🔷 آخرین رتبه‌بندی دانشگاه‌های ایران

✔️ @onlineBME

🔺بررسی مدارس نفرات برتر کنکور نشون داده که مدرسه همه نفرات #پولی و #غیردولتی بوده!🤦‍♂🤦‍♀

✔️ @onlineBME

📋 #جزوه خام جلسه دوم شبکه عصبی
☑️ شبکه عصبی پرسپترون تک لایه و قوانین یادگیری
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#نورون
#خواص_مغز_انسان
#دوره
#شبکه‌های_عصبی

✔️@onlineBME

📋 #جزوه خام جلسه 2 پردازش سیگنال
☑️ کلاسبندها| پارامترها و روشهای ارزیابی کلاسبندها
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#پردازش_سیگنال
#Classification
#Boosting
@onlineBME

✅تولید مقاله برای ویکیپدیا به کمک #هوش_مصنوعی
🖊نویسنده: هما کاشفی امیری
یکی از تیم های Google Brain نرم افزاری را آموزش داده اند که می تواند مقالات سبک ویکیپدیا را با خلاصه سازی اطلاعات صفحات وب تولید کند.
همانطور که میدانیم اینترنت یک منبع تمام نشدنی از مقالات است. خواندن و ثبت کردن همه ی آنها دشوار است اما با کمک هوش مصنوعی می توان اطلاعات را به خلاصه های مفیدی تبدیل کرد، هرچند این کار اصلا آسان نیست.
یکی از مقالات اخیر در ICLR توضیح داده است که خلاصه سازی متن توسط کامپیوترها چقدر می تواند دشوار باشد. برای مثال Salesforce از شبکه عصبی بازگشتی با روش یادگیری تقویتی استفاده کرده است تا اطلاعات را به عنوان ورودی بگیرد و خلاصه ی آن را خروجی بدهد که نتایج آن بد نبوده است.
از تفاوتهایی که بین جمله بندی انسان با کامپیوتر این که جملات تولید شده با کامپیوتر کوتاه و ساده هستند و خلاقیت و ریتم کلی متن در آنها دیده نمی شود. تلاشهای اخیر Google Brain نتیجه بخش تر بوده است، جملات طولانی تر و طبیعی تر شده اند. خواندن متن تولید شده توسط کامپیوتر کمی سخت است، حروف ابتدایی هر جمله بزرگ نیستند و اکثر جملات ساختار مشابهی دارند. اما به طور کلی خوانایی دارد!
این مدل top ten صفحه ی وب در مورد یک موضوع خاص را می گیرد و یا اطلاعات را از لینکهای مرجع یک مقاله ی ویکیپدیا استخراج می کند. اکثر صفحات انتخابی برای آموزش استفاده می شوند و تنها تعداد کمی از آنها برای تست مدل به کار گرفته میشوند.

منبع:
https://www.theregister.co.uk/2018/02/15/google_brain_ai_wikipedia
#خبر
#هوش_مصنوعی

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

📕📒📗یادگیری ماشین
#جلسه_پنجم( #ML5 ) :
ادامه درخت تصمیم
👩‍🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML5
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

📋 #جزوه خام جلسه دوم پردازش تصویر
☑️ تبدیلات هندسی| شدت روشنایی|پردازش هیستوگرام| فیلترهای مکانی در پردازش تصویر
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#پردازش_تصویر
✔️@onlineBME

تمرین جلسه دوم پردازش تصویر

🔹بعد از شبیه سازی کد متلب و گزارش مختصر از نتیجه را به آیدی زیر ارسال کنید.
@onlineBME_Admin

✔️ @OnlineBME

📋 #جزوه خام جلسه سوم شبکه عصبی
☑️ شبکه عصبی پرسپترون #چندلایه و قوانین یادگیری
#پس_انتشارخطا
#دلتا_دلتا
#دلتابار
#پروژه_عملی
#کلاسبندی
#پیشبینی |آلودگی هوا |میزان نشست خاک در مترو

✔️@onlineBME

✅✅هوش مصنوعی چطور می فهمد که بازیکنی در فوتبال آسیب دیده است؟
👩‍🏫 نویسنده: هما کاشفی امیری
دانشگاه Pisa، CNR و FC بارسلونا الگوریتمی را ارائه کرده اند که می تواند بیش از 50% از آسیب های عضلانی اعضای تیم فوتبال حرفه ای را تشخیص دهد.
آسیب ها تأثیر عمده ای بر عملکرد و بودجه ی باشگاه های ورزشی دارند. جدیدترین نمونه ی آن را می توان آسیب ماتادور Cavani دانست که در شکست اورگوئه در جام جهانی اخیر در روسیه نقشی تعیین کننده داشت.
مجله ی علمی معتبر Plo sOne پژوهش گروهی از محققان دانشگاه Pisa، CNR و میلان و FC بارسلونا و فیلادلفیا را منتشر کرده است که الگوریتمی بر پایه ی Big Data و روش های هوش مصنوعی پیچیده توسعه داده اند تا آسیب های وارده به بازیکنان تیم فوتبال را شناسایی کند.
این الگوریتم پارامترهای فیزیکی مختلف حاصل از دستگاه های GPS که بازیکنان در طول بازی می پوشند را با هم ترکیب می کند تا ریسک آسیب عضلات را محاسبه کند و استراتژی های پیشگیرانه ارائه دهد.
در تست های انجام شده روی یک تیم حرفه ای در طی یک فصل بازی، الگوریتم بیش از 50 درصد از آسیب های عضلانی را به درستی پیش بینی کرده است. این نشان می دهد که اگر بازیکن بیشتر بدود به احتمال زیاد بیشتر آسیب خواهد دید و از این طریق می توان از استراتژی های پیشگیرانه استفاده کرد و وضعیت تیم را بهبود داد.
به گفته ی محققان این طرح، اگر مربیان ورزشی در طی مسابقات قهرمانی این اطلاعات را در دست داشته باشند می توانند در حدود 70% از هزینه های مربوط به ریکاوری بازیکنان صرفه جویی کنند.
منبع:
http://sobigdata.eu/blog/how-artificial-intelligence-understands-when-player-gets-injured
#خبر
#هوش_مصنوعی

