برگرفته از یک داستان کاملاً واقعی 😅 @OnlinebmeMe vs ChatGPT!@Onlinebme

💡💡مشکل :عدم عملکرد کتابخانه wfdb در پایتون شرح مسئله: سلام وقتتون بخیر، آقای مهندس باید pylance رو هم نصب کرد باز wfdb و ... رو میگفت ناشناخته است و اجرا نمیشد ✅چطوری حل شد؟ اکستنشن pylance رو نصب کردم شاید باورش سخت باشه یکم ، Wfdb رو add کردم (راست کلیک…🎯 چارچوب انجام یک پروژه تشخیص آریتمی قلبی با سیگنال  ECG؛ از معرفی داده تا روال ارزیابی مدلمتأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آن‌طور که باید به نحوه طراحی آزمایش‌ها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.یک مطالعه مروری در 2023 این روش هارو بررسی کرده که از این 357 مقاله، فقط 38 مقاله به شکل استاندارد روش خودشون رو ارزیابی کردند!اکثرا هم یک مدل با Accuracy بسیار بالا گزارش می‌شود، اما وقتی دقیق‌تر بررسی می‌کنیم، متوجه می‌شویم که نحوه تقسیم داده‌ها یا روش ارزیابی، قابلیت واقعی مدل برای تعمیم به بیماران جدید را نشان نمی‌دهد. مشکل اینجاست که اگر ما هم صرفاً همان چارچوب‌های رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم.☑️ به نظر من در پروژه‌های پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست می‌آوریم واقعاً قابل اعتماد باشد؟»🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کرده‌ام و چارچوبی را که برای طراحی آزمایش‌ها و ارزیابی روش‌های تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح داده‌ام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالش‌هایی که در مسیر وجود دارند.اگر روی پایان‌نامه، مقاله یا پروژه‌ای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار می‌کنید، فکر می‌کنم این ویدیو قبل از شروع آزمایش‌های نهایی می‌تواند برایتان مفید باشد.🎥 ویدئوyoutu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM%… جزییات بیشتر 👇onlinebme.com/arrhythmia-detection-using-… آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی@onlinebme

📄مقاله تازه‌ای با عنوان  Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks  منتشر شده است که مستقیماً به قلب مسئله‌ی Credit Assignment و محدودیت‌های بیولوژیکی شبکه‌های عصبی می‌زند. نکته اصلی مقاله رو اگه بخوایم… 🧠 آیا می‌توان شبکه‌ای ساخت که کمی شبیه مغز یاد بگیرد؟▪️در شبکه‌های عصبی معمولی، یک نورون می‌تواند از طریق وزن‌های مختلف هم اثر مثبت و هم اثر منفی روی نورون‌های بعدی بگذارد.▫️اما در مغز، وضعیت متفاوت است. نورون‌ها عمدتاً تحریکی (Excitatory) یا مهاری (Inhibitory) هستند؛ یعنی ماهیت اثر خروجی آن‌ها ثابت می‌ماند. این ویژگی را با نام Dale’s principle  می‌شناسیم.☑️ حالا یک سؤال جالب مطرح می‌شود:اگر شبکه عصبی را مجبور کنیم این محدودیت زیستی را رعایت کند، آیا هنوز می‌تواند یاد بگیرد؟📑مقاله‌ی جدید Diffusing Blame دقیقاً همین سؤال را بررسی می‌کند.پژوهشگران شبکه را به دو جریان جداگانه‌ی تحریکی و مهاری تقسیم کردند و وزن‌های قابل یادگیری را غیرمنفی نگه داشتند. 🔺اما چالش مهم دیگری باقی می‌ماند: Backpropagation برای محاسبه‌ی سهم هر لایه در خطا، به اطلاعات وزن‌های مسیر forward  در مسیر backward وابسته است؛ مسئله‌ای که به Weight Transport Problem  معروف است و سازوکار مشخصی برای آن در مغز نمی‌شناسیم.💡راه‌حل این مقاله، استفاده از Error Diffusion  است.به‌جای اینکه خطا مثل Backpropagation لایه ‌به ‌لایه به عقب برگردد، یک سیگنال خطای خروجی مستقیماً به بخش‌های مختلف شبکه می‌رسد. نویسندگان با معرفی Modulo Error Routing  این ایده را برای مسائل چندکلاسه نیز گسترش داده‌اند.و نتیجه؟✅ این شبکه واقعاً توانست یاد بگیرد:MNIST → 96.7٪CIFAR-10 → 61.7٪در یادگیری تقویتی نیز Error Diffusion را با PPO ترکیب کردند و روی چند محیط آزمایش کردند. در بعضی موارد عملکرد رقابتی بود، اما در مسائل دشوارتر همچنان فاصله و ناپایداری نسبت به روش‌های مبتنی بر Backpropagation دیده می‌شود.💡اما شاید مهم‌ترین پیام مقاله همین باشد:این پژوهش نمی‌گوید Backpropagation را کنار بگذاریم.بلکه نشان می‌دهد می‌توان محدودیت‌هایی الهام‌گرفته از ساختار واقعی مغز را وارد شبکه کرد و بدون Weight Transport و با رعایت  Dale’s principle، همچنان یک سیستم یادگیرنده ساخت.و این ما را به یک سؤال عمیق‌تر می‌رساند:اگر مغز از Backpropagation کلاسیک استفاده نمی‌کند، پس چگونه مسئله‌ی Credit Assignment  را حل می‌کند؟این مقاله پاسخ نهایی را پیدا نکرده؛اما یک قدم جالب در مسیر پیدا کردن آن است. 📄 مقاله:Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networksمطالعه مقاله در arXivPiko 🐾🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی@onlinebme#Backpropagation #Neuroscience #DeepLearning #BiologicallyPlausibleAI 

📄مقاله تازه‌ای با عنوان Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks منتشر شده است که مستقیماً به قلب مسئله‌ی Credit Assignment و محدودیت‌های بیولوژیکی شبکه‌های عصبی می‌زند.نکته اصلی مقاله رو اگه بخوایم به صورت خلاصه بگیم اینه:پژوهشگران می‌خواستند ببینند آیا می‌شود یک شبکه عصبی بسازیم که از نظر نحوه اتصال نورون‌ها بیشتر شبیه مغز باشد، اما همچنان بتواند یاد بگیرد؛ بدون اینکه برای آموزش از Backpropagation معمولی استفاده کند.و جواب مقاله این است: تا حدی بله، اما هنوز با شبکه‌های معمولی فاصله دارد. @onlinebme

⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین! داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو با یه «واترمارک نامرئی» علامت گذاری می‌کنه.  این…⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین!داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو بایه «واترمارک نامرئی» علامت گذاری می‌کنه.  این کار رو برای رعایت قوانین جدید شفافیتاتحادیه اروپا انجام دادن، اما نکته‌ی مهم اینه که این علامت‌گذاری فقط مال اروپانیست؛ جهانیه و همه‌جا اعمال می‌شه.▪️حالا دقیقاً چی می‌شه؟وقتی Claude براتون متن می‌نویسه، یه علامت ماشینی (watermark) خیلی ریز و نامرئی رو مستقیم توی خودِ متن جاسازیمیکنه.  شما با چشم نمی‌بینینش، معنای جمله رو خراب نمی‌کنه، کیفیتش هم همون‌طور می‌مونه. ولی وقتی کپی می‌کنین و جای دیگه پیست می‌کنین، این علامت همراهش میره. حتی بعضی وقتا بعد از ویرایش‌های سبک هم هنوز پابرجاست!🔺 برای فایل‌ها و عکس‌ها هم قضیه جداست. اونا رو با متادیتای امضاشده‌ی دیجیتال (استاندارد C2PA) نشونه‌دار می‌کنه تا معلوم بشه این فایل از زیر دست Claude رد شده.▪️ولی بخش واقعاً نگران‌کننده‌ش اینه:فرض کنین خودتون متن رو نوشتین و فقط دادین به Claude که یه کم ویرایش کنه، ترجمه‌ش کنه، خلاصه‌ش کنه یا نگارشش رو بهتر کنه. باز هم ممکنه خروجی نهایی این علامت رو داشته باشه. سیستم فقط می‌فهمه که «این متن از Claude عبور کرده»، نه اینکه لزوماً خودِ Claude نویسنده‌ی اصلیش بود.▪️شرکت Anthropic گفته قراره ابزار تشخیص این علامت‌ها رو در اختیار ناشرها، ژورنال‌های علمی، دانشگاه‌ها و پلتفرم‌ها بذاره. جزئیاتشهنوز نیومده، اما مسیر مشخصه: ردیابی محتواهایی که با هوش مصنوعی تولید یا پردازش شدن، داره خیلی راحت‌تر می‌شه.💡 این موضوع مخصوصاً برای دنیای دانشگاه و پژوهش مهمه. تصور کنین در آینده یه ژورنال یا دانشگاه بتونه علاوه بر ابزارهای تشخیص AI، بررسی کنه که آیا یه متن یا فایل ردپایی از تولید یا پردازش توسط یه مدل هوش مصنوعی داره یا نه.▪️دیگه فقط بحث این نیست که «آیا این متن شبیه نوشته‌ی AI هست؟» بلکه می‌شه پرسید: ؟ « این محتوا کجا و چطور تولید یا پردازش شده؟ » به این مفهوم می‌گن Content Provenance؛ یعنی منشأ و سابقه‌ی تولید محتوا.▪️البته Anthropic تأکید کرده که وجود این علامت به‌معنی اثبات صددرصدی «نویسندگی کامل توسط هوش مصنوعی» نیست و اگه متن رو حسابی بازنویسی کنین، ممکنه علامت ضعیف بشه یا از بین بره. ولی واقعیت اینه که عصر متن‌های کاملاً بدون ردپا، داره کم‌کم تموم می‌شه.🧐 شما چطور با این موضوع برخورد می‌کنین؟ اینو اقدام مثبتی برای شفافیت می‌دونین، یا محدودیتجدیدی برای استفاده‌ی آزاد از ابزارهای هوش مصنوعی؟نظرتون رو بگین.📚 مطالعه بیشتر:🔗 راهنمای رسمی Anthropic درباره نحوه علامت‌گذاری محتوای Claude:How Claude marks AI-generated contentPiko 🐾🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی@onlinebme

⚠️از این به بعد، Claude  متن‌هاتون رو علامت‌گذاری می‌کنه. حتی اگه فقط ویرایش کرده باشین!داستان از این قراره که شرکت  Anthropic، همون سازنده‌ی Claude، رسماً اعلام کرده مدل‌هاش دیگه متن‌هایی که تولید می‌کنن رو بایه «واترمارک نامرئی» علامت گذاری می‌کنه.  این کار رو برای رعایت قوانین جدید شفافیتاتحادیه اروپا انجام دادن، اما نکته‌ی مهم اینه که این علامت‌گذاری فقط مال اروپانیست؛ جهانیه و همه‌جا اعمال می‌شه.@onlinebme

📱 گوشی شما زمان رو دو بار ازتون می‌دزده! ⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته. 🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه می‌کنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم. و حتی عجیب‌تر... @onlinebme📱 گوشی شما زمان رو دو بار ازتون می‌دزده!فرض کنید صبح گوشی رو فقط برای چک کردن یه پیام برمیدارید...یه ویدئو می‌بینید، بعد یکی دیگه، یه خبر، یه پست، یه استوری...سرتون رو که بلند می‌کنید، می‌بینید یک ساعت گذشته! 😐حالا از خودتون می‌پرسید: «من توی این یک ساعت دقیقاً چی کار کردم؟»و عجیب اینجاست که خیلی وقت‌ها جواب مشخصی ندارید. همه‌چیز یه جور مبهمه.🔺این فقط یه حس شخصی نیست.🔬پژوهش‌ها درباره ادراک زمان و رسانه‌های دیجیتال نشون میدن که وقتی شدیداً درگیر محتوای دیجیتال می‌شیم، توجه ما مدام از یک محرک به محرک بعدی منتقل می‌شه. مغز برای دنبال کردن این جریان بی‌پایان محتوا انرژی و توجه زیادی مصرف می‌کنه و در نتیجه، توجه کمتری برای دنبال کردن گذر زمان باقی می‌مونه.یعنی یک ساعت واقعاً سریع‌تر نگذشته؛ ما فقط کمتر متوجه گذشتنش شدیم.حتی جالب‌تر اینکه در یک مطالعه، وقتی افراد خودشان محتوای بعدی را انتخاب می‌کردند، کم‌برآورد کردن زمان شدیدتر از زمانی بود که فقط همان محتوا را به ‌صورت منفعلانه تماشا می‌کردند.اما قسمت عجیب‌تر ماجرا بعداً اتفاق می‌افته!شب که میشه و میخواید روزتون رو مرور کنید، مغز برای ساختن یک تصویر از گذشته به نقاط عطف حافظه تکیه میکنه.·▪️ یه گفت‌وگوی خوب·▪️ یه پیاده ‌روی·▪️ یه غذای خوب با دوستتون·▪️ یه اتفاق جالباین‌ها تبدیل میشن به لنگرهایی که روزمون رو در حافظه نگه میدارن.اما یک ساعت اسکرول کردن چی؟ده‌ها و شاید صدها محتوای کاملاً متفاوت...خبر، طنز، تبلیغ، گربه، ورزش، سیاست، یک ویدئو، یک دستور غذا...آنقدر متنوع و پراکنده که در نهایت ممکنه هیچ‌کدوم تبدیل به یک خاطره مشخص نشن.و اینجاست که گوشی میتونه زمان رو دو بار از ما بدزده:⏳ بار اول، همان لحظه: چون متوجه نمیشیم چقدر زمان گذشته.🧠 بار دوم، در حافظه: چون وقتی به عقب نگاه می‌کنیم، چیز مشخصی برای چسبیدن به آن یک ساعت نداریم.و حتی عجیب‌تر...گاهی لازم نیست اصلاً گوشی رو دستتون گرفته باشید.برخی پژوهش‌ها نشون داده‌اند که صرف حضور گوشی هوشمند روی میز، حتی وقتی خاموش و صفحه‌اش رو به پایینه، می‌تونه با عملکرد توجه تداخل داشته باشه.اما شاید مهم‌ترین بخش این داستان این باشه:🧠 ما لزوماً خاطرات کمتری پیدا نمی‌کنیم؛ داریم خاطرات کم‌رنگ‌تری می‌سازیم.هر روز حجم بسیار زیادی از محتوای دیجیتال وارد زندگی ما میشه. تجربه‌های زیادی داریم، اما بخش زیادی از آن‌ها ممکنه هیچ وقت به یک «نقطه عطف» در حافظه تبدیل نشن.💡خبر خوب؟ این اتفاق قابل تغییر دادنه.شاید گاهی گوشی رو بذاریم توی اتاق دیگه.گاهی چند ساعت بدون صفحه‌ نمایش داشته باشیم.و شاید از همه مهم‌تر، به جای اینکه همیشه دنبال محتوای بیشتر باشیم، کمی بیشتر در همان چیزی که داریم تجربه می‌کنیم بمانیم.چون شاید مشکل این نباشه که زندگی‌مون اتفاقات کمی داره.شاید فقط باید به مغزمون فرصت بدیم اتفاقات مهم رو ثبت کنه...📚 مطالعه بیشتر:msense.de/posts/your-phone-steals-time-tw… 🐾🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی@onlinebme