❇️ مطالبی در ارتباط با دوره «تکامل انسان در ایران»

🔸انسان هایدلبرگ، جد انسان نئاندرتال و انسان هوشمند

🔹 با پراکنش انسان راست قامت در بقیه قاره ها چون آسیا، ما با شواهدی از این نوع انسان چون انسان گرجی در قفقاز، انسان فلورسی در آسیای جنوب شرقی و انسان نالدی در آفریقا مواجه می شویم. اما شواهدی از حضور انسان راست قامت در اروپا دیده نشده است.

🔹انسان اجدادی نوعی دیگر از انسان و متفاوت از انسان راست قامت است و در سال 1994 در گراندلینای اسپانیا کشف شد. فسیلهای به دست آمده متعلق به 780 هزار سال پیش است. برخی معتقدند که این انسان جد انسان نئاندرتال و انسان هوشمند است که در ادامه در روی کره زمین دیده خواهند شد، و به همین دلیل آن را انسان اجدادی می نامند. اما شواهد برای اینکه انسان هایدلبرگ جد انسان نئاندرتال و انسان هوشمند است، بیشتر است.

🔹 اولین نمونه از انسان هایدلبرگ در سال 1907 در آلمان به دست آمد. این انسان تلفیقی از خصوصیات انسان باستانی چون هوموارکتوس و انسان مدرن یا همان انسان هوشمند را در جمجمه خود دارد. انسان هایدلبرگ بین 700 تا 200 هزار سال پیش در اروپا، آفریقا و آسیا می زیسته است.

🔹انسان هایدلبرگ متفاوت از هومو ارکتوس که با تعقیب شکار و خسته کردن آن، به آن دست می یافت، به صورت گروهی و با نیزه و ادوات سنگی به شکار می پرداخته است.

🔹حجم مغزی زیاد و قابلیت زیست در مناطق سردسیر از ویژگیهای این انسان بوده است.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی در ارتباط با دوره «تکامل انسان در ایران»

🔸انسان نئاندرتال، پسر عموی زمخت

🔹 انسان نئاندرتال حد فاصل 250 تا 40 هزار سال قبل و در اروپا، آسیای مرکزی و غربی، سیبری و حتی ایران می زیسته است. اولین بقایای این انسان در سال 1856 در دره نئاندر واقع در کشور آلمان به دست آمد. چون بقایای این انسان اولین فسیلهای کشف شده از نوع انسان دیگری به جز انسان هوشمند امروزی بود، مدتها طول کشید تا ایده متفاوت بودن این انسان از سوی دانشمندان به رسمیت شناخته شود.

🔹این انسان معمولا در بازنمایی های اولیه انسانی وحشی، کثیف و کودن نشان داده می شد، اما به مرور زمان مشخص شد که این نوع نگاه غلط است. تفاوتهای ظاهری نئاندرتالها با ما عبارتند از پیشانی عقب تر رفته، بدون چانه، قوس روی ابروان، حجم مغزی حتی تا 1700 سی سی در بعضی موارد(بزرگتر از حجم مغزی ما) ولی بدون لوب پیش پیشانی، لگن پهن تر، قدی کوتاهتر (1.6 متر) و با استخوانهای قوی تر از ما بوده است.

🔹 نئاندرتالها در دسته های 30 تا 40 نفره می زیستند. به دلیل ویژگی های متفاوت حنجره از ادای برخی حروف صددار عاجز بوده اند ولی قادر به تکلم بوده اند.

🔹از نمونه آثار هنری یافت شده برای این انسان می توان به نقاشی غار آوینو در اسپانیا و بقایای یک نوع فلوت در اسلوونی یاد کرد.

🔹غار شانیدر واقع در کردستان عراق از نمونه های عالی بقایای دسته جمعی این نوع انسان است و نشاندهنده تدفین های خاص در این نوع انسان است.

🔹از محوطه های در حال کاوش یا کاوش شده برای این نوع انسان در ایران می توان به محوطه بیستون (یک استخوان ساعد)، میرک در جنوب سمنان و غار قلعه کرد در حوالی قزوین یاد کرد.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی در ارتباط با دوره «تکامل انسان در ایران»

🔸از انسان هوشمند تا انسان هوشمند هوشمند

🔹انسان هوشمند و انسان هوشمند هوشمند دو گونه مختلف انسانی نیستند، بلکه فرق این دو در این است که انسان هوشمند به لحاظ آناتومیک ویژگیهای انسان مدرن را دارد، و انسان هوشمند هوشمند علاوه بر برخورداری از ویژگی های آناتومیکی مدرن، به لحاظ رفتاری هم ویژگیهای انسان مدرن را کسب کرده است که با قابلیت شناختی به دست آمده است.

