💠 The AI Podcast Recursion CEO Chris Gibson on Accelerating the Biopharmaceutical Industry With AI - Ep. 230

🌐 Reference
#پادکست
🆔@IDS_AI_ML
🆔@IDSchools

🎥 سریال The Mind, Explained یک سریال مستند است که در Netflix قابل دسترسی است. این سریال به پیچیدگی‌های ذهن انسان می‌پردازد و جنبه‌های مختلف فرآیندهای ذهنی و رفتارها را مورد بررسی قرار می‌دهد. هر قسمت از این سریال بر روی یک موضوع متفاوت مرتبط با ذهن تمرکز دارد، مانند حافظه، رویاها، اضطراب، تمرکز حواس و داروهای روان‌گردان.

✅ این سریال به خاطر ارائه جذاب و بصری خود شناخته شده است و با ترکیبی از مصاحبه‌های تخصصی، انیمیشن‌ها و مثال‌های دنیای واقعی، مفاهیم علمی پیچیده را به شکلی قابل فهم و ساده ارائه می‌دهد. روایت این سریال توسط افراد مشهوری مانند اما استون انجام می‌شود و آن را برای مخاطبان گسترده‌ای قابل دسترس می‌کند. این نمایش نگاهی به چگونگی عملکرد مغز، تأثیرات آن بر زندگی روزمره ما، و جدیدترین تحقیقات در زمینه علوم اعصاب و روانشناسی دارد.

🌐 The Mind, Explained

🆔@IDS_AI_ML
🆔@IDSchools

💠 فریمورک PyTorch یک کتابخانه‌ی متن‌باز برای یادگیری ماشین است که توسط آزمایشگاه تحقیقاتی هوش مصنوعی فیسبوک (FAIR) توسعه یافته است. این کتابخانه به طور گسترده برای کاربردهایی مانند بینایی کامپیوتر، پردازش زبان طبیعی و سایر وظایف پیشرفته هوش مصنوعی مورد استفاده قرار می‌گیرد. .

ویژگی‌های کلیدی PyTorch

🔸سهولت در استفاده: سینتکس و طراحی PyTorch بسیار شهودی و شبیه به پایتون است که آن را برای مبتدیان قابل دسترسی و در عین حال برای کاربران پیشرفته قدرتمند می‌سازد.

🔸پشتیبانی قوی از GPU: این فریم‌ورک به صورت یکپارچه با شتاب‌دهنده‌های GPU کار می‌کند که منجر به انجام محاسبات کارآمدتر و زمان آموزش سریع‌تر برای مدل‌های بزرگ می‌شود.

🔸پذیرش گسترده در صنعت و جامعه: PyTorch در هر دو حوزه دانشگاهی و صنعتی به طور گسترده مورد استفاده قرار می‌گیرد و بسیاری از پروژه‌های پژوهشی و برنامه‌های تجاری را پشتیبانی می‌کند.

🆔@IDS_AI_ML
🆔@IDSchools

❇️ Deep Learning With PyTorch

🌐 Youtube Playlist

🆔@IDS_AI_ML
🆔@IDSchools

💠 محققان MIT از مدل های زبان بزرگ برای شناسایی مشکلات در سیستم های پیچیده استفاده می کنند

پژوهشگران MIT استفاده از مدل‌های زبانی بزرگ (LLM) را برای شناسایی ناهنجاری‌ها در داده‌های سری زمانی مربوط به توربین‌های بادی بررسی کرده‌اند. به‌طور سنتی، مدل‌های یادگیری عمیق برای این کار به کار می‌روند، اما آموزش آن‌ها پیچیده و پرهزینه است. در مقابل، مدل‌های زبانی بزرگ یک راه‌حل کارآمدتر و از پیش آماده ارائه می‌دهند که نیازی به آموزش مجدد ندارند.

