#سوال_شما
‌                                                 ‌ ‌‌‌    ‌
سلام عزیزم. شبت بخیر. من خیلی آماتورم در مسیر علوم شناختی.
می‌خواستم ازت راجع به ارتباط و کاربرد هوش مصنوعی و ماشین‌لرنینگ و ... توی نوروساینس بپرسم.
یعنی یادگیری این مهارت‌ها، چه آورده‌ای داره برای کسی که نوروساینس و شناختی کار می‌کنه؟

#پاسخ_من


‌                                  سلام جانم
ما دوتا مسئله داریم اینجا
یکی علوم شناختی هستش
یکی هم هوش مصنوعی
من راجع به هوش مصنوعی بگم که هیچ حوزه‌ای درجهان نمیتونه درمقابل هوش مصنوعی مقاومت بکنه و نخواد ازش استفاده کنه و همچنین درابعاد کوچیک ترافراد هستند
اگر ما بخوایم که پیشرفت کنیم توکارمون و هرحوزه ای که هستیم مجبوریم وارد دنیای جذاب هوش مصنوعی بشیم غیرازین غیرممکن میشه درآینده
علوم شناختی هم همینه شما میتونی کاردرمان بکنی ولی بدون نه چندان پیشرفت میکنی توکارت نه اینده جایی برای پیشرفت برات هست چرا که درمان و استفاده از تکنولوژی باید در یک راستا قرار بگیرند
علوم شناختی چون میان رشته‌ای هست شما میتونی تو فیلدهای مختلفی کار کنی حالا کاربردش توماشین لرنینگ چیه ماشین لرنینگ میاد مثلا یک سری دیتاست میگیره(مجموعه‌ای از دیتا)مثلا دیتا بیمار مبتلابه آلزایمر یا ADHDیاهر اختلال شناختی دیگه
مااین مجموعه دیتااز بیماران جمع کردیم میایم با استفاده از الگوریتم های ماشین بهش یاد میدیم که مثلا یکباری یکی اومد با فلان مشخصات تو تشخیص میدی که فلانی مبتلا به adhdیا آلزایمره تو مدلای پیشرفته ترش همونطور که میشنویم هرزگاهی میگن از ۱۰ سال قبل مثلا فلان اختلال قابل پیش بینی میشه با فلان متد مثلا خب همین باعث میشه روند درمان سریعتر آغاز بشه و دیگه بیماری عود نکنه این فقط یک مثال ساده راجع به کاربرد ماشین لرنینگ و هوش مصنوعی توی علوم شناختی هستش 

 @NeuralComputations
‌                                                

تصمیم گرفتم سوالات خوبی که توبات ازم میپرسید
با پاسخی درحد دانشم که بهتون میدم اینجاهم بزارم
ممنون میشم دوستان عزیز و باسواد تراز من اینجا هم توحوزه شناختی هم هوش مصنوعی هستن نظری داشتن بگن ❤️

https://maktabkhooneh.org/course/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D8%B1%D8%A7%DB%8C%DA%AF%D8%A7%D9%86-%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%B9%D8%B5%D8%A7%D8%A8-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-mk744/%D9%81%D8%B5%D9%84-%D8%A7%D9%88%D9%84-%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%B9%D8%B5%D8%A7%D8%A8-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-ch2077/%D9%88%DB%8C%D8%AF%DB%8C%D9%88-%D9%85%D9%82%D8%AF%D9%85%D9%87-%D8%AF%D8%B1%D8%B3-%D8%B3%D8%B1%D9%81%D8%B5%D9%84-%D9%86%D8%AD%D9%88%D9%87-%D8%A7%D8%B1%D8%B2%DB%8C%D8%A7%D8%A8%DB%8C/

کورس رایگان علوم اعصاب محاسباتی از اساتید کامپیوتر دانشگاه تهران


@Neouroscienc

‌                                                 ‌ ‌‌‌    ‌
سلام سارا. شبت بخیر. ممنون بابت مطالب خوب کانالت.
می‌خواستم بپرسم اگر بخوای یک شروع برای مسیر یادگیری هوش مصنوعی معرفی کنی، چیه؟
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _

خیلی خلاصه و مفید یه رودمپ از هوش مصنوعی میزارم و از کلی گویی هم اجتناب میکنم فرض براین میزارم کسی که دنبال رودمپه هوشه خودش قبلا مطالعاتی داشته دراین مورد و من اینجا فقط پلن خودمو میزارم (از صفرالبته)
یه پلن ۹ ماهه هوش مصنوعی

📍ماه اول تا سوم
☑️مبانی ریاضی(مبانی جبرخطی،آمارو احتمال [معنی داری آماری،توزیع،رگرسیون لجستیک و خطی ]
☑️برنامه نویسی(مبانی برنامه نویسی و زبان برنامه نویسی پایتون)
☑️Data science( کورس های دیتاساینس کمی ببینید تا با تحلیل و دستکاری داده آشنابشید ترجیحا یه دیتاست بردارید باهاش سروکله بزنید، لازمه کتابخانه های pandas,numpyیاد بگیرید)

📍ماه چهارم تا ششم
☑️مبانی تئوری هوش مصنوعی
☑️ماشین لرنینگ(و پکیج هایی مثل tensorflow,keras

📍ماه هفتم تا نهم
☑️یادگیری عمیق(deep learning)
☑️مبانی mlops(پیاده سازی قواعد Devopsتو سیستم های یادگیری ماشین )
و درنهایت میتونید دریک حوزه تخصص پیدا کنید مثل،پردازش زبان طبیعی ،بینایی کامپیوتر،یادگیری تقویتی

💡اینم بگم که هرکدوم از حوزه های ذکرشده بااین علامت☑️خودشون یه دنیایین میتونید توی هرکرکدوم که خواستید مهارت کسب کنید و کار کنید, فقط ترتیب اینها باید رعایت بشه

این روال میتونه با توجه به زمینه‌ و دانشتون و زمانتون که دارید و ازهمه مهم تر پشتکارتون کوتاه تربشه و همچنین طولانی تر، بستگی به شرایط خودتون داره
امیدوارم بتونم کمک کرده باشم ، بتونید شروع کنید و موفق باشید❤️

@Neouroscienc

سه مجموعه آموزش خوب برای شروع کار توی حوزه علم داده:

- Machine Learning for Beginners

- Data Science for Beginners

- Artificial Intelligence for Beginners


@NeuralComputations

آموزش شبکه های عصبی در 5 جلسه خدمت شما
مدرس:دکتر مهدی اله یاری

@NeuralComputations

آموزش شبکه های عصبی. جلسه۱
مدرس: دکتر مهدی اله یاری
#Neural_Network


@NeuralComputations

آموزش شبکه های عصبی. جلسه2
مدرس: دکتر مهدی اله یاری
#Neural_Network

@NeuralComputations

آموزش شبکه های عصبی. جلسه3
مدرس: دکتر مهدی اله یاری
#Neural_Network


@NeuralComputations

آموزش شبکه های عصبی. جلسه4
مدرس: دکتر مهدی اله یاری
#Neural_Network

@NeuralComputations

آموزش شبکه های عصبی. جلسه5 . جلسه پایانی
مدرس: دکتر مهدی اله یاری
#Neural_Network

@NeuralComputations

نوبتی هم باشه نوبت منابع کنکوری برای عزیزای علوم شناختی هستش
بزودی برای این بچه ها منابع خوبی میزارم که قول میدم جایی نمیتونی پیداش کنی
بیشتراز ۵۰ تا مایند مپ دارم که خودم نوشتمش وهمینطور پی دی اف کتاب‌ها خلاصه هرمنبعی که دارم ومیدونم برای کنکوری ها مفیده💙
@Neouroscienc

وقتی که جنین از کیسه ی آب بیرون میاد❤

اونقدر بابت دیدنش ذوق کردم که خواستم شماهم ببینید🫠☺️
@Neouroscienc

مطالعه جدید: اضطراب ۲۰ سالگی، در ۴۰ سالگی عملکرد شناختی را کاهش می‌دهد

مطالعه جدید در دانشگاه کالیفرنیا سانفرانسیسکو نشان می‌دهد که جوانانی که دارای سطوح بالاتر اضطراب هستند که با چاقی، عدم تحرک بدنی، بیماری مزمن، استرس و سیگار کشیدن مرتبط است، ممکن است دچار کاهش عملکردهای شناختی خود در میانسالی شوند.

