🤩 به گروه گفتگوی تعاملی ما بپیوندید!

🥳علاوه بر مطالب عالی هوش مصنوعی که در اینجا پیدا می‌کنید، از راه‌اندازی گروه بحث و گفتگوی تعاملی بسیار هیجان‌زده هستیم! این فرصتی است برای شما تا:

✅ با سایر علاقه‌مندان به هوش مصنوعی ارتباط برقرار کنید: ایده‌ها را به اشتراک بگذارید، سوال بپرسید و از جامعه‌ای پرشور در مورد هوش مصنوعی کمک بگیرید.

✅ در بحث‌ها شرکت کنید: عمیق‌تر به مفاهیمی که در اینجا یاد می‌گیرید بپردازید، موضوعات جدید را کاوش کنید و در مورد آخرین پیشرفت‌ها بحث کنید.

✅ پاسخ سوالات خود را دریافت کنید: روی یک مفهوم گیر کرده‌اید؟ سوالی در مورد کاربردهای هوش مصنوعی دارید؟ گروه ما برای کمک به شما اینجاست!

لینک گروه تعاملی

✉️@IDS_AI_ML
✉️@IDSchools

✅ راه حل برای سه نوع داده گمشده به شرح زیر است:

◀️ برای Missing completely at random (MCAR): اگر داده ها به طور کامل و تصادفی گم شده باشند، می توانید از تکنیک های ساده پر کردن مانند پر کردن مقادیر گمشده با میانگین یا میانه داده ها استفاده کنید.

◀️ برای Missing at random (MAR) : اگر فقدان داده به سایر نقاط داده مشاهده شده مرتبط باشد، می توانید از تکنیک های پر کردن پیچیده تری مانند پر کردن kNN یا Miss Forest استفاده کنید که از سایر نقاط داده برای برآورد مقادیر گمشده استفاده می کنند.

◀️ برای Missing not at random (MNAR): اگر فقدان داده به خود داده های گمشده مرتبط باشد (به عنوان مثال، افرادی که سطح استرس بالایی دارند کمتر تمایل به گزارش سطح استرس خود دارند)، راه حل ساده ای وجود ندارد. شاید بتوانید داده های بیشتری جمع آوری کنید یا از تخصص حوزه برای بهبود فرآیند جمع آوری داده استفاده کنید. در برخی موارد، همچنان می توانید از تکنیک های پر کردن استفاده کنید، اما باید توجه داشته باشید که این کار می تواند اطلاعات مهمی را در مورد داده های گمشده حذف کند.

‼️ داده های گم شده (Missing data) یک مشکل رایج در تحلیل داده ها هستند.

✈️@IDS_AI_ML
✈️@IDSchools

🧠 هوش مصنوعی (AI) به سرعت در حال متحول کردن جهان ما است، اما با قدرت زیاد، مسئولیت بزرگی نیز به همراه می آورد. یکی از بزرگترین چالش های پیش روی توسعه هوش مصنوعی امروز، ساختن سیستم هایی است که بتوانیم به آنها اعتماد کنیم. آیا یک کامپیوتر واقعا می تواند تصمیم عادلانه ای بگیرد؟ چگونه می دانیم هوش مصنوعی مغرضانه نیست؟ در این پست، ما به دنیای هوش مصنوعی قابل اعتماد و قابل تفسیر می پردازیم و بررسی می کنیم که چگونه مطمئن شویم این ابزارهای قدرتمند برای ما کار می کنند، نه علیه ما.

⏬در ادامه به معرفی دوره‌های آموزشی رایگان مربوطه در Youtube می پردازیم:

دوره آموزشی هوش مصنوعی قابل اعتماد توسط پروژه اروپایی تحت عنوان ULTIMATE با هدف توسعه هوش مصنوعی ترکیبی (هیبریدی) قابل اعتماد برای استفاده در صنعت
لینک پلی لیست

دوره آموزشی "هوش مصنوعی قابل اعتماد و قابل تفسیر" در مؤسسه فدرال فناوری زوریخ (ETH Zurich)
لینک پلی لیست

سخنرانی های «یادگیری ماشین قابل اعتماد» در دانشگاه توبینگن
لینک پلی لیست

📱@IDS_AI_ML
📱@IDSchools

🧠دوره آموزشی هوش مصنوعی قابل اعتماد توسط پروژه اروپایی تحت عنوان ULTIMATE با هدف توسعه هوش مصنوعی ترکیبی (هیبریدی) قابل اعتماد برای استفاده در صنعت

⬅️ لینک پلی لیست
✈️@IDS_AI_ML
✈️@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕
🗣دپارتمان هوش مصنوعی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار می کند:

