✅🌐 محققان دانشگاه پزشکی شیکاگو و دانشگاه واشنگتن سیاتل با مطالعه بر روی روش های تشخیص سرطان سینه در زنان دریافتند که دوبار تصویر برداری با MRI در سال نسبت به یک بار ماموگرافی در سال، تاثیر بیشتری در تشخیص سرطان سینه در زنانِ جوان با مشخصات ژنتیکی پر خطر دارد.
👨‍💻 نویسنده: معصومه دلگرمی

✍ نتایج حاکی از آن است که یافتن سریعترِ نشانه های سرطان در زنان با مشخصات ژنتیکی پرخطر ، در بهبود روند درمان بسیار موثر است. در تحقیق به عمل آمده بیشتر زنان علیرغم داشتن تغییرات ژنتیکی مانند BRCA1 ، به دلیل مراقبت های شدید و با کیفیت بالا سرطان سینه در آنها رشد نکرده است.
در این تحقیق محققان، از 295 زن برای انجام آزمایش بالینی ثبت نام به عمل آورند و میانگین سن این افراد 43 سال بود. داوطلبان شرکت کننده در این آزمایش باید بیش از 20 درصد احتمال ابتلا به سرطان سینه را داشته باشند. بیش از نیمی از زنانی که در این تحقیق شرکت کردند، یکی از 11 اختلافات ژنتیکی شناخته شده مرتبط با سرطان سینه را داشتند. 75 مورد از 157 زن، جهشِ BRCA1 داشتند و 61 نفر جهش BRCA2 را داشتند. این مطالعه همچنین شامل زنان مبتلا به سرطان سینه یا سرطان تخمدان (DCIS) قبل از سن 35 سالگی یا زنانی که مادر و یا خواهر آن ها مبتلا به سرطان سینه قبل از 50 سالگی تشخیص داده شدند. افراد مورد مطالعه در این تحقیق در یک نوع آزمایش ژنتیکی شرکت کردند که در این آزمایش به دنبال ژن هایی بودند که مرتبط با سرطان سینه بود.
پس از ارزیابی توسط پزشک و مشاور ژنتیک، شرکت کنندگان باید هر 6 ماه یکبار یک آزمایش معاینه ی پستان بالینی و تصویربرداری ام آر آی انجام دهند و علاوه بر آن باید هر 12 ماه یکبار نیز ماموگرافی انجام دهند.
در طی این مطالعه محققان 2111 آزمایش ام آر آی انجام دادند (به طور متوسط حدود 7 آزمایش برای هر شرکت کننده) و 2223 بار ماموگرافی انجام دادند (به طور متوسط حدود 4 آزمایش برای هر شرکت کننده).
آنها 17 سرطان را یافتند: 4 سرطان تخمدان و 13 سرطان سینه
تمام این 17 بیمار به مدت 5 سال مداوم تحت نظارت و مداوا بودند اکنون همه ی آنها زنده و بدون ناراحتی های سیستمی هستند.
به گفته ی Gregory Karczmar استاد رادیولوژی دانشگاه شیکاگو ، نتایج این تحقیق نشان می دهد که انجام ام آر آی هر 6 ماه یکبار در تشخیص زودهنگام سرطان سینه در زنان با مشخصات ژنتیکی پر خطر به خوبی عمل می کند. او افزود هدف نهایی تشخیص تومورهای کمتر از 1 سانتی متر است. و اما ماموگرام به طور معمول برای نمایش سرطان سینه به کار می رود و برای حدود 40 درصد از زنان گزینه ی مناسبی نیست. وی افزود: ام آر آی نسبت به ماموگرافی حساس تر است و می تواند سرطان سینه ی غیر تهاجمی را نسبت به ماموگرافی سریعتر تشخیص دهد. اما متاسفانه ام آر آی برای تصویر برداری روتین گران تر است.
به گفته ی پروفسور Mary Claire King پزشک و استاد دانشگاه واشنگتن و محقق جامعه ی سرطان آمریکا در حوزه ی سرطان پستان، هدف اصلی این مطالعه ، درک نیاز های اساسی زنان در معرض ابتلا به سرطان پستان است.
انجمن سرطان آمریکا(ACS) در حال حاضر سالانه یه بار ام آر آی و یکبار ماموگرافی را برای زنان در معرض ابتلا به سرطان سینه پیشنهاد می کند.

منبع:
https://medicalxpress.com/news/2018-09-women-genetic-twice-a-year-mri-mammograms.amp


#خبر
#تازه_ها
#سرطان_سینه
#مهندسی_پزشکی
#مریم_میرزاخانی
#MRI

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅ نشانه ای از ضریب هوشی بالا 🧐🧐

چقدر میتوانید برای دریافت پاداش خود صبر کنید؟
یافته های تحقیقاتی نشان میدهد که داشتن self-control (خویشتنداری)، نشانه ای از ضریب هوشی بالا است. در هنگامه مواجهه با وسوسه، افراد باهوش خونسردی خود را حفظ می‌کنند.

