4688
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی ارائهدهندهی پکیجهای آموزشی پروژه محور: برنامهنویسی متلب-پایتون یادگیری ماشین یادگیری عمیق شناسایی الگو شبکه عصبی واسط مغز-کامپیوتر پردازش سیگنالهای حیاتی تماس👇 09360382687 @onlineBME_admin www.onlinebme.com
💡نقشه راه و چالش ۱۰ هفتهای یادگیری پایتون با Onlinebme
#چالش_10_هفتهای
🔥 اگه میخوای پایتون یاد بگیری ولی نمیدونی از کجا و کی شروع کنی، این چالش برای توئه!
@Onlinebme
با کمال تأسف مطلع شدم که پروفسور سایمون هیکین (Simon Haykin) در تاریخ ۱۳ آوریل ۲۰۲۵ درگذشتند.
امیدوارم روحشون در آرامش باشه🌹❤️🙏
@Onlinebme
✅نحوه ایجاد virtual environment در VsCode
1⃣ مرحله اول: اطمینان از نصب بودن پایتون در سیستم
برای اینکار در ترمینال vscode یا CMD سیستم دستور زیر رو اجرا کنید.
python --version
اگر پایتون نصب باشه، نسخه آن نمایش داده میشه، در غیراینصورت خطای میده که باید به سایت پایتون بروید و پایتون رو نصب کنید.
2⃣ مرحله دوم: ایجاد یک فولدر در مسیر دلخواه برای ساخت venv
یک مسیری انتخاب کنید و اونجا یک فولدری خالی ایجاد کنید.
3⃣ مرحله سوم: ساخت محیط مجازی در مسیر مشخص شده.
ابتدا از منوی file، گزینه open folder برید به مسیری که فولدر خالی ایجاد کردید، سپس select folder رو انتخاب کنید.
سپس، از طریق منوی view موارد زیر رو انجام بدید:
View--command platee-- create environment-- venv environment
4⃣ مرحله چهارم: انتخاب مفسر پایتون و نوشتن اولین اسکریپت
کدی نوشته و بعد از ذخیره اجرا کنید، موقع اجرا مفسر پیشنهادی رو انتخاب کنید.
حال در مسیر مورد نظر شما محیط مجازی ساخته شده است و میتونید از vscode برای برنامه نویسی پایتون استفاده کنید.
5⃣ مرحله نهایی: نصب کتابخانههای مورد نیاز (اختیاری ولی ضروری برای پروژهها)
💡برای اینکه بتونید به ابزارهای بیشتری دسترسی داشته باشید، باید کتابخانه هایی که لازم هست رو نصب کنید.
میتونید از طریق ترمینال vscode، یا CMD سیستم و یا در همان کد jupyter با دستور pip install libararyName کتابخانه مدنظر رو نصب کنید.
☑️ اگه کتابخانه ای نصب نمیشه، موارد زیر رو به ترتیب بررسی کنید:
🔷دستور نصب درست نوشته شده ؟
(از وبسایت اصلی کتابخانه میتونید بررسی کنید، برخی دستورات متفاوتی دارند)
🔷اینترنت اختلال داره یا نه؟
🔷فیلترشکن روشن هست یا خاموش؟ (دو حالت رو هم چک کنید، گاها وجود فیلترشکن باعث نصب یا عدم نصب میشه).
پ.ن: اولین ویدیو به این سبک تند هست که خیلی وقت دوستان گرفته نشه. اگه نظری داشتید خوشحال میشم مطرح کنید تا ویدیوهای بعدی لحاظ کنم.
🎦📺https://youtu.be/YsSLeYVo2D4?si=r2ORoA8x2HpOikqj
⏭ Next video: Preprocessing in EEGLAB
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
✅مهندسی در خدمت انسان: نسل بعدی پروتزهای بایونیک
💡 پروتزهای بایونیک، نه تنها عملکرد افراد داری معلولیت رو بازیابی میکنند، بلکه زیبایی، پویایی و استقلال را به زندگی انسانها میبخشند. این ابزارهای پوشیدنی با ترکیب رباتیک، هوش مصنوعی و تکنولوژی پوشیدنی، بدون نیاز به جراحیهای تهاجمی، زندگی مارو متحول کرده و استقلال عملکردی افراد رو ارتقاء میدهند.
