🔻 واکسن های کرونا، خوب یا بد؟

🚨 زمان مطالعه: ۱ دقیقه

🔗 #پزشکی
🔗 #مقاله

🔺 توی دوران اوج COVID-19 صحبت‌های زیادی می‌شد که تزریق واکسن‌ها بر ارگان‌های مختلف بدن اثر سوء می‌ذارن و همین باعث شد که بسیاری از جوامع و افراد از تزریق واکسن خودداری کنن.

🔹 توی این مقاله که پژوهشگران ترکیه‌ای نزدیک ۲۰ روز پیش چاپ کردن، تاثیر تزریق واکسن Sinovac بر پارامترهای بینایی افراد واکسینه شده بررسی شده.

🔺 توی این مطالعه پارامترهای مختلف بینایی افراد واکسینه شده و غیرواکسینه با استفاده از تصاویر OCT اندازه‌گیری شده که نتیجه اون جالب بود:

🔖 یک هفته بعد از تزریق، برخی از پارامترها مثل ضخامت لایه کورویید و فیبرهای عصبی لایه رتین افزایش پیدا کردن، اما بعد از یک ماه به حالت نرمال برگشتن.
🔖 سایر پارامترها تغییر چشمگیری نسبت به افراد غیرواکسینه نداشتن.
🔖 به طور کلی آنالیزهای آماری تفاوت چندانی رو بین دو گروه نشون نمی‌دادن.

🔺 از این نتایج می‌تونیم نتیجه بگیریم که این واکسن‌ها حداقل شاید روی سیستم بینایی اثرات تخریب‌کننده برگشت‌ناپذیر نداشتن!

🔹 اما همچنان تحقیقات بیشتری برای رو‌شن کردن باقی ابعاد موضوع لازمه.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

📕 تاثیر میکروبیوم روده بر رتینوپاتی دیابتی

🚨 زمان مطالعه: ۲ دقیقه

🔗 #مقاله
🔗 #پزشکی

🔺 در مقاله‌ای که چهار روز پیش پژوهشگران هندی چاپ کردن، به تاثیر دیس‌بیوز میکروبیوم روده‌ای بر ایجاد و پیشرفت رتینوپاتی در بیمارای دیابتی پرداخته شده.

🔺 توی این مطالعه افراد به سه گروه سالم (HC)، دیابتی بدون رتینوپاتی (DM) و دیابتی با رتینوپاتی (DR) تقسیم شدن و پروفایل میکروبیوم روده و زلالیه اون‌ها به وسیله‌ی سنجش 16sRNA بررسی شده.

🔹 در نهایت نتایج نشون دادن که سویه‌های میکروبی که خاصیت ضدالتهابی داشتن توی این محل‌ها، کم و سویه‌هایی که خاصیت پاتوژن و التهابی داشتن افزایش پیدا کردن.

🔺 البته این انواع میکروب‌های تغییریافته توی چشم و روده شباهت بالایی با همدیگه نداشتن، اما با این وجود ممکنه بر همدیگه تاثیر داشته باشن. حالا از چه طریقی؟

🔹 فرضیه‌ای که مطرح شده اینه که دیس‌بیوز روده منجر به القای هایپرگلایسمی و شروع پروسه دیابت می‌شه،

🔺 از طرف دیگه همین هایپرگلایسمی باعث اختلال در تمامیت سد روده‌ای می‌شه و ورود متابولیت‌های التهابی به خون منجر به تحریک سیستم ایمنی و متعاقبا شکست سد چشمی-خونی و دیس‌بیوز زلالیه می‌شه!

🔺 بنابراین یک کانسپت جدیدی که توی این مورد می‌تونه شکل بگیره محور روده-چشم هست که البته برای روشن‌سازی اون به تحقیقات وسیع‌تری نیاز هست.

🔺 عکس بالا هم خلاصه نتایج این مقاله‌ست که می‌تونین بهش نگاه بندازین 😉

🔖 لینک مقاله:
🔗 https://journals.lww.com/ijo/abstract/9900/gut_and_intraocular_fluid_dysbiosis_in_people_with.307.aspx

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 دنیای ترنسفورمرها، آغاز واقعی هوش مصنوعی

🚨 زمان مطالعه: ۲ دقیقه و نیم

🔗 #مقاله
🔗 #مهندسی
🔗 #هوش‌مصنوعی

🔺 چند سالی می‌شه که دنیای هوش مصنوعی زیر و رو شده و تغییرات خیلی زیادی به خودش دیده. عموم این تغییرات هم طوری رخ داده‌اند که تاثیر زیادی در میزان عملکرد ربا‌ت‌ها و مدل‌های کامپیوتری ایجاد کردن و علم پیشرفت زیادی به خودش دیده.

🔺 یکی از مواردی که تغییر به سزایی ایجاد کرده، معرفی یک معماری شبکه عصبی هست با عنوان Transformer که در سال ۲۰۱۷ و در مقاله‌آی با عنوان Attention is All You Need معرفی شد و از اون زمان به یکی از اجزای اصلی در پیشرفت‌های مدل‌های زبان طبیعی و بینایی ماشین تبدیل شده. این معماری بر پایه‌ی مکانیزم توجه متمرکز هست و از دو بخش اصلی Encoder و Decoder ساخته شده.

🔹 ذکر این نکته اهمیت زیادی داره که مقاله‌های هوش مصنوعی معمولا پیچیدگی بالایی دارند و حالات مختلفی رو بررسی کردن، برای همین خلاصه کردن اون‌ها در یک متن شاید شامل ساده‌سازی خیلی زیادی بخش‌های مختلفی باشه که لزوما ساده نیستن. برای همین پیشنهاد می‌کنم در کنار مطالعه‌ی این متن، حتما به مطالعه‌ی خود مقالات نیز بپردازین اگر علاقه‌مند بودید بیشتر در این زمینه عمیق بشین.

🔺 بخش Encoder: این بخش شامل چند لایه هست که هر کدوم دارای ۲ بخش اصلی هستن. sub-layer توجه چند سر (multi-head attention) و شبکه عصبی پیش‌رو (feed-forward neural network). لایه‌های توجه چند سر به مدل امکان می‌دن تا اطلاعات رو از بخش‌های مختلف ورودی به طور همزمان درک کنه، در نتیجه تفسیر متن کارآمدتر صورت می‌گیره. بعد از این، هر لایه از شبکه پیش‌رو عبور می‌کنه که شامل تبدیل‌های خطی ساده و توابع غیرخطی هست.

🔺 بخش Decoder: این بخش هم مشابه بخش Encoder هست اما با افزودن یک لایه‌ی attention دیگه به اون، cross-attention می‌گن. این لایه اجازه می‌ده که Decoder بتونه به خروجی‌های Encoder دسترسی داشته باشه و اطلاعات لازم رو برای تولید خروجی بعدی از اون استخراج کنه. برای مثال ترجمه‌ی ماشینی با توجه به کلمات ورودی، کلمات خروجی رو تولید می‌کنه و این دسترسی اون‌جا کاربری زیادی داره.

🔹 در واقع ایده از این‌جایی میاد که فرض کنید برای این‌که هوش مصنوعی حدس بزنه کلمه‌ی بعدی مورد استفاده چی باشه، میاد ورودی‌ها رو بررسی می‌کنه و می‌بینه معمولا بعد هر کلمه چه کلماتی استفاده می‌شه و یک توزیع احتمالی از ارتباطات کلمات و objectها تشکیل می‌شه که کمک می‌کنه انتخاب‌های بعدی، دقیق‌ترین و مرسوم‌ترین انتخاب‌ها باشن. حالا این ایده رو مقایسه کنید با بچه‌ای که در حال آموزش تکلم هست و کلماتی که در ابتدا به کار می‌بره، معمولا کلماتی هستن که بیش از همیشه شنیده کنار هم و به مرور ارتباط‌شون با هم رو سنجیده.

🔖 لینک مقاله:
🔗 https://arxiv.org/abs/1706.03762

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

🔗 #متفرقه

🔺 امشب با یک فایل ورد که قفل‌گذاری شده بود و آپشن‌هاش غیرقابل دسترسی شده بودن، به چالش برخورده بودیم،

🔺 این فیلم یک دقیقه‌ای رو در یوتیوب دیدیم که به سادگی آموزش می‌ده چطور قفل فایل‌های ورد رو بشکنیم.

🔹 سیو کنید شاید به کارتون بیاد!

