💥 دوره «رمزگشایی سیگنال های مغزی با الگوریتم های پایه یادگیری ماشین»-دوره مجازی

⏰ پنجشنبه‌ها، ساعت 19

✅ شروع دوره از 22 آذر 1403

⬅️با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

◀️تعداد جلسات: 10 جلسه 90 دقیقه ای

🔹 سرفصل جلسات:

🔹هفته اول: مفاهیم نظری سیگنال EEG و کاربردها
🔹هفته دوم: آشنایی با آزمایش های BCI و پایگاه های داده مرتبط
🔹هفته سوم: روشهای پیش پردازش سیگنال های EEG
🔹هفته چهارم: روش های پردازش و استخراج ویژگی از سیگنال EEG
🔹هفته پنجم: کار عملی در MATLAB
🔹هفته ششم: معرفی اصطلاحات و مفاهیم پایه مدل سازی و یادگیری ماشین
🔹هفته هفتم: روش‌های کاهش بعد و انتخاب ویژگی
🔹 هفته هشتم: کار عملی در MATLAB
🔹 هفته نهم: آشنایی با انواع مدلهای طبقه بندی
🔹 هفته دهم: کار عملی در MATLAB


👈نحوه ثبت‌نام:

https://t.iss.one/IDS_AI_ML/248

✨ همراه با گواهی حضور به انگلیسی (ارائه ها به زبان فارسی است)

✈️ @IDS_AI_ML
✈️ @IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕

🟢دپارتمان علوم زیستی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار میکند:

✨سری وبینارهای رایگان «همگام با پیشتازان»✨

4️⃣1️⃣قسمت چهاردهم:

🔺با حضور: دکتر صفورا پاکیزه کار
🔺پژوهشکده غدد و متابولیسم، دانشگاه علوم پزشکی شهید بهشتی

💡موضوع ارائه: زیست شناسی سلولی سرطان

🔜 دوشنبه 7 آبان 1403، ساعت 18 به وقت ایران

🔹 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 علوم زیستی و جهت کسب اطلاعات بیشتر به گروه تعاملی ما بپیوندید.


✉️| @IDS_Bio||کانال علوم زیستی|
✉️| @IDSchools||کانال اصلی|
✉️| @Bio_IDSchools|گروه تعاملی علوم زیستی|

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

1️⃣هفته (جلسه اول) : مفاهیم نظری سیگنال EEG و کاربردها


🗣محتوای این جلسه:

در این بخش، به صورت جامع به تعریف سیگنال EEG، نحوه تولید آن در مغز و انواع مختلف امواج مغزی پرداخته می‌شود. همچنین کاربردهای گسترده سیگنال EEG در زمینه‌های مختلف مانند علوم اعصاب، پزشکی، روانشناسی و مهندسی معرفی خواهد شد. شرکت‌کنندگان با مفاهیم پایه مانند فرکانس، دامنه و فاز سیگنال EEG آشنا شده و اهمیت پردازش این سیگنال برای استخراج اطلاعات مفید را درک خواهند کرد.

✨با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

🚀 @IDS_AI_ML
🚀 @IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

2️⃣هفته (جلسه دوم) : آشنایی با آزمایش های BCI و پایگاه های داده مرتبط


🗣محتوای این جلسه:

در این بخش، به معرفی سیستم‌های رابط مغز و کامپیوتر (BCI) پرداخته شده و انواع مختلف این سیستم‌ها بر اساس نحوه تعامل با مغز توضیح داده خواهد شد. همچنین، پایگاه‌های داده معروف و پرکاربرد در زمینه سیگنال EEG معرفی شده و ویژگی‌های هر یک از آن‌ها بررسی خواهد شد. شرکت‌کنندگان با نحوه جمع‌آوری داده‌های EEG در آزمایش‌های مختلف آشنا شده و اهمیت انتخاب پایگاه داده مناسب برای تحقیقات خود را درک خواهند کرد.

✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

🚀 @IDS_AI_ML
🚀 @IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

3️⃣هفته (جلسه سوم) : روشهای پیش پردازش سیگنال های EEG


🗣محتوای این جلسه:

در این بخش، به بررسی روش‌های مختلف پیش‌پردازش سیگنال EEG پرداخته می‌شود. این روش‌ها شامل حذف نویز، فیلتر کردن، تصحیح یا حذف آرتیفکت ها و تقویت سیگنال هستند. اهمیت پیش‌پردازش مناسب برای بهبود کیفیت سیگنال و افزایش دقت نتایج نهایی مورد تأکید قرار خواهد گرفت.


🔸 اهداف آموزشی:
آشنایی با انواع نویزها و آرتیفکت های موجود در سیگنال EEG
یادگیری روش‌های مختلف حذف نویز و آرتیفکت و فیلتر کردن سیگنال
درک اهمیت پیش‌پردازش برای تحلیل دقیق سیگنال EEG


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

🚀 @IDS_AI_ML
🚀 @IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

4️⃣هفته (جلسه چهارم) : مرور روش های پردازش و استخراج ویژگی از سیگنال EEG


🗣محتوای این جلسه:

در این بخش، به معرفی روش‌های مختلف استخراج ویژگی از سیگنال EEG پرداخته می‌شود. این روش‌ها شامل محاسبه ویژگی‌های زمانی، فرکانسی و زمانی-فرکانسی هستند. همچنین، به اهمیت انتخاب ویژگی‌های مناسب برای مدل‌سازی و طبقه‌بندی سیگنال پرداخته خواهد شد.


🔸 اهداف آموزشی:

💡آشنایی با انواع مختلف ویژگی‌های سیگنال EEGو باندهای مختلف فرکانسی
💡یادگیری روش‌های محاسبه ویژگی‌های زمانی، فرکانسی و زمانی-فرکانسی
💡درک ارتباط بین ویژگی‌های استخراج شده و فعالیت‌های مغزی


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

4️⃣هفته (جلسه پنجم) : کار عملی در MATLAB: ساخت ماتریس داده های ورودی و خروجی برای ایجاد مدل


🗣محتوای این جلسه:

در این بخش، شرکت‌کنندگان به صورت عملی با نحوه ساخت ماتریس داده‌های ورودی و خروجی برای آموزش مدل‌های ماشین لرنینگ در MATLAB آشنا می‌شوند. این بخش شامل بارگذاری داده‌های EEG، پیش‌پردازش داده‌ها، استخراج ویژگی‌ها و ساخت ماتریس‌های ویژگی و برچسب‌ها است.


🔸 اهداف آموزشی:

💡یادگیری نحوه بارگذاری و مدیریت داده‌های EEG در MATLAB
💡پیاده‌سازی عملی مراحل پیش‌پردازش و استخراج ویژگی
💡ساخت ماتریس داده‌های آماده برای آموزش مدل‌های یادگیری ماشین


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

6️⃣هفته (جلسه ششم) : معرفی اصطلاحات و مفاهیم پایه مدل سازی و یادگیری ماشین

🗣محتوای این جلسه:

در این بخش، به معرفی اصطلاحات و مفاهیم پایه در حوزه مدل‌سازی و یادگیری ماشین پرداخته می‌شود. مفاهیمی مانند طبقه بندی‌، رگرسیون و خوشه بندی توضیح خواهند شد. همچنین، به مفاهیم نحوه آموزش شبکه و تنظیم پارامتر های شبکه و مشکلات آن پرداخته می‌شود.


🔸 اهداف آموزشی:

💡آشنایی با اصطلاحات و مفاهیم کلیدی در یادگیری ماشین
💡درک تفاوت بین الگوریتم های مختلف ماشین لرنینگ
💡شناخت معیارهای ارزیابی مدل‌های یادگیری ماشین


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

7️⃣هفته (جلسه هفتم) : روش‌های کاهش بعد و انتخاب ویژگی

🗣محتوای این جلسه:

در دنیای پردازش سیگنال‌های EEG، داده‌ها اغلب دارای ابعاد بسیار بالایی هستند که می‌تواند منجر به پیچیدگی محاسباتی، افزایش زمان آموزش مدل‌ها و احتمال بیش‌برازش شود. به همین دلیل، روش‌های کاهش بعد و انتخاب ویژگی از اهمیت ویژه‌ای برخوردارند.
کاهش بعد به معنای کاهش تعداد ابعاد داده‌ها بدون از دست دادن اطلاعات مهم است.

