Available now! Telegram Research 2025 — the year's key insights 
از نورون تا هوش ◇---<
Open in Telegram
هوش مصنوعی و طبیعی، نظریه پیچیدگی آرشام غواصیه، پژوهشگر پسادکتری ایندیانا
Show more4 228
Subscribers
+3424 hours
+867 days
+10630 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
June '26
June '26
+221
in 0 channels
May '26
+18
in 0 channels
Get PRO
April '26
+9
in 0 channels
Get PRO
March '26
+10
in 0 channels
Get PRO
February '26
+34
in 0 channels
Get PRO
January '26
+32
in 0 channels
Get PRO
December '25
+80
in 2 channels
Get PRO
November '25
+39
in 0 channels
Get PRO
October '25
+106
in 0 channels
Get PRO
September '25
+250
in 3 channels
Get PRO
August '25
+1 300
in 3 channels
Get PRO
July '25
+136
in 1 channels
Get PRO
June '25
+83
in 5 channels
Get PRO
May '25
+148
in 4 channels
Get PRO
April '25
+213
in 5 channels
Get PRO
March '25
+134
in 0 channels
Get PRO
February '25
+416
in 1 channels
Get PRO
January '25
+366
in 2 channels
Get PRO
December '24
+572
in 6 channels
Get PRO
November '24
+35
in 0 channels
Get PRO
October '24
+29
in 0 channels
Get PRO
September '24
+25
in 0 channels
Get PRO
August '24
+25
in 0 channels
Get PRO
July '24
+66
in 0 channels
Get PRO
June '24
+86
in 1 channels
Get PRO
May '24
+112
in 4 channels
Get PRO
April '24
+89
in 4 channels
Get PRO
March '24
+109
in 3 channels
Get PRO
February '24
+93
in 5 channels
Get PRO
January '24
+139
in 2 channels
Get PRO
December '23
+60
in 0 channels
Get PRO
November '23
+37
in 0 channels
Get PRO
October '23
+38
in 0 channels
Get PRO
September '23
+89
in 0 channels
Get PRO
August '23
+163
in 0 channels
Get PRO
July '23
+132
in 0 channels
Get PRO
June '23
+243
in 0 channels
Get PRO
May '23
+75
in 0 channels
Get PRO
April '23
+200
in 0 channels
Get PRO
March '23
+250
in 0 channels
Get PRO
February '23
+223
in 0 channels
Get PRO
January '23
+11
in 0 channels
Get PRO
December '22
+18
in 0 channels
Get PRO
November '22
+21
in 0 channels
Get PRO
October '22
+21
in 0 channels
Get PRO
September '22
+18
in 0 channels
Get PRO
August '22
+18
in 0 channels
Get PRO
July '22
+60
in 0 channels
Get PRO
June '22
+63
in 0 channels
Get PRO
May '22
+35
in 0 channels
Get PRO
April '22
+177
in 0 channels
Get PRO
March '22
+70
in 0 channels
Get PRO
February '22
+55
in 0 channels
Get PRO
January '22
+223
in 0 channels
Get PRO
December '21
+34
in 0 channels
Get PRO
November '21
+50
in 0 channels
Get PRO
October '21
+32
in 0 channels
Get PRO
September '21
+19
in 0 channels
Get PRO
August '21
+13
in 0 channels
Get PRO
July '21
+26
in 0 channels
Get PRO
June '21
+37
in 0 channels
Get PRO
May '21
+47
in 0 channels
Get PRO
April '21
+441
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 25 June | +33 | |||
| 24 June | +35 | |||
| 23 June | +10 | |||
| 22 June | +3 | |||
| 21 June | +11 | |||
| 20 June | +7 | |||
| 19 June | +5 | |||
| 18 June | +39 | |||
| 17 June | +14 | |||
| 16 June | +28 | |||
| 15 June | +2 | |||
| 14 June | +3 | |||
| 13 June | +2 | |||
| 12 June | 0 | |||
| 11 June | +2 | |||
| 10 June | +2 | |||
| 09 June | +3 | |||
| 08 June | +5 | |||
| 07 June | +4 | |||
| 06 June | 0 | |||
| 05 June | +3 | |||
| 04 June | 0 | |||
| 03 June | +2 | |||
| 02 June | +6 | |||
| 01 June | +2 |
Channel Posts
عنوان پست بعدی:
کالبد شکافی هوشهای مصنوعی دوقلو،
اتصالات مرئی و نامرئی در شبکههای عصبی
امیدوارم تا فردا بتونم بنویسمش. این راه زحمت داره اما اگر استقبال کنید ادامهش میدم. برای شروع میتونید نوتیف کانال رو روشن کنید. 😉
| 2 | 🆒 دوست دارید شبیهسازی کردن رو تجربه کنید؟ پوریا داره دکتری دانشگاه تهران میخونه و با ذوق و سلیقه مثالزدنی مهارت و دانشش رو منتقل میکنه.
@the_maze2022 | 514 |
| 3 | رفتار پنهانکارانه شبکههای عصبی
یه خلاصه عمومی روی این مقاله بالایی نوشتم. میتونید از گزینه instant view استفاده کنید و مطالعه کنید.
خودم عشق مقاله خوندن و خلاصه کردنش و توضیح دادنش هستم. ولی نمیدونم چقدر مخاطب داشته باشه. اگر استقبال بشه مقالات بیشتری رو پوشش میدیم و بعدتر وویسهای ده دقیقهای هم میسازم و توضیحشون میدم.
مخلص.
@physics_daily | از نورون تا هوش | 657 |
| 4 |  🔥 ممکن است پرسروصداترین سیگنالهای نورونی ربطی به رفتار (خروجی) نداشته باشند
امروزه, چه در دادههای مغزی، چه در تحلیل طرز کار هوش مصنوعی، به دنبال بازنماییهای عصبی (رپرزنتیشنها) هستیم.
بازنمایی عصبی نوعی فعالیت نورونهاست که با رفتار (یا به طور کلی کارکرد سیستم) ارتباط مستقیم دارد.
مطالعه اخیر چاپ شده در ایلایف (لینک) نشان میدهد بیشتر فعالیت عصبی میتواند ارتباطی با خروجی (مثلا رفتار) نداشته باشد.
خیلی وقتها، بازنماییها زیر سایه فعالیت غالب شبکه پنهان میشوند.
خب خیلی مهمه. از طرفی کمک میکنه نگاه معقولتری به دادههای مغزی داشته باشیم. از طرف دیگه، هشدار میده که چگونگی کارکرد هوش مصنوعی رو دقیقتر مطالعه کنیم.
@physics_daily | از نورون تا هوش | 779 |
| 5 |  🆒 مغز هوش مصنوعی چه شکلیه؟
تصویرگری زیبا از یه شبکه عصبی عمیق.
@physics_daily | از نورون تا هوش | 754 |
| 6 |  😂 مارکتینگ با پوست طبیعی
این روزها شرکتها میخوان بگن هوش مصنوعیشون پوست رو طبیعی ترسیم میکنه. با کک و مک و چین و چروک و فرو رفتگی و برآمدگیهاش. شبیه سمت راستی.
اونوقت شماها سعی میکنید شبیه سمت چپی باشید.
@physics_daily | از نورون تا هوش | 652 |
| 7 |  🤬 کدوم یکی هوش مصنوعیه؟
این روزها واقعا تشخیصش سخت شده.
@physics_daily | 680 |
| 8 |  +1اسپایرال لگاریتمی
@physics_daily | 710 |
| 9 | 💡به سرم زده مقاله ر در یک وویس مثلا ۱۰ دقیقهای توضیح بدم. براتون مفیده؟ یا داره زیادی سخت و تخصصی میشه؟ | 729 |
| 10 |  🧠 شبکههای عصبی کمتر از انتظار برای یادگیری زحمت میکشند!
پیش از یادگیری، وزنهای اتصالات در شبکههای عصبی بسیار متعدد و کاملا تصادفی هستند.
پژوهش چاپ شده در نوریپس سال ۲۰۲۰ (لینک) نشان میدهد که یادگیری در تمام اتصالات شبکههای عصبی (RNN) رخ نمیدهد. تغییرات اتصالات در اثر یادگیری معمولا پیچیده و سراسری نیست.
برعکس، تغییرات مهم در چند مسیر محدود اتفاق میافتند--- ماتریس تغییر کممرتبه (یا شاید بهش میگیم کمرتبه) است.
نکته جالبتر: اگر اتصالاتی که حین یادگیری تغییر نکردهاند و تصادفی ماندهاند را بُر بزنید و مخلوط کنید، شبکه آنچه یاد گرفته را فراموش میکند. بنابرین یادگیری روی همان وزنهای تصادفی دست نخورده اولیه سوار میشود.
یادگیری فقط چند نقطه حساس این ساختار تصادفی بزرگ را خم میکند.
@physics_daily | از نورون تا هوش | 767 |
| 11 | 🔥 ارتباط محاسبات نورونی با نویز (آثار تصادفی) چیه؟
نویز مهمه، هم در هوش طبیعی هم در مصنوعی.
عمری باشه میگم.
ضمنا دارم روی یه سری کورس کار میکنم. البته طول میکشه. ولی تدریس جدی خواهیم داشت.
@physics_daily | از نورون تا هوش | 693 |
| 12 |  🔥 کتابی که منبع الهام انیشتین شد.
گرامر علم از کارل پیرسون. چاپ اولش ۱۸۹۲ بوده. انیشتین سال ۱۹۰۲ خوندش. سه سال قبل از نسبیت.
البته انیشتین منابع الهام دیگری هم داشت. اما همونطور که بهتون نشون دادم، صراحت این یکی شگفتانگیزه.
@physics_daily | از نورون تا هوش | 781 |
| 13 | 🔥 کتابی که منبع الهام انیشتین شد.
گرامر علم از کارل پیرسون. انیشتین سال ۱۹۰۲ خوندش. سه سال قبل از نسبیت.
البته انیشتین منابع الهام دیگری هم داشت. اما همونطور که بهتون نشون دادم، صراحت این یکی شگفتانگیزه.
@physics_daily | از نورون تا هوش | 1 |
| 14 | 🔥 کتابی که منبع الهام انیشتین شد.
گرامر علم از کارل پیرسون. انیشتین سال ۱۹۰۲ خوندش. سه سال قبل از نسبیت.
البته انیشتین منابع الهام دیگری هم داشت. اما همونطور که بهتون نشون دادم، صراحت این یکی شگفتانگیزه.
@physics_daily | از نورون تا هوش | 8 |
| 15 | ⁉️ برام عجیبه که چرا کسی کارل پیرسون رو نمیشناسه.
انیشتین یه زمان کتاب "گرامر علم" از پیرسون رو میخونه. این کتاب نقطهنظرهای جذابی رو مطرح میکنه.
مثلا اینکه قوانین عالم در برابر توان ادراکی مشاهدهگر نسبیست.
یا اینکه مشاهدهگری که با سرعت نور حرکت میکند، یک لحظه حال ابدی را تجربه میکند.
به نظر میرسه این کتاب روی نظریه انیشتین تاثیر قوی داشته.
پیرسون در همون کتاب حدس میزنه:
مشاهدهگری که سریعتر از نور حرکت کند، زمان برایش معکوس میشود (از آخر به اول).
پیرسون علاوه بر معرفی رندوم واک (ولگشت) و ایدههای فیزیکی درباره ادراک و قوانین عالم، یکی از شناختهشدهترین چهرههای زمان خودش در زمینه ریاضیات و آمار بود.
شاید علاقه پیرسون به داروینیسم اجتماعی و یوژنیک باعث حذفش از داستان رایج علم شده باشه.
پایینتر عکسی از صفحه اول کتابش میگذارم.
@physics_daily | 820 |
| 16 | درود دوستان،
درباره این قاضی و وکیل توضیح میدم. امیدوارم به درد بخور باشه.
قاضی بودن در علم یعنی هر ادعا رو درست بسنجی. از کجا اومده؟ چه پشتوانهای داره؟ قابل اعتناست؟ آیا در تضاد با علم روزه؟ در تاییدشه؟ اینجور چیزا. اگه خیلی توش زیادهروی کنیم میشیم چیزی که بش میگم جوجه منتقد. اگه توش کم بگذاریم میشیم سادهلوح. ولی یه مقدار سلامتش باید در همهمون باشه.
وکیل بودن توی علم کار دشوارتریه. ببینید، شما باید با تمام وجود تلاش کنید صحت فرضیه مد نظرتون رو نشون بدید. و اول از همه به خودتون نشون بدید!
تصور کنید فرضیه اینه که داخل هندونه خوردنیه. ولی کسی دلش نمیاد چاقو بزنه هندونه رو باز کنه. شما باید اونقدر انگیزه داشته باشی که این کار رو بکنی.
اگه چاقو اختراع نشده، باید انقدر بخوای نشون بدی فرضیهت درسته، که چاقو رو خودت اختراع کنی و هندونه رو باز کنی.
اگه وکیل خوبی نباشی، بهت میگن ببین یه خرده با ناخن خراش بدی همچنان سفید و بدمزهست. بنابرین بعیده که توش قرمز و خوردنی باشه. شما هم میگید آخ آره راست میگن. تمام.
با دانشجوهای تازهکار زیادی کار کردم که از این وکیل بودنه درکی نداشتن. و خب با اولین نتیجه نگاتیو (منفی) میگفتن آره فرضیه اشتباهه. و خب همچین سنجشی به درد عمه آدم میخوره. اگه فرضیه خوبه، باید ته قضیه رو درآورد و بهش به اندازه کافی شانس داد.
مثل وکیلی که پروندهای قبول میکنه.
روز خوبی داشته باشید.
@physics_daily | 831 |
| 17 |  👀
وقتی آثار تصادفی (نویز) مفید واقع میشود!
✔️ پدلفیش (ماهی بالا) از گیرندههای الکتریکی برای شکار پلانکتون استفاده میکند. این گیرندهها سیگنالهای ضعیف الکتریکی ساطع شده از شکار را احساس میکنند.
❗️نکته جالب:
وقتی محققین مقدار اندکی نویز الکتریکی به محیط ماهی اضافه کردند، پدلفیش توانست شکار را از فواصل دورتری شناسایی کند!
دقت پایین نیامد! بالا رفت.
⭐️ به این پدیده تشدید تصادفی گفته میشود. سیگنال کوچک (ساطع شده از پلانکتون) از فاصله دور برای گیرنده قابل تشخیص نیست. اما نویز میتواند آن را تقویت و قابل رصد کند.
⚡️ در این مورد جالب، نویز سیگنال را خفه نکرده است. برعکس. آن را آشکار کرده.
چاپ شده در نیچر، سال ۱۹۹۹
@physics_daily | 813 |
| 18 | 🔠🔠🔠🔠
کسی که کار علمی میکنه باید یاد بگیره که هم قاضی خوبی باشه و هم وکیل خوبی.
تازهواردها در برابر دومی مقاومت دارند.
اگه منظور رو گرفتید: ❤️
اگه لازمه مثال بزنم: 👍🏻
@physics_daily | 848 |
| 19 | مثالی که بدونید میتونید از رندوم واک (ولگشت) استفاده ابزاری هم بکنید. 😌 | 924 |
| 20 |  اینفومپ: الگوریتمی برای کردن کلاسترها (گروههای عضو که به هم متصلترند) در شبکهها.
این الگوریتم از رندوم واک (ولگشت) استفاده میکنه. ایده اینه که رندوم واکر وقتی توی یه کلاستر قرار میگیره اونجا گیر میکنه و سخت ازش خارج میشه. این گیر کردن باعث میشه مسیرهای تکراری بره. مسیرهای تکراری رو میتونید با نظریه اطلاعات فشردهسازی کنید. و به این ترتیب کلاسترها رو پیدا کنید.
تجربه خودم این بوده که یکی از بهترین روشهاست. اگر بهترین نباشه.
مقالاتی در موردش و کدهاش
@physics_daily | 984 |