🔖 لینک ویدیو:
🔗 https://youtu.be/_RAo48I-xOQ?si=eoMaicuyODvCrCb2

🚨 زمان مطالعه و تماشای ویدیو: ۱ دقیقه

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 شروع مطالعه‌ی مقالات هوش مصنوعی

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #هوش‌مصنوعی

🔺 احتمالا پیش اومده علاقه‌مند بشید به فیلد هوش مصنوعی ولی ندونید از کجا شروع کنید. هوش مصنوعی چند سالی هست که بعد از پیاده‌سازی معماری Transformerها، پیشرفت زیادی به خودش دیده و این چند سال trend کنفرانس‌ها و ژورنال‌های مختلفی بوده و خیلی رشته‌ها برای دوباره زنده شدن، به ارائه‌ی مقالاتی با استفاده از methodهای هوش مصنوعی پرداختن.

🔺 این‌جا یک لیست خوبی از مقالات هوش مصنوعی از قدیم تا امروزه آماده شده که بعد از یاد گرفتن مفاهیم اولیه‌ی هوش مصنوعی، مطالعه‌ی هر کدوم از اون‌ها می‌تونه دید خیلی زیادی نسبت به این فیلد بهتون بده.

🔹 از امروز می‌خواهیم به مرور خلاصه‌ی این مقالات رو این‌جا بنویسیم، بررسی کنیم و با هم به ارائه‌ی کلیات و جزئیات مهم اون‌ها بپردازیم. معمولا مقالات ژورنالی بالای ۲۰ صفحه هستند و خب خیلی از مفاهیم ارائه شده در مقاله رو نیاز نیست که بلد باشیم مگر بخواهیم از اون‌ها استفاده کنیم. سعی می‌کنیم در متن خلاصه مقالات مربوطه، به ارائه‌ی مهم‌ترین نکات مقالات بپردازیم.

🔖 لینک منبع:
🔗 https://github.com/aimerou/awesome-ai-papers

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 پرسپترون: یک مدل احتمالی برای ذخیره‌سازی و سازماندهی اطلاعات در مغز

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #هوش‌مصنوعی

🔺 یکی از مقالات خیلی قدیمی هوش مصنوعی و مهم این فیلد، مقاله‌ی

The perceptron: A probabilistic model for information storage and organization in the brain

نوشته‌ی فرانک روزنبلت در سال ۱۹۵۸ هست که در اون تلاش شده تا به سوالاتی درباره چگونگی احساس اطلاعات از دنیای فیزیکی، شکل ذخیره‌سازی اطلاعات، و تأثیر اطلاعات ذخیره شده در حافظه بر روی تشخیص و رفتار پاسخ داده بشه. در این مقاله، نظریه‌ای برای سیستم عصبی فرضی به نام پرسپترون توسعه پیدا کرده که به عنوان پلی بین بیوفیزیک و روان‌شناسی عمل می‌کنه.

🔺 پرسپترون قادر هست با استفاده از رویکرد آماری کمی، منحنی‌های یادگیری رو از متغیرهای عصب‌شناختی پیش‌بینی کنه و بالعکس. این امر به درک بهتر سازماندهی سیستم‌های شناختی کمک می‌کنه. روزنبلت در این مقاله ایده‌هایی رو مطرح می‌کنه که بعدها به عنوان بنیانی برای توسعه شبکه‌های عصبی مصنوعی شناخته شده و مورد استفاده قرار گرفتن.

🔹 این مقاله تلاش می‌کنه تا ارتباطات میان بخش‌های مختلف سیستم عصبی و چگونگی تعامل اون‌ها با محیط رو توضیح بده. با استفاده از مدل‌های احتمالی، روزنبلت نشان می‌ده چگونه ساختارهای عصبی می‌تونن اطلاعات رو دریافت، پردازش و در نهایت ذخیره‌سازی کنن که این فرآیند بر توانایی‌های شناختی و رفتاری تأثیر می‌گذاره.

🔺 در نهایت، این مقاله به عنوان یک گام مهم در فهم نظری و عملی سیستم‌های پیچیده عصبی و کاربرد اون‌ها در فناوری‌های جدید شناخته شده و همچنان به عنوان یک مرجع کلیدی در تحقیقات مرتبط با هوش مصنوعی و علوم عصبی به شمار می‌ره.

🔹 همچنین تا این لحظه، ۸۴۲۹ مقاله‌ی دیگه به این مقاله استناد کرده‌اند و یکی از اصلی‌ترین و پایه‌ای مقالات این فیلد، محسوب می‌شه.