🔴کاهش بعد به دو صورت انجام می‌شود:

✅ انتخاب ویژگی: در این روش، برخی از ویژگی‌های کم‌اهمیت یا تکراری از داده‌ها حذف می‌شوند تا به یک مجموعه ویژگی فشرده‌تر دست یابیم.
✅استخراج ویژگی: در این روش، ویژگی‌های جدیدی از ترکیب خطی ویژگی‌های اصلی ایجاد می‌شود که اطلاعات بیشتری را در خود جای می‌دهند.

🔴چرا کاهش بعد و انتخاب ویژگی مهم است؟

✅بهبود کارایی مدل: با کاهش ابعاد داده‌ها، زمان آموزش مدل‌ها کاهش یافته و پیچیدگی محاسباتی کاهش می‌یابد.
✅ جلوگیری از بیش‌برازش: مدل‌های پیچیده با تعداد ویژگی‌های زیاد ممکن است به داده‌های آموزشی بیش از حد تطابق پیدا کنند و در نتیجه در داده‌های تست عملکرد خوبی نداشته باشند. کاهش بعد و انتخاب ویژگی به جلوگیری از این مشکل کمک می‌کند.
✅ بهبود تفسیرپذیری مدل: با کاهش تعداد ویژگی‌ها، مدل ساده‌تر شده و تفسیر نتایج آن آسان‌تر می‌شود.
✅ کاهش نویز: برخی از ویژگی‌ها ممکن است حاوی نویز زیادی باشند که می‌تواند بر عملکرد مدل تأثیر منفی بگذارد. کاهش بعد می‌تواند به حذف این نویزها کمک کند.


🔸 اهداف آموزشی:

💡آشنایی با روش‌های کاهش بعد و انتخاب ویژگی
💡درک مزایا و معایب هر روش
💡انتخاب روش مناسب برای داده‌های EEG


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

8️⃣هفته (جلسه هشتم) : کار عملی در MATAB: انتخاب و کاهش بعد ویژگی ها از ماتریس دادگان

🗣محتوای این جلسه:

در این بخش، شرکت‌کنندگان به صورت عملی با نحوه انتخاب و کاهش بعد ویژگی‌ها از ماتریس داده‌های EEG در MATLAB آشنا می‌شوند. این بخش شامل استفاده از روش‌های مختلف انتخاب ویژگی و کاهش بعد آموزش داده شده خواهد بود. همچنین، به ارزیابی تأثیر کاهش بعد و انتخاب ویژگی بر عملکرد مدل پرداخته می‌شود.


🔸 اهداف آموزشی:

💡پیاده‌سازی عملی روش‌های کاهش بعد در MATLAB
💡ارزیابی تأثیر کاهش بعد بر دقت و سرعت مدل
💡انتخاب بهترین روش کاهش بعد برای داده‌های EEG


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

8️⃣هفته (جلسه نهم) : آشنایی با نحوه عملکرد انواع مدل های طبقه بند و نحوه به کارگیری آنها در MATAB

🗣محتوای این جلسه:

در این بخش، به معرفی انواع مدل‌های طبقه‌بند و نحوه عملکرد آن‌ها پرداخته می‌شود. مدل‌هایی مانند KNN، SVM، Naive Bayes، LDA، Decision Tree و Ensemble Learning معرفی خواهند شد. همچنین، به نحوه به کارگیری این مدل‌ها در MATLAB و تنظیم پارامترهای آن‌ها پرداخته می‌شود.


🔸 اهداف آموزشی:

💡آشنایی با انواع مدل‌های طبقه‌بند
💡درک نحوه عملکرد هر مدل
💡استفاده از مدل‌های طبقه‌بند در MATLAB برای تحلیل سیگنال EEG



✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

🟣 معرفی جلسات 10 گانه دوره «رمزگشایی سیگنالهای مغزی با الگوریتم های پایه در یادگیری ماشین»

8️⃣هفته (جلسه دهم) : کار عملی در MATLAB: پیاده سازی روش ها بر روی چند مثال از سیگنال های EEG ثبت شده در طی آزمایش های BCI

🗣محتوای این جلسه:

در این بخش، شرکت‌کنندگان به صورت عملی با پیاده‌سازی مدل‌های طبقه‌بند مختلف بر روی چند مثال از سیگنال‌های EEG ثبت شده در آزمایش‌های BCI آشنا می‌شوند. این بخش شامل انتخاب مدل مناسب، تنظیم پارامترها، آموزش و ارزیابی مدل‌ها خواهد بود.


