NEW BOT Телеграм, страница

Please open Telegram to view this post

VIEW IN TELEGRAM

❤17💔10👍6👏4

569 views16:31

📕

رگرسیون خطی، روشی برای پیش‌بینی ساده مقادیر داده‌ها

🚨 زمان مطالعه: ۱ دقیقه

🔗

#ماشین‌لرنینگ

🔗

#آموزش

🔺 پیرو این پست درباره‌ی یادگیری Supervised نظارت‌شده در Machine Learning، درباره‌ی دیگر تسک‌های این یادگیری می‌خواهیم صحبت کنیم. یکی از این تسک‌ها، رگرسیون خطی‌ست که یکی دیگر از روش‌ها برای پیش‌بینی داده‌هاست.

🔺 در یادگیری نظارت‌شده از داده‌های دارای برچسب – داده‌هایی که جواب یا برچسب‌شون از قبل مشخصه – برای آموزش مدل‌ها استفاده می‌کنیم. در واقع تلاش می‌کنیم برای یادگیری مدل هوش مصنوعی‌مون، از داده‌هایی استفاده کنیم که ماهیت و مقدار اون‌ها مشخصه تا مدل ما بتونه در آینده، ماهیت و مقدار داده‌های نامشخص رو تشخیص بده.

🔺 رگرسیون خطی یکی از ساده‌ترین روش‌ها برای پیش‌بینی مقادیر هست. فرض کنید می‌خوایم قیمت یک خونه رو براساس اندازه، تعداد اتاق‌ها و موقعیت مکانی‌اش پیش‌بینی کنیم. رگرسیون خطی کمک می‌کنه یک «خط برازش بهینه» بکشیم که رابطه بین این ویژگی‌ها و قیمت خونه رو نشون بده. وقتی این خط رو داریم، می‌تونیم قیمت هر خونه‌ای رو براساس ویژگی‌هاش پیش‌بینی کنیم.

🔹 در واقع، رگرسیون خطی به دنبال خطیه که به بهترین شکل، رابطه بین ویژگی‌ها و نتیجه (مثلاً قیمت) رو نشون بده. این مثل پیدا کردن یک نقطه تعادل ایده‌آله که اکثر داده‌ها به این خط نزدیک می‌شن. در شکل، راحت‌تر می‌تونید خروجی این الگوریتم رو مشاهده کنید.

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤17🔥8👍6👏5

710 views19:01

📕

رگرسیون لجستیک، روشی برای دسته‌بندی داده‌ها

🚨 زمان مطالعه: ۱ دقیقه

🔗

#ماشین‌لرنینگ

🔗

#آموزش

🔺 در پست قبلی درباره‌ی تسک‌های یادگیری ماشین نظارت‌شده صحبت کردیم و به معرفی روش رگرسیون خطی که هدف اون، پیش‌بینی مقادیر داده‌هاست پرداختیم. در این پست درباره‌ی تسکی دیگر از یادگیری ماشین نظارت‌شده می‌پردازیم که با هدف دسته‌بندی داده‌ها شکل گرفته.

🔺 رگرسیون لجستیک، برخلاف اسمش، ابزاری برای دسته‌بندی هست و نه برای پیش‌بینی مقادیر. این الگوریتم، معمولا برای دسته‌بندی دودویی استفاده می‌شه، جایی که فقط دو نتیجه‌ی ممکن وجود داره. مثلا فرض کنید می‌خوایم پیش‌بینی کنیم که یک ایمیل spam هست یا نه، رگرسیون لجستیک به دریافت ویژگی‌های مختلف ایمیل از جمله کلمات خاص یا آدرس ایمیل فرستنده می‌پردازه و سپس احتمال اسپم بودن ایمیل رو تشخیص می‌ده. در واقع در نهایت براساس این احتمال، تصمیم می‌گیره که ایمیل اسپم هست یا نه.