محققان قبلاً اضطراب بالاتر در افراد مسن را با زوال عقل مرتبط می‌دانستند. اما این یکی از اولین مطالعاتی است که اضطراب در اوایل بزرگسالی را با توانایی‌های شناختی پایین‌تر در میانسالی مرتبط می‌کند.
@Neouroscienc

🧠 سیستم عصبی انسان، مغزها و ماشین‌ها

● اینترفیس‌های مغز-کامپیوتر
● ترجمه و زیرنویس از نادیه افشاری

00:20 پیشینۀ "خوزه دلگادو" با "بی‌سی‌آی"ها
00:40 استفاده از "بی‌سی‌آی" برای کاهش پرخاشگری
00:57 چگونه مغز و سلول‌های عصبی کار می‌کنند
03:00 تحریک ناحیه‌های مغز (قشر حرکتی)
03:51 "آرایه‌های یوتا" چگونه کار می‌کنند
05:17 اندازه گیری بیشینه‌های ولتاژ
06:06 چگونه "نورالینک اِن وان" کار می‌کند
08:20 چگونه اِستنت‌ترود،تولیدی شرکت سینکرون، کار می‌کند
09:39 آیندۀ اسکلت‌های بیرونی
09:55 آیا ما خودمان، به ماشین تبدیل می‌شویم؟

@NeuralComputations

کتاب علوم اعصاب شناختی (ویرایش 4 _ 2018)
ماری بنیچ و ربکا کامپتون

Cognitive Neuroscience
Marie T. Banich & Rebecca J. Compton (2018)

@NeuralComputations

Programming-Hub-Pro-5.2.21.apk

*اندروید
👩🏻‍💻ویژگی‌های برنامه:
● آموزش هوشمندانه و مرحله به مرحله برنامه نویسی
● یادگیری در قالب آموزش ها و بازی هایی سرگرم کننده
● پشتیبانی از انواع زبان های برنامه نویسی نظیر CSS، VB.net، Swift، C# (C Sharp)، Python و … (20 زبان متنوع)
● دوره های آموزشی تعاملی برای یادگیری هر چه بهتر مطالب
● بیش از 5 هزار کد از پیش تعیین شده
● تصاویر مبتنی بر مفهوم
● جست و جوی سریع کد های مورد نظر

@NeuralComputations

🔬 انواع شبکه‌های عصبی در پژوهش‌های پروتئین

در اینجا نگاهی داریم به انواع مختلف شبکه‌های عصبی و حوزه‌های پژوهشی مربوط به آنها در زمینه پروتئین:

- DNN: ساختار پروتئین

شبکه‌های عصبی عمیق (Deep Neural Networks) برای تجزیه و تحلیل و پیش‌بینی ساختار سه‌بعدی پروتئین‌ها استفاده می‌شوند. این شبکه‌ها با یادگیری از داده‌های بزرگ می‌توانند ساختارهای پیچیده پروتئینی را به دقت شناسایی کنند.

- RNN: ساختار پروتئین، طبقه‌بندی پروتئین

شبکه‌های عصبی بازگشتی (Recurrent Neural Networks) به دلیل توانایی‌شان در پردازش توالی‌ها، برای مدل‌سازی و طبقه‌بندی توالی‌های اسیدهای آمینه در پروتئین‌ها به کار می‌روند. این شبکه‌ها می‌توانند اطلاعات قبلی را به خاطر بسپارند و به همین دلیل برای تحلیل داده‌های ترتیبی بسیار مفید هستند.

