Instagram story viewer> @magheibi> Posts

علم | فناوری | هوش مصنوعی

@magheibi

525

followers

207

following

علم | فناوری | الگوریتم

POSTS STORIES REELS TAGGED

آیا هوش مصنوعی می‌تواند تشنج را از امواج مغزی شناسایی کند؟

در این مجموعه، یکی از کاربردهای هوش مصنوعی در علوم اعصاب را بررسی می‌کنیم: تحلیل سیگنال EEG با شبکه‌ی عصبی کانولوشنی (CNN).

ابتدا فعالیت الکتریکی مغز ثبت و پیش‌پردازش می‌شود تا آرتیفکت‌ها کاهش یابند. سپس CNN الگوهای زمانی مرتبط با تشنج را یاد می‌گیرد و برای هر بازه، احتمال وجود آن الگو را برآورد می‌کند.

اما دقت بالا همیشه به معنای موفقیت واقعی نیست. وقتی تشنج نادر باشد، مدلی که همیشه «تشنجی نیست» بگوید می‌تواند ۹۹٪ دقت داشته باشد، در حالی که هیچ تشنج واقعی‌ای را شناسایی نمی‌کند. این عدد، مثالی فرضی است. به همین دلیل، معیارهایی مانند حساسیت، دقت مثبت، نرخ هشدار اشتباه و تأخیر در شناسایی اهمیت دارند.

در عمل، این سیستم‌ها ابزار کمک‌تشخیص هستند. تفسیر نهایی سیگنال‌ها و تصمیم بالینی بر عهده‌ی متخصص مغز و اعصاب است.

💡 ارزیابی درست مدل‌های پزشکی، فراتر از یک عدد دقت است.

⚠️ این پست جنبه‌ی آموزشی دارد و جایگزین تشخیص یا مشاوره‌ی پزشکی نیست.

به نظر شما، آیا به تحلیل امواج مغزی توسط AI اعتماد می‌کنید؟ نظرتان را زیر پست بنویسید 👇 by @magheibi

32

28

a day ago

انقلاب پنهان در CNNها: MobileNetV4 در برابر ConvNeXt

در نسل جدید شبکه‌های عصبی کانولوشنی، دو معماری قدرتمند با دو اولویت مهندسی متفاوت روبه‌روی هم قرار گرفته‌اند؛ یکی اجرای شبکه را برای سخت‌افزارهای سبک بهینه می‌سازد و دیگری ساختار CNN را برای سرورها مدرن می‌کند.

🟢 معماری MobileNetV4؛ بهینه‌سازی برای سخت‌افزار و Edge AI
▪️ ساختار: بهره‌گیری از بلوک UIB، جست‌وجوی معماری با NAS و مکانیزم Mobile MQA (در مدل‌های Hybrid).
▪️ عملکرد: ثبت دقت ۸۷٪ (در مدل MNv4-Hybrid-Large روی ImageNet-1K) با تأخیر فوق‌العادهٔ ۳٫۸ میلی‌ثانیه روی پردازندهٔ Pixel 8 EdgeTPU.
▪️ کاربرد: ایده‌آل برای پردازش مستقیم روی دستگاه، اپلیکیشن‌های موبایل و سیستم‌های Edge AI که به کارایی بالا و تأخیر کم نیاز دارند

🔵 معماری ConvNeXt؛ بازطراحی CNN برای دقت و مقیاس‌پذیری
▪️ ساختار: استفاده از کانولوشن Depthwise با کرنل ۷×۷، بهره‌گیری از LayerNorm و GELU با معماری سلسله‌مراتبی و مقیاس‌پذیر.
▪️ عملکرد: دستیابی به دقت خیره‌کنندهٔ ۸۷٫۸٪ (در نسخهٔ ConvNeXt-XL روی ImageNet با ورودی ۳۸۴×۳۸۴ و پیش‌آموزش روی ImageNet-22K).
▪️ کاربرد: مناسب برای پردازش تصویر در سرور، کاربردهای دقت‌محور و پروژه‌هایی با منابع پردازشی بیشتر (GPU).