👨‍💻 نویسنده: محمد نوری زاده چرلو

✍ از قبل شناخته شده بود که خونسردی افراد با ضریب هوشی بالای آنها در ارتباط هست ولی پایه و اساس آن ناشناخته بود. در یک مطالعه ای، افرادی که از ضریب هوشی بالایی برخوردار بودند، برای یک پاداش بزرگتری صبر کردند. در این مطالعه، 103 نفر یک آزمایشی انجام دادند که قرار شده بود بین پاداش فوری اما کوچک پاداش بزرگتر اما دیرتر، یکی را انتخاب کنند. اگر بخواهیم یک مثالی بزنیم، فرض کنید که امروز به شما 5 دلار پول به عنوان پاداش میدهم، ولی اگه صبر کنید، یک ماه دیگه 10 دلار میدهم. 5 دلار امروز رو می خواهید یا 10 دلار فردا رو؟؟ انتخاب پاداش بزگتر اما با تاخیر، منطقی است، ولی بازده فوری پاداش کوچک وسوسه انگیز است.
روانشناسان این را "ارزش تاخیری" می نامند، هر چقدر که برای مردم برای پاداشی صبر میکنند، به همان مقدار به آن از ارزش می‌کنند.
چند توضیح ساده در مورد ارزش تاخیری: برپایـه نظریـه کـاهش ارزش تأخیری، ارزش پـاداشهـای تـأخیری در ذهـن افـراد (ارزش ذهنی) به علت وجود فاصله یـا تـأخیر زمـانی کاهش می‌یابد. برای نمونه، اگر امکان انتخاب بین یـک پاداش مالی فوری و یک پاداش تأخیریِ هم ارزش داده شود، افراد معمولاً پاداش فوری را برمـی‌گزیننـد و در صورتی به پاداش تأخیری روی می‌آورند که مقـدار آن بیشتر از پاداش فوری باشد. کاهش ارزش تأخیری به معنی برتری داشتن پاداشهای فوری و کوچک بر پاداشهای بزرگ و تأخیری است.

نتایج نشان میدهند که هر چقدر افراد هوش بالایی داشته باشند، برای پاداش خود بیشتر صبر می‌کنند، به همین خاطر خونسردتر هستند.
اسکنهای مغزی آشکار کرده اند که افراد با ضریب هوشی بالا فعالیت بیشتری در ناحیه ای به نام کورتکس پیش قدامی (anterior prefrontal cortex) دارند. این بخش از مغز به فرد کمک میکند تا مشکلات پیچیده را مدیریت کند.
دکتر Noah Shamosh اولین نویسنده این مطالعه میگوید که: از قبل معلوم شده بود که در بعضی مواقع ضریب هوشی با خونسردی فرد مرتبط است، ولی ما دلیل این را نمی دانستیم.
خب اونایی که 50 میلیون رو انتخاب کردند همانطور که قبلا با اینکه زن پیر را در نگاه اول دیده بودند پیر نیستند، اینجا هم ضریب هوشی بالایی دارند.😅
سن و ضریب هوشی فقط یه عددند،😅
خلاصه آره😅😅

منبع:
https://www.spring.org.uk/2018/09/cool-sign-of-high-iq.php
#خبر
#شناخت_مغز
#مهندسی_پزشکی
#روانشناسی
#ضریب_هوشی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی

✔️ @OnlineBME

✅شرکت Adobe هم به هوش مصنوعی می اندیشد!

👩‍🏫نویسنده: هما کاشفی امیری
در حال حاضر Adobe پلت فرم هوش مصنوعی خود یعنی Adobe Sensei را با فتوشاپ و سایر محصولات خلاقانه ی خود ترکیب کرده است. Adobe Sensei یک پلت فرم هوش مصنوعی و یادگیری ماشین است که به طور دقیق متوجه می شود که کاربران چگونه کار می کنند و کارهای خلاقانه انجام می دهند. چیزی که باعث شده است Sensei منحصر به فرد باشد این است که Adobe تنها شرکت در عرصه ی صنعت است که هنر محتوا و بیان و ارائه ی خلاقانه را با هم پیوند داده است
حوزه های اصلی که بر آنها تمرکز کرده اند عبارتند از: هوش محتوایی، خلاقیت محاسباتی و تجربیاتی که مربوط به درک رویدادهای ارائه ی محتواست. اگر بتوان روش ایجاد محتوا را در یک ابزار خلاقانه به کامپیوتر یاد داد و آن را در Adobe Experience Cloud قرار داد؛ می توان از طریق روش های تحلیلی آن را مورد سنجش قرار داد و به صورت فیدبک به سیستم ارائه کرد تا در نهایت همان چیزی که کاربران می خواهند را انجام دهد بدون اینکه کاربران جریان کاری خاصی را طی کنند یا وارد جزئیات شوند.
یکی از نرم افزارهای Adobe مانند فتوشاپ را فرض کنید که فقط با کامپیوتر صحبت می کنید و کاملاً متوجه می شود که می خواهید چه کار کنید، همین امر باعث می شود این نرم افزارها در دسترس تر
شوند و خیل عظیمی از مشتریان را به خود جذب کنند.
منبع:
https://www.webpronews.com/how-adobe-is-using-ai-to-transform-the-customer-experience/