🔸 اهداف آموزشی:

💡پیاده‌سازی عملی مدل‌های طبقه‌بند در MATLAB
💡مقایسه عملکرد مدل‌های مختلف
💡انتخاب بهترین مدل برای کاربردهای خاص


✨ با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

⬇️ نحوه ثبت نام در این دوره:

https://t.iss.one/IDS_AI_ML/248

⌛ سرفصل های این دوره:

https://t.iss.one/IDS_AI_ML/250

🔴 همراه با گواهی شرکت در دوره به انگلیسی 

🔣 کسب اطلاعات بیشتر:

@InterdisciplinarySchools2

✈️@IDS_AI_ML
✈️@IDSchools

😮 مقاله Continual Lifelong Learning with Neural Networks: A Review مروری جامع بر حوزه یادگیری مستمر مادام‌العمر با شبکه‌های عصبی ارائه می‌دهد. این مقاله به چالش‌ها و پیشرفت‌های اخیر در توانمندسازی شبکه‌های عصبی برای کسب، تنظیم دقیق و انتقال دانش و مهارت‌ها در طول عمر خود می‌پردازد. نویسندگان اهمیت یادگیری مادام‌العمر را برای عامل‌های خودمختار در دنیای واقعی و پردازش جریان‌های مداوم اطلاعات مورد بحث قرار می‌دهند.

نکات:
🟢 فراموشی فاجعه‌آمیز: چالش اصلی در یادگیری مستمر، فراموشی فاجعه‌آمیز است که در آن آموزش بر روی وظایف جدید می‌تواند باعث فراموشی اطلاعات قبلاً یادگرفته شده توسط شبکه شود.
🟢 الهام از زیست‌شناسی: مقاله به بررسی نحوه غلبه سیستم‌های بیولوژیکی بر این مشکل از طریق مکانیزم‌هایی مانند پایداری-انعطاف‌پذیری سیناپسی، مراحل حیاتی توسعه و اکتشاف مبتنی بر انگیزه ذاتی می‌پردازد.
🟢 استراتژی‌های یادگیری مستمر: روش‌های مختلف برای حل مشکل فراموشی فاجعه‌آمیز، از جمله تکنیک‌های تنظیم، بافرهای پخش و به‌روزرسانی‌های پارامتر خاص وظیفه، مورد بحث قرار می‌گیرند.

✉️@IDS_AI_ML
✉️@IDSchools

📖 کتاب "Superintelligence: Paths, Dangers, Strategies" نوشته Nick Bostrom، کاوش عمیقی در مورد آینده بالقوه هوش مصنوعی است. این کتاب به بررسی احتمال ایجاد ابرهوش، هوش مصنوعی که از هر جنبه‌ای از توانایی‌های انسانی فراتر می‌رود، می‌پردازد.

🔹 موضوعات اصلی:

🔺 پتانسیل ابرهوش: بوستروم سناریوهای مختلفی را بررسی می‌کند که در آن ابرهوش می‌تواند ظاهر شود، از توسعه تدریجی هوش مصنوعی تا پیشرفت‌های ناگهانی‌تر. او مزایای بالقوه‌ای مانند حل مشکلات پیچیده جهانی و پیشرفت دانش علمی را مورد بحث قرار می‌دهد.
🔺 خطرات ابرهوش کنترل‌نشده: با این حال، این کتاب همچنین خطرات بالقوه ابرهوش را در صورتی که با ارزش‌های انسانی همسو نباشد، برجسته می‌کند.
🔺 راهبردهای کنترل ابرهوش: این کتاب چندین استراتژی برای اطمینان از اینکه ابرهوش به نفع بشریت باقی می‌ماند، پیشنهاد می‌کند:
🔺 هوش مصنوعی دوستانه: توسعه سیستم‌های هوش مصنوعی که ذاتاً با ارزش‌های انسانی همسو هستند.
🔺 مشکل کنترل: یافتن راه‌هایی برای کنترل و هدایت رفتار ابرهوش.
🔺 یادگیری ارزش‌ها: آموزش سیستم‌های هوش مصنوعی برای درک و پذیرش ارزش‌های انسانی.