@Onlinebme
✅دستی مصنوعی ساخته شده توسط شرکت Open Bionics
شرکت Open Bionics یک شرکت بیونیک است که در زمینه تولید ابزارهای کمکی مقرون به صرفه و پیشرفته فعالیت میکنه.
این شرکت ابزارهایی مثل دست مصنوعی برای
بهبود عملکرد بدن انسان طراحی میکنه. با Hero Arm، که از فناوری چاپ سه بعدی استفاده شده برای ساختش، وارد این حوزه شده، و حالا محصولات مختلفی در این زمینه ارایه میده.
✅توابع هزینه در شبکه های عصبی
💡توابع هزینه نقش اساسی در یادگیری شبکه های عصبی دارند و بهشون کمک میکنند در راستای هدف خاصی وزنهای سیناپسی خودشون رو تنظیم کنند. تابع هزینه یک تابع ریاضیاتی هست که عملکرد یک شبکه عصبی در انجام یک تسک خاص رو اندازهگیری میکند.
@Onlinebme
☑️ تدریس هوش مصنوعی؛ رقیب جدی برای دانشگاهها
هینتون پیشبینی میکند که مدرسهای هوش مصنوعی با بهرهگیری از دادههای عظیم میلیونها دانشآموز، قادر خواهند بود با دقتی بیسابقه، درک نادرست هر دانشآموز را شناسایی کرده و محتوای آموزشی سفارشیسازیشده برای اصلاح آن ارائه دهند. به باور او، این سطح از آموزش میتواند تحصیلات دانشگاهی در مقطع کارشناسی، بهویژه در رشتههایی مانند علوم کامپیوتر و کدنویسی، را تا حد زیادی غیرضروری سازد.
☑️ آیا دانشگاه همچنان ارزش خود را حفظ خواهد کرد؟
با وجود تهدیدات موجود برای آموزش آکادمیک، هینتون بر این نکته تأکید میکند که نقش دانشگاهها بهطور کامل از بین نخواهد رفت. او معتقد است که حوزههایی نظیر پرورش تفکر انتقادی و مهارتهای تحقیقاتی همچنان به بسترهای ساختار یافته و محیطی دانشگاهی نیاز دارند.
به گفته وی، تحقیقات، فعالیتی مبتنی بر راهنمایی، تجربه عملی، و تعامل عمیق است؛ نه صرفاً پیروی از مجموعهای از قوانین ثابت.
این گفته هینتون منو یاد جلسه معارفه اساتید علم و صنعت میندازه که یکی از بچه ها از دکتر عرفانیان پرسیدند که دستاورد ما در دوره ارشد چی خواهد بود؟! که جواب دادند «ما اینجا فقط بهتون نحوه انجام research رو یاد میدیم. همین رو شما یاد بگیرید بسه!»
واقعیت این است که اگر کسی واقعاً نحوه صحیح پژوهش رو یاد بگیرد، مانعی برای پیشرفت او وجود نخواهد داشت.
⚠️هشدار جدی برای دانشجویان علوم کامپیوتر
وقتی از هینتون پرسیده شد که آیا ظهور این مدلها برای دانشجویان علوم کامپیوتر نگرانکننده است، پاسخ او «بله» بود.
هینتون تصریح کرد که بسیاری از مباحث سنتی در این رشته ممکن است توسط سیستمهای هوش مصنوعی پوشش داده شوند.
⚠️ این یک هشداری است برای دانشجویانی که فکر میکنند یادگیری کدنویسی ابتدایی و تکنیکهای معمول، برای موفقیت در آینده کافی خواهد بود.
