🧬 شناسایی الگو ریشه در مهندسی دارد، در حالی که یادگیری ماشین از علوم کامپیوتر نشأت گرفته است. با این حال، این دو فعالیت را می‌توان دو جنبه از یک حوزه دانست که در ده سال گذشته توسعه چشمگیری داشته‌اند.

این کتاب این تحولات اخیر را منعکس می‌کند و در عین حال مقدمه‌ای جامع بر زمینه‌های شناسایی الگو و یادگیری ماشین ارائه می‌دهد. این کتاب برای دانشجویان کارشناسی ارشد یا دانشجویان سال اول دکترا و همچنین پژوهشگران و متخصصان در نظر گرفته شده است و هیچ پیش‌زمینه‌ای در زمینه شناسایی الگو یا مفاهیم یادگیری ماشین را فرض نمی‌کند. دانش حساب دیفرانسیل چند متغیره و جبر خطی پایه مورد نیاز است و آشنایی با احتمالات مفید خواهد بود، اگرچه ضروری نیست، زیرا کتاب شامل مقدمه‌ای خودکفا در مورد نظریه احتمال پایه است.

✈️@IDS_AI_ML
✈️@IDSchools

📎کتاب Pattern Recognition and Machine Learning

✈️@IDS_AI_ML
✈️@IDSchools

📚 این کتاب جدید با هدف ارائه درکی عمیق از اصول بنیادی یادگیری عمیق، برای مبتدیان و متخصصان با تجربه در زمینه یادگیری ماشین طراحی شده است.

نکات کلیدی:
تمرکز بر مفاهیم بنیادی: به جای بررسی جامع آخرین تحقیقات، کتاب بر روی ایده‌های اصلی که یادگیری عمیق را پشتیبانی می‌کنند، تمرکز دارد.

رویکرد عملی: از توضیحات متنی، نمودارها، فرمول‌های ریاضی و شبه‌کد برای درک بهتر مفاهیم پیچیده استفاده می‌کند.

ایجاد پایه قوی: محتوا به گونه‌ای ساختار یافته است که خوانندگان را برای تخصص‌های آینده در یادگیری عمیق آماده می‌کند.

توجه به سرعت بالای تغییر: با توجه به سرعت بالای تکامل این حوزه، کتاب بر روی مفاهیمی تمرکز دارد که احتمالاً در طول زمان ماندگار خواهند بود.

شامل نظریه احتمال: کتاب شامل مقدمه‌ای خودکفا در نظریه احتمال برای درک عمیق‌تر یادگیری ماشین است.

❤️@IDS_AI_ML
❤️@IDSchools

📎دانلود کتاب Deep Learning, Foundations and Concepts
❤️@IDS_AI_ML
❤️@IDSchools

💡امروزه، یادگیری ماشین در حل طیف گسترده‌ای از مسائل در حوزه‌های مختلف به کار می‌رود. یکی از چالش‌های اساسی در استفاده از یادگیری ماشین، ارتباط دادن ریاضیات انتزاعی تکنیک‌های یادگیری ماشین با مسائل واقعی و ملموس است. این کتاب با تمرکز بر یادگیری ماشین مبتنی بر مدل، به این چالش می‌پردازد که بر درک فرضیات در یک سیستم یادگیری ماشین و تأثیر آن‌ها بر رفتار سیستم تمرکز دارد.

🌀ایده‌های کلیدی یادگیری ماشین مبتنی بر مدل از طریق مجموعه‌ای از مطالعات موردی شامل کاربردهای دنیای واقعی معرفی می‌شوند. هر فصل یک مطالعه موردی را معرفی کرده و گام به گام برای حل آن از رویکرد مبتنی بر مدل استفاده می‌کند. هدف نه تنها توضیح روش‌های یادگیری ماشین، بلکه نشان دادن نحوه ایجاد، اشکال‌زدایی و تکامل آن‌ها برای حل یک مسئله است.

کتاب با استفاده از مطالعات موردی واقعی، مفاهیم یادگیری ماشین را توضیح داده و نشان می‌دهد که چگونه مدل‌های یادگیری ماشین را برای حل مسائل واقعی ایجاد، اشکال‌زدایی و بهبود بخشید. همچنین به اهمیت درک فرضیات زیربنایی مدل‌ها و تأثیر آن‌ها بر عملکرد سیستم پرداخته است.

