کودکی نوپا را تصور کنید که راه رفتن را یاد می گیرد. هر قدم لرزان، آزمایشی است، تلاشی برای یادگیری حرکت در دنیای اطراف از طریق آزمون و خطا. گاهی اوقات، افتادن منجر به گریه می شود، که یک تقویت منفی به حساب می آید. در مواقع دیگر، برداشتن اولین قدم با موفقیت، فریاد شادی به همراه دارد که تقویت مثبتی محسوب می شود. این اساسا اصل کلیدی یادگیری تقویتی (RL) است، ابزاری قدرتمند که نحوه یادگیری و تصمیم گیری ما به عنوان انسان در دنیایی پیچیده را روشن می کند.

برای دهه ها، علم شناخت در توضیح نحوه پیمایش انسان توسط مغز در تصمیم گیری های پیچیده با مشکل مواجه بود. با ورود یادگیری تقویتی، یک چارچوب محاسباتی، درک ما از این موضوع متحول می شود. با الگوبرداری از رویکرد "یادگیری از طریق انجام"، RL به ما امکان می دهد مدل هایی بسازیم که نه تنها رفتار انسان را تقلید کنند، بلکه همچنین بینشی در مورد مکانیسم های اساسی یادگیری و پردازش پاداش در درون مغز ارائه دهند.

🔔 وبینار رایگان Reinforcement Learning (RL) in Cognitive Modeling

‼️ علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. ‼️

👈 لینک ثبت نام در وبینار ➡️

✉️@IDS_AI_ML
✉️@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕
🔔دپارتمان پزشکی مجموعه علمی و پژوهشی مدارس میان‌رشته‌ای برگزار می‌کند:

🔖سری وبینار‌های رایگان «همگام با پیشتازان»🔖

🟡 قسمت چهارم: پویایی شبکه های عصبی تحت تاثیر دوپامین در بیماری پارکینسون

👤با حضور: دکتر امیرحسین عبدالعلی زاده

⚪️پزشک و محقق حوزه علوم اعصاب در دانشگاه اولدنبورگ آلمان

⏰پنج شنبه ۲۸ تیر ماه، 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 ثبت نام در این وبینار به کانال پزشکی و جهت کسب اطلاعات بیشتر به گروه تعاملی ما بپیوندید.

کسب اطلاعات بیشتر 👈 @RAZIYEHZAMIRI

✈️| @IDS_Med||کانال پزشکی|
✈️| @IDSchools||کانال اصلی|
✈️| @Med_IDSchools||گروه تعاملی پزشکی|

مقاله Reinforcement learning in the brain اثر Yael Niv ،
به بررسی چگونگی تصمیم‌گیری مغز ما بر اساس پاداش و تنبیه می‌پردازد. این مقاله با استفاده از مدل‌های یادگیری تقویتی – که شبیه‌سازی‌های رایانه‌ای یادگیری از طریق آزمون و خطا هستند – پلی بین روانشناسی و علوم اعصاب ایجاد می‌کند تا فعالیت مغز را بهتر درک کنیم. این مقاله بر روی سیگنالی خاص در مغز به نام «temporal difference reward prediction error» به‌عنوان عنصری کلیدی در این فرآیند تأکید می‌کند. این سیگنال به مغز ما کمک می‌کند تا بیاموزد چه اقداماتی منجر به نتایج مثبت می‌شود و رفتار خود را بر این اساس تنظیم کند.

✨‼️علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. ‼️✨

👈 لینک ثبت نام در وبینار

✉️@IDS_AI_ML
✉️@IDSchools

سخنرانی‌های حاصل از تحقیقات DeepMind را که منجر به دوره آموزشی David Silver در مورد یادگیری تقویتی می‌شود، که در دانشگاه کالج لندن تدریس می‌شود، تماشا کنید.

لینک پلی لیست

✨‼️ علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. ‼️✨

👈 لینک ثبت نام در وبینار ➡️

✈️@IDS_AI_ML
✈️@IDSchools

📎 مقاله Ten simple rules for the computational modeling of behavioral data

در این مقاله از مدل‌سازی محاسباتی برای درک الگوریتم‌های زیربنایی رفتار استفاده شده است که می‌تواند شامل نقش یادگیری تقویتی نیز باشد. نویسندگان به طور خاص اشاره می‌کنند که مدل‌های محاسباتی به شکل معادلات ریاضی می‌توانند «متغیرهای قابل مشاهده تجربی (مانند محرک‌ها، نتایج، تجربیات گذشته) را به رفتار در آینده نزدیک مرتبط کنند». این امر نشان می‌دهد که مدل‌های توصیف شده می‌توانند اصول یادگیری تقویتی را در خود جای دهند، جایی که رفتار فرد تحت تأثیر محرک‌ها، نتایج و تجربیات گذشته قرار می‌گیرد.