🔖 لینک مقاله:
🔗 https://psycnet.apa.org/record/1959-09865-001

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 کتاب هوش مصنوعی در پژوهش‌های پزشکی و دندان‌پزشکی: راهنمای کاربردی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #معرفی
🔗 #هوش‌مصنوعی
🔗 #پزشکی

🔺 یکی از کتاب‌های مفیدی که می‌تونین برای یادگیری کلیات و مباحث تئوری مقدماتی هوش مصنوعی تهیه کنین، این این کتاب هست. البته قیمت این کتاب یکم گرونه و برای مطالعه‌ی اون، می‌تونین به کتاب‌خونه‌ی دانشگاه‌تون مراجعه کنین!

🔹 نویسنده‌های این کتاب سعی کردن با یک سیر قابل فهم و منطقی از مقدمات شروع کنن و بعد سراغ Machine Learning و Deep Learning برن. از نکات جذابش اینه که درمورد چند پروژه کاربردی که واقعا اجرا شده هم صحبت کردن. در فصل آخر هم می‌تونین با اصول ابتدایی کد زدن در پایتون آشنایی پیدا کنین.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 مدل‌های حل مسائل یادگیری ماشین

🚨 زمان مطالعه: یک دقیقه و نیم

🔗 #آموزش
🔗 #هوش‌مصنوعی
🔗 #ماشین‌لرنینگ

👍 رشته پست، پست ۱ از ۲

🔺 یادگیری ماشین یک حوزه‌ایه که به کامپیوترها این امکان رو می‌ده تا از داده‌ها یاد بگیرن، بدون اینکه لازم باشه به صورت واضح برنامه‌ریزی بشن. تو این حوزه، الگوریتم‌هایی ساخته می‌شن که از روی داده‌ها الگو می‌گیرن و هدف اصلی‌شون پیش‌بینی نتایج، دسته‌بندی یا پیدا کردن ساختارهای پنهانه.

🔺 ۵ مدل اصلی داریم که روش‌های ما برای حل مسائل یادگیری ماشین رو تعیین می‌کنه:
🔹 یادگیری نظارت‌شده
🔹 یادگیری بدون نظارت
🔹 یادگیری تقویتی
🔹 یادگیری نیمه نظارت‌شده
🔹 یادگیری خودنظارتی

✅ حالا به معرفی هر کدوم از این مدل‌ها طی پست‌های آتی می‌پردازیم.

🔺 یادگیری نظارت‌شده:
🔹 آموزش با داده‌های برچسب‌دار: هر ورودی با یه خروجی (برچسب) همراه می‌شه و مدل یاد می‌گیره که ورودی‌ها رو به خروجی‌ها ربط بده.
🔹 کاربردها: دسته‌بندی (مثل تشخیص اسپم تو ایمیل) و رگرسیون (مثل پیش‌بینی قیمت خونه).
🔹 الگوریتم‌های رایج: درخت تصمیم، ماشین بردار پشتیبان (SVM)، شبکه‌های عصبی.
🔹 چالش‌ها: نیاز به داده‌های زیاد برچسب‌دار، احتمال اینکه مدل بیش از حد به داده‌های آموزش وابسته بشه (overfitting).

🔺 یادگیری بدون نظارت:
🔹 بدون داده‌های برچسب‌دار: الگوریتم خودش الگوها و ساختارها رو پیدا می‌کنه، بدون اینکه برچسب مشخصی داشته باشه.
🔹 کاربردها: خوشه‌بندی (مثل تقسیم‌بندی مشتری‌ها)، کاهش ابعاد (مثل تحلیل مولفه‌های اصلی).
🔹 الگوریتم‌های رایج: K-means Clustering, Hierarchical Clustering.
🔹 چالش‌ها: سخت‌تر بودن ارزیابی چون برچسب واقعی برای مقایسه نیست.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 ادامه‌ی معرفی مدل‌های حل مسائل یادگیری ماشین

🚨 زمان مطالعه: یک دقیقه

🔗 #آموزش
🔗 #هوش‌مصنوعی
🔗 #ماشین‌لرنینگ

👍 رشته پست، پست ۲ از ۲

🔺 یادگیری تقویتی:
🔹 آموزش از طریق تعامل: عامل‌ها با محیط تعامل می‌کنن و از طریق پاداش و جریمه، رفتار بهینه رو یاد می‌گیرن.
🔹 کاربردها: بازی‌های کامپیوتری (مثل AlphaGo)، رباتیک (مثل پهپادهای خودمختار)، سیستم‌های توصیه‌گر.
🔹 مفاهیم کلیدی: فرایندهای تصمیم‌گیری مارکوف، موازنه بین کاوش و بهره‌برداری، طراحی تابع پاداش.
🔹 چالش‌ها: نیاز به تعاملات زیاد، محاسبات سنگین، و طراحی پاداش ممکنه سخت باشه.