🌐@IDS_AI_ML
🌐@IDSchools

📎کتاب Model-Based Machine Learning
🌐@IDS_AI_ML
🌐@IDSchools

📎Supervised_Machine_Learning_Models Cheat Sheet

🚀@IDS_AI_ML
🚀@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕
🗣دپارتمان روانشناسی و علوم‌ شناختی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار می کند:

✨ سری وبینار‌های رایگان «همگام با پیشتازان»

7️⃣ قسمت هفتم: خروج اول و دوم از آفریقا

👤با حضور: دکتر سامان حیدری گوران

🟢از انستیتوی پیش از تاریخ دانشگاه کلن آلمان
🟢و بنیاد پژوهشی پارینه سنگی دیار مهر


🔜 دوشنبه ۲۲ مرداد ماه ساعت ۱۸ الی ۱۹:۳۰

💡 در این 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.


🔣 برای شرکت در این وبینار به کانال و گروه تعاملی روانشناسی مدارس میان‌رشته‌ای مراجعه کنید.

👈لینک ثبت نام رایگان در وبینار «خروج اول و دوم از آفریقا»: [لینک گوگل فرم برای شرکت در وبینار قسمت هفتم دپارتمان روانشناسی با موضوع تکامل انسان و خروج از آفریقا]

🔴بعد از ثبت نام در گوگل فرم بالا، منتظر اخبار این وبینار از کانال روانشناسی مدارس میان رشته‌ای باشید.

#️⃣#IDS_Psy
#️⃣#IDSchools

✈️@IDS_Psy
✈️@IDSchools

📎Unsupervised_Machine_Learning_Models Cheat Sheet

✈️@IDS_AI_ML
✈️@IDSchools

📎مقاله اقای هینتون در مورد Drop Out

I went to my bank. The tellers kept changing and I asked one of them why. He said he didn’t know but they got moved around a lot. I figured it must be because it would require cooperation between employees to successfully defraud the bank. This made me realize that randomly removing a different subset of neurons on each example would prevent conspiracies and thus reduce overfitting

🗣️Geoffrey Hinton

✉️@IDS_AI_ML
✉️@IDSchools

🙂 #میم_تایم

📱@IDS_AI_ML
📱@IDSchools

👤 آقای Geoffrey Hinton دانشمند کامپیوتر و روانشناس شناختی برجسته‌ای است. او در حال حاضر به عنوان استاد افتخاری دانشگاه تورنتو و معاون مهندسی ارشد در گوگل فعالیت می‌کند. تحقیقات پیشگامانه او در زمینه شبکه‌های عصبی نقش مهمی در پیشرفت سریع هوش مصنوعی در دنیای امروز داشته است.

⭐️ دستاوردها و سهم‌های کلیدی:

الگوریتم Backpropagation : این الگوریتم که با همکاری هینتون توسعه داده شد، برای آموزش کارآمد شبکه‌های عصبی مصنوعی استفاده شود.

روش های Deep Learning: او یکی از چهره‌های اصلی در محبوبیت و توسعه تکنیک‌های یادگیری عمیق بود که شامل آموزش شبکه‌های عصبی با چندین لایه برای یادگیری الگوهای پیچیده است.

مدل های Boltzmann Machines: این مدل‌های احتمالی که توسط هینتون ابداع شد، پایه و اساس مدل‌های مولد و یادگیری بدون نظارت را تشکیل می‌دهند.

🟡کار هینتون تأثیر عمیقی بر زمینه‌هایی مانند تشخیص تصویر، پردازش زبان طبیعی و خودروهای خودران داشته است. بینش‌های او همچنان آینده هوش مصنوعی را شکل می‌دهند.

🌐 پروفایل دانشگاهی
🌐 گوگل اسکالر

✉️@IDS_AI_ML
✉️@IDSchools

📚 کتاب How to Build a Brain نوشته Chris Eliasmith اثری پیشگامانه است که به تلاقی علوم اعصاب، هوش مصنوعی و علوم شناختی می پردازد. این کتاب چارچوبی جامع برای ساختن یک مغز کارآمد، با ترکیب اصول زیست‌شناسی و علوم کامپیوتر ارائه می‌کند.

نویسنده معماری اشاره گر معنایی (SPA) را معرفی می کند، یک رویکرد جدید برای درک عملکرد مغز که فرآیندهای شناختی را به روشی قابل قبول بیولوژیکی مدل می کند. این کتاب توضیح می‌دهد که چگونه می‌توان از SPA برای شبیه‌سازی جنبه‌های مختلف شناخت انسان، مانند حافظه، استدلال، ادراک و تصمیم‌گیری استفاده کرد. ایشان همچنین مفاهیم عملی این مدل را مورد بحث قرار می دهد و چگونگی کمک به پیشرفت در هوش مصنوعی و رباتیک را بررسی می کند.

این کتاب هم یک راهنمای نظری و هم عملی است و آن را برای دانشمندان علوم اعصاب، محققان هوش مصنوعی و هر کسی که علاقه مند به عملکرد ذهن است ارزشمند می کند. این کتاب ترکیبی منحصر به فرد از تجزیه و تحلیل علمی دقیق و توضیحات قابل دسترس را ارائه می دهد و موضوعات پیچیده را برای مخاطبان گسترده قابل درک می کند.