- شبکه عصبی اصلاح شده: ساختار پروتئین

نسخه‌های بهبود یافته شبکه‌های عصبی شامل تغییرات و بهینه‌سازی‌هایی هستند که دقت پیش‌بینی ساختار پروتئین‌ها را افزایش می‌دهند. این بهبودها می‌تواند شامل تغییرات در معماری شبکه یا روش‌های یادگیری باشد.

- شبکه عصبی پیچشی: عملکرد پروتئین، پیش‌بینی اتصال DNA-پروتئین

شبکه‌های عصبی پیچشی (Convolutional Neural Networks) برای تشخیص الگوها و ساختارهای محلی در داده‌های تصویری به کار می‌روند. در زمینه پروتئین‌ها، این شبکه‌ها برای پیش‌بینی عملکرد پروتئین و تعاملات بین پروتئین و DNA استفاده می‌شوند.

- FNN: طبقه‌بندی اسیدهای آمینه

شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks) ساده‌ترین نوع شبکه‌های عصبی هستند که برای دسته‌بندی و شناسایی اسیدهای آمینه در پروتئین‌ها به کار می‌روند. این شبکه‌ها از طریق یادگیری از داده‌های ورودی و خروجی به مدل‌سازی می‌پردازند.

- PNN: پیش‌بینی تعامل پروتئین-پروتئین

شبکه‌های عصبی احتمالی (Probabilistic Neural Networks) برای پیش‌بینی نحوه تعامل پروتئین‌ها با یکدیگر طراحی شده‌اند. این شبکه‌ها از تکنیک‌های آماری برای پیش‌بینی ارتباطات بین پروتئین‌ها استفاده می‌کنند.

- ANN: پیش‌بینی مکان زیرسلولی پروتئین

شبکه‌های عصبی مصنوعی (Artificial Neural Networks) برای تعیین موقعیت‌های زیرسلولی پروتئین‌ها در سلول استفاده می‌شوند. این شبکه‌ها می‌توانند با تحلیل ویژگی‌های پروتئینی، مکان‌های احتمالی آنها را در سلول پیش‌بینی کنند.

- شبکه عصبی پرسپترون چندلایه (NN): پیش‌بینی اختلال پروتئین

شبکه‌های عصبی پرسپترون چندلایه (Multilayer Perceptron) برای شناسایی و پیش‌بینی اختلالات در پروتئین‌ها به کار می‌روند. این شبکه‌ها می‌توانند اختلالات ساختاری و عملکردی پروتئین‌ها را با دقت بالا شناسایی کنند.

- شبکه عصبی شعاعی: ساختار پروتئین

شبکه‌های عصبی شعاعی (Radial Basis Function Networks) برای تجزیه و تحلیل ساختار پروتئین‌ها با دقت بالا استفاده می‌شوند. این شبکه‌ها از توابع پایه شعاعی برای مدل‌سازی استفاده می‌کنند که در نتیجه دقت پیش‌بینی‌ها را افزایش می‌دهد.

- شبکه عصبی چندوظیفه‌ای (MNN): مدل چندکاره برای QSAR

شبکه‌های عصبی چندوظیفه‌ای (Multitasking Neural Networks) برای مدل‌سازی روابط کمّی بین ساختار و فعالیت پروتئین‌ها (QSAR) استفاده می‌شوند. این شبکه‌ها می‌توانند به طور همزمان چندین وظیفه مختلف را انجام دهند و اطلاعات جامع‌تری را فراهم کنند.

@NeuralComputations

استاد ایرانی فاند دار در رشته علوم شناختی در مقطع پست داک، آمریکا

Dr. Mehrdad Jazayeri
Research areas:
Brain-mind connection
Brain signal analysis
Computational neuroscience
Cognitive modeling

https://bcs.mit.edu/directory/mehrdad-jazayeri

@Scholarshiphubir