✉️@IDS_AI_ML
✉️@IDSchools

🌐 وبسایت https://thispersondoesnotexist.com/ یک وبسایت جذاب است که تصاویر واقع‌گرایانه و با کیفیت بالا از چهره‌های انسان – از افرادی که واقعاً وجود ندارند – تولید می‌کند. هر بار که صفحه را رفرش می‌کنید، یک چهره جدید و منحصر به فرد ظاهر می‌شود که توسط هوش مصنوعی با استفاده از نوعی شبکه عصبی به نام Generative Adversarial Network (GAN) ایجاد شده است.

⚙️ این ابزار مبتنی بر GAN که توسط NVIDIA توسعه یافته است، از StyleGAN استفاده می‌کند، مدلی که روی مجموعه داده‌های گسترده‌ای از چهره‌های واقعی انسان آموزش دیده است تا تصاویر فوق‌العاده واقع‌گرایانه تولید کند. چهره‌ها کاملاً واقعی به نظر می‌رسند، با ویژگی‌های صورت طبیعی، بافت پوست و حالات چهره، و تشخیص آن‌ها از عکس‌های واقعی دشوار است.

✅ این وبسایت نشان می‌دهد که هوش مصنوعی تا چه حد در ایجاد تصاویر مصنوعی قابل‌باور پیشرفت کرده است و سوالات جالبی در مورد دیپ‌فیک‌ها، اخلاق هوش مصنوعی و استفاده بالقوه از این تصاویر تولید شده در رسانه‌ها و برنامه‌های دیجیتال مطرح می‌کند.

🔹 مقاله مدل StyleGAN
🔹 کد پیاده‌سازی شده با تنسورفلو

🚀@IDS_AI_ML
🚀@IDSchools

💡اگر به متقارن بودن گوش ها در دو تصویر مورد نظر توجه کنین، در تصویر سمت چپ، گوش چپ بزرگتر از گوش راست است و این یک نوع آرتیفکت در ساخت تصویر توسط هوش مصنوعی هست.

💠ویژگی‌های بارز تصاویر چهره تولید شده توسط هوش مصنوعی:
🟡بلورشدگی: مدل‌های هوش مصنوعی ممکن است در تولید جزئیات با کیفیت بالا، مخصوصاً در مو، چشم‌ها و بافت پوست، دچار مشکل شوند. این امر می‌تواند منجر به ظاهر کمی تار یا غیر واقعی شود.
🟡بافت‌های غیرطبیعی: تصاویر تولید شده توسط هوش مصنوعی ممکن است بافت‌های غیرطبیعی مانند پوست بیش از حد صاف یا الگوهای غیر واقعی در لباس یا پس‌زمینه داشته باشند.
🟡نورپردازی ناهمگون: مدل‌های هوش مصنوعی ممکن است همیشه نتوانند شرایط نورپردازی واقعی را به درستی شبیه‌سازی کنند، که منجر به ناهماهنگی در سایه‌ها، هایلایت‌ها و تعادل کلی نورپردازی می‌شود.
🟡ویژگی‌های تحریف‌شده: گاهی اوقات، چهره‌های تولید شده توسط هوش مصنوعی ممکن است دارای ویژگی‌های تحریف‌شده مانند چشم‌های نامتقارن، شکل غیرعادی بینی یا لبخند غیرطبیعی باشند.
🟡کمبود جزئیات ظریف: مدل‌های هوش مصنوعی ممکن است در ثبت جزئیات ظریف مانند کک و مک، چین و چروک یا موهای فردی مشکل داشته باشند، که منجر به ظاهری کلی کلیشه‌ای می‌شود.

✉️@IDS_AI_ML
✉️@IDSchools