آرمان بهنام

فراخوان جذب دانشجو به شیوه استاد محور در مقطع دکتری (بدون آزمون)
دانشگاه یزد

استاد میزبان: دکتر سید مجتبی حسینی بامکان (لینک گوگل اسکولار)
موضوع: طراحی سیستم های تولید هوشمند مبتنی بر دوقلوی دیجیتال (Digital Twins) و یادگیری ماشینی
مقطع دکتری - گروه آموزشی مدیریت صنعتی گرایش تحقیق در عملیات

شرایط اختصاصی:
حداقل معدل 17
داشتن مقاله علمی پژوهشی یا (JCR-SCOPUS)
کسب حداقل 60 امتیاز از جدول آیین نامه (لینک فرم ارزیابی)

ارسال درخواست و رزومه به آدرس:
[email protected]

باتشکر

🔥🔥 معرفی پلتفرم FunDeSci: پلتفرم تامین مالی جمعی، دریافت گرنت و Donation برای پروژه های علمی و تحقیقاتی

آیا با عبارت DeSci یا Decentralized Science آشنا هستید؟

علم غیرمتمرکز یا Decentralized Science، به استفاده از فناوری‌های بلاکچین  برای تسهیل و ارتقاء فرآیندهای تحقیقاتی و علمی اشاره دارد. در این مدل، داده‌ها و نتایج پژوهش‌ها به صورت شفاف و امن بر روی بلاکچین ذخیره می‌شوند، که امکان دسترسی آسان و اشتراک‌گذاری بدون واسطه را برای پژوهشگران و عموم فراهم می‌کند. این رویکرد به کاهش وابستگی به نهادهای مرکزی و افزایش شفافیت، اعتماد و همکاری در جامعه علمی کمک می‌کند و همچنین رفع محدودیت های که در جذب گرفت و فاندهای تحقیقاتی وجود دارد.

پلتفرم FunDeSci با این هدف ایجاد شده که به پژوهشگران جوان کمک کند که برای ایده ها و پروژه های تحقیقاتی خود از طریق رمزارزها، تامین مالی کنند و نتایج کارهای علمی خود را توکنایز کنند.

⁉️چه چیزهایی را می‌توانید توکن‌سازی کنید؟

1️⃣  پروژه های مرتبط با بلاکچین و DeFi
2️⃣ ایده‌ها و پروپوزالهای تحقیقاتی
3️⃣ الگوریتم‌ها و کدها (یادگیری ماشین، علم داده، بیوانفورماتیک، و ...)
4️⃣ مجموعه داده‌ها و یافته‌های پژوهشی (دیتاست های تهیه شده توسط پژوهشگر)

🎯🎯 لازم به ذکر هست که مالکیت معنوی پروپوزال های ثبت شده در پلتفرم در قالب NFT و بر بستر بلاکچین ذخیره می شود. همچین کلیه اطلاعات پروژه ها در سیستم ذخیره سازی غیرمتمرکز IPFS ذخیره می گردد.

همچنین FunDeSci یک پلتفرم Multi-Chain  هست بدین معنی که از چندین بلاکچین و توکن های آنها شامل
Polygon, Binance Smart Chain, Arbitrum و Optimism
پشتیبانی می کند.

➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
جهت اطلاع از اخرین بروزرسانی های پلتفرم، زمان ارائه توکن اختصاصی FunDeSci و ایردراپ آن شبکه اطلاع رسانی ما را دنبال کنید.
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖


Join our X channel: https://x.com/Fundesci_com
Telegram Channel: @FunDeSci


🌐 https://app.fundesci.com/

دکتر اندرو ان جی به عضویت هیئت مدیره آمازون منصوب شد.

من فوق العاده طرفدار اندرو هستم، به خصوص اینکه او چقدر راحت پروژه های خود را در مورد هوش مصنوعی به اشتراک می گذارد تا به طور کلی در دسترس عموم قرار گیرد.

