🧠هوش مصنوعی (AI) به ابزاری قدرتمند در زمینه‌های مختلفی از مراقبت‌های بهداشتی و مالی گرفته تا خودروهای خودران و سرگرمی تبدیل شده است. با این حال، با پیچیده‌تر شدن مدل‌های هوش مصنوعی، به ویژه مدل‌های یادگیری عمیق، یک سوال اساسی مطرح می‌شود: آیا می‌توانیم بفهمیم که این مدل‌ها چگونه به تصمیمات خود می‌رسند؟ اینجاست که مفهوم تفسیرپذیری در هوش مصنوعی مطرح می‌شود.

🔽در اینجا نگاهی به برخی از مقالات اخیر که تفسیرپذیری در هوش مصنوعی را بررسی می‌کنند، می‌اندازیم:

مقاله Explainable and interpretable artificial intelligence in medicine: a systematic bibliometric review (2024)
این مطالعه بر حوزه هوش مصنوعی پزشکی تمرکز دارد و بر نیاز به قابلیت تفسیر در تصمیمات مهم مانند تشخیص و درمان تاکید می‌کند. این مقاله همچنین به توضیح تکنیک‌های مختلف قابلیت تفسیر که در این حوزه استفاده می‌شود، می‌پردازد .

مقاله (2023) Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence
این مقاله یک نمای کلی عالی از زمینه هوش مصنوعی قابل توضیح ارائه می‌دهد و اهداف، چالش‌ها و روش‌های فعلی برای تفسیرپذیری راشرح می‌دهد. این مقاله بر اهمیت طراحی کاربرمحور در ایجاد توضیحاتی که برای انسان قابل درک است، تأکید می‌کند.

مقاله Explainable AI: A Review of Machine Learning Interpretability Methods (2023)
این مقاله به روش‌های مختلف تفسیرپذیری که در یادگیری ماشین استفاده می‌شود، می‌پردازد و آن‌ها را بر اساس رویکردشان طبقه‌بندی می‌کند.

مقاله Interpretability of Machine Learning: Recent Advances and Future Prospects (2023)
این مقاله پیشرفت‌های اخیر در تفسیرپذیری را بررسی می‌کند و در مورد روش‌های قابل درک کردن مدل‌های پیچیده یادگیری عمیق بحث می‌کند . این مقاله بر لزوم دستیابی به عملکرد بالا و در عین حال حفظ قابلیت تفسیر در مدل‌های هوش مصنوعی تاکید می‌کند.

✈️@IDS_AI_ML
✈️@IDSchools

👤 آقای Andrew Ng یکی از چهره‌های برجسته در زمینه هوش مصنوعی، به ویژه در زمینه یادگیری ماشین و یادگیری عمیق است. در اینجا خلاصه‌ای از زمینه کاری و دوره‌های آموزشی ایشون ارائه شده است:

🔵 پیشینه :
یک دانشمند کامپیوتر و متخصص یادگیری عمیق است. او یکی از بنیانگذاران شرکت هایی چون Landing AI ، DeepLearning AI ، Coursera و ... و پیش از این به عنوان دانشمند ارشد هوش مصنوعی در Baidu فعالیت می‌کرد. او همچنین مدیر سابق آزمایشگاه هوش مصنوعی استنفورد و استاد علوم کامپیوتر در دانشگاه استنفورد بوده است.

🔣دوره‌های آموزشی:

ایشون به خاطر ایجاد برخی از محبوب‌ترین و تاثیرگذارترین دوره‌های یادگیری ماشین که به صورت آنلاین در دسترس هستند، شناخته شده است. این دوره‌ها از طریق پلتفرم او، DeepLearning.AI، و همچنین از طریق پلتفرم‌هایی مانند Coursera ارائه می‌شوند. در اینجا به چند مورد از مشهورترین دوره‌های او اشاره می‌کنیم:

◀️ دوره Machine Learning Specialization

:
این برنامه بنیادی که با همکاری DeepLearningAI و Stanford Online ایجاد شده است، مقدمه‌ای جامع بر مفاهیم یادگیری ماشین ارائه می‌دهد. این دوره موضوعاتی مانند یادگیری با نظارت، رگرسیون، طبقه‌بندی و یادگیری بدون نظارت را پوشش می‌دهد.

