📕 تسک‌های اصلی یادگیری Supervised (نظارت‌شده): Classification (طبقه‌بندی) و Regression (برآورد روابط بین متغیرها)

🚨 زمان مطالعه: ۲ دقیقه

🔗 #ماشین‌لرنینگ
🔗 #آموزش

🔺 برای شروع آشنایی با یادگیری نظارت‌شده که یک بخشی از Machine Learning محسوب می‌شه، خوبه که با ۲ تا مسئله‌ی اصلی که به حل‌شون می‌پردازه بیشتر آشنا بشیم. اولی تسک طبقه‌بندی اطلاعات براساس ویژگی‌های مختلف‌شون هست و دومی برآورد رابطه‌هایی که بین متغیرهای مختلف وجود داره.

۱. تسک Classification: دسته‌بندی کردن داده‌ها به گروه‌های مختلف که برچسب‌های از قبل تعیین شده دارند، یکی از تسک‌های مهم یادگیری ماشین هست. فرض کنید شما یک آدرس ایمیلی دارید که روزانه تعداد زیادی ایمیل از اون طریق براتون ارسال می‌شه. حالا دسته‌بندی ایمیل‌های ارسال شده به دو گروه "spam" و "not spam" یکی از تسک‌هایی‌ست که خیلی زیاد به بهینه بودن فعالیت شما کمک می‌کنه. با این الگوریتم ما تو این مسئله میایم ابتدا نمونه‌های برچسب‌گذاری‌شده رو می‌بینیم و سپس ایمیل‌های جدید رو دسته‌بندی می‌کنیم با توجه به اطلاعات قبلی.

🔺 چند مثال برای تسک Classification:

🔹 تشخیص تصویر: تشخیص اینکه آیا در یک تصویر، گربه، سگ یا ماشین هست.
🔹 تشخیص پزشکی: پیش‌بینی اینکه یک بیمار به یک بیماری خاص مبتلا هست یا نه.

۲. تسک Regression: در واقع تفاوت اصلی Regession با تسک Classification در این خلاصه می‌شه که این‌جا ما روی داده‌های پیوسته در حال آنالیز هستیم و در Classification روی داده‌های گسسته مانور می‌دیم. در این تسک، تلاش ما اینه مقدارهای عددی پیوسته رو پیش‌بینی کنیم. مثلا فرض کنید قیمت یک خونه براساس متراژ، موقعیت و تعداد اتاق‌های اون، تخمین زده می‌شه. با این الگوریتم ما تلاش می‌کنیم با بررسی داده‌های قبلی، برآوری از روابط این داده‌ها پیدا کنیم و نهایتا به تخمین قیمت خونه‌های جدید بپردازیم.

🔺 چند مثال برای تسک Regression:

🔹 پیش‌بینی آب و هوا: پیش‌بینی دما در یک بازه زمانی.
🔹 پیش‌بینی مالی: تخمین قیمت سهام یا روند فروش.

🔺 با این‌که به نظر این دو روش، approachهای متفاوتی رو در پیش دارند، اما هر دو به ما کمک می‌کنند تا الگوی داده‌ها رو بفهمیم و پیش‌بینی‌های درستی در آینده انجام بدیم.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 استفاده از ماشین لرنینگ برای پیش بینی وقایع خودکشی!!

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #پزشکی
🔗 #هوش‌مصنوعی
🔗 #ماشین‌لرنینگ

🔺 در این مقاله سال 2024 که لینکش رو پایین‌تر براتون گذاشتیم، دو محقق ایرانی با به کارگیری پنج الگوریتم binary classification روی دیتای مربوط به 3833 کیس مرتبط با رفتارهای خودکشی، چند ریسک فاکتور اصلی که با افزایش احتمال مرگ و میر این افراد همسو بود رو مشخص کردن:

🔹 سن بیشتر
🔹 تحصیلات پایین تر
🔹 طلاق یا مرگ همسر
🔹 چالش‌های شغلی
🔹 مشکلات مالی

🔺 اگه چنین مواردی رو در اطرافیان‌تون دیدین، به سادگی از کنارش گذر نکنید!

🔖 لینک DOI مقاله:
🔗 https://doi.org/10.1186/s12888-024-06273-2

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 مدل های زبانی بزرگ، دقیق تر از متخصصین!

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #پزشکی
🔗 #هوش‌مصنوعی

🔺 چند روز پیش بود که ایلان ماسک توییتی زد و ادعا کرد که هوش مصنوعی بزودی جای پزشک‌ها، وکلا و احتمالا همه مشاغل رو خواهد گرفت.

🔖 لینک توئیت ایلان ماسک:
🔗 https://x.com/elonmusk/status/1858305249783755206

🔺 در همین راستا اخیرا مقاله‌ای منتشر شده که طی اون پژوهشگرها یک Large Language Model (LLM) به نام BrainBench رو تولید کردن.

