«دستیاری درس یادگیری عمیق دکتر سلیمانی»

🔹 Deep Learning TA Application Form
🔸 Dr. Mahdieh Soleymani Baghshah

⭕️ دانشجویانی که تمایل دارند در نیم‌سال آینده (نیم‌سال بهار ۱۴۰۳-۰۴) دستیار آموزشی درس یادگیری عمیق دکتر سلیمانی باشند، می‌توانند درخواست خود را از طریق فرم زیر ثبت نمایند.

⏰ Deadline: January 10th

https://docs.google.com/forms/d/e/1FAIpQLScpwH9YLLK7I54TXX_5BARmm47x-qbxa8TAROh35d1KM_MgWA/viewform?usp=dialog

📣 TA Application Form

🤖 Course: System-2 AI
🧑🏻‍🏫 Instructors: Dr. Rohban, Dr. Soleymani, Mr. Samiei
⏰ Deadline: January 23rd

https://docs.google.com/forms/d/e/1FAIpQLSewqI25q5c3DcsdcCzhCVg42motC2S-bg_xuuPWZ0wA60rYHQ/viewform?usp=dialog

درباره DeepSeek R1

در جلسه دهم از ژورنال کلاب سیستم‌۲، دکتر مهدیه سلیمانی به ارائه در مورد مقاله DeepSeek R1 و تفاوت رویکرد آن در استفاده از RL برای جستجو، پرداخت.

لینک یوتیوب:
https://www.youtube.com/watch?v=x3GaRLwO8fA

لینک آپارات:
https://www.aparat.com/v/jmeyz2p

سلام
یک فرصت همکاری‌ با کمیته‌ی المپیاد دانش‌آموزی هوش مصنوعی برای دوستانی که علاقه‌مند به تدریس یا تولید محتوا‌ در شاخه‌‌های یادگیری ماشین و یادگیری ژرف هستند و سابقه فعالیت در این زمینه را دارند فراهم است. در صورتی که متمایل به همکاری هستید این فرم را پر کنید.

🔔 «بر لبه سکوی(؟) بلند»

📝 نگاهی واقع‌نگرانه به وضعیت امروز حوزه‌ی هوش مصنوعی، تحولات پیش‌روی آن، و تبعات اقتصادی - سیاسی تحولات مذکور؛ با هدف بررسی ابعاد و زوایای پدیده دگرگونی حاصل از هوش مصنوعی (AI Transformation) با حضور اساتید و کارشناسان حوزه‌های مختلف


🔸 نشست نخست: «در آستانه عامل‌های خودمختار»

🗣 دکتر مهدیه سلیمانی، استاد مهندسی کامپیوتر دانشگاه صنعتی شریف | دکتر محمد حسین رهبان، استاد مهندسی کامپیوتر دانشگاه صنعتی شریف.

⏰ چهارشنبه، ۸ اسفند - ساعت ۱۷:۰۰

🏛 دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف، سالن خوارزمی.

——————————————
🆔 @HP_Edge | @AI_Sharif

Open Position: Research Intern/Collaborator – 3D Image Analysis

We are seeking motivated interns and collaborators to join an innovative joint project with Tehran University of Medical Sciences, focused on the prediction of knee diseases using knee MRI images. This research aims to leverage deep learning techniques to analyze 3D medical images, and the dataset, collected at Imam Khomeini Hospital, will eventually be made publicly available to the scientific community.

🔹 Requirements
▪️ Strong proficiency in Deep Learning
▪️ Hands-on experience with PyTorch

🔹 Preferred Qualifications
▪️ Background in medical image analysis, particularly with 3D imaging techniques

✉️ How to Apply
To apply for the position, please send your CV and transcript, as well as a research statement, describing how you fulfill the position's requirements to soleymani@sharif.edu

🕔 Application Deadline
Send your application by Wednesday, 1403/12/15

This is an opportunity to contribute to a research with significant implications for medical diagnostics. If you are passionate about advancing the field of medical AI and have the required expertise, we would love to hear from you.

فرصت همکاری پژوهشی: Emergent Language و Compositionality

برای کسب اطلاعات بیشتر سند زیر را مطالعه بفرمایید:

https://docs.google.com/document/d/1Q0xPXse3C7TITzKe0hkoQqtR_41Ca1ij-M7mkSPgPJ8/edit?usp=sharing

دانشجویانی که علاقمند به عضویت در تیم تدریس درس هوش مصنوعی در نیم‌سال اول تحصیلی ۱۴۰۵-۱۴۰۴ (پاییز) با تدریس دکتر سلیمانی هستند، لطفا این فرم را تکمیل فرمایند:

https://docs.google.com/forms/d/e/1FAIpQLSepRyHB4QoAl8ulIwdSBDi-aulXnvJjhWhB-KFcfFSFe1aBGw/viewform?usp=header

در صورتی که تمایل به همکاری به عنوان دستیار آموزشی در درس یادگیری ژرف (نیمسال دوم ۱۴۰۴-۱۴۰۵) دارید، لطفا فرم زیر را حداکثر تا تاریخ ۱۷ بهمن ماه پر نمایند:
https://forms.gle/4ZVFPYY92no32PLm7

با سلام؛
اگر علاقه‌مند به همکاری به‌عنوان دستیار آموزشی در درس بازیابی پیشرفته اطلاعات (نیم‌سال دوم ۱۴۰۴-۱۴۰۵) خانم دکتر سلیمانی هستید، لطفا درخواست خود را تا تاریخ ۳۰ بهمن از طریق این فرم ثبت کنید.

🔘 Open Research Positions: Shortcut Learning and Spurious Correlation
We are looking for motivated students to join our research projects.


🔍 Project Description
Shortcut learning occurs when models rely on spurious or overly simple patterns instead of learning the intended underlying task. Our research aims to understand why and how shortcuts emerge, and how they can be identified, analyzed, and mitigated.
We offer three research assistant positions aligned with the following directions, co-advised by Dr. Rohban and Dr. Soleymani:

🔹 1. Understanding the Implicit Effects of Inductive Biases on Shortcut Learning

This project investigates how training-related inductive biases, such as batch size, learning rate, and loss function, influence the emergence of shortcut learning and group robustness.

[1] The Silent Helper: How Implicit Regularization Enhances Group Robustness (HiLD Workshop ICLR 2025)
[2] On the Role of Implicit Regularization of Stochastic Gradient Descent in Group Robustness (ICLR 2026)

🔗 Apply here: Google Form



🔹 2. Understanding Shortcut Learning Through the Lens of Task Arithmetic

It has been observed that shortcut features are often learned early during training. By analyzing the trajectory of weight evolution, we aim to identify shortcut task directions in parameter space and leverage this understanding to mitigate shortcut reliance.

[3] Editing Models with Task Arithmetic (ICLR 2023)

🔗 Apply here: Google Form



🔹 3. Investigating Shortcut Learning in Large-Scale Models

Shortcut-based generalization failures were first studied in linear models and simple settings. In this project, we aim to understand how these biases propagate to large-scale models, including language models, and explore strategies to mitigate them.

[4] Do LLMs Overcome Shortcut Learning? An Evaluation of Shortcut Challenges in Large Language Models (EMNLP 2024)
[5] Small Batch Size Training for Language Models: When Vanilla SGD Works, and Why Gradient Accumulation Is Wasteful (NeurIPS 2025)

🔗 Apply here: Google Form



📌 Important Notes:
Please carefully read the Internship Ethics and Guidelines before submitting your application.
Submitting the application form does not guarantee acceptance.
Only shortlisted candidates will be contacted via email by March 15.