◀️ دوره Deep Learning Specialization

:
این دوره عمیق‌تر به دنیای یادگیری عمیق، زیرمجموعه‌ای از یادگیری ماشین که از شبکه‌های عصبی مصنوعی استفاده می‌کند، می‌پردازد. این دوره دانشجویان را قادر می‌سازد تا مدل‌های یادگیری عمیق را برای کاربردهای مختلف بسازند و به کار گیرند.

💡اینها تنها چند مورد از دوره‌های یادگیری ماشین ارائه شده توسط ایشون هستند. شما می‌توانید لیست کامل دوره‌های او را در وب‌سایت او پیدا کنید. علاوه بر تخصص‌های فوق، ایشون با سایر مؤسسات برای ارائه دوره‌هایی در پلتفرم‌هایی مانند Coursera همکاری کرده است. این دوره‌ها طیف وسیعی از موضوعات مرتبط با یادگیری ماشین، هوش مصنوعی و علم داده‌ها را پوشش می‌دهند.

✉️@IDS_AI_ML
✉️@IDSchools

🔣 مقاله Playing Atari with Deep Reinforcement Learning

📌مهمترین نکات:

✅این مقاله یک رویکرد یادگیری تقویتی عمیق را ارائه می دهد که یک شبکه عصبی کانولوشنی را آموزش می دهد تا سیاست های کنترل را مستقیماً از پیکسل های خام برای اجرای موفق بازی های آتاری یاد بگیرد. این یکی از اولین کاربردهای یادگیری عمیق برای یادگیری تقویتی از ورودی های بصری با ابعاد بالا است.

✅کارهای قبلی یادگیری تقویتی به جای یادگیری بازنمایی مستقیم از پیکسل ها، به ویژگی های ساخته شده با دست تکیه می کردند. نویسندگان می‌خواستند از تکنیک‌های یادگیری عمیق اخیر در یادگیری تقویتی برای یادگیری بازنمایی‌های معنادار استفاده کنند.


✅این مدل در 6 مورد از 7 بازی آتاری آزمایش شده به عملکردی در سطح پیشرفته دست یافته است و از روش‌های قبلی که از ویژگی‌های بصری طراحی‌شده دستی استفاده می‌کردند، فراتر رفته است. حتی در 3 بازی از یک متخصص انسانی نیز عملکرد بهتری دارد.

✅مهمتر اینکه، از معماری و هایپرپارامترهای یکسان در تمام بازی‌ها استفاده می‌شود، که نشان می‌دهد این رویکرد قدرتمند است و می‌تواند بدون مهندسی خاص بازی، وظایف متنوعی را بیاموزد.

✅این مقاله برای اولین بار نشان می دهد که یادگیری تقویتی عمیق با یادگیری مستقیم از ورودی با ابعاد بالا مانند فریم های پیکسل خام، قادر به دستیابی به کنترل در سطح انسان در حوزه های بصری چالش برانگیز است. این امر یادگیری تقویتی عمیق را به عنوان رویکردی کارآمد برای مشکلات یادگیری تقویتی پیچیده تثبیت کرد.

⬅️ لینک مقاله
⬅️ کدمقاله پیاده‌سازی شده با پایتورچ

#مقاله_با_کد
#گیتهاب
✈️@IDS_AI_ML
✈️@IDSchools

🟡 مقایسه فریمورک های یادگیری عمیق : Tensorflow Vs. Pytorch Vs. Keras

❤️@IDS_AI_ML
❤️@IDSchools

😮 مهارت‌‌های کد نویسی خود را ارتقاء دهید: نگاهی به کانال DigitalSreeni در یوتیوب

🔣 چیزهایی را که می توانید در DigitalSreeni پیدا کنید :

اصول اولیه برنامه نویسی پایتون: با اصول اولیه کد نویسی پایتون شروع می کنید و پایه ای محکم برای یادگیری بیشتر می سازید.