🔺 برخلاف رگرسیون خطی، رگرسیون لجستیک دنبال کشیدن خطی برای همه نقاط داده نیست. تمرکز اون بر یافتن یک مرزه که دو گروه (مثل اسپم و غیر اسپم) رو از هم جدا کنه. این مرز به دسته‌بندی هر ایمیل جدید به یکی از این دو دسته کمک می‌کنه.

🔹 در شکل این پست، می‌تونید تفاوت بین Logisteic Regression و Linear Regression رو مشاهده کنید.

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤21💯9👍6

727 views18:39

📕

پیش‌بینی احتمال افسردگی در نوجوانان به کمک AI

🚨 زمان مطالعه: ۳۰ ثانیه

🔗

Https://doi.org/10.1038/s41598-024-72158-9

🔗

#پزشکی

🔺 توی این مقاله که چند روزه چاپ شده و از مقاله‌های ترند حوزه روانپزشکیه، محققین با train کردن الگوریتم‌های هوش مصنوعی روی دیتاهای پره ناتال (قبل از تولد) تا ده سالگی بالغ بر ۹۰۰۰ شرکت کننده، سعی در پیش‌بینی کردن احتمال افسردگی اون‌ها در سنین نوجوانی (۱۲ تا ۱۸ سالگی) داشتن.

🔹 در نهایت از بین حدود نه صد feature، تعداد ۳۹ تاش بعنوان فیچرهای اصلی انتخاب شدن که در صدر اون‌ها می‌شه به جنس مونث، افسردگی یا اضطراب والدین و شرایط پراسترس محیطی به عنوان ریسک فاکتورهای اصلی ابتلا به افسردگی در سنین نوجوانی اشاره کرد.

🔖 لینک DOI مقاله:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤17💯14👍5

701 views16:02

📕

زبانم خوب نیست، چطور مقاله بخونم؟

🚨 زمان مطالعه: ۱ دقیقه

🔗

#متفرقه

🔺 مشخصا یکی از فاکتورهایی که در خوندن مقالات انگلیسی بسیار کمک‌کننده‌ست، اینه که زبان شخص خوب باشه. با این حال برای افرادی که این شرایط رو ندارن هم راه‌هایی وجود داره که بتونن مقالات رو در تایم کمی ترجمه و ازش استفاده کنن!

🔹 خیلی از افراد ممکنه تکه‌تکه‌هایی از مقاله رو داخل گوگل ترنسلیت وارد کنن و اون رو به فارسی ترجمه کنن. قابلیت دیگه‌ای که توی همین سایت وجود داره زبانه‌ی Documents (سندها) هست که می‌تونین بهش فایل بدین و فایل ترجمه شده رو دریافت کنین.

🔺 مساله‌ای که وجود داره اینه که این روش با این‌که می‌تونه کارتون رو راه بندازه اما کم هم باگ نداره! از جمله این‌که پیوستگی جملات رو در کپی پیست کردن حفظ نمی‌کنه و گاها حتی ترجمه دل‌چسبی به شما نمی‌ده. ☹️

🔹 یکی از سایت‌های خوبی که تا حدی این مشکل رو حل کرده، سایت DocTranslator هست. توی این سایت می‌تونین فایل مقاله رو بارگذاری کنین و با کیفیت بهتری (البته نه صد درصد) ترجمه رو دریافت کنین. مزیتش هم اینه که فرمت و ساختار مقاله (شکل‌ها، نمودارها و باقی موارد) رو براتون حفظ می‌کنه. با این وجود در ترجمه‌ی فرمول‌ها ضعیفه و برای این موارد باید به اصل مقاله مراجعه کنین.

🔺 نمونه‌های ایرانی از جمله سایت ترجمیار هم وجود دارن که البته باید اشتراکشون رو خریداری کنین.

