😮 دوره رایگان "Scientific Python Lectures" شما را با محاسبات علمی با پایتون آشنا می کند.

⬅️این دوره جامع، طیف وسیعی از موضوعات را پوشش می دهد از جمله:

🔴مقدمات پایتون برای محاسبات علمی
آشنایی و کار با :
🔴کتابخانه NumPy برای ایجاد و دستکاری داده های عددی
🔴کتابخانه Matplotlib برای رسم انواع نمودار
🔴 کتابخانه SciPy برای محاسبات علمی پیشرفته
🔴کتابخانه Pandas برای کار با داده‌های جدولی
🔴کتابخانه Sympy برای محاسبات نمادین
🔴کتابخانه scikit-image برای پردازش و تحلیل تصاویر
🔴کتابخانه scikit-learn برای یادگیری ماشین

🔣آموزش های این دوره به صورت کتاب نیز موجود می باشد و می تواند فایل Pdf نسخه ۲۰۲۴ این کتاب را در در پست زیر دانلود کنید.
لینک گروه تعاملی
✉️@IDS_AI_ML
✉️@IDSchools

📎Scientific Python Lectures
One document to learn numerics, science, and data with Python

✉️@IDS_AI_ML
✉️@IDSchools

📱📱📱📱 Python Quiz 📱📱📱📱

funcs = [lambda x: x**2, lambda x: x+3, lambda x: x*2]
result = list(map(lambda f: f(4), funcs))
print(result)

Options:

result

=

A. [16, 7, 8]
B. [8, 7, 16]
C. [16, 8, 7]
D. [7, 16, 8]

✉️@IDS_AI_ML
✉️@IDSchools

🆕🆕🆕🆕🆕🆕
📣مدارس میان‌رشته‌ای برگزار می‌کند:

🔹سری وبینار‌های رایگان «همگام با پیشتازان»

🔜 قسمت سوم: Federated Learning

👤با حضور: محمد مهدی کاظمی مجدآبادی

🟣دیتا ساینتیست و پژوهشگر حوزه هوش مصنوعی
🟣دانشجو دکتری هوش مصنوعی در University of Hamburg،  آلمان
🟣فارغ التحصیل کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی ، دانشگاه علم و صنعت
🟣فارغ التحصیل کارشناسی  مهندسی کامپیوتر گرایش سخت افزار ، دانشگاه علم و صنعت

⏰ سه‌شنبه ۲۲ خرداد، 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 شرکت در این وبینار به کانال هوش مصنوعی مدارس میان‌رشته‌ای مراجعه کنید.

✉️@IDS_AI_ML
✉️@IDSchools

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

⬅️در این وبینار از زبان آقای محمد مهدی کاظمی مجدآبادی این موضوعات را پوشش خواهیم داد:
🟢 مفاهیم و کاربرد Federated Learning
🟢 معرفی پلتفرم FeatureCloud



🔜زمان وبینار: ۲۲ خرداد - روز سه شنبه ساعت ۲۰ به وقت ایران

🔣جهت ثبت‌نام از طریق گوگل فرم زیر اطلاعات خود را وارد نمایید و 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.

👈لینک گوگل فرم: [وبینار رایگان Federated Learning با پژوهشگر برجسته محمد مهدی کاظمی مجدآبادی ]

✉️@IDS_AI_ML
✉️@IDSchools

👀 تصور کنید در سال ۲۰۱۹، دانشمندان برای اولین بار تصویری از یک سیاهچاله عظیم در فاصله‌ای میلیون‌ها سال نوری از زمین، به دست آوردند. اما گرفتن این تصویر به تلسکوپی به اندازه کل کره‌ی زمین نیاز داشت – در اصل کاری غیرممکن! پس آن‌ها چطور این کار را انجام دادند؟

✨با اتصال تلسکوپ‌های سراسر جهان، تلسکوپ the Event Horizon Telescope را ساختند، تلسکوپی مجازی که دیافراکمی به اندازه‌ی قطر زمین داشت. این نمونه‌ی بارزِ محاسبات توزیع‌شده است، جایی که وظایف بین شبکه‌ای از دستگاه‌ها تقسیم می‌شود. این رویکرد نوآورانه، کاربردهایی فراتر از نجوم دارد.