یادگیری ماشین و یادگیری عمیق: عمیقاً وارد دنیای جذاب یادگیری ماشین و یادگیری عمیق می‌شوید و همچنین مفاهیم، الگوریتم ها و کاربردهای عملی را کاوش می کنید.

پردازش تصویر با پایتون: با استفاده از کتابخانه های پایتون، تکنیک های قدرتمند برای پردازش و تجزیه و تحلیل تصاویر را می آموزید.

📱 کانال یوتوب DigitalSreeni

#کافه_یوتوب

📱@IDS_AI_ML
📱@IDSchools

🎬 ویدیویی بالا دموی LeNet-1 را نشان می‌دهد، که اولین شبکه عصبی کانولوشنی است که می‌توانست ارقام دست‌نویس را با سرعت و دقت بالا تشخیص دهد. این شبکه در اوایل سال ۱۹۸۹ در بخش تحقیقات سیستم‌های تطبیق‌پذیر آزمایشگاه‌های Bell در Holmdel، نیوجرسی، ساخته شد.

🔴 سخت‌افزار: یک کامپیوتر ۴۸۶ با یک کارت تخصصی برای محاسبات سریع.

🔴ساختار شبکه: نسبتاً ساده با دو لایه کانولوشنی و دو لایه کاملاً متصل. به دلیل محدودیت‌های سخت‌افزاری، فاقد لایه پولینگ جداگانه بود.

🔴آموزش: از یک محیط مبتنی بر Lisp استفاده شده و وزن‌های شبکه مستقیماً در کد C کامپایل شده‌اند.

✅ کاربردها: LeNet-1 راه را برای کاربردهای عملی مانند خواندن مبالغ چک در خودپردازها و ماشین‌های پردازش چک در مقیاس بزرگ هموار کرد. به طور کلی، این ویدیو نگاهی به روزهای اولیه شبکه‌های عصبی کانولوشنال و تأثیر آن‌ها بر روی کارهای دنیای واقعی می‌اندازد.

📝 مقاله شبکه‌ی استفاده شده در فیلم بالا


✈️@IDS_AI_ML
✈️@IDSchools

📚 کتاب‌های معرفی شده تا الان :

📖 با کتاب « Introduction to Machine Learning with Python, A Guide for Data Scientists» اثر Andreas C. Müller and Sarah Guido، وارد دنیای یادگیری ماشین با پایتون شوید! این کتاب که منبعی شناخته شده برای شروع یادگیری ماشین است، برای افرادی که آشنایی با زبان برنامه نویسی پایتون دارند، نوشته شده است.
لینک

📖 کتاب "Deep Learning with Python" اثر François Chollet، متخصص برجسته در حوزه یادگیری عمیق و همچنین خالق Keras، دریچه‌ای به سوی دنیای پیچیده و جذاب یادگیری عمیق با پایتون است. این کتاب که به عنوان مرجعی ارزشمند در این حوزه شناخته می‌شود، برای افرادی که با زبان برنامه‌نویسی پایتون آشنایی دارند، نوشته شده است
لینک

📖 می‌خواید از دل انبوه اطلاعات، دانش و بینش ارزشمند استخراج کنید؟ پس با کتاب «Data Mining Concepts and Techniques» همراه باشید.
این کتاب، مرجعی کامله که شما رو قدم به قدم با فرآیند کشف دانش از داده یا داده‌کاوی آشنا می‌کنه.
لینک

📖 کتاب رایگان "Scientific Python Lectures" شما را با محاسبات علمی با پایتون آشنا می کند.
لینک

📖 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.
لینک

📖 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
لینک

✈️@IDS_AI_ML
✈️@IDSchools

🤩 اگر علاقمند به کاوش در دنیای
🔴نوروساینس،
🔴روانشناسی،
🔴هوش مصنوعی،
🔴ریاضیات و آمار،
🔴فیزیک،
🔴علوم زیستی
🔴و پزشکی هستید؛
با کانال ها و گروه های مجموعه مدارس میان رشته ای همراه شوید!