🔍 بازنگری در مسیرهای آموزشی؛ فرصت یا تهدید؟
گرچه این تحولات در نگاه نخست تهدیدآمیز به نظر میرسند، اما هینتون از منظر دیگری نیز به ماجرا نگاه میکند: فرصتی برای بازاندیشی در مورد ارزش واقعی دانشگاه. به باور او، دانشجویان باید بیش از پیش بر خلاقیت، حل مسئله بینرشتهای، و توانایی تولید ایدههای نو تمرکز کنند (مهارتهایی که هوش مصنوعی فعلاً قادر به جایگزینی آنها نیست).
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
📢 به زودی دوره پیادهسازی شبکه های بازگشتی (RNNs) رو به صورت آنلاین برگزار خواهیم کرد
🔷 در این دوره قراره تئوری و ریاضیات شبکه هارو صفر تا صد بررسی کنیم.
🔷 همانند سایر دوره های شبکه عصبی، اینجا هم قراره روابط یادگیری هر شبکه عصبی رو (back propagation through time)رو اثبات کنیم، سپس مرحله به مرحله دستی خودمون پیادهسازی کنیم و چند مثال ساده هم انجام بدیم تا درک عمیقی از هر الگوریتم داشته باشیم
🔷 ادامه هم میریم نحوه پیادهسازی این شبکه ها در پایتورچ رو یاد میگیریم، و در آخر هم میریم سراغ پروژه های عملی و چندین پروژه تو حوزه های مختلف انجام میدم تا با کاربرد شبکه ها و چالش های استفاده از آنها در عمل آشنا شویم.
💡این روزا بخشی که مدلهای هوش مصنوعی اومدند و کمک خیلی خوبی در بخش کدنویسی پروژه ها میکنند، درک ریاضیات هر شبکه عصبی اهمیت بالایی پیدا میکنه
چرا که از این به بعد بیشتر وقت و تمرکز ما تو بخش نوآوری و خلاقیت باید باشه.
برای نوآوری هم درک عمیق شبکه های عصبی خیلی ضروریه.
✅در دوره RNNs همانند سایر دوره های یادگیری ماشین و شبکه های عصبی قراره ریاضیات هر شبکه عصبی رو یادگرفته و بعدش چندین پروژه عملی انجام بدهیم.
@Onlinebme
🔷سلول های ساده به جهت ستون های نوری پاسخ می دهند
🔶سلولهای پیچیده به ستون های نوری جهت دار در حال حرکت پاسخ می دهند
🔷سلولهای بسیار پیچیده به زوایا و منحنی ها پاسخ می دهند.
@Onlinebme
✅ مطالعهی تاریخی هابل و ویزل
دیوید هابل و تورستن ویزل در آزمایشی از نورونهای قشر بینایی گربهها سیگنال ثبت کرده و تونستن میدانهای گیرندهشون رو ترسیم کنند.
📢 صدای تقتق هم که می شنوید، در واقع فعالیت الکتریکی نورونهاست که از طریق سیستم صوتی پخش میشه.
@Onlinebme
💡 «حس مصنوعی برای دستهای بیونیکی کنترلشونده با مغز»
🔹 تیم Neural Bionics Lab موفق شده یه سیستم BCI طراحی کنه که به افراد حس لمس اشیاء رو منتقل میکنه!
🔹 با استفاده از فناوری تحریک میکروکورتیال (ICMS)، کاربران دستهای بیونیکی میتونن لبهها، حرکت و شکل اجسام رو احساس کنن!
🦾 یعنی یه جهش فوقالعاده در دنیای واسطهای مغز-کامپیوتر!
تا امروز، تمرکز بیشتر پژوهشها روی رمزگشایی افکار بوده؛
اما توی این مطالعه، حس واقعی بودن بازوی مصنوعی به کاربر القا میشه، انگار بازوی مصنوعی بخشی از بدن کاربر هست.
