———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤14
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🤯5🔥1
Axial Non-Contrast CT at the Level of the Basal Ganglia
This image illustrates a non-contrast axial computed tomography (CT) scan of the head obtained at the level of the basal ganglia. This anatomical level is among the most critical and frequently assessed planes in routine head CT interpretation. It is particularly important for the evaluation of acute ischaemic stroke, deep gray matter pathology, and disorders affecting motor function.
⸻
Basal Ganglia
The basal ganglia consist of a group of deep gray matter nuclei involved in motor control and movement regulation. These structures include the caudate nucleus and lentiform nucleus within the cerebrum, the substantia nigra located in the midbrain, and the subthalamic nuclei within the diencephalon.
Functionally, the basal ganglia facilitate desired voluntary movements while suppressing competing motor activity, thereby ensuring smooth and coordinated motion.
From a clinical perspective, degeneration of dopaminergic neurons in the substantia nigra leads to Parkinson’s disease, whereas reduced activity of the subthalamic nuclei results in hemiballismus.
⸻
Ventricular System
At this axial level, the frontal horns of the lateral ventricles are visualized anteriorly, and the third ventricle is seen along the midline. Assessment of ventricular size, symmetry, and alignment is essential for the detection of hydrocephalus, mass effect, and midline shift.
⸻
Caudate Nucleus
The caudate nucleus forms the lateral wall of the lateral ventricle and serves as an important anatomical landmark on head CT. Involvement of the caudate nucleus in deep cerebral infarctions may appear as focal hypoattenuation on non-contrast CT imaging.
⸻
Lentiform Nucleus
The lentiform nucleus is a lens-shaped structure composed of the putamen and globus pallidus. Although differentiation between these components is limited on CT, they are readily distinguished on magnetic resonance imaging (MRI).
In the setting of acute cerebral infarction, involvement of the lentiform nucleus typically presents as ill-defined areas of low attenuation on non-contrast CT.
⸻
Internal Capsule
The internal capsule lies between the caudate nucleus medially and the lentiform nucleus laterally. It contains vital motor and sensory projection fibers. Even small lesions affecting the internal capsule may result in significant contralateral motor deficits, highlighting the importance of careful evaluation of its symmetry and attenuation on CT scans.
⸻
Sylvian Fissure and Middle Cerebral Artery Territory
The Sylvian fissure (lateral sulcus) separates the frontal and parietal lobes superiorly from the temporal lobe inferiorly. This fissure contains the course of the middle cerebral artery (MCA).
In the early stages of acute ischaemic stroke, the presence of a hyperdense MCA sign within the Sylvian fissure may represent the only abnormal CT finding, even when a short arterial segment is involved.
⸻
Insular Cortex
The insular cortex is located deep within the Sylvian fissure and is one of the earliest regions affected in MCA territory infarction. Under normal conditions, the insular gray matter appears slightly hyperattenuating relative to adjacent white matter. Loss of this normal gray–white matter differentiation is one of the earliest radiological indicators of cerebral ischaemia.
⸻
White Matter and Cortical Lobes
At this level, white matter is located centrally, while the frontal, temporal, and occipital lobes are identified peripherally. Familiarity with the normal distribution and appearance of these structures is essential for accurate recognition of pathological changes on head CT.
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9🙏1
NeurAITex
🎓 دوره جامع اصول نوروآناتومی مقطعی و نوروایمیجینگ بالینی 🧠 چرا یادگیری نوروآناتومی و نوروایمیجینگ با رویکرد کاربردی اینقدر حیاتیه؟ بیایید صادقانه باهم حرف بزنیم. وقتی پای تشخیص و درمان بیماریهای عصبی در میون باشه، نمیتونیم فقط با دانش تئوری از پس کار…
به امید روزهای روشنتر، آرامتر و پرامید برای همهی ما
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍1
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
xLSTM: the return of a king
💡 در سالهای اخیر، مدلهای Transformer تقریباً تمام توجهها را در حوزهی هوش مصنوعی و بهویژه مدلهای زبانی بزرگ (LLMs) به خود اختصاص دادهاند. به همین دلیل بسیاری تصور میکردند معماریهای قدیمیتر مانند LSTM دیگر کاربردی ندارند.
❗️ اما با معرفی نسخههای جدیدی مانند xLSTM که بازطراحی مدرنی از شبکههای بازگشتی ارائه میدهد، دوباره توجهها به این معماری جلب شده است. برای درک اهمیت این موضوع، ابتدا باید بدانیم LSTM چیست و چرا ایجاد شد.
1️⃣ از RNN شروع کنیم: مدلهایی برای دادههای ترتیبی
در یادگیری ماشین، برخی دادهها ترتیبی (Sequential) هستند؛ یعنی ترتیب آنها اهمیت دارد.
مثالها:
• جملههای یک متن
• سیگنال ECG قلب
• دادههای قند خون در طول زمان
• ویدئوها
• سریهای زمانی مالی
برای این نوع دادهها، مدل باید بتواند اطلاعات گذشته را به خاطر بسپارد تا وضعیت فعلی را بهتر درک کند.
✅ شبکههای بازگشتی یا RNN (Recurrent Neural Networks) دقیقاً برای همین هدف طراحی شدند. آنها در هر گام زمانی:
• ورودی جدید را دریافت میکنند
• آن را با «حافظهی قبلی» ترکیب میکنند
• یک خروجی تولید میکنند
❌ مشکل اینجا بود که RNNهای ساده در عمل نمیتوانستند اطلاعات مربوط به زمانهای دور را بهخوبی حفظ کنند.
2️⃣ مشکل اصلی RNNها چه بود؟
‼️ مشکل اول: محوشدگی گرادیان (Vanishing Gradient)
در فرآیند آموزش شبکههای عصبی، از الگوریتمی به نام پسانتشار (Backpropagation) استفاده میشود.
در RNNها، وقتی توالی خیلی طولانی باشد، گرادیانها در طول زمان کوچک و کوچکتر میشوند تا جایی که تقریباً صفر میشوند.
نتیجه؟
مدل دیگر نمیتواند یاد بگیرد که اطلاعات مهمی که مثلاً 50 گام قبل اتفاق افتاده، هنوز اهمیت دارد.
‼️ مشکل دوم: ناتوانی در یادگیری وابستگیهای بلندمدت
فرض کنید در جملهی زیر:
“The patient who was admitted three days ago and had severe hypertension is now stable.”
مدل باید بتواند ارتباط بین “patient” و “is” را با وجود فاصلهی زیاد حفظ کند.
RNNهای ساده معمولاً در چنین وابستگیهایی دچار مشکل میشوند.
3️⃣ چگونه شبکههای LSTM این مشکل را حل کردند؟
LSTM (Long Short-Term Memory)
در سال 1997 معرفی شد تا این محدودیتها را برطرف کند.
ایدهی کلیدی LSTM این بود که یک مسیر حافظهی پایدار ایجاد کند که اطلاعات مهم بتوانند برای مدت طولانی در آن جریان داشته باشند.
⚡️ ساختار LSTM به زبان ساده
LSTM در هر گام زمانی سه تصمیم مهم میگیرد:
⬅️ چه چیزی را فراموش کنیم؟ (Forget Gate)
آیا این اطلاعات قدیمی هنوز مهم هستند یا باید حذف شوند؟
⬅️ چه چیزی را اضافه کنیم؟ (Input Gate)
چه اطلاعات جدیدی باید وارد حافظه شوند؟
⬅️ چه چیزی را خروجی بدهیم؟ (Output Gate)
کدام بخش از حافظه برای تصمیم فعلی مهم است؟
در مرکز این سیستم، مفهومی به نام Cell State قرار دارد که مانند یک بزرگراه اطلاعات را از گذشته به آینده منتقل میکند.
4️⃣ کاربرد LSTM در دادههای پزشکی 🏥
یکی از مهمترین حوزههایی که LSTM در آن درخشان عمل کرده، دادههای پزشکی سری زمانی است.
⏩ مثال: پیشبینی نارسایی قلبی با استفاده از سیگنال ECG
سیگنال ECG یک دادهی کاملاً ترتیبی است.
هر ضربان قلب به ضربان قبلی وابسته است.
با استفاده از LSTM میتوان:
• الگوهای غیرطبیعی در ضربان قلب را تشخیص داد
• آریتمیها را پیشبینی کرد
• خطر ایست قلبی را قبل از وقوع تخمین زد
چرا LSTM مناسب است؟
• میتواند وابستگیهای زمانی طولانی را یاد بگیرد
• تغییرات تدریجی در سیگنال را تشخیص دهد
• الگوهای ظریف و پنهان را در طول زمان مدلسازی کند
⏩ مثال دیگر: پیشبینی سپسیس در ICU
در بخش مراقبتهای ویژه، پارامترهای حیاتی بیمار مانند:
• فشار خون
• ضربان قلب
• سطح اکسیژن
• دمای بدن
بهصورت مداوم ثبت میشوند و LSTM میتواند با تحلیل این دادههای زمانی:
• روندهای خطرناک را شناسایی کند
• چند ساعت قبل از وقوع سپسیس هشدار دهد
• به پزشکان در تصمیمگیری سریعتر کمک کند
5️⃣ آیا LSTM هنوز مهم است؟
با وجود موفقیت Transformerها، LSTM همچنان در شرایط زیر بسیار کاربردی است:
• دادههای با حجم متوسط
• سیستمهای با محدودیت حافظه
• کاربردهای real-time
• سریهای زمانی پزشکی و صنعتی
اکنون با معرفی xLSTM که نسخهای مدرنتر و مقیاسپذیرتر از این معماری ارائه میدهد، دوباره این سؤال مطرح شده است:
👀 آیا معماریهای بازگشتی واقعاً منسوخ شدهاند؟ یا فقط منتظر یک بازطراحی هوشمندانهتر بودند؟ بهنظر میرسد داستان LSTM هنوز تمام نشده است.
———
NeurAItex Research Center (Neuro AI technologies & Innovations )🧠
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
در یادگیری ماشین، برخی دادهها ترتیبی (Sequential) هستند؛ یعنی ترتیب آنها اهمیت دارد.
مثالها:
• جملههای یک متن
• سیگنال ECG قلب
• دادههای قند خون در طول زمان
• ویدئوها
• سریهای زمانی مالی
برای این نوع دادهها، مدل باید بتواند اطلاعات گذشته را به خاطر بسپارد تا وضعیت فعلی را بهتر درک کند.
• ورودی جدید را دریافت میکنند
• آن را با «حافظهی قبلی» ترکیب میکنند
• یک خروجی تولید میکنند
در فرآیند آموزش شبکههای عصبی، از الگوریتمی به نام پسانتشار (Backpropagation) استفاده میشود.
در RNNها، وقتی توالی خیلی طولانی باشد، گرادیانها در طول زمان کوچک و کوچکتر میشوند تا جایی که تقریباً صفر میشوند.
نتیجه؟
مدل دیگر نمیتواند یاد بگیرد که اطلاعات مهمی که مثلاً 50 گام قبل اتفاق افتاده، هنوز اهمیت دارد.
فرض کنید در جملهی زیر:
“The patient who was admitted three days ago and had severe hypertension is now stable.”
مدل باید بتواند ارتباط بین “patient” و “is” را با وجود فاصلهی زیاد حفظ کند.
RNNهای ساده معمولاً در چنین وابستگیهایی دچار مشکل میشوند.
LSTM (Long Short-Term Memory)
در سال 1997 معرفی شد تا این محدودیتها را برطرف کند.
ایدهی کلیدی LSTM این بود که یک مسیر حافظهی پایدار ایجاد کند که اطلاعات مهم بتوانند برای مدت طولانی در آن جریان داشته باشند.
LSTM در هر گام زمانی سه تصمیم مهم میگیرد:
آیا این اطلاعات قدیمی هنوز مهم هستند یا باید حذف شوند؟
چه اطلاعات جدیدی باید وارد حافظه شوند؟
کدام بخش از حافظه برای تصمیم فعلی مهم است؟
در مرکز این سیستم، مفهومی به نام Cell State قرار دارد که مانند یک بزرگراه اطلاعات را از گذشته به آینده منتقل میکند.
یکی از مهمترین حوزههایی که LSTM در آن درخشان عمل کرده، دادههای پزشکی سری زمانی است.
سیگنال ECG یک دادهی کاملاً ترتیبی است.
هر ضربان قلب به ضربان قبلی وابسته است.
با استفاده از LSTM میتوان:
• الگوهای غیرطبیعی در ضربان قلب را تشخیص داد
• آریتمیها را پیشبینی کرد
• خطر ایست قلبی را قبل از وقوع تخمین زد
چرا LSTM مناسب است؟
• میتواند وابستگیهای زمانی طولانی را یاد بگیرد
• تغییرات تدریجی در سیگنال را تشخیص دهد
• الگوهای ظریف و پنهان را در طول زمان مدلسازی کند
در بخش مراقبتهای ویژه، پارامترهای حیاتی بیمار مانند:
• فشار خون
• ضربان قلب
• سطح اکسیژن
• دمای بدن
بهصورت مداوم ثبت میشوند و LSTM میتواند با تحلیل این دادههای زمانی:
• روندهای خطرناک را شناسایی کند
• چند ساعت قبل از وقوع سپسیس هشدار دهد
• به پزشکان در تصمیمگیری سریعتر کمک کند
با وجود موفقیت Transformerها، LSTM همچنان در شرایط زیر بسیار کاربردی است:
• دادههای با حجم متوسط
• سیستمهای با محدودیت حافظه
• کاربردهای real-time
• سریهای زمانی پزشکی و صنعتی
اکنون با معرفی xLSTM که نسخهای مدرنتر و مقیاسپذیرتر از این معماری ارائه میدهد، دوباره این سؤال مطرح شده است:
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8
xLSTM Tutorial
📱 Article
📱 Youtube Tutorial
📱 Hugging Face Tutorial
📱 GitHub
———
NeurAItex Research Center (Neuro AI technologies & Innovations )🧠
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
NeurAITex
Alzheimer's Imaging_ From Voxels to Insight.pdf
6 MB
اسلایدهای ارايه مرکز ما در دومین کنگره ملی اختلالات شناختی، دمانس و نوروسایکیتری.
در این نشست تلاش شد که یک راهنمای عملی برای انجام مطالعات مبتنی بر تجزیه و تحلیل تصویربرداری عصبی در بیماری آلزایمر با استفاده از مدلهای هوش مصنوعی ارائه شود.
———
NeurAItex Research Center (Neuro AI technologies & Innovations )🧠
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
در این نشست تلاش شد که یک راهنمای عملی برای انجام مطالعات مبتنی بر تجزیه و تحلیل تصویربرداری عصبی در بیماری آلزایمر با استفاده از مدلهای هوش مصنوعی ارائه شود.
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10👌1
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4🙏2
⸻
اگه خیلی ساده بخوایم بگیم، مولکولار داکینگ (Molecular Docking) یه روش کامپیوتریه که کمک میکنه بفهمیم یک مولکول دارویی چطور به یک پروتئین توی بدن وصل میشه.
بیشتر داروها وقتی وارد بدن میشن، با اتصال به یک پروتئین خاص اثرشون رو میذارن. این اتصال میتونه فعالیت اون پروتئین رو تغییر بده؛ مثلاً ممکنه جلوی کارش رو بگیره یا برعکس فعالترش کنه.
پروتئینها معمولاً روی سطحشون یه جور جیب یا حفره دارن که مولکول دارو میتونه داخلش قرار بگیره. به این مولکول کوچکتر هم میگن لیگاند (Ligand).
برای درک سادهتر میشه اینطوری تصورش کرد:
پروتئین مثل قفله و مولکول دارو مثل کلید. اگر شکل کلید مناسب باشه، داخل قفل جا میگیره و میتونه روی عملکردش اثر بذاره.
حالا مشکل اینجاست که توی کشف دارو ممکنه هزاران مولکول مختلف وجود داشته باشه و دانشمندا بخوان بفهمن کدومشون بهتر به پروتئین هدف وصل میشه. تست کردن همه اینها توی آزمایشگاه هم خیلی زمانبره هم خیلی پرهزینه.
اینجاست که مولکولار داکینگ وارد میشه.
داکینگ با استفاده از شبیهسازی کامپیوتری امتحان میکنه که هر مولکول در چه حالتی میتونه داخل جایگاه اتصال پروتئین قرار بگیره و اتصالش چقدر قوی میشه.
در نهایت هم چند تا نتیجه مهم به ما میده:
• اینکه مولکول دقیقاً چطور داخل پروتئین قرار میگیره
• قدرت اتصال (binding affinity) چقدره
• و اینکه چه تعاملهایی بین مولکول و اسیدآمینههای پروتئین ایجاد میشه.
به همین خاطر مولکولار داکینگ یکی از ابزارهای خیلی مهم در طراحی و کشف دارو محسوب میشه، چون کمک میکنه قبل از انجام آزمایشهای واقعی، بهترین مولکولها رو سریعتر پیدا کنیم.
⸻
• مبانی داکینگ — اینکه داکینگ چطور به تصمیمهای واقعی در کشف دارو کمک میکنه
• آمادهسازی تارگت (پروتئین) — گرفتن ساختار از PDB، تمیز کردن ساختار، اضافه کردن هیدروژنها و تنظیم بارها
• آمادهسازی لیگاند — کار با AutoDockTools، اضافه کردن polar H و خروجی گرفتن به فرمت PDBQT
• انتخاب جایگاه اتصال (Binding site) — انتخاب مختصات درست و تنظیم صحیح Grid Box
• اجرای داکینگ — تنظیم پارامترهای مناسب، اجرای موتور داکینگ و مرتب نگه داشتن خروجیها
• تحلیل نتایج — تفسیر انرژی اتصال و پوزها و تمرکز روی تعاملات مهم
• نمایش سهبعدی — بررسی H-bond ها، تعاملات هیدروفوبیک و π-stacking و گرفتن شکلهای واضح
• اعتبارسنجی — یک re-dock سریع + محاسبه RMSD (ترجیحاً ≤ 2.0 Å) برای چک کردن درست بودن workflow
دانشجوها و پژوهشگرهای حوزه بایولوژی، بایوتکنولوژی، بیوانفورماتیک و داروسازی.
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1🙏1
توی این زندگی که راستش هیچوقت درستوحسابی فرصتِ زندگیکردنش نصیبمون نشد…
همش دویدیم. از اینجا به اونجا، از یه امید به یه امید دیگه. فکر میکردیم یه کم جلوتر، یه پیچ بعدی، بالاخره میرسیم. اما هرچی دویدیم، انگار رسیدن هی عقبتر رفت.
خیلی جاها همه تلاشمونو کردیم، جون کندیم، زمین خوردیم، بلند شدیم… ولی آخرش ما برنده نشدیم. نه اینکه کم گذاشته باشیم؛ نه… بعضی وقتا فقط قسمتِ برد با ما نبود.
حسرتِ چیزایی رو خوردیم که شاید برای خیلیها سادهترین چیز دنیا بود. همون چیزای کوچیک، همون دلخوشیهای معمولی… که برای ما تبدیل شد به آرزو.
یه وقتایی که برمیگردم عقب رو نگاه میکنم، با خودم میگم:
چقدر دویدیم… چقدر خواستیم… چقدر حیف بودیم.
حق داشت سعدی که میگفت:
«عمری دگر بباید بعد از وفات ما را
کاین عمر طی نمودیم اندر امیدواری»
انگار تمام این عمر، بیشتر از اینکه زندگی باشه، گذشتن بود…
گذشتن در امیدِ یه روز بهتر؛ روزی که شاید هیچوقت نرسید 🥀🖤
همش دویدیم. از اینجا به اونجا، از یه امید به یه امید دیگه. فکر میکردیم یه کم جلوتر، یه پیچ بعدی، بالاخره میرسیم. اما هرچی دویدیم، انگار رسیدن هی عقبتر رفت.
خیلی جاها همه تلاشمونو کردیم، جون کندیم، زمین خوردیم، بلند شدیم… ولی آخرش ما برنده نشدیم. نه اینکه کم گذاشته باشیم؛ نه… بعضی وقتا فقط قسمتِ برد با ما نبود.
حسرتِ چیزایی رو خوردیم که شاید برای خیلیها سادهترین چیز دنیا بود. همون چیزای کوچیک، همون دلخوشیهای معمولی… که برای ما تبدیل شد به آرزو.
یه وقتایی که برمیگردم عقب رو نگاه میکنم، با خودم میگم:
چقدر دویدیم… چقدر خواستیم… چقدر حیف بودیم.
حق داشت سعدی که میگفت:
«عمری دگر بباید بعد از وفات ما را
کاین عمر طی نمودیم اندر امیدواری»
انگار تمام این عمر، بیشتر از اینکه زندگی باشه، گذشتن بود…
گذشتن در امیدِ یه روز بهتر؛ روزی که شاید هیچوقت نرسید 🥀🖤
❤10
This media is not supported in your browser
VIEW IN TELEGRAM
1. مقالات علمی و ارائهها: میتونی نمودارهای پویا بسازی که مراحل آزمایش یا روند تحلیل دادهها رو نشان بده و خواننده یا مخاطب با تعامل، جزئیات بیشتری ببینه.
2. پروژههای دانشگاهی: به جای تهیه چندین تصویر و توضیح طولانی، کلود میتونه فلوچارتها، گانتچارتها و نقشه سایت تعاملی بسازه تا روند پروژه یا مراحل تحقیق به شکل بصری و قابل فهم ارائه بشه.
3. تحلیل داده و گزارشها: نمودارهای داینامیک بساز که با کلیک روی هر بخش، اطلاعات دقیق و تحلیلهای تکمیلی نمایش داده بشه، بدون نیاز به ابزارهای جانبی مثل اکسل یا لوسیچارت.
• دسترسی عمومی: این قابلیت برای همه پلنها فعال است، حتی کاربران رایگان.
• وضعیت بتا: ممکنه روی موبایل گاهی باگ داشته باشه، اما روی دسکتاپ عملکرد خوبی داره.
• هوشمندی و کنترل: کلود خودش میفهمه کجا میتونه از دیاگرام استفاده کنه، ولی میتونی با دستور مستقیم هم بگی:
«این پروسه رو به صورت یک دیاگرام تعاملی نمایش بده.»
فرض کن میخوای مراحل یک آزمایش شیمیایی رو به صورت بصری در پروژه دانشگاهی ارائه بدی:
• کلود میتونه دیاگرامی بسازه که هر مرحله آزمایش (مثل آمادهسازی مواد، واکنشها، ثبت دادهها، تحلیل نتایج) به صورت بلوکهای قابل کلیک نمایش داده بشه.
• با کلیک روی هر بلوک، توضیح مفصل، عکس نمونه یا نمودار نتیجه واکنش نمایش داده میشه.
• میتونی همین دیاگرام رو در ارائه آنلاین یا فایل پروژه قرار بدی تا استاد یا همکلاسیها با تعامل، روند آزمایش رو بهتر درک کنند.
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤1
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
عید، آن روز مبارک بادم
که تو آبادی و من آزادم🕊 ❤️
سال نو پیشاپیش مبارک
به امید سالی پر از نور، امید و موفقیت برای همگی شما
که تو آبادی و من آزادم
سال نو پیشاپیش مبارک
به امید سالی پر از نور، امید و موفقیت برای همگی شما
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍1
این روزها با این قطعیها و محدودیتهای اینترنت، کلی پیام از بچههایی میگیریم که قصد مهاجرت دارن و میخوان با نوشتن مقاله رزومهشون رو قویتر کنن. 🌍 ✉️
واقعیتش اینه که توی این شرایط، کار پژوهشی اون کیفیتی که باید رو نداره. هی قطع و وصل شدن اینترنت، دسترسی سخت به منابع و دیتابیسها، مشکل در ارتباط گرفتن با استادها یا همتیمیها، و حتی ارسال ساده یه ایمیل… همه اینا باعث میشه روند کار کند و فرسایشی بشه و خروجی هم اون چیزی نشه که انتظارش رو دارید.⚠️ 📉
نه اینکه نشه کار کرد، ولی ما دلمون نمیخواد به این شرایط عادت کنیم یا بگیم «تحت هر شرایطی کار پیش میره». ترجیح میدیم وقتی کاری انجام میدیم، استاندارد و با کیفیت باشه، نه با هزار تا محدودیت و فشار.🎯
از اون طرف، این بازه میتونه یه فرصت خوب باشه برای اینکه روی مهارتهای پایهای اما خیلی مهم تمرکز کنیم؛ چیزهایی که خیلی وقتها نادیده گرفته میشن، ولی تأثیرشون کمتر از مقاله نیست.🌱 ✨
برای همین تصمیم گرفتیم فعلاً یه سری جلسات کاربردی برگزار کنیم. تو این جلسات تمرکز ویژهای روی زبان خوندن داریم، در کنار موضوعاتی مثل رزومهنویسی، نحوه درست ایمیل زدن و بقیه مهارتهایی که تو مسیر مهاجرت خیلی به دردتون میخوره.🎓 📚
هدفمون اینه که بعد از این جلسات:
بتونید یه ایمیل استاندارد و مؤثر به استادها بزنید📩
یه رزومه مرتب و قابل رقابت داشته باشید🧾
و مهمتر از همه، مسیر زبان خوندن براتون شفاف، هدفمند و قابل اجرا بشه🧠 🗣️
نکته مهم اینه که این مهارتها دستکمی از داشتن مقاله ندارن. خیلی وقتها حتی قبل از اینکه مقالهتون دیده بشه، این رزومهتون، نحوه معرفی خودتون و ایمیلی که میزنید هست که تعیین میکنه اصلاً فرصت بررسی بیشتر بهتون داده بشه یا نه. از طرف دیگه، بدون سطح زبان مناسب، حتی بهترین رزومه و مقاله هم اونطور که باید اثر نمیذاره. پس تقویت زبان عملاً یکی از پایهایترین قدمهای این مسیره.🚀
اگر این موضوعات براتون مهمه، پیشنهاد میکنیم حتماً این جلسات رو دنبال کنید.👀
بهزودی جزئیات بیشتر رو باهاتون به اشتراک میذاریم🌱
———
NeurAItex Research Center (Neuro AI technologies & Innovations )🧠
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex
واقعیتش اینه که توی این شرایط، کار پژوهشی اون کیفیتی که باید رو نداره. هی قطع و وصل شدن اینترنت، دسترسی سخت به منابع و دیتابیسها، مشکل در ارتباط گرفتن با استادها یا همتیمیها، و حتی ارسال ساده یه ایمیل… همه اینا باعث میشه روند کار کند و فرسایشی بشه و خروجی هم اون چیزی نشه که انتظارش رو دارید.
