✍🏻سنجش سلامت چشم فضانوردان با هوش مصنوعی

آژانس فضایی اروپا با انتشار پستی در صفحه اینستاگرام خود نوشت: هوش مصنوعی برای چشمانتان

این آژانس فضایی در صفحه اینستاگرام خود نوشت: محققان جوان از مرکز فضانوردان اروپا(Spaceship European Astronaut Centre) از تصاویر بخشی موسوم به "دیسک‌های اپتیک"(optical discs) در چشم فضانوردان مستقر در فضا برای آموزش یک مدل هوش مصنوعی و نظارت بر سلامت چشم استفاده کردند.

اگر همه چیز خوب پیش برود، این مدل برای تشخیص خودکار تغییرات در اعصاب بینایی فضانوردان موسوم به "سندرم عصبی-چشمی مرتبط با فضا"(SANS) مورد استفاده قرار خواهد گرفت.

به نظر می‌رسد این سندرم که اولین بار در "جان لینچ فیلیپس"(John Lynch Phillips)، فضانورد ناسا در سال ۲۰۰۵ طی ماموریتش به ایستگاه فضایی بین‌المللی به همراه روبرتو ویکتوری(Roberto Vittori)، فضانورد ما و "سرگئی کریکالف" (Sergei Krikalev)، فضانورد روسکاسموس تشخیص داده شد، اکنون در حدود دو سوم فضانوردان وجود داشته باشد و به قرار گرفتن طولانی‌ مدت در معرض ریزگرانش ارتباط داشته باشد.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI

"اولین کنفرانس ملی سیستم‌های پیچیده با محوریت علم شبکه"

📍دانشگاه تهران
📆تاریخ برگزاری کنفرانس: ۱۸و۱۹ اسفند۱۴۰۰
مهلت ارسال مقالات: ۳۰دی‌ماه
https://www.symposia.ir/amp/CSANS01


🆔 @sharif_prm

💠 با ۷ روش فیلتر کردن دیتافریم های Pandas آشنا شویم

🌀 کتابخانه Pandas یک کتابخانه پایتون همه منظوره و قدرتمند است و عمدتاٌ در تحلیل داده‌ کاربرد دارد و فرایند تحلیل و کشف داده‌ها را تسریع می‌بخشد.

⚡ در طول فرایند تحلیل داده همیشه مجبور می‌شویم بسته به موقعیت یا با انتخاب زیرمجموعه‌ای از دیتافریم عملیات فیلتر کردن را انجام دهیم. در این نوشتار، به معرفی ۷ روش فیلتر کردن دیتافریم های Pandas می‌پردازیم.

📌 برای خواندن متن کامل مقاله به لینک زیر مراجعه کنید:
https://hooshio.com/?p=13793
جدیدترین یافته‌ها و اخبار هوش مصنوعی در کانال مرکز تحقیقات هوش مصنوعی پارت
🆔 @partdpai

📣 آگهی استخدام شرکت بین المللی TECVICO

📌شرکت تکویکو به دنبال تعدادی مهندس یادگیری ماشین برای تکمیل تیم فنی هوش مصنوعی خود در تهران میباشد، این شرکت درنظر دارد تعدادی محقق در محدوده سنی 21 تا 35 سال برای مشاغل تمام وقت و پاره وقت استخدام کند. (کارشناسان فارغ التحصیل کارشناسی ارشد و دکتری از دانشگاه های برتر الویت بیشتری دارند).