🔹 نکته جذاب و مرتبطی که هست اینه که می‌تونین فایل‌های PDFتون رو با استفاده از نرم افزار Adobe Acrobat Pro ازشون خروجی ورد بگیرین و راحت تر ازشون استفاده کنین (البته برای بعضی فایل های فارسی به دلیل تحریم جواب نمی‌ده.)

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤17💯15🔥5👍2

963 views18:32

به مناسبت هفته پژوهش
معاونت پژوهشی بیمارستان الزهرا
همین اتفاقات کوچیک، انگیزه‌ی راه می‌شن ✨

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤25🔥8👍4

797 views07:05

📕

سخنرانی پروفسور MIT در رابطه با بی‌اخلاقی چینی‌ها در پژوهش

🚨 زمان مطالعه: ۱ دقیقه

🔺 چند هفته پیش و حین برگزاری کنفرانس NeurIPS که یکی از بهترین کنفرانس‌های حوزه‌ی هوش مصنوعی هست، پروفسور Rosalind Picard از MIT Media Lab در طی برنامه‌های کنفرانس به سخنرانی‌ای در رابطه با موضوع

How to optimize what matters most?

پرداخت و از اخلاق در پژوهش گفت.

🔹 یکی از نقاط عجیب این سخنرانی، صحبت این استاد در رابطه با تقلب‌های پژوهشی چینی‌ها در حین پژوهش بود. اشاره به این جمله یکی از موارد داخل اسلایدهای ایشون بود:

I did it to make my paper results look better. Nobody at my school taught us morals or values.

🔺 حالا این روزها درخواست ریسرچرهای مختلف برای برخورد با این استاد بابت حرف‌های نژادپرسته‌شون بیش از پیش مطرح شده و ایمیل‌های زیادی با موضوع اخراج ایشون از دانشگاه MIT به این دانشگاه ارسال شده است.

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

Please open Telegram to view this post

VIEW IN TELEGRAM

❤17👍5👏5💔3

804 views10:57

https://www.instagram.com/reel/DEK_BOnCXpR/?igsh=MW5oaWNodGdnaGY1cw==

📕

ارتباط تنگاتنگ میکروبیوم روده و موفقیت ایمونوتراپی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗

#پزشکی

🔗

#مقاله

🔺 ایمونوتراپی یکی از روش‌های پرکاربرد در درمان بعضی از نئوپلاسم‌ها است، اما مشکلی که داره اینه که فقط برای درصد کمی از افراد می‌تونه پاسخ موفقت‌آمیز داشته باشه!

🔺 در این مقاله سال ۲۰۲۳، محققین نشون دادن که در کمال تعجب، یکی از گونه‌های موجود در میکروبیوم روده به نام
Akkermansia muciniphila (A. muciniphila)
می‌تونه به طور قابل توجهی اثربخشی ایمونوتراپی رو افزایش بده و افرادی که این سویه رو در میکروبیوم خودشون بیشتر داشته باشن، به طور چشم‌گیری بیشتر از سایرین به این درمان ضدسرطان جواب می‌دن!

🔹 چنین یافته‌هایی می‌تونن ما رو یک گام به درمان سرطان نزدیک‌تر کنن! 🤩

🔖 لینک DOI مقاله:

🔗

https://link.springer.com/article/10.1007/s00432-023-05199-8

✈️ این ویدیو هم دقیقا به همین مقاله اشاره می‌کنه:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤20👏7👍5

701 views13:13

📕

سیستم تولید مقالات ویکی‌پدیایی به کمک هوش مصنوعی، STORM

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗

https://storm.genie.stanford.edu

🔗

#پزشکی

🔺 امسال محققین دانشگاه استنفورد ابزاری به نام STORM ساختند که با کمک AI به اسکن سایت‌ها و مقالات مرتبط با موضوع شما می‌پردازه و نهایتا مقاله‌ای خلاصه از اون می‌سازه و به شما می‌ده. اما STORM یعنی چی؟ STORM مخفف
Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking
هست.