@Onlinebme
✅ نکات جالبی که در مقاله بهشون اشاره شده
💡 رایجترین خطایی که بین شرکتکنندگان انسانی دیده میشه، ناتوانی در پیدا کردن راهحل درسته. ولی نکته جالب اینه که انسانها معمولاً خودشون میدونن که جوابشون درسته یا نه. ولی همه مدلهای زبانی حتی وقتی مسئله رو اشتباه حل میکردند با از اطمینان ادعا میکردند که مسئله رو حل کرده اند! یعنی حتی توانایی درک درست یا غلط بودن راه حل خودشون رو هم ندارند!اینو من در دوره پایتورچ که برای اثبات برخی روابط بهینه سازی از ChatGPT کمک میگرفتم خیلی میدیدم. جالبیش اینجا بود که وقتی بهش میگفتم اشتباه اثبات کردی ازم تشکر میکرد و دوباره همون مسیر اشتباه رو میرفت 😁
⚠️مقاله در ادامه ذکر میکنه که این تفاوت (بین مدلها و انسانها) یه چالش بزرگ برای استفاده از مدلها در زمینه های ریاضیات ایجاد میکنه، چرا که نمیتونیم به جوابهای مدلها اعتماد کنیم! مگر اینکه توسط یک انسان دقیق بررسی بشوند.
💡نکته بعدی اینه که نویسندگان مقاله در آزمایشات مشاهده کرده اند این بود که مدلها مشکل اساسی در خلاقیت دارند، بیشتر مدلها فقط یک روش که اونم معمولا اشتباه بوده رو بارها امتحان میکردن و اصلا سراغ روش دیگه ای نمیرفتند!
@Onlinebme
مهمترین و پرکاربردترین فرمولهایی که هر فردی باید بلد باشه...
فقط آخریش 😅
@Onlinebme
💡 نقشه راه و چالش 10 هفتهای یادگیری پایتون با Onlinebme
✅ بخش اول: شروع از صفر - یادگیری اصول پایه برنامه نویسی در پایتون
1⃣ هفته اول: پایتون مقدماتی
🔺نصب، متغیرها، if-else، try-except، حلقهها، توابع
2⃣ هفته دوم: ساختارهای داده
🔺لیست، دیکشنری، تاپل، رشتهها، فایلها
✅ بخش دوم: پایتون پیشرفته + کتابخانههای کاربردی
3⃣ هفته سوم: کار با آرایه های NumPy
4⃣ هفته چهارم: رسم نمودار با Matplotlib
5⃣ هفته پنجم: برنامهنویسی شیء گرایی در پایتون
6⃣ هفته ششم: کار با Pandas برای تحلیل داده
7⃣ هفته هفتم: یادگیری ماشین با scikit-learn
✅ بخش سوم: شروع یادگیری عمیق با PyTorch
8⃣ هفته هشتم: کار با تنسورها در PyTorch
9⃣ هفته نهم: ساخت دیتاست سفارشی در PyTorch
🔟 هفته دهم: طراحی شبکه عصبی در PyTorch
📌 جزییات نقشه راه
💡 هر هفته تمرینات مرتبط در کانال تلگرام منتشر میشه و شما میتونید تمرینها رو انجام داده و برای ما بفرستید.
✅ تمرینها بررسی شده و فیدبک اختصاصی دریافت میکنید.
🎯 هدف چالش
هدف اصلی این چالش ۱۰ هفتهای اینه که فرصتی برای یادگیری منظم باشه؛ مسیری که ما رو متعهد کنه هر هفته بخشی از اون رو همراه با دیگران پیش ببریم و از یادگیری مون لذت ببریم!
📍 از شما دعوت میکنیم به چالش ۱۰ هفتهای بپیوندید و با یادگیری پایتون، وارد دنیای تحلیل داده و هوش مصنوعی شوید😉
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
☑️ پرفسور سایمون هیکین استاد برجسته ی مهندسی برق و کامپیوتر در دانشگاه McMaster کانادا بود و نقش بزرگی در توسعه مفاهیم یادگیری ماشین، پردازش سیگنال، شبکههای عصبی و سیستمهای تطبیقی داشت.