پژوهشگران چارچوبی به نام SigLLM توسعه داده‌اند که داده‌های سری زمانی را به متنی تبدیل می‌کند که مدل‌های زبانی بتوانند آن را پردازش کنند. اگرچه مدل‌های زبانی نتوانستند از مدل‌های پیشرفته یادگیری عمیق پیشی بگیرند، اما در برخی موارد عملکردی مشابه با دیگر روش‌های هوش مصنوعی داشتند. در این تحقیق، دو روش معرفی شده است: Prompter (که مستقیماً ناهنجاری‌ها را شناسایی می‌کند) و Detector (که با پیش‌بینی مقادیر آینده، ناهنجاری‌ها را پیدا می‌کند). روش Detector عملکرد بهتری داشت، اما هنوز هم از مدل‌های یادگیری عمیق پیشرفته عقب‌تر است.

بهبودهای آینده می‌تواند شامل تنظیم دقیق LLM‌ها و افزایش سرعت آن‌ها باشد. در صورت موفقیت، مدل‌های زبانی بزرگ می‌توانند راه‌حلی ساده‌تر و در دسترس‌تر برای وظایف پیچیده‌ای مانند شناسایی ناهنجاری‌ها در صنایعی مانند ماشین‌آلات سنگین و ماهواره‌ها ارائه دهند.

🌐 Reference

🆔@IDS_AI_ML
🆔@IDSchools

🔰تنسورفلو (TensorFlow) یک کتابخانه منبع‌باز برای یادگیری ماشین است که توسط گوگل توسعه داده شده و به‌طور گسترده‌ای برای انواع مختلف وظایف از جمله یادگیری عمیق، شبکه‌های عصبی و مدل‌های یادگیری ماشین در مقیاس بزرگ استفاده می‌شود.

ویژگی‌های کلیدی تنسورفلو:

اکوسیستم جامع یادگیری ماشین: تنسورفلو یک اکوسیستم شامل کتابخانه اصلی، TensorFlow Extended (TFX) برای پایپ‌لاین‌های تولید یادگیری ماشین، TensorFlow Lite برای دستگاه‌های موبایل و لبه، و TensorFlow.js برای برنامه‌های یادگیری ماشین مبتنی بر جاوا اسکریپت را ارائه می‌دهد.

معماری انعطاف‌پذیر: تنسورفلو به شما اجازه می‌دهد تا محاسبات را به یکی یا چندین CPU یا GPU در یک دسکتاپ، سرور یا دستگاه موبایل با یک API واحد منتقل کنید.

کراس Keras : تنسورفلو شامل یک API سطح بالا به نام Keras است که ساخت و آموزش مدل‌ها را ساده می‌کند. Keras کاربرپسند است و به‌سرعت امکان نمونه‌سازی مدل‌های پیچیده را فراهم می‌آورد.

🆔@IDS_AI_ML
🆔@IDSchools

🔰دپارتمان روان‌شناسی و علوم‌ شناختی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار می کند:

💠 سری وبینار‌های رایگان «همگام با پیشتازان»

🔟 قسمت دهم: آسیب تمرکز و بیش تحریک پذیری در اختلالات سردرد میگرن: چه می‌دانیم؟ چه باید کرد؟
Attentional Impairment and Hyperexcitability in Migraine Headache Disorders: What do we know? How could we help?

👤 با حضور: خانم فالی گلشن از دانشگاه ساسکاچوان کانادا

❇️ فوق دکتری روانشناسی(شناخت و علوم اعصاب) و برنده جایزه خرده گرنت پژوهشگران جوان 2024ـ موسسه زنان در علوم شناختی کانادا

🕖 شنبه 24 شهریور ساعت: 19



🔷 برای شرکت در این وبینار به کانال و گروه تعاملی روانشناسی مدارس میان‌رشته‌ای مراجعه کنید.