🔴 الزامات :
یادگیری ماشین / یادگیری عمیق
پردازش تصویر / مسلط به زبان برنامه نویسی پایتون


📤 لطفا رزومه و نمونه کار خود را به آدرس زیر ارسال کنید: hr@tecvico.com


#hiring #jobs #machine_learning #deep_learning #python #image_processing #big_data #data_analysis
➖➖➖➖➖➖➖➖➖➖➖➖
☑️Contact us for more information
www.tecvico.com
☑️send resume:
hr@tecvico.com
☑️ platforms:
https://lnkd.in/g_4X4tS
@tecvico
https://instagram.com/tecvico

در انتقال یادگیری از لایه‌های میانی غافل نشوید

در سناریو انتقال یادگیری و هنگامی که بخواهیم شبکه پیش آموزش دیده روی تسک مبدا را برای تسک مقصد استفاده کنیم، دو راه پیش‌روی خود داریم. راه اول این است که شبکه را به اصطلاح فریز کنیم و یک لایه خطی روی فیچر‌های لایه آخر شبکه برای تسک مقصد استفاده کنیم. راه دوم هم این است که کل شبکه را مورد فاین تیون قرار بدهیم. حالا مقاله‌ای اومده که نشون داده راه سومی هم جز این دو هست و این راه فریزکردن شبکه و در عین حال سوارکردن یک لایه خطی بر روی فیچرهای تمام لایه‌های میانی شبکه است (نه فقط فیچرهای لایه آخر). در واقع سوالی که منجر به این ایده شده این بوده که Fine-tuning با این که پیچیدگی و تعداد پارامتر بیشتری نسبت به حالت فریزکردن مدل داره چرا بهتر عمل میکنه؟ نکنه در سناریو Fine-tuning صرفا فیچرهای میانی شبکه دارند به آخر شبکه پاس داده می‌شوند؟؟)

این مقاله ابتدا اومده imagenet رو به عنوان تسک مبدا در نظر گرفته و ۱۹ دیتاست دیگه مثل Cifar100 و Clevr و Pets و ... رو به عنوان تسک مقصد در نظر گرفته. سپس یک مقداری تحت عنوان domain affinity محاسبه کرده که نشون میده هر کدوم از این ۱۹ تسک مقصد چه قدر به imagenet نزدیک هستند. حالا اومدند و برای هر کدوم از این دیتاست‌ها سه سناریو دسته‌بند خطی روی شبکه مبدا فریزشده (Linear)، فاین تیون‌کردن شبکه مبدا (Fine-tuning) و اموزش دادن از اول (Scratch) و نتایج این روشها رو تو عکس figure2 ای که مشاهده میکنید گذاشتند. در این نمودار دیتاست های سمت چپ دارای affinity کمتر و دیتاست‌های سمت راست دارای affinity بیشتری هستند. نمودار نشون میده که برای دیتاست‌های چپ سناریو Scratch جواب‌بهتری از بقیه میده و برای دیتاست‌های راست هم سناریو Linear جواب خوبی میده ( که منطقی هم هست).

در گام بعدی مقاله اومده و مدل خودش یعنی Head2Toe رو مطرح کرده. در این مدل ابتدا شبکه مبدا (همون پیش آموزش دیدهه روی imagent) فریز میشه و سپس تمامی فیچر‌های میانی شبکه انتخاب می‌شوند. از اونجایی که سایز اینها خب زیاده فیچرهای هر لایه توسط یک مکانیزم pooling ابعادشون کاهش پیدا میکنه. در نهایت تمامی این فیچرهای کاهش بعد داده شده تمامی لایه‌ها با هم کانکت می‌شوند و یک بردار ویژگی بزرگ به دست میاد (اسمش رو h_all بذارید). از اونجایی که این h_all هم بزرگه و آموزش دادن کلاسیفایر خطی روش ممکنه منجر به اورفیت بشه، مقاله اومده از رگولاریزیشن Group lasso برای آموزش یک دسته‌بند خطی روی این بردار بزرگ استفاده کرده تا وزن‌هایی که به دست میان اسپارس باشن و هم به نوعی عمل فیچر سلکشن رو روی h_all انجام داده. در نهایت هم اومدن head2Toe رو روی اون ۱۹ دیتاست مختلف اجرا کردند و نشون دادند که در میانگین روششون بهتر از سناریو‌های دیگه نظیر Linear و حتی Fine-tune داره عمل میکنه!

لینک مقاله:
https://arxiv.org/abs/2201.03529

#read
#paper

@nlp_stuff

🔴 پیش ثبت نام خوابگاه نیمسال دوم سال تحصیلی ۱۴۰۱-۱۴۰۰

🔵 دانشجویان متقاضی سکونت در خوابگاه‌های دانشجویی در کلیه مقاطع و دوره‌ها ( کارشناسی، تحصیلات تکمیلی، روزانه، شبانه) می توانند از تاریخ ۱۴۰۰/۱۰/۲۹ لغايت ۱۴۰۰/۱۱/۵ به شرح زیر نسبت به ثبت نام و درخواست خوابگاه براي نیمسال تحصيلي آینده اقدام نمایند.

🟡 ثبت نام صرفا برای برآورد میزان تقاضای اسکان در خوابگاه با توجه به شرایط مندرج در پروتکل های بهداشتی ابلاغ شده توسط ستاد مبارزه با بیماری کووید 19 است.

🟢 ثبت نام فقط از طریق سامانه خدمات الكترونيكي بوده و دانشجويان گرامي مي توانند با ورود به سامانه خدمات الکترونیک دانشگاه به آدرس: http://stu.guilan.ac.ir اقدام نمايند.

⭕️ تذکر: از تماس با شماره های دانشگاه و اداره خوابگاه ها برای پیگیری پیش ثبت نام جدا خودداری نمایید.

#شورای_صنفی_دانشگاه_گیلان
#دانشگاه_گیلان
#خوابگاه
#ثبت_نام
#دکتری
#کارشناسی_ارشد
#کارشناسی

1⃣4⃣0⃣0⃣3⃣8⃣7⃣


🔵🔴⚫️⚪️
آدرس ما درتلگرام:

🆔 @shora_senfi_guilan

آدرس ما دراینستاگرام:

✅Insta:https://instagram.com/shora_senfi_guilan

🔵🔴⚫️⚪️

مفهوم درجه آزادی در آمار چیست؟

منبع: کتاب آموزش کاربردی SPSS نویسنده آرش حبیبی

درجه آزادی به میزان حق انتخاب اشاره دارد. فرض کنید نمونه ای شامل 5 عدد داریم که میانگین آنها 7 است. روشن است مجموع این اعداد باید عدد 35 باشد در غیر اینصورت میانگین 7 نخواهد شد. فرض کنیم که اعداد می‌توانند حقیقی (مثبت و منفی) باشند، چهار عدد اول هر مقداری می‌تواند اختیار کند اما عدد پنجم باید طوری انتخاب شود که مجموع 35 و میانگین 7 شود. درست مانند وقتی است که شما در یک چهار راه قرار دارید سه حق انتخاب دارید و حالت چهارم آن است که اجبارا برگردید.

به لحاظ آماری درجه آزادی عبارت است از حجم نمونه (n) منهای تعداد پارامترهایی که از داده‌ها برآورد می‌شود. در بیشتر مسائل آماری و البته در آزمون های میانگین جامعه مانند آزمون های t درجه آزادی از رابطه ساده n-1 قابل محاسبه است.

🎓 @stphd

📊 دانشکده علوم ریاضی با همکاری انجمن علمی آمار دانشگاه یزد برگزار می‌کند :

🟢 مجموعه وبینارهای هفتگی دانشکده 🟢

🔸سخنران ها:
👨‍🏫دکتر حمزه ترابی
(کاربرد شبیه سازی در تقریب انتگرال و مجموع سری)

👨‍🏫دکتر علی دست برآورده
(انیمیشن سازی در جهت آموزش مفاهیم آماری و احتمالی)

🧾زمان : چهارشنبه ۲۹ دی ۱۴۰۰

⏰ ساعت ۱۸:۰۰ الی ۲۰:۰۰

🔗لینک شرکت در جلسه :
🆔️ http://meeting-2.yazd.ac.ir/math-seminar

🔗فضای مجازی :
Telegram | Instagram

🌸منتظر حضور گرمتان هستیم🌸

📊 محور های هشتمین سمینار تخصصی نظریه قابلیت اعتماد و کاربرد های آن

🟡 آخرین فرصت ارسال مقالات : ۱۵ فروردین ۱۴۰۱
🟡 زمان برگزاری همایش ۲۸ و ۲۹ اردیبهشت ماه سال ۱۴۰۱ میباشد .

🆔️ @Ferdowsi_stat

معماری شبکه عصبی کانولوشنی برای حوزه کاری متن

باوجود اینکه معماری شبکه های عصبی کانولوشنی برای حوزه تصویر و دسته بندی تصاویر ساخته شده اند اما میتوان از این معماری در حوزه متن هم استفاده کرد.

همانطور که در شکل مشاهده می شود برای تسک های مختلف حوزه متن از جمله دسته بندی متون با استفاده از #CNN میتوان بعد از تعبیه کلمات (#word_embedding) از لایه های کانولوشنی، لایه #pooling (اغلب استفاده از Max Pooling)،لایه #flatten (جهت مسطح سازی داده ها)، لایه fully connected و لایه خروجی طبق ترتیب شکل استفاده کرد.
@silicon_brain

🔻تابع عضويت مثلثی متقارن ضرايب فازی

• Fuzzy Membership Function




🔹کانال علوم آماری

♾ @statistical_science

وبینار مدل ارزیابی بلوغ مدیریت داده‌محور

ارزیابی بلوغ داده‌ یکی از مقوله‌های بسیار مهم برای شناسایی نقاط ضعف و گلوگاه‌های سازمانی جهت رسیدن به تعالی داده‌محوری است.

در روز پنج‌شنبه در خصوص اهمیت، مولفه‌ها، جوانب و کارکردهای مدل‌های ارزیابی بلوغ داده‌محوری سخنرانی خواهم کرد.

زمان:
▪️پنجشنبه ساعت 15 الی 17 (30 دی ماه)

لینک:
https://b2n.ir/q18434

با احترام
محمدرضا محتاط
مجری پروژه ارزیابی بلوغ داده معاونت تحقیقات و فناوری وزارت بهداشت

@DataAnalysis

⭕⭕ وبینار پایان نامه نویسی بی دردسر در Word

💯 مدرس:
✔ محمد خورسند قاینی : موسس و مدیر دستیار پژوهش، مشاور و منتور دانشجویان تحصیلات تکمیلی

🕗 زمان: ۹ اسفند ۱۴۰۰ ساعت ۲۰

«انجمن علمی آمار دانشگاه گیلان»
@Guilanstat

📕روش های ناپارامتری دکتر بهبودیان

#stat_book
@Guilanstat

#اطلاعیه
#کنکور_ارشد

اطلاعیه سازمان سنجش درباره تمدید زمان ثبت‌نام کنکور ارشد ۱۴۰۱

http://www.sanjesh.org/FullStory.aspx?ID=7447

«انجمن علمی آمار دانشگاه گیلان»
@Guilanstat

ویدیو وبینار ارزیابی بلوغ مدیریت داده محور

در لینک ذیل ویدیو وبینار کاربردی ارزیابی بلوغ مدیریت داده محور در سرفصل‌های ذیل قابل مشاهده می‌باشد:

▪️ویژگی‌های یک سازمان داده محور

▪️چالش‌های سازمان‌های ایرانی در عصر داده

▪️معرفی مدل‌های مرجع ارزیابی بلوغ کلان داده، مدیریت داده و....

▪️معرفی مدل بومی ارزیابی بلوغ داده‌محوری

لینک:
https://lms.atahub.ir/playback/presentation/2.0/playback.html?meetingId=fc63dff8860b33b84a8be4c842d885c3f59445ee-1642677998783

@DataAnalysis

سخنرانی دکتر مصطفا دهقانی در گفتمان علم داده مشهد ۲۹ دیماه ۱۴۰۰