🔺 این سیستم فرآیند تولید مقاله را به دو مرحله اصلی تقسیم می‌کند:

🔹 مراحل پیش‌نویس:
🔖 سیستم با جست‌وجوی اینترنت، منابع مرتبط رو جمع‌آوری می‌کنه.
🔖 یک طرح کلی (Outline) برای مقاله تولید می‌کنه.

🔹 مراحل نوشتن:
🔖 سیستم با استفاده از طرح کلی و منابع جمع‌آوری‌شده، مقاله کامل رو با استناد به منابع تولید می‌کنه.

🔺 در نهایت STORM از دو استراتژی کلیدی برای بهبود فرآیند پرسش‌وپاسخ استفاده می‌کند:

🔖 با بررسی مقالات مشابه، منظرهای مختلفی برای پرسش‌ها شناسایی می‌شه.
🔖 یک گفت‌وگوی شبیه‌سازی‌شده بین نویسنده ویکی‌پدیا و یک متخصص موضوعی انجام می‌شه تا مدل زبانی بتونه سؤالات پیگیری‌شده بپرسه و درک خود رو بروز کنه.

🔖 لینک سایت این ابزار:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤20👍6🔥4

1.26K views17:02

📕

گول جذابیت رو نخورید 😄

🚨 زمان مطالعه: ۱ دقیقه

🔗

#مقاله

🔺 توی این مطالعه که براتون آوردم به ۲۸۴ نفر از دانشجوهای دانشگاه ویسکانسین چهار عکس نشون دادن و گفتن که از نظر خودتون این تصاویر رو براساس زیبایی رتبه بندی کنین.

🔺 در مرحله بعدی ازشون سوال کردن که اگر توی شرایط سخت قرار بگیرین، احتمالا به کدوم یک از افراد داخل این عکس‌ها اعتماد می‌کنین؟

🔖 نتیجه این پژوهش جالبه و نشون داده که عموما افرادی که به نظر جذاب‌تر می‌رسن با احتمال بیشتری هم مورد اعتماد بقیه قرار می‌گیرن!

🔹 این مساله که با کلیشه‌ی

What is beautiful, is good.

هم شناخته می‌شه ناشی از یک بایاس به اسم Halo effect هست که توی اون افرادی که در زمینه‌ای خوبن، در زمینه‌های دیگه هم به احتمال بیشتری خوب انگاشته می‌شن!

🔹 از طرفی بعضی از نظریه‌های تکاملی دلیل این موضوع رو این عنوان کردن که ژن‌هایی که در جذابیت ظاهری نقش دارن، باعث افزایش نرخ تولید مثل می‌شن و بیشتر به نسل‌های بعد منتقل می‌شن. 🤔

🔖 خلاصه که توی انتخاب‌هاتون بیشتر به این سوگیری دقت کنین! 😁

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤20👍6👏6🔥3💯2

777 viewsedited 11:41

https://dl.acm.org/doi/full/10.1145/3544548.3581219

📕

شناسایی misinformation در شبکه‌های اجتماعی به کمک هوش مصنوعی

🚨 زمان مطالعه: ۱ دقیقه

🔗

#مقاله

🔺 احتمالا شما هم با این مشکل مواجه شدید که به طور مداوم اخبار نادرست، spam و تبلیغات با اطلاعیه‌های غلط در شبکه‌های اجتماعی بهتون suggest بشه. در این رابطه ۲ سال اخیر توسط محققین دانشگاه MIT آمریکا سیستمی طراحی شده با هدف شناسایی اطلاعات نادرست در شبکه‌های اجتماعی و در ادامه اطلاع‌رسانی به کاربران. یکی از محققین این مقاله نیز خانم فرناز جهانبخش از دانشجویان قدیمی دانشگاه صنعتی شریف می‌باشند!