🔺 این LLM با استفاده از دیتابیس ژورنال‌های نوروساینس در پنج حیطه اصلی که توی شکل می‌بینید train شد و متعاقبا نتایج نشون داد که قادره با دقت بیشتری از متخصصین نوروساینس، خروجی و نتیجه پژوهش های نوروساینس رو پیش بینی کنه.

🔹 باید دید که پیشرفت AI آیا به سلطه بر انسان ها می‌انجامه یا نه!

🔖 لینک DOI مقاله:
🔗 https://doi.org/10.1038/s41562-024-02046-9

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 نگارش مقالات Clinical trial

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #آموزش
🔗 #پزشکی

🔺 عکس بالا مربوط به کرایتریای CONSORT هست که تو قسمت guide for authors اغلب ژورنال‌های معتبر برای نوشتن Clinical Trialها به چشم می‌خوره.

🔺 این کرایتریا، قسمت‌های اصلی و جزئیاتی که برای ارتقا کیفیت مقاله درمورد اون‌ها صحبت می‌شه رو شرح داده (البته ممکنه با توجه به نوع مقاله بعضی هاش نیاز نباشه)!

نکته‌ای که این‌جا بولدتر از بقیه انواع مقاله‌هاست، اینه که باید متود و متریال شسته رفته‌ای ارائه بدین و به مواردی مثل اطلاعات شرکت کننده‌ها، مداخله، کرایتریاهای ورود و خروج و موارد دیگه اشاره کنید.

🔹 همچنین قبل نوشتن باید توجه کنید که کد اخلاق و کد IRCT طرح‌تون رو گرفته باشین تا به مشکلی جدی برنخورین.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 پايان‌نامه‌نويسى در جوی آب! نتیجه: بیش از ۴۱ درصد از پايان‌نامه‌ها در سال ۱۴۰۱، کپی بوده‌اند!

🚨 زمان مطالعه: ۴۵ ثانیه

🔺 بسیاری از ما در نزدیکی دانشگاه‌ها و میدان انقلاب تهران، روی دیوار و تابلوها، تبلیغات موسساتی که با دریافت هزینه‌های چند ده میلیونی، خدمت پایان‌نامه‌نویسی را ارائه می‌دهند ديده‌ايم. موضوعی که چند سالي‌ست موجب نگرانی عميق جامعه علمی و دانشگاهی کشور در خصوص کیفیت فعالیت‌های عملی برخی دانشجویان در مقاطع تحصیلات تکمیلی شده است. اما تبلیغات این چنینی در داخل جوی آب به نظرم این چالش را به سطوح جدید سوق داده است و نیاز به چیزی ورای نگرانی داریم!

🔺 نگارش پایان‌نامه یک فرآیند علمی و دقیق است که نیاز به تحقیق، تحلیل و نگارش دقیق دارد. انتخاب منابع نامعتبر به کیفیت کار آسیب می‌زند و استفاده از خدمات نگارش پایان‌نامه توسط دیگران، نه تنها از نظر اخلاقی نادرست است، بلکه به اعتبار علمی فرد و مرکز علمی که وی در آن مشغول است، لطمه می‌زند.

🔺 طبق گزارش محققان مرکز پژوهش‌های مجلس، در سال ۱۴۰۱ بیش از ۴۱ درصد پایان‌نامه‌ها و رساله‌های تالیف و تدوین شده در مقاطع تحصیلی کارشناسی ارشد و دکتری در دانشگاه‌ها و موسسات آموزش عالی، کپی‌برداری از متن مشابه بوده و از مرحله ارائه و ثبت در سامانه همانندجو ايرانداک حذف شده است.


✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 رگرسیون خطی، روشی برای پیش‌بینی ساده مقادیر داده‌ها

🚨 زمان مطالعه: ۱ دقیقه

🔗 #ماشین‌لرنینگ
🔗 #آموزش

🔺 پیرو این پست درباره‌ی یادگیری Supervised نظارت‌شده در Machine Learning، درباره‌ی دیگر تسک‌های این یادگیری می‌خواهیم صحبت کنیم. یکی از این تسک‌ها، رگرسیون خطی‌ست که یکی دیگر از روش‌ها برای پیش‌بینی داده‌هاست.

🔺 در یادگیری نظارت‌شده از داده‌های دارای برچسب – داده‌هایی که جواب یا برچسب‌شون از قبل مشخصه – برای آموزش مدل‌ها استفاده می‌کنیم. در واقع تلاش می‌کنیم برای یادگیری مدل هوش مصنوعی‌مون، از داده‌هایی استفاده کنیم که ماهیت و مقدار اون‌ها مشخصه تا مدل ما بتونه در آینده، ماهیت و مقدار داده‌های نامشخص رو تشخیص بده.

🔺 رگرسیون خطی یکی از ساده‌ترین روش‌ها برای پیش‌بینی مقادیر هست. فرض کنید می‌خوایم قیمت یک خونه رو براساس اندازه، تعداد اتاق‌ها و موقعیت مکانی‌اش پیش‌بینی کنیم. رگرسیون خطی کمک می‌کنه یک «خط برازش بهینه» بکشیم که رابطه بین این ویژگی‌ها و قیمت خونه رو نشون بده. وقتی این خط رو داریم، می‌تونیم قیمت هر خونه‌ای رو براساس ویژگی‌هاش پیش‌بینی کنیم.

🔹 در واقع، رگرسیون خطی به دنبال خطیه که به بهترین شکل، رابطه بین ویژگی‌ها و نتیجه (مثلاً قیمت) رو نشون بده. این مثل پیدا کردن یک نقطه تعادل ایده‌آله که اکثر داده‌ها به این خط نزدیک می‌شن. در شکل، راحت‌تر می‌تونید خروجی این الگوریتم رو مشاهده کنید.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 رگرسیون لجستیک، روشی برای دسته‌بندی داده‌ها

🚨 زمان مطالعه: ۱ دقیقه

🔗 #ماشین‌لرنینگ
🔗 #آموزش

🔺 در پست قبلی درباره‌ی تسک‌های یادگیری ماشین نظارت‌شده صحبت کردیم و به معرفی روش رگرسیون خطی که هدف اون، پیش‌بینی مقادیر داده‌هاست پرداختیم. در این پست درباره‌ی تسکی دیگر از یادگیری ماشین نظارت‌شده می‌پردازیم که با هدف دسته‌بندی داده‌ها شکل گرفته.

🔺 رگرسیون لجستیک، برخلاف اسمش، ابزاری برای دسته‌بندی هست و نه برای پیش‌بینی مقادیر. این الگوریتم، معمولا برای دسته‌بندی دودویی استفاده می‌شه، جایی که فقط دو نتیجه‌ی ممکن وجود داره. مثلا فرض کنید می‌خوایم پیش‌بینی کنیم که یک ایمیل spam هست یا نه، رگرسیون لجستیک به دریافت ویژگی‌های مختلف ایمیل از جمله کلمات خاص یا آدرس ایمیل فرستنده می‌پردازه و سپس احتمال اسپم بودن ایمیل رو تشخیص می‌ده. در واقع در نهایت براساس این احتمال، تصمیم می‌گیره که ایمیل اسپم هست یا نه.

🔺 برخلاف رگرسیون خطی، رگرسیون لجستیک دنبال کشیدن خطی برای همه نقاط داده نیست. تمرکز اون بر یافتن یک مرزه که دو گروه (مثل اسپم و غیر اسپم) رو از هم جدا کنه. این مرز به دسته‌بندی هر ایمیل جدید به یکی از این دو دسته کمک می‌کنه.

🔹 در شکل این پست، می‌تونید تفاوت بین Logisteic Regression و Linear Regression رو مشاهده کنید.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 پیش‌بینی احتمال افسردگی در نوجوانان به کمک AI

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #مقاله
🔗 #پزشکی

🔺 توی این مقاله که چند روزه چاپ شده و از مقاله‌های ترند حوزه روانپزشکیه، محققین با train کردن الگوریتم‌های هوش مصنوعی روی دیتاهای پره ناتال (قبل از تولد) تا ده سالگی بالغ بر ۹۰۰۰ شرکت کننده، سعی در پیش‌بینی کردن احتمال افسردگی اون‌ها در سنین نوجوانی (۱۲ تا ۱۸ سالگی) داشتن.

🔹 در نهایت از بین حدود نه صد feature، تعداد ۳۹ تاش بعنوان فیچرهای اصلی انتخاب شدن که در صدر اون‌ها می‌شه به جنس مونث، افسردگی یا اضطراب والدین و شرایط پراسترس محیطی به عنوان ریسک فاکتورهای اصلی ابتلا به افسردگی در سنین نوجوانی اشاره کرد.

🔖 لینک DOI مقاله:
🔗 Https://doi.org/10.1038/s41598-024-72158-9

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 زبانم خوب نیست، چطور مقاله بخونم؟

🚨 زمان مطالعه: ۱ دقیقه

🔗 #متفرقه

🔺 مشخصا یکی از فاکتورهایی که در خوندن مقالات انگلیسی بسیار کمک‌کننده‌ست، اینه که زبان شخص خوب باشه. با این حال برای افرادی که این شرایط رو ندارن هم راه‌هایی وجود داره که بتونن مقالات رو در تایم کمی ترجمه و ازش استفاده کنن!

🔹 خیلی از افراد ممکنه تکه‌تکه‌هایی از مقاله رو داخل گوگل ترنسلیت وارد کنن و اون رو به فارسی ترجمه کنن. قابلیت دیگه‌ای که توی همین سایت وجود داره زبانه‌ی Documents (سندها) هست که می‌تونین بهش فایل بدین و فایل ترجمه شده رو دریافت کنین.

🔺 مساله‌ای که وجود داره اینه که این روش با این‌که می‌تونه کارتون رو راه بندازه اما کم هم باگ نداره! از جمله این‌که پیوستگی جملات رو در کپی پیست کردن حفظ نمی‌کنه و گاها حتی ترجمه دل‌چسبی به شما نمی‌ده. ☹️

🔹 یکی از سایت‌های خوبی که تا حدی این مشکل رو حل کرده، سایت DocTranslator هست. توی این سایت می‌تونین فایل مقاله رو بارگذاری کنین و با کیفیت بهتری (البته نه صد درصد) ترجمه رو دریافت کنین. مزیتش هم اینه که فرمت و ساختار مقاله (شکل‌ها، نمودارها و باقی موارد) رو براتون حفظ می‌کنه. با این وجود در ترجمه‌ی فرمول‌ها ضعیفه و برای این موارد باید به اصل مقاله مراجعه کنین.

🔺 نمونه‌های ایرانی از جمله سایت ترجمیار هم وجود دارن که البته باید اشتراکشون رو خریداری کنین.

🔹 نکته جذاب و مرتبطی که هست اینه که می‌تونین فایل‌های PDFتون رو با استفاده از نرم افزار Adobe Acrobat Pro ازشون خروجی ورد بگیرین و راحت تر ازشون استفاده کنین (البته برای بعضی فایل های فارسی به دلیل تحریم جواب نمی‌ده.)

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 ارتباط تنگاتنگ میکروبیوم روده و موفقیت ایمونوتراپی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #پزشکی
🔗 #مقاله

🔺 ایمونوتراپی یکی از روش‌های پرکاربرد در درمان بعضی از نئوپلاسم‌ها است، اما مشکلی که داره اینه که فقط برای درصد کمی از افراد می‌تونه پاسخ موفقت‌آمیز داشته باشه!

🔺 در این مقاله سال ۲۰۲۳، محققین نشون دادن که در کمال تعجب، یکی از گونه‌های موجود در میکروبیوم روده به نام
Akkermansia muciniphila (A. muciniphila)
می‌تونه به طور قابل توجهی اثربخشی ایمونوتراپی رو افزایش بده و افرادی که این سویه رو در میکروبیوم خودشون بیشتر داشته باشن، به طور چشم‌گیری بیشتر از سایرین به این درمان ضدسرطان جواب می‌دن!

🔹 چنین یافته‌هایی می‌تونن ما رو یک گام به درمان سرطان نزدیک‌تر کنن! 🤩

🔖 لینک DOI مقاله:
🔗 https://link.springer.com/article/10.1007/s00432-023-05199-8

✈️ این ویدیو هم دقیقا به همین مقاله اشاره می‌کنه:
🔗 https://www.instagram.com/reel/DEK_BOnCXpR/?igsh=MW5oaWNodGdnaGY1cw==

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 سیستم تولید مقالات ویکی‌پدیایی به کمک هوش مصنوعی، STORM

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #مقاله
🔗 #پزشکی

🔺 امسال محققین دانشگاه استنفورد ابزاری به نام STORM ساختند که با کمک AI به اسکن سایت‌ها و مقالات مرتبط با موضوع شما می‌پردازه و نهایتا مقاله‌ای خلاصه از اون می‌سازه و به شما می‌ده. اما STORM یعنی چی؟ STORM مخفف
Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking
هست.

🔺 این سیستم فرآیند تولید مقاله را به دو مرحله اصلی تقسیم می‌کند:

🔹 مراحل پیش‌نویس:
🔖 سیستم با جست‌وجوی اینترنت، منابع مرتبط رو جمع‌آوری می‌کنه.
🔖 یک طرح کلی (Outline) برای مقاله تولید می‌کنه.

🔹 مراحل نوشتن:
🔖 سیستم با استفاده از طرح کلی و منابع جمع‌آوری‌شده، مقاله کامل رو با استناد به منابع تولید می‌کنه.

🔺 در نهایت STORM از دو استراتژی کلیدی برای بهبود فرآیند پرسش‌وپاسخ استفاده می‌کند:

🔖 با بررسی مقالات مشابه، منظرهای مختلفی برای پرسش‌ها شناسایی می‌شه.
🔖 یک گفت‌وگوی شبیه‌سازی‌شده بین نویسنده ویکی‌پدیا و یک متخصص موضوعی انجام می‌شه تا مدل زبانی بتونه سؤالات پیگیری‌شده بپرسه و درک خود رو بروز کنه.

🔖 لینک سایت این ابزار:
🔗 https://storm.genie.stanford.edu

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»