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

☄️ آغاز ثبت نام طرح تربیت پژوهشگر 3 در نوروساینس و علوم شناختی با حضور 30 استاد هیات علمی از دانشگاه های معتبر داخلی و خارجی، با ظرفیت 200 تیم پژوهشی☄️

🟩مجموعه علمی و پژوهشی مدارس میان رشته ای با افتخار اعلام می دارد که ثبت نام طرح تربیت پژوهشگر در نوروساینس و علوم شناختی 3 با حضور 30 استاد از اساتید برجسته در حوزه های مختلف نوروساینس و علوم شناختی و از دانشگاه های بوخوم، گوتینگن، نیوساوت ولز، علوم پزشکی تهران، دانشگاه صنعتی امیرکبیر و همینطور موسسات معتبر بین المللی نظیر ماکس پلانک، DPZ، پژوهشگاه علوم اعصاب و پژوهشگاه اختلالات عصب تکاملی دانشگاه علوم پزشکی تهران و ده ها دانشگاه و مرکز پژوهشی دیگر شروع می شود.

🟩این طرح دری است به روی پژوهشگران جوانی که مایلند مهارت های پژوهشی خود را زیر نظر و با راهنمایی اساتید هیات علمی و مساعدت منتورهای مجموعه علمی مدارس میان رشته ای تقویت نموده و خود را برای مدارج علمی بالاتر و توفیقات بعدی خود آماده نمایند.

🟩مجموعه علمی و پژوهشی مدارس میان رشته ای با تجربه مدیریت 100 تیم پژوهشی فعال کنونی و حضور 50 استاد در مجموع در طی این سه سال هم اکنون آماده است تا شیوه صحیح پژوهش را در حوزه های مختلف نوروساینس و علوم شناختی با همه عزیزان در هر مقطعی به اشتراک بگذارد و از ظرفیت همه عزیزان در این راستا بهره گیرد و موجبات باروری بیشتر علمی نسل جوان را فراهم نماید.

🟩تنوع موضوعات و تعداد اساتید امسال بسیار بیشتر از سنوات گذشته و با مساعدت منتورهایی صورت می گیرد که خود پژوهشگران سنوات قبلی این مجموعه هستند و با دریافت آموزشهای سطح بالاتر آماده هستند تا ضمن عمق بخشی به دانش خود راه ترقی هم نسلان خود را نیز هموار سازند.

🟩موضوعات امسال شامل طیف وسیعی از مقالات پژوهشی (اوریجینال) و مروری (سیستماتیک ریویو) در حوزه های مختلف نوروساینس و علوم شناختی است. امسال با همکاری 20 کلینیک و 5 بیمارستان دیتاگیری خواهیم داشت و همینطور از دیتاهای آماده از دیتاست ها نیز استفاده خواهیم نمود.

📌در بخش مقالات پژوهشی موضوعاتی که پوشش داده می شود از این قرار است:

◽️ثبت و تحلیل سیگنال های مغزی (با استفاده از دستگاه ای ای جی) شامل:

🔺دیتاگیری یا کار با دیتاهای آماده سیگنال های ای ای جی و ای آر پی، ای کاگ و آی ای ای جی از دیتاست ها و تحلیل آنها با استفاده از روشهای ارتباط کارکردی و موثر، نوروساینس محاسباتی، نوروساینس رفتاری، سایکوفیزیک، سیگنال دی کدینگ، یافتن سورس های مغزی و ...

◽️کار با داده های نوروایمیجینگ (تصویربرداری مغزی نظیر MRI. fMRI. DTI. PET$SPECT) و تحلیل آنها با استفاده از:

🔺روشهای ارتباط کارکردی و موثر، یادگیری ماشین و عمیق، روشهای مختلف آماری و ...

🔺طراحی تسکهای شناختی و تحلیل آنها با روشهای مختلف همراه با ثبت سیگنالهای مغزی با استفاده از:

🔺سایکوپای و پایتون

🔺ثبت دیتای سیگنال همراه با روشهای تحریک مغزی نظیر tDCS، tACS و ...

