IT با طعم HIT | مهرداد حسن زاده

تمام کامندهای کلودکد یک جا برای راحتی کار

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

VS Code 1.121: فراتر از یک ادیتور، یک همراه هوشمند! 🚀

🛠️ پیش‌نمایش آنی Mermaid:
دیگه لازم نیست برای دیدن فلوچارت‌ها و نمودارهایِ داکیومنت، دنبال افزونه بگردی. حالا داخلِ مارک‌داون، همه چی زنده و مستقیم در دسترسه. تمیزی و نظمِ مستندات‌ت رو تضمین کن!

🌐 مرورگرِ درونی برای HTML:
خداحافظی با «Live Server» و جابه‌جاییِ خسته‌کننده بین تب‌های مرورگر. پیش‌نمایش فایل‌های HTML حالا بومی شده؛ یک کلیک، یک نگاه، تمام!

🤖 قدرتِ Agent روی ریموت‌سِرور:
این یعنی آزادیِ کامل. دیگه محدود به محیط لوکال نیستی؛ مدیریتِ ایجنت‌ها روی سرورهای ابری یا حتی Raspberry Pi، حالا مستقیم از پنجره‌ی Agents انجام می‌شه.

🧠 مدل‌های هوش مصنوعیِ شخصی‌سازی‌شده:
دیگه همه‌چیز دستِ خودته. مدلِ هوش مصنوعیِ هوشمندِ خودت رو برای کارهایِ روتین مثل نوشتنِ کامیت‌ها یا تایتل‌ها انتخاب کن تا تمرکزت روی منطقِ اصلیِ برنامه باقی بمونه.

⚡ بهینه‌سازیِ ترمینال:
سرعت، یعنی همه چیز. با کاهشِ مصرفِ توکن‌ها و تمیزکاریِ خودکارِ ترمینال‌هایِ پنهان، VS Code حالا سبک‌تر و سریع‌تر از همیشه اجرا می‌شه.

🔴 دانلود دوره از مکتب خونه فقط با یک کلیک

🔺تو این برنامه میتونید دوره مد نظرتون رو فقط با یه  کلیک از سایت مکتب خونه دانلود کنید بدون اینکه نیاز باشه تک تک فایل هارو دستی دانلود کنید.


🔺وارد صفحه کورس مد نظرتون بشید. لینک رو وارد برنامه کنید و سپس نام کاربری و رمز عبور اکانتتون رو وارد برنامه کنید و تمام!

دارای امکانات دیگه ای مثل زمانبندی دانلود و...

🔺در آپدیت بعدیش سایت های دیگه مثل فرادرس و تاپلرن هم بهش اضافه میکنم.


دانلود نرم افزار برای ویندوز:

https://github.com/Mtgama/Maktabkhooneh-DL/releases/tag/V0.1


دانلود سورس کد:

https://github.com/Mtgama/Maktabkhooneh-DL


➖➖➖➖➖➖
🔴 @hitwithit

🌟 پرامپت‌نویسی اصولی با ابزار جدید

OpenAI: Prompt Optimizer

✅این قابلیت جدید می‌تونه پرامپت شما رو بهینه‌سازی کنه؛
یعنی متن رو از نظر وضوح، ساختار و دقت خروجی اصلاح می‌کنه تا بهترین نتیجه رو بگیرید.

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

📝 این سایت در واقع یک کتابخانه پرامپت است با بیش از 0⃣0⃣1⃣ پرامپت مهندسی‌شده.
کاملاً رایگان

https://www.promptly.fyi/library


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

Neural networks and machine learning

🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

✅ یه هوش مصنوعی اوردم مخصوص برنامه نویس های کانال👌👌

🔍 معرفی Qoder – ابزار هوش مصنوعی برای برنامه‌نویس‌ها

Qoder یک پلتفرم برنامه‌نویسی مبتنی بر هوش مصنوعیه که تمرکزش فقط روی پیشنهاد چند خط کد نیست؛
بلکه سعی می‌کنه کل پروژه و ساختار کد رو به‌صورت یکپارچه درک کنه.

ویژگی مهم Qoder اینه که به شکل Agent-based کار می‌کنه؛ یعنی می‌تونه:

کدبیس رو تحلیل کنه

تغییرات چندفایلی انجام بده

باگ‌ها رو پیدا و اصلاح کنه

و روی فیچرها به‌صورت مرحله‌ای کار کنه

دو حالت اصلی داره:

Agent Mode: شبیه یک هم‌تیمی که کنار شما کد می‌زنه و تصمیم‌گیری می‌کنه

Quest Mode: شما فقط هدف یا تسک رو توضیح می‌دید، Qoder مسیر اجرا رو خودش برنامه‌ریزی می‌کنه

Qoder بیشتر برای پروژه‌های واقعی و نسبتاً بزرگ کاربرد داره؛
جایی که فهم کانتکست، وابستگی‌ها و منطق کلی سیستم مهمه.

📌 اگر دنبال ابزاری هستید که فراتر از autocomplete فکر کنه، Qoder ارزش بررسی کردن رو داره.

اینم از لینک دانلود برنامه 👌👇👇

https://qoder.com/download

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

سلام دوستان امیدوارم حالتون خوب باشه ( هرچند گفتن خود این جمله درست نیست)
هنوز نمیدونم باید فعالیت کنم یا نه و طبیعتاً مثل قبل دیگه حال و حوصله فعالیت نیست، هنوز بین سکوت و از پیش گرفتن روند فعالیت دچار تردید هستم.
منتهی در این مدت یه سری تجربیات جالبی درباره برنامه نویسی و همکاری با برخی دوستان بدست آوردم که بد نیست به اشتراک بزارم:

دوران کد نویسی واقعا تموم شده و باید اینو بپذیرید!
از لوپ دوره الکی دیدن خارج بشید. این روز ها دیگه هدف شرکت ها استخدام برنامه نویس برای کد نوشتن نیست هدف حل چالش هست حال با هر ابزاری...
اگر شما سال ها عمرتون رو به برنامه نویسی صرف کنید، میتونید در حد ابزار هایی مثل کرسر، چت جی پی تی، کلاد ، انتی گراویتی ، گوگل متریال دیزاین و... باشید ؟ به هیچ وجه!
عملا هر کدی که بخواین توسط این ابزار تولید میشه.
پس من چی یاد بگیرم و چطور یاد بگیرم ؟
یادگیری این مهارت ها از نون شب براتون واجب تره:

⭕️سرچ کردن:
این مهارت بیشتر تجربی بدست میاد ولی یه سری اصول داره که میشه درباره خود این اصول سرچ کنید! سرچ قوی یعنی اتصال مغزتون به دنیای اینترنت بوسیله دستاتون!

⭕️پرامپت نویسی:
نمیخاد برید صد ساعت دوره پرامپت نویسی حرفه ای ببینید ولی با اصول پایه و مقدماتی آشنا بشید تا بتونید سرچ هدفمندی در مدل های LLM داشته باشید.


⭕️درک زبان برنامه نویسی:
در حوزه ای که کار میکنید ، یه سری مقدمات و درک اصول برنامه نویسی رو برای مدیریت بهتر پروژه نیاز دارید. جادی یه دوره در این باره در یوتیوبش و مکتب خونه داره


⭕️درک نیاز یک بیزینس:
تا وقتی که تو شرکت واقعی کار نکردم وقتمو با هزاران ساعت دوره هدر دادم! به جرعت میتونم بگم از یه دوره ۱۴۰ ساعتی ماشین لرنینگ، اکثرش به دردم نخورد و بیشتر پروژه واقعی با سرچ جلو رفت! البته دیدن دوره بهم دید میداد ولی ۱۴۰ ساعت نیاز نبود!


⭕️مفاهیم کلیدی پروژه های برنامه نویسی:
اگر در حوزه ای مثلا مهندسی هوش مصنوعی یا فرانت، بکند و... کار می‌کنید ؛ اصول مشترک رو یاد بگیرید. اصول مشترک چیه؟
مفاهیم pipeline, نحوه دیزاین و طراحی یک پروژه، کد نویسی تمیز، فولدر بندی یه پروژه ، معماری پروژه و اصول کلی مهندسی نرم‌افزار.
تموم این موارد با سرچ کردن تا حدودی قابل دسترسی هستن ولی میتونید درباره اصول کد نویسی تمیز و معماری سازی پروژه یه دوره کوتاه در مکتب خونه بگذرونید.