نویسندگان نمونه‌هایی از تکنیک‌های مدل‌سازی محاسباتی را که برای مطالعه‌ی یادگیری تقویتی استفاده شده‌اند ارائه می‌دهند

🔴علاقه مندان به عمیق تر شدن در این مبحث می توانند در وبینار رایگان با عنوان "یادگیری تقویتی در مدل سازی شناختی" که توسط آقای علی شیراوند، دانشجوی دکترای École Normale Supérieure ارائه می شود، شرکت کنند. 🔴

⬅️ لینک ثبت نام در وبینار ➡️

✈️@IDS_AI_ML
✈️@IDSchools

🤩 سخنرانی های «یادگیری ماشین قابل اعتماد» در دانشگاه توبینگن

🔣 لینک پلی لیست

✉️@IDS_AI_ML
✉️@IDSchools

‼️🔔 6 ساعت تا برگزاری قسمت پنجم از سری وبینارهای رایگان «همگام با پیشتازان» 🔔‼️

5️⃣ قسمت پنجم: Reinforcement Learning (RL) in Cognitive Modeling

🗣با حضور: علی شیراوند

🔜 یکشنبه ۳۱ تیرماه ، ساعت ۱۸

🔴اطلاعات مربوط به شرکت در وبینار (لینک، نام کاربری و رمز عبور) به ایمیل شرکت کنندگان ارسال خواهد شد.🔴

✉️@IDS_AI_ML
✉️@IDSchools

‼️🔔 1 ساعت دیگر، قسمت پنجم از سری وبینارهای رایگان «همگام با پیشتازان» آغاز خواهد شد‼️🔔

5️⃣ قسمت پنجم: Reinforcement Learning (RL) in Cognitive Modeling

🗣با حضور: علی شیراوند

🔜 یکشنبه ۳۱ تیرماه ، ساعت ۱۸

🔴لینک ورود به وبینار، به ایمیل ثبت نام کنندگان گرامی ارسال شد، در صورت عدم دریافت ایمیل یا مشکلات دیگر به گروه دپارتمان هوش مصنوعی مدارس میان رشته ای مراجعه فرمایید.🔴

⬅️ گروه دپارتمان هوش مصنوعی ➡️

✉️@IDS_AI_ML
✉️@IDSchools

🧠دوره آموزشی "هوش مصنوعی قابل اعتماد و قابل تفسیر" در مؤسسه فدرال فناوری زوریخ (ETH Zurich)

🔣 لینک پلی لیست

✈️@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

📱 درک یادگیری ماشین با Shai Ben-David
⬅️شای بن-دیوید دانشمند کامپیوتر و استاد دانشگاه واترلو در کانادا است. زمینه تحقیقاتی او نظریه علوم کامپیوتر و یادگیری ماشین است. این کانال یوتوب توسط گروهی از دانشجویان برای جمع آوری سخنرانی‌ها و گفتگوهای او ایجاد شده است.

✉️@IDS_AI_ML
✉️@IDSchools

📝 مقاله Catalyzing next-generation Artificial Intelligence through NeuroAI

مقاله حاضر با تاکید بر ضرورت تلفیق علوم اعصاب و هوش مصنوعی، راه را برای پیشرفت‌های انقلابی در این حوزه هموار می‌سازد. در حالی که هوش مصنوعی در سال‌های اخیر پیشرفت‌های چشمگیری داشته، اما برای رسیدن به سطحی از هوشمندی که بتواند با انسان برابری کند، نیازمند الهام گرفتن از مغز انسان است. مطالعه دقیق ساختار و عملکرد مغز می‌تواند به توسعه مدل‌های هوش مصنوعی با قابلیت‌های پیچیده‌تر و هوشمندانه‌تر منجر شود.

⬅️ زمینه تحقیقاتی NeuroAI

تحقیقات NeuroAI ، به عنوان رشته‌ای که علوم اعصاب و هوش مصنوعی را در هم می‌آمیزد، نقش محوری در این تحول ایفا می‌کند. با بررسی مکانیسم‌های پردازش اطلاعات در مغز و پیاده‌سازی آن‌ها در سیستم‌های هوش مصنوعی، می‌توان به مدل‌هایی دست یافت که نه تنها در انجام وظایف مشخص، بلکه در درک و تعامل با دنیای اطراف نیز عملکرد بهتری از خود نشان دهند.

