شرکت در جلسات نیازمند پیش‌نیاز خاصی نیست و برای گروه‌های مختلفی از افراد مفید خواهد بود:

۱. افرادی که علاقه‌مند به درک بیشتر مبانی ریاضیاتی مفاهیم مطرح‌شده، تفاوت‌ها و محدودیت‌های روش‌ها از دیدگاه تحلیلی هستند.

۲. کسانی که به دنبال کاربرد این روش‌ها و برنامه‌نویسی آن و استفاده از آن‌ها برای تحلیل داده‌های بزرگ می‌باشند.

۳. بسیاری از مثال‌های عملی که بررسی خواهیم کرد مرتبط با سیگنال‌های زیستی است؛ با این حال، مفاهیم پایه این کارگاه برای همه علاقه‌مندان به ریاضیات کاربردی مفید خواهد بود.

در طول کارگاه، تلاش خواهم کرد تا مفاهیم را تا جای ممکن به ساده‌ترین شکل ممکن توضیح دهم.

این کارگاه آموزشی برای افرادی طراحی شده است که با دیتاست‌های بزرگ و چندبعدی در حوزه‌های مختلف مانند علوم اعصاب، ژنتیک، اجتماعی و روانشناسی کار می‌کنند. کارگاه برای افراد با سطوح مختلف تخصص و علاقه‌مند به یادگیری عمیق این مفاهیم طراحی شده است. در این دوره، تلاش شده است تا مفاهیم بنیادین این حوزه‌ها به طور دقیق بررسی شوند تا شرکت‌کنندگان بتوانند درک عمیقی از ریاضیات پایه این مفاهیم کسب کنند. همچنین، مطالب به گونه‌ای ساده‌سازی شده‌اند تا دسترسی به درک خوبی از هر موضوع فراهم آید.

کارگاه شامل مثال‌های متنوعی در حوزه‌های گوناگون است؛ برای مثال، بررسی اهمیت فاکتورهای مختلف در میزان شادی افراد، کشف الگوهای فعالیت نورونی در مجموعه‌ای از نورون‌ها، یا شبکه‌های ژنی و غیره. هدف از این کارگاه آن است که شرکت‌کنندگان نه تنها محتوای این رویکردها را به طور عمیق یاد بگیرند بلکه در استفاده از آنها نیز خلاق باشند. برای هر متد، انواع مختلفی از مثال‌ها طراحی شده‌اند. همچنین پیش‌فرض‌ها، محدودیت‌ها و بایاس‌های هر متد مورد بررسی قرار گرفته و تفاوت‌ها و شباهت‌های متدها نیز بحث شده است.

بسیاری از این متد ها هر چند در منابع دیگه جداگانه آموزش داده میشه اما از یک مجموعه مبانی ریاضیاتی پایه ای بدست میاد. در نتیجه سعی کردم در ریاضیات هم ارتباط متدهای مختلف رو بحث کنم.

#neurosyntax #matrixdecomposition

یادآوری

نخستین جلسه کارگاه تجزیه ماتریس ها، امروز ساعت 18 به وقت تهران برگزار خواهد شد. دومین جلسه یکشنبه (فردا) همین ساعت خواهد بود. مدت زمان هر جلسه بین 2 تا 3 ساعت.

جلسه نخست کارگاه Matrix Decomposition

Youtube link

موضوعات:

Discover patterns in nature and explain them
Patterns
Observation and data structure
Discover patterns in high-throughput datasets
High-dimensional data spaces
Vectors, Matrix, Linear Operations
Dot product, cosine similarity, covariance, correlation
Linear transformations

_________________________________________
_________________________________________

CHAPTERS:

00:00 #1. Introduction
02:50 #2. Discover patterns in nature and explain them
15:30 #3. High-dimensional data spaces
26:53 #4. Vector
54:11 #5. Matrix
01:08:38 #6. Linear Transformations
01:28:07 #7. Summary

دوستان خواهشمندم ویدیوهای یوتیوب رو نشر بدید تا بیشتر دیده بشه. و اینکه اگر در یوتیوب مارو دنبال میکنید کامنت بذارید.

#neurosyntax #video #matrixdecomposition

جلسه دوم کارگاه Matrix Decomposition

موضوعات:
Youtube link


Eigendecomposition and Principal Component Analysis:
Correlation spaces,
Covariance and correlation matrix
Eigendecomposition
Interpreting PCA output
Dimensionality Reduction
PCA Assumptions and Limitations

________________________________________________
________________________________________________

CHAPTERS:

00:00 #1. Session 1 summary
01:16 #2. Magnitude of a vector
05:50 #3. Patterns and Correlation Spaces
21:08 #4. Compute Covariance Matrix
31:10 #5. Principal Component Analysis
41:38 #6. Eigendecomposition
55:13 #7. Explained Variance
01:00:32 #8. Dimensionality Reduction
01:27:27 #8. Truncation
01:32:07 #9. Marchenko-Pastur Distribution
01:37:23 #10. PCA Uniqueness
01:39:40 #11. PCA assumptions and limitations


#neurosyntax #video #matrixdecomposition

دیدگاه های خودتون درباره دو جلسه نخست کارگاه تجزیه ماتریس ها رو میتونید در بخش کامنت های این پست بفرستید. سفر طولانی ای در پیش رو داریم و نگاه های شما به من کمک میکنه که بهتر بدونم از چه بخش های مسیر بیشتر باید عبور کنیم. سپاس