از جمله کتابهای علمی ایشون که منابع اصلی در بسیاری از دانشگاههای معتبر دنیا هستند و برای نسلهای زیادی از پژوهشگران و دانشجویان الهام بخش بودند:
🔷 Neural Networks and Learning Machines
🔷 Adaptive Filter Theory
من آقای هیکین رو با کتاب بی نظیرشون در زمینه شبکههای عصبی شناختم. کتابی فوق العاده با زبانی ساده و روان که مفاهیم پیچیدهی یادگیری ماشین و شبکههای عصبی رو به بهترین شکل ممکن توضیح میدهد.
به شخصه خودم با خوندن این کتاب وارد این حوزه شدم و اولین دوره ای هم که برای شبکه های عصبی برگزار کردم براساس همین کتاب بود. در کتاب آقای هیکن بدون اینکه به حاشیه بروند و وارد تئوری های پیچیده شوند، همیشه سه مسئله رو برای توضیح هر شبکه عصبی رعایت میکردند، توضیح ساختار، قانون یادگیری و الگوریتم خلاصه شده ای که برای آموزش و تست شبکه عصبی ارائه میدادند، پیاده سازی شبکه ها رو بی نهایت راحت میکرد. در ادامه هم تئوری های پیچیده رو برای علاقه مندان گذاشته بود.
@Onlinebme
💡تاثیر خواب در یادگیری از نگاه باربارا اوکلی
شاید خوابیدن برای ما اغلب اتلاف وقت به نظر برسه، اما نقش کلیدی در یادگیری ما داره! خواب صرفا برای استراحت نیست، بلکه بخش مهمی از فرایند یادگیری و تثبیت حافظه است.
1⃣ دفع سموم مغزی در طول خواب
🔺بیدار موندن باعث ایجاد مواد سمی میشه که عملکرد مغز رو تحت تاثیر قرار میده، خواب باعث پاکسازی این سموم میشه!
🔺کم خوابی اجازه نمیده که ما واضح فکر بکنیم! کم خوابی یعنی امتحان دادن با مغزی پر از سموم! مثل رانندگی با ماشینیه که باکش با بنزینی که توش شکر ریخته اند، پر شده!
2⃣ جلوگیری از بیماریهای جسمی و روانی
🔺کم خوابی در بلند مدت تاثیرات مخربی میتونه بر سلامت جسم و روان داشته باشه، مثل سردرد، افسردگی، مشکلات قلبی عروقی، دیابت و حتی مرگ زودهنگام!
3⃣ تثبیت یادگیری
🔺در طول خواب، مغز اطلاعات کم اهمیت رو حذف میکنه و در عوض اطلاعات مهمی که میخواهیم یا نیاز داریم یادمون بمونه رو برجسته تر میکنه!
4⃣ تمرین در طول خواب
🔺مغز ما در طول خواب بخشهای سختِ مسائل رو تمرین (rehearse) میکنه و الگوهای عصبی مختلفی رو بررسی میکنه تا یادگیری ما رو عمیق تر بکنه!
5⃣ پیدا کردن راه حل برای مسائل سخت
🔺در طول خواب، بخش خودآگاه ما در قشر prefrontal مغزی غیرفعال میشه و این فرصت رو به سایر بخشهای مغزی میده که به راحتی باهم در تعامل باشند و بتونند باهم راه حلهای عصبی برای یادگیری تسکی که میخواهیم یاد بگیریم بسازند.
📌فایل PDF
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
💡وقتی دقت خیییلی بالاست، به احتمال بسیار زیاد مشکلی وجود داره و باید موارد زیر رو با دقت چک کنیم:
1⃣ گام اول: بررسی موارد سطح اول
🟠 داده رو درست تقسیم شده؟ ممکنه حواسمون نباشه و داده تست و ترین یکی باشه.
داده رو درست ساختم؟ اگر خودتون دارید داده رو میخونید یا ویژگی استخراج میکنید، ممکنه داده های یه گروه رو یه چیز پَرت بسازید. مثلا برای من خیلی پیش اومده که دیدم شمارنده حلقه رو در آدرس دهی آرایه ها اعمال نکردم، و همه سمپل های یک گروه از یک نمونه کپی شده اند!