با این اعلامیه آمازون موقعیت خود را در بازار با یکی از برجسته ترین چهره ها در سناریوی هوش مصنوعی تقویت می کند.

https://www.aboutamazon.com/news/company-news/dr-andrew-ng-joins-amazon-board-of-directors
___________________
📚 @ArmanbehnamAI

گزارش جامع جاب ویژن که با کمک نظرات بیش از 9۰ هزار نفر تهیه شده، میزان حقوق مشاغل مختلف در سال ۱۴۰۲، انتظارات افراد نسبت به حقوق دریافتی در سال ۱۴۰۳ و همچنین داده‌های دیگری درباره حقوق انواع مشاغل را در اختیار شما قرار می‌دهد.
_______________________
📚 @ArmanbehnamAI

ویدئوی ضبط شده این گفت و گو
https://iit.hosted.panopto.com/Panopto/Pages/Viewer.aspx?id=72073784-c429-4e11-9774-b142014e2201
_______________________
📚 @ArmanbehnamAI

When:        امروز ساعت ۱۰. شب به وقت تهران

Where:      Talk will be given remotely, and it will be live-streamed at 
                   Illinois Institute of Technology, Illinois Institute of Technology, Stuart Building,
  (zoom link)

Who:          Kevin Muyuan Xia, Columbia University

Talk title: The Causal-Neural Connection: Expressiveness, Learnability, and Inference

Talk abstract: One of the central elements of any causal inference is an object called structural causal model (SCM), which represents a collection of mechanisms and exogenous sources of random variation of the system under investigation (Pearl, 2000). An important property of many kinds of neural networks is universal approximability: the ability to approximate any function to arbitrary precision. Given this property, one may be tempted to surmise that a collection of neural nets is capable of learning any SCM by training on data generated by that SCM. In this paper, we show this is not the case by disentangling the notions of expressivity and learnability. Specifically, we show that the causal hierarchy theorem (Thm. 1, Bareinboim et al., 2020), which describes the limits of what can be learned from data, still holds for neural models. For instance, an arbitrarily complex and expressive neural net is unable to predict the effects of interventions given observational data alone. Given this result, we introduce a special type of SCM called a neural causal model (NCM), and formalize a new type of inductive bias to encode structural constraints necessary for performing causal inferences. Building on this new class of models, we focus on solving two canonical tasks found in the literature known as causal identification and estimation. Leveraging the neural toolbox, we develop an algorithm that is both sufficient and necessary to determine whether a causal effect can be learned from data (i.e., causal identifiability); it then estimates the effect whenever identifiability holds (causal estimation). Simulations corroborate the proposed approach.

Bio: Kevin is a fifth-year Ph.D. student in the computer science department at Columbia University, advised by Elias Bareinboim. His primary research interests lie in causal inference, specifically in principled approaches to causal deep learning and causal representation learning.
_______________________
📚 @ArmanbehnamAI

"همه ترانسفورمرها LLM نیستند، چراکه ترانسفورماتورها می توانند برای بینایی کامپیوتر نیز استفاده شوند. و همه LLM ها ترانسفورمر نیستند زیرا مدل های زبان بزرگ مبتنی بر رویکردهای بازگشتی (RWKV) یا کانولوشنال (Hyena) وجود دارد."
عجب توصیف دقیقی از Sebastian Raschka!
_______________________
📚 @ArmanbehnamAI

نپتون، دورترین سیاره از خورشید ما، توسط تلسکوپ فضایی جیمز وب
_______________________
📚 @ArmanbehnamAI

یک استارتاپ زمین گرمایی در نوادا آمریکا به اسم Fervo تونسته چاه های زمین گرمایی رو به باتری های خیلی بزرگ در مقیاس صنعتی تبدیل کنه که روش بسیار ارزان و آسان کاهش گازهای گلخانه ای محسوب میشه (ایده)
منبع: https://www.technologyreview.com/2023/03/07/1069437/this-geothermal-startup-showed-its-wells-can-be-used-like-a-giant-underground-battery/?utm_medium=tr_social&utm_source=Twitter&utm_campaign=site_visitor.unpaid.engagement&twclid=2-7aq36bm1ktz5xx0jzw37ryoog
_______________________
📚 @ArmanbehnamAI

یکی از بهترین توصیه نامه ها برای تحصیلات تکمیلی که میتونی از یه استاد کاردرست بگیری که آقای جان نش تونسته این تاثیرو بذاره! (هدف)
منبع :https://medium.com/illumination/worlds-most-iconic-graduate-school-recommendation-letter-3c2539fa4942
_______________________
📚 @ArmanbehnamAI

عملکرد مدل‌های یادگیری ماشین

مدل‌های یادگیری ماشین (ML) بر اساس اصل بنیادی عمل می‌کنند: آن‌ها از داده‌ها "یاد می‌گیرند" تا پیش‌بینی‌ها یا تصمیم‌ها را بدون برنامه‌نویسی صریح برای وظیفه موردنظر انجام دهند.

🔴جمع‌آوری داده: همه چیز با داده‌ها شروع می‌شود. هر چه تعداد بیشتری از داده‌های باکیفیت جمع‌آوری کنید، مدل شما می‌تواند بهتر عمل کند. این داده‌ها می‌توانند هر چیزی مرتبط با مسئله‌ای باشند که در حال تلاش برای حل آن هستید - تصاویر، متن، اعداد و غیره.

🔵پیش‌پردازش داده: بعد از جمع‌آوری داده، اغلب نیاز به تمیز کردن و تبدیل داده وجود دارد. این ممکن است شامل پردازش مقادیر ناقص، نرمال‌سازی یا استانداردسازی داده، رمزگذاری متغیرهای طبقه‌بندی شده و تقسیم داده به مجموعه‌های آموزش و آزمایش باشد.

🟢انتخاب مدل: انواع مختلفی از مدل‌های ML وجود دارند (مانند رگرسیون خطی، درخت‌های تصمیم، شبکه‌های عصبی). انتخاب مدل معمولاً بستگی به ماهیت داده‌ها و مسئله‌ای دارد که در حال تلاش برای حل آن هستید.
_______________________
📚 @ArmanbehnamAI

فرآیند MLOps
به معنای توسعه‌دهندگی به‌منظور عملیات یادگیری ماشین است.

این فرآیند، چرخه کامل یادگیری ماشین را با یکپارچگی اصول بهتر از دنیای توسعه نرم‌افزار ادغام می‌کند. باعث می‌شود مدل‌های یادگیری ماشین نه تنها ساخته شوند، بلکه به طور موثر در محیط تولید، پیاده‌سازی، نظارت و مدیریت شوند.
شامل :
1. یکپارچگی مداوم (CI): آزمون خودکار کد و خطوط لوله یادگیری ماشین
2. تحویل مداوم (CD): فرآیندهای پیاده‌سازی مدل به صورت خودکار
3. ورژن‌بندی مدل: ورژن‌های مختلف مدل‌ها و داده‌ها
4. نظارت بر مدل
5. تجدید آموزش مدل: با تمرین مدل با داده‌های جدید، اطمینان حاصل کنید که مدل‌ها همچنان معتبر باقی می‌مانند.
6. مقیاس‌پذیری و ارائه مدل
7. همکاری: ابزارهایی برای همکاری تیمی و قابلیت تکرار در گردش کارهای یادگیری ماشین
_______________________
📚 @ArmanbehnamAI

https://youtu.be/73KAceJJB7w

شرکت های بزرگ هوش دیدن قانون گذاری و رسیدگی به هوش مصنوعی خیلی کند پیش میره...
خودشون دست به کار شدن یه جامعه جدید از Anthropic و Google و Microsoft برای بحث و تصمیم برای مدل های جدید و پیشرو تشکیل دادن...
https://openai.com/blog/frontier-model-forum
🔒📚@ArmanbehnamAI

https://youtu.be/Sr93_WyUk_A

🔰 افتخار دیگه ای نصیبم شد تا مجدد در خدمت دانشجویان دانشگاه یزد باشم و بتونم چندی در مورد موضوع جذاب این روزها یعنی حوزه علوم داده، هوش مصنوعی، هوش تجاری، یادگیری ماشین و ... گپ بزنیم
#yazduniversity