✨ سری وبینار‌های رایگان «همگام با پیشتازان»

5️⃣ قسمت پنجم:Reinforcement Learning (RL) in Cognitive Modeling

👤با حضور: علی شیراوند

◀️دانشچوی دکترای علوم شناختی از École Normale Supérieure، فرانسه
◀️فارغ التحصیل کارشناسی ارشد مهندسی کامپیوتر از دانشگاه تهران
◀️فارغ التحصیل کارشناسی مهندسی کامپیوتر از دانشگاه تهران
◀️سابقه کار به عنوان Data Scientist در شرکت های مطرح مثل کافه بازار، تپسی و...
◀️سابقه پژوهش در موسسات تحقیقاتی مختلف (Dublin، Paris، London و...)

🔜 یکشنبه ۳۱ تیرماه، ساعت ۱۸

✨ در این وبینارهای رایگان که به همت مدارس میان‌رشته‌ای برگزار می‌شود، میزبان اساتید، پژوهشگران و دانشجویان برگزیده و نخبه در داخل و خارج کشور خواهیم بود و با مسیر موفقیت آکادمیک ایشان و نیز پژوهش‌های میان‌رشته‌ای آشنا خواهیم شد.


👈 برای شرکت در این وبینار به کانال هوش مصنوعی مدارس میان‌رشته‌ای مراجعه کنید.

✉️@IDS_AI_ML
✉️@IDSchools

‼️برای ثبت نام در پنجمین وبینار رایگان «همگام با پیشتازان» مدارس میان‌رشته‌ای هم اکنون ثبت‌نام کنید!

🔣 در این وبینار از زبان آقای علی شیراوند این موضوعات را پوشش خواهیم داد:
✅ مفاهیم Reinforcement Learning (RL)
✅ کاربردهای Reinforcement Learning (RL) در مدل‌سازی شناختی



🔜 زمان وبینار: ۳۱ تیر - روز یکشنبه ساعت ۱۸ به وقت ایران

👈لینک ثبت نام گوگل فرم: [ وبینار رایگان Reinforcement Learning (RL) in Cognitive Modeling با پژوهشگر برجسته آقای علی شیراوند]


🔴بعد از ثبت نام در گوگل فرم بالا، منتظر اخبار این وبینار از کانال هوش مصنوعی مدارس میان رشته‌ای باشید.

💡این وبینار ارزشمند را به دوستان خود و گروه‌هایی که در آن عضو هستید معرفی نمایید.

✉️@IDS_AI_ML
✉️@IDSchools

کودکی نوپا را تصور کنید که راه رفتن را یاد می گیرد. هر قدم لرزان، آزمایشی است، تلاشی برای یادگیری حرکت در دنیای اطراف از طریق آزمون و خطا. گاهی اوقات، افتادن منجر به گریه می شود، که یک تقویت منفی به حساب می آید. در مواقع دیگر، برداشتن اولین قدم با موفقیت، فریاد شادی به همراه دارد که تقویت مثبتی محسوب می شود. این اساسا اصل کلیدی یادگیری تقویتی (RL) است، ابزاری قدرتمند که نحوه یادگیری و تصمیم گیری ما به عنوان انسان در دنیایی پیچیده را روشن می کند.

برای دهه ها، علم شناخت در توضیح نحوه پیمایش انسان توسط مغز در تصمیم گیری های پیچیده با مشکل مواجه بود. با ورود یادگیری تقویتی، یک چارچوب محاسباتی، درک ما از این موضوع متحول می شود. با الگوبرداری از رویکرد "یادگیری از طریق انجام"، RL به ما امکان می دهد مدل هایی بسازیم که نه تنها رفتار انسان را تقلید کنند، بلکه همچنین بینشی در مورد مکانیسم های اساسی یادگیری و پردازش پاداش در درون مغز ارائه دهند.

🔔 وبینار رایگان Reinforcement Learning (RL) in Cognitive Modeling

‼️ علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. ‼️

👈 لینک ثبت نام در وبینار ➡️

✉️@IDS_AI_ML
✉️@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕
🔔دپارتمان پزشکی مجموعه علمی و پژوهشی مدارس میان‌رشته‌ای برگزار می‌کند:

🔖سری وبینار‌های رایگان «همگام با پیشتازان»🔖

🟡 قسمت چهارم: پویایی شبکه های عصبی تحت تاثیر دوپامین در بیماری پارکینسون

👤با حضور: دکتر امیرحسین عبدالعلی زاده

⚪️پزشک و محقق حوزه علوم اعصاب در دانشگاه اولدنبورگ آلمان

⏰پنج شنبه ۲۸ تیر ماه، ساعت ۲۰

🔵در این سری وبینارهای رایگان که به همت مدارس میان‌رشته‌ای برگزار می‌شود، میزبان اساتید، پژوهشگران و دانشجویان برگزیده و نخبه در داخل و خارج کشور خواهیم بود و با مسیر موفقیت آکادمیک ایشان و نیز پژوهش‌های میان‌رشته‌ای آشنا خواهیم شد.