🔺 در این مقاله، سیستمی طراحی شده که به طور مداوم از ارزیابی‌های یک کاربر برای یادگیری استفاده می‌کنه و پیش‌بینی می‌کنه که کاربر چگونه به سایر محتواهای موجود در شبکه‌های اجتماعی واکنش نشون می‌ده. کاربران در یک آزمایش، هم با این سیستم تعامل داشتن و هم ارزیابی‌های خودشون رو انجام دادن.

🔺 نتیجه‌ی این پژوهش نشون داده که کاربران تحت تأثیر پیش‌بینی‌های هوش مصنوعی قرار می‌گیرن و این تأثیر در طول زمان افزایش پیدا می‌کنه. با این‌حال، زمانی که کاربران دلایل ارزیابی خود رو توضیح می‌دن، این تأثیر کاهش پیدا می‌کنه. این یافته اهمیت استراتژی‌هایی رو که کاربران رو به ارائه توضیح برای تصمیمات‌شون تشویق می‌کنه، برجسته می‌کنه.

🔹 همچنین استفاده از ارزیابی شخصی‌سازی‌شده به کاربران امکان می‌ده که دیدگاه‌های خود رو نسبت به صحت محتوا بهتر بررسی کنن. اما این رویکرد می‌تونه منجر به تقویت بابل‌های فکری (Filter Bubbles) هم بشه، چرا که کاربران تمایل دارن به محتوایی که با دیدگاه‌های خودشون هماهنگ هست، اعتماد کنن.

🔖 لینک این مقاله:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

Please open Telegram to view this post

VIEW IN TELEGRAM

❤16🔥6👍5

727 views16:30

📕

ابزارهایی که می‌تونن به شما در ریسرچ کمک کنن!

🚨 زمان مطالعه: ۱ دقیقه

🔗

#متفرقه

🔺

مدل‌های زبانی:

🔹

ChatGPT: نسخه‌های رایگانش می‌تونه به شما در تولید متن و پاسخ به سوالات کمک کنه.

🔺

ابزارهای ویرایش و نگارش:

🔹

Grammarly: نسخه رایگان این ابزار برای بررسی گرامر و املا مناسبه.

🔹

Hemingway Editor: نسخه آنلاین این ابزار رایگانه و می‌تونه به بهبود خوانایی متن‌ها کمک کنه.

🔹

Thesaurus.com: این سایت کلمات هم معنی رو به شما نمایش می‌ده و می‌تونید به جای تکرار یک واژه، از کلمات با معنی مشابه استفاده کنید.

🔺

ابزارهای تحقیق و جمع‌آوری داده:

🔹

Zotero: یک نرم‌افزار رایگان و منبع باز برای مدیریت منابع و ایجاد فهرست مراجع.

🔹

Mendeley: نسخه رایگان این ابزار نیز برای مدیریت مقالات و منابع مفیده.

🔹

Connected Papers: برای کشف مقالات مرتبط و ایجاد نقشه‌ای از تحقیقات.

🔺

ابزارهای تحلیل محتوا:

🔹

QuillBot: دارای نسخه رایگان است که می‌تونه به پارافریز کردن متن کمک کنه.

🔹

Scribbr: دارای ابزار رایگان برای بررسی سرقت ادبی (با محدودیت).

🔺

ابزارهای تولید محتوای بصری:

🔹

Canva: نسخه رایگان این ابزار برای طراحی گرافیک‌های ساده و تصاویر مناسبه.

🔹

DALL-E: برای تولید تصاویر مبتنی بر متن مناسبه.

🔺

ابزارهای مدیریت زمان و بهره‌وری:

🔹

Trello: برای سازمان‌دهی وظایف و ایده‌ها قابل استفاده‌ست.

🔹

Notion: می‌تونه برای یادداشت‌برداری و سازمان‌دهی اطلاعات مفید باشه.