🔹 قدیمتیرین فسیل یافت شده از انسان هوشمند در جبل ایرهود واقع در مراکش به دست آمده است که متعلق به 315 هزار سال پیش است. نمونه های متعددی نیز از منطقه لوانت، واقع در بخش شرقی دریای مدیترانه (شامل کشورهای فلسطین، مصر و سوریه) به دست آمده است. به نظر میرسد انسان هوشمند حد فاصل 220 هزار سال پیش از آفریقا خارج شده و به سمت خاورمیانه و همینطور اروپا رهسپار شده است.

🔹در حدود 60 تا 40 هزار سال پیش تحولی در بافت مغزی انسان هوشمند رخ می دهد که باعث توانمندیهای شناختی در وی می گردد و به انقلاب شناختی معروف است. این انقلاب شناختی باعث ظهور انسان هوشمند هوشمند با ویژگی های رفتاری مدرن، علاوه بر دارا بودن ویژگی های آناتومیکی مدرن، می گردد.

🔹انسان هوشمند هوشمند در ادامه قادر است با استفاده از قدرت شناختی خود به خلق ابزارهای استخوانی، هنر منقول، رام کردن سگ از گونه گرگ، شکار با فاصله بوسیله تیر و کمان، استفاده از سم برای شکار، تنوع در رژیم غذایی، استفاده از لباس و پوشش مناسب و زیورآلات، ساخت پیکره های سنگی (ونوسها) و نقاشی در غارها (نمونه های یافته شده در غار شاوه، لاسکو و آلتامیرا) مبادرت ورزد.

🔹نزدیکی انسان هوشمند و در ادامه انسان هوشمند هوشمند با نئاندرتالها و نزاع این دو با نئاندرتالها بر سر منابع غذایی مشترک موجب گردید تا نئاندرتالها در حدود 35 هزار سال پیش برای همیشه از روی کره زمین محو گردند.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ 5-9 معرفی و ثبت نام دوره مجازی «شبکه های عصبی مصنوعی و یادگیری عمیق»

🔸در حالی که بسیاری از رشته های دانشگاهی داده بنیان در حال تقلیل به حوزه ای وابسته به شبکه های عصبی مصنوعی در حوزه کامپیوتر هستند، لازم است تا با ضرورت و وسعت این حوزه آشنا شویم. هر روز شاهد گسترش این حوزه و کاربرد آن در پزشکی، زیست شناسی، رشته های مهندسی و همینطور علوم انسانی هستیم.

🔸یادگیری ماشین که اینک جای خود را به یادگیری عمیق داده است، با الهام از شبکه های عصبی مغزی از متد شبکه های عصبی مصنوعی بهره می گیرد و هر روز گسترش بیشتری می یابد. این متد در حال وحدت بخشی به بسیاری از علوم در خود است و به نظر می رسد با حل کردن بسیاری از علوم در خود، و مرتفع ساختن نیاز ما بدانها با روشهایی بهتر و سریعتر، به زودی آنها را به قفسه بایگانی علوم بفرستد. شاید رویای ما در تحقق عصر تمام عیار سیبورگ، و جایگزینی ماشین به جای انسان در پس یادگیری عمیق نهفته باشد.

🔸اما به راستی این غول بی شاخ و دم چیست؟ چرا ما نیازمند به یادگیری و آشنایی با شبکه های عصبی مصنوعی و یادگیری عمیق هستیم؟ چرا این حوزه بسیاری از حوزه های علمی فعلی را تهدید به حذف می کند؟ چرا ما به عنوان زیست شناس، پزشک، مهندس، فیزیکدان و ... مجبور هستیم این حوزه را یاد بگیریم؟ اهمیت و همینطور جواب این سوالات با دوره کاربردی پیش رو مرتفع می شود. این دوره به دانشجویان همه رشته ها توصیه می شود.

🔸به زودی نحوه ثبت نام در این دوره ارزشمند و پرکاربرد در این کانال خدمت عزیزان اعلام می شود. این دوره به صورت مجازی برگزار می شود.