😮 روش Federated Learning ، با الهام گرفتن از همین اصول، به ما امکان می‌دهد تا مدل‌های هوش مصنوعی را روی میلیون‌ها دستگاه – گوشی‌های هوشمند، لپ‌تاپ‌ها و ... آموزش دهیم. این دستگاه‌ها مدل را به صورت محلی با استفاده از داده‌های خود آموزش می‌دهند، سپس فقط نتایج پالایش‌شده‌ی یادگیری را به اشتراک می‌گذارند، نه خود داده‌های خام. این امر حریم خصوصی کاربر را حفظ می‌کند و در عین حال یادگیری قدرتمند و مشارکتی را امکان‌پذیر می‌سازد.

🌐 منبع

👈وبینار رایگان Federated Learning ➡️

✉️@IDS_AI_ML
✉️@IDSchools

😮مقاله ای تاثیرگذار از محققان گوگل (۲۰۱۶) با عنوان "Communication-Efficient Learning of Deep Networks from Decentralized Data"

🟢این مقاله، یکی از مقالات بنیادی در زمینه Federated Learning در نظر گرفته می شود و همچنین پایه محکمی برای درک مفاهیم آن فراهم می کند.
✉️@IDS_AI_ML
✉️@IDSchools

📚این کتاب به معرفی معماری‌های نوظهور، چارچوب‌ها و مدل‌های مبتنی بر یادگیری فدرال (FL) در کاربردهای اینترنت اشیاء پزشکی (IoMT) می‌پردازد. هدف آن برجسته سازی الزامات فعلی اشتراک داده و مسائل امنیتی و حفظ حریم خصوصی در به اشتراک گذاری داده‌های پزشکی است.

✉️@IDS_AI_ML
✉️@IDSchools

🔴🔴🔴Quiz 🔴🔴🔴

در یادگیری فدرال، چه اطلاعاتی به طور معمول بین دستگاه‌ها و سرور مرکزی رد و بدل می‌شود؟

الف) داده خام کاربر
ب) وزن‌های آپدیت شده مدل
ج) نام کاربری و رمز عبور
د) پیش‌بینی‌ها روی داده‌های تست

👈وبینار رایگان Federated Learning ➡️
✉️@IDS_AI_ML
✉️@IDSchools

🧠Training AI Models with Federated Learning

❤️ IBM Technology

👈وبینار رایگان Federated Learning ➡️

✉️@IDS_AI_ML
✉️@IDSchools

‼️ ثبت نام وبینار رایگان مفاهیم و کاربرد Federated Learning و معرفی پلتفرم FeatureCloud ◀️◀️◀️

💡پزشکان نیازمند روشی امن برای ذخیره، دسترسی و مدیریت داده های بیماران هستند.
🟡بیماران باید کنترل کاملی بر اطلاعات خود داشته باشند.
🟡محققان به داده های پزشکی ناشناس برای تحقیق و توسعه داروهای جدید نیاز دارند.
🟡به اشتراک گذاری مستقیم داده ها از طریق اینترنت ریسک نقض حریم خصوصی را بالا می برد.

🔣راه حل FeatureCloud:

پروژه FeatureCloud یک همکاری تحقیقاتی سراسر اروپا در زمینه هوش مصنوعی است.
این پروژه یک ابزار نرم افزاری برای کاهش خطرات سایبری در زیرساخت های مراقبت های بهداشتی ارائه می دهد.
راهکار اصلی آن یادگیری ماشین Federated است که در آن پارامترهای رمزنگاری شده به جای داده های خام به اشتراک گذاشته می شود.
با این روش، داده ها در بیمارستان ها باقی می مانند
هوش مصنوعی به صورت محلی و غیرمتمرکز در بیمارستان ها فعال است.
بیماران کنترل کاملی بر داده های خود دارند.

