💡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

🔷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

📢 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

✅ 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

☑️ 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

🔥سرعت پیشرفت هوش مصنوعی

بالایی: ویدیو تولید شده توسط هوش مصنوعی در 2023.
پایینی: ویدیو تولید شده توسط هوش مصنوعی در 2025.
@Onlinebme

✅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

☑️ 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

✅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

✅ 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

✅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

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@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

با کمال تأسف مطلع شدم که پروفسور سایمون هیکین (Simon Haykin) در تاریخ ۱۳ آوریل ۲۰۲۵ درگذشتند.
امیدوارم روحشون در آرامش باشه🌹❤️🙏

@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

💡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