مدیریت مجموعه مدارس میان رشته ای

🆔 @IDSchools

🔰🔰🔰

🔸«مدارس میان رشته ای» برگزار می کند:

🔹 دوره شبکه های عصبی مصنوعی و یادگیری عمیق- دوره مجازی

👤 با حضور دکتر هادی ویسی، عضو هیات علمی دانشگاه تهران

📅 دوشنبه‌ها، به مدت 10 هفته، از 6 اردیبهشت تا 14 تیر ماه 1400

⏳ از ساعت 🕠 19 تا 🕖 20:30

🔴 ثبت نام و کسب اطلاعات بیشتر:

🆔 @IDSchools

❇️ کاربرد شبکه های عصبی مصنوعی در پزشکی

🔸شبکه های عصبی مصنوعی در حوزه پزشکی کاربردهای وسیعی پیدا کرده است. برخی از این کاربردها عبارتند از:

🔹1- تشخیص بیماری: از مواردی که در آنها
توفیقات قابل ملاحظه ای حاصل شده می توان به تشخیص زودهنگام بیماریهایی چون سرطان سینه، بیماریهای قلبی- عروقی، سل، مالاریا و آلزایمر با استفاده از تکنیک های شبکه های عصبی مصنوعی اشاره کرد.

🔹2- تجزیه و تحلیل های بیوشیمیایی: استفاده از تحلیل نمونه های خون و ادرار بوسیله تکنیک های شبکه های عصبی برای تشخیص بیماریهایی چون دیابت

🔹3- تجزیه و تحلیل تصویربرداری پزشکی: استفاده از شبکه های عصبی برای تحلیل تصاویر مغزی و ریوی برای تشخیص تومورهای مغزی و نیز کرونا

🔸شرکت در این دوره به دانشجویان پزشکی توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ کاربرد شبکه های عصبی مصنوعی در فیزیک

🔸شبکه های عصبی مصنوعی علاوه بر پذیرفتن تاثیر از حوزه فیزیک، تاثیرات زیادی بر آن گذاشته اند و کاربردهای زیادی پیدا کرده است، به نحوی که برخی پیرامون پیدایش فیزیک جدید متاثر از شبکه های عصبی مصنوعی حرف می زنند. از جمله موارد کاربرد شبکه های عصبی مصنوعی در حوزه فیزیک می توان به موارد زیر اشاره کرد:

🔹1-تحلیل داده ها در فیزیک انرژی های بالا: یکی از موارد این کاربرد در پروژه های مجموعه علمی سرن برای آشکارسازی و تشخیص ذرات جدید در مدل استاندارد ذرات یا مدل ابرتقارن است.

🔹2- بهبود عملکرد و تحلیل داده های به دست آمده از عدسی های گرانشی: می دانیم که عدسی های گرانشی استفاده وسیعی در مطالعه ماده تاریک دارند. شبکه های عصبی هم در تحلیل داده های مربوط به تصاویر به دست آمده از رصدها و هم در بهبود عملکرد عدسی ها نقش ایفا می کنند.

🔹3- از دیگر کاربردهای شبکه های عصبی مصنوعی در نظریات مربوط به حوزه ماده چگال است.

🔸شرکت در این دوره به دانشجویان فیزیک توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ کاربرد شبکه های عصبی مصنوعی در نوروساینس

🔸اگر شما اجزاء یک شبکه عصبی مصنوعی را نورونهایی فرض کنید که با همدیگر در ارتباط هستند، در واقع از ساختار نورونی مغز خود الهام گرفته اید. یا اگر آنها را اسپینهایی با توزیع رندوم در یک میدان مغناطیسی تصور کنید، از فیزیک الهام گرفته اید. و اگر ساختار یک شبکه عصبی را چون یک تابع هزینه در نظر بگیرید که سعی در بهینه سازی آن دارید، از ریاضیات الهام گرفته اید. ترکیب سه علم نوروساینس، فیزیک و ریاضیات با همدیگر زیرساخت بسیاری از مدلهای شبکه های عصبی مصنوعی است. از طرفی نوروساینس محاسباتی نیز با تلفیق این سه حوزه علمی به دست می آید. پس می توانید به راحتی دلیل ارتباط تنگاتنگ نوروساینس محاسباتی و شبکه های عصبی مصنوعی را درک کنید. نوروساینس محاسباتی با فرض پیروی مغز از الگوهای ریاضیاتی و فیزیکی سعی در مدلسازی و در ادامه بهبود و بهینه سازی عملکردهای عالی مغزی چون حافظه، یادگیری و ... دارد و ابزار کار آن شبکه های عصبی مصنوعی است.

