⚡️ انجمن مهندسی برق دانشگاه خوارزمی بە همراه معاونت پژوهشی دانشکدە فنی و مهندسی و معاونت فرهنگی دانشگاه خوارزمی برگزار میکند:
🔥دوره آموزش مقدماتی تا متوسطه متلب🔥

🟰 متلب (MATLAB) یک نرم‌افزار قدرتمند و محیط برنامه‌نویسی است که به طور گسترده‌ای در زمینه‌های مهندسی، علوم و ریاضیات مورد استفاده قرار می‌گیرد. نام متلب از ترکیب دو کلمه Matrix (ماتریس) و Laboratory (آزمایشگاه) گرفته شده است که نشان‌دهنده ماهیت ماتریس‌محور این نرم‌افزار است.

➕به طور خلاصه، متلب یک ابزار قدرتمند و همه کاره برای انجام محاسبات عددی و مهندسی است. با یادگیری متلب، می‌توانید به راحتی مسائل پیچیده را حل کرده و به نتایج دقیق و قابل اعتمادی دست پیدا کنید.

🔜 زمان برگزاری: از آذر ۱۹ ام آذر ماه روز های شنبه و چهارشنبه

📍محل برگزار برگزاری: بستر اینترنت

💸 هزینه دوره آموزشی: ۴۲۹ هزار تومان

🎉 هزینه دوره با تخفیف دانشجویی به مناسبت هفته پژوهش: ۲۸۹ هزار تومان

🪪 همراه با ارائه مدرک معتبرە هولوگرام دارە دانشگاه خوارزمی

📃 جهت ثبت نام و کسب اطلاعت بیشتر میتونید به آیدی پشتیبانی انجمن پیام دهید:
@Eesakhu

🖱در فضای مجازی انجمن مهندسی مهندسی برق را دنبال کنید:

🔵🌐 linkedin 🌐🔵

🟣🌐 Instagram 🌐🟣

🟠🌐 telegram 🌐🟠

🟡#توسعه_و_تحقیق_کار_ها

🤩 ۵ دوره‌ی برتر برای تحلیلگر داده

⚡️چگونه تجزیه و تحلیل داده ها را واقعا یاد بگیریم؟

⚡️بهترین گواهینامه های تحلیلگر داده کدامند؟

⚡️چگونه یک تحلیلگر داده شویم؟

🔣 این ویدئو به این سوالات پاسخ خواهد داد.

▶️https://youtu.be/X7eAwyMvm2c?si=0ZpfuCjcTZIagghc

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🔴#آموزشگاه_ذهن

✅ ریاضیات نقشی اساسی در علوم اعصاب ایفا می‌کند و به عنوان ابزاری اساسی برای مدل‌سازی و درک سیستم‌های عصبی پیچیده عمل می‌کند. این پژوهشگران را قادر می‌سازد تا مدل‌های ریاضی ایجاد کنند که رفتار عصبی، پویایی شبکه و مکانیسم‌های زیربنایی عملکردهای مغز را توصیف می‌کند. این ادغام ریاضیات در علوم اعصاب نه تنها درک نظری را افزایش می‌دهد، بلکه اعتبار تجربی و تجزیه و تحلیل داده‌ها را تسهیل می‌کند.

🔹 مدلسازی ریاضی
مدل‌های ریاضی برای گرفتن دینامیک نورون‌ها و شبکه‌های عصبی، ترجمه مفاهیم بیوفیزیکی به معادلاتی که پتانسیل‌های عمل و تعاملات شبکه را توصیف می‌کنند، ضروری هستند.

🧠 نقش ریاضیات در نوروساینس

✅با رشد روزافزون نقش و کاربرد ریاضیات در زمینه‌های مختلف، هیچ شکی نیست که این علم نقش مهمی در پیشرفت علوم اعصاب ایفا می‌کند، علمی که همچنان تحت تحقیقات مستمر قرار دارد. هدف این گزارش دو نکته اساسی را بررسی می‌کند: نخست، نشان دادن اینکه چگونه مدل‌های ریاضی می‌توانند به روشن شدن جنبه‌های مختلف علوم اعصاب کمک کنند و دوم، تجزیه و تحلیل تکنیک‌های ریاضی که برای بررسی این مدل‌ها استفاده می‌شود.

