🟢 مقاله خوانی در حوزه یادگیری ماشین و یادگیری عمیق

💡 موضوع ششمین ارائه:
Orthogonalization with random neural networks

👤 ارائه دهنده: هادی دانشمند (PhD, Postdoctoral Researcher, Princeton University)

📅 زمان ارائه: چهارشنبه 18 اسفند ساعت 18:00

🚪محل برگزاری: 🔗 اتاق مجازی دکتر رهبان

حضور برای همه علاقمندان، آزاد است.

✅ #یادگیری_ماشین #یادگیری_عمیق #آزمایشگاه_یادگیری_ماشین_مقاوم_و_تفسیرپذیر

🆔 @RIMLLab

لینک ویدئوی ارائه آقای دانشمند:
https://drive.google.com/file/d/1wdqxBIEQq32sxxByk99LQBOZLTVKpY5h/view?usp=sharing

🟢 مقاله خوانی در حوزه یادگیری ماشین و یادگیری عمیق

💡 موضوع هفتمین ارائه:
Convex and non-convex optimization for machine learning

👤 ارائه دهنده: فرانسیس باخ (INRIA in Ecole Normale Supérieure)

📅 زمان ارائه: پنجشنبه 18 فروردین ساعت 13:30

🚪محل برگزاری: 🔗 اتاق مجازی دکتر رهبان

حضور برای همه علاقمندان، آزاد است.
✅ #یادگیری_ماشین #یادگیری_عمیق #آزمایشگاه_یادگیری_ماشین_مقاوم_و_تفسیرپذیر

🆔 @RIMLLab

سلام. سال نو مبارک باشه. ان شاء الله سال خوب و پربرکتی پیش رو داشته باشید. آقای فرانسیس باخ دعوت ما برای سخنرانی را قبول کردند. ارائه ایشان ۱۸ فروردین ساعت ۱۳:۳۰ در حوزه بهینه‌سازی در یادگیری ماشین، و مسائل باز و چالشی آن است. از دوستان علاقه‌مند، برای حضور در این گفتگو، دعوت می‌کنیم.

📢 کاربرد هوش مصنوعی در تصویربرداری پزشکی

📚 موضوع: پالایش داده های بالینی تصویربرداری پزشکی برای تحقیق و توسعه هوش مصنوعی

👤 سخنران: دکتر منصور فاتحی
رادیولوژیست و فوق تخصص انفورماتیک تصویربرداری
مسئول بیوبانک نقشه برداری مغز ایران

📅 زمان: چهارشنبه 23 آذر، ساعت 14 تا 16

🏢 مکان: دانشگاه صنعتی شریف، طبقه چهار دانشکده مهندسی کامپیوتر، تالار خوارزمی

✅ حضور برای همه علاقمندان، آزاد است.

🆔 @RIMLLab

با توجه به غیرحضوری شدن دانشگاه در روز چهارشنبه، این برنامه به زمان دیگری موکول شد.

🔵 معاونت پژوهشی دانشکده مهندسی کامپیوتر به مناسبت هفته‌ی پژوهش سخنرانی‌های علمی زیر را امروز برگزار می‌کند:

🔹مهندسی ثابت‌افزار و برخی از حوزه‌های فعالیت در آن
ساعت ۱۳ - ۱۳:۳۰
دکتر علیرضا اجلالی

🔹تطبیق نوری رشته‌های DNA توسط پردازنده نوری
ساعت ۱۳:۳۰ - ۱۴
دکتر سمیه کوهی

🔹چالش‌های حفظ حریم خصوصی در اینترنت اشیاء
ساعت ۱۴ - ۱۴:۳۰
دکتر مرتضی امینی

🔹حاکمیت بهینه برای خوشحالی جمعی در بازارهای شبکه‌ای
ساعت ۱۴:۳۰ - ۱۵
دکتر محمدامین فضلی

🔹سوی تعمیم‌پذیری خارج از توزیع
ساعت ۱۵ - ۱۵:۳۰
دکتر مهدیه سلیمانی

🔹تحقیقات پردازش زبان‌های ایرانی و علوم‌انسانی محاسباتی به همراهی گزارش‌هایی از تجربه آموزش در حین پژوهش و حل مسئله
ساعت ۱۵:۳ - ۱۶
دکتر احسان‌الدین عسگری

🔹تشخیص ناهنجاری نزدیک به توزیع در تصاویر
ساعت ۱۶ - ۱۶:۳۰
دکتر محمدحسین رهبان


تاریخ :‌ چهارشنبه،‌ ۳۰ آذر
لینک برگزاری: https://vc.sharif.edu/ch/ce-talks
چکیده‌ی ارائه‌ها و اطلاعات بیشتر در فایل پیوست

〰️〰️〰️〰️〰️〰️〰️
🆔 @SSC_Public

📢 کاربرد هوش مصنوعی در تصویربرداری پزشکی

📅 زمان جدید سمینار: چهارشنبه هفته جاری (7 دی)، ساعت 14 تا 16

🆔 @RIMLLab

📢 هوش مصنوعی، به کجا چنین شتابان؟

👤 سخنران: دکتر محمد شکوهی یکتا

📅 زمان: سه شنبه 27 دی، ساعت 15 تا 17

🏢 مکان: دانشگاه صنعتی شریف، طبقه چهار دانشکده مهندسی کامپیوتر، تالار خوارزمی

✅ حضور برای همه علاقمندان، آزاد است.

🆔 @RIMLLab

📢 موضوع: Precision Medicine: The Future of Healthcare

👤 سخنران: دکتر ماندانا حسن زاد

📅 زمان: چهارشنبه 28 دی، ساعت 10 صبح

🏢 مکان: دانشگاه صنعتی شریف، طبقه چهار دانشکده مهندسی کامپیوتر، تالار خوارزمی

✅ حضور برای همه علاقمندان، آزاد است.

🆔 @RIMLLab

این سمینار به سه شنبه ۴ بهمن ساعت ۱۰:۳۰ موکول گردید.

📢 تحولات 10 سال اخیر بینایی ماشین در صنعت

👤 سخنران: دکتر حمیدرضا واعظی

📅 زمان: پنج شنبه 20 بهمن، ساعت 9 تا 11

🔗 آدرس: https://vc.sharif.edu/ch/rohban

✅ حضور برای همه علاقمندان، آزاد است.

🆔 @RIMLLab

🌐 Register at react.ee.sharif.edu
@ReACT2023

آزمایشگاه یادگیری ماشین مقاوم و تفسیرپذیر برای تکمیل یکی از پروژه های خود از دانشجویان کارشناسی دانشگاه شریف که علاقه مند و واجد شرایط لازم هستند، دعوت به همکاری می نماید.

اطلاعات بیشتر و نیازمندی های مورد نظر این پروژه به شرح زیر هستند:

در این پروژه به دنبال بررسی مقاومت مدلهای مختلف، به طور خاص نسبت به حملات L0 و مقایسه چند رویکرد مختلف برای آموزش خصمانه مناسب این حملات از نظر دقت نهایی، زمان و تعمیم پذیری نسبت به سایر حملات هستیم.

زمان تخمینی برای این پروژه ۸ ماه است که بسته به عملکرد تیم و روند آزمایشها و نتایج ممکن است تغییر کند.

انتظار میرود دانشجوی همکار توانایی مرور و بررسی کارهای اخیر مرتبط و ادبیات موضوع را داشته باشد و بتواند به آنها مسلط بشود.آزمایشهای لازم را با کمک نسخه فعلی کدهای موجود اجرا کند و همچنین پیاده سازیهای لازم و تکمیلی را انجام بدهد.همچنین نتایج به صورت استاندارد و قابل اطمینان جمع بندی و گزارش شوند.

پیشنیازهای ضروری عبارتند از:
تسلط به مباحث یادگیری عمیق به صورت نظری و عملی (زبان برنامه نویسی python)
آشنایی و علاقه به فعالیت پژوهشی (آشنایی به حوزه robustness و سابقه پژوهشی کمک کننده و امتیاز است.)

برای آشنایی بیشتر با فضای کلی پروژه مقالات زیر معرفی میشوند:
Sparse-RS: a Versatile Framework for Query-Efficient Sparse Black-Box Adversarial Attacks

Sparse and Imperceivable Adversarial Attacks


در صورتی که شرایط ذکر شده را دارید و تمایل دارید به تیم ما برای تکمیل این پروژه اضافه شوید، لطفا دو مقاله معرفی شده را به صورت کامل مطالعه کنید و به ایمیل z.golgooni@gmail.com پیام بدهید.

آزمایشگاه یادگیری ماشین مقاوم و تفسیر پذیر برای تکمیل یکی از پروژه‌های خود از دانشجویان کارشناسی دانشگاه شریف که علاقه مند و واجد شرایط لازم هستند، دعوت به همکاری می‌نماید.


اطلاعات بیشتر و نیازمندی‌های مورد نظر این پروژه به شرح زیر هستند:


در سالهای اخیر دانشگاه استنفورد، مدل سازی مبتنی بر امتیاز (score based) از طریق معادلات دیفرانسیل تصادفی را توسط Yang Song پیشنهاد کرده است. در این راستا ما در این پروژه قصد داریم روی افزایش سرعت نمونه برداری و سریعتر اجرا شدن آن کار کنیم. همچنین در صورت امکان و با احتمال پایینتر به بهبود کیفیت نمونه برداری و بررسی بر روی هندسه منیفلد (نظیر مدل های پروتئین یا داده های رباتیک) نیز خواهیم پرداخت. 

زمان تخمینی برای این پروژه ۱۲ ماه است که بسته به عملکرد تیم و روند آزمایش‌ها و نتایج ممکن است تغییر کند.


انتظار می رود دانشجوی همکار بخش‌هایی از برنامه نویسی پروژه به زبان پایتون و پیاده سازی کد الگوریتم ها را به خوبی انجام دهد و به عنوان یکی از اعضا در انجام پروژه همفکری مفید داشته باشد.


پیش نیازهای ضروری عبارتند از: 

جبر خطی

آمار و احتمال

آشنایی با مفاهیم یادگیری ماشین و یادگیری عمیق

برنامه نویسی python



برای آشنایی بیشتر با فضای کلی پروژه دو مقاله زیر معرفی می‌شوند:

1)Score based generative modeling through stochastic differential equations

2)An efficient SDE solver for score-based diffusion models

3)Consistency models


در صورتی که شرایط ذکر شده را دارید و تمایل دارید به تیم ما برای تکمیل این پروژه اضافه شوید، لطفا مقالات معرفی شده را به صورت کامل مطالعه کنید و به ایمیل seyedreza.shiyade@gmail.com  پیام بدهید.