👈 ثبت نام در وبینار رایگان آشنایی با مفاهیم Federated Learning و معرفی پلتفرم FeatureCloud ➡️

✉️@IDS_AI_ML
✉️@IDSchools

🧠 FeatureCloud

👈 ثبت نام در وبینار رایگان آشنایی با مفاهیم Federated Learning و معرفی پلتفرم FeatureCloud ➡️

✉️@IDS_AI_ML
✉️@IDSchools

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

⬅️در این وبینار از زبان آقای محمد مهدی کاظمی مجدآبادی این موضوعات را پوشش خواهیم داد:
🟢 مفاهیم و کاربرد Federated Learning
🟢 معرفی پلتفرم FeatureCloud



🔜زمان وبینار: ۲۲ خرداد - روز سه شنبه ساعت ۲۰ به وقت ایران

🔣جهت ثبت‌نام از طریق گوگل فرم زیر اطلاعات خود را وارد نمایید و 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.

👈لینک گوگل فرم: [وبینار رایگان Federated Learning با پژوهشگر برجسته محمد مهدی کاظمی مجدآبادی ]

✉️@IDS_AI_ML
✉️@IDSchools

✨ با عرض سلام و احترام،

🔴لینک شرکت در ارائه امروز با عنوان Federated Learning و معرفی پلتفرم FeatureCloud، ساعت 19 به ایمیل دوستان ارسال خواهد شد.🔴

⬅️این ارائه از ساعت 20 تا 21:30 برگزار می شود. ➡️

✉️@IDS_AI_ML
✉️@IDSchools

سلام،
🟢لینک حضور در وبینار خدمت دوستان ایمیل شد.🟢

‼️اگر از دوستان ایمیل رو دریافت نکردن یا مشکل دیگه ای داشتن، به گروه تعاملی هوش مصنوعی مراجعه کنن.

⬅️ لینک گروه تعاملی ➡️
 
✉️@IDSchools
✉️@IDS_AI_ML

✨ سومین وبینار رایگان «همگام با پیشتازان» مدارس میان‌رشته‌ای با حضور آقای محمد مهدی کاظمی مجدآبادی کاندیدای دکتری از دانشگاه هامبورگ ، با موضوع Federated Learning برگزار گردید.

⬅️در ادامه خلاصه‌ای از این وبینار تقدیم حضور شما می‌گردد:

🔹مفاهیم Federated Learning:
🟡در کاربردهای ماشین لرنینگ برای Biomedicine، مدل های بهتر و قوی تر با دیتای بیشتر قابل دستیابی هست
🟡 شرکت گوگل در کیبورد گوشی های اندرویدی از FederatedLearning برای شخصی سازی با استفاده از داده‌های ورودی استفاده می‌کند.
🟡در دنیای بازار‌های مالی، به دلیل محرمانه بودن اطلاعات، می توان از دیتای موسسات مالی مختلف برای آموزش دادن یک مدل گلوبال قوی استفاده کرد.
🟡در روش های کلاسیک ماشین لرنینگ، دیتاست چندین موسسه یا بیمارستان بعد از حذف اطلاعات شخصی بیماران با هم ترکیب شده و بعد مدل روی این دیتاست گلوبال آموزش می بیند ولی در روش Federated، مدل گلوبال دیتای خام را نمی بیند، در اصل هر دیتاست روی یک مدل آموزش می بیند و سپس پارامتر این مدل ها توسط سروری با هم تجمیع شده و مدل گلوبال بدست می آید.
🟡چالش استفاده از داده‌های حوزه ی سلامت در اکثر کشور ها =>GDPR (Geneal Data Protection Regulation) ، یعنی اگر دیتای بیماری بدون مراسمات سخت اداری منتشر شود جریمه های خیلی سنگینی دارد.
🟡مفهوم Federatd Learning از این جمله معروف نشات میگیرد :

Bring the model training to the data, not the other way round

🟡چالش های این روش شامل موارد روبروست : Communication Overhead، Loss of accuracy due to generalization issues و Less control over data quality
🟡تکنیک هایی برای افزایش امنیت این روش : Differential Privacy (DP)، Secure Multiparty Computation (SMPC) و Homomorphic Encryption (HE)

💡پلتفرم FeatureCloud:

🟣فراهم کردن کتابخانه ها و اپلیکیشن های متنوع در زمینه پیش‌پردازش و آنالیز دیتای پزشکی مثل flimma و sPlink
🟣فراهم کردن کتابخانه پایتون برای توسعه برنامه ها و همچنین CLI (Command Line Interface)
🟣نحوه کارکرد این پلتفرم به این صورت است که مثلا اپلیکیشنی انتخاب و فایل Docker این اپ روی سرور های چندین بیمارستان دانلود و روی دیتاها اجرا می شود و سپس پارامتر های این شبکه ها توسط سرور تجمیع کننده ای جمع و ترکیب شده و مدل گلوبال بدست می آید سپس این مدل گلوبال توسط Docker فایل کنترلر به سرور بیمارستان ها ارسال می شود.

🔣معرفی منابع :
🟡 مقاله FeatureCloud
🟡 پلتفرم FeatureCloud
🟡 کانال مدیوم FeatureCloud
🟡 مقاله McMahan
✉️@IDS_AI_ML
✉️@IDSchools

Emerging Technologies : when boarders melt down
بر اساس ارائه‌ای از استاد محمد‌علی مداح علی

🔹 با توجه به افزایش بی سابقه تولید Big data در سال‌های اخیر، شرایطی ایجاد شده که مرزهای رشته ها کم کم کمرنگ تر شده و بسیاری از حوزه ها مجبور شده‌اند که برای حل مشکلات و محدودیت‌های موجود، از گرایش ها و زمینه‌های دیگر الهام بگیرند.
🔴برای مثال، در زمینه Federated Learning که وبیناری با حضور اقای آقای محمد مهدی کاظمی مجدآبادی داشتیم، به چالش ها و فرصت‌های تحقیقاتی در این زمینه پرداخته شد.
🔴اگر سه جنبه ی مخابرات، محاسبات/ذخیره‌سازی و الگوریتم و یادگیری را مدنظر قرار دهیم، در پروژه‌های Federated Learning مشکل communication overhead رو داشتیم به برای آموزش دادن شبکه های موسسات مختلف، پارامترهای زیادی بین سرور های لوکال و سرور تجمیع کننده و همچنین سرور اصلی رد و بدل می شد، پس باید راه‌حل‌هایی برای بهینه کردن این ارتباطات صورت گیرد و به این مساله به عنوان صرفا یک مشکل مخابراتی توجه نشود، جنبه‌های دیگر مساله مثل یادگیری و همچنین محاسبات و ذخیره‌سازی هم باید نظر گرفته شوند تا با همکاری این سه جنبه با هم دیگر، راه‌حل‌های مناسب اتخاذ گردد.

🔴در بحث مخابرات طبق قانون شانون برای ظرفیت کانال، ما محدودیت‌های پروژه رو در نظر می گیریم، همچنین طبق قانون مور در مورد پیشرفت های سخت افزار‌های محاسباتی، میزان منابع لوکال را بررسی کرده و همچنین با در نظر گرفتن این ها، در بخش الکوریتم و یادگیری سعی می کنیم بهینه ترین روش رو انتخاب کنیم که به هیچکدوم از جنبه های مختلف پروژه فشار زیادی وارد نشود.

🔴با توجه به این مسائل، لزوم بین رشته‌ای کار کردن بیش از پیش مورد اهمیت واقع شده است و برای موفقیت در پروژه‌های مختلف ، باید از بینش و دانش زمینه‌های مختلف الهام گرفت.


✉️@IDS_AI_ML
✉️@IDSchools