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

این پست رو یادتونه گفتم که به طرز عجیبی توی این پژوهش هرچی کشورها درصد افراد بالای ۶۵ سال بیشتری داشته باشن، میزان مرگ‌ومیر و بار بیماری ناشی از سکته‌ی مغزی منتسب به آلودگی هوا با PM2.5 کمتر میشه؟

برای اینکه بفهمیم آیا واقعاً ترند کلی داده‌ها اینجوریه یا نه، علاوه بر اینکه می‌تونیم به Scatter plot این داده‌ها رجوع کنیم، می‌تونیم از نوع خاصی رگرسیون به اسم LOESS Regression که کوتاه‌شده‌ی عبارت Locally Estimated Scatterplot Smoothing استفاده کنیم. این نوع رگرسیون یک روش نان‌پارامتریکه که برخلاف رگرسیون‌های خطی و بای‌نومیال و ... که یک شکل کلی جنرالیزه برای داده‌ها تصور می‌کنن, مدل‌سازی خودش رو براساس ترند "لوکال" داده‌ها انجام میده.

برای همین هم تو نمودار بالا می‌بینیم که به صورت کلی با افزایش درصد جمعیت بالای ۶۵ سال، مرگ‌ومیر هم افزایش پیدا می‌کنه اما به علت چند کشورِ Outlier و به‌خاطر چند فاکتوری که در بررسی‌ها در نظر گرفته نشده، قسمت آخر نمودار به سمت پایین منحرف میشه و خود رگرسیون اول ما هم تأثیر این عامل رو بر میزان مرگ‌ومیر منفی درنظر می‌گیره‌.

@erfaniumm

میشه گفت زندگی من از طرفای شهریور ۱۴۰۰ تا به همین لحظه (و حتی اینجوری که بوش میاد تا ۳-۴ سال آینده هم همینه) پر از بالا و پایین و از این طرف به اون‌طرف رفتن بوده و کلاً نشده یه هفته با آرامش و خیال راحت داشته باشم.

آیا بابتش خسته‌ام؟ بسیار زیاد
آیا بابتش ناراحتم؟ به‌هیچ‌عنوان

این تجربه‌ی کوچیک من بود که بگم تا قبل از این شهریور ۱۴۰۰ که عملاً کار خاصی نمی‌کردم و بلندپروازی خاصی نداشتم، پر از احساسات منفی بودم. از بعد شهریور ۱۴۰۰ بود که روزبه‌روز هرچقدر فشار روی من بیشتر میشد، احساسات منفی هم کلاً کنار می‌رفت و جاشون رو به احساسات مثبت می‌داد.
نمی‌دونم چرا ولی حس می‌کنم ذهن ما برای یک‌جانشین شدن و راکد بودن درست نشده، هرچقدر دغدغه‌ی کمتری داشته باشی ذهنت راحت‌تر به سمت احساسات منفی کشیده میشه و هرچقدر بیشتر خودت رو درگیر کنی احساسات مثبت‌تری هم تجربه خواهی کرد.
من تو این چندسال هر احساسی که بگید رو تجربه کردم جز افسردگی. واقعاً حس می‌کنم درگیر بودن و مشغله‌ی فراوان داشتن بهترین درمان برای ذهنیه که خودخوری می‌کنه.

@erfaniumm

صبح چهارشنبه رو اختصاص دادم به کنگره‌ی ICR40 و روست کردن غرفه‌هایی که فکر می‌کنن ۴تا کلمه‌ی ماشین‌لرنینگ و هوش مصنوعی بذارن سر غرفه‌شون می‌تونن سر ملت کلاه بذارن.

با اینکه سازماندهی خیلی خوب و منظمی داشت و مشخص بود خیلی برای تشکیلش تلاش شده، و میشه گفت بین کنگره‌های داخلی‌ای که تا الان رفتم بااختلاف از همشون جلوتر بود، ولی با مقایسه‌ی سخنرانی‌های RSNA و اینجا متوجه میشیم که متأسفانه علم رادیولوژی توی ایران از اون‌چیزی که تو دنیا داره ارائه میشه خیلی عقب‌تره‌؛ هم از نظر تجهیزات لجیستیکی و هم از نظر محتوای سخنرانی‌ها و ارائه‌ها.

@erfaniumm

یکی از کتاب‌های کلاسیک، دوست‌داشتنی و جذاب که برای هرکسی که دوست داره آروم‌آروم وارد فیلد fMRI بشه، توصیه میشه.

@erfaniumm

با عنایت به صحبت‌های استاد راجی‌مهر عزیز، ۲تا مفهوم در علم و مخصوصاً نوروساینس هست که باید به دقت بلد باشیم.

یکی از این مفاهیم، Forward inference یا استنتاج روبه‌جلو، و اون یکی هم Reverse inference یا استنتاج روبه‌عقب هستش (ترجمه‌هاشون از خودمه😂)

مفهوم Forward inference یعنی چی؟ یعنی مثلاً شما میری یه مطالعه انجام میدی و می‌بینی که مصرف فلان ماده باعث تحریک ناحیه‌ی مشخص X در مغز میشه‌. به این نتیجه میگیم Forward inference و خیلی رایجه و تشویق به استفاده هم میشه‌.
اما مفهوم دیگه یا Reverse inference چیه؟ فرض کنید یه مطالعه‌ی دیگه اومده و دیده مثلاً تجربیات معنوی هم باعث تحریک ناحیه‌ی X در مغز میشه. از طرفی، شما هم فهمیدی که مصرف فلان ماده هم باعث تحریک X میشه، و به اشتباه نتیجه بگیری که مصرف فلان ماده‌ی خاص، موجب شکل‌گیری تجربیات معنوی در فرد میشه.
به این نتیجه‌گیری آخر میگن Reverse inference که یک مغلطه‌ی فلسفی هستش و متأسفانه در استفاده‌های آماتوری از علوم اعصاب به‌شدت رایجه.
علت درست نبودن به‌کارگیری همچین استنتاجی هم مشخصه: ممکنه یک علت چندین معلول داشته باشه و یک معلول هم چندین علت.

باز در مورد مغلطه‌های مطالعات علوم اعصاب بیشتر میگم.

@erfaniumm

🚀 یه فرصت فوق‌العاده برای یادگیری رایگان!

سایت DataCamp یه هفته دسترسی کامل رایگان گذاشته
از ۱۲ تا ۱۸ آبان می‌تونی وارد بشی و هر چی خواستی یاد بگیری — از پایتون و AI گرفته تا Power BI و SQL.

📘 هم تمرین داره، هم پروژه واقعی، هم مدرک معتبر بین‌المللی.
و مهم‌تر از همه؟ 💳 هیچ کارت بانکی لازم نیست!

👈 ورود به DataCamp

🆔 @iaaa_ai 👈 چنل مارو دنبال کن