🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕

🟢دپارتمان علوم زیستی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار میکند:

✨سری وبینارهای رایگان «همگام با پیشتازان»✨

5️⃣1️⃣قسمت پانزدهم:

🔺با حضور: آقای پوریا آزادی
🔺دانش آموخته کارشناسی ارشد سیستم های الکترونیک دیجیتال دانشگاه علم‌ و صنعت

🔻حوزه فعالیت استاد: پیچیدگی، سیبرنتیک و زیست شناسی نظری

💡موضوع ارائه: self organization, active matter and agency: why life is really different from inanimate matter

🔜 پنجشنبه 1 آذر 1403، ساعت 18 به وقت ایران

🔹 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 علوم زیستی و جهت کسب اطلاعات بیشتر به گروه تعاملی ما بپیوندید.


✉️| @IDS_Bio||کانال علوم زیستی|
✉️| @IDSchools||کانال اصلی|
✉️| @Bio_IDSchools|گروه تعاملی علوم زیستی|

🔔#آموزشگاه_ذهن

🕐 در اینجا یک مرور کلی از موضوعات اصلی که در اکثر دوره‌های آمار مقدماتی پوشش داده می‌شود، ارائه  و توضیح داده می‌شود که چگونه این مفاهیم آماری به یکدیگر مرتبط هستند.

🔛 در آموزش‌های ویدئویی دوره آماری خود، تمام ایده‌هایی که در این ویدئو بررسی شده‌اند را با جزئیات بیشتری توضیح داده خواهد شد. چندین مثال را بررسی کرده و مفاهیم را به صورت مرحله به مرحله توضیح داده می‌شود.

📌 موضوعات اصلی شامل موارد زیر است:

• انحراف استاندارد: معیاری برای سنجش پراکندگی داده‌ها.

• توزیع نرمال: توزیع متداولی که بسیاری از داده‌ها به آن نزدیک هستند.

• خطای استاندارد میانگین: معیاری برای سنجش دقت میانگین نمونه نسبت به میانگین جامعه.

• فاصله اطمینان: بازه‌ای که در آن با احتمال مشخصی، پارامتر جامعه قرار دارد.

• آزمایش فرضیه: روشی برای ارزیابی ادعاها درباره پارامترهای جامعه.

• توزیع t: توزیع آماری که در آزمون‌های فرضیه با نمونه‌های کوچک استفاده می‌شود.

• حاشیه خطا: حداکثر مقداری که ممکن است فاصله بین تخمین و مقدار واقعی داشته باشد.

• راه‌اندازی و نمونه‌گیری مجدد: تکنیک‌هایی برای بهبود دقت نتایج.

• خطاهای نوع I و نوع II در آزمون فرضیه: خطاهای احتمالی در پذیرش یا رد فرضیه‌ها.

• تجزیه و تحلیل دو متغیره: بررسی روابط بین دو متغیر.

• آزمون t زوجی: آزمونی برای مقایسه میانگین دو گروه مرتبط.

• آزمون رتبه امضا شده ویلکاکسون: آزمونی غیرپارامتریک برای مقایسه دو گروه.

• آنالیز واریانس: آزمونی برای مقایسه میانگین‌های چند گروه.

• آزمون مربع کای: آزمونی برای بررسی وابستگی بین دو متغیر کیفی.

• نسبت ریسک و نسبت شانس: معیارهایی برای ارزیابی خطرات در مطالعات اپیدمیولوژیک.

• رگرسیون خطی ساده: مدلی برای پیش‌بینی یک متغیر بر اساس متغیر دیگر.

• مربع R: معیاری برای سنجش میزان تبیین واریانس داده‌ها توسط مدل رگرسیون.

• آزمون‌های جایگشت: آزمون‌هایی برای بررسی تفاوت‌ها بدون فرضیات توزیع خاص.

✅ هدف ما این است که تصویری کلی از مفاهیم اصلی در این دوره مقدماتی آمار ارائه دهیم و نشان دهیم که چگونه همه این مفاهیم به یکدیگر مرتبط هستند، بدون اینکه در جزئیات غرق شویم.