🟡 آیا مدلی که طراحی شده درسته! ساختارو مجدد چک کنید و مطمئن بشید که ساختار، ورودی و خروجی ها درست اند. اگر مدل شما خیلی پیچیده باشه، احتمالش هست که overfitting رخ داده باشه.
🔴 داده متعادل هست یا نامتعادل: اگر داده نامتعادل باشه احتمالش خیلی زیاده که مدل به سمت داده ای که تعداد نمونه زیادی داره بایاس شده و همه رو اون گروه تشخیص داده! و چون تعداد گروه دیگه کم هست، خطای خیلی ناچیزی ایجاد میشه! مثلا یک گروه 10000 نمونه است، گروه دوم 100 تا!
2⃣ گام دوم: بررسی موراد سطح دوم
🟣آیا نشتی داده (data leakage) اتفاق افتاده؟
نشتی داده یعنی مدل در زمان آموزش به اطلاعاتی دست پیدا کرده که تشخیص هدف رو خیلی راحت کرده ولی در عمل همچین اطلاعاتی نخواهد بود و مدل خیلی بد عمل خواهد کرد. مثلا شما میخواهید سیستمی طراحی کنید که تشخیص بده یک بیمار به بیمارستان مجدد مراجعه خواهد کرد یا نه، اگر شما وضعیت بیمار رو به عنوان ویژگی بدهید، نشتی داده رخ خواهد داد.
نکته: در ارزیابی مدلهای یادگیری ماشین، مخصوصا در پروژه های سری زمانی، از روش random subsampling استفاده نکنید، چون منجر به دقت خیلی بالا میشه به خاطر data leakage، ولی در عمل دقت بسیار پایینی بدست خواهید آورد. همون روش k-fold cross validation که مورد تایید اکثر محققین است برای ارزیابی استفاده کنید.
✅ نسل بعدی پروتزها، انگشتان بایونیکی خواهند بود؛ انعطاف پذیرتر و کارآمدتر از دستهای مصنوعی!
💡ویژگیهای کلیدی این تکنولوژیها:
☑️ اتصال از راه دور: این انگشتان بایونیکی از دستگاههای پوشیدنی و غیرتهاجمی برای ارتباط با بدن استفاده میکنند که نیازی به عمل جراحی ندارند و همه افراد در هر سن و سالی میتونند از آن استفاده بکنند.
☑️ کنترل بیزحمت: سنسورهای پیشرفته و تکنولوژی بیسیم، سیگنالهای عصبی یا حرکات عضلانی را رمزگشایی کرده و به دستورات حرکتی دقیق تبدیل میکنند.
☑️ بازیابی استقلال عملکردی: این فناوری، انجام کارهای روزمره را برای افراد ممکن، ارتباط با محیط را تسهیل و کیفیت زندگی را ارتقاء میدهد.
☑️ تاثیر روانی مثبت: فراتر از بهبود عملکرد فیزیکی، این پروتزها اعتماد به نفس رو افزایش داده، سلامت روان رو تقویت کرده و کیفیت زندگی افراد رو به صورت معناداری ارتقاء میدهند.
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
💡صحبتهای آقای اختیاری* در مورد اهمیت تواناییهای شناختی
🔷امروزه همه تقریبا امکانات لازم برای ارتقاء خود دارند، دیگه مثل قبل نیست که شخصی به خاطر نبود امکانات به جایگاهی که میخواد نرسه.
🔷در دنیای امروزی محدودیتها به خود آدم رسیده! همه چی به خود فرد بستگی داره، اینکه چقدر یک فرد میتونه تمرکز و توجه خودش رو در رسیدن به هدفی که میخواد مدیریت کنه!