🔖 این ابزارها می‌تونن به شما در ویرایش، تحقیق و سازمان‌دهی مقالات کمک کنن، بدون اینکه نیاز به پرداخت هزینه داشته باشید. البته دقت کنید، نباید متن مقاله‌ی شما، نوشته شده توسط AI یا ابزار دیگری باشد، از این ابزارها برای ویرایش و سازمان‌دهی متون مقالات استفاده کنید.

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤19👍5🔥4👏3

1.17K viewsedited 17:58

ExCITATION journal ranking in Google Scholar™

📕

اکستنشن ExCITATION Journal Ranking in Google Scholar

🚨 زمان مطالعه: ۱ دقیقه

🔗

#مقاله

🔺 یکی از راه‌های پیدا کردن مقالات مختلف، استفاده از Google Scholar و Search Bar اون هست. اما خب فیلتر مشخصی روی کیفیت ژورنال و مقاله توسط خود اسکولار انجام نمی‌شه. امروز می‌خوایم به معرفی یک پلاگین کروم بپردازیم که رنک ژورنال مقالات مختلف رو در Google Scholar به ما نشون می‌ده.

🔺 اکستنشن ExCITATION، ساخته شده با هدف مشخص کردن رنک Journalهای مقالات حاضر در Google Scholar و سپس sort این مقالات براساس عدد impact factor ژورنال‌ها و یا تعداد citation اون‌ها. همچنین یکی دیگر از قابلیت‌های این اکستنشن، قابلیت One-click paper abstract preview هست که با استفاده از اون می‌تونید خیلی راحت‌تر Abstract مقالات رو نیز مطالعه کنین.

🔖 برای استفاده از این Extension می‌تونید به این سایت مراجعه کنید:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

Please open Telegram to view this post

VIEW IN TELEGRAM

❤18🔥6👍3

1.23K views15:21

DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

📕

مدل R1 از DeepSeek

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗

#مقاله

🔺 مدتی‌ست که شرکت‌های فعال در حوزه مدل‌های زبانی بزرگ (Large Language Models) تلاش‌های جدی برای توسعه مدل‌هایی با قابلیت استدلال (Reasoning) آغاز کردن. درباره‌ی این قابلیت بیشتر خواهیم نوشت در آینده، اما بد نیست بدونید که OpenAI با مدل O1 تونسته بود تا حدی به حل این چالش نزدیک بشه. حالا مدل DeepSeep R1 که توسط دانش‌مندان چینی توسعه داده شده، در روزهای اخیر به مرکز توجه محافل علمی و خبری تبدیل شده.

🔺 در واقع بالاخره اولین مدل استدلالی رایگان و OpenSource هم معرفی شد و مقاله‌ی اون هم در دسترس قرار گرفت. اما خب برای این‌که بیشتر از این پیشرفت علمی صحبت کنیم، خوبه به جدولی که در عکس این پست قرار داره اشاره کنیم و به کیفیت بالای این مدل استدلالی در حل سوالات ریاضی و برنامه‌نویسی بپردازیم.

🔺 این متن Abstract مقاله‌ی DeepSeek R1 به زبان فارسی‌ست:

ما مدل‌های نسل اول استدلال خود را با نام‌های DeepSeek-R1-Zero و DeepSeek-R1 معرفی می‌کنیم. مدل DeepSeek-R1-Zero که با استفاده از یادگیری تقویتی در مقیاس بزرگ (RL) و بدون مرحله‌ی اولیه‌ی تنظیم دقیق تحت نظارت (SFT) آموزش دیده است، توانایی‌های استدلال شگفت‌انگیزی را نشان می‌دهد. این مدل از طریق RL به‌طور طبیعی رفتارهای استدلالی قدرتمند و جالبی را ارائه می‌دهد، اما با چالش‌هایی مانند ضعف در خوانایی و ترکیب زبان‌ها روبرو است. برای رفع این مشکلات و بهبود عملکرد استدلال، مدل DeepSeek-R1 معرفی شده است که از آموزش چندمرحله‌ای و داده‌های آغازین سرد قبل از RL بهره می‌برد. مدل DeepSeek-R1 به عملکردی قابل‌مقایسه با OpenAI-o1-1217 در وظایف استدلال دست یافته است. برای حمایت از جامعه تحقیقاتی، مدل‌های DeepSeek-R1-Zero، DeepSeek-R1، و شش مدل چگال (1.5B، 7B، 8B، 14B، 32B، 70B) استخراج‌شده از DeepSeek-R1 بر اساس Qwen و Llama متن‌باز شده‌اند.