✈️@IDS_AI_ML
✈️@IDSchools

❓فرا یادگیری ( Meta- learning) چیست؟

فرا یادگیری، که اغلب به عنوان "learning to learn" شناخته می شود، یک حوزه پیشرفته در هوش مصنوعی است که بر توانایی سیستم های هوش مصنوعی برای سازگاری سریع و یادگیری وظایف جدید با حداقل داده تمرکز دارد. برخلاف مدل های یادگیری ماشین سنتی که برای یک کار خاص آموزش دیده می شوند، فرا یادگیرنده ها مهارت یادگیری را به دست می آورند.

تصور کنید یک مدل را در طیف وسیعی از کارهای مختلف، از طبقه بندی تصویر تا ترجمه زبان، آموزش دهید. به جای تخصص در یک کار واحد، فرا یادگیرنده الگوها و اصول اساسی در مورد فرآیند یادگیری را استخراج می کند. این دانش سپس برای رویارویی با کارهای جدید به طور موثر استفاده می شود.

فرا یادگیری پتانسیل عظیمی برای متحول کردن هوش مصنوعی دارد. با پیشرفت تحقیقات، می توانیم انتظار داشته باشیم که فرا یادگیرنده های پیچیده تری قادر به مقابله با چالش های پیچیده دنیای واقعی باشند.

✈️@IDS_AI_ML
✈️@IDSchools

✅ جنبه‌های مهم مقاله Catalyzing next-generation Artificial Intelligence through NeuroAI

🟢رویکرد بین رشته‌ای:

این مقاله بر هم‌افزایی بین نوروساینس و هوش مصنوعی تأکید دارد و پیشنهاد می‌دهد که بینش‌های حاصل از تحقیقات مغزی می‌تواند به توسعه هوش مصنوعی کمک کند و برعکس.

🟢زمینه تاریخی و انگیزه:

این مقاله یک مرور تاریخی از تعامل بین نوروساینس و هوش مصنوعی ارائه می‌دهد و نشان می‌دهد که چگونه مدل‌های اولیه هوش مصنوعی از فرآیندهای عصبی الهام گرفته شده‌اند و چگونه تکنیک‌های فعلی هوش مصنوعی می‌توانند از اکتشافات نوروساینس بهره‌مند شوند.

🟢چارچوب NeuroAI:

نویسندگان یک چارچوب جامع برای NeuroAI پیشنهاد می‌دهند و توضیح می‌دهند که چگونه اصول نوروساینس می‌تواند به‌طور سیستماتیک برای توسعه مدل‌های پیشرفته هوش مصنوعی استفاده شود.

🟢الهام‌گیری زیستی در هوش مصنوعی:

مقاله جنبه‌های خاصی از عملکرد مغز، مانند کدگذاری عصبی، پلاستیسیته سیناپسی و دینامیک شبکه را بررسی می‌کند و چگونگی مدل‌سازی این جنبه‌ها برای بهبود سیستم‌های هوش مصنوعی را توضیح می‌دهد.

🟢ادغام Embodied Turing Test :

مقاله Embodied Turing Test را به‌عنوان یک معیار عملی برای ارزیابی اثربخشی سیستم‌های NeuroAI پیشنهاد می‌دهد. با ادغام تجسم و تعامل فیزیکی در فرآیند ارزیابی، آزمون می‌تواند توانایی AI در کار کردن در محیط‌های واقعی را ارزیابی کند و معیار جامع‌تری از هوش ارائه دهد.

🟢گسترش اصول NeuroAI:

آزمون Embodied Turing Test استفاده از اصول NeuroAI را با نیاز به سیستم‌های هوش مصنوعی برای پردازش اطلاعات و ارتباط، و همچنین تعامل فیزیکی با محیط گسترش می‌دهد. این با مکانیسم‌های عصبی ادغام حسی-حرکتی که در سیستم‌های زیستی مشاهده می‌شود، همخوانی دارد.

🟢پیشرفت در هوش مصنوعی و رباتیک:

استفاده از Embodied Turing Test توسعه هوش مصنوعی را تشویق می‌کند که می‌تواند محرک‌های فیزیکی را درک و به آن‌ها پاسخ دهد و پیشرفت‌هایی در رباتیک و شناخت تجسم‌یافته را ترویج می‌دهد. این برای ایجاد سیستم‌های هوش مصنوعی که قادر به انجام وظایف پیچیده در محیط‌های دینامیکی هستند، بسیار حیاتی است.

✈️@IDS_AI_ML
✈️@IDSchools

😉 #میم_تایم
✈️@IDS_AI_ML
✈️@IDSchools