💡آیا یادگیری عمیق برای داده‌های جدولی (Tabular Data) همیشه بهترین انتخاب است؟

✍

وقتی از Deep Learning صحبت می‌کنیم، معمولاً ذهنمان به سمت تصویر، ویدئو، صدا یا مدل‌های زبانی بزرگ می‌رود. اما بخش قابل‌توجهی از داده‌های واقعی دنیا شکل بسیار ساده‌تری دارند: داده‌های جدولی یا همان  Tabular Data. داده‌های جدولی بخش بزرگی از داده‌های واقعی دنیا را تشکیل می‌دهند. اما آیا شبکه‌های عصبی عمیق (deep neural networks) که در تصویر و زبان عالی عمل می‌کنند، برای داده جدولی هم بهترین گزینه‌اند؟ یک مقاله مروری این موضوع رو بررسی کرده است که در این پست به این موضوع میپردازیم.

📺 مشاهده ویدیو 👇
https://youtu.be/k72AIR1VjNI?is=cpk2he8fyLe84Urfp

⭕️ مطالعه در سایت👇
https://onlinebme.com/deep-learning-or-xgboost-in-tabular-data/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

GitHub: https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch


@onlinebme

📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

در یادگیری و تدریس یادگیری ماشین همیشه برام مهم بوده که به جای اینکه فقط یاد بگیرم چطور یک الگوریتم را با یک تابع آماده اجرا کنم، ابتدا ریاضیات و منطق آن را درک کنم و حداقل یک‌بار از صفر پیاده‌سازی‌اش کنم و بعد سراغ ابزارهای آماده بروم.
این روش کمک می‌کند شناخت عمیق‌تری از الگوریتم، پارامترها و روش‌های بهینه‌سازی آن داشته باشم و در صورت نیاز، بتوانم الگوریتم را تغییر داده یا توسعه بدهم. در دوره جامع یادگیری ماشین هم همین رویکرد را دنبال کردیم که در نهایت به یک دوره ۸ فصلی و ۱۴۰ ساعته شد.

https://onlinebme.com/product-category/machine-learning

☑️حالا بخشی از کدهایی طی سالها روی پروژه‌های مختلف پیاده‌سازی کرده‌ام را در قالب یک Repository در GitHub قرار داده‌ام.

☑️این کدها نتیجه سال‌ها مطالعه و آموزش من در زمینه یادگیری ماشین و شناسایی الگو هستند و حالا سعی کرده‌ام مجموعه‌ای از پیاده‌سازی‌های انجام‌شده، به همراه پروژه‌های عملی، را در یک Repository یکجا جمع‌آوری کنم.

💡 هدفم از آماده‌کردن این Repository این بوده که پیاده‌سازی الگوریتم‌ها در کنار پروژه‌های واقعی، در یک مجموعه جامع در دسترس باشد تا بتوان از طریق کد، نحوه کار الگوریتم‌ها را بهتر درک کرد و با آن‌ها کار کرد.

🔹 Classification & Regression
Naive Bayes, Maximum Likelihood, Euclidean , Mahalanobis, KNN, WKNN, SVM, SVR
🔹 Ensemble Learning
Voting, Stacking, AdaBoost, Bootstrap Bagging
🔹 Dimensionality Reduction
PCA , LDA
🔹 Clustering
K-Means, Fuzzy C-Means , G-Means

💡 در کنار این الگوریتم‌ها، پروژه‌های عملی متنوعی هم در Repository قرار گرفته‌اند؛ از طبقه‌بندی داده‌های Iris و سرطان سینه گرفته تا پیش‌بینی کیفیت هوا، تخمین زاویه مفصل از سیگنال‌های sEMG، Spike Sorting سیگنال‌های عصبی و استخراج تومور از تصاویر پزشکی.

🔗 GitHub Repository:
https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
📖 توضیحات و معرفی کامل‌تر:
https://onlinebme.com/machine-learning-algorithms-implemented-from-scratch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

روش PC-ALM؛ یک رویکرد Local Learning به‌عنوان جایگزینی برای Backpropagation

@Onlinebme

🧠 آیا می‌شود شبکه‌های بسیار عمیق را بدون Backpropagation آموزش داد؟

💡 یک مقاله جالب با عنوان Augmented Lagrangian Predictive Coding (PC-ALM) به سراغ همین سؤال رفته است.

✅ روش PC-ALM؛ یک رویکرد Local Learning به‌عنوان جایگزینی برای Backpropagation

در Predictive Coding خبری از backward pass سراسری Backpropagation نیست؛ هر لایه با استفاده از prediction errorهای محلی و ارتباط با لایه‌های مجاور به‌روزرسانی می‌شود.

اما همین local بودن، در شبکه‌های عمیق یک چالش ایجاد می‌کند: سیگنال credit که از خروجی وارد می‌شود، هنگام عبور از لایه‌های متوالی می‌تواند به‌تدریج ضعیف شود و در نتیجه، آموزش شبکه‌های عمیق و باریک برای Predictive Coding معمولی دشوارتر می‌شود.

