برای اینکه با خیال راحت و بدون دغدغه رزیدنتی رو شروع کنم یه‌جوری کارهای ناتمومم زیاده که واسه تموم شدنشون تا آخر برج باید به قول پرهام برم روی Warrior mode😂

نکنید آقا،‌ محدودیت‌هاتون رو بشناسید و بیشتر از حد توانتون کار برندارید که مثل من اینجوری تو چاله نیافتید.

@erfaniumm

سمی‌ترین چیزی که تو نتِ دیتاساینتیست‌ها می‌تونید پیدا کنید:

برای اونایی که هم مانگا دوست دارن هم جبر خطی :))

@erfaniumm

چون چندتا از دوستان راجع به آزمون دستیاری از من سؤال پرسیدن، من نکات و تجربیاتی که لازم دونستم رو توی این ویس بهتون میگم.

اول ویس هم تأکيد می‌کنم چرا هرکسی که رتبه‌ی خوب میاره لزوماً مشاور خوبی هم نیست و اینکه خودتون باید مسیر رو پیدا کنید و از کسی تقلید نکنید.

کل چیزی که لازمه از مطالعه واسه آزمون گفته بشه در حد همین ۱۱ دقیقه‌اس و بیشتر گفتنش هم اتلاف وقت من و شماست. خارج از این ویس هم مطلب دیگه‌ای راجع به مطالعه برای آزمون داخل کانال نمی‌ذارم ولی اگر سؤالی داشتین داخل پیوی بپرسین.

چون موقع ضبط ویس بیرون بودم پیشاپیش بابت شنیدن کیفیت بد صدا دمتون گرم.

@erfaniumm

☑️Symposium Title:
From Scientific Research to Technological Innovation: New Approaches to Addressing Addiction


🎤Speakers:
🔸Erfan Naghavi
🔸Mohammadreza Oshaghi
🔸Yasin Ahmadi

📅Friday, September 5, 2025: 08:00 – 10:00- Hall 6

📍 Venue: Razi Conference Center, Iran University of Medical Sciences

🌐www.ascongress.org

✔️ با ۲۰ امتیاز بازآموزی
شناسه بازآموزی: ۲۳۴۷۱۰
سایت بازآموزی:ircme.ir

@ascongressorg

درد و نفرین چیه؟ وقتی که تز رشته‌ی دومم آماده‌ی دفاع بود، یه بخشنامه اومد که اول باید تز رشته‌ی اولت رو دفاع کنی بعد رشته‌ی دومت. حالا گذشت و گذشت و ما تز رشته‌ی اول رو دفاع کردیم و در حال غبارروبی کردن برای تز رشته‌ی دومیم، یهو دیدیم یه چینی از خدا بی‌خبر اومده دقیقاً ایده‌ی تز رشته‌ی دوم ما رو تو این مدت مقاله کرده ://

بابا یه دقیقه آروم بگیرین لامصبا.

@erfaniumm

✅ Philosophical foundations of neuroscience

📌 M.R. Bennett and P.M.S. Hacker

@erfaniumm

✅ Philosophy of statistics

📌 Edited by Prasanta S. Bandyopadhyay and Malcolm R. Forster

از نقاط مثبت زندگیم آشنایی با استاد خوشفکر و خفنی مثل استاد شفقی بزرگوار بود و این کتاب رو هم ایشون به من معرفی کردن.

@erfaniumm

به مناسبت کنسل شدن جلسه‌ی دفاع MPHم برای بار nم به‌خاطر وقت محدود استاد داورم🤙، یه چندتا کار جالب که برای این تز واسه اولین بار کردم رو به زودی توضیح میدم که اگه کسی تفکر مشابه داشت بتونه ازش استفاده کنه.

@erfaniumm

خب دفاع هم کردیم و الوعده وفا:

اولین مورد اینه که آنالیزی که من برای این کار ازش استفاده کردم، آنالیز Linear Mixed Effect Model یا LMEM هستش؛ اما چرا این؟
چون کار من بررسی ۱۹۱ کشور در طول ۳۰ سال بود، من می‌خواستم مدلی رو بسازم که هم تفاوت‌های بین هر کشور در یک سال معین، و هم تفاوت‌های بین وضعیت یک کشور در طول سال‌های مختلف رو بررسی کنه. باید حواسمون باشه که یه رگرسیون نمی‌تونه انقدر پیشرفته به قضیه نگاه کنه و هم تفاوت‌های بین گروهی و هم تفاوت‌های درون‌گروهی رو مدل‌سازی کنه.
در واقع من اومدم یه‌جورایی به این مدل گفتم که نه تنها حواست باشه ما ۱۹۱ کشور جدا داریم، بلکه تأثير سال هم بر همه‌ی ۱۹۱ کشور رو باید جداگانه محاسبه و تفسیر کنی.
این متدولوژی‌ای هستش که شما می‌تونید برای ایده‌های مشابه ازش خیلی خوب بهره ببرید.
بازم چندتا نکته هست که ادامه داره.

@erfaniumm

این هم یک مقاله‌ی خیلی خوب برای آشنایی با LMEM و نحوه‌ی انجام این مدل در نرم‌افزار R

@erfaniumm

کار دومی که من کردم، این بود که به جای استفاده از مقادیر خام متغیر وابسته، از لگاریتم به پایه‌ی طبیعیِ اون متغیر استفاده کردم. یعنی چی؟ یعنی به‌جای استفاده از y = a + bx، از Ln(y) = a + bx استفاده کردم. این کار فایده‌های زیادی داره.
مثلاً یه فایده‌اش اینه که اگر توزیع داده‌های شما غیرطبیعی باشه، این کار توزیع داده‌هاتون رو به توزیع طبیعی نزدیک‌تر می‌کنه و Fitness مدل شما بهتر میشه.
دومین فایده‌اش، اینه که واریانس‌های ناهمسان متغیر وابسته‌ی شما در سطوح مختلف متغیرهای اصلی شما، تأثیر زیادی بر مدل شما نمی‌ذاره.
و سومین مورد خوبش اینه که تأثیر داده‌های پرت رو به حداقل می‌رسونه، چون لگاریتمِ اعداد بزرگ تفاوت قابل توجهی با هم ندارن.

مجموع این فايده‌ها در کنار اینکه میزان Fitness مدل (که با REML در LMEM توصیف میشه) هم با استفاده از این حالت به مقدار قابل توجهی بهبود پیدا کرد، باعث شد که از این شیوه برای ساخت LMEM استفاده کنیم.

@erfaniumm