🔴 لینک ثبت نام رایگان در وبینار : [لینک گوگل فرم برای شرکت در وبینار قسمت دهم دپارتمان روانشناسی و علوم‌ شناختی با موضوع: آسیب تمرکز و بیش تحریک پذیری در اختلالات سردرد میگرن: چه می‌دانیم؟ چه باید کرد؟ ] 🔴

⬆️ بعد از ثبت نام در گوگل فرم بالا، منتظر اخبار این وبینار از کانال روانشناسی مدارس میان رشته‌ای باشید.


🆔@IDS_Psy
🆔@IDSchools
🆔@Psy_IDSchools

📝مقاله‌ی A deep learning framework for neuroscience بر استفاده از یادگیری عمیق، به‌ویژه شبکه‌های عصبی مصنوعی (ANNs)، برای مدل‌سازی فعالیت‌های مغزی و کمک به پژوهشگران در مقابله با پیچیدگی‌های مدارهای عصبی در مقیاس بزرگ تأکید می‌کند.

پیشنهاد چارچوب یادگیری عمیق برای علوم اعصاب: نویسندگان پیشنهاد می‌کنند که مفاهیم یادگیری عمیق (شامل توابع هدف، قوانین یادگیری و معماری شبکه‌ها) برای پیشبرد درک ما از مدارهای عصبی، به‌ویژه در مواردی که رویکردهای سنتی علوم اعصاب با مشکل مواجه می‌شوند، استفاده شود.

کاربرد مدل‌های شبکه عصبی مصنوعی در علوم اعصاب: از طریق استفاده از شبکه‌های عصبی مصنوعی که برای وظایف مشابه با وظایفی که مغز انجام می‌دهد، بهینه‌سازی شده‌اند، پژوهشگران می‌توانند پیش‌بینی‌هایی درباره فعالیت عصبی انجام داده و نمایه‌های مغزی را بهتر درک کنند.

نقش تکامل و یادگیری وظیفه‌محور: نویسندگان به بحث در مورد چگونگی شکل‌گیری مدارهای عصبی توسط زیست‌شناسی تکاملی برای حل وظایف خاص زیست‌محیطی می‌پردازند، مشابه نحوه آموزش سیستم‌های هوش مصنوعی برای انجام وظایف خاص.

🆔@IDS_AI_ML
🆔@IDSchools

🔰کتابخانه Keras یک کتابخانه متن‌باز و سطح بالا برای شبکه‌های عصبی است که به زبان پایتون نوشته شده است. این کتابخانه یک API کاربرپسند فراهم می‌کند که فرآیند ایجاد و آموزش مدل‌های یادگیری عمیق را ساده می‌کند . از زمان ادغام Keras در TensorFlow 2.0، TensorFlow به عنوان بک اند پیش‌فرض آن در نظر گرفته می‌شود.

ویژگی‌های کلیدی Keras
✅رابط برنامه‌نویسی کاربرپسند: Keras دارای یک API ساده است که به کاربران اجازه می‌دهد با کمترین تلاش، مدل‌های خود را سریعاً نمونه‌سازی و بسازند. این ویژگی به‌طور ویژه برای کاهش بار ذهنی توسعه‌دهندگان، به‌خصوص در شروع کار با یادگیری عمیق طراحی شده است.

✅ماژولار بودن: Keras بلوک‌های ساختاری ماژولار برای شبکه‌های عصبی فراهم می‌کند، از جمله لایه‌ها، توابع Loss fucntion، بهینه‌سازها که همگی قابل شخصی‌سازی و گسترش هستند.

✅مدل‌ها و لایه‌های از پیش تعریف‌شده: Keras شامل بسیاری از لایه‌های از پیش ساخته شده (مانند Dense، Conv2D، LSTM) و معماری‌های از پیش تعریف‌شده مانند ResNet، VGG، و MobileNet است که به کاربران اجازه می‌دهد به راحتی از معماری‌های پیشرفته استفاده کنند.

🆔@IDS_AI_ML
🆔@IDSchools