TGViewer
Channel Public Channel
NeuroSyntax

NeuroSyntax

@neuro_syntax

Subscribers
4.74K
Photos
404
Videos
84
Links
324
Recent Posts 16 shown
Post #1771 1.39K
✅ زمان شروع دوره: اوایل آبان‌ماه

▫️پیشنهاد می‌کنیم تا زمان آغاز دوره، جهت آشنایی و یادآوری مفاهیم پایه‌ای، جلسات پیشین نوروسینتکس (از جمله نشست‌های آگورا و مبحث Matrix Decomposition) را مرور کنید.

▫️در طول دوره به مفاهیمی نظیر Backpropagation، Neural Networks و Optimization برمی‌خوریم؛ مباحثی که عمدتاً در یادگیری ماشین بررسی می‌شوند. برای یادگیری این موضوعات، دو منبع پیشنهادی زیر بسیار کاربردی خواهند بود:
1)دوره Machine Learning Specialization (دکتر Andrew Ng):
کورس اول (Supervised ML: Regression and Classification): مشاهده هفته‌های اول و دوم.
2)کورس دوم (Advanced Learning Algorithms): مشاهده هفته‌های اول تا سوم.
دوره یادگیری ماشین (دکتر شریفی زارچی): اگر به دنبال منبعی فارسی و روان هستید، این دوره یکی از بهترین گزینه‌هاست. مباحث جلسات ۱، ۲، ۳، ۴، ۹، ۱۰، ۱۱ و ۱۲ بیشترین ارتباط را با موضوعات ما دارند.

▫️تلاش ما بر این است که دوره کمترین پیش‌نیاز ممکن را داشته باشد؛ با این حال، آشنایی قبلی با این مفاهیم روند یادگیری شما را بسیار روان‌تر خواهد کرد.

▫️در نهایت، اگر پیشینه‌ای در کار با مباحثی مثل Neural Manifolds یا Neural Trajectories دارید، به دیتاست مناسبی دسترسی دارید، یا هر ایده و پیشنهادی برای بهبود کیفیت دوره به ذهنتان می‌رسد، خوشحال می‌شویم از طریق آیدی زیر با ما در ارتباط باشید:
👉 @AlirezaPiani
Post #1766 1.21K
درود خدمت تمامی مخاطبان نوروسینتکس؛
بسیار خوشحالم که میزبان چند نشست از فصل «Computation Through Dynamics» هستم. من علیرضا پیانی، دانشجوی الگوریتم و محاسبات دانشگاه تهران هستم. رویکردی که شخصاً دنبال می‌کنم، فارغ از بررسی ماهیت «نورال مَنیفولد»، تعمیق در شناخته‌شده‌ترین روش‌های استخراج آن است. قصد داریم در طول زمان پیش برویم و سیر تکاملی و منطق ریاضیِ پشت هر روش را واکاوی کنیم.
پنج الگوریتمی که برای این مسیر انتخاب کرده‌ایم عبارت‌اند از:
FA (Factor Analysis)🔺
مدل خطی برای جداسازی واریانس مشترک جمعیت نورونی از نویز مستقل هر نورون، بدون در نظر گرفتن بُعد زمان.
GPFA (Gaussian Process Factor Analysis)🔺
تلفیق مدل‌های متغیر پنهان با فرآیندهای گاوسی، جهت استخراج مسیرهای زمانیِ هموار و پیوسته در فضای حالت.
LFADS🔺
مدلی زایا، عمیق و غیرخطی برای بازسازی دینامیک سیستم و تخمین نرخ شلیک نورون‌ها در تک‌تک آزمایش‌ها (Single-trial).
CEBRA🔺
رویکردی بر پایه یادگیری مقابله‌ای (Contrastive Learning) برای نگاشت هندسی فعالیت‌های عصبی بر منیفولدهای مشخص، با هدایت متغیرهای رفتاری یا زمان.
MARBLE🔺
چارچوبی مبتنی بر یادگیری هندسی (Geometric Learning) برای استخراج مستقیم «میدان‌های برداری و جریان دینامیکی» روی منیفولد، بدون وابستگی به دستگاه مختصات.
✅تلاش ما بر این است که هر رویکرد را در سه بستر آزمایشی مختلف ارزیابی کنیم:
▫️سیستم معلوم: جاذب لورنتس (Lorenz Attractor)
▫️سیستم نیمه‌معلوم: شبکه‌های عصبی بازگشتی از پیش آموزش‌دیده (Pre-trained RNN)
▫️سیستم مجهول زیستی: داده‌های عصبی (Neural Data)
هر رویکرد، سوگیری‌ها (Biases) و پیش‌فرض‌های خاص خود را بر داده تحمیل می‌کند؛ هدف ما شناخت دقیق این سوگیری‌هاست.
با ما همراه باشید.
Linkedin Alireza Piani - University of Tehran - Tehran, Tehran Province, Iran | LinkedIn I operate at the intersection of biological computing and dynamical systems, driven by a… · Education: University of Tehran · Location: Tehran · 212 connections on LinkedIn. View Alireza Piani’s profile on LinkedIn, a professional community of 1 billion members.
Post #1757 2.15K

Forwarded from پوریا آزادی (Poria Azadi) (Poria)

به همت صابر و سینای عزیز کتابخانه عمومی کاروان خرد چندروزی هست که راه افتاده و کتاب های مرجع متنوعی رو با راهنما به صورت دسته بندی شده گردآوری و ارائه می کنند.

سرعت رشدش هم شگفت انگیز هست و تنها در چند روز بیش از 500 جلد کتاب به اشتراک گذاشته شده که میتونه خیلی به دردتون بخوره.

پیشنهاد میکنم حتما در کتابخانه عضو بشید و این کتابخانه رو به دوستانتون معرفی کنید.

دسترسی به کتاب ها خیلی براتون آسان تر خواهد شد.

https://t.me/libkarevankherad



لینک ربات هدایا


@the_maze2022
Telegram کتابخانه کاروان خرد به کتابخانه دیجیتالی کاروان خرد خوش آمدید لینک کانال کاروان خرد: @karevan_kherad گردانندگان: (هرمس آکادمیا): @scienceknowledgemagazine سینا @sinamardanii
Post #1756 4.34K
امیررضا بهرامنی مسیر پژوهش و تحصیلات‌ تکمیلی در نوروساینس 🧠 بسیاری از علاقمندان به نوروساینس، در ابتدای راه با ابهامات زیادی درباره چگونگی ورود به فضای پژوهش و ادامه تحصیل روبرو هستند. در این دو جلسه، تلاش میکنم تا تجربیات خودم از مسیر تحصیلی و پژوهشی (با تمرکز بر Systems…
سلام

باتوجه به شرایط (هم قطعی اینترنت در ایران و هم شرایط روانی‌مون) این جلسه فعلا برگزار نمیشه.
هروقت اوضاع بهتر شد دوباره برنامه‌ریزی میکنم.

امیدوارم خودتون و عزیزانتون سلامت باشید.
Post #1755 4.2K

Forwarded from امیررضا بهرامنی

مسیر پژوهش و تحصیلات‌ تکمیلی در نوروساینس

🧠 بسیاری از علاقمندان به نوروساینس، در ابتدای راه با ابهامات زیادی درباره چگونگی ورود به فضای پژوهش و ادامه تحصیل روبرو هستند. در این دو جلسه، تلاش میکنم تا تجربیات خودم از مسیر تحصیلی و پژوهشی (با تمرکز بر Systems Neuroscience) به شکلی واقع‌بینانه و کاربردی به اشتراک بگذارم.

👤 ارائه‌دهنده: امیررضا بهرامنی (دانشجوی دکترای نوروساینس در UCL)

📅 برنامه زمانی:
جلسه اول. یکشنبه ۲۱ دی (ساعت ۱۹): چگونگی شروع مسیر و مهارت‌های لازم برای ورود به فضای پژوهشی نوروساینس
جلسه دوم. یکشنبه ۲۸ دی (ساعت ۱۹): مسیر تحصیلات تکمیلی در نوروساینس

شرکت در این وبینار رایگان است.
ثبت‌نام ضروری است و لینک ورود به جلسه پس از ثبت‌نام به ایمیل شما ارسال خواهد شد.

لینک ثبت‌نام

(لطفاً پیش از شروع جلسه، نرم‌افزار Zoom را نصب کنید)

@bahramani_ch
@Neuro_Syntax
Post #1754 6.51K
آیا مغز واقعاً ماژولاره؟ یا همه چیز، همه‌جا، همزمان؟

یکی از سوالاتی که از همون اوایل نوروساینس ذهن آدم‌ها رو درگیر کرده بود این بود که آیا مغز ماژولار (Modular) هست یا نه؟ ماژولار به این معنی که هر ناحیه از مغز مسئول یک کار مشخصه؛ مثلاً بینایی تو Visual Cortex پردازش میشه، خاطرات تو هیپوکمپه و تصمیم‌گیری هم جایگاه اختصاصی خودش رو داره (البته این مثال‌ها بسیار ناقص و حتی غلطن اما منظور رو میرسونن).
معمولاً ریشه نگاه ماژولار رو به Gall و جمجمه‌شناسی معروفش (Phrenology) نسبت میدن، اما شواهد علمی و محکم‌تری که از کارهای Broca و Wernicke روی بیماران آسیب مغزی به دست اومد، نشون داد که آسیب به نقاط خاص، عملکردهای خاصی (مثل گفتار یا فهم زبان) رو مختل می‌کنه.
اما بعدش Karl Lashley با آزمایش‌های معروفش نشون داد که انگار همه‌ی نواحی کرتکس تقریباً به یک اندازه در رفتار نقش دارن و ایده "Equipotentiality" رو مطرح کرد که عملاً ماژولاریتی رو به چالش کشید. ولی خب، با ظهور الکتروفیزیولوژی و کارهای درخشان Hubel و Wiesel، و همینطور مطالعات Penfield و Mountcastle ورق دوباره به نفع ماژولار بودن برگشت و از اونجا به بعد شد پیش‌فرض اصلی ما.

اما این پیش‌فرض در دهه‌ی اخیر، مخصوصاً با داده‌های جدید از موش، آسیب‌های جدی دیده. من در دو جلسه از آزمایشگاه نوروسینتکس (یک و دو) مفصلاً درباره این موضوع صحبت کردم و اونجا این مقاله مهم رو ارائه دادم. این مطالعه و کارهای مشابه نشون میدن که حتی رفتارهای خودانگیخته (Spontaneous) و حرکات ریز صورت موش، باعث ایجاد فعالیت‌های گسترده در تقریباً سرتاسر مغز میشن؛ شواهدی که نشون میده احتمالاً بسیاری از عملکردها به صورت توزیع‌شده (Distributed) در مغز پردازش میشن. علاوه بر این کارهای مهم دیگه‌ای مثل این مقاله و کارهای اخیر IBL که سامان اینجا دربارش صحبت کرده نشون میدن که بسیاری از عملکردهای شناختی‌تر هم به‌صورت گسترده‌ای پردازش میشن.

در چند سال اخیر آدم‌ها دارن تلاش میکنن تا یک تفسیری از این مشاهدات بدن و خب برای همین داره مقالات مروری جالبی درمیاد. مقاله‌ی جدید از لب Freedman که در Nature Reviews Neuroscience چاپ شده، اول یک تاریخ نه‌چندان کاملی از این منازعه میگه و تا حدی تلاش می‌کنه تا مشاهدات رو دسته‌بندی کنه و بعدش هم با توجه به بایاس داشتن دوستان میمون‌کار بر روی مطالعات میمون (!) با مرور داده‌های پریمات‌ها سعی می‌کنه در این باره قضاوت کنه. حرف اصلیشون هم اینه که نه ماژولار محضه و نه همه‌چیز همه‌جا! که خب راستش جواب خوبی نیست چون این واضحه! کمتر کسی هست که الان در یکی از دو سر این طیف باشه.

اما خب این مقاله برای من دوتا چیز جالب داشت. اولاً برای اینکه نشون بده در مطالعات میمون هم اوضاع جالب نیست و نمیشه گفت ماژولاره، دست می‌ذاره روی سه‌تا از تسک‌هایی که بسیار در میمون مطالعه شدن. تسک‌های معروف Romo، Shadlen و تسک خودشون که برمیگرده به کارهای Miller. نکته جالب اینه که در این تسک‌ها هم سیگنال‌های شناختی (مثل Decision Variable) تقریباً در هرجایی که ازش ثبت گرفتن پیدا شده!
ثانیاً ایده جالب مقاله اینه که این فعالیت‌های گسترده ممکنه بازتابی از "حرکات ریزِ ناخواسته" (Micro-movements) باشن. مثل یه پوکر‌باز که وقتی دستش خوبه ناخودآگاه یه تیک عصبی داره، مغز هم موقع فکر کردن، وضعیت بدنی یا حرکات ریز چشم رو تغییر میده و همین باعث فعال شدن شبکه گسترده‌ای از نواحی حرکتی میشه. در این راستا به مقالات جالبی هم ارجاع میده که نشون میدن خیلی از این حرکات ناخواسته بایاس دارن به سمت انتخاب نهایی. اما خب با وجود جذابیت این نکته، دلیلی نمیگه که چرا باید این‌ها تقریباً در همه‌جای مغز پخش بشن. و البته توضیحی هم برای مشاهداتی که در حالت بدون تسکه نمیده.

نهایتاً مقاله پیشنهاد می‌کنه که میزانِ گستردگیِ فعالیت مغز به "Cognitive Demand" بستگی داره. هرچقدر تسک پیچیده‌تر باشه، مغز از حالت ماژولار فاصله می‌گیره و شبکه وسیع‌تری رو بسیج می‌کنه. واقعیت اینه که این نگاه در پس ذهن بسیاری از نوروساینتیست‌های برجسته وجود داره. مثلاً این ترم من از تقریباً هرکی این سوال رو پرسیدم جوابش این بود که چون این موش‌ها over train شدن بنابراین سیگنال‌ها همه‌جا پخش شدن. اما دقت کنید که این نگاه هرچند که درست بنظر میاد و شواهد خوبی از جمله این مقاله داره، دوتا سوال اساسی رو بدون جواب میذاره. اولاً چرا و چطور training سیگنال‌ها رو همه جا پخش می‌کنه. ثانیاً چرا در حالت بدون تسک‌ هم برای بسیاری از سیگنال‌ها این مشاهده برقراره. خلاصه این موضوع یکی از سوالات باز حال حاضر نوروساینسه و من شخصاً براش اشتیاق زیادی دارم!

https://www.nature.com/articles/s41583-025-00992-5

@Neuro_Syntax
Nature How distributed is the brain-wide network that is recruited for cognition? Nature Reviews Neuroscience - Both localized and distributed views on the functional organization of the brain have been put forward. In this Perspective, Rosen and Freedman examine the degree to...
Post #1753 1.92K

Forwarded from CONNECT | کانکت

🧠 CONNECT x INRP:
Neuro-AI Series, 7️⃣

💡 موضوع: پویایی آوای پرندگان
فنچ‌ها چگونه صدای خود را برای اهداف جدید تغییر می‌دهند؟


📌 عنوان و خلاصه مقاله
Context-dependent modulations in zebra finch distance calls revealed by a novel goal-directed vocalization paradigm

پژوهشی که در این رویداد ارائه میشه، نشون می‌ده آوای بلند یا همون ندای دور (distance call) در پرنده‌ی فنچ زبرا (zebra finch) یه سیگنال ثابت و ازپیش‌تعیین‌شده نیست، و می‌تونه به‌صورت هدف‌مند استفاده بشه. پرنده‌ها یاد می‌گیرن از این آوا برای درخواست غذا استفاده کنن و بسته به بافت اجتماعی، ویژگی‌های آکوستیکی و مشخصات طیفیش رو تغییر بدن. در نتیجه، سطح جدیدی از کنترل صوتی و انعطاف ارتباطی وجود داره که قبلا عمدتاً به آواز (song) نسبت داده می‌شد، و درک ما از ارتباط صوتی و یادگیری آوازی رو می‌تونه گسترش بده.