🔖 لینک مقاله‌ی DeepSeek R1:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤12🔥8👍7😍3

877 views15:47

📕

کشف داروهای جدید با AI

🚨 زمان مطالعه: ۱ دقیقه

🔗

Artificial intelligence to deep learning: machine intelligence approach for drug discovery

🔗

#پزشکی

🔗

#هوش‌مصنوعی

🔺 مطالعه‌ای که براتون آوردیم درمورد نقش هوش مصنوعی در کشف، طراحی و توسعه داروها صحبت می‌کنه. طراحی و توسعه دارو با چالش‌هایی مثل کارایی پایین و وجود داده‌های پیچیده از ژنوم و پروتئوم ارگانیسم‌ها مواجهه، و شیوه‌های سنتی به نحوی در تولید داروهای جدید ناکارآمد شده.

🔺 هوش مصنوعی می‌تونه این چالش‌ها رو برطرف کنه و استفاده از الگوریتم‌های مختلف Deep learning و Machine learning در قدم به قدم فرآیند کشف داروهای جدید کمک‌کننده‌ست.

🔺 تصویر این پست، خلاصه‌ی این قدم‌هاست که نشون می‌ده چطور خواص فارماکولوژیک داروها و ویژگی‌های بیوشیمیایی مولکول‌ها توسط الگوریتم‌ها تعیین می‌شن تا در نهایت به یک داروی مورد تایید برسیم.

🔖 لینک DOI مقاله:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤15👍7🔥6👏2

874 views15:29

📕

بهبود شناسایی و تقسیم‌بندی تومورهای مغزی با استفاده از یادگیری جمعی پیشرفته

🚨 زمان مطالعه: ۲ دقیقه

🔗

https://pubmed.ncbi.nlm.nih.gov/39862469/

🔗

#پزشکی

🔗

#هوش‌مصنوعی

🔺 تومورهای مغزی، چه خوش‌خیم و چه بدخیم، تأثیر قابل توجهی بر سلامت انسان دارن و برای درمان موثر نیازه که شناسایی دقیق و زودهنگام انجام بشه. تحلیل تصاویر MRI یک روش رایج برای تشخیص و تقسیم‌بندی تومورهای مغزیه.

🔹

هدف این مطالعه، بهبود دقت و کارایی شناسایی و تقسیم‌بندی تومورهای مغزی با پیاده‌سازی یک رویکرد یادگیری جمعی پیشرفته (SEL) است.

🔖

یادگیری جمعی پیشرفته چیه؟

🔺 یادگیری جمعی پیشرفته یا SEL، یک تکنیک برجسته در پارادایم یادگیری ماشین هست که پیش‌بینی‌های چندین مدل پایه را ترکیب می‌کنه تا عملکرد کلی را بهبود ببخشه. با کاهش خطاها و تعصبات موجود در مدل‌های فردی، SEL دقت پیش‌بینی را افزایش می‌ده.