🔺 یادگیری نیمه نظارت‌شده:
🔹 رویکرد ترکیبی: از داده‌های کم برچسب‌دار و بیشتر بدون برچسب استفاده می‌شه تا مدل بهتر یاد بگیره.
🔹 کاربردها: وقتی به‌دست آوردن داده‌های برچسب‌دار زمان‌بر یا گرونه (مثل تشخیص‌های پزشکی، دسته‌بندی صفحات وب).
🔹 چالش‌ها: متعادل‌کردن داده‌های برچسب‌دار و بدون برچسب می‌تونه سخت باشه و مدل ممکنه به نویز حساس بشه.

🔺 یادگیری خودنظارتی:
🔹 ایجاد برچسب خودکار: مدل خودش از ساختارهای داده برچسب می‌سازه و ازشون برای یادگیری استفاده می‌کنه (مثلاً پیش‌بینی کلمه بعدی تو جمله).
🔹 کاربردها: خیلی استفاده می‌شه تو وظایف بزرگ مثل پردازش زبان طبیعی (مثل GPT، BERT) و بینایی کامپیوتری.
🔹 تکنیک‌های رایج: Contrastive Learning, Masked Autoencoders.
🔹 چالش‌ها: آموزش منابع زیادی می‌خواد و پیدا کردن وظیفه مناسب برای مدل خیلی مهمه.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 خاطرات فقط در مغز قرار ندارند: کشفی جدید درباره حافظه در بدن

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

🔺 چند سال اخیر این مسئله خیلی مطرح شده که حافظه و یادگیری، فقط مخصوص مغز انسان و سلول‌های مغزی هست، اما یک تیم از دانشمندان New York آمریکا، اخیراً متوجه شدن که سلول‌های دیگه‌ای هم تو بدن می‌تونن یاد بگیرن و حتی «خاطره» بسازن. این یافته‌ها می‌تونه نگاه ما رو به چگونگی کارکرد حافظه کلی بدن تغییر بده و زمینه‌ای برای درمان مشکلات حافظه ایجاد کنه.

🔺 «نیکولای کوکوشکین» از دانشگاه نیویورک می‌گه:

ما عموماً فکر می‌کنیم یادگیری و حافظه فقط به مغز مربوطه، اما تحقیق ما نشون می‌ده که سلول‌های دیگه بدن هم می‌تونن الگوها رو تشخیص بدن و خاطره‌سازی کنن.

🔹 این تحقیق روی سلول‌های غیرمغزی مثل سلول‌های بافت عصبی و کلیه انجام شده و نشون داده که این سلول‌ها هم می‌تونن به الگوهای شیمیایی خاصی واکنش نشون بدن، درست مثل سلول‌های مغزی.

🔺 این سلول‌ها وقتی با پالس‌های شیمیایی مختلف در فواصل مشخصی مواجه شدن، یک ژن حافظه رو فعال کردن؛ همون ژنی که وقتی مغز چیز جدیدی یاد می‌گیره روشن می‌شه و باعث تغییر در ساختار ارتباطاتش می‌شه. تو این آزمایش، وقتی پالس‌های شیمیایی با فاصله ارائه می‌شدن، سلول‌ها نسبت به حالت فشرده (مثل شب امتحان درس خواندن) قوی‌تر و با ماندگاری بیشتر به الگوها واکنش نشون دادن.

🔹 نتیجه اینه که این توانایی برای یادگیری با فاصله و نه به‌صورت فشرده، یک ویژگی خاص مغز نیست؛ بلکه ممکنه یک خاصیت پایه‌ای در همه سلول‌ها باشه. محققان معتقدن این یافته‌ها می‌تونه به کشف راه‌های جدید برای بهبود حافظه و یادگیری کمک کنه و حتی به کاربردهایی در زمینه‌های درمانی منجر بشه.

🔖 لینک مقاله:
🔗 http://dx.doi.org/10.1038/s41467-024-53922-x

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»