◽️استفاده از پرسشنامه های شناختی و دیتاگیری و تحلیل پرسشنامه ها با استفاده از نرم افزارهای مختلف شامل:

🔺پرسشنامه های شناختی و تحلیل آنها با R
🔺پرسشنامه های رفتاری و تحلیل آنها

◽️استفاده از تسک های سایکوفیزیک (ترکیب ای ای جی و آی ترکینگ)
◽️تحلیل داده های نوروساینس رفتاری در پریمات ها

📌در بخش مقالات مروری موضوعاتی که پوشش داده می شود از این قرار است:

🔺تمرکز بر اختلالات نورولوژیک و عصب تکاملی نظیر آلزایمر، پارکینسون، اوتیسم، و اختلالات خلقی نظیر اضطراب و استرس و افسردگی و اختلالات شخصیت و ...

🔺تمرکز بر مقالات متمرکز بر تکنیک های نوروایمیجینگ و سیگنال

🔺تمرکز بر مقالات حوزه نوروساینس کودک و نوجوان

🔺تمرکز بر کارکردهای حرکتی و موتور و حسی

🔺تمرکز بر نوروژنتیک

🔸 از نکات ویژه و جانبی طرح پژوهشی امسال، ایجاد موقعیت شغلی برای دوستانی است که ضمن عملکرد خوب خود در تیمها، مایلند با ارتقای مهارت خود در کلینیکهای درمانی به فعالیت مشغول شوند.

🔸 ظرفیت امسال این مجموعه فقط 200 تیم است و بدیهی است که علاقه، آمادگی روحی و میل به پیشرفت علمی، روحیه کار تیمی و نظم از الزامات این فعالیت جمعی است.

🔸 دوستان می توانند سوالات خود را ناظر به این طرح پژوهشی در گروه تلگرامی زیر مطرح نمایند:

✈️https://t.iss.one/IDS_NeuroSci

🗣️با آرزوی توفیق برای همه
مدیریت مجموعه علمی و پژوهشی مدارس میان رشته ای

📱@IDSchools
📱@NeuroSci_IDSchools

"فهم، فرآیند تطبیق یک مدل ذهنی با دنیاست."

👤Marvin Minsky

👤این دانشمند در ۹ آگوست ۱۹۲۷ در شهر نیویورک متولد شد. در سال ۱۹۵۰ تحصیلات کارشناسی خود را در رشته ریاضیات در دانشگاه هاروارد به پایان رساند و سپس در سال ۱۹۵۴ موفق به اخذ مدرک دکترای ریاضی از دانشگاه پرینستون شد. زمینه تحصیلی بین رشته‌ای او، بستر کارهای پیشگامانه‌اش در تقاطع هوش مصنوعی، علوم شناختی و علوم اعصاب را بنا نهاد.

❓چرا Marvin Minsky یک افسانه است:
🔴راه را برای سیستم‌های پیشرفته هوش مصنوعی هموار کرد. کتاب او به نام "Perceptrons" (چاپ ۱۹۶۹ با همکاری Seymour Papert) تأثیر عمیقی بر حوزه شبکه‌های عصبی گذاشت. کارهای او زیربنای احیای شبکه‌های عصبی در دهه ۱۹۸۰ و موفقیت‌های بعدی آن‌ها در کاربردهای مختلف هوش مصنوعی را بنا نهاد. همچنین، تحقیقات ایشون بر پردازش نمادین و بازنمایی دانش مبتنی بر فریم متمرکز بود. او استفاده از ساختارهای نمادین به نام «فریم» را برای نمایش دانش و استدلال در سیستم‌های هوش مصنوعی بررسی کرد. فریم‌ها چارچوبی قدرتمند برای سازماندهی و دستکاری اطلاعات پیچیده فراهم می‌کردند و به سیستم‌های هوش مصنوعی امکان استدلال و تصمیم‌گیری هوشمندانه را می‌دادند.
🔴آزمایشگاه هوش مصنوعی MIT را تأسیس کرد که به محلی برای تحقیقات پیشگامانه هوش مصنوعی تبدیل شد.
🔴در کتاب برجسته خود با عنوان «The Society of Mind» که در سال ۱۹۸۵ منتشر شد، نظریه جامعی در مورد چگونگی تشکیل ذهن از مجموعه‌ای گسترده از فرآیندهای ذهنی در حال تعامل ارائه کرد. او پیشنهاد داد که هوش از برهم‌کنش‌های پیچیده بین این فرآیندها ناشی می‌شود و این موضوع بازتاب‌دهنده پردازش موازی است که در سیستم‌های هوش مصنوعی مشاهده می‌شود.
🔴او همچنین بر اهمیت همسو کردن هوش مصنوعی با ارزش‌های انسانی، رسیدگی به خطرات بالقوه و اطمینان از اینکه این فناوری به نفع همه بشریت است، تأکید می‌کرد.

#چهره‌های_برجسته
✉️@IDS_AI_ML
✉️@IDSchools

🤩 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

🎲7 steps of Machine Learning
🌐Source : Google Cloud : AI Adventures
#️⃣#کافه_یوتوب
✈️@IDS_AI_ML
✈️@IDSchools

📱کانال یوتیوب Google Cloud : AI Adventures دنیای یادگیری ماشین را به روشی سرگرم‌کننده و آموزشی برای شما باز می‌کند. در این کانال، با ماهیت، علم و ابزارهای یادگیری ماشین آشنا می‌شوید. فرقی نمی‌کند تازه‌کار باشید یا در این زمینه تجربه داشته باشید، این ویدیوها به شما کمک می‌کنند تا در سفر یادگیری علم داده خود، گام‌های بلندی بردارید.

🟩این کانال موضوعات مختلفی را پوشش می‌دهد، از جمله:

🔴اصول اولیه یادگیری ماشین
🔴هفت مرحله‌ی کلیدی در یادگیری ماشین کاربردی
🔴ابزارهایی مانند TensorFlow
🔴نحوه‌ی استفاده از Google Cloud Platform برای یادگیری ماشین
🔴به کارگیری هوش مصنوعی در دنیای واقعی، مثل مد و فشن
🔴و بسیاری موارد دیگر...
⬅️برای شروع سفر خود در دنیای هوش مصنوعی، می‌توانید لیست پخش ماجراجویی‌های هوش مصنوعی را در کانال Google Cloud Tech مشاهده کنید.

🤩 آیا برای شروع ماجراجویی خود آماده‌اید؟

#کافه_یوتوب

✉️@IDS_AI_ML
✉️@IDSchools

🟩چالش بنیادی در یادگیری ماشین، کشمکش بین Optimization و Generalization است. Optimization به فرآیند تنظیم مدل برای دستیابی به بهترین عملکرد ممکن روی داده‌های آموزشی اشاره دارد، در حالی که Generalization به چگونگی عملکرد مدل آموزش‌دیده روی داده‌هایی که هرگز ندیده است، اشاره می‌کند. بدیهی است که هدف نهایی دستیابی به Generalization خوب است، اما شما مستقیماً کنترلی روی آن ندارید؛ تنها کاری که می‌توانید انجام دهید، تطبیق مدل با داده‌های آموزشی است. اگر این کار را بیش از حد خوب انجام دهید، پدیده Overfitting رخ می‌دهد و Generalization لطمه می‌خورد.

❓حالا چه عواملی باعث Overfitting می‌شوند؟ چگونه می‌توانیم به Generalization خوب دست پیدا کنیم؟

⬅️در ابتدای آموزش شبکه، Optimization و Generalization با هم همبستگی دارند: هرچه loss روی داده‌های آموزشی پایین‌تر باشد، loss روی داده‌های تست نیز پایین‌تر است. در این حالت گفته می‌شود مدل شما دچار Underfitting است: هنوز جای پیشرفت وجود دارد؛ شبکه هنوز تمام الگوهای مرتبط موجود در داده‌های آموزشی را یاد نگرفته است. اما پس از تعداد معینی تکرار فرایند آموزش روی داده‌های آموزشی، تعمیم‌پذیری دیگر بهبود نمی‌یابد، معیارهای اعتبارسنجی ثابت می‌مانند و سپس شروع به کاهش می‌کنند، دراین حالت مدل در حال شروع به Overfitting است. یعنی شروع به یادگیری الگوهایی می‌کند که خاص داده‌های آموزشی هستند اما در مواجهه با داده‌های جدید ویژگی‌های گمراه‌کننده یا نامرتبط را یاد می‌گیرند.


📖 برگی از کتاب "Deep Learning with Python" اثر François Cholle
#گنجینه_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

👀 استفاده از Reinforcement Learning در ربات های شرکت Boston Dynamics
✈️@IDS_AI_ML
✈️@IDSchools

🟡 یادگیری تقویتی (Reinforcement Learning) نوعی از یادگیری ماشین است که در آن یک عامل با تعامل با محیط به هدفی مشخص می‌رسد. برخلاف یادگیری نظارت‌شده، RL بر یادگیری از نتایج اقدامات از طریق آزمون و خطا و توازن بین اکتشاف (آزمایش چیزهای جدید) و بهره‌برداری (استفاده از اطلاعات موجود) تمرکز دارد.

⬅️مفاهیم کلیدی:
🟡عامل: یادگیرنده یا تصمیم‌گیرنده.
🟡محیط: سیستم خارجی که عامل با آن تعامل دارد.
🟡اقدامات: انتخاب‌های عامل.
🟡پاداش‌ها: بازخورد محیط بر اساس اقدامات.
🟡سیاست: استراتژی عامل برای تعیین اقدامات.

◀️مثال عملی:
یکی از مثال‌ها، بازی تیک‌تاک‌تو است که در آن عامل با بازی کردن علیه خودش یاد می‌گیرد. هر بار که عامل یک بازی را می‌برد، تقویت می‌شود و به تدریج استراتژی‌های بهتری را یاد می‌گیرد تا احتمال بردش را افزایش دهد.

❓چرا RL؟
تصمیم‌گیری پویا: قابلیت تطبیق در محیط‌های متغیر.
کاربردهای وسیع: از رباتیک تا بازی‌ها و مالی.

✉️@IDS_AI_ML
✉️@IDSchools

😮 معرفی کتاب Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

🔣این کتاب به گونه‌ای ساختار یافته است که شما را از مبانی تا مفاهیم پیشرفته یادگیری عمیق همراهی کند، شامل:

✅ مبحث Introduction to Machine Learning and Deep Learning: اصول پایه و جایگاه یادگیری عمیق در یادگیری ماشین را درک کنید.
✅ مبحث Deep Feedforward Networks: معماری و آموزش شبکه‌های عصبی پیشخور، بلوک‌های سازنده یادگیری عمیق را بیاموزید.
✅ مبحث Regularization Techniques: روش‌هایی برای بهبود عملکرد مدل‌های یادگیری عمیق کشف کنید.
✅ مبحث Optimization Algorithms: الگوریتم‌هایی که آموزش شبکه‌های عمیق را هدایت می‌کنند، از گرادیان نزولی تا تکنیک‌های پیشرفته‌تر را بررسی کنید.
✅ مبحث Convolutional Networks: شبکه‌هایی که دید کامپیوتری و پردازش تصویر را متحول کرده‌اند، کشف کنید.
✅ مبحث Sequence Modeling: چگونگی مدیریت داده‌های ترتیبی توسط شبکه‌های بازگشتی را درک کنید، که برای وظایفی مانند مدل‌سازی زبان و پیش‌بینی سری‌های زمانی حیاتی هستند.
✅ مبحث Practical Methodology: بهترین روش‌ها برای پیاده‌سازی و تنظیم سیستم‌های یادگیری عمیق در کاربردهای دنیای واقعی را به دست آورید.
✅ مبحث Generative Models: درباره مدل‌هایی که قادر به تولید داده‌های جدید هستند بیاموزید، که منجر به نوآوری‌هایی در هوش مصنوعی خلاق و یادگیری بدون نظارت می‌شود.
⬅️ درباره نویسندگان

🟡آقای Ian Goodfellow: به خاطر کار پیشگامانه‌اش در شبکه‌های مولد رقابتی (GANs) شناخته می‌شود و یکی از شخصیت‌های برجسته در جامعه هوش مصنوعی است.

🟡آقای Yoshua Bengio: برنده جایزه تورینگ، یوشوا نقش بزرگی در توسعه یادگیری عمیق ایفا کرده است.

🟡آقای Aaron Courville : به عنوان یک محقق برجسته، آرون بر یادگیری بدون نظارت و مدل‌های مولد عمیق تمرکز دارد.

✈️@IDS_AI_ML
✈️@IDSchools