💡 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

در سال 2023، دانشجویان کارشناسی ارشد دانشگاه استنفورد، Rehaan Ahmad و Raj Palleti، یک انجمن گفتگوی آنلاین به نام alphaXiv را متصور شدند که در آن دانشجویان و محققان می توانستند در مورد مقالات تحقیقاتی جدید بحث کنند. آنها این پلتفرم را بر اساس دیتابیس arXiv، بزرگترین مخزن پیش چاپ با دسترسی باز، ساختند، و به کاربران اجازه می دهد در بحث های علمی در رشته های مختلف مانند هوش مصنوعی، پزشکی و فیزیک شرکت کنند. این پلتفرم اکنون توسط محققان دانشگاه های برتر از جمله استنفورد، MIT و هاروارد استفاده می شود.

💡 پلتفرم alphaXiv با اجازه دادن به کاربران برای اظهار نظر در مورد بخش‌های خاصی از مقالات تحقیقاتی، پرسیدن سؤال و ارائه انتقاد، تعامل را تسهیل می‌کند. این پلتفرم اخیراً ویژگی "مقاله هفته" را راه اندازی کرده است که در آن نویسندگان مقالات پرطرفدار مستقیماً با خوانندگان در ارتباط هستند. این پروژه برنده جایزه معتبر Magic Grant از موسسه Brown Institute for Media Innovation برای نوآوری رسانه ای شد.

⬅️ لینک پلتفرم alphaXiv
⬅️ لینک alphaXiv chrome exention
⬅️ لینک دیتابیس arXiv

✈️@IDS_AI_ML
✈️@IDSchools

🔹 زمینه TinyML شاخه‌ای از یادگیری ماشینی است که بر روی مدل‌های در حال اجرا بر روی دستگاه‌های کوچک و با محدودیت منابع مانند میکروکنترلرها و سنسورها متمرکز است. این دستگاه‌ها قدرت محاسباتی، حافظه و انرژی محدودی دارند که پیاده سازی مدل‌های سنتی ML را غیرعملی می‌سازد. TinyML پردازش داده روی این دستگاه ها ، صرفه جویی در مصرف انرژی و افزایش حریم خصوصی را ممکن می کند.

کاربردها:
◀️پوشیدنی ها: نظارت بر سلامت در دستگاه هایی مانند ساعت های هوشمند.
◀️خانه های هوشمند: تشخیص صدا و تشخیص ناهنجاری در دستگاه های خانگی.
◀️اتوماسیون صنعتی: پیش بینی تعمیر و نگهداری از طریق نظارت بر ماشین آلات .
◀️مانیتورینگ محیطی: حسگرهایی که کیفیت هوا، آلودگی و غیره را تشخیص می دهند.
◀️کشاورزی: ​​کشاورزی دقیق با تجزیه و تحلیل بر روی سلامت خاک و محصول.
◀️خودرو: نظارت بر راننده و پردازش داده‌های سنسورها در وسایل نقلیه.

@IDS_AI_ML
@IDSchools

➡️ How TinyML Gives us Spider-Man Powers | Emelie Eldracher | TEDxMIT

✈️@IDS_AI_ML
✈️@IDSchools

🙂 #میم_تایم

📱@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»

9️⃣قسمت نهم: The Science of Social Evil

👤با حضور: آقای کمیل قاسمی دانشجوی مقطع دکتری دانشگاه اسکس انگلستان

🔴عصب انسان‌شناس و مغز پژوه اجتماعی

🔜 پنجشنبه 8 شهریور ساعت: 17 الی 19

⭐️ 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 : [لینک گوگل فرم برای شرکت در وبینار قسمت نهم دپارتمان روانشناسی و علوم‌ شناختی با موضوع: The Science of Social Evil] ➡️

🔴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
✉️@Psy_IDSchools

📚 کتاب "Python Machine Learning Cookbook: Practical Solutions from Preprocessing to Deep Learning" یک راهنمای جامع برای افرادی است که به یادگیری ماشین با استفاده از پایتون علاقه‌مند هستند. این کتاب راهکارهای عملی و کاربردی را ارائه می‌دهد که طیف وسیعی از موضوعات، از پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها تا پیچیدگی‌های یادگیری عمیق را پوشش می‌دهد.

هر فصل از کتاب به گونه‌ای طراحی شده است که به خوانندگان راه‌حل‌های مرحله به مرحله و شفافی برای مشکلات رایج یادگیری ماشین ارائه دهد. چه یک مبتدی باشید که به دنبال فهم اصول اولیه هستید و چه یک متخصص با تجربه که به دنبال بهبود مهارت‌های خود می‌گردید، این کتاب اطلاعات فراوانی را در اختیار شما قرار می‌دهد، از جمله کار با کتابخانه‌های محبوب مانند scikit-learn، TensorFlow و Keras.

🟡این کتاب همچنین به چالش‌های دنیای واقعی می‌پردازد و اطمینان می‌دهد که خوانندگان نه تنها جنبه‌های نظری را می‌آموزند، بلکه تجربه‌ی به‌کارگیری این تکنیک‌ها در سناریوهای عملی را نیز کسب می‌کنند.

✈️@IDS_AI_ML
✈️@IDSchools

📎"Python Machine Learning Cookbook: Practical Solutions from Preprocessing to Deep Learning"

✈️@IDS_AI_ML
✈️@IDSchools

➡️ How I’d learn ML in 2024 (if I could start over)

📱 Reference

✈️@IDS_AI_ML
✈️@IDSchools