✅ 15 تا از بهترین تصاویر تولید شده در روزای اخیر از دید OpenAI
💡برای برخی تصاویر Prompt هم قرار داده شده.

@Onlinebme

این ویدیو فقط بخشی از فرآیند پیچیده و شگفت‌انگیز رو نشون می‌ده که مغز ما چطور به‌طور مداوم ارتباطات بین نورون را در پاسخ به تجربه های ما بازسازی میکند.

💡به قول دکتر Lara Boyd *هر شب که میخوابیم، فرداش یک شخص جدید هستیم، چرا که مغز ما ساختارش رو تغییر داده و ما دیگر آن فرد سابق نیستیم!

*  

Neuroscientist at the University of British Columbia

@Onlinebme

🔷 وقتی یک نورون فعال میشه، یک فعالیت الکتریکی از طریق آکسون ها ارسال شده و باعث آزادسازی نوروترنسمیترها در فضای سیناپسی (synaptic gap) میشه!

🔷 این مولکلها به گیرنده های نورونهای همسایه متصل میشن و باعث ایجاد یک پاسخ در نورون همسایه شده و در نتیجه آن سیگنال تولید شده به نورونهای دیگر منتقل میشه.

🔷 در طول زمان، این ارتباطات مداوم بین نورنها باعث تقویت اتصالات سیناپسی بین نورونها میشه، فرایندی که به آن انعطاف‌پذیری سیناپسی گفته میشه.

🔷 این روند برای یادگیری، شکل گیری حافظه، توانایی مغز در سازگاری با اطلاعات جدید یا بهبود بعد از یک آسیب بسیار حیاتی هست.

💡 شکل گیری یک سیناپس جدید، نه تنها باعث رهاسازی نوروترنسمیترها میشه، بلکه باعث رشد فیزیکی و شاخه دار شدن (ایجاد دندریت ها و آکسون جدید) در ساختار نورونها میشه.


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

مهمترین و پرکاربردترین فرمول‌هایی که هر فردی باید بلد باشه...
فقط آخریش 😅
@Onlinebme

🔘 ناکارآمدی هوش مصنوعی در ریاضیات🧐

💡همانطور که یان لیکان* باور دارد ، مدل‌های زبانی بزرگ (LLMها) فعلا نمیتونند المپیاد جدید ریاضی رو شکست بدهند.

🔷 یه مطالعه جدید به اسم «اثبات یا بلوف؟ بررسی عملکرد LLMها در المپیاد ریاضی آمریکا ۲۰۲۵» نشون میده که حتی بهترین مدل‌های هوش مصنوعی توی سوالات جدید المپیاد کمتر از %5 نمره گرفتن ( با اینکه توی سوالات قدیمی که قبلاً "دیده بودن" یا روشون آموزش دیده بودن، عملکرد خوبی داشتند).

💡نتیجه چیه؟ این مدل‌ها بیشتر به حفظ کردن تکیه دارن تا استدلال واقعی. برای کارهای تکراری یا آشنا خوبن، ولی هنوز نباید بهشون لقب "ابرهوشمند" بدیم. انگار این مدلها فعلا بیشتر برای شناسایی الگو خوب هستند تا درک واقعی و استدلال

*

لیکان کسی هست که شبکه‌های عصبی کانولوشنی یا همون CNNها رو به دنیا معرفی کرد (یه مدل انقلابی که مغز کامپیوترها رو به چشمی هوشمند تبدیل کرد!). الان هم استاد دانشگاه نیویورک و مدیر ارشد هوش مصنوعی توی شرکت متا (فیسبوک سابق) هست.

🔘لینک مقاله
https://arxiv.org/abs/2503.21934

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ نکات جالبی که در مقاله بهشون اشاره شده

💡 رایج‌ترین خطایی که بین شرکت‌کنندگان انسانی دیده می‌شه، ناتوانی در پیدا کردن راه‌حل درسته. ولی نکته جالب اینه که انسان‌ها معمولاً خودشون می‌دونن که جوابشون درسته یا نه. ولی همه مدلهای زبانی حتی وقتی مسئله رو اشتباه حل میکردند با از اطمینان ادعا میکردند که مسئله رو حل کرده اند! یعنی حتی توانایی درک درست یا غلط بودن راه حل خودشون رو هم ندارند!
اینو من در دوره پایتورچ که برای اثبات برخی روابط بهینه سازی از ChatGPT کمک میگرفتم خیلی میدیدم. جالبیش اینجا بود که وقتی بهش میگفتم اشتباه اثبات کردی ازم تشکر میکرد و دوباره همون مسیر اشتباه رو میرفت 😁

⚠️مقاله در ادامه ذکر میکنه که این تفاوت (بین مدلها و انسانها) یه چالش بزرگ برای استفاده از مدلها در زمینه های ریاضیات ایجاد میکنه، چرا که نمیتونیم به جوابهای مدلها اعتماد کنیم! مگر اینکه توسط یک انسان دقیق بررسی بشوند.

💡نکته بعدی اینه که نویسندگان مقاله در آزمایشات مشاهده کرده اند این بود که مدلها مشکل اساسی در خلاقیت دارند، بیشتر مدلها فقط یک روش که اونم معمولا اشتباه بوده رو بارها امتحان میکردن و اصلا سراغ روش دیگه ای نمیرفتند!

@Onlinebme

رایج ترین خطایی هم که مدلها داشتند، logic یا خطای منطقی بوده، یعنی مدلها ادر اثبات روابط از استدلال اشتباه یا ناقص استفاده میکردند، یا دلایل غلط میاوردند و یا اثباتهای قبلی رو اشتباه تفسیر میکردند.

💡کمترین خطا رو هم برای حل روابط جبری و حسابی داشتند.👌

@Onlinebme

💡 «حس مصنوعی برای دست‌های بیونیکی کنترل‌شونده با مغز»

🔹 تیم Neural Bionics Lab موفق شده یه سیستم BCI طراحی کنه که به افراد حس لمس اشیاء رو منتقل می‌کنه!
🔹 با استفاده از فناوری تحریک میکروکورتیال (ICMS)، کاربران دست‌های بیونیکی می‌تونن لبه‌ها، حرکت و شکل اجسام رو احساس کنن!

🦾 یعنی یه جهش فوق‌العاده در دنیای واسط‌های مغز-کامپیوتر!

تا امروز، تمرکز بیشتر پژوهش‌ها روی رمزگشایی افکار بوده؛
اما توی این مطالعه، حس واقعی بودن بازوی مصنوعی به کاربر القا میشه، انگار بازوی مصنوعی بخشی از بدن کاربر هست.
@Onlinebme

⚠️همیشه درک ما با واقعیت همسو نیست!

نور نقش مهمی در درک رنگ‌ها داره، اما این فقط مربوط به رنگ نیست. این پدیده شامل تأثیر متقابل میدان‌های گیرنده‌ی نورون‌ها (receptive fields) روی یکدیگر و همچنین سازگاری (adaptation) در سطح نورون‌هاست.
🔍 توهمات بصری چیزهای زیادی درباره‌ی عملکرد شبکیه‌ی عصبی و سیستم بینایی به ما یاد دادند و کمک زیادی به درک نحوه‌ی پردازش اطلاعات تصویری در مغز کردند.
Andrew Huberman

💡هر دو بخش یک رنگ هستند، انگشتتون رو روی خط وسط قرار بدید و مجدد بررسی کنید.

میدان گیرنده (Receptive Field) چیه؟
میدان گیرنده‌ی یک نورون، ناحیه‌ای از فضاست که محرک‌های بینایی در اون می‌تونن نرخ شلیک نورون (firing rate) رو تحت تأثیر قرار بدن.
حساسیت نورون‌ها به حرکت، بستگی زیادی به ویژگی‌های فضایی receptive field شون داره؛ مثل اندازه، شکل و نواحی فرعی RF


@Onlinebme

✅ مطالعه‌ی تاریخی هابل و ویزل

دیوید هابل و تورستن ویزل در آزمایشی از نورون‌های قشر بینایی گربه‌ها سیگنال ثبت کرده و تونستن میدان‌های گیرنده‌شون رو ترسیم کنند.

📢 صدای تق‌تق‌ هم که می شنوید، در واقع فعالیت الکتریکی نورون‌هاست که از طریق سیستم صوتی پخش می‌شه.
@Onlinebme

💡اهمیت این مطالعه در هوش مصنوعی و بینایی ماشین


🔷 در این آزمایش، الگوهای نوری روی صفحه‌ای در جلوی گربه نمایش داده شده و در همین حین، فعالیت نورون‌ها در قشر بینایی ثبت شدند. با این کار تونستند RF نورونها در مسیر بینایی رو ترسیم کنند.

🔷 در این آزمایش هاب و ویزل متوجه شدن که نورون‌های زیادی به الگوهای خاصی از روشنایی و تاریکی، مثل نقاط، دایره‌ها و نوارها واکنش نشون میدن. همچنین نورون‌هایی پیدا کردن که به جهت‌گیری و حرکت محرک‌ها حساس بودند. این یافته پایه‌ی اصلی درک ما از سیستم بینایی شد.