#خبر
#تازه_های_هوش_مصنوعی
#یادگیری_ماشین
#هوش_مصنوعی
#فتوشاپ
#Adobe

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME

✅راهی جدید برای توضیح شبکه های عصبی

👩‍🏫نویسنده: هما کاشفی امیری

✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.

منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅ بیمار فلجی که دوباره حس لامسه پیدا کرد!
خلاصه:
دانشمندان با استفاده از آرایه ای از الکترودهای کاشته شده در قشر Somatosensory مغز، احساسات لمس و حرکت در دست و بازوی مرد فلج را بازگرداندند.
👨‍💻 نویسنده: محمد نوری زاده چرلو

✍ برای اولین بار، دانشمندان Caltech با تحریک یک ناحیه مغز توسط یک آرایه کوچک از الکترودها، احساسات طبیعی (لمس و حرکت) در بازوی یک مرد فلج شده ایجاد کرده اند. بیمار دارای ضایعه نخاعی سطح بالا بود و علاوه بر عدم توانایی حرکت اندام خود، هیچ احساسی در اندام خود نداشت. این کار می تواند به بیماران فلج شده یک روز اجازه دهد تا با استفاده از اعصاب مصنوعی، احساسِ بازخورد فیزیکیِ سنسورهای قرار داده شده در این دستگاه ها را داشته باشند.
این تحقیق در آزمایشگاه ریچارد آندرسن، استاد علوم اعصاب و جیمز بوسول، مدیر مرکز مغز و اعصاب T & C Chen انجام شده است که یک مقاله توصیفی درباره این پژوهش در مجله eLife به چاپ رسیده است.
قشر Somatosensory یک بخشی از مغز است که حواس های جسمی، احساسات تجربی (حرکت یا موقعیت بدن در فضا) و احساسات پوستی (فشار، لرزش، لمس و ...) را کنترل می کند. در پژوهشهای قبلی، ایمپلنت های عصبی قرار داده شده در مناطق مغزی مشابه، عمدتا احساساتی مانند سوزش یا وزوز در دست را ایجاد کرده بودند. ایمپلنت آزمایشگاه آندرسن قادر است احساسات بسیار طبیعی (شبیه به احساساتی است که بیمار قبل از آسیبش تجربه کرده است) را از طریق تحریک داخل مغزی ایجاد کند.
بیمار سه سال قبل پس از یک آسیب نخاعی، از شانه ها فلج شده بود. دو آرایه از الکترود های کوچک به صورت تهاجمی در قشر Somomatosensory کاشته شدند.از طریق این آرایه های کاشته شده، محققان با استفاده از پالس های بسیار کوچک، نورون های منطقه را تحریک کردند. بیمار بعد از تحریک عصبی احساسات طبیعی مختلفی از قبیل فشار دادن، ضربه زدن، احساس حرکت به سمت بالا و ... را تجربه کرد که در نوع، شدت و مکان بسته به فرکانس، دامنه و موقعیت تحریک آرایه ها متفاوت است. این برای اولین بار است که احساسات طبیعی توسط تحریک عصبی داخل مغزی ایجاد شده است.
اینکه بیمار در مورد احساسات صحبت می‌کرد خیلی جالب بود. که امیدواریم این پژوهش در آینده کمک به بیماران فلج کمک کند تا احساسات طبیعی خود را دوباره بدست بیاورند.
اگر چه تحریکهای مختلفی موجب ایجاد احساسات مختلف می شوند، ولی هنوز کدهای عصبی‌ای که بخشهای مخلتف حسی را کنترل میکنند، مشخص نیست. در کارهای آینده، محققان امیدوارند که روش دقیق برای قرار دادن الکترود و تحریک مناطق مغزی سموتوسنسوری جهت ایجاد احساسات خاص و ایجاد dictionary تحریک و احساسات مرتبط با آن، تعیین کنند.
طبق گفته آندرسن، گام بزرگ بعدی این است که این فناوری را با پروتزهای عصبی موجود ترکیب کنند. در سال 2015، آزمایشگاه آندرسن، یک واسط مغز و کامپیوتری توسعه دادند که بازوی رباتیک پروتز را به الکترودهایی که در ناحیه مغز به کار گرفته شده بود، متصل کردند. به این ترتیب، یک مرد فلج شده توانست با استفاده از بازوی پروتز یک لیوان را بلند کرده و آب بنوشد. اتصال دستگاه با قشر Somatosensory باعث ایجاد شاخص های BMI دو طرفه می شود که یک فرد فلج شده در عین حال که از اندامهای پروتز استفاده می‌کند، دوباره احساس لامسه و حرکت را داشته باشد.

آندرسن می گوید: "در حال حاضر تنها بازخوردی که برای پروتز های عصبی در دسترس است، بصری است، به این معنی که شرکت کنندگان می توانند عملکردهای اندام های رباتیک را نگاه کرده و حرکت را تنظیم کنند.
"با این حال، هنگامی که یک شیء لمس می شود، ضروری است که اطلاعات سوسومسوزورسیم را داشته باشیم تا راحتتر object را جابجا کنیم. احساسات somatosensory ناشی از تحریک، مزیت بالقوه ای را برای تولید یک حس تجسمی دارند؛ مثلا یک بیمار ممکن است در طول زمان احساس کند که اندام روباتیک بخشی از بدن آن است. "
منبع:
https://www.sciencedaily.com/releases/2018/04/180410084233.htm

#خبر
#واسط_مغز_کامپیوتر
#مهندسی_پزشکی
#bci

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME

✅آیا بیماران به کما رفته زنده می مانند یا می میرند؟
✍️یادگیری ماشین به این تصمیم گیری کمک می کند.
یک الگوریتم به محققان چینی کمک می کند تا تعیین کنند آیا یک بیمار کما دوباره بیدار می شود یا خیر

👩‍🏫نویسنده: هما کاشفی امیری

زمانی که فردی به کما می رود، تمام توانایی های حرکتی خود را از دست می دهد. فعالیت مغز به طور قابل توجهی آهسته می شود. در برخی از موارد، هیچ محرک خارجی مانند نور و حرکت دادن نمی تواند این بیماران به کما رفته را بیدار کند. تعیین وضعیت آینده ی آنها اغلب دشوار است. آیا آنها دوباره بیدار خواهند شد؟
متخصصان مغز و اعصاب چینی در آکادمی علوم و بیمارستان عمومی PLA در پکن در تلاشند تا ابزاری را توسعه دهند که به پزشکان در ارزیابی دقیق وضعیت بیماران به کما رفته کمک کند. اما آنها به نسل پزشکانی رسیدند که قبل از آن هرگز آنها را ملاقات نکرده بودند: پزشکان ماشینی. الگوریتم های این چنینی بخشی از منبع در حال رشد ابزارهای داده محور هستند که می توانند از نظر عاطفی به اعضای خانواده ی بیمار و پزشکان کمک کنند تا در مورد درمان بیمار تصمیم گیری کنند و یا زمان خداحافظی آنها از این جهان را تعیین کنند.
محققان داده های fMRI (تصویربرداری رزونانس مغناطیسی کارکردی) را از هزاران بیماران به کما رفته جمع آوری کردند و به الگوریتم های یادگیری ماشین دادند. این اطلاعات به این الگوریتم ها کمک می کند تا تعیین کنند چقدر احتمال دارد یک بیمار زنده بماند.
نتایج آن بسیار امیدوار کننده به نظر می رسند. محققان این آکادمی گفتند: «ما وضعیت تعدادی از بیماران را به درستی پیش بینی کردیم که هیچ امیدی به بهبود آنها نبود»
دقت این الگوریتم 90 درصد است. و آنها از این روش برای بیش از 300 بیمار در سراسر چین استفاده کردند. آنها امیدوارند که تکنولوژی مشابه بتواند به تعیین وضعیت بیش از 50000 بیماری که دارای اختلال مزمن آگاهی در چین هستند کمک کند.
دانشمند عصب شناسی و بنیانگذار starmind که یک شرکت سوئیسی است می گوید بیماران به کما رفته برای این نوع تکنولوژی های یادگیری ماشین می توانند بسیار کمک کننده باشند. او در توسعه ی الگوریتم های هوش مصنوعی کار می کند. در واقع ماشین ها در تحلیل این نوع داده های بیولوژیکی پیچیده نسبت به انسان ها بهتر عمل می کنند.
محققان در پکن اینطور نتیجه گیری نمی کنند که ماشین ها می توانند کلام آخر را در مورد مرگ یا ادامه ی زندگی یک بیمار کما بگویند. یانگ یی پزشک بخش عصب شناسی در بیمارستان عمومی PLA و محقق پروژه ی تحقیقاتی به SCMP اینطور می گوید" زمانی که خانواده ی بیمار را از پیش بینی هوش مصنوعی آگاه می کنیم همیشه به آنها می گوییم که این نتیجه باید به میزان 20 تا 50 درصد روی تصمیم آنها اثر بگذارد
کافمن با این مسئله موافق است و می گوید ارزیابی سیستم کامپیوتری تنها باید زمانی مهم تلقی شود که پزشکان شرایط را ناامید کننده توصیف کرده اند. زمانی که یک پزشک انسانی می گوید این بیمار دیگر هرگز بیدار نخواهد شد، سناریو وحشتناک خواهد بود. شما در واقع می گویید شاید بیمار شما زنده نماند و این نتیجه گیری تنها با توجه به ورودی سیستم است.
اینکه به کامپیوتر این اجازه را بدهیم که در مورد زندگی و یا مرگ بیمار تصمیم بگیرد مانند یک قسمت از Black Mirror است اما کمک بزرگی به پزشکان خواهد بود.
اما زمانی را تصور کنید که ماشین ها به تنهایی برای زندگی یا مرگ بیمار تصمیم می گیرند بدون اینکه دخالت انسانی در کار باشد!

منبع:
https://futurism.com/machine-learning-coma-patients-live
#خبر
#هوش_مصنوعی
#یادگیری_ماشین
#کما
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME

✅ چگونه هر چیزی را سریع تر یاد بگیریم؟🤔🧐

👩‍💻 نویسنده: معصومه دلگرمی

✍ دو برنده ی نوبل و یک کار آفرین موفق بهترین ترفند های ممکن برای یادگیری سریع و بهتر را به اشتراک می گذارند.
در دنیایی که شامل نظریه ی نسبیت ، نمایش نامه های شکسپیر و ارتباطات ابر رایانه ای است یافتن اشخاصی که در مورد چگونگی یادگیری سریع تر و بهتر توضیح داده باشند کار دشواری نیست. خوشبختانه نابغه هایی که در پشت این افکار قرار دارند تمایل زیادی دارند تا راهنمایی های خود را به اشتراک بگذارند. در حقیقت شخصیت هایی مثل آلبرت انشتین ، برنده ی جایزه ی نوبل فیزیک Richard Feynman و یک کارآفرین نابغه به نام Elon Musk ، برای تسریع در یادگیری یک موضوعی راه حل و توصیه های کاربردی و عملی ارائه می دهند.
1- آلبرت انشتین : از خودت لذت ببر
انشتین شاید انقلابی ایجاد کرده باشد که چگونه دنیای پیرامون خود را بشناسیم. اما او برای انجام این کار ، هرگز خستگی در کارش راه نداد.
طبق نظر وی ، هرچه بیشتر بتوانید از یادگیری لذت ببرید آنگاه احتمال بیشتری وجود دارد که اطلاعات را سریعتر و بهتر در مغز خود جمع آوری کرده و پیشرفت کنید.
در سال 1915 او به پسر 11 ساله اش ، هانس آلبرت که در تلاش برای یادگیری پیانو بود گفت : "بسیار خوشحالم که از نواختن پیانو لذت می بری.....اگر آهنگی تو را شاد و خشنود می کند با پیانو آن را بنواز حتی اگر معلم برایت تعیین نکرده باشد.
این روش برای یادگیری بیشتر و بهتر استفاده می شود که وقتی کاری را با چنان لذت انجام می دهی متوجه گذر زمان نخواهی شد. من گاهی چنان سرگرم کارم می شوم که غذای ظهرم را فراموش میکنم."



2- Richard Feynman : توضیح دادن به کودک

ریچارد فیمن ، برنده ی جایزه ی نوبل فیزیک در حوزه ی مکانیک کوانتوم که یکی از دشوارترین موضوعاتی است که توسط ذهن بشر به راحتی قابل درک نیست. با این حال توصیه ی او برای تسریع در روند یادگیری ، این است که هرچیزی که میخواهیم مطالعه کنیم را به ساده ترین شکل ممکن تبدیل کنیم به طوریکه برای یک کودک 8 ساله هم قابل درک باشد.
وقتی میخواهیم ایده ای را به ساده ترین شکل ممکن بنویسم به طوریکه یک کودک 8 ساله هم بتواند آن را درک کند آنگاه ناچاریم تا در سطح عمیقی مفهوم را درک کنیم و روابط بین ایده ها را ساده تر کنیم . در طی تلاش و مبارزه انسان به درک درستی از شکاف های موجود می رسد و این تنش خوب است و فرصتی است برای یادگیری.

3- Elon Musk :
به علم همانند یک درخت بیاندیش!
انیشتین ممکن است درمیان برجسته‌ترین نوابغ تاریخ باشد، و Feynman می‌تواند برنده
جایزه نوبل شود، اماوقتی به تنوع گسترده یادگیری برسد، Muskمی‌تواند حتی دو فیزیکدان بزرگ را شکست دهد . او پس از همه اینها ، یک شرکت پرداخت‌های آنلاین در جهان را ساخت، در صنعت خودرو انقلابی ایجاد کرد، و جرات کرد دنیا رابه رویای رسیدن به مریخ
در دهه آینده تبدیل کند. این نشان‌دهنده گستره ی باورنکردنی دانش است.
او چگونه این همه چیز را در زمینه‌های مختلف یاد گرفت ؟ وقتی کسی از وی این سوال را می پرسید Muskخوشحال می شد که توضیح دهد. وی تاکید کرد: " اول، کمی اعتماد به نفس داشته باشید. سپس این استراتژی خاص را برای بهبود سرعت یادگیری به اشتراک گذاشت:
"دیدن دانش به عنوان یک درخت معنایی ، مهم است - - اطمینان حاصل کنید که
اصول بنیادی یعنی تنه وشاخه‌های بزرگ را قبل از وارد شدن به برگ‌ها ( جزئیات) درک می‌کنید و هیچ چیزی برای آویزان کردن آن‌ها وجودندارد ."

منبع:
https://www.inc.com/jessica-stillman/3-geniuses-best-tips-to-accelerate-learning.html

#خبر
#یادگیری
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME

✅یادگیری عمیق چیست؟ یک راهنمای ساده با 8 مثال عملی

👩‍🏫نویسنده: هما کاشفی امیری

✍️اخیراً در این رابطه که ماشین ها می توانند کارهای انسان ها در کارخانه ها، انبارها، ادارات و خانه را به خوبی انجام دهند بحث های زیادی صورت گرفته است. با وجود اینکه تکنولوژی به سرعت در حال رشد است ممکن است عباراتی چون هوش مصنوعی، یادگیری ماشین، یادگیری عمیق همچنان برای شما گیج کننده باشد. می خواهیم 8 مثال عملی را ارائه کنیم که استفاده ی واقعی از تکنولوژی یادگیری عمیق را روشن سازد
با ما همراه باشید😊
یادگیری عمیق چیست؟🤔
حوزه ی هوش مصنوعی اساساً به این معناست که ماشین ها می توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این تعریف مشمول یادگیری ماشین هم می شود که در آن نیز ماشین ها یاد می گیرند با استفاده از تجربه و کسب مهارت و بدون دخالت انسان یاد بگیرند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم های الهام گرفته از مغز انسان از میزان زیادی از داده های مربوطه یاد می گیرند. همانطور که ما از تجربیات خود یاد می گیریم، الگوریتم های هوش مصنوعی می توانند یک تسک را چندین بار انجام دهند و هر بار نتایج خود را بهبود بخشند. ما به یادگیری عمیق اشاره کردیم زیرا شبکه های عصبی، لایه های متعدد (عمیقی) دارند که به آنها قابلیت یادگیری می دهد.
یادگیری ماشین به ماشین ها کمک می کند تا مسائل پیچیده را حتی زمانی که از یک مجموعه داده ی بسیار متنوع، بدون ساختار استفاده می کنیم تشخیص دهد. هرچقدر الگوریتم ها عمیق تر یادبگیرند، عملکرد بهتری دارند.
8 نمونه عملی از یادگیری عمیق
در عصری هستیم که ماشین ها می توانند مسائل پیچیده را بدون دخالت انسان حل کنند. آنها با چه مشکلاتی روبرو خواهند شد. در ادامه کارهایی را معرفی می کنیم که یادگیری عمیق به خوبی پشتیبانی می کند و همچنان با تزریق داده های بیشتر، الگوریتم های آنها در حال توسعه هستند:
1️⃣دستیاران مجازی
دستیاران مجازی مانند Alexa یا Siri یا Cortana ارائه دهندگان خدمات آنلاین از یادگیری عمیق برای درک گفتار و زبان انسانی استفاده می کنند تا گفتار آنها را در زمانی که با یکدیگر صحبت می کنند بفهمند.
2️⃣ترجمه
الگوریتم های یادگیری عمیق می توانند به طور خودکار ترجمه کنند. این قابلیت برای مسافران، تاجران و افراد دولتی بسیار مفید است.
3️⃣چشم اندازی برای کامیون های تحویل بار بدون راننده، هواپیماهای بدون سرنشین و اتومبیل های خودمختار
اینکه یک وسیله ی نقلیه ی خودمختار واقعیت های جاده را درک می کند و چگونه به آنها پاسخ می دهد و اینکه آیا در روبرویش خیابان است یا وسیله ی نقلیه ی دیگر همگی با الگوریتم های یادگیری عمیق و تزریق داده ی زیاد به آنها صورت می گیرد.
4️⃣چت بات ها و ربات های خدماتی
چت بات ها و ربات ها می توانند در بسیاری از شرکت ها به مشتریان خدمات ارائه دهند و به شیوه ای هوشمند و مفید سوالات متنی و شفاهی را به لطف الگوریتم های یادگیری عمیق بپرسند و پاسخ دهند.
5️⃣رنگ آمیزی تصاویر
تبدیل تصاویر سیاه و سفید به رنگی کاری بود که به طور سنتی توسط انسان انجام می شد. امروزه الگوریتم های یادگیری عمیق می توانند با استفاده از زمینه ها و اشیا در تصاویر و شناسایی آنها به طور زیبایی بازسازی و رنگ آمیزی کنند که نتایج آنها زیبا و چشمگیر است.
6️⃣تشخیص چهره
یادگیری عمیق برای تشخیص چهره نه تنها برای اهداف امنیتی بلکه برای تگ کردن افراد در پست های فیس بوک نیز مورد استفاده قرار می گیرد. و ممکن است در آینده اقلام جنس های مورد نیاز خود را در فروشگاه برداریم و تنها با یک برنامه ی تشخیص چهره مبالغ را پرداخت کنیم.
7️⃣پزشکی و داروسازی
از تشخیص بیماری و تومور تا نسخه ی داروهای شخصی، یادگیری عمیق بسیار موثر بوده و مورد توجه بزرگ ترین شرکت های دارویی و پزشکی است.
8️⃣خرید و سرگرمی شخصی
آیا تابحال در این رابطه فکر کرده اید که Netflix چطور به شما تماشای ویدیوی بعدی را پیشنهاد می کند؟ و یا اینکه آمازون لیستی از اجناس را پیشنهاد می دهد که احتمال دارد آنها را در آینده خریداری کنید و شما شگفت زده می شوید که اینها دقیقا همان اجناسی است که نیاز دارید؟ بله همه ی اینها کار یادگیری عمیق است.😊