🔸از طرفی شما می توانید حس هایی چون بینایی و شنوائی و دریافت کننده های اولیه این حواس چون چشم و گوش خود را به عنوان بخشی از مغز خود تلقی کنید که ورودیهای حسی را در شبکه ای نورونی تحلیل کرده و آخر کار یک خروجی دیداری یا شنیداری به شما تحویل می دهند. بازسازی این دو خود تولید شبکه های عصبی مصنوعی است.

🔸شرکت در این دوره به علاقمندان حوزه نوروساینس توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ شبکه های عصبی مصنوعی و زیست شناسی

🔸مغز که خود یک شبکه عصبی زیستی است، الهام بخش تحولات اخیر در حوزه شبکه های عصبی مصنوعی گردیده است. از طرفی شبکه های عصبی مصنوعی موجب توفیقات زیادی در حوزه هایی جدید در بیولوژی چون نوروانفورماتیک شده است.

🔸نوروانفورماتیک به دانش مطالعه پردازش اطلاعات در سیستم های عصبی از منظر محاسباتی گفته می شود، دانشی میان رشته ای که ترکیبی از فلسفه ذهن، روان شناسی و علوم کامپیوتر است.

🔸پروژه هایی چون Mind uploading، Brain connectome، و ... با همکاری متقابل زیست شناسان و مهندسان در حال انجام است. در پروژه Mind uploading تلاش می شود با استفاده از فرآیند اسکن ساختار فیزیکی مغز و تقلید از حالات ذهنی، آنها را به زبان سیگنال در ماشین کپی سازی و عملیاتی کنند. این کارها مستلزم مطالعات دقیق آزمایشگاهی بر روی نمونه های حیوانی است. در ادامه ماحصل این آزمایشها به زبان ماشین برگردانده شده و با استفاده از تکنیک های شبکه های عصبی مصنوعی مدلسازی می گردد.

🔸شرکت در این دوره به علاقمندان حوزه زیست شناسی توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ شبکه های عصبی مصنوعی و علوم شناختی

🔸شبکه های عصبی مصنوعی با دارا بودن مزایای فراوان جای پای خود را در مدلسازی های شناختی و طراحی تسک های شناختی باز کرده است. اما مزایای این شبکه های عمیق چیست و دلیل توانمندی و این کاربرد گسترده در حوزه علوم شناختی چه می تواند باشد؟

🔸یکی از دلایل این محبوبیت این است که این شبکه ها از پویایی لازم و غیر قابل پیش بینی بودن بهره مند هستند و با استفاده از الگوریتم های متعدد و خلاقانه می توانند به بروز خواص نوظهور بینجامند و این امر موجب شباهت بیشتر این شبکه های مصنوعی به شبکه های عصبی در مغز می گردد.

🔸از طرفی انعطاف پذیری این شبکه های مصنوعی به مانند خصوصیت پلاستیسیتی در مغز موجب بهبود عملکرد شبکه های عصبی مصنوعی با یاددهی به شبکه می شود و رفتارهای آن را به مغز شبیه می سازد.

🔸قابلیت یاددهی (training) بوسیله ناظر انسانی (superviced) و بدون اعمال نظارت انسانی (unsuperviced) در شبکه های عصبی مصنوعی به مانند یادگیری و تقویت آن بوسیله سیناپسها در مغز است که باعث قدرت آن سیناپس در مغز و یا افزایش وزن یک یال در شبکه های عصبی مصنوعی می شود.

🔸این ویژگی ها موجب می شود که همه روزه شاهد افزایش کاربرد شبکه های عصبی مصنوعی در مطالعات شناختی باشیم.