💡 ایده‌ی PC-ALM این است که با اضافه کردن Lagrange Multipliers (Dual Neurons) به این دینامیک محلی، این مشکل را برطرف کند. در نتیجه، هر لایه با یک سازوکار محلی و شبیه به PI feedback controller در فرآیند یادگیری مشارکت می‌کند.

نکته جالب اینکه نویسندگان گزارش کرده‌اند این روش می‌تواند شبکه‌هایی تا ۱۰۰۰ لایه را بدون Backpropagation آموزش دهد؛ به‌خصوص در شبکه‌های عمیق و باریک که Predictive Coding معمولی با مشکل مواجه می‌شود.

و اتفاقاً این نکته، هسته‌ی جذاب مقاله است:

روش PC-ALM نمی‌خواهد Backpropagation را بهتر کند؛ بلکه می‌خواهد نشان دهد آیا می‌توان credit assignment شبیه BP را با محاسبات کاملاً محلی انجام داد یا نه.

در حالت خطی، نویسندگان نشان می‌دهند که متغیرهای دوگان می‌توانند در حالت همگرایی، credit signalهای Backpropagation را بازسازی کنند.

💻 نکته جذاب دیگر اینکه کد رسمی مقاله هم روی GitHub منتشر شده و می‌توان روش را از نزدیک بررسی و اجرا کرد.

📄 مقاله:
https://arxiv.org/abs/2605.31022

💻 کد:
https://github.com/SakanaAI/pc-alm

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#Backpropagation
#Neuroscience
#DeepLearning

🧠 صحبت کردن با کمک ذهن | Neuralink

💡 شرکت Neuralink ویدیوی جدیدی منتشر کرده که در آن «تری» (Terry)، مردی مبتلا به ALS، با استفاده از ایمپلنت مغزی صحبت می‌کند.
او دیگر نمی‌تواند واضح حرف بزند، اما فقط با فکر کردن به کلمات، سیستم Neuralink سیگنال‌های مغزش را به صدای طبیعی تبدیل می‌کند. یکی از تأثیرگذارترین لحظات ویدیو زمانی است که او فقط با فکر کردن به همسرش می‌گوید: «دوستت دارم».

لینک ویدیواصلی:
https://www.youtube.com/watch?v=_j806JHhCRo


Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#Neuralink

🧠 Neuralink BCI

⁉️ ابهامات و سؤالات مطرح‌شده
این لحظه در حوزه واسط مغز-کامپیوتر بسیار زیبا و احساسی هست، اما همزمان چند سؤال مهم را هم ایجاد کرده است. در همین راستا، یکی از پژوهشگران باتجربه این حوزه، ، میخائیل لبدف (Mikhail Lebedev) در پست اخیرش به ویدیوی Neuralink واکنش نشان داده.
این نقد بسیار مهم هست چرا که توسط یکی از دانشمندان پیشگام این حوزه مطرح شده است.

💁‍♂ میخائیل لبدف یکی از پژوهشگران شناخته‌شده و باتجربه در حوزهٔ رابط مغز-کامپیوتر (BCI) است. او سال‌ها در دانشگاه دوک آمریکا در کنار میگل نیکوللیس (یکی از پیشگامان این حوزه) کار کرده و آزمایشگاه نورو فیزیولوژی میمون‌ها را مدیریت می‌کرده. تمرکز کارش روی رمزگشایی سیگنال‌های مغزی برای کنترل بازوهای رباتیک و دستگاه‌های کمکی بوده است.
💡الان در روسیه (در اسکلتک و مؤسسهٔ سچنوف) به عنوان استاد و پژوهشگر ارشد فعالیت می‌کند و بیش از ۱۰۰ مقالهٔ علمی در زمینهٔ رابط مغز-ماشین منتشر کرده.
https://scholar.google.com/citations?user=cvd2xxcAAAAJ&hl=en
 

 او می‌گوید لحظهٔ احساسی و زیباست، اما چند سؤال مهم مطرح می‌کند:

1⃣ آیا این بیمار واقعاً به جراحی تهاجمی نیاز داشت؟
لبدف می‌گوید تری (Terry) مبتلا به ALS است، اما هنوز قدرت حرکت دارد و فلج کامل یا locked-in نیست. او هنوز می‌تواند از روش‌های ساده‌تر و غیرتهاجمی مثل تایپ کردن
روی گوشی و تبدیل متن به گفتار استفاده کند.
سؤال او این است: آیا برای کسی که هنوز می‌تواند حرکت کند و صحبت ناقصی داشته باشد، جراحی باز کردن جمجمه و کاشت ایمپلنت داخل مغز توجیه کافی دارد؟ یا این کار بیشتر برای نمایش فناوری انجام شده؟

2⃣ ما فقط ویدیو می‌بینیم، نه داده علمی
لبدف تأکید می‌کند که آنچه منتشر شده یک
ویدیوی احساسی و تأثیرگذار است، نه یک مقاله علمی.
هنوز هیچ دادهٔ بررسی‌شده و منتشرشده‌ای
دربارهٔ موارد زیر وجود ندارد:
   ◾️دقت سیستم در تشخیص کلمات
   ◾️میزان تأخیر بین فکر کردن و شنیده شدن صدا (ظاهراً چند ثانیه تأخیر وجود دارد)
   ◾️نرخ خطا
   ◾️عملکرد سیستم در شرایط واقعی و طولانی‌مدت

او می‌گوید Neuralink سابقهٔ تأخیر در ثبت کارآزمایی‌ها و پاسخ ندادن به سؤالات مجلات علمی معتبر را هم دارد. بنابراین این ویدیو بیشتر جنبهٔ تبلیغاتی دارد تا گزارش علمی.
3⃣ دوام و سازگاری بلندمدت ایمپلنت با مغز
یکی از مهم‌ترین نگرانی‌های علمی در حوزهٔ BCIهای تهاجمی، واکنش مغز به جسم خارجی است. مغز معمولاً بافت اسکار (glial scarring) تشکیل می‌دهد و الکترودها به مرور زمان سیگنال ضعیف‌تری ثبت می‌کنند یا
جابه‌جا می‌شوند.

لبدف می‌گوید،  Neuralink ادعا کرده پاسخ بافتی مطلوب بوده، اما بررسی‌های مستقل هنوز نگرانی‌هایی دربارهٔ جابه‌جایی الکترودها و پایداری بلندمدت مطرح می‌کنند.
اگر ایمپلنت بعد از چند ماه یا یکی دو سال عملکردش افت کند، ارزش جراحی برای بیمار
بسیار کم می‌شود.

4⃣ مسائل اخلاقی و آسیب‌پذیری بیماران
بیمارانی که در مراحل اولیهٔ این کارآزمایی‌ها شرکت می‌کنند، معمولاً در وضعیت بیماری پیشرفته و ناامیدکننده‌ای هستند. این موضوع می‌تواند باعث شود آن‌ها در فرآیند رضایت آگاهانه، بیشتر تحت
تأثیر امید و تبلیغات قرار بگیرند.

🔺در مورد تری، چون هنوز قدرت تکلم نسبی دارد و بیماری در حال پیشرفت است، لبدف سؤال تندتری مطرح می‌کند: آیا منافع احتمالی جراحی، ریسک‌هایی مثل عفونت، خونریزی، آسیب بافتی و داشتن یک وسیلهٔ دائمی در مغز را توجیه می‌کند؟




Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#Neuralink

🧠 اگر BCI به‌جای «حرکت»، «نیت» را بخواند چه می‌شود؟

💡در بیشتر BCIهای حرکتی، تلاش می‌کنیم از فعالیت مغز بفهمیم کاربر چه حرکتی می‌خواهد انجام دهد. اما مقاله‌ی Moving intentions from brains to machines یک قدم عقب‌تر می‌رود و سؤال متفاوتی می‌پرسد:
شاید بهتر باشد به‌جای Decode کردن خودِ حرکت، هدف و پیامد مورد انتظار از حرکت را Decode کنیم.

@Onlinebme

✅ ایده مقاله بر پایه‌ی Ideomotor Theory است؛ یعنی این نگاه که اعمال ما تا حد زیادی بر اساس پیامد حسی‌ای که انتظار داریم سازمان‌دهی می‌شوند.

در این رویکرد، مثلاً به‌جای اینکه BCI فقط بفهمد «دست را به سمت راست حرکت بده»، تلاش می‌کند بفهمد:
🎯 «می‌خواهم این فنجان را بردارم.»
و سپس یک مدل هوشمند، با توجه به محیط و بازخورد، مسیر مناسب برای رسیدن به این هدف را پیدا کند.

این یعنی حرکت از Motor Decoding به سمت Intention & Goal Decoding.
البته مقاله یک BCI آماده و اثبات‌شده برای جایگزینی روش‌های فعلی ارائه نمی‌کند؛ بلکه یک نقشه‌راه برای نسل بعدی BCI پیشنهاد می‌دهد. چالش‌هایی مثل رمزگشایی نیت از فعالیت‌های توزیع‌شده مغز، تفاوت بین افراد، feedback حسی، real-time processing و تشخیص intention واقعی از imagination همچنان جدی هستند.
📄 Moving intentions from brains to machines

💡 شاید سؤال آینده BCI دیگر این نباشد که:
«مغز می‌خواهد چه حرکتی انجام دهد؟»
بلکه:
«مغز می‌خواهد چه اتفاقی بیفتد؟»

⭕️مطالعه بیشتر در سایت👇👇
https://onlinebme.com/moving-intentions-from-brains-to-machines/


Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#IDEOMOTOR

Onlinebme Podcast: IDEOMOTOR BCI
PikoCast: 01
@Onlinebme