منبع:
https://www.forbes.com/sites/bernardmarr/2018/10/01/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/#63e59b8f8d4b

#خبر
#هوش_مصنوعی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME

✅ربات چندش آور MIT که می تواند ناظر بر سلامتی شما باشد!

👩‍🏫نویسنده: هما کاشفی امیری

✍️به لطف دستیاران هوش مصنوعی مانند Siri و Alexa، می توانیم از هوش مصنوعی شخصی خود هر زمان و هر مکانی که نیاز داشتیم استفاده کنیم. محققان موسسه ی فناوری ماساچوست (MIT) روی این نوع فناوری های شخصی سازی شده کار می کنند: یک ربات شخصی که روی بدن شما می خزد. این ربات Skinbot نام دارد و پاهای آن به بدن می چسبد مانند جانوری چون زالو که برای همه آشناست
ایده این است که ربات های پوشیدنی ساخته شوند که بتوانند روی بدن حرکت کنند. Artem Dementyev, a Ph.D یکی از دانشجویان دکتری در گروه محیط پاسخگو آزمایشگاه رسانه ای MIT می گوید: «ما در حال حاضر شاهد نوع طبیعی این ربات در طبیعت هستیم. هدف این است که ربات های پوشیدنی بسازیم که به راحتی روی بدن قرار بگیرند. ربات های اپیدرمال (EPIDERMAL) مستقیماً به پوست می چسبند. این اولین رباتی است که می تواند از بدن بالا برود و روی آن حرکت کند. ما ربات هایی ساخته ایم که می توانند به مریخ بروند و آن را کشف کنند، چرا ربات هایی نسازیم که خود ما را کشف کنند؟»
از نظر تئوریکی حدس می زنیم که چنین ربات هایی مانند ربات های حیوانات خانگی عمل کنند مانند نوعی ربات ارتقا یافته 2018 که شبیه یک طوطی بود.
او ادامه می دهد: «من این ربات ها را پزشکان کوچکی تصور می کنم که می توانید آنها را سفارش دهید و درب منزل دریافت کنید. این ربات یک میکروسکوپ دارد که با آن به پوست نگاه می کند. به طور کامل روی پوست می خزد و به دنبال علائم سرطان و یا سایر مشکلات پوستی است و همه ی اینها در حالی انجام می شود که بیمار خواب است. این ربات موقعیت های دقیق بدن را شناسایی می کند و می توانند تغییرات رخ داده در طول زمان را ثبت کند. skinbot می تواند برای بررسی و ثبت ویژگی های حرکتی بدن استفاده شود برای مثال به پوست فشار وارد شود. علاوه بر این پاهای این ربات، حلقه های فلزی دارد که می تواند سیگنال های زیستی مانند ضربان قلب و فعالیت عضله را ثبت کند.»
اعضای این تیم در MIT تأکید کردند که این ربات تنها یک ربات ابتدایی در این حوزه است و به پیشرفت هایی زیادی نیاز دارد. برای پیشرفت وضعیت ربات، تیم باید چالش های فنی را حل کند برای مثال کل سیم ها را حذف کند و عملکرد ربات را بهتر کند.