نه اینکه نشه کار کرد، ولی ما دلمون نمیخواد به این شرایط عادت کنیم یا بگیم «تحت هر شرایطی کار پیش میره». ترجیح میدیم وقتی کاری انجام میدیم، استاندارد و با کیفیت باشه، نه با هزار تا محدودیت و فشار.
از اون طرف، این بازه میتونه یه فرصت خوب باشه برای اینکه روی مهارتهای پایهای اما خیلی مهم تمرکز کنیم؛ چیزهایی که خیلی وقتها نادیده گرفته میشن، ولی تأثیرشون کمتر از مقاله نیست.
برای همین تصمیم گرفتیم فعلاً یه سری جلسات کاربردی برگزار کنیم. تو این جلسات تمرکز ویژهای روی زبان خوندن داریم، در کنار موضوعاتی مثل رزومهنویسی، نحوه درست ایمیل زدن و بقیه مهارتهایی که تو مسیر مهاجرت خیلی به دردتون میخوره.
هدفمون اینه که بعد از این جلسات:
بتونید یه ایمیل استاندارد و مؤثر به استادها بزنید
یه رزومه مرتب و قابل رقابت داشته باشید
و مهمتر از همه، مسیر زبان خوندن براتون شفاف، هدفمند و قابل اجرا بشه
نکته مهم اینه که این مهارتها دستکمی از داشتن مقاله ندارن. خیلی وقتها حتی قبل از اینکه مقالهتون دیده بشه، این رزومهتون، نحوه معرفی خودتون و ایمیلی که میزنید هست که تعیین میکنه اصلاً فرصت بررسی بیشتر بهتون داده بشه یا نه. از طرف دیگه، بدون سطح زبان مناسب، حتی بهترین رزومه و مقاله هم اونطور که باید اثر نمیذاره. پس تقویت زبان عملاً یکی از پایهایترین قدمهای این مسیره.
اگر این موضوعات براتون مهمه، پیشنهاد میکنیم حتماً این جلسات رو دنبال کنید.
بهزودی جزئیات بیشتر رو باهاتون به اشتراک میذاریم
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
به نظرتون بهتره از کدوم بخش شروع کنیم؟
Anonymous Poll
52%
زبان خوندن 📝
37%
رزومهنویسی 📁
39%
مکاتبه با اساتید (ایمیل زدن)📨
20%
جلسه اینترویو 🗣️
SPINE25-878_ePub.pdf
663.5 KB
“A Novel Interpretable Classification of Lumbar Spinal Stenosis Using a Cascade Deep Learning Approach and T2-Weighted MRI”
این کار در راستای علاقهمندی ما به ترکیب روشهای پیشرفته یادگیری عمیق با کاربردهای واقعی در حوزه پزشکی، بهویژه تصویربرداری پزشکی، انجام شده است.
از همه همکاران و همنویسندگان عزیز بابت همکاری ارزشمندشون صمیمانه سپاسگزاریم
———
NeurAItex Research Center (Neuro AI technologies & Innovations )
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👌2
NeurAITex
SPINE25-878_ePub.pdf
کسی میدونه چنتا تیم از داخل ایران توی ژورنالای JNS مقاله اورجینال چاپ کردن؟ 🤭 😎
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4🫡2👍1
https://github.com/masterking32/MasterHttpRelayVPN
Please open Telegram to view this post
VIEW IN TELEGRAM
GitHub
GitHub - masterking32/MasterHttpRelayVPN: Domain-fronted HTTP/SOCKS5 proxy tunneling traffic through Google Apps Script with MITM…
Domain-fronted HTTP/SOCKS5 proxy tunneling traffic through Google Apps Script with MITM TLS interception, HTTP/1-2 multiplexing, and DPI evasion. - masterking32/MasterHttpRelayVPN
❤🔥2🫡2