🔣لینک فولدر تمامی گروه ها و کانالهای تلگرامی مجموعه مدارس میان رشته ای:

https://t.iss.one/addlist/GwBpP9UfYrw3Y2E0

🔔‼️فراخوان جشنواره هنری سمفونی نورون‌ها ‼️🔔
🤩کاوشی خلاقانه در دنیای نوروساینس

✨از تمام دانشجویان، علاقمندان، هنرمندان و پژوهشگران دعوت می‌شود در #جشنواره_سمفونی_نورون_ها همراه ما باشند.

📌 جزئیات شرکت در #جشنواره_سمفونی_نورون_ها:

🔣شاخه‌های مورد پذیرش:
🔴طراحی، نقاشی، تصویرسازی، عکاسی
🔴کولاژ، چاپ، میکس مدیا، گرافیک دیزاین
🔴کاریکاتور، میم(meme)
🔴مجسمه و آثار حجمی
🔴تصاویر تولید شده توسط هوش مصنوعی که ایده پردازی شما نقش اساسی در آن دارد
🔴و هر آنچه که بتوانید در قالب تصویر برای ما ارسال کنید.

🔣تکنیک و سبک: آزاد

🔣موضوع جشنواره:
هر آنچه که در حوزه علوم اعصاب می گنجد شامل:
آناتومی سیستم عصبی، بیماری های عصبی، تصاویر میکروسکوپی، داروها، تصاویر هنری شما از دیتا، نرم افزارهای پژوهشی و آزمایشگاهی که در آن کار می کنید و هر آنچه که از ذهن خلاق شما می جوشد.

⬅️در صورتی که فعالیت هنری دارید اما آشنایی کمی با موضوعات نوروساینس دارید نگران نباشید. در کانال و گروه تلگرام ما، متریال مرتبط برای کمک به شما در ایده پردازی در اختیارتان قرار خواهد گرفت.

💥جوایز:
🥇نفر اول: هدیه نقدی ۲ میلیون و ۵۰۰ هزار تومان  
🥈نفر دوم: هدیه نقدی ۱ میلیون و ۵۰۰ هزار تومان
🥉نفر سوم: هدیه نقدی ۵۰۰ هزار تومان
🎖نفرات چهارم تا دهم یک دوره رایگان از مدارس میان‌رشته‌ای (مرتبط یا غیر مرتبط با هنر به انتخاب شما)
✨ تمامی برگزیدگان گواهی شرکت در جشنواره به زبان انگلیسی دریافت خواهند کرد.

✅ از آنجایی که ما در این جشنواره محدوده گسترده‌ای برای آثار مورد پذیرش در نظر گرفته‌ایم‌، حتی اگر تجربه فعالیت هنری ندارید یا با موضوعات نوروساینس آشنایی کمی دارید، امکان شرکت در جشنواره برای شما وجود دارد.


👈 نحوه ثبت نام در جشنواره سمفونی نورون‌ها ➡️


✈️@IDS_NeuroSci
✈️@IDSchools
✈️@NeuroSci_IDSchools

📣‼️نحوه ثبت نام در #جشنواره_سمفونی_نورون_ها ‼️📣

🔣جهت ثبت‌نام از طریق گوگل فرم زیر اطلاعات خود را وارد نمایید و در بخش آپلود اثر، تصویر اثر هنری خود را آپلود بفرمایید و منتظر اطلاعیه‌های بعدی در رابطه با زمان داوری و انتخاب برگزیدگان باشید.

🔴این جشنواره را به دوستان خود و گروه‌هایی که در آن عضو هستید معرفی نمایید. 🔴

لینک جزئیات جشنواره


لینک گوگل فرم: [ثبت نام در جشنواره سمفونی نورون‌ها]

✈️@IDS_NeuroSci
✈️@IDSchools
✈️@NeuroSci_IDSchools

📱 Python for Beginners – Cheat Sheet

📱@IDS_AI_ML
📱@IDSchools

📱Python For Data Science– Cheat Sheet

📱@IDS_AI_ML
📱@IDSchools

📎python-cheatsheet comprehensive Documentation

✈️@IDS_AI_ML
✈️@IDSchools