⭕️زبان انگلیسی:
مهم مهم مهم! جای توضیح نداره. هرچند میشه از ابزار هم استفاده کرد و خیلی چیزا رو ترجمه و تبدیل کرد ،ولی سعی کنید سرچ کردن تو کامیونیتی انگلیسی و forum های انگلیسی و نحوه پرسیدن مشکلات رو یاد بگیرید.


در ضمن اینو هم اضافه میکنم که مسیر آکادمیک با مسیر بازار کار معمولا متفاوت هست و بسیاری از جزییات در پروژه های بازاری لازم نیستن. استفاده از ai در بازار کار مزیت حساب میشه و هدف کارفرما نمره و معدل شما نیست، پول میده تا مشکلش برطرف بشه! باید بتونی یاد بگیری که چطوری نیازتو در لحظه با سرچ کردن و مطالعه داینامیک ، برطرف کنی.
انسان دیگه رسما نقش مدیریت پروژه و سازماندهی اونو بر عهده داره...
اگر همچنان با مسیر سنتی جلو برید ، از رقبا عقب میوفتید‌.
اینم اضافه کنم که لازم نیست به تسلط تمام برسید تا شروع کنید، میتونید شروع کنید تا به تسلط خاصی برسید! میتونید با برخی اساتید کانکت بشید و با پروژه های ساده آکادمیک شروع کنید ، ارزش یادگیری معکوس و کنجکاوانه از ساعت ها دوره دیدن گاها بهتره هرچند ممکنه سریعتر نباشه.



----------------------
🔺 @hitwithit

گاهی آدم وسط چهارراهی می‌ایسته که هیچ‌کدوم از تابلوها اسم خیابون رو نگفتن.
نه راهِ رفتن قطعیه، نه ایستادن بی‌خطر.
انگار قطب‌نما تصمیم گرفته اعتصاب کنه و شمال، صرفاً یک شایعه‌ست.
نمی‌دونم.
و این روزها «نمی‌دانم» صادقانه‌ترین جمله‌ای‌ست که می‌شه گفت؛
مثل اعترافِ چراغی که می‌فهمه خورشید نیست.
نمی‌دانم بازگشتن به روال قبل شجاعت است
یا نوعی مهارت در ندیدنِ ترک‌های دیوار.
نمی‌دانم سکوت، حکمت است
یا فقط صدایی که از ترس، در گلوی خودش تبعید شده.
حتی امید هم دیگر چهره‌ی ثابتی ندارد؛
گاهی شبیه فانوس است،
گاهی شبیه نقاشیِ فانوس روی دیوارِ زندان.
به آن‌ها که می‌توانند ادامه دهند حسادت نمی‌کنم،
به «تعادلِ در طوفان»شان حسادت می‌کنم.
به اینکه چطور بعضی‌ها یاد گرفته‌اند
روی کشتیِ سوراخ هم
چای‌شان را بی‌لرزش بنوشند.
شرکتی که فرو ریخت،
فقط یک محل کار نبود؛
یادآوری این بود که
در زمانه‌ای زندگی می‌کنیم که حتی «اتصال» هم
به نخ باریکی بند است
که هر لحظه ممکن است قیچی شود.
انگار جهان با یک دکمه خاموش می‌شود
و ما تازه می‌فهمیم چقدر زندگیمان آنلاین بوده،
حتی وقتی فکر می‌کردیم آفلاینیم.
اما ترس بزرگ‌تر چیز دیگری‌ست؛
نه سقوط،
نه شکست،
بلکه «عادت کردن به سقفِ کوتاه».
انسان به زندان هم عادت می‌کند،
و این، خطرناک‌تر از میله‌هاست.
ذهنم این روزها پر از «کِ چِ» است؛
صدای قیچی‌ای نامرئی
که قبل از تولد هر ایده‌ای
بند نافش را می‌بُرد.
هر فکر، پیش از اینکه پر بگیرد
با یک سؤال می‌میرد:
«خب که چی؟»
انگار معنا تبدیل شده به کالایی لوکس،
و ما با جیب‌های خالیِ یقین
جلوی ویترینش ایستاده‌ایم.
کسانی پیام می‌دهند، راه می‌پرسند،
و من مانده‌ام با دستی پر از مه.
چطور می‌شود در جهانی که معادلاتش
با عقلِ یک نفر حل نمی‌شود
نسخه‌ی قطعی پیچید؟
وقتی خودِ زمین زیر پا
در حال بازنویسی قوانین تعادل است؟
شاید مسئله این نیست که نمی‌دانیم چه درست است،
شاید مسئله این است که
برای اولین بار داریم می‌فهمیم
قطعیت، توهمِ دورانِ آرامش بوده.
و حالا ایستاده‌ایم
نه در تاریکی مطلق،
بلکه در گرگ‌ومیشی که
چشم‌ها را مجبور می‌کند
واقعاً تلاش کنند برای دیدن.
این روزها «نمی‌دانم»
نشانه‌ی گم‌بودن نیست؛
نشانه‌ی این است که
دیگر حاضر نیستیم
دروغِ «می‌دانم» را
به خودمان بفروشیم.
و شاید
اولین قدمِ فهمیدن
دقیقاً از همین‌جا شروع می‌شود.