⚠️ نکتهٔ مهم مهندسی:
نتایج این دو مدل در شرایط متفاوتی به دست آمده و مقایسهٔ مستقیم آن‌ها صحیح نیست. انتخاب نهایی میان این دو معماری به دقت، تأخیر، حافظه و سخت‌افزار هدف پروژهٔ شما بستگی دارد. by @magheibi

36

20

2 days ago

دوران جست‌وجوی کلمه‌محور به پایان رسیده است.

در سیستم‌های پایگاه‌داده سنتی، یافتن اطلاعات منوط به تطابق دقیق کلیدواژه‌ها بود. اما اگر دو متن کلمات کاملاً متفاوتی داشته باشند ولی به یک مفهوم واحد اشاره کنند چطور؟

هوش مصنوعی و دیتابیس‌های برداری (Vector Databases) با تبدیل مفاهیم به مختصات ریاضی (Embeddings)، قواعد بازی را تغییر داده‌اند. در این معماری، ماشین‌ها دیگر متن را نمی‌خوانند، بلکه فواصل هندسی میان «معانی» را در یک فضای چندبعدی محاسبه می‌کنند.

در این پستِ ۵ اسلایدی، مکانیزم این تحول را کالبدشکافی کرده‌ایم:
۱️⃣ گذار از جست‌وجوی متنی به جست‌وجوی معنایی (Semantic Search)
۲️⃣ نحوه تبدیل زبان طبیعی به بردارهای عددی توسط مدل‌های Embedding
۳️⃣ منطق مسیریابی و سنجش فواصل با رویکردهایی نظیر Cosine Similarity و HNSW
۴️⃣ معماری کلان RAG سازمانی و هم‌افزایی دیتابیس با مدل‌های زبانی (LLMs)
۵️⃣ پیاده‌سازی معماری یکپارچه و جست‌وجوی ترکیبی (Hybrid Search) در دنیای واقعی با استفاده از PostgreSQL و افزونه قدرتمند pgvector

برای پیاده‌سازی سیستم‌های RAG در پروژه‌های خود، چه رویکردی را ترجیح می‌دهید؟ استفاده از دیتابیس‌های برداری مجزا (مانند Pinecone یا Qdrant) یا حفظ داده‌های رابطه‌ای و برداری در یک زیرساخت مشترک (مثل PostgreSQL + pgvector)؟ by @magheibi

35

15

5 days ago

وقتی یک پروژهٔ جدید پایتون را شروع می‌کنیم، چه یک تحلیل دادهٔ ساده باشد و چه یک مدل پیچیدهٔ یادگیری ماشین، قرار نیست چرخ را دوباره اختراع کنیم و کدهای پایه‌ای را از صفر بنویسیم.

اینجاست که مخزن PyPI (Python Package Index) به کمک ما می‌آید. PyPI را می‌توانید مثل یک گنجینهٔ آنلاین و عظیم تصور کنید که برنامه‌نویسان سراسر جهان، کدهای آماده و کاربردی خود را در آن قرار داده‌اند. ما با استفاده از ابزاری به نام pip، به‌راحتی این پکیج‌ها را دانلود و به پروژه‌هایمان اضافه می‌کنیم.

اما دانلود و نصب پکیج‌ها فقط نیمی از مسیر است؛ یک برنامه‌نویس ساختاریافته می‌داند که «مدیریت» این ابزارها اهمیت بسیار بیشتری دارد. زمانی که روی چند پروژهٔ مختلف کار می‌کنید، ممکن است هر پروژه به نسخهٔ خاصی از یک پکیج نیاز داشته باشد. اگر همهٔ این پکیج‌ها را به‌صورت سراسری روی سیستم نصب کنید، دیر یا زود با تداخل نسخه‌ها و خطاهای گیج‌کننده مواجه می‌شوید.

به همین دلیل، ساختن محیط مجازی (Virtual Environment) و ذخیرهٔ لیست پکیج‌ها در فایلی به نام requirements.txt یک استانداردِ ضروری در مهندسی نرم‌افزار است. این کار به شما اطمینان می‌دهد که محیط پروژه‌تان کاملاً ایزوله است و کدهایتان روی هر سیستم دیگری (بدون نیاز به نصب دستیِ تک‌تک نیازمندی‌ها) به‌درستی اجرا می‌شود. by @magheibi

40

17

8 days ago

دیتابیس‌ها در عصر هوش مصنوعی دیگر فقط انبارهای ساده‌ای برای نگهداری جداول نیستند.

امروزه چالش اصلی ما این است که چطور داده‌ها را بر اساس «معنا» پیدا کنیم، نه فقط تطابق کلمات کلیدی.

در این پست بررسی می‌کنیم که چگونه فناوری‌های نوین زیرساخت‌های داده را کاملاً متحول کرده‌اند.

بخش بزرگی از اطلاعات امروزی شامل متن، تصویر و صوت به صورت ساختارنیافته تولید می‌شوند.

به کمک مفهومی به نام Embedding، این اطلاعات به بردارهای عددی تبدیل می‌شوند تا شباهت‌های معنایی کشف شوند.

برای ذخیره و جستجوی سریع این بردارها، دیتابیس‌های تخصصی مانند Pinecone و Milvus به میدان آمده‌اند.

معماری پیشرفته RAG به عنوان یک حافظه خارجی برای مدل‌های زبانی عمل می‌کند.

این تکنیک کمک می‌کند تا هوش مصنوعی هنگام پاسخ‌گویی به اطلاعات خارجی و به‌روز دسترسی داشته باشد.

در این میان، دیتابیس‌های سنتی نیز با ابزارهایی مثل pgvector تکامل یافته و حذف نشده‌اند.

در نهایت، با ظهور ایجنت‌های هوش مصنوعی و اهمیت اصل Data Locality، زیرساخت‌ها پویاتر شده‌اند. کاهش جابه‌جایی داده‌ها در شبکه نقش مهمی در کنترل هزینه‌ها و کاهش تاخیر دارد. by @magheibi

41

16

12 days ago

پای‌تورچ فقط برای ساخت مدل نیست؛ مجموعه‌ای از ابزارها برای ساخت، آموزش، ارزیابی و بهینه‌سازی مدل‌های یادگیری عمیق فراهم می‌کند.

در یک پروژه واقعی، مسیر از ورود داده‌ها به‌صورت تنسور آغاز می‌شود و با تعریف مدل، محاسبه‌ی تابع زیان (Loss)، محاسبه گرادیان‌ها، به‌روزرسانی پارامترها و ارزیابی مدل ادامه پیدا می‌کند.

با بزرگ‌تر شدن مدل، مسئله فقط دقت نیست؛ حافظه، توان محاسباتی، سرعت، دقت عددی، اجرای موازی و آموزش توزیع‌شده نیز اهمیت پیدا می‌کنند.

اینجاست که نقش مهندس نرم‌افزار فراتر از کدنویسی می‌رود:
تعریف مسئله، طراحی سیستم، ارزیابی مدل، تحلیل خطا، بهینه‌سازی عملکرد و استقرار مدل در یک سیستم واقعی.

در نهایت، هوش مصنوعی می‌تواند بخشی از فرایند کدنویسی را خودکار یا تسریع کند؛ اما فهم عمیق مدل، داده و سیستم همچنان بخش مهمی از مهندسی هوش مصنوعی است. by @magheibi

33

12

18 days ago

تکامل شبکه‌های عصبی کانولوشنی (CNN): از LeNet-5 تا ConvNeXt

این پست مروری است بر مسیر تکاملی معماری‌های CNN، از نخستین شبکه‌های موفق در دهه ۱۹۹۰ میلادی تا معماری‌های نوین مبتنی بر الهام از Vision Transformer در سال‌های اخیر.

نقاط عطف اصلی این مسیر شامل معرفی AlexNet در سال ۲۰۱۲ (آغاز موج یادگیری عمیق)، توسعه معماری‌های عمیق‌تر نظیر VGG و Inception، و ارائه راه‌حل ResNet برای چالش آموزش شبکه‌های بسیار عمیق است.

در نسل‌های اخیر، معماری‌هایی همچون MobileNet، EfficientNet و ConvNeXt با تمرکز بر بهینه‌سازی، مقیاس‌پذیری و کارایی محاسباتی توسعه یافته‌اند. by @magheibi

36

14

21 days ago

اعداد اول و نقش آن‌ها در معماری امنیت دیجیتال

اعداد اول، فراتر از یک مفهوم صرفاً ریاضی، در بنیاد بسیاری از سازوکارهای امنیتی دنیای دیجیتال قرار دارند.

در این پست بررسی می‌کنیم:
🔹 الگوریتم RSA و نحوه‌ی استفاده از ضرب دو عدد اول بزرگ برای ایجاد کلیدهای رمزنگاری
🔹 تفاوت رویکرد توابع Hashing (مانند SHA-256) و دلیل عدم وابستگی مستقیم آن‌ها به اعداد اول
🔹 کاربردهای عملی این مفاهیم در حوزه‌هایی نظیر Blockchain و Data Integrity

درک این مفاهیم، دریچه‌ای است به فهم عمیق‌تر زیرساخت‌های امنیت اطلاعات در عصر دیجیتال. by @magheibi

36

12

23 days ago

🧠 چطور از بین هزاران کاربر، گروه‌های مشابه را پیدا کنیم؟

اینجاست که DBSCAN وارد می‌شود؛ الگوریتمی برای خوشه‌بندی بر پایه چگالی که بدون نیاز به تعیین تعداد خوشه‌ها از قبل، می‌تواند ساختارهای موجود در داده‌ها را شناسایی کند و نقاطی را که در هیچ خوشه‌ای قرار نمی‌گیرند، به‌عنوان Noise تشخیص دهد.

در شبکه‌های اجتماعی می‌توان ویژگی‌هایی مثل علایق، تعاملات و الگوهای رفتاری را به داده تبدیل کرد و سپس با روش‌هایی مانند DBSCAN، گروه‌هایی از کاربران با ویژگی‌های مشابه را بررسی کرد.

نکته مهم این است که DBSCAN خودش تشخیص نمی‌دهد یک خوشه «گیمر» یا «علاقه‌مند به فناوری» است؛ معنای هر خوشه به ویژگی‌هایی که انتخاب کرده‌ایم و نحوه تحلیل داده‌ها بستگی دارد.

📊 از خوشه‌بندی کاربران و تحلیل رفتار تا تقسیم‌بندی مخاطبان و ارائه محتوای مرتبط‌تر، DBSCAN می‌تواند یکی از ابزارهای کاربردی در مسیر علم داده و یادگیری ماشین باشد.

💬 اگر DBSCAN را روی داده‌های یک شبکه اجتماعی اجرا کنی، فکر می‌کنی چه الگوهایی را می‌توانی کشف کنی؟ by @magheibi

38

15

a month ago

چطور برایتون بین هزاران بازیکن، استعدادهای مناسب را پیدا می‌کند؟ ⚽📊

در فوتبال داده‌محور، علم داده می‌تواند به استعدادیابی، تحلیل عملکرد، اسکاتینگ و جذب بازیکن کمک کند؛ از بررسی آمار و سن و روند رشد گرفته تا پست، هزینه و پتانسیل توسعه.

اما داده جای اسکاوت را نمی‌گیرد؛ به او کمک می‌کند هدفمندتر جست‌وجو کند.