📺https://youtube.com/playlist?list=PLqzoL9-eJTNAB5st3mtP_bmXafGSH1Dtz&si=nw9XDCXe2rsfnAqT


#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🚀@IDSchools
🚀@IDS_Math

👤#سخن_بزرگان

🗣️ "ریاضیات زبان طبیعت است."
داگالد استوارت (Dugald Stewart)

👤 داگالد استوارت (Dugald Stewart) (1753-1828) یک فیلسوف و ریاضیدان اسکاتلندی بود که به عنوان یکی از شخصیت‌های مهم در فلسفه اسکاتلندی و جنبش روشنفکری قرن هجدهم شناخته می‌شود. او در ادینبرو به دنیا آمد و بیشتر عمر خود را در این شهر گذراند.

🔣 تحصیلات و کارهای اولیه

استوارت در دانشگاه ادینبرو تحصیل کرد و تحت تأثیر فیلسوفان برجسته‌ای چون دیوید هیوم و آدام اسمیت قرار گرفت. او در سال 1785 به عنوان استاد فلسفه اخلاق در دانشگاه ادینبرو منصوب شد و تا پایان عمر خود در این سمت باقی ماند.

🔣 آثار و تأثیرات

استوارت آثار متعددی در زمینه‌های فلسفه، روان‌شناسی و اقتصاد سیاسی نوشت. یکی از مهم‌ترین آثار او "نظریه‌ای دربارهٔ تفکر انسانی" (Elements of the Philosophy of the Human Mind) است که در آن به بررسی فرآیندهای شناختی و تجربیات انسانی می‌پردازد. این کتاب تأثیر زیادی بر روان‌شناسی و فلسفه بعدی داشت.

استوارت همچنین به ترویج فلسفه تجربی و انتقادی پرداخت و بر اهمیت مشاهده و تجربه در فرآیند شناخت تأکید کرد. او به ویژه به نظریه‌های هیوم در مورد علت و معلول توجه داشت و سعی کرد آن‌ها را توسعه دهد.

🔣 میراث

داگالد استوارت به عنوان یکی از پیشگامان فلسفه مدرن اسکاتلند شناخته می‌شود و تأثیرات او بر روی فیلسوفانی چون جان استوارت میل و دیگر متفکران قرن نوزدهم مشهود است. او به ترویج ایده‌های روشنگری و تفکر انتقادی کمک کرد و نقش مهمی در توسعه فلسفه اجتماعی و سیاسی ایفا نمود.

🟢استوارت همچنین در زمینه‌های ریاضی و طبیعی نیز نظرهایی داشت، و بر این باور بود که ریاضیات ابزاری ضروری برای درک طبیعت است. آثار او همچنان مورد مطالعه و بررسی قرار می‌گیرد و او به عنوان یکی از شخصیت‌های کلیدی در تاریخ فلسفه شناخته می‌شود.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✈️@IDSchools
✈️@IDS_Math

💥#سازنده_جهان_دیجیتال
❓ آموزش‌‌های زیادی در مورد یادگیری ریاضیات برای gamedev وجود دارد، اما چرا و کجا این ریاضی واقعا مفید است؟

📌 این ویدیو سعی می‌کند مثال‌هایی از نحوه و زمان ظهور انواع مختلف ریاضیات و نحوه استفاده از آن‌ها در ساخت یک بازی ارائه دهد.

📱https://youtu.be/iPWWrM81z-o?si=oQ5xrc6q2laVUxjv


#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

😮 #سفر_به_دنیای_کتاب_ها

📚کتاب‌های آماری مورد نیاز برای علم داده و یادگیری ماشین

👈 در این ویدیو بهترین کتاب‌های آماری مناسب معرفی می‌گردند.

📺https://youtu.be/J4uXuHqxVdg?si=Oqee-s6dQKyRmXUg


#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🟡#توسعه_و_تحقیق_کار_ها

❓ "نرم افزار SAS چیست؟"

◀️ این ویدیو به شما کمک می‌کند تا با SAS شروع کنید و همچنین شما را با تجزیه و تحلیل داده‌ها و مفاهیم برنامه نویسی SAS آشنا می‌کند.