🤖 بات رسمی Copilot در تلگرام

🔹 @CopilotOfficialBot

به‌دلیل کندی اینترنت و از کار افتادن بسیاری از فیلترشکن‌ها و VPNها، ممکنه این روزها دسترسی به Gemini و ChatGPT برای خیلی‌ها با مشکل مواجه شده باشه.
🔁 به‌صورت موقت می‌تونید از Copilot، دستیار هوش مصنوعی مایکروسافت مستقیماً داخل تلگرام استفاده کنید و همچنان به یک ابزار هوش مصنوعی قابل‌اعتماد دسترسی داشته باشید.


با تلگرام شماره‌ی ایران مشکلی نداره فقط یه وریفای میزنید و تمام


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

🔺 اثر سایز یا effect size چیست؟چرا در بحث داده کاوی سلامت اهمیت دارد علی الخصوص در بخش تولید دارو؟

تو این ویس سعی کردم خیلی ساده گریزی به اهمیت آمار در بحث داده کاوی و مفهوم اثر آزمون یا effect size داشته باشم.


➖➖➖➖➖
🔺 @hitwithit
🔺 YouTube
🔺 #داده_کاوی_سلامت

🔥 دیگه به ChatGPT نگو این متن رو خلاصه کن ، به جاش از این چهار تا پرامپت خفن استفاده کن!

1⃣ استخراج بینش های استراتژیک

Analyze this text like a strategy consultant. Identify the key ideas, missed opportunities, and strategic implications I should act on immediately

2⃣ استخراج آنچه‌دیگران نادیده میگیرند

Read this text and point out the hidden sumptions, biases, or unspoken perceptio that most readers would overlook - but experts would notice.



3⃣ خلاصه برای تحقیقات خیلی پیچیده

Analyze the methodology, key findings, anc mitations of this academic paper step by ste Then, write a three-sentence summary focused on how the study's findings can be applied in practice

4⃣ خلاصه اجرایی با عناصر عملیاتی

As a project manager, summarize the key findings of this report in under 200 words, including at least three practical recommendations

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

📕جمنای، چت جی پی تی، گراک یا پرپلکسیتی؟

📗هر هوش مصنوعی برای چه کاری مناسبه؟

تو این تصویر یه توضیح کلی برای استفاده از این مدل ها در حوزه های مختلف داده شده.

➖➖➖➖➖
🔺 @hitwithit

‼️چجوری متن PDF رو به وایت‌برد تصویری تبدیل کنیم؟

اگه یادگیری بصری رو به خواندن متن های طولانی ترجیح می دی این ترفند هوش مصنوعی به کارت میاد. خروجی‌ش یه تصویر شبیه تخته‌کلاسه

📌 مراحل کار :
✔️ وارد NanoBanana شو و ثبت‌نام کن
✔️ از منو برو به Tools
✔️ گزینه Create Image رو انتخاب کن
✔️ فایل PDF رو آپلود کن
✔️ با یه پرامپت بهش بگو چی میخوای

✉️ نمونه پرامپت آماده:
این PDF رو به یک تصویر وایت‌بردی شبیه توضیح استاد تبدیل کن. از دیاگرام، فلش، باکس و توضیح‌های کوتاه استفاده کن تا ایده‌های اصلی به‌صورت بصری نمایش داده بشن. برای فهم بهتر از رنگ‌های آموزشی استفاده کن.

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

مقایسه توزیع های آماری و آزمون های کولبک، جنسون شنون و kolmogrov.

این آزمون ها به چه دردی میخورند و چه کاربردی در داده کاوی سلامت دارند؟

➖➖➖➖➖
🔻 @hitwithit

➖بازار کار چطوره؟
یا بخت یا اقبال! بقول جادی، پول مهمه ولی خب تا زمانی که چیزی برای یادگیری هست، من خوشحالم!
بازار کار تناقض زیاد داره! یکی راضی و یکی کلاش پس معرکه!
خیلی فاکتور ها در پروژه گرفتن شما موثره! مهم تر از استعداد شما، مهارت ارتباط گرفتن، اخلاق حرفه ای در کار، لینکدین و گیت هاب، گاها کمی پارتی و رانت، شهری که توش زندگی میکنید! ( فرض کنید خفن ترین مکانیک دنیایید ولی تو جهانی که همه با اسب و الاغ اینور اونور میرن!) و.... در نقش شما در بازار کار موثره!
🔺من یه جمله ای دارم که ممکنه بهش گارد بگیرید! ممکنه مخالف باشید ولی بنظرم خوندن فقط صرف رشته فناوری اطلاعات سلامت و انفورماتیک پزشکی بصورت خام، درست نیست! رشته ما یه اقیانوس به عمق 1 وجبه! همه چیز کار کرده هیچی بلد نیست!
یادگیری مهارت فنی رو جدی بگیرید! پز دانشگاه تاپ دادن و من انفورماتیکی ، فناوری سلامتی هستم، بعد دوران دانشجویی از سرتون میپره! واقعی بالا بیاید... معیار ارزیابی رو، روی خلق اثر و ارزش قرار بدید نه فلان دانشگاه یا رشته خوندن!
تا دلتون بخواد اساتید بی سواد دانشگاه تهرانی داریم :)
یادگیری مهارت هم تضمین آینده نیست ولی شانس رو بالا میبره!
از ترند هاهم کور کورانه پیروی نکنید!
یادگیری زبان خارجه (‌بسته به هدف) رو هم جدی بگیرید...

آرزوی موفقیت برای تک تک بچه های رشته و جایگاه رشته رو دارم

مهرداد حسن زاده

🛑پایتون رو یاد بگیریم؟ ارزش یادگیری پایتون در انفورماتیک پزشکی و داده کاوی! ریاضیات چقدر لازمه و ایا یادگیریش اجباریه؟ بیاین یکم از تجربیات خودم بگم

تجربه من ( هرکسی میتونه نظر خودشو داشته باشه):

شما باید بسته به حوزه کاری انتخابی به سمت یادگیری زبان برنامه نویسی مربوطه برید. از جمله فیلد هایی که به رشته فناوری اطلاعات سلامت و انفورماتیک پزشکی نزدیکه میشه میتوان به موبایل هلس و داده کاوی سلامت و IOMT اشاره داشت.
برای یادگیری اپلیکیشن نویسی موبایل ، قطعا پایتون انتخاب خوبی نیست! زبان هایی مثل جاوا، کاتلین، دارت و فریمورک فلاتر و...(قدیمی تر مثل vbs , B4A) به این منظور استفاده میشن. اما برای کار با دیتا و هوش مصنوعی و داده کاوی و همچنین کار های اماری، زبان هایی نظیر R ، متلب، پایتون ، جولیا و... (در موارد متعددی c++ , RUST, javascript برای برخی شرایط خاص) همپوشانی عالی ای دارند!
➖اما چرا پایتون رو توصیه میکنم؟
جامعه بزرگتر، منابع بی شمار، یادگیری اسان تر، کتابخانه های غنی ، ساپورت اغلب حوزه ها و... از جمله مواردی هست که برگ برنده پایتون هست. البته زبانی نظیر جولیا به تازگی رشد نسبتا خوبی رو داشته.
➖حالا ایا من حتما باید برنامه نویسی رو یاد بگیرم حالا که دارم این رشته رو میخونم؟
جواب قطعا نه هست!
این بستگی به علاقه، شرایط شما و گاها استعداد و برنامه شما برای اینده داره.
➖ایا با یادگیری برنامه نویسی آینده تضمین شده ای دارم؟
اگر یه فرمول ساده و ثابت برای موفقیت وجود داشت، این همه هرج و مرج و چه کنم چه کنم بین انسان ها نبود😁
قطعا نه! دانش برنامه نویسی یه ابزاره و موفقیت شما به مواردی مثل استمرار، برنامه ریزی، شرایط مکانی زمانی، شبکه سازی ، پول و پارتی و کلی فاکتور دیگه بستگی داره!
با ترکیبی از پکیج مهارت و شبکه سازی میشه چیز های جالبی تجربه کرد!
➖چقدر برای پایتون وقت بزارم؟
خب بنظرم پیچیدست و نمیشه صریح نظر داد ولی پیشنهاد من اینه که یه دید کلی بدست بیارید ( البته بستگی به حوزه کارکردی شما هم داره)، زیاد طولانیش نکنید! امروزه به دلیل بمباران اطلاعات، به خاطر سپردن و یادگیری عمیق هرچیزی درست نیست! منظورم از عمیق یعنی بیش از حد وسواسی بودنه! مهم ترین مهارت توانایی شما در سرچ کردن هست. مهارت پرامپت نویسی، مهارت سرچ مختلف در پایگاه های اطلاعاتی و مهارت وایب کدینگ هم میتونه موثر باشه. مثال معروف من تو کارگاهام برنامه کد گذار با 20 هزار خط کد هست! من نزدیک 5 تا 8 هزار خط کد این برنامه رو با تسلط نسبی بر فریمورک pyqt دستی نوشتم و ما بقی برنامه توسط پرامپت نویسی توسط مدل های AI نوشته شده که با مهارت نسبی قطعات پازل رو بهم وصل کردم!
آیا این یه ضعفه؟ نه اصلا! شرکت ها جدیدن مهارت پرامپت نویسی و کار با ابزار های AI رو به رزومه های خودشون اضافه کردن! باید بدونی چطور و به چه روشی اطلاعات لازم رو از اعماق اینترنت بیرون بکشی!
➖چقدر روی برنامه نویسی دانشگاه حساب کنم؟
تقریبا هیچی! البته بازم بستگی داره ولی معمولا به علت زمان کم، کلیکوروم پر از باگ و قدیمی، همراهمی نکردن همه افراد کلاس به هر دلیلی و...
چیزی که در دانشگاها تدریس میشه معمولا کاربردی نیست....
ترجیحا بصورت self-study باشه! برای شروع کار کتاب خوندن رو هم پیشنهاد نمیدم. کلاس حضوری چی؟ بنظر من وقت گیره ولی اگر لازم داری یکی بالا سرت باشه با عصای موسی، اوکیه...

➖ریاضیات در برنامه نویسی مهمه؟
بستگی داره به حوزت. برای مواردی مثل طراحی سایت و نوشتن اپلیکیشن نه خیلی...(شاید تقریبا نه) ولی برای حوزه هایی مثل هوش مصنوعی، داده کاوی و دیتا آنالیز قطعا بله!
چقدر عمیق بشیم؟ ما که رشتمون مهندسی نیست که ریاضیات زیادی داشته باشه!!!
خب راستش داده کاوی و ماشین لرنینگ فراتر از ساخت یه مدل سادست! کد های رگرسیون،KNN ، SVM تو اینترنت ریخته! یه دستی هم به چت جی پی تی برسونه زودی زده میشه ولی مفاهیمی مثل انتخاب الگوریتم مناسب، تحلیل مدل ، خطایابی ، ارزیابی و... نیازمند دانش ریاضیات و امار و احتماله...

لازم نیست خیلی عمیق واردش شید. من یادگیری نیتیو و داینامیک رو توصیه میکنم. یعنی چی؟ مفاهیمی مثل شناخت توزیع های آماری ( مثلا وقتی داده های من از توزیع برنولی تبعیت میکنند یعنی چی؟ به چه کار میاد؟ نرمال بودن داده ها یعنی چی؟ و...)، مفاهیم پایه ای آمار و احتمالات و از ریاضیات هم مفاهیم جبر خطی ، فضای دکارتی و ماتریس ها و کمی حد و مشتق و انتگرال کافیه اونم نه خیلی عمیق. اونم نه خیلی خشک! یعنی میتونید در حین یادگیری یه الگوریتم ماشین مفاهیم رو یا سرچ کنیدو یا با ویدیو دیدن در دانشگاه یوتیوب کامل کنید. تاکید میکنم امروزه مغز شما دست شماست! توانایی سرچ کردن و کشیدن اطلاعات مورد نیاز در لحظه!
یادگیری تفکر الگوریتمی و پارت پارت کردن مسائل هم سعی کنید با پروژه زدن تمرین کنید.

حالا تموم مطالب بالا رو در پایتون ببینیم!

➖➖➖➖
🔻 @hitwithit

🎙 توضیح خیلی ساده KL Divergence (با مثال پزشکی)

تصور کن دکتر هستی و داری از روی داده‌ها تصمیم می‌گیری.

تو همیشه یه تصویر ذهنی از بدن بیمار داری.
مثلاً:

فکر می‌کنی فشار خون بیماران معمولاً نرماله

یا قند خون اغلب تو یه بازه خاص می‌چرخه

اما بدن واقعی آدم‌ها همیشه دقیقاً مثل تصویر ذهنی ما رفتار نمی‌کنه.

🔍 واگرایی KL دقیقاً اینو می‌سنجه:

اینکه تصویر ذهنی ما از داده‌های پزشکی، چقدر با واقعیت فرق داره

🩺 مثال خیلی ساده: قند خون

فرض کن:

از ۱۰۰۰ بیمار قند خون گرفتی → این می‌شه واقعیت

یه مدل داری که می‌گه:

«قند خون بیماران تقریباً نرمال پخش شده»

حالا سؤال:

این فرض چقدر به داده‌های واقعی نزدیکه؟

KL میاد می‌گه:

اگه عددش کوچیک باشه → فرضت خوبه، می‌تونی بهش اعتماد کنی

اگه بزرگ باشه → فرضت خطرناکه، ممکنه تشخیص غلط بدی

🧠 تشبیه خیلی ملموس

KL مثل اینه که با یه نقشه‌ی اشتباه بری اتاق عمل.

اگه نقشه کمی فرق داشته باشه → شاید هنوز کار راه بیفته

اگه خیلی فرق داشته باشه → فاجعه

KL می‌گه:

نقشه‌ی تو چقدر با بدن واقعی فرق داره؟

🧪 چرا این مهمه؟

چون در پزشکی:

تصمیم درمانی

تشخیص بیماری

پیش‌بینی ریسک

همه بر اساس مدل‌ها انجام می‌شن، نه خود داده خام.

و KL به ما می‌گه:

«این مدل، چقدر امنه؟»

🧾 یک جمله‌ی خیلی کوتاه برای اسلاید یا نوت‌بوک

KL Divergence یعنی اندازه‌ی فاصله‌ی بین چیزی که فکر می‌کنیم داده‌های پزشکی هستن، و چیزی که واقعاً هستن.

🎯 جمع‌بندی یک‌خطی

هرچی KL کمتر → مدل پزشکی مطمئن‌تر
هرچی KL بیشتر → ریسک تصمیم‌گیری بالاتر

➖➖➖➖➖
🔺 @hitwithit

📌 واگرایی کولبک–لیبلر (KL)
می‌گه اگر واقعیت یه چیز باشه ولی ما با تصور اشتباه تصمیم بگیریم، چقدر اطلاعات از دست می‌ره.

🩺 مثال پزشکی:
واقعیت می‌گه احتمال بیماری قلبی ۳۰٪ ـه
مدل می‌گه فقط ۱٪
یعنی مدل شدیداً اشتباه فکر می‌کنه → KL بزرگ → تشخیص خطرناک


---

📌 واگرایی جنسن–شنون (JS)
می‌گه دو تا توزیع احتمال چقدر شبیه هم هستن.

🩺 مثال پزشکی:
توزیع علائم بیماران دیابتی
در برابر
توزیع علائم بیماران سندرم متابولیک
علائم شبیه‌ان → JS کوچیک → الگوی بیماری نزدیکه


---

🧠 جمع‌بندی خیلی خلاصه
KL = هزینه‌ی تشخیص اشتباه
JS = میزان شباهت الگوهای بیماری


برای اطلاعات بیشتر بخوانید
➖➖➖➖➖
🔺 @hitwithit
🔺 YouTube
🔺 مهارت فنی در انفورماتیک پزشکی و داده کاوی سلامت