‼️همین حالا در سیزدهمین وبینار رایگان «همگام با پیشتازان» مدارس میان‌رشته‌ای ثبت نام کنید.

🔜 زمان وبینار: چهارشنبه، 2 آبان ماه، ساعت 19 به وقت ایران

‼️ جهت ثبت نام از طریق گوگل فرم زیر اطلاعات خود را وارد نموده و منتظر اخبار این وبینار از طریق کانال ریاضی، آمار و علوم کامپیوتر مدارس میان رشته ای باشید.

◀️ لینک گوگل فرم جهت ثبت نام: وبینار رایگان دپارتمان ریاضی، آمار و علوم کامپیوتر


✈️| @IDS_Math||کانال ریاضی|
✈️| @IDSchools||کانال اصلی|
✈️| @Maths_IDSchools||گروه تعاملی ریاضی|

😮#آموزشگاه_ذهن

🔴موسسه‌ی NIHR ناتینگهام (National Institute for Health Research) یکی از مراکز معتبر تحقیقاتی در بریتانیا است که به بررسی و ارتقاء سلامت عمومی می‌پردازد. این مرکز در شهر ناتینگهام واقع شده و به عنوان یک پل ارتباطی بین تحقیقات علمی و کاربردهای عملی در حوزه بهداشت عمل می‌کند.

🔣ویژگی‌های جذاب محل کار:

✅1. محیط تحقیقاتی پویا: NIHR ناتینگهام فضایی خلاقانه و نوآورانه برای محققان فراهم می‌کند. این مرکز با همکاری دانشگاه‌ها، بیمارستان‌ها و سازمان‌های بهداشتی، پروژه‌های متنوعی را در زمینه‌های مختلف سلامت انجام می‌دهد.

✅2. توسعه حرفه‌ای: کارمندان این مرکز فرصت‌های بسیاری برای یادگیری و توسعه مهارت‌های خود دارند. از کارگاه‌های آموزشی گرفته تا کنفرانس‌های بین‌المللی، همه چیز برای ارتقاء دانش و توانمندی‌های فردی فراهم است.

✅3. تأثیرگذاری بر سیاست‌های بهداشتی: تحقیقات انجام شده در NIHR ناتینگهام نه تنها به پیشرفت علم کمک می‌کند بلکه می‌تواند بر تصمیم‌گیری‌های کلان در حوزه بهداشت و درمان تأثیر بگذارد.

✅4. تنوع پروژه‌ها: از تحقیقات بالینی گرفته تا مطالعات اپیدمیولوژیک، NIHR ناتینگهام در زمینه‌های مختلفی فعالیت می‌کند. این تنوع به کارمندان این امکان را می‌دهد که در پروژه‌های مختلف شرکت کنند و تجربه‌های جدید کسب کنند.

✅5. همکاری بین‌المللی: NIHR ناتینگهام با مراکز تحقیقاتی و دانشگاه‌های دیگر در سطح جهانی همکاری دارد. این امر به کارمندان این مرکز این فرصت را می‌دهد که با متخصصان بین‌المللی ارتباط برقرار کرده و از تجربیات آن‌ها بهره‌مند شوند.

✅6. محیط اجتماعی مثبت: فرهنگ همکاری و حمایت در NIHR ناتینگهام باعث ایجاد یک محیط کاری دوستانه و مثبت می‌شود که در آن افراد می‌توانند ایده‌های خود را آزادانه بیان کنند و از یکدیگر یاد بگیرند.

🟡به طور کلی، NIHR ناتینگهام یک محل کار ایده‌آل برای افرادی است که به دنبال چالش‌های علمی و فرصتی برای تأثیرگذاری واقعی در حوزه سلامت هستند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

😮#آموزشگاه_ذهن

❓ آیا تا به‌حال با ادعاهایی مانند "آب قلیایی برای دفع سموم بدن لازم است"، "ارتعاشات نام شما بر زندگی‌تان تأثیر می‌گذارد" یا شما با کریستال‌های خاصی به انرژی کیهانی متصل می‌شوید" مواجه شده‌اید که علمی به‌نظر می‌رسند اما نمی‌دانید چطور صحت آن‌ها را بررسی کنید؟

👀 شبه‌علم با استفاده از واژگان علمی سعی می‌کند خود را معتبر جلوه دهد، اما پشت این ادعاها هیچ شواهد معتبری وجود ندارد. این باورهای غلط نه تنها باعث گمراهی افراد می‌شود، بلکه می‌تواند مشکلات جدی برای سلامت، تصمیم‌گیری‌ها و زندگی روزمره انسان‌ها ایجاد کند.