✈️@IDS_AI_ML
✈️@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕
🗣دپارتمان روانشناسی و علوم‌ شناختی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار می کند:

✨ سری وبینار‌های رایگان «همگام با پیشتازان»

8⃣ قسمت هشتم: ایران در سیر فرگشت انسانی

👤با حضور: دکتر سامان حیدری گوران

🟢 از انستیتوی پیش از تاریخ دانشگاه کلن آلمان

🟢 و بنیاد پژوهشی پارینه سنگی دیار مهر


⏰ دوشنبه ۲۹ مرداد ماه ساعت ۱۸ الی ۱۹:۳۰

💡 در این 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.


🔴 برای شرکت در این وبینار به کانال و گروه تعاملی روانشناسی مدارس میان‌رشته‌ای مراجعه کنید.

👈 لینک ثبت نام رایگان در وبینار «ایران در سیر فرگشت انسانی»: [لینک گوگل فرم برای شرکت در وبینار قسمت هشتم دپارتمان روانشناسی با موضوع ایران در سیر فرگشت انسانی]

😉بعد از ثبت نام در گوگل فرم بالا، منتظر اخبار این وبینار از کانال روانشناسی مدارس میان رشته‌ای باشید.

#️⃣#IDS_Psy
#️⃣#IDSchools

🚀@IDS_Psy
✈️@IDSchools

💡 مقاله ?Could a Neuroscientist Understand a Microprocessor محدودیت‌های روش‌های تحلیل داده‌های علوم اعصاب فعلی را با استفاده از یک ریزپردازنده، یک سیستم مهندسی شده که به طور کامل در همه سطوح قابل درک است، بررسی می‌کند.

تست روش‌های علوم اعصاب:
نویسندگان طیف وسیعی از تکنیک‌های رایج تجزیه و تحلیل داده‌های علوم اعصاب را بر روی یک ریزپردازنده کلاسیک، MOS 6502 اعمال کردند تا ببینند آیا این روش‌ها می‌توانند به طور معناداری چگونگی پردازش اطلاعات را توسط ریزپردازنده را آشکار کنند.

ریزپردازنده به عنوان یک سیستم مدل:
زیرا یک سیستم دینامیکی پیچیده و غیر خطی با خروجی مشخص شناخته شده است. این به عنوان پایه ای برای سیستم های بیولوژیکی برای ارزیابی اثربخشی روش های تجزیه و تحلیل داده ها عمل می کند.

یافته‌های تکنیک‌های علوم اعصاب:
اگرچه این رویکردهای علوم اعصاب می‌توانند ساختارهای جالبی را در داده‌ها آشکار کنند، اما نتوانستند درک معناداری از پردازش سلسله مراتبی اطلاعات ریزپردازنده ایجاد کنند. این تکنیک‌ها ممکن است برای دستیابی به درک عمیق از سیستم‌های عصبی، حتی با مجموعه داده‌های بزرگ، ناکافی باشند.

✈️@IDS_AI_ML
✈️@IDSchools

😮 مقاله Deep Neural Networks as Scientific Models نقش شبکه های عصبی عمیق (DNN) را در علم شناختی از منظر فلسفه علم مورد بحث قرار می دهد. این بحث در مورد اینکه آیا DNN ها صرفاً به عنوان ابزار پیش بینی عمل می کنند یا اینکه آنها همچنین توضیحات علمی ارزشمندی از پدیده های شناختی ارائه می دهند را برجسته می کند.

بحث اصلی: بحث اصلی حول ارزش علمی DNN ها در علوم شناختی می چرخد. این مقاله تجزیه و تحلیل می کند که آیا DNN ها باید فقط به عنوان ابزاری برای پیش بینی در نظر گرفته شوند یا اینکه می توانند به توضیح پدیده های شناختی نیز کمک کنند.

دیدگاه فلسفی: نویسندگان استدلال می کنند که DNN ها باید به عنوان بخشی از طیف وسیع تری از مدل های علمی ارزیابی شوند. آنها بررسی می کنند که چگونه این مدل ها از طریق پیش بینی، توضیح و کاوش به درک علمی کمک می کنند.


پتانسیل اکتشافی: فراتر از پیش بینی و توضیح، DNN ها به دلیل پتانسیل اکتشافی خود برجسته می شوند که اغلب نادیده گرفته می شود. این شامل ایجاد فرضیه های جدید و کاوش در عملکردهای شناختی پیچیده است.

✈️@IDS_AI_ML
✈️@IDSchools

➡️ Attention Mechanism in AI models

❤️@IDS_AI_ML
❤️@IDSchools