هوشمند روی میز، حتی وقتی خاموش و صفحهاش رو به پایینه، میتونه با عملکرد توجه تداخل داشته باشه.
اما شاید مهمترین بخش این داستان این باشه:
🧠 ما لزوماً خاطرات کمتری پیدا نمیکنیم؛ داریم خاطرات کمرنگتری میسازیم.
هر روز حجم بسیار زیادی از محتوای دیجیتال وارد زندگی ما میشه. تجربههای زیادی داریم، اما بخش زیادی از آنها ممکنه هیچ وقت به یک «نقطه عطف» در حافظه تبدیل نشن.
💡خبر خوب؟ این اتفاق قابل تغییر دادنه.
شاید گاهی گوشی رو بذاریم توی اتاق دیگه.
گاهی چند ساعت بدون صفحه نمایش داشته باشیم.
و شاید از همه مهمتر، به جای اینکه همیشه دنبال محتوای بیشتر باشیم، کمی بیشتر در همان چیزی که داریم تجربه میکنیم بمانیم.
چون شاید مشکل این نباشه که زندگیمون اتفاقات کمی داره.
شاید فقط باید به مغزمون فرصت بدیم اتفاقات مهم رو ثبت کنه...
📚 مطالعه بیشتر:
https://msense.de/posts/your-phone-steals-time-twice/
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
MSense Lab
Your phone steals time twice
Multisensory Perception and Action Lab, LMU Munich
❤6🙏5
⚠️از این به بعد، Claude متنهاتون رو علامتگذاری میکنه. حتی اگه فقط ویرایش کرده باشین!
داستان از این قراره که شرکت Anthropic، همون سازندهی Claude، رسماً اعلام کرده مدلهاش دیگه متنهایی که تولید میکنن رو با
یه «واترمارک نامرئی» علامت گذاری میکنه. این کار رو برای رعایت قوانین جدید شفافیت
اتحادیه اروپا انجام دادن، اما نکتهی مهم اینه که این علامتگذاری فقط مال اروپا
نیست؛ جهانیه و همهجا اعمال میشه.
@onlinebme
داستان از این قراره که شرکت Anthropic، همون سازندهی Claude، رسماً اعلام کرده مدلهاش دیگه متنهایی که تولید میکنن رو با
یه «واترمارک نامرئی» علامت گذاری میکنه. این کار رو برای رعایت قوانین جدید شفافیت
اتحادیه اروپا انجام دادن، اما نکتهی مهم اینه که این علامتگذاری فقط مال اروپا
نیست؛ جهانیه و همهجا اعمال میشه.
@onlinebme
Onlinebme
⚠️از این به بعد، Claude متنهاتون رو علامتگذاری میکنه. حتی اگه فقط ویرایش کرده باشین! داستان از این قراره که شرکت Anthropic، همون سازندهی Claude، رسماً اعلام کرده مدلهاش دیگه متنهایی که تولید میکنن رو با یه «واترمارک نامرئی» علامت گذاری میکنه. این…
⚠️از این به بعد، Claude متنهاتون رو علامتگذاری میکنه. حتی اگه فقط ویرایش کرده باشین!
داستان از این قراره که شرکت Anthropic، همون سازندهی Claude، رسماً اعلام کرده مدلهاش دیگه متنهایی که تولید میکنن رو با
یه «واترمارک نامرئی» علامت گذاری میکنه. این کار رو برای رعایت قوانین جدید شفافیت
اتحادیه اروپا انجام دادن، اما نکتهی مهم اینه که این علامتگذاری فقط مال اروپا
نیست؛ جهانیه و همهجا اعمال میشه.
▪️حالا دقیقاً چی میشه؟
وقتی Claude براتون متن مینویسه، یه علامت ماشینی (watermark) خیلی ریز و نامرئی رو مستقیم توی خودِ متن جاسازی
میکنه. شما با چشم نمیبینینش، معنای جمله رو خراب نمیکنه، کیفیتش هم همونطور میمونه.
ولی وقتی کپی میکنین و جای دیگه پیست میکنین، این علامت همراهش میره. حتی بعضی وقتا بعد از ویرایشهای سبک هم هنوز پابرجاست!
🔺 برای فایلها و عکسها هم قضیه جداست. اونا رو با متادیتای امضاشدهی دیجیتال (استاندارد C2PA) نشونهدار میکنه تا معلوم بشه این فایل از زیر دست Claude رد شده.
▪️ولی بخش واقعاً نگرانکنندهش اینه:
فرض کنین خودتون متن رو نوشتین و فقط دادین به Claude که یه کم ویرایش کنه، ترجمهش کنه، خلاصهش کنه یا نگارشش رو بهتر کنه. باز هم ممکنه خروجی نهایی این علامت رو داشته باشه. سیستم فقط میفهمه که «این متن از Claude عبور کرده»، نه اینکه لزوماً خودِ Claude نویسندهی اصلیش بود.
▪️شرکت Anthropic گفته قراره ابزار تشخیص این علامتها رو در اختیار ناشرها، ژورنالهای علمی، دانشگاهها و پلتفرمها بذاره. جزئیاتش
هنوز نیومده، اما مسیر مشخصه: ردیابی محتواهایی که با هوش مصنوعی تولید یا پردازش شدن، داره خیلی راحتتر میشه.
💡 این موضوع مخصوصاً برای دنیای دانشگاه و پژوهش مهمه.
تصور کنین در آینده یه ژورنال یا دانشگاه بتونه علاوه بر ابزارهای تشخیص AI، بررسی کنه که آیا یه متن یا فایل ردپایی از تولید یا پردازش توسط یه مدل هوش مصنوعی داره یا نه.
▪️دیگه فقط بحث این نیست که «آیا این متن شبیه نوشتهی AI هست؟» بلکه میشه پرسید: ؟ « این محتوا کجا و چطور تولید یا پردازش شده؟ » به این مفهوم میگن Content Provenance؛ یعنی منشأ و سابقهی تولید محتوا.
▪️البته Anthropic تأکید کرده که وجود این علامت بهمعنی اثبات صددرصدی «نویسندگی کامل توسط هوش مصنوعی» نیست و اگه متن رو حسابی بازنویسی کنین، ممکنه علامت ضعیف بشه یا از بین بره. ولی واقعیت اینه که عصر متنهای کاملاً بدون ردپا، داره کمکم تموم میشه.
🧐 شما چطور با این موضوع برخورد میکنین؟ اینو اقدام مثبتی برای شفافیت میدونین، یا محدودیت
جدیدی برای استفادهی آزاد از ابزارهای هوش مصنوعی؟
نظرتون رو بگین.
📚 مطالعه بیشتر:
🔗 راهنمای رسمی Anthropic درباره نحوه علامتگذاری محتوای Claude:
How Claude marks AI-generated content
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
داستان از این قراره که شرکت Anthropic، همون سازندهی Claude، رسماً اعلام کرده مدلهاش دیگه متنهایی که تولید میکنن رو با
یه «واترمارک نامرئی» علامت گذاری میکنه. این کار رو برای رعایت قوانین جدید شفافیت
اتحادیه اروپا انجام دادن، اما نکتهی مهم اینه که این علامتگذاری فقط مال اروپا
نیست؛ جهانیه و همهجا اعمال میشه.
▪️حالا دقیقاً چی میشه؟
وقتی Claude براتون متن مینویسه، یه علامت ماشینی (watermark) خیلی ریز و نامرئی رو مستقیم توی خودِ متن جاسازی
میکنه. شما با چشم نمیبینینش، معنای جمله رو خراب نمیکنه، کیفیتش هم همونطور میمونه.
ولی وقتی کپی میکنین و جای دیگه پیست میکنین، این علامت همراهش میره. حتی بعضی وقتا بعد از ویرایشهای سبک هم هنوز پابرجاست!
🔺 برای فایلها و عکسها هم قضیه جداست. اونا رو با متادیتای امضاشدهی دیجیتال (استاندارد C2PA) نشونهدار میکنه تا معلوم بشه این فایل از زیر دست Claude رد شده.
▪️ولی بخش واقعاً نگرانکنندهش اینه:
فرض کنین خودتون متن رو نوشتین و فقط دادین به Claude که یه کم ویرایش کنه، ترجمهش کنه، خلاصهش کنه یا نگارشش رو بهتر کنه. باز هم ممکنه خروجی نهایی این علامت رو داشته باشه. سیستم فقط میفهمه که «این متن از Claude عبور کرده»، نه اینکه لزوماً خودِ Claude نویسندهی اصلیش بود.
▪️شرکت Anthropic گفته قراره ابزار تشخیص این علامتها رو در اختیار ناشرها، ژورنالهای علمی، دانشگاهها و پلتفرمها بذاره. جزئیاتش
هنوز نیومده، اما مسیر مشخصه: ردیابی محتواهایی که با هوش مصنوعی تولید یا پردازش شدن، داره خیلی راحتتر میشه.
💡 این موضوع مخصوصاً برای دنیای دانشگاه و پژوهش مهمه.
تصور کنین در آینده یه ژورنال یا دانشگاه بتونه علاوه بر ابزارهای تشخیص AI، بررسی کنه که آیا یه متن یا فایل ردپایی از تولید یا پردازش توسط یه مدل هوش مصنوعی داره یا نه.
▪️دیگه فقط بحث این نیست که «آیا این متن شبیه نوشتهی AI هست؟» بلکه میشه پرسید: ؟ « این محتوا کجا و چطور تولید یا پردازش شده؟ » به این مفهوم میگن Content Provenance؛ یعنی منشأ و سابقهی تولید محتوا.
▪️البته Anthropic تأکید کرده که وجود این علامت بهمعنی اثبات صددرصدی «نویسندگی کامل توسط هوش مصنوعی» نیست و اگه متن رو حسابی بازنویسی کنین، ممکنه علامت ضعیف بشه یا از بین بره. ولی واقعیت اینه که عصر متنهای کاملاً بدون ردپا، داره کمکم تموم میشه.
🧐 شما چطور با این موضوع برخورد میکنین؟ اینو اقدام مثبتی برای شفافیت میدونین، یا محدودیت
جدیدی برای استفادهی آزاد از ابزارهای هوش مصنوعی؟
نظرتون رو بگین.
📚 مطالعه بیشتر:
🔗 راهنمای رسمی Anthropic درباره نحوه علامتگذاری محتوای Claude:
How Claude marks AI-generated content
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
Claude
How Claude marks AI-generated content | Claude Help Center
😐5👏4👌2🤣1
This media is not supported in your browser
VIEW IN TELEGRAM
📄مقاله تازهای با عنوان
Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks
منتشر شده است که مستقیماً به قلب مسئلهی Credit Assignment و محدودیتهای بیولوژیکی شبکههای عصبی میزند.
نکته اصلی مقاله رو اگه بخوایم به صورت خلاصه بگیم اینه:
پژوهشگران میخواستند ببینند آیا میشود یک شبکه عصبی بسازیم که از نظر نحوه اتصال نورونها بیشتر شبیه مغز باشد، اما همچنان بتواند یاد بگیرد؛ بدون اینکه برای آموزش از Backpropagation معمولی استفاده کند.
و جواب مقاله این است:
تا حدی بله، اما هنوز با شبکههای معمولی فاصله دارد.
@onlinebme
Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks
منتشر شده است که مستقیماً به قلب مسئلهی Credit Assignment و محدودیتهای بیولوژیکی شبکههای عصبی میزند.
نکته اصلی مقاله رو اگه بخوایم به صورت خلاصه بگیم اینه:
پژوهشگران میخواستند ببینند آیا میشود یک شبکه عصبی بسازیم که از نظر نحوه اتصال نورونها بیشتر شبیه مغز باشد، اما همچنان بتواند یاد بگیرد؛ بدون اینکه برای آموزش از Backpropagation معمولی استفاده کند.
و جواب مقاله این است:
تا حدی بله، اما هنوز با شبکههای معمولی فاصله دارد.
@onlinebme
❤4
Onlinebme
📄مقاله تازهای با عنوان Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks منتشر شده است که مستقیماً به قلب مسئلهی Credit Assignment و محدودیتهای بیولوژیکی شبکههای عصبی میزند. نکته اصلی مقاله رو اگه بخوایم…
🧠 آیا میتوان شبکهای ساخت که کمی شبیه مغز یاد بگیرد؟
▪️در شبکههای عصبی معمولی، یک نورون میتواند از طریق وزنهای مختلف هم اثر مثبت و هم اثر منفی روی نورونهای بعدی بگذارد.
▫️اما در مغز، وضعیت متفاوت است. نورونها عمدتاً تحریکی (Excitatory) یا مهاری (Inhibitory) هستند؛ یعنی ماهیت اثر خروجی آنها ثابت میماند. این ویژگی را با نام Dale’s principle میشناسیم.
☑️ حالا یک سؤال جالب مطرح میشود:
اگر شبکه عصبی را مجبور کنیم این محدودیت زیستی را رعایت کند، آیا هنوز میتواند یاد بگیرد؟
📑مقالهی جدید Diffusing Blame دقیقاً همین سؤال را بررسی میکند.
پژوهشگران شبکه را به دو جریان جداگانهی تحریکی و مهاری تقسیم کردند و وزنهای قابل یادگیری را غیرمنفی نگه داشتند.
🔺اما چالش مهم دیگری باقی میماند: Backpropagation برای محاسبهی سهم هر لایه در خطا، به اطلاعات وزنهای مسیر forward در مسیر backward وابسته است؛ مسئلهای که به Weight Transport Problem معروف است و سازوکار مشخصی برای آن در مغز نمیشناسیم.
💡راهحل این مقاله، استفاده از Error Diffusion است.
بهجای اینکه خطا مثل Backpropagation لایه به لایه به عقب برگردد، یک سیگنال خطای خروجی مستقیماً به بخشهای مختلف شبکه میرسد. نویسندگان با معرفی Modulo Error Routing این ایده را برای مسائل چندکلاسه نیز گسترش دادهاند.
و نتیجه؟
✅ این شبکه واقعاً توانست یاد بگیرد:
MNIST → 96.7٪
CIFAR-10 → 61.7٪
در یادگیری تقویتی نیز Error Diffusion را با PPO ترکیب کردند و روی چند محیط آزمایش کردند. در بعضی موارد عملکرد رقابتی بود، اما در مسائل دشوارتر همچنان فاصله و ناپایداری نسبت به روشهای مبتنی بر Backpropagation دیده میشود.
💡اما شاید مهمترین پیام مقاله همین باشد:
این پژوهش نمیگوید Backpropagation را کنار بگذاریم.
بلکه نشان میدهد میتوان محدودیتهایی الهامگرفته از ساختار واقعی مغز را وارد شبکه کرد و بدون Weight Transport و با رعایت Dale’s principle، همچنان یک سیستم یادگیرنده ساخت.
و این ما را به یک سؤال عمیقتر میرساند:
اگر مغز از Backpropagation کلاسیک استفاده نمیکند، پس چگونه مسئلهی Credit Assignment را حل میکند؟
این مقاله پاسخ نهایی را پیدا نکرده؛
اما یک قدم جالب در مسیر پیدا کردن آن است.
📄 مقاله:
Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks
مطالعه مقاله در arXiv
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
#Backpropagation
#Neuroscience
#DeepLearning #BiologicallyPlausibleAI
▪️در شبکههای عصبی معمولی، یک نورون میتواند از طریق وزنهای مختلف هم اثر مثبت و هم اثر منفی روی نورونهای بعدی بگذارد.
▫️اما در مغز، وضعیت متفاوت است. نورونها عمدتاً تحریکی (Excitatory) یا مهاری (Inhibitory) هستند؛ یعنی ماهیت اثر خروجی آنها ثابت میماند. این ویژگی را با نام Dale’s principle میشناسیم.
☑️ حالا یک سؤال جالب مطرح میشود:
اگر شبکه عصبی را مجبور کنیم این محدودیت زیستی را رعایت کند، آیا هنوز میتواند یاد بگیرد؟
📑مقالهی جدید Diffusing Blame دقیقاً همین سؤال را بررسی میکند.
پژوهشگران شبکه را به دو جریان جداگانهی تحریکی و مهاری تقسیم کردند و وزنهای قابل یادگیری را غیرمنفی نگه داشتند.
🔺اما چالش مهم دیگری باقی میماند: Backpropagation برای محاسبهی سهم هر لایه در خطا، به اطلاعات وزنهای مسیر forward در مسیر backward وابسته است؛ مسئلهای که به Weight Transport Problem معروف است و سازوکار مشخصی برای آن در مغز نمیشناسیم.
💡راهحل این مقاله، استفاده از Error Diffusion است.
بهجای اینکه خطا مثل Backpropagation لایه به لایه به عقب برگردد، یک سیگنال خطای خروجی مستقیماً به بخشهای مختلف شبکه میرسد. نویسندگان با معرفی Modulo Error Routing این ایده را برای مسائل چندکلاسه نیز گسترش دادهاند.
و نتیجه؟
✅ این شبکه واقعاً توانست یاد بگیرد:
MNIST → 96.7٪
CIFAR-10 → 61.7٪
در یادگیری تقویتی نیز Error Diffusion را با PPO ترکیب کردند و روی چند محیط آزمایش کردند. در بعضی موارد عملکرد رقابتی بود، اما در مسائل دشوارتر همچنان فاصله و ناپایداری نسبت به روشهای مبتنی بر Backpropagation دیده میشود.
💡اما شاید مهمترین پیام مقاله همین باشد:
این پژوهش نمیگوید Backpropagation را کنار بگذاریم.
بلکه نشان میدهد میتوان محدودیتهایی الهامگرفته از ساختار واقعی مغز را وارد شبکه کرد و بدون Weight Transport و با رعایت Dale’s principle، همچنان یک سیستم یادگیرنده ساخت.
و این ما را به یک سؤال عمیقتر میرساند:
اگر مغز از Backpropagation کلاسیک استفاده نمیکند، پس چگونه مسئلهی Credit Assignment را حل میکند؟
این مقاله پاسخ نهایی را پیدا نکرده؛
اما یک قدم جالب در مسیر پیدا کردن آن است.
📄 مقاله:
Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks
مطالعه مقاله در arXiv
Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
#Backpropagation
#Neuroscience
#DeepLearning #BiologicallyPlausibleAI
arXiv.org
Diffusing Blame: Task-Dependent Credit Assignment in Biologically...
Biological neural circuits obey Dale's principle: each neuron's synapses are uniformly excitatory or inhibitory. Artificial networks that respect this constraint must coordinate separate...
❤10👍1
Onlinebme
💡💡مشکل :عدم عملکرد کتابخانه wfdb در پایتون شرح مسئله: سلام وقتتون بخیر، آقای مهندس باید pylance رو هم نصب کرد باز wfdb و ... رو میگفت ناشناخته است و اجرا نمیشد ✅چطوری حل شد؟ اکستنشن pylance رو نصب کردم شاید باورش سخت باشه یکم ، Wfdb رو add کردم (راست کلیک…
🎯 چارچوب انجام یک پروژه تشخیص آریتمی قلبی با سیگنال ECG؛ از معرفی داده تا روال ارزیابی مدل
متأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آنطور که باید به نحوه طراحی آزمایشها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.
مشکل اینجاست که اگر ما هم صرفاً همان چارچوبهای رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم.
☑️ به نظر من در پروژههای پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست میآوریم واقعاً قابل اعتماد باشد؟»
🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کردهام و چارچوبی را که برای طراحی آزمایشها و ارزیابی روشهای تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح دادهام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالشهایی که در مسیر وجود دارند.
اگر روی پایاننامه، مقاله یا پروژهای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار میکنید، فکر میکنم این ویدیو قبل از شروع آزمایشهای نهایی میتواند برایتان مفید باشد.
🎥 ویدئو
https://youtu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM
⭕️ جزییات بیشتر 👇
https://onlinebme.com/arrhythmia-detection-using-ecg-evaluation-paradigms/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
متأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آنطور که باید به نحوه طراحی آزمایشها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.
یک مطالعه مروری در 2023 این روش هارو بررسی کرده که از این 357 مقاله، فقط 38 مقاله به شکل استاندارد روش خودشون رو ارزیابی کردند!اکثرا هم یک مدل با Accuracy بسیار بالا گزارش میشود، اما وقتی دقیقتر بررسی میکنیم، متوجه میشویم که نحوه تقسیم دادهها یا روش ارزیابی، قابلیت واقعی مدل برای تعمیم به بیماران جدید را نشان نمیدهد.
مشکل اینجاست که اگر ما هم صرفاً همان چارچوبهای رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم.
☑️ به نظر من در پروژههای پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست میآوریم واقعاً قابل اعتماد باشد؟»
🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کردهام و چارچوبی را که برای طراحی آزمایشها و ارزیابی روشهای تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح دادهام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالشهایی که در مسیر وجود دارند.
اگر روی پایاننامه، مقاله یا پروژهای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار میکنید، فکر میکنم این ویدیو قبل از شروع آزمایشهای نهایی میتواند برایتان مفید باشد.
🎥 ویدئو
https://youtu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM
⭕️ جزییات بیشتر 👇
https://onlinebme.com/arrhythmia-detection-using-ecg-evaluation-paradigms/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
چارچوب انجام یک پروژه تشخیص آریتمی قلبی با سیگنال ECG؛ از داده تا ارزیابی مدل - آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
تشخیص خودکار آریتمی قلبی یکی از کاربردهای مهم پردازش سیگنال ECG و هوش مصنوعی در پزشکی است. در سالهای اخیر، روشهای مختلفی بر پایه یادگیری ماشین و یادگیری عمیق برای تشخیص و طبقهبندی آریتمیهای قلبی ارائه شدهاند.
❤8
Forwarded from Onlinebme
⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️
🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆
〰〰〰 برنامهنویسی متلب 〰〰〰
🔲 اصول برنامهنویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link
〰〰〰 برنامهنویسی پایتون 〰〰〰
⚪️ فصل 1: اصول برنامهنویسی پایتون
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link
〰〰 شناسایی الگو و یادگیری ماشین 〰〰
⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیادهسازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتمهای کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7: الگوریتمهای انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتمهای خوشهبندی
◽️مدت دوره: 13 ساعت
🔘 Link
〰〰〰〰 شبکههای عصبی 〰〰〰〰
⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکههای عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️ دوره پیادهسازی شبکههای عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link
〰〰〰 پردازش سیگنال مغزی 〰〰〰
⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیادهسازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیادهسازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link
⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link
〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰
⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link
〰〰〰〰〰 پردازش سیگنال قلبی 〰〰〰〰
⚪️ دوره پردازش سیگنال ECG
◽️مدت زمان دوره: 37 ساعت و 45 دقیقه
🔘 Link
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆
〰〰〰 برنامهنویسی متلب 〰〰〰
🔲 اصول برنامهنویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link
〰〰〰 برنامهنویسی پایتون 〰〰〰
⚪️ فصل 1: اصول برنامهنویسی پایتون
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link
〰〰 شناسایی الگو و یادگیری ماشین 〰〰
⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیادهسازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتمهای کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7: الگوریتمهای انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتمهای خوشهبندی
◽️مدت دوره: 13 ساعت
🔘 Link
〰〰〰〰 شبکههای عصبی 〰〰〰〰
⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکههای عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️ دوره پیادهسازی شبکههای عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link
〰〰〰 پردازش سیگنال مغزی 〰〰〰
⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیادهسازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیادهسازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link
⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link
〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰
⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link
〰〰〰〰〰 پردازش سیگنال قلبی 〰〰〰〰
⚪️ دوره پردازش سیگنال ECG
◽️مدت زمان دوره: 37 ساعت و 45 دقیقه
🔘 Link
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
❤5🤩1
Onlinebme
📚 اگر کسی از من بپرسد برای یادگیری Deep Learning از کجا شروع کنم، این سه کتاب جزو اولین پیشنهادهای من خواهند بود😉 📘 Neural Networks and Learning Machines 💡کتابی که برای من سنگ بنای یادگیری شبکههای عصبی بود. Heykin فقط شبکههای عصبی رو آموزش نمیده؛ بلکه…
📚 به نظرم اگر قرار است به صورت تخصصی وارد حوزه deep Learning شویم، درک مبانی Pattern Recognition میتواند پایه بسیار خوبی باشد؛ مخصوصاً وقتی هدف فقط استفاده از مدلها نیست و میخواهیم بفهمیم پشت الگوریتمها چه میگذرد. خوندن این مفاهیم، یادگیری مباحث مدرن مثل Deep Learning را هم راحتتر میکند.
در ادامه دو کتابی که خودم خواندهام و برای شروع و ساختن بینش و ذهنیت پایه مناسب هست رو معرفی میکنم.
📚 عنوان کتاب اول: Introduction to Pattern Recognition: A MATLAB Approach
نویسندگان: Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras
این کتاب یک راهنمای عملی و مکمل برای کتاب معروف Pattern Recognition است و تمرکز اصلیاش روی پیادهسازی الگوریتمها با MATLAB است.
💡 ویژگیهای کتاب:
- شامل کدهای MATLAB اکثر الگوریتمهای مهم
- مثالهای حلشده با دادههای واقعی
- مناسب برای دانشجویان و مهندسانی که میخواهند همزمان تئوری و پیادهسازی یاد بگیرند
- رویکرد آموزشی و قدم به قدم
📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006
لینک کدهای GitHub:
https://github.com/pikrakis/Introduction-to-Pattern-Recognition-a-Matlab-Approach
📚 عنوان کتاب دوم: Pattern Classification (Second Edition)
نویسندگان: Richard O. Duda, Peter E. Hart, David G. Stork
یکی از کلاسیکترین و تأثیرگذارترین کتابهای تاریخ شناسایی الگو که نسخه دوم آن با مباحث شبکههای عصبی و یادگیری ماشین به روزرسانی شده است.
💡ویژگیهای کتاب:
- پوشش عمیق و سیستماتیک مفاهیم بنیادین
- توضیح واضح روشهای کلاسیک و جدید
- مثالهای کارشده و مقایسههای دقیق بین روشها
- پایهای بسیار قوی برای درک تئوری تصمیم و شناسایی الگوی آماری
📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006
📚 مطالعه در سایت:
https://onlinebme.com/pattern-recognition-books/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
در ادامه دو کتابی که خودم خواندهام و برای شروع و ساختن بینش و ذهنیت پایه مناسب هست رو معرفی میکنم.
📚 عنوان کتاب اول: Introduction to Pattern Recognition: A MATLAB Approach
نویسندگان: Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras
این کتاب یک راهنمای عملی و مکمل برای کتاب معروف Pattern Recognition است و تمرکز اصلیاش روی پیادهسازی الگوریتمها با MATLAB است.
💡 ویژگیهای کتاب:
- شامل کدهای MATLAB اکثر الگوریتمهای مهم
- مثالهای حلشده با دادههای واقعی
- مناسب برای دانشجویان و مهندسانی که میخواهند همزمان تئوری و پیادهسازی یاد بگیرند
- رویکرد آموزشی و قدم به قدم
📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006
لینک کدهای GitHub:
https://github.com/pikrakis/Introduction-to-Pattern-Recognition-a-Matlab-Approach
📚 عنوان کتاب دوم: Pattern Classification (Second Edition)
نویسندگان: Richard O. Duda, Peter E. Hart, David G. Stork
یکی از کلاسیکترین و تأثیرگذارترین کتابهای تاریخ شناسایی الگو که نسخه دوم آن با مباحث شبکههای عصبی و یادگیری ماشین به روزرسانی شده است.
💡ویژگیهای کتاب:
- پوشش عمیق و سیستماتیک مفاهیم بنیادین
- توضیح واضح روشهای کلاسیک و جدید
- مثالهای کارشده و مقایسههای دقیق بین روشها
- پایهای بسیار قوی برای درک تئوری تصمیم و شناسایی الگوی آماری
📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006
📚 مطالعه در سایت:
https://onlinebme.com/pattern-recognition-books/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
Wiley.com
Pattern Classification, 2nd Edition
The first edition, published in 1973, has become a classic reference in the field. Now with the second edition, readers will find information on key new topics such as neural networks and statistical pattern recognition, the theory of machine learning, and…
❤6🙏3
انتخاب اول شما برای داده جدولی؟
Anonymous Poll
16%
Deep Neural networks (TabNet, TabTransformer, ...)
85%
Gradient-boosted decision trees (XGBoost, CatBoost,...)
Onlinebme
انتخاب اول شما برای داده جدولی؟
💡آیا یادگیری عمیق برای دادههای جدولی (Tabular Data) همیشه بهترین انتخاب است؟
✍
https://youtu.be/k72AIR1VjNI?is=cpk2he8fyLe84Urfp
⭕️ مطالعه در سایت👇
https://onlinebme.com/deep-learning-or-xgboost-in-tabular-data/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
✍
وقتی از Deep Learning صحبت میکنیم، معمولاً ذهنمان به سمت تصویر، ویدئو، صدا یا مدلهای زبانی بزرگ میرود. اما بخش قابلتوجهی از دادههای واقعی دنیا شکل بسیار سادهتری دارند: دادههای جدولی یا همان Tabular Data. دادههای جدولی بخش بزرگی از دادههای واقعی دنیا را تشکیل میدهند. اما آیا شبکههای عصبی عمیق (deep neural networks) که در تصویر و زبان عالی عمل میکنند، برای داده جدولی هم بهترین گزینهاند؟ یک مقاله مروری این موضوع رو بررسی کرده است که در این پست به این موضوع میپردازیم.📺 مشاهده ویدیو 👇
https://youtu.be/k72AIR1VjNI?is=cpk2he8fyLe84Urfp
⭕️ مطالعه در سایت👇
https://onlinebme.com/deep-learning-or-xgboost-in-tabular-data/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
YouTube
1-آیا یادگیری عمیق (Deep Learning) برای دادههای جدولی (Tabular Data) همیشه بهترین انتخاب است؟
بخش اول: بررسی مختصر مقاله مروری شبکه های عصبی عمیق در داده جدولی
دادههای جدولی بخش بزرگی از دادههای واقعی دنیا را تشکیل میدهند. اما آیا شبکههای عصبی عمیق (deep neural networks) که در تصویر و زبان عالی عمل میکنند، برای داده جدولی هم بهترین گزینهاند؟…
دادههای جدولی بخش بزرگی از دادههای واقعی دنیا را تشکیل میدهند. اما آیا شبکههای عصبی عمیق (deep neural networks) که در تصویر و زبان عالی عمل میکنند، برای داده جدولی هم بهترین گزینهاند؟…
👍5❤2
Onlinebme
در این مطالعه ما روشهای مبتنی بر الگو (template-based) جهت تشخیص فرکانس SSVEP رو بررسی کردیم که شامل 19 روش هست که به چهار دسته (CCA, MSI, CORRCA, TRCA) گروه بندی شده اند. ☑️ مطالعات زیادی روی BCI مبتنی بر SSVEP ارائه شده است، اما مطالعه ای جامعی که همه روشها…
📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو
GitHub: https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
@onlinebme
GitHub: https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
@onlinebme
🙏4
Onlinebme
📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو GitHub: https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch @onlinebme
📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو
☑️حالا بخشی از کدهایی طی سالها روی پروژههای مختلف پیادهسازی کردهام را در قالب یک Repository در GitHub قرار دادهام.