📌مدارس میان رشته‌ای در نظر دارد در تمامی کانال‌های علمی خود شامل: هوش مصنوعی، نوروساینس، روانشناسی،  علوم زیستی، پزشکی، فیزیک، ریاضیات و... این سری وبینارهای ارزشمند را به صورت ماهانه برگزار نماید.

👈 برای ثبت نام در این وبینار به کانال پزشکی و جهت کسب اطلاعات بیشتر به گروه تعاملی ما بپیوندید.

کسب اطلاعات بیشتر 👈 @RAZIYEHZAMIRI

✈️| @IDS_Med||کانال پزشکی|
✈️| @IDSchools||کانال اصلی|
✈️| @Med_IDSchools||گروه تعاملی پزشکی|

مقاله Reinforcement learning in the brain اثر Yael Niv ،
به بررسی چگونگی تصمیم‌گیری مغز ما بر اساس پاداش و تنبیه می‌پردازد. این مقاله با استفاده از مدل‌های یادگیری تقویتی – که شبیه‌سازی‌های رایانه‌ای یادگیری از طریق آزمون و خطا هستند – پلی بین روانشناسی و علوم اعصاب ایجاد می‌کند تا فعالیت مغز را بهتر درک کنیم. این مقاله بر روی سیگنالی خاص در مغز به نام «temporal difference reward prediction error» به‌عنوان عنصری کلیدی در این فرآیند تأکید می‌کند. این سیگنال به مغز ما کمک می‌کند تا بیاموزد چه اقداماتی منجر به نتایج مثبت می‌شود و رفتار خود را بر این اساس تنظیم کند.

✨‼️علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. ‼️✨

👈 لینک ثبت نام در وبینار

✉️@IDS_AI_ML
✉️@IDSchools

سخنرانی‌های حاصل از تحقیقات DeepMind را که منجر به دوره آموزشی David Silver در مورد یادگیری تقویتی می‌شود، که در دانشگاه کالج لندن تدریس می‌شود، تماشا کنید.

لینک پلی لیست

✨‼️ علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. ‼️✨

👈 لینک ثبت نام در وبینار ➡️

✈️@IDS_AI_ML
✈️@IDSchools

📎 مقاله Ten simple rules for the computational modeling of behavioral data

در این مقاله از مدل‌سازی محاسباتی برای درک الگوریتم‌های زیربنایی رفتار استفاده شده است که می‌تواند شامل نقش یادگیری تقویتی نیز باشد. نویسندگان به طور خاص اشاره می‌کنند که مدل‌های محاسباتی به شکل معادلات ریاضی می‌توانند «متغیرهای قابل مشاهده تجربی (مانند محرک‌ها، نتایج، تجربیات گذشته) را به رفتار در آینده نزدیک مرتبط کنند». این امر نشان می‌دهد که مدل‌های توصیف شده می‌توانند اصول یادگیری تقویتی را در خود جای دهند، جایی که رفتار فرد تحت تأثیر محرک‌ها، نتایج و تجربیات گذشته قرار می‌گیرد.

نویسندگان نمونه‌هایی از تکنیک‌های مدل‌سازی محاسباتی را که برای مطالعه‌ی یادگیری تقویتی استفاده شده‌اند ارائه می‌دهند

🔴علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. 🔴

⬅️ لینک ثبت نام در وبینار ➡️

✈️@IDS_AI_ML
✈️@IDSchools

🤩 سخنرانی های «یادگیری ماشین قابل اعتماد» در دانشگاه توبینگن

🔣 لینک پلی لیست

✉️@IDS_AI_ML
✉️@IDSchools

‼️🔔 6 ساعت تا برگزاری قسمت پنجم از سری وبینارهای رایگان «همگام با پیشتازان» 🔔‼️

5️⃣ قسمت پنجم: Reinforcement Learning (RL) in Cognitive Modeling

🗣با حضور: علی شیراوند

🔜 یکشنبه ۳۱ تیرماه ، ساعت ۱۸

🔴اطلاعات مربوط به شرکت در وبینار (لینک، نام کاربری و رمز عبور) به ایمیل شرکت کنندگان ارسال خواهد شد.🔴

✉️@IDS_AI_ML
✉️@IDSchools