🧠 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

لکس فریدمن از ایلان ماسک می‌پرسه اگه به AGI دست پیدا شه، چه سوالی ازش می‌پرسی و ماسک هم می‌گه: خارج از شبیه‌ساز چی هست؟

پ.ن: ایلان ماسک عمیقاً معتقده که ما داخل یک شبیه‌سازی زندگی می‌کنیم و سال‌ها تلاش کرده تا بفهمه محیط خارج از این محیط چطوره

@NeuralComputations

در روزهای مردادِ بارانی گیلان
با دلی پر گشته از غم و اندوه
اما امیدوار ،امیدوار ،امیدوار
@NeuralComputations

Jarvic.ai/playground

خیلی از چت بات هارو رایگان داره و کاملا امن هست،پاسخگوییش به زبان فارسی هم خیلی خوبه

@NeuralComputations

گوگل تو مراسم رونمایی از اسمارت فون های جدیدش از قابلیت Add Me رونمایی کرد که این امکان رو به عکاس میده که خودش هم تو تصویر حضور داشته باشه

@NeuralComputations

فصل ۱تا۴ گلدشتاین خدمت بچه های علوم شناختی
فصلای بعدشم به مرور میزارم

@NeuralComputations

#کنکور_علوم_شناختی

📚 کتاب How to Build a Brain نوشته Chris Eliasmith   به تلاقی علوم اعصاب، هوش مصنوعی و علوم شناختی می پردازد. این کتاب چارچوبی جامع برای ساختن یک مغز کارآمد، با ترکیب اصول زیست‌شناسی و علوم کامپیوتر ارائه می‌کند.


نویسنده معماری اشاره گر معنایی (SPA) را معرفی می کند، یک رویکرد جدید برای درک عملکرد مغز که فرآیندهای شناختی را به روشی قابل قبول بیولوژیکی مدل می کند. این کتاب توضیح می‌دهد که چگونه می‌توان از SPA برای شبیه‌سازی جنبه‌های مختلف شناخت انسان، مانند حافظه، استدلال، ادراک و تصمیم‌گیری استفاده کرد. ایشان  همچنین مفاهیم عملی این مدل را مورد بحث قرار می دهند و چگونگی کمک به پیشرفت در هوش مصنوعی و رباتیک را بررسی میکند

@NeuralComputations

از منابع کنکور علوم شناختی
کتاب درامدی بر ذهن (چاپ ۸)
نوشته پاول تاگارد
کتاب "درامدی بر ذهن" نوشته پاول تاگارد، یکی از آثار مهم در زمینه روان‌شناسی و فلسفه ذهن است. تاگارد در این کتاب به بررسی فرآیندهای شناختی و نحوه عملکرد ذهن انسان می‌پردازد. او تلاش می‌کند تا با استفاده از نظریه‌های علمی و شواهد تجربی، به درک بهتری از چگونگی شکل‌گیری افکار، احساسات و رفتارها بپردازد.

از جمله موضوعاتی که در این کتاب مطرح می‌شود، می‌توان به موارد زیر اشاره کرد:

1. مدل‌های شناختی: تاگارد به بررسی مدل‌های مختلف شناختی و چگونگی کارکرد آنها در پردازش اطلاعات می‌پردازد.
2.تأثیرات عاطفی: او نقش احساسات و عواطف را در تصمیم‌گیری‌ها و فرآیندهای شناختی مورد بررسی قرار می‌دهد.
نظریه‌های یادگیری: تاگارد به تبیین نظریه‌های یادگیری و چگونگی تأثیر آنها بر شکل‌گیری دانش و تجربه انسانی می‌پردازد.
مسائل فلسفی: او همچنین به مسائل فلسفی مرتبط با ذهن، خودآگاهی و ارتباط بین ذهن و بدن می‌پردازد.
#کنکور_علوم_شناختی

@NeuralComputations

👩‍🎓 مطالب مورد نیاز برای آشنایی با هوش‌مصنوعی، دیتاساینس و ماشین‌لرنینگ

توی این فایل یه دسته‌بندی کلی از مطالبی که برای آشنایی با حوزه‌های هوش مصنوعی، دیتاساینس و ماشین‌لرنینگ نیازه هستش و مطالب از مفاهیم بیسیکی مثل معرفی این حوزه‌ها شروع می‌شه و بعد وارد مفاهیم عمیق‌تری مثل شبکه‌های عصبی، کامپیوتر ویژن و... میشه میتونید با کلیک روی هر مورد مطلب رو کامل مطالعه کنید

@NeuralComputations

https://data-carrer-guide.onrender.com/
این چت بات عالیه برای کسایی که میخوان دیتاساینس ، ماشین لرنینگ یا هوش مصنوعی یاد بگیرن
اینجوریه که میتونید برید شرایط خودتون براش توضیح بدید و خواسته تونو بگید که طبق همون بهتون کورس معرفی کنه
البته که میتونه برای پروژه‌هاتون هم بهتون ایده بده

@NeuralComputations

کمی توضیحات راجع به مهندسی عصبی (Neuroengineering) و تصویربرداری عصبی (Neuroimaging) که خودم خیلی دوسشون دارم🙂‍↔️

🧠مهندسی عصبی (Neuroengineering)

تعریف:
مهندسی عصبی یک حوزه بین‌رشته‌ای است که علم مهندسی و علوم اعصاب را ترکیب می‌کند. هدف این رشته طراحی و توسعه سیستم‌ها و فناوری‌هایی است که با سیستم عصبی انسان یا حیوانات تعامل دارند.

کاربردها:
1. پروتزهای عصبی: طراحی پروتزهایی که می‌توانند به صورت مستقیم از سیگنال‌های مغزی کنترل شوند و به افراد با ناتوانی‌های حرکتی کمک کنند.
2. تحریک مغز: استفاده از تکنیک‌هایی مانند تحریک مغناطیسی مغز (TMS) برای درمان اختلالات روانی و عصبی.
3. سیستم‌های بازخورد: طراحی سیستم‌هایی که به بیماران اجازه می‌دهند تا با استفاده از سیگنال‌های مغزی خود، حرکات خاصی انجام دهند یا دستگاه‌ها را کنترل کنند.

چالش‌ها:
- فهم دقیق سیگنال‌های مغزی
- ایمنی و سازگاری دستگاه‌ها با بدن انسان
- مسائل اخلاقی مرتبط با دسترسی به اطلاعات مغزی

🧠تصویربرداری عصبی (Neuroimaging)

تعریف:
تصویربرداری عصبی به مجموعه‌ای از تکنیک‌ها اشاره دارد که به ما اجازه می‌دهند فعالیت و ساختار مغز را مشاهده و تحلیل کنیم. این تکنیک‌ها به ما کمک می‌کنند تا بفهمیم چگونه مغز اطلاعات را پردازش می‌کند.

روش‌های اصلی:
1. fMRI (تصویربرداری تشدید مغناطیسی عملکردی): این روش به ما امکان می‌دهد تا تغییرات در جریان خون مغز را مشاهده کنیم که نشان‌دهنده فعالیت‌های مغزی است.
2. EEG (الکتروانسفالوگرافی): با قرار دادن الکترودهایی بر روی پوست سر، این روش فعالیت الکتریکی مغز را ثبت می‌کند.
3. MEG (مگنتوانسفالوگرافی): مشابه EEG است، اما به جای ثبت فعالیت الکتریکی، میدان‌های مغناطیسی ناشی از فعالیت نورون‌ها را اندازه‌گیری می‌کند.

کاربردها:
- تشخیص بیماری‌های عصبی
- مطالعه فرآیندهای شناختی و رفتار
- پیش‌بینی و ارزیابی درمان‌های مختلف

چالش‌ها:
- هزینه‌های بالا
- نیاز به تجهیزات پیشرفته
- تفسیر داده‌های پیچیده

👩🏻‍💻نتیجه‌گیری
ترکیب مهندسی عصبی و تصویربرداری عصبی به ما این امکان را می‌دهد که درک عمیق‌تری از عملکرد مغز پیدا کنیم و فناوری‌هایی را توسعه دهیم که می‌توانند زندگی افراد را بهبود بخشند. این دو حوزه به ویژه در درمان بیماری‌های عصبی و ناتوانی‌های حرکتی نقش بسزایی دارند.

@NeuralComputations