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

📋 #جزوه خام جلسه 3 پردازش سیگنال
☑️ استخراج ویژگی | فیلترینگ| تبدیل ویولت | تبدیل فوریه | ویژگیهای آماری
#تشخیص_صرع
#پردازش_سیگنال
#EEG
#Classification
#feature_extraction

✔️ @onlineBME

اتحادیه بین‌المللی انجمن‌های ریاضی جهان با پیشنهاد کمیته زنان انجمن #ریاضی ایران، روز تولد مریم #میرزاخانی، سوم ماه می (۱۳ اردیبهشت) را #روزجهانی «زن در ریاضیات» نامگذاری کرد.
ایسنا

✔️ @onlineBME

📚 آموزش برنامه نویسی پایتون
#جلسه8_python

#python_for_loop

👩‍🏫 مدرس: مهندس معصومه دلگرمی 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @onlineBME

📕📒📗یادگیری ماشین
#جلسه_ششم( #ML6 ) :
ادامه درخت تصمیم
👩‍🏫 مدرس: هما کاشفی امیری
#machine_learning
#ML6
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅اجاره مغز موش: AI هوشمندتر در پایگاه داده های با مقیاس بزرگ!!
👩‍🏫نویسنده: هما کاشفی امیری

هوش مصنوعی، مصنوعی هست اما خیلی هوشمند نیست و یکی از دلایل آن این است که برای آموزش به مجموعه داده های بسیار بزرگ و عظیم نیازمندیم. اگر بتوانید مغز موش مصنوعی را اجاره کنید چه؟ و یا گزینه ی بهتر، اگر بتوانید یک مغز مصنوعی انسان بسازید که خیلی سریعتر یاد بگیرد؟ این پروژه یکی از استارتاپ های در حال انجام است در عرض 5 سال تحقق می یابد.
دکتر Danilak معتقد است که ترکیب عملکرد فلش با LANهای مقیاس بزرگ با تأخیر و هزینه ی کمتر امکان شبیه سازی بلادرنگ شبکه های عصبی مقیاس بزرگ را فراهم می آورد. مقیاس بزرگ تا حد مغز موش که در نهایت به مغز انسان خواهد رسید. پژوهش های مربوط به این حوزه به یک دهه قبل باز می گردد. در ایالات متحده، Brain Project وجود دارد، در حالیکه در اتحادیه ی اروپار، میلیاردها یورو برای پروژه ی Human Brain در نظر گرفته شده است. یکی از آخرین پیشرفت های علوم اعصاب محاسباتی، neuromorphic hardware SpiNNaker مبتنی برARM است.
مشکل اصلی اتصال است. مغز انسان 100 میلیارد نورون دارد و هر یک به 10000 سیناپس دیگر متصل هستند. پروژه ی SpiNNaker یک شبکه سوئیچ بسته چند منظوره را برای تعداد زیادی بسته های کوچک توسعه داده است که می تواند این مسئله را مدیریت کند.
برآوردهای فعلی نشان می دهند که بیش از 500000000 پردازنده نیاز است تا بتوان مغز انسان را شبیه سازی کرد چیزی که شاید با سوپرکامپیوترهای مبتنی بر GPU هم ممکن نباشد.
منبع:
https://www.zdnet.com/article/brain-simulation-in-hyperscale-datacenters/#ftag=RSSbaffb68

#خبر
#هوش_مصنوعی

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

Rat brain for rent: Smarter AI in hyperscale datacenters | ZDNet
AI is artificial, but it isn't very intelligent. What if you could rent an artificial rat brain, or even bett

📋 #جزوه خام جلسه سوم پردازش تصویر
☑️ عملیات مورفولوژی | تبدیل هاف| فیلترهای حوزه فرکانس در پردازش تصویر
🖨 دوستان شرکت کننده فایل رو دانلود کنند و پرینت بگیرند
#پردازش_تصویر
✔️@onlineBME

عبدالله رئیسی رتبه ۲ کنکور انسانی از دور افتاده ترین روستای سراوان، همون جا که یک سال چون لوازم التحریر نداشته مدرسه نرفته.
#پشتکار
#هدف
@onlineBME

