en
Feedback
انجمن فناوری‌های هوشمند پزشکی

انجمن فناوری‌های هوشمند پزشکی

Open in Telegram

🔹 انجمن علمی میان رشته‌ ای فناوری‌های هوشمند پزشکی ::: Medical Intelligent Technologies 🔹پژوهشکده فناوری ها و تجهیزات پیشرفته پزشکی 🔹دانشگاه علوم پزشکی تهران 📧 ایمیل انجمن: Mit_tums@yahoo.com mitassociation1401@gmail.com 💬 ارتباط با انجمن: @MIT_Admin

Show more
475
Subscribers
No data24 hours
No data7 days
No data30 days
Posts Archive
⭕️ کتاب Machine learning for healthcare application 🔺 ناشر: Wiley 🔺 تاریخ انتشار: 2022 🔹 کتاب به صورت اجمالی به کاربردهای مختلف یادگیری ماشین در پزشکی، تشخیص و درمان بیماری‌های مختلف می‌پردازد. #Educational 🔹 همچنین مروری بر پژوهش‌های مختلف در زمینه تشخیص بیماری‌های پیش‌رونده بوسیله روش‌های یادگیری ماشین و در ادامه کاربرد شبکه‌های عصبی، پردازش سیگنال‌های مغزی و چالش های به کارگیری هوش مصنوعی در سلامت، به صورت مختصر پرداخته است. @MIT_TUMS @ssrc_news LinkedIn: AMTEI

#توسعه_فردی #معرفی_کتاب نسیم نیکلاس طالب نویسنده کتاب قوی سیاه، دانشمند ریاضی و متخصص بازارهای مالی است. نسیم طالب کامپیوترهای شخصی، اینترنت، و ... رو قوی سیاه میدونه و معتقده برای این‌که آسیب پدیده‌های نادر اجتماعی و اقتصادی کم بشه باید تعصب افراطی رو در مورد داده‌ها و دانشی رو که دست ماست کنار بزاریم و مقاومت و تاب‌آوری سازمان، جامعه و کسب و کارهامون رو در برابر ریسک‌های مختلف افزایش بدیم. این کتاب، در ارزیابی‌های مختلف یکی از اثرگذارترین کتاب‌های بعد از جنگ جهانی دوم به حساب میاد. کتاب قوی سیاه درباره‌ی اثر اتفاقات و جریان‌هاییه که بسیار احتمال وقوع‌شون پایینه. وقتی یک چیزی که از دایره‌ی تصورات ما خارجه و قابل پیش‌بینی نیست رخ می‌ده که اتفاقا خیلی هم جنجال‌برانگیزه و بازی رو عوض می‌کنه بهش می‌گن قوی سیاه. ما کنجکاویم که بدونیم در مقابل قوی سیاه باید چه کنیم و اصلا چه چیزهایی قوی سیاه هستند و چه چیزهایی قوی سیاه نیستند. خلاصه صوتی کتاب قوی سیاه رو میتونید گوش کنید. 🌱☺️ لینک دسترسی به محتوا ————————- @MIT_TUMS @ssrc_news LinkedIn: AMTEI

✳️ مدرسه بزرگ مرور نظام‌مند و فراتحلیل Systematic Review & Meta-analysis ♨️ یادگیری شیوه انجام و نگارش مطالعه مرور نظام‌مند ه
✳️ مدرسه بزرگ مرور نظام‌مند و فراتحلیل Systematic Review & Meta-analysis ♨️ یادگیری شیوه انجام و نگارش مطالعه مرور نظام‌مند همراه با امکان تشکیل تیم بر روی موضوع واقعی تحت نظارت استاد راهنما و منتورینگ 🗓 اردیبهشت الی مرداد ماه ۱۴۰۲ 🔸 در دو بخش نظری و عملی ⏰ آخرین مهلت ثبت‌نام: ۵ اردیبهشت (بخش نظری) و ۲۲ اردیبهشت (بخش عملی) 📔 شیوه‌نامه مدرسه (حاوی تقویم برنامه، طرح درس، توضیحات اجرایی، جایگاه نویسندگان و...) ❓ اطلاعات بیشتر و ثبت‌نام: cotar.tums.ac.ir/SRS 🎁 کد تخفیف ۳۰ درصدی: cotar_tums 🆔 @COTAR_TUMS 🆔 @Orthopedic_Association

📣 فراخوان بزرگ جذب مدرس در مرکز پژوهش های علمی دانشجویان دانشگاه علوم پزشکی تهران ⭕️ در راستای تدوین دوره‌های آموزشی و پژوهش
📣 فراخوان بزرگ جذب مدرس در مرکز پژوهش های علمی دانشجویان دانشگاه علوم پزشکی تهران ⭕️ در راستای تدوین دوره‌های آموزشی و پژوهشی با محوریت برگزاری دوره‌های آنلاین، آفلاین و حضوری، مرکز پژوهش های علمی دانشجویان، از فارغ التحصیلان دانشگاهی و دانشجویان علوم مختلف سراسر کشور، که قبلا تجربه برگزاری کارگاه‌های آموزشی و پژوهشی داشته‌اند یا توانایی تدریس موضوع یا موضوعات خاصی را دارند دعوت به همکاری می‌نماید. 📌 علاقه‌مندانی که تمایل به تدریس در مرکز پژوهش‌های دانشجویی را دارند؛ لطفا اطلاعات خود را تا تاریخ ۵ اردیبهشت ماه در سامانه ثبت نام مرکز پژوهش ها وارد نمایند. 📍برای کسب اطلاعات بیشتر با آیدی زیر در ارتباط باشید : 📲 @omid_gheisavandi 🆔 @SSRC_News

🔹 ناحیه بندی تصاویر پزشکی با مدل SAM 🆔 @MIT_TUMS 🆔 @ssrc_news LinkedIn: AMTEI

✅ معرفی مدل Segment Anything #ScienceDaily 🔹سگمنت بندی (Segmentation) یکی از تسک‌های اصلی در بینایی ماشین است و در طیف گسترد
✅ معرفی مدل Segment Anything #ScienceDaily 🔹سگمنت بندی (Segmentation) یکی از تسک‌های اصلی در بینایی ماشین است و در طیف گسترده‌ای از برنامه‌ها استفاده می‌شود از تحلیل تصاویر علمی گرفته تا ویرایش تصاویر. اما ایجاد یک مدل دقیق برای سگمنت بندی مناسب تسک‌های خاص معمولاً مستلزم کار تخصصی کارشناسان فنی است که به زیرساخت‌های آموزشی هوش مصنوعی و حجم زیادی از داده‌ها دسترسی داشته باشند. مدل Segment Anything یا SAM یکی از جدیدترین مدل‌ها برای سگمنت بندی تصاویر است که بسیاری از چالش‌های مدل‌های سگمنت بندی قبلی را حل کرده است. کاهش نیاز به تخصص مدلسازی خاص تسک، محاسبات آموزشی و حاشیه نویسی داده‌های سفارشی برای سگمنت بندی تصاویر، هسته‌ی اصلی پروژه‌ی Segment Anything است. برای تحقق این دیدگاه، هدف مدل SAM ایجاد یک مدل پایه برای تقسیم بندی تصویر بود: یک مدل سریع که روی داده‌های متنوع آموزش دیده است و می‌توان آن را برای تسک‌های خاص به کار گرفت. 🆔 @MIT_TUMS 🆔 @ssrc_news LinkedIn: AMTEI