مک‌آلیستر نمونه جالبی از مسیر جذب، توسعه و افزایش ارزش یک بازیکن است؛ اما این مثال ادعایی درباره نقش مستقیم الگوریتم در کشف او ندارد.

جزئیات دقیق الگوریتم‌های اختصاصی برایتون نیز عمومی نیست؛ بنابراین فرایند نشان‌داده‌شده در این پست یک مدل مفهومی است.

حالا شما بگویید:
داده جای چشم اسکاوت را می‌گیرد یا فقط کمک می‌کند بهتر ببیند؟ 👀

💬 نظرتان را بنویسید | 🔖 ذخیره کنید | 📤 برای یک دوست بفرستید

این پست غیررسمی است و با باشگاه برایتون ارتباطی ندارد. تصاویر با هوش مصنوعی تولید شده‌اند. by @magheibi

32

7

a month ago

☀️🐦 اگر یک الگوریتم بتواند مثل فاخته، میان هزاران راه‌حل گزینه‌های بهتر را پیدا کند چه؟

این ایده، پایه‌ی الگوریتم بهینه‌سازی فاخته (Cuckoo Search) است؛ الگوریتمی فراابتکاری برای حل مسائل پیچیده‌ی بهینه‌سازی.

یکی از کاربردهای جذاب آن، بهینه‌سازی سیستم‌های انرژی خورشیدی، به‌ویژه MPPT (ردیابی نقطه بیشینه توان) است.

در سیستم‌های خورشیدی، تابش و دما دائماً تغییر می‌کنند؛ بنابراین یافتن نقطه‌ای که پنل بیشترین توان را تولید کند، مسئله‌ای مهم در کنترل و بهینه‌سازی است.

🔋 الگوریتم فاخته می‌تواند در کنار سیستم‌های PV، باتری و شبکه برق برای موارد زیر به کار رود:

▫️ ردیابی نقطه بیشینه توان
▫️ مدیریت شارژ و دشارژ باتری
▫️ کاهش مصرف و هزینه انرژی
▫️ افزایش بهره‌وری پنل
▫️ کاهش وابستگی به شبکه
▫️ بهینه‌سازی مدیریت انرژی ساختمان

🧠 نکته: الگوریتم فاخته به‌تنهایی جادویی نیست؛ عملکرد آن به نوع مسئله، تابع هدف، محدودیت‌ها و تنظیم پارامترها بستگی دارد.

📊 نمودارهای این پست نیز شبیه‌سازی‌شده و آموزشی هستند و نتیجه یک آزمایش واقعی نیستند.

به نظر شما در ترکیب هوش مصنوعی و انرژی خورشیدی، کدام بخش بیشترین ظرفیت بهینه‌سازی را دارد؟ by @magheibi

28

6

a month ago

🎲 تخته نرد فقط یه بازی با تاس نیست؛ یه مسئله واقعی تصمیم‌گیری تحت عدم قطعیته.

هر بار که تاس می‌ریزی، داری وارد یه فرآیند تصمیم‌گیری مارکوف (MDP) می‌شی: وضعیت فعلی، نتیجه تصادفی تاس، انتخاب حرکت، و وضعیت بعدی. سؤال اصلی هوش مصنوعی اینجا اینه: از بین حرکت‌های ممکن، کدوم یکی احتمال بردن رو بیشتر می‌کنه؟

اینجاست که TD-Gammon وارد می‌شه؛ یکی از نقاط عطف تاریخ هوش مصنوعی. با ترکیب سه ایده کلیدی —یادگیری تفاضل زمانی (TD Learning)، شبکه عصبی برای تخمین ارزش هر وضعیت، و یادگیری از طریق بازی با خودش (Self-Play)— تونست بدون هیچ دیتای انسانی، در سطح بازیکن‌های حرفه‌ای بازی کنه.

از احتمال ساده تا شبکه عصبی، از یه تاس ساده تا الگوریتمی که مثل انسان فکر می‌کنه 🧠 by @magheibi

29

6

a month ago