✅ این بررسی می‌تواند به ما پیش‌بینی‌ها و بینش‌هایی ارائه دهد که به عنوان ابزاری قدرتمند برای تحلیل داده‌های تجربی مورد استفاده قرار گیرد. به طور خاص، مدل‌های ریاضی ساده می‌توانند درک ما از فعالیت مغز و سیستم عصبی مرکزی را در علوم اعصاب محاسباتی تقویت کنند. این مدل‌ها معمولاً ارتباطات بین مجموعه‌ای از اطلاعات را تخمین می‌زنند.

✅ با این حال، باید توجه داشت که هیچ روش رسمی و هوشمندانه‌ای برای "نشان دادن" درست یا غلط بودن یک مدل وجود ندارد. به همین دلیل، تفکر و تحلیل‌های ریاضی ضروری است. در این متن، نقش ریاضیات در علوم اعصاب به طور جامع مورد بررسی و بحث قرار خواهد گرفت.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

✨ معرفی دوره های پاییزی در یک نگاه- سومین دوره

⌛عنوان دوره: «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔜 زمان برگزاری جلسه اول: شنبه، 17 آذر ساعت 19

🔸سرفصل جلسات:

💥هفته اول: مبانی R و نصب برنامه
💥هفته دوم: کنترل جریان برنامه، انواع شرط ها، حلقه و توابع
💥هفته سوم و چهارم: Basic Data Management
💥هفته پنجم و ششم: Basic Graph
💥 هفته هفتم و هشتم: Basic Statistics
💥هفته نهم و دهم: Regression
💥هفته یازدهم و دوازدهم: Basic Network Analysis in R


👤با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف


🔣نحوه ثبت نام:

https://www.tgoop.com/IDS_Math/177

🔴کسب اطلاعات بیشتر:

  @interdisciplinaryschools2

🚀 |@IDSchools|
🚀 |@IDS_Math|

‼️ یادآوری- شروع دوره

1️⃣جلسه اول دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣عنوان جلسه اول: مبانی R و نصب برنامه

⏳زمان برگزاری جلسه اول: فردا شنبه، 17 آذر ساعت 19

👤 با ارائه آقای دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

✅ شنبه ها، ساعت 19 تا 20:30

👈نحوه ثبت نام:

https://www.tgoop.com/IDS_Math/177

🟢کسب اطلاعات بیشتر:

@interdisciplinaryschools2

✈️ @IDS_Math
✈️ @IDSchools

💻 #اکتشاف_دنیای_دیجیتال

✨مسابقه LLMs -شما نمی توانید همه آنها را راضی کنید!

🔹درست همانطور که انسان‌ها را می‌توان توسط دیدگاه‌ها و تعصبات دستکاری کرد، LLM هایی که برای ارزیابی‌های ذهنی استفاده می‌شوند دارای سوگیری‌های مختلفی هستند که در برابر سوء استفاده‌هایی که سیستم را هدایت می‌کنند آسیب پذیر هستند. یکی از راه‌های محدود کردن تأثیرات منفی این است که کمیته‌ای متشکل از LLMها با هم ارزیابی کنند.

💠این رقابت شما را به چالش می‌کشد تا بهره‌برداری‌ها را برای سیستم LLM-as-a-judge که برای ارزیابی کیفیت مقالات طراحی شده است، شناسایی کنید. فهرستی از موضوعات مقاله به شما داده می‌شود و هدف شما ارسال مقاله‌ای است که اختلاف نظر بین داوران LLM را به حداکثر می‌رساند. کار شما به شکل گیری درک بهتری از قابلیت‌ها و محدودیت‌های استفاده از LLM برای وظایف ارزیابی ذهنی در مقیاس کمک می‌کند.

🗓جدول زمانی

🟢تاریخ شروع: ۱۳ آذر ۱۴۰۳
3 December 2024

🟢 آخرین مهلت ورود: ۷ اسفند ۱۴۰۳
25 February 2025
برای شرکت در مسابقه باید قبل از این تاریخ قوانین مسابقه را بپذیرید.

🟢آخرین مهلت ادغام تیم:۷ اسفند ۱۴۰۳
25 February 2025
این تاریخ آخرین روزی است که شرکت‌کنندگان می‌توانند به تیم‌ها بپیوندند یا ادغام شوند.

🟢مهلت ارسال نهایی: ۱۴ اسفند ۱۴۰۳
4 March 2025

❗️تمام مهلت‌ها در ساعت PM UTC 11:59 در روز مربوطه است، مگر اینکه غیر از این ذکر شده باشد. برگزارکنندگان مسابقه این حق را برای خود محفوظ می دارند که در صورت لزوم، جدول زمانی مسابقه را به روز کنند.