🤩 علاقه‌مندان به عمیق‌تر شدن در این مبحث می‌توانند در وبینار رایگان با عنوان "چگونه علم را از شبه علم تشخیص دهیم؟" که توسط آقای دکتر محمدامین پورحسینقلی از مرکز تحقیقات بیومدیکال NIHR دانشگاه ناتینگهام ارائه می‌شود، شرکت کنند.

✨در این کارگاه، با ابزارهایی آشنا می‌شوید که کمک می‌کند مرز بین علم واقعی و شبه‌علم را به‌وضوح بشناسید. با ما همراه باشید تا یاد بگیرید چگونه از فریب‌های شبه‌علمی در فضای مجازی دور بمانید و تصمیمات آگاهانه‌تری بگیرید.

👈 لینک ثبت‌نام در وبینار ➡️

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

✨ با عرض سلام و احترام خدمت همه مخاطبین عزیز،

🔴لینک ورود به جلسه جهت شرکت در وبینار امروز با حضور دکتر محمد امین پورحسینقلی با عنوان "چگونه علم را از شبه علم تشخیص دهیم؟" به آدرس ایمیل همه عزیزانی که ثبت نام را تکمیل کرده اند، ارسال شده است.🔴

‼️در صورت بروز هرگونه مشکل، می توانید در گروه تعاملی با ما در ارتباط باشید .

👈 این وبینار از ساعت 19 الی 20:30 امروز برگزار خواهد شد. ➡️

✈️| @IDS_Math||کانال ریاضی|
✈️| @IDSchools||کانال اصلی|
✈️| @Maths_IDSchools||گروه تعاملی ریاضی|

‼️ یادآوری- سیزدهمین ارائه از ارائه های رایگان همگام با پیشتازان

🔴 برگزارکننده: دپارتمان ریاضی، آمار و علوم کامپیوتر

👤 نام استاد: دکتر محمد امین پورحسینقلی

✨ محل فعالیت استاد: مرکز تحقیقات بیومدیکال NIHR دانشگاه ناتینگهام

🔣 عنوان ارائه: "چگونه علم را از شبه علم تشخیص دهیم؟"

🔜 زمان برگزاری: امروز چهارشنبه، 2 آبان ساعت 19

👈 نحوه ثبت نام:

https://t.iss.one/IDS_Math/197

🟢کسب اطلاعات بیشتر:

@interdisciplinaryschools2


✉️ |@IDS_Math|
✉️ |@IDSchools|

✨#آموزشگاه_ذهن

🔣 پایتون یا R

✅ انتخاب بین R و Python برای تجزیه و تحلیل آماری مستلزم درک نقاط قوت و محبوبیت خاص آنها در زمینه‌های مختلف است. پایتون یک زبان برنامه‌نویسی همه کاره است که به دلیل قابلیت‌های همه منظوره و استفاده گسترده آن در علم داده و توسعه نرم افزار مورد توجه قرار گرفته است. در مقابل، R با ارائه ابزارها و بسته‌های تخصصی طراحی شده برای محاسبات آماری و گرافیک، جایگاهی قوی در زمینه آمار دارد.

◀️تصویر این پست روندهای جستجوی گوگل را در پنج سال گذشته نشان می‌دهد و علاقه به R و Python را برای برنامه‌نویسی و آمار مقایسه می‌کند. این نشان می‌دهد که در حالی که پایتون به طور کلی علاقه بیشتری به جستجو دارد، R هنگام تمرکز بر موضوعات آماری پیشتاز است.
در اینجا مقایسه هر دو زبان برای کارهای آماری است:
➡️ R
🟡متخصص در تحلیل آماری و تجسم داده‌ها.
🟡طیف گسترده‌ای از بسته‌ها را به طور خاص برای تست‌های آماری، مدل‌سازی و گرافیک ارائه می‌دهد. (به عنوان مثال، dplyr، ggplot2، stats)
🟡ارجحیت برای پروژه های دانشگاهی و پژوهش محور در آمار.

➡️python
🟡به دلیل تطبیق پذیری در علم داده و برنامه‌نویسی همه منظوره شناخته شده است.
🟡به خوبی با سایر فناوری‌ها ادغام می‌شود و از طیف گسترده‌تری از برنامه‌ها، از یادگیری ماشین گرفته تا توسعه وب، پشتیبانی می‌کند.
🟡از کتابخانه‌های قدرتمند برای دستکاری و تجسم داده‌ها (مانند pandas، matplotlib، seaborn، scipy، statsmodels) استفاده می‌کند.

💡 به طور کلی، انتخاب بین R و Python اغلب به ترجیحات شخصی بستگی دارد. هر دو زبان نقاط قوت منحصر به فرد خود را دارند و می‌توانند برای کارهای آماری موثر باشند. با این حال، در نظر گرفتن توانایی برقراری ارتباط و همکاری با همسالان نیز مهم است. در زمینه آمار، R به طور گسترده مورد استفاده قرار می‌گیرد و به رسمیت شناخته می‌شود، و آن را به ابزاری ارزشمند برای اطمینان از ارتباط و درک واضح در تیم ها تبدیل می‌کند.

👈 اگر می‌خواهید عمیق‌تر به روش‌های آماری در R بپردازید، دوره آنلاین ما را بررسی کنید.

👈 اطلاعات بیشتر در مورد دوره

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

✨#سخن_بزرگان

❓چگونه یادگیری را مانند رسانه‌های اجتماعی اعتیاد آور کنیم؟

🔹 زمانی که تکنولوژیست لویس فون در حال ساخت پلتفرم محبوب یادگیری زبان duolingo بود، با مشکل بزرگی روبرو شد که آیا برنامه‌ای که برای آموزش چیزی به شما طراحی شده است می‌تواند با پلتفرم‌های اعتیادآور مانند اینستاگرام و تیک تاک رقابت کند؟ او توضیح می‌دهد که چگونه duolingo از تکنیک‌های روان‌شناختی رسانه‌های اجتماعی و بازی‌های موبایلی استفاده می‌کند تا شما را برای یادگیری هیجان‌زده کند. همه اینها در حالی که آموزش دسترسی را در سراسر جهان گسترش می‌دهد.

📱https://youtu.be/P6FORpg0KVo?si=m7i6Nd-8wTBb55O3

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

📱@IDSchools
📱@IDS_Math

🎲#گام_به_گام

✨ یک مدل ریاضی از تشکیل ستاره در کهکشان

📝 این مقاله به طور کلی به تشکیل ستاره در کهکشان، به ویژه ستاره‌های آبی می‌پردازد. ستاره‌های آبی درخشان‌ترین، پرجرم‌ترین و از نظر شعاع بزرگ هستند. یک مدل ریاضی ساده از تشکیل ستارگان ایجاد شده و در الگوریتم محاسباتی قرار داده شده است. این الگوریتم ما را قادر می‌سازد تا در مورد شکل گیری ستاره بیشتر بدانیم. برای توجیه این مدل از چند نمونه واقعی و مصنوعی استفاده شده است.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🎲#گام_به_گام

❓ رایج‌ترین توزیع‌های احتمالی که در یادگیری ماشین استفاده می‌شود کدامند؟

1️⃣ توزیع نرمال
توزیع نرمال که با نام توزیع گاوسی نیز شناخته می‌شود، یکی از پرکاربردترین توزیع‌های احتمال در یادگیری ماشینی است. با منحنی زنگوله‌ای مشخص می‌شود که حول میانگین متقارن است و دارای یک انحراف استاندارد است که گستردگی داده‌ها را اندازه‌گیری می‌کند. توزیع نرمال اغلب برای مدل‌سازی متغیرهای پیوسته استفاده می‌شود که تمایل طبیعی به خوشه‌بندی حول یک مقدار مرکزی دارند. همچنین برای انجام تست‌های آماری مانند آزمون t یا آزمون z که میانگین‌های دو نمونه را با هم مقایسه می‌کنند مفید است.

2️⃣ توزیع دو جمله ای
توزیع دو جمله‌ای یک توزیع احتمال گسسته است که تعداد موفقیت‌ها را در تعداد ثابتی از آزمایش‌های مستقل مدل می‌کند که هر کدام با احتمال موفقیت ثابتی همراه هستند