🔖

روش‌شناسی
رویکرد پیشنهادی شامل طراحی یک مدل متا به نام SEL-DenseNet201 هست که بر اساس DenseNet201 ساخته شده.
این مدل با ۶ مدل پایه دیگه تکمیل می‌شه.
هر مدل پایه، جنبه‌های مختلفی از MRI تومور مغزی رو مورد ارزیابی قرار می‌ده که به بهبود عملکرد تقسیم‌بندی کمک می‌کنه.
مدل SEL-DenseNet201 با استفاده از مجموعه داده‌های MRI تومور مغزی، آموزش داده می‌شه و تکنیک‌های افزایش داده برای متعادل‌سازی و بهبود عملکرد مدل از طریق تقویت تصویر و تکنیک‌های تقسیم‌بندی اعمال می‌شه.

🔖

نتایج
مدل پیشنهادی SEL-DenseNet201 نتایج قابل توجهی رو به دست آورد و دقت 99.65% و ضریب دایس 97.43% رو کسب کرد.
این نتایج برتری مدل پیشنهادی رو نسبت به روش‌های موجود نشان می‌ده و پتانسیلش رو به عنوان

یک ابزار غربالگری اولیه قابل اعتماد برای شناسایی زودهنگام تومورهای مغزی

تأیید می‌کنه.

و نهایتا این‌که

با نرخ موفقیت بالا، SEL-DenseNet201 می‌تونه نقش مهمی در تشخیص زودهنگام و برنامه‌ریزی درمان بیماران مبتلا به تومورهای مغزی ایفا کنه.

🔖 لینک DOI مقاله:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤15👍7🔥7

932 views12:24

https://news.1rj.ru/str/Lets_CONNECT_fa/222

📕

بررسی تصمیم‌گیری هدفمند در انسان و هوش مصنوعی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗

#معرفی

🔗

#ارائه

🔺 ۲۱ بهمن، ارائه‌ای در زمینه‌ی نوروساینس توسط گروه نوروساینس و فناوری‌های شناختی پژوهشکده فناوری‌های همگرا دانشگاه تهران (CONNECT) برگزار می‌شه. ارائه‌دهنده‌ی این جلسه، علی شیراوند، دانشجوی دکترای علوم اعصاب‌شناختی دانشگاه ENS Paris - PSL هست.

🔹 ارائه به شکل آنلاین خواهد بود و ثبت‌نام در آن نیز، رایگانه. به همین دلیل، شرکت در این ارائه رو پیشنهاد می‌کنیم!

🔖 لینک پست اصلی ارائه:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎

Please open Telegram to view this post

VIEW IN TELEGRAM

❤12🔥8👍5

952 views18:57

https://news.1rj.ru/str/RL_Hub

📕

Reinforcement Learning Hub

🚨 زمان مطالعه: ۳۰ ثانیه

🔗

#معرفی

🔺 همون‌طور که قبلا در این پست هم گفتیم، یکی از مدل‌های حل مسائل یادگیری ماشین، یادگیری تقویتی (Reinforcement Learning) هست که برای خودش دنیایی داره و دامنه‌ی خیلی بزرگی از مسائل رو شامل می‌شه. معمولا منابع فارسی مناسب جهت آموزش این مفاهیم پیشرفته هم خیلی زیاد نیستند و علاقه‌مندان برای یادگیری این مسائل، به sourceهای انگلیسی‌زبان مراجعه می‌کنند.

🔹 اخیرا گروهی از دانشجوهای دانشگاه‌های تهران مجموعه‌ای جهت آموزش رایگان Reinforcement Learning و مباحث پایه‌ای ایجاد کردند به نام RL Hub، هدف‌شون نیز آموزش از پایه تا مفاهیم پیشرفته هست. یکی از اصلی‌ترین تفاوت‌های این مجموعه هم، شروع از مفاهیم آمار و احتمال، جبرخطی و ریاضی‌ست که عموم sourceها این مورد رو شامل نمی‌شن و معمولا از نقطه‌ی نسبتا پیشرفته‌تری فعالیت خودشون رو آغاز می‌کنن.

🔖 لینک کانال RL Hub:

🔗

✍️

😊 ما رو به دوستانتون معرفی کنین 😉

🔅

💎