مطالعه‌ی هابل و ویزل باعث شد درک دقیقی از مسیر پردازش بینایی در مغز به ‌دست بیاد و به خاطر همین مطالعه ی مهمشون برنده جوایز مهمی از جمله جایزه نوبل پزشکی در سال 1981 شدند.

💡این پژوهش پایه‌گذار پیشرفت‌های بزرگی در بینایی ماشین شد. بعدها، الگوریتم HMAX توسط Riesenhuber و Poggio و شبکه‌های عصبی کانولوشن (CNN) با الهام از همین مسیر بینایی مغز توسط Yann LeCun و همکاران طراحی شده و باعث انقلاب در هوش مصنوعی و بینایی کامپیوتری شدند.

@Onlinebme

🔷سلول های ساده به جهت ستون های نوری پاسخ می دهند
🔶سلولهای پیچیده به ستون های نوری جهت دار در حال حرکت پاسخ می دهند
🔷سلولهای بسیار پیچیده به زوایا و منحنی ها پاسخ می دهند.
@Onlinebme

📢 به زودی دوره پیاده‌سازی شبکه های بازگشتی (RNNs) رو به صورت آنلاین برگزار خواهیم کرد

🔷 در این دوره قراره تئوری و ریاضیات شبکه هارو صفر تا صد بررسی کنیم.

🔷 همانند سایر دوره های شبکه عصبی، اینجا هم قراره روابط یادگیری هر شبکه عصبی رو (back propagation through time)رو اثبات کنیم، سپس مرحله به مرحله دستی خودمون پیاده‌سازی کنیم و چند مثال ساده هم انجام بدیم تا درک عمیقی از هر الگوریتم داشته باشیم

🔷 ادامه هم میریم نحوه پیاده‌سازی این شبکه ها در پایتورچ رو یاد میگیریم، و در آخر هم میریم سراغ پروژه های عملی و چندین پروژه تو حوزه های مختلف انجام میدم تا با کاربرد شبکه ها و چالش های استفاده از آنها در عمل آشنا شویم.


💡این روزا بخشی که مدلهای هوش مصنوعی اومدند و کمک خیلی خوبی در بخش کدنویسی پروژه ها میکنند، درک ریاضیات هر شبکه عصبی اهمیت بالایی پیدا می‌کنه
چرا که از این به بعد بیشتر وقت و تمرکز ما تو بخش نوآوری و خلاقیت باید باشه.
برای نوآوری هم درک عمیق شبکه های عصبی خیلی ضروریه.

✅در دوره RNNs همانند سایر دوره های یادگیری ماشین و شبکه های عصبی قراره ریاضیات هر شبکه عصبی رو یادگرفته و بعدش چندین پروژه عملی انجام بدهیم.

@Onlinebme

✅ جفری هینتون، که به «پدرخوانده هوش مصنوعی» شهرت داره، اخیرأ در مصاحبه‌ای به تحولات عمیق آموزشی که توسط مدل‌های هوش مصنوعی در راهه اشاره کرده و معتقده که در 10 سال آینده، مدرس‌های خصوصی مبتنی بر هوش مصنوعی به سطحی از کارایی و دقت خواهند رسید که نه‌ تنها آموزش سنتی را به چالش می‌کشند، بلکه در برخی حوزه‌ها جایگزین آن خواهند شد!

💡ممکنه در آینده برای آموزش به دانشگاهها نیازی نباشه، اما در پرورش تفکر انتقادی و مهارت‌های تحقیقاتی همچنان به بسترهای ساختار یافته و محیطی دانشگاهی نیازه.

💡هینتون توصیه میکنه که به جای صرفا یادگیری مهارتهای پایه مثل کدنویسی ابتدایی، دانشجویان باید بیش از پیش بر خلاقیت، حل مسئله بین‌رشته‌ای، و توانایی تولید ایده‌های نو تمرکز کنند.
@Onlinebme

☑️ تدریس هوش مصنوعی؛ رقیب جدی برای دانشگاه‌ها

هینتون پیش‌بینی می‌کند که مدرس‌های هوش مصنوعی با بهره‌گیری از داده‌های عظیم میلیون‌ها دانش‌آموز، قادر خواهند بود با دقتی بی‌سابقه، درک نادرست هر دانش‌آموز را شناسایی کرده و محتوای آموزشی سفارشی‌سازی‌شده برای اصلاح آن ارائه دهند. به باور او، این سطح از آموزش می‌تواند تحصیلات دانشگاهی در مقطع کارشناسی، به‌ویژه در رشته‌هایی مانند علوم کامپیوتر و کدنویسی، را تا حد زیادی غیرضروری سازد.

☑️ آیا دانشگاه همچنان ارزش خود را حفظ خواهد کرد؟

با وجود تهدیدات موجود برای آموزش آکادمیک، هینتون بر این نکته تأکید می‌کند که نقش دانشگاه‌ها به‌طور کامل از بین نخواهد رفت. او معتقد است که حوزه‌هایی نظیر پرورش تفکر انتقادی و مهارت‌های تحقیقاتی همچنان به بسترهای ساختار یافته و محیطی دانشگاهی نیاز دارند.
به گفته وی، تحقیقات، فعالیتی مبتنی بر راهنمایی، تجربه عملی، و تعامل عمیق است؛ نه صرفاً پیروی از مجموعه‌ای از قوانین ثابت.

این گفته هینتون منو یاد جلسه معارفه اساتید علم و صنعت میندازه که یکی از بچه ها از دکتر عرفانیان پرسیدند که دستاورد ما در دوره ارشد چی خواهد بود؟! که جواب دادند «ما اینجا فقط بهتون نحوه انجام research رو یاد میدیم. همین رو شما یاد بگیرید بسه!»

واقعیت این است که اگر کسی واقعاً نحوه صحیح پژوهش رو یاد بگیرد، مانعی برای پیشرفت او وجود نخواهد داشت.

⚠️هشدار جدی برای دانشجویان علوم کامپیوتر

وقتی از هینتون پرسیده شد که آیا ظهور این مدل‌ها برای دانشجویان علوم کامپیوتر نگران‌کننده است، پاسخ او «بله» بود.
هینتون تصریح کرد که بسیاری از مباحث سنتی در این رشته ممکن است توسط سیستم‌های هوش مصنوعی پوشش داده شوند.
⚠️ این یک هشداری است برای دانشجویانی که فکر می‌کنند یادگیری کدنویسی ابتدایی و تکنیک‌های معمول، برای موفقیت در آینده کافی خواهد بود.

🔍 بازنگری در مسیرهای آموزشی؛ فرصت یا تهدید؟

گرچه این تحولات در نگاه نخست تهدیدآمیز به نظر می‌رسند، اما هینتون از منظر دیگری نیز به ماجرا نگاه می‌کند: فرصتی برای بازاندیشی در مورد ارزش واقعی دانشگاه. به باور او، دانشجویان باید بیش از پیش بر خلاقیت، حل مسئله بین‌رشته‌ای، و توانایی تولید ایده‌های نو تمرکز کنند (مهارت‌هایی که هوش مصنوعی فعلاً قادر به جایگزینی آن‌ها نیست).


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

🔥سرعت پیشرفت هوش مصنوعی

بالایی: ویدیو تولید شده توسط هوش مصنوعی در 2023.
پایینی: ویدیو تولید شده توسط هوش مصنوعی در 2025.
@Onlinebme

✅توابع هزینه در شبکه های عصبی
💡توابع هزینه نقش اساسی در یادگیری شبکه های عصبی دارند و بهشون کمک می‌کنند در راستای هدف خاصی وزنهای سیناپسی خودشون رو تنظیم کنند. تابع هزینه یک تابع ریاضیاتی هست که عملکرد یک شبکه عصبی در انجام یک تسک خاص رو اندازه‌گیری می‌کند.

@Onlinebme

☑️ تابع هزینه Cross-Entropy
◾️مناسب مسائل طبقه بندی
◽️جریمه بیشتر خطاهای با سطح اطمینان بالا
◾️قابلیت تعمیم برای داده های نامتعادل

☑️ تابع هزینه Hinge
◾️مناسب مسائل طبقه بندی
◽️مسائل max-margin همانند SVM

☑️ تابع هزینه MSE
◾️مناسب مسائل رگرسیون
◽️جریمه بیشترخطاهای زیاد
◾️حساس به داده های پرت

☑️تابع هزینه MAE
◾️مناسب مسائل رگرسیون
◽️جریمه یکسان خطاها
◾️مقاوم به داده های پرت
◽️ناتوانی در تولید خروجی های خاص

☑️ تابع هزینه Huber
◾️مناسب مسائل رگرسیون
◽️ترکیب دو تابع MSE و MAE
◾️مقاوم به داده‌های پرت
◽️نیاز به تنظیم هایپرپارمتر


PDF
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅دستی مصنوعی ساخته شده توسط شرکت Open Bionics

شرکت Open Bionics یک شرکت بیونیک است که در زمینه تولید ابزارهای کمکی مقرون‌ به‌ صرفه و پیشرفته فعالیت میکنه.
این شرکت ابزارهایی مثل دست مصنوعی برای
بهبود عملکرد بدن انسان طراحی میکنه. با Hero Arm، که از فناوری چاپ سه بعدی استفاده شده برای ساختش، وارد این حوزه شده، و حالا محصولات مختلفی در این زمینه ارایه میده.


@Onlinebme