منبع:
https://www.digitaltrends.com/cool-tech/skinbot-robot-mit-wearable/#/2
#ربات_خزنده
#هوش_مصنوعی
#خبر
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME

✅🌐 دانشمندان مغز سه نفر را بهم متصل کردن تا افکار خود را باهم به اشتراک بگذارند!
دانشمندان علوم و اعصاب توانستند با موفقیت مغز سه نفر را با اشتراک سه طرفه بهم متصل کنند تا این افراد بتوانند افکار خود را باهمدیگر به اشتراک بگذارند و بتوانند باهم تتریس بازی کردند.

👨‍💻 نویسنده: محمد نوری زاده چرلو

✍این گروه بیان می کنند که این آزمایش عجیب می‌تواند بعدها برای اتصال مغز تمام افراد استفاده شود و این بسیار عجیب است.
در این تحقیق از ترکیب سیگنال‌های مغزی (EEG)، که برای ثبت ایمپالس‌های الکتریکی تولید شده در زمان فعالیت مغز استفاده می‌شوند، و یک محرک مغناطیسی که در آن نورون‌ها با استفاده از میدان مغناطیسی تحریک می‌شوند، استفاده کرده‌اند.
محققان سیستم خود را BrainNet نامگذاری کرده‌اند و باور دارند که بالاخره روزی فرا خواهد رسید که مغز افراد مختلف را در یک شبکه اجتماعی بهم متصل کنند.
اما جدا از بوجود آمدن روش‌های ارتباطی عجیب و غریب، BrainNet به ما آموزش می‌دهد که مغز انسان در سطوح عمیق تر به چه صورت عمل می کند.
محققان می‌گویند که BrainNet اولین ارتباط مغز به مغز چند نفره برای حل مسائل مشارکتی است. این رابطه به سه کاربر اجازه می‌دهد که با استفاده از ارتباط مستقیم مغز به مغز، باهمدیگر همکاری کرده و مسئله را حل کنند.
در آزمایش تنظیم شده توسط محققین، دو شخص به الکترودهای EEG متصل هستند، و از این افراد خواسته می‌شود تا یک بازی تتریس را بازی بکنند، آنها باید تصمیم می‌گرفتند که هر بلوکی که که می‌افتد نیاز است که بچرخد یا نه!
برای انجام این‌کار، از آن‌ها خواسته شد تا به یکی از دو LED که با یک فرکانس خاصی فلش میزد خیره بشوند، یکی از LEDها با فرکانس 15 هرتز و یکی با فرکانس 17 هرتز فلش می‌زد که باعث ایجاد سیگنال‌های مختلفی در مغز می‌شوند که می‌توان این رویدادهای مرتبط با رخداد را در EEG تشخیص داد.
سپس این سیگنال‌ها توسط یک فرستنده با کمک TMS که موجب ایجاد فانتوم نور در مغز فرد گیرنده شود، ارسال می‌شوند.
در میان 5 گروه سه نفره، محققان به میانگین دقت 81.25 درصد رسیدند که برای شروع عدد قابل قبولی است.
برای پیچیده کردن بازی، دو فرد فرستنده می‌توانند یک بازخورد دومی هم اضافه کنند که نشان دهد فرد گیرنده انتخاب درستی کرده است یا نه.
همچنین فرد گیرنده براساس ارتباطات مغزی با فرد فرستنده، می‌توانست تشخیص دهد که نظر کدام فرستنده قابل اطمینان است. بنابه گفته محققان این عمل می‌تواند برای توسعه سیستم‌هایی که در سناریوهای دنیای مجازی‌ای که با آن مواجه هستند(جایی که عدم اطمینان به فرد یک عامل باشد) کمک کند.
و در حالی که سیستم فعلی تنها می‌تواند یک بیت (یا فلش) داده را در یک زمان ارسال کند، تیم تحقیقاتی از دانشگاه واشنگتن و دانشگاه Carnegie Mellon فکر می‌کنند که می‌توان این بخش را نیز در آینده گسترش داد.
با اینکه این سیستم بسیار کند هست و هنوز نمی‌توان به طور کامل به آن اعتماد کرد و در حال حاضر توسط انجمن علوم اعصاب در حال بررسی است، ولی می‌توان گفت که این روش یک نگاه اجمالی به برخی روش‌های خیالی دارد که ما می‌توانیم افکار خود را در آینده باهم برای حل مسائل اشتراکی با افراد دیگر به اشتراک بگذاریم.
محققان می‌گویند که نتایج این آزمایش احتمال اتصال مغز به مغز در آینده را افزایش می‌دهد و در آینده شاید بتوانیم مسائل اشتراکی را با کمک هم توسط یک شبکه اجتماعی که مغزها به آن متصل هست حل کنیم.
منبع:
https://www.sciencealert.com/brain-to-brain-mind-connection-lets-three-people-share-thoughts
#خبر
#نوروساینس
#مهندسی_پزشکی
#واسط_مغز_به_مغز
#واسط_مغز_کامپیوتر
#EEG
#Neuroscience
#bci
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlineBME