Top 10 Machine Learning Algorithms

تا الان فکر کردین اگه بخواید یه سیستم رو که الان با نیروی انسانی در حال کار کردن هستش به هوش مصنوعی مهاجرت بدید چه هزینه‌هایی رو باید در نظر بگیرید؟

من یه مطلب نوشتم که تجربه‌ی خودم رو توش تا یه حد کوچولویی گفتم، خوشحال می‌شم بخونید.

🔗 لینک مطلب

#LLM
#product
#solution
#GPT

🆔 @lifeAsAService

سلام دوستان لینک دعوت فیلترشکن برای ی برنامه‌نویسان، گیمرها، دانشجویان، فعالین حوزه رمز ارز، فریلنسرها از لینک دعوت من استفاده کنین هم شما ی فیلترشکن مطمین استفاده کنین بدونین قطعی نداره هم من ی حجمی بدست بیارم😁، هم شما به فیلترشکنی قابل پشتیبان دسترسی داشته باشید
https://t.me/F14PanelBot?start=invite_56479f968ee3cd3dd92bfa05ebf07fc9

پ.ن: خدماتشون من به شدت راضیم دوستانتون رو دعوت کنید و حجم هدیه بگیرید

این مقاله به بررسی پیش‌بینی پیشرفت بیماری #پارکینسون (PD) با استفاده از رگرسیون، شبکه‌های LSTM و شبکه‌های کولموگروف آرنولد (KAN) می‌پردازد.

شبکه KAN با بهره‌گیری از یادگیری دینامیک الگوهای فعال‌سازی، عملکرد بهتری نسبت به مدل‌های دیگر در پیش‌بینی پیشرفت بیماری بر اساس مقیاس MDS-UPDRS و ناهنجاری‌های پروتئین/پپتید نشان می‌دهد.

این مطالعه بر پتانسیل هوش مصنوعی و یادگیری ماشین در بهبود مراقبت و استراتژی‌های درمانی بیماران مبتلا به پارکینسون تأکید می‌کند.

▪️ Advancing Parkinson's Disease Progression Prediction: Comparing Long Short-Term Memory Networks and Kolmogorov-Arnold Networks

#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

این مقاله الگوریتم‌های حفظ حریم خصوصی را برای تحلیل تمرینات توانبخشی زانو از داده‌های ویدئویی معرفی می‌کند. این الگوریتم‌ها از Google MediaPipe برای تخمین وضعیت بدن استفاده کرده و ویدئوها را به داده‌های سری زمانی تشخیصی تبدیل می‌کنند.

الگوریتم‌ها ویدئوها را با استفاده از اسکچ‌های استخوان‌بندی و تخمین زاویه زانو تقویت کرده و به دقت 91.67% تا 100% در شناسایی تمرینات از زوایای مختلف دست یافته‌اند.

این تحقیق به هوش مصنوعی قابل تفسیر کمک کرده و توسعه پلتفرم‌های متن‌باز و غیر انحصاری برای سیستم‌های بهداشتی در آینده را تسهیل می‌کند.

▪️ Towards nation-wide analytical healthcare infrastructures: A privacy-preserving augmented knee rehabilitation case study

#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

سلام دوستان

اخیرا مقاله‌ای با ایده‌ای هوشمندانه تحت عنوان
Byte Latent Transformer: Patches Scale Better Than Tokens
توسط شرکت Meta معرفی شده که با ارائه یک روش قابل آموزش، مبتنی بر داده (Data-driven) و پویا (Dynamical) مدل‌های زبانی رو قادر می‌کنه به طور مستقیم به یادگیری در سطح Byte بپردازد. در این مقاله علاوه بر یک معماری جدید برای پردازش متن، روشی هوشمند برای Patch کردن Byte ها مبتنی بر آنتروپی تخمین ارائه شده.

در این ویدئو توضیحات دقیق و جذابی از این مقاله ارائه کرده‌ایم🔥:
https://youtu.be/tFRdrIG4Ztc?si=NMXC_-kMXoZRYqkk
با دیدن این ویدئو بدون اتلاف وقت به طور کامل رویکرد این مقاله جدید رو به به‌ترین شکل فرا می‌گیرید.