*
دکتر حامد اختیاری، عصبشناس شناختی و روانپزشک
☑️ تابع هزینه Cross-Entropy
◾️مناسب مسائل طبقه بندی
◽️جریمه بیشتر خطاهای با سطح اطمینان بالا
◾️قابلیت تعمیم برای داده های نامتعادل
☑️ تابع هزینه Hinge
◾️مناسب مسائل طبقه بندی
◽️مسائل max-margin همانند SVM
☑️ تابع هزینه MSE
◾️مناسب مسائل رگرسیون
◽️جریمه بیشترخطاهای زیاد
◾️حساس به داده های پرت
☑️تابع هزینه MAE
◾️مناسب مسائل رگرسیون
◽️جریمه یکسان خطاها
◾️مقاوم به داده های پرت
◽️ناتوانی در تولید خروجی های خاص
☑️ تابع هزینه Huber
◾️مناسب مسائل رگرسیون
◽️ترکیب دو تابع MSE و MAE
◾️مقاوم به دادههای پرت
◽️نیاز به تنظیم هایپرپارمتر
PDF
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme
🔥سرعت پیشرفت هوش مصنوعی
بالایی: ویدیو تولید شده توسط هوش مصنوعی در 2023.
پایینی: ویدیو تولید شده توسط هوش مصنوعی در 2025.
@Onlinebme
✅ جفری هینتون، که به «پدرخوانده هوش مصنوعی» شهرت داره، اخیرأ در مصاحبهای به تحولات عمیق آموزشی که توسط مدلهای هوش مصنوعی در راهه اشاره کرده و معتقده که در 10 سال آینده، مدرسهای خصوصی مبتنی بر هوش مصنوعی به سطحی از کارایی و دقت خواهند رسید که نه تنها آموزش سنتی را به چالش میکشند، بلکه در برخی حوزهها جایگزین آن خواهند شد!
💡ممکنه در آینده برای آموزش به دانشگاهها نیازی نباشه، اما در پرورش تفکر انتقادی و مهارتهای تحقیقاتی همچنان به بسترهای ساختار یافته و محیطی دانشگاهی نیازه.
💡هینتون توصیه میکنه که به جای صرفا یادگیری مهارتهای پایه مثل کدنویسی ابتدایی، دانشجویان باید بیش از پیش بر خلاقیت، حل مسئله بینرشتهای، و توانایی تولید ایدههای نو تمرکز کنند.
@Onlinebme
💡اهمیت این مطالعه در هوش مصنوعی و بینایی ماشین
🔷 در این آزمایش، الگوهای نوری روی صفحهای در جلوی گربه نمایش داده شده و در همین حین، فعالیت نورونها در قشر بینایی ثبت شدند. با این کار تونستند RF نورونها در مسیر بینایی رو ترسیم کنند.
🔷 در این آزمایش هاب و ویزل متوجه شدن که نورونهای زیادی به الگوهای خاصی از روشنایی و تاریکی، مثل نقاط، دایرهها و نوارها واکنش نشون میدن. همچنین نورونهایی پیدا کردن که به جهتگیری و حرکت محرکها حساس بودند. این یافته پایهی اصلی درک ما از سیستم بینایی شد.
مطالعهی هابل و ویزل باعث شد درک دقیقی از مسیر پردازش بینایی در مغز به دست بیاد و به خاطر همین مطالعه ی مهمشون برنده جوایز مهمی از جمله جایزه نوبل پزشکی در سال 1981 شدند.
💡این پژوهش پایهگذار پیشرفتهای بزرگی در بینایی ماشین شد. بعدها، الگوریتم HMAX توسط Riesenhuber و Poggio و شبکههای عصبی کانولوشن (CNN) با الهام از همین مسیر بینایی مغز توسط Yann LeCun و همکاران طراحی شده و باعث انقلاب در هوش مصنوعی و بینایی کامپیوتری شدند.
@Onlinebme
⚠️همیشه درک ما با واقعیت همسو نیست!
نور نقش مهمی در درک رنگها داره، اما این فقط مربوط به رنگ نیست. این پدیده شامل تأثیر متقابل میدانهای گیرندهی نورونها (receptive fields) روی یکدیگر و همچنین سازگاری (adaptation) در سطح نورونهاست.
🔍 توهمات بصری چیزهای زیادی دربارهی عملکرد شبکیهی عصبی و سیستم بینایی به ما یاد دادند و کمک زیادی به درک نحوهی پردازش اطلاعات تصویری در مغز کردند.
Andrew Huberman
💡هر دو بخش یک رنگ هستند، انگشتتون رو روی خط وسط قرار بدید و مجدد بررسی کنید.
میدان گیرنده (Receptive Field) چیه؟
میدان گیرندهی یک نورون، ناحیهای از فضاست که محرکهای بینایی در اون میتونن نرخ شلیک نورون (firing rate) رو تحت تأثیر قرار بدن.
حساسیت نورونها به حرکت، بستگی زیادی به ویژگیهای فضایی receptive field شون داره؛ مثل اندازه، شکل و نواحی فرعی RF
رایج ترین خطایی هم که مدلها داشتند، logic یا خطای منطقی بوده، یعنی مدلها ادر اثبات روابط از استدلال اشتباه یا ناقص استفاده میکردند، یا دلایل غلط میاوردند و یا اثباتهای قبلی رو اشتباه تفسیر میکردند.
💡کمترین خطا رو هم برای حل روابط جبری و حسابی داشتند.👌
@Onlinebme
🔘 ناکارآمدی هوش مصنوعی در ریاضیات🧐
💡همانطور که یان لیکان* باور دارد ، مدلهای زبانی بزرگ (LLMها) فعلا نمیتونند المپیاد جدید ریاضی رو شکست بدهند.
🔷 یه مطالعه جدید به اسم «اثبات یا بلوف؟ بررسی عملکرد LLMها در المپیاد ریاضی آمریکا ۲۰۲۵» نشون میده که حتی بهترین مدلهای هوش مصنوعی توی سوالات جدید المپیاد کمتر از %5 نمره گرفتن ( با اینکه توی سوالات قدیمی که قبلاً "دیده بودن" یا روشون آموزش دیده بودن، عملکرد خوبی داشتند).
💡نتیجه چیه؟ این مدلها بیشتر به حفظ کردن تکیه دارن تا استدلال واقعی. برای کارهای تکراری یا آشنا خوبن، ولی هنوز نباید بهشون لقب "ابرهوشمند" بدیم. انگار این مدلها فعلا بیشتر برای شناسایی الگو خوب هستند تا درک واقعی و استدلال
*
لیکان کسی هست که شبکههای عصبی کانولوشنی یا همون CNNها رو به دنیا معرفی کرد (یه مدل انقلابی که مغز کامپیوترها رو به چشمی هوشمند تبدیل کرد!). الان هم استاد دانشگاه نیویورک و مدیر ارشد هوش مصنوعی توی شرکت متا (فیسبوک سابق) هست.🔘لینک مقاله
🔷 وقتی یک نورون فعال میشه، یک فعالیت الکتریکی از طریق آکسون ها ارسال شده و باعث آزادسازی نوروترنسمیترها در فضای سیناپسی (synaptic gap) میشه!
🔷 این مولکلها به گیرنده های نورونهای همسایه متصل میشن و باعث ایجاد یک پاسخ در نورون همسایه شده و در نتیجه آن سیگنال تولید شده به نورونهای دیگر منتقل میشه.
🔷 در طول زمان، این ارتباطات مداوم بین نورنها باعث تقویت اتصالات سیناپسی بین نورونها میشه، فرایندی که به آن انعطافپذیری سیناپسی گفته میشه.
🔷 این روند برای یادگیری، شکل گیری حافظه، توانایی مغز در سازگاری با اطلاعات جدید یا بهبود بعد از یک آسیب بسیار حیاتی هست.
💡 شکل گیری یک سیناپس جدید، نه تنها باعث رهاسازی نوروترنسمیترها میشه، بلکه باعث رشد فیزیکی و شاخه دار شدن (ایجاد دندریت ها و آکسون جدید) در ساختار نورونها میشه.
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme