انجمن تحلیل داده دانشگاه الزهرا (س)
الذهاب إلى القناة على Telegram
📍ارتباط با روابط عمومی انجمن : 🆔 @Alzahra_DataAnalysis 🌐 انجمن ما را در پیام رسان های زیر دنبال کنید : تلگرام: https://t.me/AlzahraDataAnalysis آپارات: https://www.aparat.com/AlzahraDataAnalysis آیدی اینستاگرام : alzahra_dataanalysis
إظهار المزيدلم يتم تحديد البلدالفئة غير محددة
303
المشتركون
+524 ساعات
+157 أيام
+2430 أيام
جارٍ تحميل البيانات
القنوات المماثلة
لا توجد بيانات
هل تواجه مشاكل؟ يرجى تحديث الصفحة أو الاتصال بمدير الدعم الخاص بنا.
سحابة العلامات
لا توجد بيانات
هل تواجه مشاكل؟ يرجى تحديث الصفحة أو الاتصال بمدير الدعم الخاص بنا.
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
نوفمبر '26نوفمبر '26
نوفمبر '26
+32
في 14 قنوات
أكتوبر '26
+90
في 6 قنوات
Get PRO
سبتمبر '260
في 5 قنوات
Get PRO
أغسطس '26
+112
في 3 قنوات
Get PRO
يوليو '260
في 1 قنوات
Get PRO
يونيو '26
+82
في 3 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 19 نوفمبر | +4 | |||
| 18 نوفمبر | +5 | |||
| 17 نوفمبر | 0 | |||
| 16 نوفمبر | +1 | |||
| 15 نوفمبر | 0 | |||
| 14 نوفمبر | +2 | |||
| 13 نوفمبر | +6 | |||
| 12 نوفمبر | +3 | |||
| 11 نوفمبر | 0 | |||
| 10 نوفمبر | +1 | |||
| 09 نوفمبر | +1 | |||
| 08 نوفمبر | +1 | |||
| 07 نوفمبر | +1 | |||
| 06 نوفمبر | +1 | |||
| 05 نوفمبر | +1 | |||
| 04 نوفمبر | +2 | |||
| 03 نوفمبر | +2 | |||
| 02 نوفمبر | 0 | |||
| 01 نوفمبر | +1 |
منشورات القناة
🌱 به خانواده بزرگ دانشگاه الزهرا(س) خوش آمدید!
پیوستن دانشجویان جدیدالورود مقاطع کارشناسی و کارشناسی ارشد به جمع دانشگاهیان دانشگاه الزهرا(س) را صمیمانه تبریک میگوییم. 💚
آغاز هر مسیر تازه، فرصتی برای یادگیری، کشف ناشناختهها، مواجهه با چالشهای نو و گسترش افقهای علمی است.
امیدواریم این فصل جدید از زندگی دانشگاهی شما سرشار از تجربههای ارزشمند، دوستیهای ماندگار، ایدههای خلاقانه و ماجراجوییهای علمی در دنیای گسترده دادهها و برنامهنویسی باشد.
انجمن علمی تحلیل داده دانشگاه الزهرا(س)، ورود شما دانشجویان گرامی، ورودی سال ۱۴۰۵، را تبریک گفته و برایتان مسیری پربار، پویا و سرشار از موفقیت آرزومند است.
به امید کشف الگوهای تازه، حل مسائل پیچیده و خلق آیندهای مبتنی بر دانش و نوآوری. 📊💻✨
18 نوفمبر, 15:09
| 2 | 📝 دوره تخصصی نگارش مقالات ISI
آموزش گامبهگام نگارش، انتخاب ژورنال، ارسال مقاله و پاسخ به داوران 🎓
🎓 مدرس: سارا نجار
🎯 خروجی دوره:
✅ آشنایی با نظام انتشار علمی و شاخصهای اعتبار ژورنالها
✅ شناخت ژورنالهای شکاری و رعایت اخلاق پژوهش
✅ توانایی انتخاب موضوع و شناسایی شکاف پژوهشی
✅ یادگیری جستوجوی منابع و مدیریت ارجاعات با Zotero و Mendeley
✅ توانایی نگارش ساختاریافته مقاله بر اساس IMRaD
✅ آشنایی با انتخاب ژورنال مناسب و نگارش Cover Letter
✅ آمادگی برای فرایند داوری و نگارش Response Letter
🔜 زمان: شروع ۲ آذر ۱۴۰۵ | ساعت ۱۸:۰۰ تا ۱۹:۰۰
📅 ۶ جلسه ۱ ساعته (مجموعاً ۶ ساعت): ۲ آذر • ۵ آذر • ۸ آذر • ۱۲ آذر • ۱۷ آذر • ۲۱ آذر
🎥 بصورت آنلاین در اسکای روم
🌐 مدرک دوزبانه معتبر از آکادمی تخصصی علوم پایه ایران
💸 سرمایهگذاری علمی:
🎓 دانشجویان: ۳۹۹ هزار تومان
🔥 ثبتنام زودهنگام: ۲۸۹ هزار تومان
👥 ثبتنام گروهی (نفری): ۳۱۹ هزار تومان
🌐 ثبتنام آزاد: ۶۸۹ هزار تومان
⬅️جهت ثبت نام به آیدی زیر مراجعه نمایید
🔗 @AD_institution1403
لینک کانال:
@institution1403 | 102 |
| 3 | دوره آموزش اکسل بازارکاری❇️
تمام آنچه از اکسل برای استخدام نیاز داری اینجاست😊
به صورت آنلاین همراه با گواهی معتبر از مرکز تحقیقاتی شهید فخری زاده📇
8 ساعت آموزش همراه با ضبط جلسات🎥
5 الی 9 آذر ماه ساعت 18💎
میزان سرمایهگذاری فقط 497 هزار تومان🔥
جهت ثبتنام به آیدی زیر مراجعه فرمایید:
@novelway2 | 163 |
| 4 | 📌 انجمن علمی دانشجویی ریاضی معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س) با همکاری گروه ریاضی به مناسبت گرامیداشت دهه ریاضیات برگزار میکند:
🎓 آیین رونمایی از کتاب:
«حساب دیفرانسیل و انتگرال»
✍🏻 نویسندگان:
سرکار خانم دکتر بتول گنجی صفار
سرکار خانم دکتر مونا عالی کلوگانی
📚 ویراستار علمی: سرکار خانم دکتر فاطمه آهنگری
🗓 زمان: سهشنبه ۲۶ آبان ۱۴۰۵
⏰ ساعت: ۱۱:۳۰ الی ۱۳
📍 مکان: ساختمان خوارزمی، طبقه ششم، سالن طوبی کرمانی
کتاب «حساب دیفرانسیل و انتگرال» با هدف ارائه و تبیین مفاهیم بنیادی حساب دیفرانسیل و انتگرال، به قلم سرکار خانم دکتر بتول گنجی صفار و سرکار خانم دکتر مونا عالی کلوگانی تألیف شده است. در این مراسم، ضمن معرفی کتاب و آشنایی با روند تألیف و محتوای آن، به اهمیت این حوزه از ریاضیات و نقش آن در آموزش و گسترش دانش ریاضی پرداخته خواهد شد. همچنین فرصتی برای گفتوگو و تبادل نظر با نویسندگان و آشنایی بیشتر با اثر فراهم خواهد شد.
از اساتید گرامی، دانشجویان و علاقهمندان دعوت میشود در این مراسم حضور به هم رسانند.
📲 ما را در شبکههای اجتماعی دنبال کنید:
Telegram | Instagram | Linkedin | Aparat | Eitaa | Bale | 88 |
| 5 | 🌙 خبر خوب!
با کد تخفیف اختصاصی انجمن نجوم الزهرا:
AlZahra50
میتونید با ۵۰٪ تخفیف در گردهمایی ماهگرد شرکت کنید. ✨ | 107 |
| 6 | ☆ماهگرد بیست و نهم☆
گردهمایی منجمین آماتور و علاقهمندان نجوم
"این سمینار به منظور ایجاد محفلی صمیمانه برای منجمین آماتور و علاقه مندان این زمینه، جهت بررسی رویداد های نجومی،تعامل و اشتراک گذاری اطلاعات و توانایی های خود در زمینه نجوم و رصد آسمان و گپ و گفت های علمی بین شرکت کنندگان برگزار می گردد."
•گالیله،اولین اینفلوئنسر علمی
(ستاره بنیادی)
•ماهراز، میراث ستارگان
(بنیتا لحنی و دلارام جدیری)
•تقاطع کیهانی
(ستایش سیدزاده)
۴شنبه ۴آذر ۱۴۰۵
⏰ساعت ۱۸الی ۲۰
🧭منطقه فرهنگی و گردشگری عباس آباد، پارک آب و آتش، آسمان نمای گنبد مینا
ظرفیت محدود.
◇جهت ثبت نام از این لینک اقدام کنید.◇
ارتباط با ادمین ماهگرد:
🆔 @Hanieh_al1375
#دانشگاه_الزهرا #انجمن_نجوم #انجمن_نجوم_دانشگاه_الزهرا #مجله_نجوم #گنبد_مینا | 106 |
| 7 | 📣📣 آخرین مهلت ثبت نام
💡💡 دوره صفر تا صد آیلتس ( IELTS )
💯 در این دوره ی ویژه هر چهار مهارت اصلی ( Speaking )، ( Listening ) ،( Reading ) و ( Writing ) با رویکرد گرفتن بهترین نتیجه کار می شود و تمامی تکنیک ها و نکات لازم برای گرفتن نمره هر چه بالاتر در آزمون آیلتس به شما آموزش داده خواهد شد.
🟢 دانشجویان و فارغ التحصیلان از تمامی رشته ها می توانند در این دوره شرکت کنند.
✅ مدرس : مهسا عبدالهی
کارشناس ارشد زبان انگلیسی
مدرس دوره های زبان انگلیسی جهاد دانشگاهی
با بیش از 20 سال سابقه تدریس
‼️‼️ ظرفیت باقی مانده محدود است.
🗓 یکشنبه ، سه شنبه و پنجشنبه ها
ساعت ۲۰ الی ۲۲
شروع کلاس ها از ۲۸ آبان ماه
( به مدت ۴۰ ساعت )
📜 اعطای گواهینامه معتبر
🔗 دوره بصورت آنلاین برگزار می شود.
(محتوای جلسات نیز در اختیار شما قرار می گیرد.)
🔹شهریه دوره با ارسال کدتخفیف:
فقط ۹۸۰ تومان ( در صورت ثبت نام گروهی ۳ نفره شهریه هر نفر فقط ۸۸۰ تومان و ثبت نام گروهی حداقل ۶ نفره شهریه هر نفر فقط ۷۸۰ تومان )
🎁 کدتخفیف: K357
🟠جهت ثبت نام به آیدی زیر در تلگرام، ایتا و یا بله پیام دهید👇
@new_webinar
#آیلتس
#IELTS | 98 |
| 8 | ┄┄┅┅┅🌷⃟🇮🇷 ┅┅┅┄┄
💻 انجمن علمی دانشجویی تحلیل داده معاونت فرهنگی دانشگاه الزهرا(س) با افتخار برگزار میکند:
🤖 کارگاه آموزشی آشنایی با هوش مصنوعی 🤖
👤 مدرس: سرکار خانم زهرا مهربان
کارشناس مهندسی کامپیوتر دانشگاه تهران
با ۵ سال سابقه تدریس
📅 زمان شروع:
پنجشنبه ۵ آذر ماه ۱۴۰۵
📆 روزهای برگزاری: پنجشنبه و جمعه
⏰ ساعت ۱۰ الی ۱۱:۱۵
📚 مدت دوره:
۸ جلسه آموزشی
💻 بستر برگزاری:
آنلاین
💰 هزینه ثبتنام:
۱,۰۰۰,۰۰۰ تومان
📘 سرفصلهای دوره:
🔹 آشنایی با مفاهیم هوش مصنوعی
🔹 آشنایی با مفهوم یادگیری ماشین
🔹 آشنایی با انواع هوش مصنوعی
🔹 آشنایی با شبکه عصبی
🔹 انواع مدلهای هوش مصنوعی
🔹 معرفی چتبات
🔹 پرامپتنویسی
🔹 کاربرد هوش مصنوعی
📄 همراه با اعطای گواهینامه معتبر دوزبانه
📍 برای ثبتنام به روابط عمومی انجمن با نشانی زیر مراجعه فرمایید:
🆔 @Alzahra_DataAnalysis
🌐 انجمن ما را در پیام رسان های زیر دنبال کنید :
Bale | Telegram | Instagram | Aparat
❅معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)❅
🌐https://farhangi.alzahra.ac.ir/ | 2 576 |
| 9 | ثبتنام پکیج جهش تحصیلی (توربو استادی) شروع شد ✌️
۴ دوره آموزشی + یک مینیدوره هدیه
یک مسیر کاربردی برای مطالعه مؤثرتر، تمرکز بیشتر و مدیریت بهتر زمان در دوران امتحانات 🎓
حتی اگر این روزها با حجم درسها، کمبود تمرکز یا عقبافتادن از برنامه درسیتان درگیر هستید، این پکیج میتواند کمک کند با روشهایی کاربردیتر درس بخوانید و برنامهتان را بهتر پیش ببرید.
📚 محتوای پکیج:
🔹 تندخوانی و افزایش تمرکز
🔸 یادگیری عمیق و مطالعه مؤثر
🔹 مدیریت زمان و برنامهریزی
🔸 رهایی از اهمالکاری و تنبلی
🎁 مینیدوره «۷ اقدام جادویی برای موفقیت»
💰 قیمت مجموع دورهها:
2/045/000 تومان
🔥 با کدتخفیف turbo41 امروز فقط با پرداخت 299 تومان ثبتنام کنید!
🔺مشاهده دقیق سرفصلها و ثبتنام در لینک زیر:
https://zhivaramoozan.com/?p=162075
https://zhivaramoozan.com/?p=162075
کدتخفیف: turbo41
✅ 11 ساعت آموزش تخصصی، همراه با 30 روز گارانتی بازگشت وجه!
آموزشها برای همیشه در دسترس شما میمونن و میتونید آنلاین ببینید یا دانلود کنید و داشته باشید. | 113 |
| 10 | انجمن علمی دانشجویی علم اطلاعات و دانششناسی با همکاری معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)،
به مناسبت هفته کتاب و کتابخوانی،
برنامه «فراخوان جشن هفته کتاب و کتابخوانی» را
با شعار "به نام کتاب، به یاد دانایی، به شوق خواندن!" برگزار میکند. 📖🍃
این برنامه با هدف ترویج فرهنگ کتابخوانی و ایجاد شوق مطالعه،
🗓 در روز شنبه ۲۳ آبان ماه
⏰از ساعت ۱۱:۳۰ تا ۱۲:۳۰
📍در حیاط دانشکده علوم تربیتی و روانشناسی دانشگاه الزهرا (س) برگزار خواهد شد.
از جمله برنامههای در نظر گرفته شده برای این جشن میتوان به:
🔹 "مسابقه کتابخوانی و اهدای جوایز" (فرصتی برای سنجش دانشها و رقابتی شیرین با طعم کتاب)
🔸"طرح تبادل کتاب" (برای آشنایی با کتابهای تازه و خوانندگان جدید) اشاره کرد.
در پایان این مراسم، از حضور گرم و صمیمی تمامی علاقهمندان به کتاب و دانایی تقدیر و تشکر میشود.🌹
انجمن علمی دانشجویی علم اطلاعات و دانششناسی دانشگاه الزهرا (س)
📥راههای ارتباطی
تلگرام
اینستاگرام
ایتا
بله
لینکدین
ایمیل:Alzahra.lisa.77@gmail.com | 67 |
| 11 | 🎉 خبر خوب ویژه اعضای کانال انجمن تحلیل داده دانشگاه الزهرا(س)
با شرکت در این دوره، میتوانید بلافاصله به عنوان نماینده بیمه شروع به فعالیت کنید و در کنار دانشگاه، درآمد نیز داشته باشید. | 216 |
| 12 | اما چرا این مثال تا این حد جالب بود؟
چون تولید یک تصویر ثابت با تولید یک ویدئو تفاوت اساسی دارد.
در یک تصویر، مدل باید اجزای مختلف را در یک لحظه کنار هم قرار دهد؛ اما در ویدئو، علاوه بر ظاهر اشیا، باید حرکت و پیوستگی زمانی را هم حفظ کند.
مثلاً:
- چهره یک فرد باید در فریمهای مختلف ثابت بماند.
- دستها نباید ناگهان تغییر شکل دهند.
- اشیا باید در طول حرکت، ویژگیهای ظاهری خود را حفظ کنند.
- حرکات دست، دهان و سایر اجزای صحنه باید با یکدیگر هماهنگ باشند.
در فوریه ۲۰۲۴، ویل اسمیت هم با انتشار یک ویدئوی طنز، این ماجرا را دست انداخت و خودش را در حال خوردن ماکارونی نشان داد!
از آن زمان، عبارت «Will Smith eating spaghetti» به یک آزمون غیررسمی و سرگرمکننده برای مقایسه پیشرفت مدلهای تولید ویدئو تبدیل شد.
🔹 ۴. در نهایت، چه چیزی باعث این پیشرفت شد؟
واقعیت این است که پیشرفت هوش مصنوعی مولد نتیجه یک عامل واحد نیست؛ بلکه حاصل کنار هم قرار گرفتن چند پیشرفت علمی و فنی است:
🧠 الگوریتمهای یادگیری بهتر
⚙️ معماریهای پیشرفتهتر شبکههای عصبی
📊 دادههای آموزشی گستردهتر و باکیفیتتر
🔬 روشهای بهینهتر آموزش و ارزیابی
🎬 پیشرفت در مدلسازی حرکت و پیوستگی زمانی
نکته جالب اینجاست که ما با فناوریای روبهرو هستیم که فقط برای ساخت تصاویر زیبا استفاده نمیشود؛ بلکه میتواند شیوه تولید محتوا، طراحی، تبلیغات، آموزش و حتی صنعت سینما را تغییر دهد.
✨ حالا یک سؤال:
اگر در سال ۲۰۲۳ دیدن یک ویل اسمیت عجیب در حال خوردن ماکارونی برایمان خندهدار بود، به نظرتان چند سال دیگر چه قابلیتهایی از هوش مصنوعی خواهیم دید که امروز حتی تصورشان هم برایمان سخت است؟
شما چه آیندهای برای تولید تصویر و ویدئو با هوش مصنوعی پیشبینی میکنید؟
📝گردآورنده: نسیم نجیمی
📍ارتباط با روابط عمومی انجمن :
🆔 @Alzahra_DataAnalysis
🌐 انجمن ما را در پیام رسان های زیر دنبال کنید :
Bale | Telegram | Instagram | Aparat
❅معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)❅
🌐https://farhangi.alzahra.ac.ir/ | 252 |
| 13 | اما چرا این مثال تا این حد جالب بود؟
چون تولید یک تصویر ثابت با تولید یک ویدئو تفاوت اساسی دارد.
در یک تصویر، مدل باید اجزای مختلف را در یک لحظه کنار هم قرار دهد؛ اما در ویدئو، علاوه بر ظاهر اشیا، باید حرکت و پیوستگی زمانی را هم حفظ کند.
مثلاً:
- چهره یک فرد باید در فریمهای مختلف ثابت بماند.
- دستها نباید ناگهان تغییر شکل دهند.
- اشیا باید در طول حرکت، ویژگیهای ظاهری خود را حفظ کنند.
- حرکات دست، دهان و سایر اجزای صحنه باید با یکدیگر هماهنگ باشند.
در فوریه ۲۰۲۴، ویل اسمیت هم با انتشار یک ویدئوی طنز، این ماجرا را دست انداخت و خودش را در حال خوردن ماکارونی نشان داد!
از آن زمان، عبارت «Will Smith eating spaghetti» به یک آزمون غیررسمی و سرگرمکننده برای مقایسه پیشرفت مدلهای تولید ویدئو تبدیل شد.
🔹 ۴. در نهایت، چه چیزی باعث این پیشرفت شد؟
واقعیت این است که پیشرفت هوش مصنوعی مولد نتیجه یک عامل واحد نیست؛ بلکه حاصل کنار هم قرار گرفتن چند پیشرفت علمی و فنی است:
🧠 الگوریتمهای یادگیری بهتر
⚙️ معماریهای پیشرفتهتر شبکههای عصبی
📊 دادههای آموزشی گستردهتر و باکیفیتتر
🔬 روشهای بهینهتر آموزش و ارزیابی
🎬 پیشرفت در مدلسازی حرکت و پیوستگی زمانی
نکته جالب اینجاست که ما با فناوریای روبهرو هستیم که فقط برای ساخت تصاویر زیبا استفاده نمیشود؛ بلکه میتواند شیوه تولید محتوا، طراحی، تبلیغات، آموزش و حتی صنعت سینما را تغییر دهد.
✨ حالا یک سؤال:
اگر در سال ۲۰۲۳ دیدن یک ویل اسمیت عجیب در حال خوردن ماکارونی برایمان خندهدار بود، به نظرتان چند سال دیگر چه قابلیتهایی از هوش مصنوعی خواهیم دید که امروز حتی تصورشان هم برایمان سخت است؟
شما چه آیندهای برای تولید تصویر و ویدئو با هوش مصنوعی پیشبینی میکنید؟
📝گردآورنده: نسیم نجیمی
📍ارتباط با روابط عمومی انجمن:
🆔 @Alzahra_DataAnalysis
🌐انجمن ما را در پیام رسان های زیر دنبال کنید:
Bale | Telegram | Instagram | Aparat
❅معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)❅
🌐https://farhangi.alzahra.ac.ir/ | 1 |
| 14 | پاسخ چت جی پی تی رایگان وقتی ازش بخواید قدرت تصویرسازی فعلیش از ویل اسمیت در حال خوردن ماکارونی رو با ۲۰۲۳ داخل یک تصویر به شما نشون بده: | 163 |
| 15 | 🔹 ۱. تصویر از دل نویز بیرون میآید!
یکی از مهمترین روشهای تولید تصویر در هوش مصنوعی، استفاده از مدلهایی به نام Diffusion Models یا مدلهای انتشار است.
برای فهمیدن ایده این مدلها، یک تصویر واضح را تصور کنید. اگر بارها و بارها نویز تصادفی به آن اضافه کنیم، تصویر بهتدریج محو میشود تا جایی که دیگر چیزی جز مجموعهای از نقاط تصادفی باقی نمیماند.
مدل انتشار در مرحله آموزش، یاد میگیرد که این فرایند را برعکس انجام دهد؛ یعنی چطور از یک تصویر پر از نویز، به تصویری واضح و منسجم برسد.
اما هنگام تولید تصویر چه اتفاقی میافتد؟
1️⃣ ابتدا یک تصویر تصادفی و پر از نویز ایجاد میشود؛ چیزی شبیه برفک تلویزیون!
2️⃣ متنی که وارد کردهایم، مثلاً «یک گربه فضانورد روی ماه»، به نمایش عددی تبدیل میشود تا مدل بتواند مفهوم و ارتباط اجزای آن را پردازش کند.
3️⃣ مدل در چندین مرحله، نویز تصویر را با توجه به متن ورودی کاهش میدهد.
4️⃣ کمکم ساختارها، شکلها، رنگها و جزئیات تصویر شکل میگیرند.
5️⃣ در نهایت، تصویری جدید تولید میشود که با توصیف ما هماهنگی دارد.
پس برخلاف تصور رایج، مدل لزوماً یک عکس آماده را از اینترنت پیدا نمیکند و تغییر نمیدهد؛ بلکه از الگوهایی که در فرایند آموزش یاد گرفته، برای ساخت یک تصویر جدید استفاده میکند.
البته این فقط یکی از روشهای تولید تصویر است و همه مدلهای امروزی دقیقاً از معماری انتشار استفاده نمیکنند.
🔹 ۲. چرا تصاویر هوش مصنوعی اینقدر واقعیتر شدهاند؟
اگر تصاویر تولیدشده در سالهای ۲۰۲۲ و ۲۰۲۳ را به خاطر داشته باشید، احتمالاً دستهای عجیب، انگشتهای اضافه، چهرههای نامتقارن و نوشتههای ناخوانا را هم فراموش نکردهاید!
اما امروز شرایط کاملاً متفاوت است. چند عامل مهم در این پیشرفت نقش داشتهاند:
📌 دادههای آموزشی بهتر
مدلها با مجموعههای بسیار بزرگی از تصاویر و توضیحات متنی آموزش میبینند. هرچه این دادهها متنوعتر و باکیفیتتر باشند، مدل فرصت بیشتری برای یادگیری الگوهای بصری و ارتباط میان مفاهیم پیدا میکند.
📌 معماریهای پیشرفتهتر
توسعه شبکههای عصبی و معماریهایی مثل Transformer به مدلها کمک کرده تا ارتباط میان بخشهای مختلف یک تصویر و متن را بهتر پردازش کنند.
برای مثال، فقط تشخیص کلمات «مرد»، «ماشین» و «خیابان» کافی نیست؛ مدل باید متوجه شود کدام ویژگی متعلق به کدام شیء است و اشیا چه رابطهای با یکدیگر دارند.
📌 درک بهتر دستورهای متنی
مدلهای جدید در پیروی از دستورهای پیچیده عملکرد بهتری دارند.
مثلاً بین این دو درخواست تفاوت زیادی وجود دارد:
- یک مرد کنار یک ماشین قرمز.
- یک مرد با لباس آبی کنار ماشینی قرمز که در خیابانی بارانی پارک شده است.
مدلهای جدید بهتر میتوانند جزئیات و ارتباط میان اجزای چنین توصیفهایی را در خروجی منعکس کنند.
📌 آموزش تکمیلی و بازخورد انسانی
فقط آموزش اولیه کافی نیست. مدلها با روشهای تکمیلی و ارزیابی خروجیها بهبود پیدا میکنند تا تصاویر دقیقتر و هماهنگتری بسازند.
📌 امکان ویرایش مرحلهای
یکی دیگر از تغییرات مهم، امکان تعامل با تصویر تولیدشده است.
حالا میتوانیم بهجای شروع دوباره، از مدل بخواهیم نور تصویر را تغییر دهد، پسزمینه را اصلاح کند یا یک شیء جدید به آن اضافه کند.
به این ترتیب، تولید تصویر از یک دستور و یک خروجی ساده، به فرایندی تعاملی تبدیل شده است.
🔹 ۳. داستان ویل اسمیت و ماکارونی؛ یک آزمون جالب برای هوش مصنوعی! 🍝
برگردیم به همان ویدئوی معروف!
در سال ۲۰۲۳، ویدئویی از ویل اسمیت در حال خوردن ماکارونی با استفاده از یک مدل اولیه تولید ویدئو منتشر شد.
نتیجه عجیب بود: چهره مدام تغییر میکرد، دستها شکل طبیعی نداشتند و ماکارونی در برخورد با صورت و دهان به شکلی غیرمنطقی حرکت میکرد!
این ویدئو خیلی زود در اینترنت وایرال شد و به یکی از نمونههای معروف محدودیتهای مدلهای اولیه تولید ویدئو تبدیل شد. | 188 |
| 16 | چه اتفاقی افتاد که هوش مصنوعی در چند سال اینقدر پیشرفت کرد؟ اصلاً وقتی از آن میخواهیم تصویری از «یک گربه فضانورد روی ماه» بسازد، دقیقاً چه کاری انجام میدهد؟
بیایید کمی به پشت صحنه این فناوری سرک بکشیم. | 148 |
| 17 | 🍝 از ویل اسمیتِ ماکارونیخور تا تصاویر واقعی؛ هوش مصنوعی چطور تصویر میسازد؟
احتمالاً ویدئوی معروف ویل اسمیت در حال خوردن ماکارونی رو دیدهاید؛ ویدئویی که در آن دستها، صورت و حتی خود ماکارونی انگار هیچ ارتباط منطقیای با هم ندارند!
شاید آن زمان دیدن چنین ویدئویی بیشتر خندهدار بود تا شگفتانگیز؛ اما حالا مدلهای هوش مصنوعی میتوانند تصاویری تولید کنند که تشخیص آنها از عکسهای واقعی گاهی واقعاً دشوار است. | 175 |
| 18 | 💻انجمن علمی دانشجویی تحلیل داده معاونت فرهنگی دانشگاه الزهرا(س) با همکاری شرکت بیمه تجارتنو تقدیم میکند:
💼✨کارگاه اعطای نمایندگی رایگان بیمه تجارتنو
🌱فرصتی برای ساخت آیندهای متفاوت و ورود به دنیای کسبوکار!
💡دعوت به همکاری از متقاضیان واجد شرایط در سراسر کشور با مزایای ویژه:
🔹بدون نیاز به سرمایه اولیه
🔹آموزش و پشتیبانی مستمر
🔹فعالیت تماموقت یا پارهوقت
🔹بیمه تکمیلی نماینده و خانواده
🔹تسهیلات و امکان راهاندازی دفتر نمایندگی
📅شروع: ۲۱ آبان ۱۴۰۵
👤مدرس: علی گودرزی مدرس و مشاور بیمههای زندگی شرکت بیمه تجارتنو
📚۸ ساعت آموزش در ۵ جلسه 🔶️ یک جلسه معارفه 🔸 سه جلسه آموزش محصولات 🔸 یک جلسه اصول و فنون مذاکره
💰هزینه:
❌۶۰۰ هزار تومان
✅فقط ۲۰۰ هزار تومان با تخفیف انجمن
📌 عودت وجه در صورت تمایل نداشتن به ادامه دوره پس از جلسه معارفه
⚠️ظرفیت پذیرش محدود است.
📍برای ثبت نام و اطلاعات بیشتر به نشانی زیر مراجعه فرمایید:
🆔 @Alzahra_DataAnalysis
🌐انجمن ما را در پیام رسان های زیر دنبال کنید:
Bale | Telegram | Instagram | Aparat
❅معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)❅
🌐https://farhangi.alzahra.ac.ir/ | 1 793 |
| 19 | هدف فقط پیدا کردن یک الگو نیست؛ بلکه باید مطمئن شویم آن الگو واقعاً حامل اطلاعات است و حاصل خطای محاسباتی یا نویز تصادفی نیست.
نتیجهگیری؛ از آشفتگی تا کشف الگو 🧠
یکی از تواناییهای شگفتانگیز علم داده، استخراج اطلاعات ارزشمند از دادههایی است که در نگاه اول بینظم و غیرقابلاستفاده به نظر میرسند.
در این مسیر، ریاضیات ابزار تحلیل سیگنال را فراهم میکند، آمار به سنجش عدمقطعیت کمک میکند، علوم کامپیوتر الگوریتمهای پردازش را توسعه میدهد و هوش مصنوعی میتواند الگوهای پیچیده را از دادهها بیاموزد.
شاید جذابترین بخش ماجرا این باشد که گاهی یک سیگنال بسیار ضعیف، در میان میلیونها داده و حجم زیادی از نویز پنهان شده است؛ اما همان سیگنال کوچک میتواند اطلاعاتی ارزشمند درباره قلب انسان، ساختار زمین یا حتی رویدادهای دوردست کیهانی در اختیار ما قرار دهد.
📝گردآورنده: زهرا سجادیان
📍ارتباط با روابط عمومی انجمن :
🆔 @Alzahra_DataAnalysis
🌐 انجمن ما را در پیام رسان های زیر دنبال کنید :
Bale | Telegram | Instagram | Aparat
❅معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س)❅
🌐https://farhangi.alzahra.ac.ir/ | 150 |
| 20 | ۴. هوش مصنوعی چگونه از نویز الگو استخراج میکند؟ 🤖
روشهای کلاسیک معمولاً بر اساس قواعد و ویژگیهایی طراحی میشوند که از قبل درباره سیگنال میدانیم.
اما هوش مصنوعی میتواند با بررسی نمونههای فراوان، الگوهای پیچیدهتری را یاد بگیرد.
در این فرایند، الگوریتم بهجای اینکه صرفاً یک فیلتر ثابت اعمال کند، تلاش میکند ویژگیهای سیگنال موردنظر را از دادهها بیاموزد.
چند روش مهم در این زمینه عبارتاند از:
الف) یادگیری نظارتشده (Supervised Learning)
در این روش، الگوریتم با مجموعهای از دادههای برچسبگذاریشده آموزش میبیند.
برای مثال، تعدادی فایل صوتی در اختیار مدل قرار میگیرد که در آنها بخشهای حاوی صدای انسان و نویز مشخص شدهاند.
مدل با بررسی این نمونهها یاد میگیرد چه ویژگیهایی به صدای انسان مربوط هستند و چگونه آن را از نویز تشخیص دهد.
پس از آموزش، میتواند همین الگوها را روی دادههای جدید نیز به کار ببرد.
ب) یادگیری بدون نظارت (Unsupervised Learning)
گاهی دادهها برچسب ندارند و نمیدانیم کدام بخش سیگنال مفید و کدام بخش نویز است.
در چنین شرایطی، الگوریتمهای بدون نظارت میتوانند با بررسی شباهتها و ساختار دادهها، الگوها یا گروههای متفاوتی را شناسایی کنند.
البته پیدا کردن یک الگوی آماری لزوماً به معنای تشخیص سیگنال واقعی نیست و برای تفسیر نتایج به دانش تخصصی نیاز داریم.
ج) شبکههای عصبی عمیق (Deep Neural Networks)
شبکههای عصبی عمیق میتوانند روابط پیچیده میان دادهها را یاد بگیرند.
برای مثال، یک مدل میتواند با مشاهده هزاران نمونه صوتی، ویژگیهای مرتبط با گفتار انسان را شناسایی کند و در شرایطی که صدای محیط بسیار شلوغ است، به بازسازی گفتار کمک کند.
مدلهایی مانند شبکههای کانولوشنی (CNN) و شبکههای بازگشتی (RNN) در برخی مسائل پردازش سیگنال کاربرد دارند. همچنین معماریهای جدیدتر مبتنی بر ترنسفورمرها (Transformers) در تحلیل دادههای صوتی و زمانی مورد استفاده قرار میگیرند.
۵. یک مثال واقعی؛ شنیدن سیگنال از میان نویز کیهانی! 🌌
یکی از جذابترین کاربردهای این فناوری در علم نجوم و اخترفیزیک دیده میشود.
تصور کنید دو سیاهچاله در فاصله بسیار زیادی از زمین با یکدیگر ادغام میشوند.
طبق نظریه نسبیت عام، چنین رویدادی میتواند امواج گرانشی تولید کند؛ امواجی که هنگام عبور از زمین، تغییرات بسیار کوچکی در فاصله میان اجسام ایجاد میکنند.
آشکارسازهایی مانند LIGO برای اندازهگیری این تغییرات فوقالعاده کوچک طراحی شدهاند.
اما یک مشکل وجود دارد:
سیگنالهای امواج گرانشی بسیار ضعیفاند و دادههای آشکارساز ممکن است تحت تأثیر نویزهای مختلف، از جمله ارتعاشات محیطی و اختلالات دستگاه، قرار بگیرند.
دانشمندان برای شناسایی این سیگنالها از مدلهای فیزیکی، روشهای آماری و الگوریتمهای پردازش داده استفاده میکنند.
در این فرایند، شکل موج پیشبینیشده از نظریه نسبیت عام با دادههای ثبتشده مقایسه میشود تا مشخص شود آیا الگویی سازگار با یک رویداد واقعی در دادهها وجود دارد یا خیر.
به این ترتیب، میتوان از میان دادههایی که ظاهراً پر از اختلال هستند، نشانههایی از رویدادهای عظیم کیهانی را شناسایی کرد.
۶. کاربردهای هوش مصنوعی در کشف سیگنالهای پنهان
این فناوری فقط به نجوم محدود نمیشود و در حوزههای مختلف علمی و صنعتی کاربرد دارد.
🩺 پزشکی: تحلیل سیگنالهای الکتروکاردیوگرام (ECG) برای شناسایی الگوهای غیرعادی ضربان قلب و کمک به تشخیص اختلالات قلبی.
🎧 پردازش صدا: حذف نویز محیطی در تماسهای تلفنی، تشخیص گفتار و بهبود کیفیت فایلهای صوتی.
🛰️ مخابرات: شناسایی و بازیابی اطلاعات منتقلشده در کانالهای ارتباطی که تحت تأثیر نویز قرار گرفتهاند.
🌍 زلزلهشناسی: تحلیل دادههای لرزهای برای شناسایی رویدادهای زمینلرزه و تمایز آنها از برخی ارتعاشات دیگر.
🔭 نجوم: بررسی دادههای تلسکوپی و آشکارسازها برای شناسایی سیگنالهای ضعیف و رویدادهای نادر کیهانی.
۷. آیا هوش مصنوعی همیشه میتواند سیگنال را تشخیص دهد؟
با وجود تمام این پیشرفتها، یک نکته مهم وجود دارد:
هوش مصنوعی جادو نمیکند!
اگر اطلاعات مربوط به سیگنال کاملاً از بین رفته باشد یا نویز بهگونهای باشد که هیچ تفاوت قابلشناسایی میان آنها باقی نمانده باشد، الگوریتم نمیتواند با اطمینان اطلاعات ازدسترفته را بازیابی کند.
از طرف دیگر، اگر مدل با دادههای آموزشی نامناسب یا محدود آموزش دیده باشد، ممکن است نویز را با سیگنال اشتباه بگیرد یا حتی الگویی غیرواقعی تولید کند.
به همین دلیل، دانشمندان نتایج مدلهای هوش مصنوعی را با روشهای آماری، آزمایشهای مستقل و دادههای واقعی ارزیابی میکنند. | 170 |
