📕 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»

📕 تسک‌های اصلی یادگیری Supervised (نظارت‌شده): Classification (طبقه‌بندی) و Regression (برآورد روابط بین متغیرها)

🚨 زمان مطالعه: ۲ دقیقه

🔗 #ماشین‌لرنینگ
🔗 #آموزش

🔺 برای شروع آشنایی با یادگیری نظارت‌شده که یک بخشی از Machine Learning محسوب می‌شه، خوبه که با ۲ تا مسئله‌ی اصلی که به حل‌شون می‌پردازه بیشتر آشنا بشیم. اولی تسک طبقه‌بندی اطلاعات براساس ویژگی‌های مختلف‌شون هست و دومی برآورد رابطه‌هایی که بین متغیرهای مختلف وجود داره.

۱. تسک Classification: دسته‌بندی کردن داده‌ها به گروه‌های مختلف که برچسب‌های از قبل تعیین شده دارند، یکی از تسک‌های مهم یادگیری ماشین هست. فرض کنید شما یک آدرس ایمیلی دارید که روزانه تعداد زیادی ایمیل از اون طریق براتون ارسال می‌شه. حالا دسته‌بندی ایمیل‌های ارسال شده به دو گروه "spam" و "not spam" یکی از تسک‌هایی‌ست که خیلی زیاد به بهینه بودن فعالیت شما کمک می‌کنه. با این الگوریتم ما تو این مسئله میایم ابتدا نمونه‌های برچسب‌گذاری‌شده رو می‌بینیم و سپس ایمیل‌های جدید رو دسته‌بندی می‌کنیم با توجه به اطلاعات قبلی.

🔺 چند مثال برای تسک Classification:

🔹 تشخیص تصویر: تشخیص اینکه آیا در یک تصویر، گربه، سگ یا ماشین هست.
🔹 تشخیص پزشکی: پیش‌بینی اینکه یک بیمار به یک بیماری خاص مبتلا هست یا نه.

۲. تسک Regression: در واقع تفاوت اصلی Regession با تسک Classification در این خلاصه می‌شه که این‌جا ما روی داده‌های پیوسته در حال آنالیز هستیم و در Classification روی داده‌های گسسته مانور می‌دیم. در این تسک، تلاش ما اینه مقدارهای عددی پیوسته رو پیش‌بینی کنیم. مثلا فرض کنید قیمت یک خونه براساس متراژ، موقعیت و تعداد اتاق‌های اون، تخمین زده می‌شه. با این الگوریتم ما تلاش می‌کنیم با بررسی داده‌های قبلی، برآوری از روابط این داده‌ها پیدا کنیم و نهایتا به تخمین قیمت خونه‌های جدید بپردازیم.

🔺 چند مثال برای تسک Regression:

🔹 پیش‌بینی آب و هوا: پیش‌بینی دما در یک بازه زمانی.
🔹 پیش‌بینی مالی: تخمین قیمت سهام یا روند فروش.

🔺 با این‌که به نظر این دو روش، approachهای متفاوتی رو در پیش دارند، اما هر دو به ما کمک می‌کنند تا الگوی داده‌ها رو بفهمیم و پیش‌بینی‌های درستی در آینده انجام بدیم.

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 استفاده از ماشین لرنینگ برای پیش بینی وقایع خودکشی!!

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #پزشکی
🔗 #هوش‌مصنوعی
🔗 #ماشین‌لرنینگ

🔺 در این مقاله سال 2024 که لینکش رو پایین‌تر براتون گذاشتیم، دو محقق ایرانی با به کارگیری پنج الگوریتم binary classification روی دیتای مربوط به 3833 کیس مرتبط با رفتارهای خودکشی، چند ریسک فاکتور اصلی که با افزایش احتمال مرگ و میر این افراد همسو بود رو مشخص کردن:

🔹 سن بیشتر
🔹 تحصیلات پایین تر
🔹 طلاق یا مرگ همسر
🔹 چالش‌های شغلی
🔹 مشکلات مالی

🔺 اگه چنین مواردی رو در اطرافیان‌تون دیدین، به سادگی از کنارش گذر نکنید!

🔖 لینک DOI مقاله:
🔗 https://doi.org/10.1186/s12888-024-06273-2

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 مدل‌های زبانی بزرگ، دقیق‌تر از متخصصین!

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #پزشکی
🔗 #هوش‌مصنوعی

🔺 چند روز پیش بود که ایلان ماسک توییتی زد و ادعا کرد که هوش مصنوعی بزودی جای پزشک‌ها، وکلا و احتمالا همه مشاغل رو خواهد گرفت.

🔖 لینک توئیت ایلان ماسک:
🔗 https://x.com/elonmusk/status/1858305249783755206

🔺 در همین راستا اخیرا مقاله‌ای منتشر شده که طی اون پژوهشگرها یک Large Language Model (LLM) به نام BrainBench رو تولید کردن.

🔺 این LLM با استفاده از دیتابیس ژورنال‌های نوروساینس در پنج حیطه اصلی که توی شکل می‌بینید train شد و متعاقبا نتایج نشون داد که قادره با دقت بیشتری از متخصصین نوروساینس، خروجی و نتیجه پژوهش های نوروساینس رو پیش بینی کنه.

🔹 باید دید که پیشرفت AI آیا به سلطه بر انسان ها می‌انجامه یا نه!

🔖 لینک DOI مقاله:
🔗 https://doi.org/10.1038/s41562-024-02046-9

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»