مقاله رو می‌تونید از اینجا مطالعه کنید.

امیدوارم مفید واقع بشه❤️
@neuralblackmagic

یکی از دوستان اینجا زحمت فاین توین مدلهای بزرگ رو برای زبان فارسی کشیده کارشون قابل تحسین و فوق العادس هرکسی نیاز داره اینجا استفاده کنه ازشون

https://huggingface.co/MehdiHosseiniMoghadam

#متن_باز #مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

این مقاله مدل هوش مصنوعی LUNA را معرفی می‌کند که نقشه‌های هوادهی ریه را مستقیماً از داده‌های فرکانس رادیویی (RF) بازسازی می‌کند و نیاز به تفسیر تصاویر سنتی B-mode در سونوگرافی ریه را حذف می‌کند.

با استفاده از یک اپراتور عصبی فوریه (Fourier Neural Operator)، LUNA در اسکن‌های ریه خوک به‌صورت برون‌تنی، پس از آموزش با داده‌های شبیه‌سازی‌شده و واقعی، به خطای تخمین هوادهی 9% دست یافته است.

این روش کمی و مستقل از کاربر با هدف بهبود کاربرد تشخیصی و قابلیت تکرارپذیری #سونوگرافی ریه طراحی شده است.

▪️ Ultrasound Lung Aeration Map via Physics-Aware Neural Operators

#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اگر میخواید مقالات مهم مرتبط با یک #مقاله رو پیدا کنید و به صورت نمایش گرافی ببینید، از سایت زیر استفاده کنید
connectedpapers.com

اگر ابزار های دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

سلام سلام امیدوارم حالتون خوب باشه.
من برای ترم آینده درس طراحی پایگاه‌های داده رو ارائه می‌دم، خوشحال می‌شم که به عنوان تی‌ای کنار من باشید تا بتونیم با هم مسیر ارزشمندی رو برای دوستامون خلق کنیم.

اگه علاقه‌مند هستین می‌تونید فرم زیر رو تکمیل کنید:
https://docs.google.com/forms/d/e/1FAIpQLSfq3fCRFlU2rCWJ_tJqgapvu6zzc_NVs3c-82MgCTckObkMEA/viewform?usp=header

مشغول مطالعه نمایشنامه " مده آ " هستم و پیشنهاد میدم که این نمایشنامه جذاب رو مطالعه کنید.

https://taaghche.com/book/83955/%D9%85%D8%AF%D9%87-%D8%A2

جیسون مامور می‌شود برای پس گرفتن پشم زرین به سرزمین کلخیس برود، در آن‌جا زنی را می‌بیند و هر دو به هم علاقه‌مند می‌شوند. مده‌آ برای رسیدن به جیسون به پدر و برادر خودش خیانت می‌کند و همراه جیسون بازمی‌گردد. اما مده‌آ جادوگری ماهر است و او را نمی‌پذیرند و از طرفی جیسون برای رسیدن به پادشاهی باید با زنی دیگر ازدواج کند، همین موضوع باعث انتقامی بزرگ می‌شود. نمایشنامه مده‌آ داستان انتقام این زن است.

کاربرد مدل بنیادی در انواع سلول‌های انسانی

معرفی مدل General Expression Transformer (GET): یک مدل بنیادی پیشرفته برای پیش‌بینی بیان ژن در 213 نوع سلول انسانی با استفاده از داده‌های دسترسی کروماتین و توالی ژنتیکی. مدل GET به دقتی در سطح آزمایشگاهی دست یافته است، حتی برای انواع سلول‌هایی که قبلاً دیده نشده‌اند.

کشف تعاملات فاکتورهای رونویسی جهانی و خاص سلول‌ها: مدل GET دیدگاه‌های ارزشمندی درباره مکانیسم‌های تنظیمی ارائه می‌دهد و در شناسایی عناصر تنظیمی (مانند تقویت‌کننده‌های بلندمدت که در روش‌های قبلی نادیده گرفته شده‌اند) عملکرد بهتری نسبت به مدل‌های موجود دارد.

قابلیت‌های پیش‌بینی بدون آموزش اضافی (Zero-shot): مدل GET توانایی پیش‌بینی فعالیت‌های تنظیمی را بدون نیاز به آموزش اضافی دارد. در سلول‌های K562، مدل GET عملکردی برتر نسبت به مدل‌های پیشرفته دیگر نشان داد و دقت بی‌سابقه‌ای در پیش‌بینی بیان ژن داشت.

یادگیری خودنظارتی (Self-supervised learning): مدل GET نحو (syntax) تنظیم رونویسی را ثبت می‌کند و تعاملات میان عناصر تنظیمی و فاکتورهای رونویسی را در انواع سلول‌های متنوع مدل‌سازی می‌کند.

انعطاف‌پذیری برجسته مدل: این مدل قابلیت کارکرد در پلتفرم‌ها و آزمایش‌های مختلف توالی‌یابی را دارد، از جمله کاربرد آن در سلول‌های توموری و موفقیت در پیش‌بینی تعاملات بلندمدت بین تقویت‌کننده و پروموتر.

شناسایی تعامل جدید فاکتور رونویسی خاص لنفوسیت‌ها: این مدل یک تعامل جدید فاکتور رونویسی خاص لنفوسیت را شناسایی کرد که اهمیت عملکردی یک جهش مرتبط با سرطان خون (لوسمی) را توضیح می‌دهد. این دستاورد توانایی مدل را در پیوند دادن تنوع ژنتیکی به تأثیرات تنظیمی نشان می‌دهد.

پیش‌بینی‌های ساختاری با استفاده از AlphaFold2: این مدل دینامیک تا خوردگی تعاملات فاکتورهای رونویسی را نشان داد و امکان ساخت کاتالوگی جامع از شبکه‌های فاکتورهای رونویسی را فراهم کرد که به صورت عمومی برای تحقیقات بیشتر در دسترس است.

مطالعات موردی با استفاده از مدل GET: این مطالعات بینش‌های جدیدی درباره مکانیسم‌های تنظیمی کلیدی در تنظیم هموگلوبین جنینی و پیش‌زمینه‌های لوسمی فراهم کرده‌اند و بر پتانسیل تحول‌آفرین این مدل در تحقیقات ژنتیکی تأکید دارند.

▪️ A foundation model of transcription across human cell types
▪️ Code

#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کتابخانه رو اسمش رو گذاشتن "ملی" ولی فقط ارشد و دکتری رو ثبت نام میکنه . خوب اسمش رو میذاشتین کتابخانه فرهیختگان یا کتابخانه آکادمیک ایران یا کتابخانه این قشر خاص دیگه، "کتابخانه ملی" ؟!😂

پیش‌بینی و بهینه‌سازی مؤثر بیان ژن از توالی‌های پروتئینی

1- این مطالعه یک مسیر جدید مبتنی بر #هوش_مصنوعی معرفی می‌کند که برای پیش‌بینی و بهینه‌سازی بیان پروتئین‌های محلول در میزبان‌های ناهمگون طراحی شده است. با بهره‌گیری از #انتقال_یادگیری و مدل‌سازی پیشرفته پروتئین، نویسندگان به پیشرفت‌های چشمگیری در مهندسی پروتئین دست یافته‌اند.

2- نوآوری اصلی این تحقیق معرفی مدل MP-TRANS است، یک مدل ترنسفورمر از پیش‌آموزش‌یافته که برای پیش‌بینی بیان پروتئین بهینه‌سازی شده است.
این مدل توانست با دقت متوسط 0.78 بیان پروتئین را در 88 گونه پیش‌بینی کند و از روش‌های متداول بهتر عمل کند.

3- در این مطالعه، معیار قدرت سوگیری نسبی اسید آمینه (SRAB) بر اساس شاخص بیان اسید آمینه (AEI) توسعه یافته است.
این معیار جدید ارتباط کمی بین انتخاب اسید آمینه و بیان پروتئین را نشان داده و بینش‌های کلیدی در مورد رابطه توالی و ساختار ارائه می‌دهد.

4- یک مدل پیشرفته برای تولید جهش‌یافته‌ها به نام MPB-MUT معرفی شده است که برای مهندسی پروتئین‌هایی با بیان بالاتر طراحی شده است.
5- به عنوان مثال، سه جهش‌یافته زایلاناز توانستند بیان سطح بالایی را در E. coli به دست آورند و موانع پیشین را پشت سر بگذارند.
این مسیر، یادگیری عمیق را با اعتبارسنجی آزمایشگاهی ادغام می‌کند.
6- جهش‌یافته‌هایی که توسط MPB-MUT تولید و با MP-EXP بررسی شدند، بهبود قابل‌توجهی در بیان نشان دادند، بدون اینکه عملکرد پروتئین مختل شود.

7- تحلیل‌های پیش‌بینی بین گونه‌ها عملکرد قوی در گروه‌های مرتبط از نظر فیلوژنتیکی را نشان داد.
این مطالعه بر پایه تکاملی بیان پروتئین تأکید کرده و انعطاف‌پذیری این روش را برجسته می‌کند.

8- معیار SRAB و مدل‌های MP-TRANS با استفاده از آنزیم‌های سلولاز و PETase بیشتر تأیید شدند.
این بررسی‌ها بهبود بیان را به همراه داشت و قابلیت تعمیم این روش به اهداف پروتئینی متنوع را تأیید کرد.

این مدل با ترکیب #یادگیری_عمیق و روش‌های آزمایشگاهی، مسیر را برای کاربردهای #بیوتکنولوژیکی کارآمد هموار می‌کند.

▪️ Effective Gene Expression Prediction and Optimization from Protein Sequences


#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نمونه‌برداری مغرضانه پیش‌بینی #یادگیری_ماشین از مقاومت ضد میکروبی (AMR) را مختل می‌کند.

1- این مطالعه نشان می‌دهد که نمونه‌برداری جانبدارانه و ساختار جمعیتی در مجموعه داده‌های ژنومی باکتری‌ها به طور قابل توجهی توانایی مدل‌های یادگیری ماشین (ML) را برای پیش‌بینی دقیق #مقاومت_ضد_میکروبی (AMR) محدود می‌کند.

2- با استفاده از بیش از ۲۴,۰۰۰ ژنوم و فنوتیپ‌های AMR از پنج گونه باکتری، نویسندگان نشان می‌دهند که مدل‌های ML که روی مجموعه داده‌های جانبدارانه آموزش دیده‌اند، نشانگرهای فیلوژنتیکی را با ویژگی‌های مقاومت ترکیب کرده و دقت پیش‌بینی را کاهش می‌دهند.

3- افزایش حجم نمونه‌های آموزشی به تنهایی این سوگیری‌ها را کاهش نمی‌دهد. مدل‌هایی که بر روی مجموعه داده‌های بزرگ‌تر آموزش دیده‌اند همچنان در تعمیم دادن به کلادهای فیلوژنتیکی خاص شکست می‌خورند.

4- این تحلیل اثرات گونه- و داروی-خاص را شناسایی می‌کند و نشان می‌دهد که باکتری‌های گرم منفی و برخی از کلاس‌های دارویی چالش‌های منحصربه‌فردی برای پیش‌بینی AMR ایجاد می‌کنند.

5- مطالعه حداقل همپوشانی در ویژگی‌های پیش‌بینی‌کننده بین کلادهای فیلوژنتیکی را نشان می‌دهد و بر دشواری شناسایی نشانگرهای مقاومت جهانی با استفاده از روش‌های فعلی ML تأکید می‌کند.

6- برای مواجهه با این چالش‌ها، نویسندگان پیشنهاد می‌کنند الگوریتم‌های ML کارا توسعه داده شوند و مجموعه داده‌هایی متوازن و نمایانگر کلی که تنوع جمعیت‌های باکتریایی را منعکس می‌کنند، گردآوری شوند.

7- این تحقیق اهمیت استراتژی‌های نمونه‌برداری دقیق، از جمله گسترش نظارت به مناطق کم‌نمایش‌یافته را برای ایجاد مجموعه داده‌هایی که مقاومت مدل‌های ML در برابر عوامل مخدوش‌کننده را بهبود می‌بخشند، برجسته می‌کند.

8- این یافته‌ها توصیه‌های عملی برای پیشرفت پیش‌بینی AMR مبتنی بر ML ارائه می‌دهند که برای نظارت مؤثر و مقابله با تهدید جهانی مقاومت ضد میکروبی حیاتی است.

▪️ Biased sampling confounds machine learning prediction of antimicrobial resistance
▪️ AMR_prediction Code

#مقاله #ایده_جذاب #علوم_پزشکی #ژنتیک #زیست_شناسی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نمایش‌های دقیق و عمومی DNA از مدل‌های پایه ژنومی در مقیاس وسیع .

1- این مطالعه مدل AIDO.DNA را معرفی می‌کند، یک مدل ترانسفورمر با 7 میلیارد پارامتر که به‌عنوان بزرگ‌ترین مدل نمایش DNA با معماری فقط رمزگذار شناخته می‌شود. این مدل بر روی 10.6 میلیارد نوکلئوتید از 796 گونه آموزش داده شده و استاندارد جدیدی برای نمایش ژنومی، یادگیری انتقالی و تولید توالی ایجاد کرده است.

2- برخلاف مدل‌های پیشین، AIDO.DNA با طول زمینه کوتاه‌تر (4000 نوکلئوتید) کار می‌کند و نشان می‌دهد که افزایش عمق مدل بدون نیاز به افزایش طول زمینه باعث بهبود عملکرد در وظایف نظارت‌شده، بدون نظارت و تولیدی می‌شود.

3- نوآوری کلیدی: این مدل در پیش‌بینی خواص توالی و پیش‌بینی اثر جهش‌ها در حالت (zero-shot) به نتایج پیشرفته‌ای دست یافته و از مدل‌هایی مانند Nucleotide Transformer و DNABERT در دقت عملکرد پیشی گرفته است.

4- توکن‌سازی دقیق در سطح تک نوکلئوتید در AIDO.DNA بهبود چشمگیری در شناسایی جهش‌های ژنومی موثر ایجاد کرده و استاندارد جدیدی برای وظایفی مانند پیش‌بینی بیماری‌زایی در حالت Zero-shot ارائه می‌کند.

5- پیش‌آموزش #خودنظارتی این مدل، عناصر ژنومی هم‌تکاملی را بدون نیاز به حاشیه‌نویسی آشکار کرده است. این موضوع مسیرهای جدیدی را برای کشف مناطق تنظیمی نوین و وابستگی‌ها در توالی‌های DNA باز می‌کند.

6- در زمینه زیست‌شناسی مصنوعی، AIDO.DNA با کارآیی داده‌ای خود برجسته است و با استفاده از تنها 0.01 درصد از مجموعه داده کامل، 73 درصد عملکرد را در پیش‌بینی پروموتر حفظ کرده است. این نشان‌دهنده توانایی آن در شرایط کمبود منابع است.

7- تولید هدفمند توالی‌های تنظیمی DNA با استفاده از AIDO.DNA دقت بالایی در ایجاد پروموترها با سطوح بیان ژنی دلخواه نشان داده و کاربرد آن در مهندسی ژنوم را برجسته می‌کند.

▪️ Accurate and General DNA Representations Emerge from Genome Foundation Models at Scale
▪️ AIDO: AI-Driven Digital Organism

#مقاله #ایده_جذاب #علوم_پزشکی #ژنتیک #زیست_شناسی #ژن #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مقاله «GAN مرده است؛ زنده باد GAN!» با این باور که آموزش GAN دشوار و وابسته به ترفندهای خاص است، مخالفت می‌کند. این تحقیق یک تابع زیان نسبی منظم (regularized relativistic loss) معرفی می‌کند که مشکلاتی مانند عدم همگرایی و از دست رفتن حالت‌ها را حل می‌کند. با به‌روزرسانی معماری‌ها و حذف ترفندهای قدیمی، نویسندگان R3GAN را پیشنهاد داده‌اند که عملکرد بهتری نسبت به StyleGAN2 دارد و با مدل‌های پیشرفته دیگر قابل مقایسه است.

▪️ The GAN is dead; long live the GAN! A Modern GAN Baseline

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person