✨جوایز

🥇مقام اول - 12000 دلار
🥈مقام دوم - 10000 دلار
🥉مقام سوم - 10000 دلار
🎖مقام چهارم - 10000 دلار
🎖مقام پنجم - 8000 دلار

👈 برای اطلاعات بیشتر اینجا کلیک کنید.

💬 پی‌نوشت
Large Language Model (LLMs)
مدل‌های بزرگ زبان، مدل‌های یادگیری ماشینی هستند که می‌توانند متن زبان انسان را درک کرده و تولید کنند. آن‌ها با تجزیه و تحلیل مجموعه داده‌های بزرگ زبان کار می‌کنند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

💡 فراتر از ریاضی و پایتون: دیگر مهارت های کلیدی علوم داده که باید توسعه دهید.

❗️نقشه راه موفقیت در علم داده مسیرهای مختلفی را ارائه می‌دهد، اما بیشتر آنها تمرکز قوی بر مهارت‌های ریاضی و برنامه نویسی دارند.

🔴این پست بر روی برخی از زمینه‌هایی که ممکن است بخواهید در آینده کاوش کنید، تمرکز می‌کند و توصیه‌های عملی را از نویسندگانی که عمیقاً در بخش گسترده‌ای از نقش‌های صنعتی و دانشگاهی نقش دارند، ارائه می‌کند. از تسلط بر زیرساخت‌های داده تا گسترش مهارت‌های داستان‌گویی، اجازه دهید نگاهی دقیق به برخی از آن حوزه‌های جانبی – اما همچنان حیاتی – رشد بالقوه بیندازیم.

🔠 فراتر از مهارت ها: باز کردن پتانسیل کامل دانشمندان داده.
 دانشمندان داده دارای دیدگاه منحصر به فردی هستند که به آنها امکان می‌دهد ایده‌های تجاری نوآورانه خود را ارائه دهند - ایده‌هایی که جدید، استراتژیک یا متمایز هستند و بعید است که از کسی جز یک دانشمند داده سرچشمه بگیرند. اریک کولسون
 فرضیه‌ای قابل تامل را گسترش می‌دهد، یعنی اینکه شرکت‌ها با تمرکز بیش از حد بر مهارت‌های فنی خود، به بهای خلاقیت و تفکر بیرون از جعبه، از دانشمندان داده استفاده کمتری می‌کنند.

🔠 سه درس مهم داده که از یک کنفرانس داده ای که به هوش مصنوعی ربطی ندارد آموختم. 
هوش مصنوعی در سال‌های اخیر به قدری بر مکالمات تسلط داشته است که شنیدن راه‌های دیگر برای دانشمندان داده‌ای برای ماندن در لبه‌های پیشرفته حوزه خود احساس طراوت می‌کند. Nithya Ramamoorthy تجربه اخیر خود در یک کنفرانس را منعکس می‌کند و اینکه چگونه الهام بخش او برای توجه بیشتر به موضوعاتی است که ممکن است کمتر از آخرین LLM به نظر برسند، اما می‌توانند ارزش شما را به عنوان یک متخصص داده افزایش دهند، از کنترل هزینه و ترجمه داده ها به طراحی اطلاعات

🔠 سیستم بهره وری نهایی برای رهبران علم داده.
 برای هر کسی که در مسیر مدیریت علم داده است - چه در مراحل اولیه یا عمیق‌تر در حرفه شما - گاهی اوقات این احساس می‌شود که انتظار می‌رود مهارت‌های رهبری به طور ارگانیک با گذشت زمان رشد کنند. در حالی که این ممکن است از برخی جهات درست باشد، آخرین مشارکت ربکا ویکری برخی از گام‌های مشخصی را که می‌توانید انجام دهید تا اطمینان حاصل کنید که تمرکز و بهره‌وری خود را حتی با افزایش تقاضاهای نقشتان انجام دهید، بیان می‌کند.

🔠 تسلط بر ریاضیات پشت پاکت شما را به دانشمند داده بهتری تبدیل می کند. 
آنچه در مقاله جدید Torsten Walbaum
 پیشنهاد می‌کند این است که متخصصان داده ممکن است بخواهند کمتر نگران فرمول‌ها و مدل‌سازی‌های پیچیده باشند و به خود اجازه دهند با تولید تخمین‌های خشن - اما محکم - راحت‌تر رشد کنند.

🔠 از AI Canvas تا MLOps Stack Canvas: آیا آنها ضروری هستند؟

 با افزایش پیچیدگی ابزارها و پشته‌های داده، برای ذینفعان محصول بسیار آسان می‌شود که ردیابی نحوه کار همه قطعات متحرک با هم را از دست بدهند. Chayma Zatout اینجاست تا با مقدمه‌ای عملی برای ساخت و استفاده از بوم‌ها، «یک چارچوب بصری که به افراد و تیم‌ها کمک می‌کند تا جنبه‌های مختلف یک پروژه را به شکلی ساختاریافته نقشه‌برداری و تجزیه و تحلیل کنند.

🔠 آموزش AWS Bedrock که آرزو می‌کردم داشته باشم: هر آنچه که برای آماده کردن دستگاه خود برای زیرساخت AWS باید بدانید. 
چگونه می‌توانید یک نمونه اولیه یادگیری ماشینی زیبا را در نوت بوک خود قرار دهید و آن را به یک برنامه وب قدرتمند تمام پشته توسعه دهید؟ میندا مایرز با برداشتن چند قدم از جزئیات بی‌نظیر تجزیه و تحلیل داده‌ها، متخصصان داده را تشویق می‌کند تا تنظیمات فناوری خود را در نظر بگیرند و آن را برای گردش‌های کاری روان و مؤثر بهینه کنند.

🔠 از بینش تا تأثیر: مهارت‌های ارائه‌ای که هر دانشمند داده به آن نیاز دارد.
این دقیقاً خبری نیست که داستان سرایی قوی هسته اصلی بسیاری از نقش‌های علم داده است. هر چند در بسیاری از برنامه‌ها یک منطقه تحت پوشش باقی می‌ماند - یکی از مواردی که فقط از شما انتظار می‌رود که به طور جادویی در آن به تنهایی پیشرفت کنید. یو دونگ در آخرین پست خود به برخی از جنبه‌های اصلی ارائه‌های موفق می‌پردازد و نکات مشخصی را در مورد طراحی اسلایدهای موفق درج می کند.

🔠نحوه ایجاد فرصت ها و موفقیت در برنامه های شغلی علم داده
همانطور که رابسون تیگر روشن می‌سازد، فرآیند تبدیل شدن به یک متقاضی شغل برجسته و شناسایی فرصت‌های مناسب، مستلزم مجموعه‌ای از مهارت‌های خاص خود است که بیشتر آن‌ها ارتباط بسیار کمی با داده‌ها یا الگوریتم‌ها دارند و در عوض حول محور ارائه خود (و بازاریابی)، شبکه‌سازی و ارتباطات می‌چرخند.

🌐منبع
#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

✨#زیبایی_های_ریاضی

🔣یکی از شگفتی‌های ریاضی این است که مجموع اعداد فرد متوالی همیشه به یک مربع کامل ختم می‌شود! این یعنی وقتی اعداد فرد را یکی یکی جمع می‌کنید، نتیجه همیشه یک مربع خواهد بود.

🟣به عنوان مثال:
1=1²
1+3=4=2²
1+3+5=9=3²
1+3+5+7=16=4²
...
فرمول کلی این رابطه
1+2+3+...+(2n-1)=n²

❗️این الگو یک راز جذاب از دنیای ریاضی است که نشان میدهد چگونه یک جمع ساده می‌تواند به نتایج شگفت انگیز منتهی شود.

🌐 منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🔹#توسعه_و_تحقیق_کار_ها

✅ یادگیری ماشین و مدل‌سازی بیزی در تحلیل علوم اعصاب، مدل‌های آماری مختلفی برای تفسیر داده‌های پیچیده و به دست آوردن بینش‌های معنادار استفاده می‌شود. این مدل‌ها را می‌توان به‌طور کلی به روش‌های آمار کلاسیک و یادگیری ماشینی دسته‌بندی کرد که هر کدام اهداف مشخصی را در تحقیقات انجام می‌دهند.بخش‌های زیر محبوب‌ترین مدل‌های آماری مورد استفاده در علوم اعصاب را تشریح می‌کند.

◀️آمار کلاسیک
آزمون فرضیه صفر: روش‌های رایج مورد استفاده شامل آزمون‌های t و ANOVA هستند که به تعیین اهمیت اثرات مشاهده‌شده در داده‌های تصویربرداری عصبی کمک می‌کنند.

🟣تجزیه و تحلیل رگرسیون: این روش‌ها روابط بین متغیرها را ارزیابی می‌کنند و بینشی در مورد عملکرد و ساختار مغز ارائه می‌کنند.

◀️رویکردهای یادگیری ماشینی
یادگیری نظارت شده: تکنیک‌هایی مانند ماشین‌های بردار پشتیبان (SVM)، درخت‌های تصمیم‌گیری و شبکه‌های عصبی اغلب برای کارهای طبقه‌بندی در علوم اعصاب استفاده می‌شوند.

🟣مدل‌سازی بیزی: این رویکرد عدم قطعیت را تخمین می‌زند و مستقیماً ویژگی‌هایی را از مجموعه داده‌ها استنباط می‌کند و آن را برای درک پیشرفت بیماری ارزشمند می‌سازد.

✅ در حالی که آمار کلاسیک چارچوبی قوی برای آزمایش فرضیه‌ها ارائه می‌کند، یادگیری ماشینی انعطاف‌پذیری و سازگاری را در تجزیه و تحلیل داده‌های با ابعاد بالا ارائه می‌دهد که نشان‌دهنده رابطه مکمل بین این دو روش در تحقیقات علوم اعصاب است.

📎مقاله‌ی بررسی ابزارهای آمار زیستی رایج در علوم اعصاب به بررسی جمع‌بندی رویکردهای مختلف در بیماری‌های گوناگون می‌پردازد و امیدوار است که نقش بالقوه ابزارهای آمار زیستی در علوم اعصاب را معرفی کند.

⌛ یادگیری ماشین به عنوان یک روش برای ساخت مدل‌ها و شناسایی همبستگی‌ها میان ویژگی‌های داده‌ها شناخته می‌شود. در این زمینه، تکنیک‌هایی مانند رگرسیون لجستیک، درخت‌های تصمیم، ماشین‌های بردار پشتیبان (SVM)، جنگل تصادفی (RF) و شبکه‌های عصبی به عنوان رویکردهای رایج مورد استفاده قرار می‌گیرند. همچنین، مدل‌سازی بیزی به دلیل توانایی‌اش در برآورد ویژگی‌ها به‌طور مستقیم از مجموعه داده‌ها و نه از طریق توزیع نمونه‌برداری، به عنوان روشی برای مدیریت عدم قطعیت مدل‌ها مطرح است. این روش‌ها در تشخیص و پیشرفت بیماری‌ها در علوم اعصاب بسیار کارآمد بوده‌اند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

📱@IDSchools
📱@IDS_Math

✨ معرفی دوره های پاییزی در یک نگاه- چهارمین دوره

⌛عنوان دوره: «رمزگشایی سیگنال های مغزی با الگوریتم های پایه یادگیری ماشین»

🔜 زمان برگزاری جلسه اول: پنجشنبه، 22 آذر ساعت 19

🔸سرفصل جلسات:

💥هفته اول: مفاهیم نظری سیگنال EEG و کاربردها
💥هفته دوم: آشنایی با آزمایش های BCI و پایگاه های داده مرتبط
💥هفته سوم: روشهای پیش پردازش سیگنال های EEG
💥هفته چهارم: روش های پردازش و استخراج ویژگی از سیگنال EEG
💥هفته پنجم: کار عملی در MATLAB
💥هفته ششم: معرفی اصطلاحات و مفاهیم پایه مدل سازی و یادگیری ماشین
💥هفته هفتم: روش‌های کاهش بعد و انتخاب ویژگی
💥 هفته هشتم: کار عملی در MATLAB
💥 هفته نهم: آشنایی با انواع مدلهای طبقه بندی
💥 هفته دهم: کار عملی در MATLAB

👤با حضور:

👤 دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای


🔣نحوه ثبت نام:

https://www.tgoop.com/IDS_AI_ML/248

🔴کسب اطلاعات بیشتر:

  @interdisciplinaryschools2

🚀 |@IDSchools|
🚀 |@IDS_AI_ML|

‼️ یادآوری- شروع دوره

1️⃣جلسه اول دوره «رمزگشایی سیگنال های مغزی با الگوریتم های پایه یادگیری ماشین»

🔣عنوان جلسه اول: مفاهیم نظری سیگنال EEG و کاربردها

⏳زمان برگزاری جلسه اول: فردا پنجشنبه، 22 آذر ساعت 19

👤 با ارائه:

👤دکتر گلناز بغدادی، عضو هیات علمی دانشگاه صنعتی امیرکبیر
👤 شایان زارعی، رئیس دپارتمان سیگنال مجموعه علمی و پژوهشی مدارس میان رشته ای

✅ پنجشنبه ها، ساعت 19 تا 20:30

👈نحوه ثبت نام:

https://www.tgoop.com/IDS_AI_ML/248

🟢کسب اطلاعات بیشتر:

@interdisciplinaryschools2

✈️ @IDS_AI_ML
✈️ @IDSchools