🔸شرکت در این دوره به علاقمندان حوزه علوم شناختی توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ از یادگیری ماشین تا شبکه های عصبی مصنوعی و یادگیری عمیق

🔸فردی را تصور کنید که به علت قطع شدن یکی از دستانش صاحب دستی مصنوعی است و قرار است این دست تصورات شکل گرفته در ذهن وی را در قالب حرکاتی به نمایش بگذارد. شما الکترودهای EEG را بر روی سر او قرار داده اید تا سیگنالهای مغزی را دریافت کند و پس از پردازش در یک هوش مصنوعی، که به دست متصل است، به خروجی حرکات تبدیل سازد. درک این فرآیند می تواند به درک شما از یادگیری ماشین منجر شود.

🔸در ابتدا سیگنالهای مغزی از طریق EEG ثبت می شود. در ادامه داده ها پیش پردازش شده، نویز ها حذف و سیگنالها تقویت گردیده و داده ها آماده می شوند (مرحله گردآوری، پیش پردازش و آماده سازی داده ها) (Data acquisition).

🔸در ادامه ویژگی های این داده ها استخراج گردیده (Feature Extracting) و از بین آنها برخی ویژگی ها انتخاب می شوند (Feature Selection). روشهایی برای این کار وجود دارد که از مهمترین آنها می توان به الگوریتم های ژنتیک اشاره کرد.

🔸برای به دست آوردن الگویی در بین این ویژگیهای انتخاب شده و رسیدن به فرمانی مثل چرخاندن دست مصنوعی به سمت چپ یا راست به طبقه بندی (Classification) این ویژگی ها نیاز داریم. در واقع در این قسمت است که یادگیری ماشین رخ می دهد. به این صورت که از میان ویژگی های به دست آمده، 70 درصد را به یاددهی ماشین اختصاص داده و 30 درصد را به تست و ارزیابی ماشین اختصاص می دهیم تا میزان کارآمدی آن را بسنجیم. برای طبقه بندی روشهایی وجود دارد که از مهمترین آنها می توان به شبکه های عصبی اشاره کرد.

🔸تفاوت یادگیری ماشین و یادگیری عمیق در این است که در یادگیری ماشین مرحله استخراج و انتخاب ویژگی ها، و مرحله طبقه بندی دو مرحله جدا از هم در نظر گرفته می شود، حال آنکه در یادگیری عمیق این دو فرآیند در دل هم انگاشته شده و با هم مورد تحلیل و بررسی قرار می گیرند.

🔸عمق بیشتر شبکه های عمیق و طولانی تر بودن زنجیره آن به دلیل در هم تنیدگی دو فرآیند اخذ ویژگی ها و طبقه بندی آنها است.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی پیرامون دوره شبکه های عصبی مصنوعی و یادگیری عمیق

🔸مبانی شبکه های عصبی مصنوعی و معرفی شبکه های عصبی مک کلاچ- پیتز، هب، و پرسپترون- جلسات اول و دوم این دوره

🔹هر شبکه عصبی مصنوعی از تعدادی گره و اتصال بین آنها (یال) تشکیل شده است. هر گره معادل یک نورون در شبکه عصبی طبیعی در مغز است که باید به میزان معینی فعال سازی شود تا برانگیخته شود و به اصطلاح فایر (Fire) کند. این حد از برانگیختی را آستانه (Threshold) می گویند. هر چه ارتباط دو گره واقع در دو سر یک یال بیشتر و به یک معنا استحکام این رابطه بیشتر باشد، وزن اختصاص یافته به آن یال بیشتر است. یک شبکه متشکل از تعدادی داده های ورودی (Input)، چند لایه که ماحصل ارتباط بین گره ها هستند، و داده های خروجی (Output) است.

🔹شبکه عصبی مک کلاچ- پیتز، معرفی شده به سال 1943 توسط مک کلاچ- پیتز):

▫️ساده ترین نوع شبکه عصبی است و پیشخور (Feedforward) است، بدین معنا که ارتباط بین گره ها از گره های ورودی و در ادامه گره های لایه ها و همینطور گره های خروجی رو به جلو است و بازگشتی و چرخشی نیست.

🔹شبکه عصبی هب، معرفی شده به سال 1949 توسط دونالد هب:

▫️ایده مطرح در این نوع شبکه عصبی این است که اگر دو گره دو طرف یک یال به طور همزمان فعال شوند، وزن یا استحکام ارتباط بین این دو گره افزایش می یابد. بدیهی است که فعال سازی غیرهمزمان این دو باعث کاهش این وزن می شود.


🔹شبکه عصبی پرسپترون، معرفی شده در سال 1958 توسط فرانک روزنبلات:

▫️این شبکه عصبی که با الهام از چشم مطرح گردید، مبتنی بر تکرار فعال سازی گره ها برای تنظیم وزن یک یال و رسیدن میزان استحکام آن به عدد مطلوب نظر ما است.

🔸شرکت در این دوره به دانشجویان رشته های مهندسی برق و کامپیوتر توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی پیرامون دوره شبکه های عصبی مصنوعی و یادگیری عمیق

🔸 شبکه های عصبی آدالاین و الگوریتم کاهش گرادیان- شبکه های عصبی پرسپترون چند لایه و الگوریتم پس انتشار خطا- جلسات سوم و چهارم این دوره

🔹شبکه های عصبی آدالاین (معرفی شده در سال 1960 توسط برنارد ویدرو و مارسیان هاف):

▫️این نوع شبکه عصبی مبتنی بر قانون دلتا است که سعی در محاسبه مجدد وزن بین یالهای داده های ورودی با استفاده از گرادیان کاهشی دارد.

🔹گرادیان کاهشی (Gradient decent):

▫️گرادیان کاهشی نوعی الگوریتم بهینه سازی برای پیدا کردن کمینه یا مینیمم یک تابع است. کار با انتخاب نوعی نقطه تصادفی بر روی منحنی یک تابع شروع می شود و با حرکت در جهت کاهش شیب خط مماس بر نقاط انتخابی در منحنی تابع با استفاده از عملیات مشتق گیری، به کمینه یا مینیمم مقدار آن تابع دست می یابیم. این کار یک فرآیند تکراری تا حصول نتیجه است.

🔹شبکه عصبی پرسپترون چند لایه:

▫️تفاوت پرسپترون ساده و چند لایه در این است که اولی برای حل مسائل ساده به کار می رود، حال آنکه دومی برای حل مسائل پیچیده مورد استفاده قرار می گیرد. در حالت چندلایه تعداد لایه های میانی، که مبین تعداد ویژگی های اخذشده است، می تواند بیش از یک لایه باشد.


🔹الگوریتم پس انتشار خطا (Back propagation):

▫️در این الگوریتم به منظور اصلاح خطا در وزن اختصاص یافته به یالها، میزان خطا را به سمت عقب در شبکه برمی گردانیم تا میزان خطا مینیمم شود. برای پس انتشار خطا می توان از گرادیان کاهشی استفاده نمود.

🔸این دوره به دانشجویان رشته های مهندسی صنایع و مکانیک توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی پیرامون دوره شبکه های عصبی مصنوعی و یادگیری عمیق

🔸کاربرد شبکه های عصبی پرسپرتون چندلایه - شبکه های عصبی عمیق و معرفی شبکه عصبی باورعمیق- جلسات پنجم و ششم این دوره

🔹کاربرد شبکه های عصبی پرسپترون چند لایه

▫️از این نوع شبکه در حوزه هایی چون بازشناسی گفتار، بینایی ماشین و ترجمه ماشینی استفاده می شود.

🔹شبکه های عصبی عمیق

▫️شبکه عصبی عمیق معمولا معادل با یادگیری عمیق در نظر گرفته می شود. در این نوع شبکه ها علاوه بر انجام مرحله طبقه بندی (Classification)، مرحله استخراج و انتخاب ویژگی ها نیز توسط شبکه عصبی انجام می شود.

🔹شبکه عصبی باور عمیق (Deep Belief Network)

▫️نظر به اینکه در شبکه های عصبی معمولی چون پرسپترون چند لایه با افزودن تعداد لایه ها سرعت یاددهی به ماشین پایین می آید، لذا برای حل این مشکل از شبکه باور عمیق (DBN) استفاده می شود.

🔸شرکت در این دوره به دانشجویان رشته های زیست شناسی و فیزیک توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی پیرامون دوره شبکه های عصبی مصنوعی و یادگیری عمیق

🔸ادامه شبکه های عصبی عمیق- شبکه عصبی خودرمزنگار - شبکه عصبی پیچشی - شبکه عصبی مولد تخاصمی- جلسات هفتم و هشتم این دوره

🔹شبکه عصبی خودرمزنگار (Auto Encoder):

▫️شبکه عصبی خودرمزنگار (AE) کارکرد خوبی در بخش یاددهی به ماشین ایفا می کند و از دسته شبکه های عصبی نظارتی (Supervised) است.

🔹شبکه عصبی پیچشی (Convolutional Neural Network):

▫️شبکه عصبی پیچشی (CNN) برای تحلیل های تصویری و گفتاری به کار برده می شود. در این نوع شبکه از دانش پیشین و تزریقی از سوی انسان به ماشین خبری نیست و ماشین دارای نوعی استقلال است.

🔹شبکه مولد تخاصمی (Generative Adversarial Network):

▫️شبکه مولد تخاصمی (GAN) در سال 2014 توسط یان گودفلو و همکارانش بسط داده شد. این شبکه از تزریق داده ورودی مستقل است و دارای دو شبکه است. شبکه اول به تولید داده می پردازد (شبکه مولد) و شبکه دوم به تحلیل داده ها و پالایش داده های غلط و جعلی مبادرت می ورزد (شبکه تخاصمی).

🔸شرکت در این دوره به دانشجویان رشته های پزشکی و نوروساینس توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ مطالبی پیرامون دوره شبکه های عصبی مصنوعی و یادگیری عمیق

🔸ادامه شبکه های عصبی عمیق- شبکه های عصبی بازگشتی -شبکه عصبی المان- شبکه عصبی جردن- شبکه عصبی LSTM- شبکه عصبی GRU- جلسات نهم و دهم این دوره

🔹شبکه های عصبی بازگشتی (Recurrent Neural Network):

▫️شبکه های عصبی بازگشتی (RNN) برای عدم وجود فیدبک در شبکه های عمیقی چون CNN و پیش خور بودن این شبکه ها عرضه گردید، به این معنا که در RNN خروجی یکی از لایه ها، چون لایه خروجی یا یکی از لایه های میانی، به شبکه بازگردانده می شود. در واقع لایه ای مثل خروجی در حافظه شبکه باقی می ماند.

🔹شبکه عصبی المان:

▫️یکی از انواع شبکه های عصبی بازگشتی است که در سال 1990 معرفی گردید. در اینجا فیدبکی که به شبکه برگردانده می شود، یکی از لایه های میانی است.

🔹شبکه مولد جردن:

▫️در اینجا فیدبکی که به شبکه باز گردانده می شود، لایه خروجی است.

🔹شبکه عصبی Long Short- Term Memory

▫️شبکه عصبی LSTM در سال 1997 معرفی گردید و هدف از آن برطرف کردن ضعف موجود در به حافظه سپاری برخی داده های چند بخشی و پیچیده بود که دیگر شبکه های عصبی بازگشتی چون المان و جردن در به خاطر سپردن آنها ضعف داشتند. اصطلاحا این نوع شبکه دارای حافظه بلند مدت است.

🔹شبکه Gated Recurrent Unit:

▫️شبکه GRU نوع بهبود یافته LSTM است، بدین معنا که در آن از تکنیکی به اسم دروازه بازنشانی (Reset Gate) استفاده می شود تا از میزان اطلاعات قبلی که در حافظه شبکه وجود دارد، به میزان نیاز بازیابی و بقیه به فراموشی سپرده شود.

🔸شرکت در این دوره به دانشجویان رشته های مختلف مهندسی و همینطور علوم انسانی توصیه می شود.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ 6-9 معرفی و ثبت نام «دوره عمومی آشنایی با کوانتوم»

🔸کوانتوم در کنار نسبیت عام یکی از دو بال اصلی فیزیک مدرن را تشکیل می دهند. رخدادهای کوانتومی در بسیاری مواقع با شهود ما ناسازگارند، اما تاییدات تجربی پشتوانه محکمی برای این حوزه است. علی رغم اعتراضات وارد شده متعدد، اما این توفیقات روزافزون بوده و افقهای نوینی چون بسط کامپیوترهای کوانتومی در آینده پیش روی ما قرار دارد. اما کوانتوم چیست و دلیل این توفیقات چه بوده است؟ تعارضات این حوزه در نسبت با فیزیک کلاسیک و نسبیت عام چه بوده است؟ اعتراضات موجود به کوانتوم از سوی چه کسانی ایراد شده و پاسخها چه بوده است؟

🔸در این دوره سعی داریم با بیانی ساده ضمن طرح دیالوگی بین کوانتوم و حوزه هایی چون فیزیک کلاسیک و نسبیت عام، به بیان و توضیح مفاهیم اصلی و نیز رویکردهای مختلف در کوانتوم بپردازیم.

🔸این دوره عمومی است و شروع خوبی است تا بتوانیم با زبان این حوزه تاثیرگذار در فیزیک آشنا شویم. شرکت در این دوره به تمامی دانشجویانی که مایلند با این حوزه انس بیشتری پیدا کنند توصیه می شود.

🔸به زودی نحوه ثبت نام در این دوره ارزشمند در این کانال خدمت عزیزان اعلام می شود. این دوره به صورت مجازی برگزار می شود.

مدیریت مجموعه مدارس میان رشته ای

🆔 @IDSchools

🔰🔰🔰

🔸«مدارس میان رشته ای» برگزار می کند:

🔹 دوره عمومی آشنایی با کوانتوم- دوره مجازی

👤 با حضور دکتر مهدی رمضانی، پژوهشگر پسادکتری دانشکده فیزیک دانشگاه صنعتی شریف

📅 سه شنبه‌ها، به مدت 10 هفته، از 7 اردیبهشت تا 15 تیر ماه 1400

⏳ از ساعت 🕠 19 تا 🕖 20:30

🔴 ثبت نام و کسب اطلاعات بیشتر:

🆔 @IDSchools

❇️ آشنایی با موضوعات ده گانه دوره آشنایی با کوانتوم- جلسه اول

🔸مکانیک کوانتومی یکی از نظریات مهم فیزیک به شمار می‌آید که انقلاب بزرگی در فهم ما نسبت به طبیعت ایجاد کرده است. نشان داده شده است که این نظریه در حوزۀ فناوری هم می‌تواند تغییرات بزرگی در زندگی ما ایجاد کند. مکانیک کوانتومی در حوزه‌های محاسبات، مخابرات و مترولوژی می‌تواند به ترتیب باعث افزایش سرعت، امنیت و دقت شود.

🔸قبل از آشنایی با این نظریه لازم است یک آشنایی کلی با نظریات قبل از آن که با نام فیزیک کلاسیک شناخته می‌شود داشته باشیم. این آشنایی باعث می‌شود درک بهتری از انقلابی که مکانیک کوانتومی در فهم ما از طبیعت ایجاد کرده بدست آوریم.

🔸در این جلسه سعی داریم با مرور فیزیک کلاسیک با نوع نگاه دانشمندان آن زمان در توصیف پدیده‌های مشاهده شده آشنا شویم.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ آشنایی با موضوعات ده گانه دوره آشنایی با کوانتوم- جلسه دوم

🔸اواخر قرن 19 و اوایل قرن 20 میلادی، پدیده‌هایی مشاهده شد که فیزیک کلاسیک در توصیف آن پدیده‌ها ناکام بود. در اینجا بود که توسعۀ یک نظریۀ جدید که بتواند پدیده‌های مشاهده شده را توضیح دهد ضروری می‌نمود.

🔸در ابتدا دانشمندان آن دوره سعی داشتند با حفظ فرضیات فیزیک کلاسیک و افزودن فرض‌های جدید بتوانند این پدیده‌ها را توصیف کنند. هر چه قدر مشاهدات بیشتر می‌شد لازم بود فرض‌های بیشتری اضافه شود.

🔸در این جلسه سعی داریم به بررسی این پدیده‌ها و علت ناکامی فیزیک کلاسیک در توصیف آن‌ها بپردازیم.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools

❇️ آشنایی با موضوعات ده گانه دوره آشنایی با کوانتوم- جلسه سوم: مکانیک کوانتومی و موفقیت های آن

🔸توسعۀ یک نظریه جدید که با فرض‌های کمتر بتواند همۀ پدیده‌های مشاهده شده را توصیف کند به آرزوی دانشمندان آن زمان تبدیل شده بود. مکانیک کوانتومی نظریه‌ای بود که رویای آن دانشمندان را به حقیقت پیوست.

🔸این نظریه با تغییر بنیادین در فرض‌های فیزیک کلاسیک توانست با فرض‌های کمتر همۀ پدیده‌های مشاهده شده را توصیف کند.

🔸در این جلسه با فرض‌های مکانیک کوانتومی و توفیقات آن در توصیف پدیده‌های جدید آشنا خواهیم شد.

🔸نحوه ثبت نام در این دوره

🆔 @IDSchools