☑️این کدها نتیجه سالها مطالعه و آموزش من در زمینه یادگیری ماشین و شناسایی الگو هستند و حالا سعی کردهام مجموعهای از پیادهسازیهای انجامشده، به همراه پروژههای عملی، را در یک Repository یکجا جمعآوری کنم.
💡 هدفم از آمادهکردن این Repository این بوده که پیادهسازی الگوریتمها در کنار پروژههای واقعی، در یک مجموعه جامع در دسترس باشد تا بتوان از طریق کد، نحوه کار الگوریتمها را بهتر درک کرد و با آنها کار کرد.
🔹 Classification & Regression
Naive Bayes, Maximum Likelihood, Euclidean , Mahalanobis, KNN, WKNN, SVM, SVR
🔹 Ensemble Learning
Voting, Stacking, AdaBoost, Bootstrap Bagging
🔹 Dimensionality Reduction
PCA , LDA
🔹 Clustering
K-Means, Fuzzy C-Means , G-Means
💡 در کنار این الگوریتمها، پروژههای عملی متنوعی هم در Repository قرار گرفتهاند؛ از طبقهبندی دادههای Iris و سرطان سینه گرفته تا پیشبینی کیفیت هوا، تخمین زاویه مفصل از سیگنالهای sEMG، Spike Sorting سیگنالهای عصبی و استخراج تومور از تصاویر پزشکی.
🔗 GitHub Repository:
https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
📖 توضیحات و معرفی کاملتر:
https://onlinebme.com/machine-learning-algorithms-implemented-from-scratch/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
در یادگیری و تدریس یادگیری ماشین همیشه برام مهم بوده که به جای اینکه فقط یاد بگیرم چطور یک الگوریتم را با یک تابع آماده اجرا کنم، ابتدا ریاضیات و منطق آن را درک کنم و حداقل یکبار از صفر پیادهسازیاش کنم و بعد سراغ ابزارهای آماده بروم.https://onlinebme.com/product-category/machine-learning
این روش کمک میکند شناخت عمیقتری از الگوریتم، پارامترها و روشهای بهینهسازی آن داشته باشم و در صورت نیاز، بتوانم الگوریتم را تغییر داده یا توسعه بدهم. در دوره جامع یادگیری ماشین هم همین رویکرد را دنبال کردیم که در نهایت به یک دوره ۸ فصلی و ۱۴۰ ساعته شد.
☑️حالا بخشی از کدهایی طی سالها روی پروژههای مختلف پیادهسازی کردهام را در قالب یک Repository در GitHub قرار دادهام.
☑️این کدها نتیجه سالها مطالعه و آموزش من در زمینه یادگیری ماشین و شناسایی الگو هستند و حالا سعی کردهام مجموعهای از پیادهسازیهای انجامشده، به همراه پروژههای عملی، را در یک Repository یکجا جمعآوری کنم.
💡 هدفم از آمادهکردن این Repository این بوده که پیادهسازی الگوریتمها در کنار پروژههای واقعی، در یک مجموعه جامع در دسترس باشد تا بتوان از طریق کد، نحوه کار الگوریتمها را بهتر درک کرد و با آنها کار کرد.
🔹 Classification & Regression
Naive Bayes, Maximum Likelihood, Euclidean , Mahalanobis, KNN, WKNN, SVM, SVR
🔹 Ensemble Learning
Voting, Stacking, AdaBoost, Bootstrap Bagging
🔹 Dimensionality Reduction
PCA , LDA
🔹 Clustering
K-Means, Fuzzy C-Means , G-Means
💡 در کنار این الگوریتمها، پروژههای عملی متنوعی هم در Repository قرار گرفتهاند؛ از طبقهبندی دادههای Iris و سرطان سینه گرفته تا پیشبینی کیفیت هوا، تخمین زاویه مفصل از سیگنالهای sEMG، Spike Sorting سیگنالهای عصبی و استخراج تومور از تصاویر پزشکی.
🔗 GitHub Repository:
https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
📖 توضیحات و معرفی کاملتر:
https://onlinebme.com/machine-learning-algorithms-implemented-from-scratch/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
❤5🙏5👍2