🎬https://youtu.be/6oeeedtz9Gg?si=Veos0XTf-q7AWtYs

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🔄 #توسعه_و_تحقیق_کار_ها

🔺ریاضیات، آمار و علوم کامپیوتر سه حوزه‌ای هستند که به طور عمیق با یکدیگر ارتباط دارند و در بسیاری از زمینه‌ها، از جمله یادگیری ماشین، داده‌کاوی و تحلیل داده‌ها، به هم پیوسته‌اند. در ادامه به چند نکته جالب در این زمینه اشاره می‌کنم:

✅ 1. الگوریتم‌ها و ساختار داده‌ها: ریاضیات پایه و اساس طراحی الگوریتم‌ها را تشکیل می‌دهد. مفاهیم مانند نظریه گراف، جبر خطی و حساب دیفرانسیل و انتگرال در طراحی الگوریتم‌های کارآمد و بهینه نقش کلیدی دارند.

✅ 2. مدل‌سازی داده‌ها: آمار ابزارهای لازم برای مدل‌سازی و تحلیل داده‌ها را فراهم می‌کند. با استفاده از روش‌های آماری، می‌توانیم الگوهای موجود در داده‌ها را شناسایی کرده و پیش‌بینی‌های دقیقی انجام دهیم.

✅ 3. یادگیری ماشین: این حوزه ترکیبی از ریاضیات (به ویژه جبر خطی و آمار) و علوم کامپیوتر است. الگوریتم‌های یادگیری ماشین برای آموزش مدل‌ها بر اساس داده‌های ورودی از تکنیک‌های ریاضی استفاده می‌کنند تا بتوانند پیش‌بینی‌های دقیق‌تری انجام دهند.

✅ 4. تحلیل داده‌های کلان: با توجه به حجم بالای داده‌ها در دنیای امروز، تکنیک‌های آماری و ریاضی برای استخراج اطلاعات ارزشمند از این داده‌ها ضروری است. ابزارهای تحلیلی مانند رگرسیون، خوشه‌بندی و تحلیل مؤلفه‌های اصلی (PCA) به ما کمک می‌کنند تا الگوها و روندهای موجود را شناسایی کنیم.

✅ 5. بهینه‌سازی: بسیاری از مسائل در علوم کامپیوتر نیاز به بهینه‌سازی دارند، که در آن ریاضیات نقش مهمی ایفا می‌کند. تکنیک‌های بهینه‌سازی برای حل مسائل مختلفی مانند تخصیص منابع، مسیریابی و طراحی شبکه‌ها استفاده می‌شوند.

🔊در نهایت، ارتباط میان این سه حوزه نه تنها به توسعه فناوری‌های جدید کمک می‌کند، بلکه در حل مسائل پیچیده جهان واقعی نیز بسیار مؤثر است.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✈️@IDSchools
✈️@IDS_Math

🔄#گام_به_گام

❓یادگیری علمی چیست؟

👈در این ویدیوی جذاب، ما عمیقاً به پیچیدگی های فرآیند یادگیری علمی می پردازیم، اسرار آن را کشف می کنیم و پتانسیل آن برای برتری علمی را آشکار می کنیم.

▶️https://youtu.be/ZsOsM8-XiAA?si=FmPWyFC4FWQnm3gK

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🔥 #اکتشاف_دنیای_دیجیتال

✨ جادوی الگوریتم: پشت صحنه علم کامپیوتر مدرن

📺https://youtu.be/QbQOJq3yhc4?si=bO3bx3D509x5WqVM

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

💡 #سازنده_جهان_دیجیتال

✅ آخرین تحقیقات در علوم کامپیوتر طیف متنوعی از موضوعات را در بر می‌گیرد که منعکس کننده تکامل سریع این رشته و پاسخ آن به چالش‌های معاصر است. مقالات اخیر پیشرفت‌ها را در زمینه‌هایی مانند یادگیری ماشین، امنیت ابری و نظریه‌های محاسباتی نوآورانه برجسته می‌کنند. بخش‌های بعدی روندها و پیشرفت‌های کلیدی در این زمینه را شرح می‌دهد.

🔣 کووید ۱۹ و علوم کامپیوتر
محققان از یادگیری عمیق و سیستم‌های اطلاعات جغرافیایی برای تجزیه و تحلیل و مبارزه با COVID-19 استفاده کرده‌اند، و مجموعه داده‌ها و ابزارهای جدیدی را برای افزایش درک و تلاش‌های پاسخ ایجاد کرده‌اند («آخرین تحقیقات علوم رایانه چگونه با COVID-19 مقابله می‌کند؟»، 2022). تکنیک‌هایی مانند یادگیری ماشینی در مدل‌سازی شیوع ویروس و بهینه‌سازی پاسخ‌های مراقبت‌های بهداشتی بسیار مهم بوده است.