🌐 کوله پشتی HoverGlide اولین کوله پشتی شناور جهان👌
✔️ @onlineBME

‏
🌐 کوله پشتی HoverGlide اولین کوله پشتی شناور جهان
✍ شرکت Lightning Packs کوله پشتی طراحی کرده که مجهز به سیستم فریم و رینگ منحصر به فرد است که فشار و وزن شما را در پشت، گردن، زانو و مچ پا کاهش می دهد.
این کوله 82% در راه رفتن و 86% در دویدن وزن کوله را کاهش میدهد


🔺طراحی و عملکرد HoverGlide توسط ارتش ایالات متحده و نیروی دریایی ایالات متحده مورد آزمایش قرار گرفته است که از اهمیت و ویژگی های خاص این محصول حکایت دارد.

🔺این کوله پشتی نه تنها نیروی عمودی و وزن کوله را کاهش میدهد بلکه فشار بیش از حد در پشت، گردن و یا زانو را نیز کاهش می دهد که حمل و جابجایی بسته و اجسام سنگین را نیز به آسانی میسر میسازد.

#خبر
https://twitter.com/rohoo/status/1030861312555925505

✔️ @onlineBME

✅ابر داده (Big Data) در صنعت کشاورزی انقلابی به پا کرده است

👩‍🏫نویسنده: هما کاشفی امیری

ابر داده و روش های تحلیل آن به بهبود و توسعه ی صنایع در جهان مدرن کمک های قابل توجهی کرده اند. مهم ترین اثر این فناوری ها این است که در انجام فعالیت های عملیاتی و مالی، بینشی دقیق و واقعی ایجاد می کنند. در کشاورزی هم این بینش بوجود آمده است.
به عنوان مثال کشاورزان از داده ها برای محاسبه میزان برداشت، نیاز به کود، صرفه جویی در هزینه و یا حتی شناسایی راهکارهای بهینه سازی برای محصولات آینده استفاده می کنند.
ابر داده به شیوه های مختلفی به بهبود شرایط کشاورزی کمک می کند:
🔻نظارت بر روند طبیعی
یکی از مسائل ریسک زا در کشاورزی، از کنترل خارج شدن مواردی است که بر محصول اثر می گذارند. برای مثال آفات و بیماری های زراعی می توانند کل محصول کاشت شده را از بین ببرند، بلایای طبیعی مانند طوفان، سیل و یا باد شدید به نابودی محصولات منجر خواهند شد. ابر داده و تکنولوژی های نظارت می توانند وقوع چنین رویدادهایی را ردیابی کنند و یا حتی آنها را به طور کامل و دقیق پیش بینی کنند. با وارد کردن داده های موجود و داده های قبل به سیستم و استخراج خروجی از طریق الگوریتم های معتبر می توان عملکرد آینده محصولات را به طور قابل توجهی افزایش داد.
🔻بررسی پیشرفته عرضه
امروزه در بخش کشاورزی جدای از سناریوهای سنتی، کشاورز اغلب به تأمین کننده و یا شریک نیاز دارد. همیشه نمی توانیم به طور دقیق بگوییم چه مقدار محصول و در چه زمانی آماده می شوند، این مشکل همراه با تغییر میزان تقاضا از سمت مصرف کننده می تواند به مسائل جدی تبدیل شود.
ابر داده می تواند برخی از مشکلات زنجیره ی عرضه را کاهش دهد، صرفاً از این طریق که نظارت بیشتری بر محصولات و برداشت آن در هر فصل انجام خواهد شد. کشاورزان تنها با گیاهان کار نمی کنند بلکه آنها در هر کسی که در طول زنجیره ی عرضه قرار دارد، از جمله توزیع کنندگان، خرده فروشان و غیره ارتباط دارند. داده ها می توانند به هریک از این افراد کمک کنند که در مورد میزان محصولات پیش بینی کنند و بر اساس آن کار کنند.
🔻ارزیابی ریسک
در تیم های برنامه ریزی، مدیریت و کسب و کار اغلب از گزارش های ارزیابی ریسک دقیق استفاده می شود. مطمئناً تجربیات قبلی دیدگاهی را برای ما ایجاد می کنند که برای مثال انجام یک کار خاص عواقب ظاهری خاصی دارد، اما ارزیابی ریسک تنها این نیست.
با استفاده از ابر داده، تقریباً هر سیستم تصمیم یا رویداد را می توان در طرح تحلیل ریسک گنجاند. کشاورزان می توانند مطمئن باشند که اقدامات انجام شده کل محصولات آنها را نابود نخواهد کرد. مهم تر از آن می توانند از داده های واقعی استفاده کنند تا مطمئن شوند ریسک باقی می ماند یا خیر.

منبع:
https://aitrends.com/ai-in-agriculture/here-are-5-ways-big-data-is-revolutionizing-the-agriculture-industry/
#خبر
#هوش_مصنوعی

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

Here Are 5 Ways Big Data Is Revolutionizing the Agriculture Industry - AI Trends
Here are five ways in which big data in agriculture is improving conditions or operations.