🔣 تکنولوژی‌های پیشرفته
اکتشاف فناوری‌هایی مانند اینترنت اشیا، شهرهای هوشمند، و تجزیه و تحلیل داده‌های بزرگ، تأثیر تحول‌آفرین آن‌ها را بر صنایع، هدایت نوآوری و رسیدگی به چالش‌های پیچیده نشان می‌دهد (x، 2024).
امنیت و حریم خصوصی ابرها همچنان حوزه‌های مهم تمرکز هستند، زیرا سازمان‌ها به طور فزاینده‌ای به زیرساخت‌های ابری متکی هستند.

🔣 مبانی نظری
یک چارچوب نظری جدید برای علم محاسبات، با تمرکز بر اطلاعات و هولون‌ها، با هدف ایجاد درک کامل‌تر از نرم افزار و مهندسی دانش (Peña et al., 2020).
این نظریه بنیادی به دنبال یکپارچه‌سازی رشته‌های مختلف در محاسبات، ترویج همکاری بین رشته‌ای است.

🔣 پیشرفت‌های پردازش زبان
پیشرفت‌های اخیر در پردازش زبان طبیعی به سمت اهداف تخصصی تغییر کرده است و توانایی هوش مصنوعی برای درک و تعامل با زبان انسان را افزایش داده است (کلینگر، 1975).
این شامل بهبودهایی در ترجمه ماشینی و تشخیص گفتار می‌شود که فناوری را در دسترس‌تر و کاربرپسندتر می‌کند.

🟢 در حالی که این پیشرفت‌ها ماهیت پویای علوم کامپیوتر را به نمایش می‌گذارند، چالش‌هایی مانند ملاحظات اخلاقی در هوش مصنوعی و حفظ حریم خصوصی داده‌ها همچنان بحث‌ها را برانگیخته و به تحقیقات مداوم نیاز دارد.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🚀@IDSchools
🚀@IDS_Math

🌐 #توسعه_و_تحقیق_کار_ها

✅ آخرین تحقیقات در زمینه آمار، طیف متنوعی از پیشرفت‌ها و کاربردها را در زمینه‌های مختلف نشان می‌دهد. مقالات اخیر تکامل روش‌های آماری، ادغام ابزارهای مدرن و تأثیر تحلیل‌های آماری بر تحقیقات جامعه‌شناختی و مطالعات زیست‌محیطی را برجسته می‌کنند. این ترکیب ادبیات فعلی، روندها و نوآوری‌های قابل توجهی را در این رشته نشان می‌دهد.

⬅️ زمینه و روند تاریخی
مطالعه ترویسانی و توزی چکیده‌هایی از مجله انجمن آماری آمریکا را بررسی می‌کند و الگوهای زمانی را در موضوعات آماری از سال 1946 تا 2016 آشکار می‌کند و بر اهمیت تحلیل فراوانی کلمات در درک گفتمان آماری تأکید می‌کند (Trevisani & Tuzzi, 2018).
کار دیویسون و همکاران. کمک‌های سر دیوید کاکس را گرامی می‌دارد و وسعت کاربردهای آماری را در اپیدمیولوژی، امور مالی و علوم محیطی نشان می‌دهد (دیویسون و همکاران، 2005).

⬅️ نوآوری های روش شناختی
ناوارو و آسان در مورد تکنیک‌های آماری مدرن مانند همبستگی‌های چند کوریک و مدل‌سازی معادلات ساختاری بحث می‌کنند، که تجزیه و تحلیل متغیرهای پنهان را در تحقیقات جامعه‌شناختی افزایش می‌دهد، که نشان‌دهنده تغییر از آزمون فرضیه صفر سنتی است (Sociológica و همکاران، 2016).
مجموعه مقالات Paganoni و Secchi به مدل‌سازی داده‌های پیچیده و روش‌های محاسباتی می‌پردازد و پیشرفت‌ها در تحلیل بیزی و استنتاج شبکه از داده‌های با ابعاد بالا را نشان می‌دهد (Paganoni & Secchi، 2015).

⬅️ کاربردهای عملی
استافر و نور کاربرد مدل‌سازی سلسله مراتبی و روش‌های بیزی را در مطالعات اکولوژیکی، به‌ویژه در تخمین پویایی جمعیت پرندگان، نشان می‌دهند که ارتباط عملی پیشرفت‌های آماری در تحقیقات زیست‌محیطی را نشان می‌دهد (Stauffer & Nur, 2005).

❕در حالی که این مقالات پیشرفت قابل توجهی را در روش‌شناسی آماری نشان می‌دهند، برخی از محققان استدلال می‌کنند که افزایش پیچیدگی مدل‌های آماری ممکن است منجر به چالش‌هایی در تفسیرپذیری و کاربرد شود و به طور بالقوه مانع درک گسترده‌تر و استفاده در سناریوهای عملی شود.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✈️@IDSchools
✈️@IDS_Math

🔄#زیبایی_های_ریاضیات

🔴 آخرین پیشرفت‌ها در ریاضیات شامل طیف وسیعی از پیشرفت‌ها در آموزش، مدل‌سازی و کاربردها در زمینه‌های مختلف است. این گرایش‌ها ادغام فناوری، روش‌های آموزشی نوآورانه و کاربردهای عملی ریاضیات در علوم و مهندسی را برجسته می‌کنند. بخش‌های بعدی به جزئیات این جنبه‌های کلیدی می‌پردازند.

🔺گرایش های آموزش ریاضی
✅ فناوری دیجیتال: گنجاندن ابزارهای دیجیتال در تدریس باعث افزایش تعامل و درک دانش آموزان می شود (حسین، 2023).
✅ روش‌های تدریس نوآورانه: رویکردهایی مانند یادگیری مبتنی بر تحقیق و گیمیفیکیشن در حال افزایش هستند و محیط‌های یادگیری فعال را ترویج می‌کنند (حسین، 2023).
✅ برابری و گنجاندن: تأکید فزاینده‌ای بر قابل دسترس کردن آموزش ریاضی برای جمعیت‌های مختلف، حصول اطمینان از موفقیت همه دانش آموزان وجود دارد (حسین، 2023).

💥پیشرفت در برنامه‌های ریاضی
◀️ مدل‌سازی و محاسبات: کنفرانس‌های اخیر بر روی مدل‌سازی ریاضی و کاربردهای آن در محاسبات علمی متمرکز شده‌اند و ارتباط ریاضیات را در حل مسائل دنیای واقعی نشان می‌دهند ("پیشرفت در مدل‌سازی ریاضی و محاسبات علمی"، 2024).
◀️ مهندسی و تصویربرداری پزشکی: ریاضیات نقش مهمی در کاربردهای مهندسی و فناوری‌های پزشکی مانند توموگرافی سه بعدی ایفا می‌کند و اهمیت بین رشته‌ای آن را نشان می‌دهد (Kaur, 2013).

🟠در حالی که این پیشرفت‌ها امیدوارکننده هستند، چالش‌ها در حصول اطمینان از دسترسی عادلانه به آموزش ریاضی با کیفیت و پرداختن به پیچیدگی‌های برنامه‌های ریاضی در زمینه‌های به سرعت در حال تحول باقی می‌مانند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🚀@IDSchools
🚀@IDS_Math

✨✨✨#زیبایی_های_ریاضی✨✨✨

⬅️افسانه ریاضی در یادگیری ماشین

📺https://youtu.be/lZ9_DQOJzTM?si=FvGbWSn2e4r6eSzU

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🟡#توسعه_و_تحقیق_کار_ها

🤩 ۵ دوره‌ی برتر برای تحلیلگر داده

⚡️چگونه تجزیه و تحلیل داده ها را واقعا یاد بگیریم؟

⚡️بهترین گواهینامه های تحلیلگر داده کدامند؟

⚡️چگونه یک تحلیلگر داده شویم؟

🔣 این ویدئو به این سوالات پاسخ خواهد داد.

▶️https://youtu.be/X7eAwyMvm2c?si=0ZpfuCjcTZIagghc

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🔴#آموزشگاه_ذهن

✅ ریاضیات نقشی اساسی در علوم اعصاب ایفا می‌کند و به عنوان ابزاری اساسی برای مدل‌سازی و درک سیستم‌های عصبی پیچیده عمل می‌کند. این پژوهشگران را قادر می‌سازد تا مدل‌های ریاضی ایجاد کنند که رفتار عصبی، پویایی شبکه و مکانیسم‌های زیربنایی عملکردهای مغز را توصیف می‌کند. این ادغام ریاضیات در علوم اعصاب نه تنها درک نظری را افزایش می‌دهد، بلکه اعتبار تجربی و تجزیه و تحلیل داده‌ها را تسهیل می‌کند.

🔹 مدلسازی ریاضی
مدل‌های ریاضی برای گرفتن دینامیک نورون‌ها و شبکه‌های عصبی، ترجمه مفاهیم بیوفیزیکی به معادلاتی که پتانسیل‌های عمل و تعاملات شبکه را توصیف می‌کنند، ضروری هستند.

🧠 نقش ریاضیات در نوروساینس

✅با رشد روزافزون نقش و کاربرد ریاضیات در زمینه‌های مختلف، هیچ شکی نیست که این علم نقش مهمی در پیشرفت علوم اعصاب ایفا می‌کند، علمی که همچنان تحت تحقیقات مستمر قرار دارد. هدف این گزارش دو نکته اساسی را بررسی می‌کند: نخست، نشان دادن اینکه چگونه مدل‌های ریاضی می‌توانند به روشن شدن جنبه‌های مختلف علوم اعصاب کمک کنند و دوم، تجزیه و تحلیل تکنیک‌های ریاضی که برای بررسی این مدل‌ها استفاده می‌شود.

✅ این بررسی می‌تواند به ما پیش‌بینی‌ها و بینش‌هایی ارائه دهد که به عنوان ابزاری قدرتمند برای تحلیل داده‌های تجربی مورد استفاده قرار گیرد. به طور خاص، مدل‌های ریاضی ساده می‌توانند درک ما از فعالیت مغز و سیستم عصبی مرکزی را در علوم اعصاب محاسباتی تقویت کنند. این مدل‌ها معمولاً ارتباطات بین مجموعه‌ای از اطلاعات را تخمین می‌زنند.

✅ با این حال، باید توجه داشت که هیچ روش رسمی و هوشمندانه‌ای برای "نشان دادن" درست یا غلط بودن یک مدل وجود ندارد. به همین دلیل، تفکر و تحلیل‌های ریاضی ضروری است. در این متن، نقش ریاضیات در علوم اعصاب به طور جامع مورد بررسی و بحث قرار خواهد گرفت.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

✨ معرفی دوره های پاییزی در یک نگاه- سومین دوره

⌛عنوان دوره: «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔜 زمان برگزاری جلسه اول: شنبه، 17 آذر ساعت 19

🔸سرفصل جلسات:

💥هفته اول: مبانی R و نصب برنامه
💥هفته دوم: کنترل جریان برنامه، انواع شرط ها، حلقه و توابع
💥هفته سوم و چهارم: Basic Data Management
💥هفته پنجم و ششم: Basic Graph
💥 هفته هفتم و هشتم: Basic Statistics
💥هفته نهم و دهم: Regression
💥هفته یازدهم و دوازدهم: Basic Network Analysis in R


👤با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف


🔣نحوه ثبت نام:

https://t.iss.one/IDS_Math/177

🔴کسب اطلاعات بیشتر:

  @interdisciplinaryschools2

🚀 |@IDSchools|
🚀 |@IDS_Math|

‼️ یادآوری- شروع دوره

1️⃣جلسه اول دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣عنوان جلسه اول: مبانی R و نصب برنامه

⏳زمان برگزاری جلسه اول: فردا شنبه، 17 آذر ساعت 19

👤 با ارائه آقای دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

✅ شنبه ها، ساعت 19 تا 20:30

👈نحوه ثبت نام:

https://t.iss.one/IDS_Math/177

🟢کسب اطلاعات بیشتر:

@interdisciplinaryschools2

✈️ @IDS_Math
✈️ @IDSchools

💻 #اکتشاف_دنیای_دیجیتال

✨مسابقه LLMs -شما نمی توانید همه آنها را راضی کنید!

🔹درست همانطور که انسان‌ها را می‌توان توسط دیدگاه‌ها و تعصبات دستکاری کرد، LLM هایی که برای ارزیابی‌های ذهنی استفاده می‌شوند دارای سوگیری‌های مختلفی هستند که در برابر سوء استفاده‌هایی که سیستم را هدایت می‌کنند آسیب پذیر هستند. یکی از راه‌های محدود کردن تأثیرات منفی این است که کمیته‌ای متشکل از LLMها با هم ارزیابی کنند.

💠این رقابت شما را به چالش می‌کشد تا بهره‌برداری‌ها را برای سیستم LLM-as-a-judge که برای ارزیابی کیفیت مقالات طراحی شده است، شناسایی کنید. فهرستی از موضوعات مقاله به شما داده می‌شود و هدف شما ارسال مقاله‌ای است که اختلاف نظر بین داوران LLM را به حداکثر می‌رساند. کار شما به شکل گیری درک بهتری از قابلیت‌ها و محدودیت‌های استفاده از LLM برای وظایف ارزیابی ذهنی در مقیاس کمک می‌کند.

🗓جدول زمانی

🟢تاریخ شروع: ۱۳ آذر ۱۴۰۳
3 December 2024

🟢 آخرین مهلت ورود: ۷ اسفند ۱۴۰۳
25 February 2025
برای شرکت در مسابقه باید قبل از این تاریخ قوانین مسابقه را بپذیرید.

🟢آخرین مهلت ادغام تیم:۷ اسفند ۱۴۰۳
25 February 2025
این تاریخ آخرین روزی است که شرکت‌کنندگان می‌توانند به تیم‌ها بپیوندند یا ادغام شوند.

🟢مهلت ارسال نهایی: ۱۴ اسفند ۱۴۰۳
4 March 2025

❗️تمام مهلت‌ها در ساعت PM UTC 11:59 در روز مربوطه است، مگر اینکه غیر از این ذکر شده باشد. برگزارکنندگان مسابقه این حق را برای خود محفوظ می دارند که در صورت لزوم، جدول زمانی مسابقه را به روز کنند.

✨جوایز

🥇مقام اول - 12000 دلار
🥈مقام دوم - 10000 دلار
🥉مقام سوم - 10000 دلار
🎖مقام چهارم - 10000 دلار
🎖مقام پنجم - 8000 دلار

👈 برای اطلاعات بیشتر اینجا کلیک کنید.

💬 پی‌نوشت
Large Language Model (LLMs)
مدل‌های بزرگ زبان، مدل‌های یادگیری ماشینی هستند که می‌توانند متن زبان انسان را درک کرده و تولید کنند. آن‌ها با تجزیه و تحلیل مجموعه داده‌های بزرگ زبان کار می‌کنند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

💡 فراتر از ریاضی و پایتون: دیگر مهارت های کلیدی علوم داده که باید توسعه دهید.

❗️نقشه راه موفقیت در علم داده مسیرهای مختلفی را ارائه می‌دهد، اما بیشتر آنها تمرکز قوی بر مهارت‌های ریاضی و برنامه نویسی دارند.

🔴این پست بر روی برخی از زمینه‌هایی که ممکن است بخواهید در آینده کاوش کنید، تمرکز می‌کند و توصیه‌های عملی را از نویسندگانی که عمیقاً در بخش گسترده‌ای از نقش‌های صنعتی و دانشگاهی نقش دارند، ارائه می‌کند. از تسلط بر زیرساخت‌های داده تا گسترش مهارت‌های داستان‌گویی، اجازه دهید نگاهی دقیق به برخی از آن حوزه‌های جانبی – اما همچنان حیاتی – رشد بالقوه بیندازیم.

🔠 فراتر از مهارت ها: باز کردن پتانسیل کامل دانشمندان داده.
 دانشمندان داده دارای دیدگاه منحصر به فردی هستند که به آنها امکان می‌دهد ایده‌های تجاری نوآورانه خود را ارائه دهند - ایده‌هایی که جدید، استراتژیک یا متمایز هستند و بعید است که از کسی جز یک دانشمند داده سرچشمه بگیرند. اریک کولسون
 فرضیه‌ای قابل تامل را گسترش می‌دهد، یعنی اینکه شرکت‌ها با تمرکز بیش از حد بر مهارت‌های فنی خود، به بهای خلاقیت و تفکر بیرون از جعبه، از دانشمندان داده استفاده کمتری می‌کنند.

🔠 سه درس مهم داده که از یک کنفرانس داده ای که به هوش مصنوعی ربطی ندارد آموختم. 
هوش مصنوعی در سال‌های اخیر به قدری بر مکالمات تسلط داشته است که شنیدن راه‌های دیگر برای دانشمندان داده‌ای برای ماندن در لبه‌های پیشرفته حوزه خود احساس طراوت می‌کند. Nithya Ramamoorthy تجربه اخیر خود در یک کنفرانس را منعکس می‌کند و اینکه چگونه الهام بخش او برای توجه بیشتر به موضوعاتی است که ممکن است کمتر از آخرین LLM به نظر برسند، اما می‌توانند ارزش شما را به عنوان یک متخصص داده افزایش دهند، از کنترل هزینه و ترجمه داده ها به طراحی اطلاعات

🔠 سیستم بهره وری نهایی برای رهبران علم داده.
 برای هر کسی که در مسیر مدیریت علم داده است - چه در مراحل اولیه یا عمیق‌تر در حرفه شما - گاهی اوقات این احساس می‌شود که انتظار می‌رود مهارت‌های رهبری به طور ارگانیک با گذشت زمان رشد کنند. در حالی که این ممکن است از برخی جهات درست باشد، آخرین مشارکت ربکا ویکری برخی از گام‌های مشخصی را که می‌توانید انجام دهید تا اطمینان حاصل کنید که تمرکز و بهره‌وری خود را حتی با افزایش تقاضاهای نقشتان انجام دهید، بیان می‌کند.

🔠 تسلط بر ریاضیات پشت پاکت شما را به دانشمند داده بهتری تبدیل می کند. 
آنچه در مقاله جدید Torsten Walbaum
 پیشنهاد می‌کند این است که متخصصان داده ممکن است بخواهند کمتر نگران فرمول‌ها و مدل‌سازی‌های پیچیده باشند و به خود اجازه دهند با تولید تخمین‌های خشن - اما محکم - راحت‌تر رشد کنند.

🔠 از AI Canvas تا MLOps Stack Canvas: آیا آنها ضروری هستند؟

 با افزایش پیچیدگی ابزارها و پشته‌های داده، برای ذینفعان محصول بسیار آسان می‌شود که ردیابی نحوه کار همه قطعات متحرک با هم را از دست بدهند. Chayma Zatout اینجاست تا با مقدمه‌ای عملی برای ساخت و استفاده از بوم‌ها، «یک چارچوب بصری که به افراد و تیم‌ها کمک می‌کند تا جنبه‌های مختلف یک پروژه را به شکلی ساختاریافته نقشه‌برداری و تجزیه و تحلیل کنند.

🔠 آموزش AWS Bedrock که آرزو می‌کردم داشته باشم: هر آنچه که برای آماده کردن دستگاه خود برای زیرساخت AWS باید بدانید. 
چگونه می‌توانید یک نمونه اولیه یادگیری ماشینی زیبا را در نوت بوک خود قرار دهید و آن را به یک برنامه وب قدرتمند تمام پشته توسعه دهید؟ میندا مایرز با برداشتن چند قدم از جزئیات بی‌نظیر تجزیه و تحلیل داده‌ها، متخصصان داده را تشویق می‌کند تا تنظیمات فناوری خود را در نظر بگیرند و آن را برای گردش‌های کاری روان و مؤثر بهینه کنند.

🔠 از بینش تا تأثیر: مهارت‌های ارائه‌ای که هر دانشمند داده به آن نیاز دارد.
این دقیقاً خبری نیست که داستان سرایی قوی هسته اصلی بسیاری از نقش‌های علم داده است. هر چند در بسیاری از برنامه‌ها یک منطقه تحت پوشش باقی می‌ماند - یکی از مواردی که فقط از شما انتظار می‌رود که به طور جادویی در آن به تنهایی پیشرفت کنید. یو دونگ در آخرین پست خود به برخی از جنبه‌های اصلی ارائه‌های موفق می‌پردازد و نکات مشخصی را در مورد طراحی اسلایدهای موفق درج می کند.

🔠نحوه ایجاد فرصت ها و موفقیت در برنامه های شغلی علم داده
همانطور که رابسون تیگر روشن می‌سازد، فرآیند تبدیل شدن به یک متقاضی شغل برجسته و شناسایی فرصت‌های مناسب، مستلزم مجموعه‌ای از مهارت‌های خاص خود است که بیشتر آن‌ها ارتباط بسیار کمی با داده‌ها یا الگوریتم‌ها دارند و در عوض حول محور ارائه خود (و بازاریابی)، شبکه‌سازی و ارتباطات می‌چرخند.

🌐منبع
#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math