👨‍🏫 ارائه دهنده: امیرضا بهرامنی
دانشجوی دکتری نوروساینس، کالج دانشگاهی لندن (UCL)

🗓 تاریخ: سه‌شنبه، 2 دی
⏰ ساعت: 19:00
💻 آنلاین

🎁 برای ثبت‌نام [رایگان] کلیک کنید 🎁


@Lets_CONNECT_Fa | [Instagram]
@neuroINRP | [Instagram]
Post #1752 2.05K

Forwarded from از نورون تا هوش ◇---<

از نورون تا هوش ◇---< ژورنال کلاب "از نورون تا هوش" هدف: مطالعه مقالات کلاسیک تا متاخر در زمینه فیزیک یادگیری قدرتِ هوش مصنوعی و طبیعی تا چه اندازه توسط بحرانیت، آشوب و پیامدهای نظریه‌های میدان تعیین می‌شود؟ شرایط: ۱. تحصیلات یا دانش بالا در یکی از زمینه‌های فیزیک، هوش مصنوعی…
توضیحات اضافه:

○ انگیزه نامه متنی است که انگیزه شما از شرکت در این ژورنال کلاب رو توضیح می‌ده.

○ رزومه (یا سی‌وی) خلاصه سوابق شماست.

چندتا از ایمیل‌ها هیچکدوم رو نداشت. پیشنهاد می‌کنم روش کار کنند و وقت بگذارند و دوباره ایمیل بفرستند. 🙏
Post #1751 2.03K

Forwarded from از نورون تا هوش ◇---<

ژورنال کلاب "از نورون تا هوش"

هدف: مطالعه مقالات کلاسیک تا متاخر در زمینه فیزیک یادگیری

قدرتِ هوش مصنوعی و طبیعی تا چه اندازه توسط بحرانیت، آشوب و پیامدهای نظریه‌های میدان تعیین می‌شود؟

شرایط:

۱. تحصیلات یا دانش بالا در یکی از زمینه‌های فیزیک، هوش مصنوعی یا علوم اعصاب محاسباتی (مدرک الزامی نیست)

۲. اشتیاق برای و تعهد به کار گروهی و حضور فعال (با هدایت من)

(۳. پیش از شروع نیازی به تسلط بر موضوعات ژورنال کلاب نیست)


با یک گروه نسبتا کوچک تلگرام شروع می‌کنیم و قرار هفتگی یا دوهفتگی در گوگل میت خواهیم داشت. اعضای گروه به تناسب فعالیتشون فرصت همکاری تحقیقاتی با من رو خواهند داشت.


اقدام برای عضویت در ژورنال کلاب:

- انگیزه‌نامه (یک تا چهار پاراگراف)
- رزومه (یا اگر ندارید سی‌وی)

ارسال به آدرس ایمیل:

fanoos.podcast.sc@gmail.com


آخرین فرصت ارسال: ۲۰ دی ماه
Post #1750 2.49K

Forwarded from NeuroInk Lab

📌 آزمایشگاه NeuroInk با همکاری مركز علوم اعصاب و رفتار رايان برگزار می‌کند:

🎤 دومین جلسه Talk-Ink

📄 موضوع:
Frontotemporal network contribution to occluded face processing

🗣 مهمان: دکتر جلال الدین نوروزی (پژوهشگر فوق دکتری علوم اعصاب)

🕒 زمان: سه شنبه 4 آذر ماه، ساعت 16

- جلسه به صورت آنلاین در پلتفرم زوم برگزار می‌شود، برای اطلاع از شرایط شرکت در جلسه به اکانت تلگرام آزمایشگاه پیام دهید.

📩 ایمیل: neuroinklab@gmail.com
📶 راه ارتباطی با ما: @NeuroInkLab_Support

📱نورواینک (NeuroInk Lab)
تلگرام | اینستاگرام | توییتر(ایکس) | لینکدین‌
Post #1749 2.64K
https://www.thetransmitter.org/state-of-neuroscience-report-2025/

این مجموعه رو‌ فرصت کردید حتما بخونید. نوشته‌های مختلفی درباره بررسی وضعیت نوروساینس در دوره کنونیه؛ از ترندهای جدید گرفته تا فاندها.
The Transmitter: Neuroscience News and Perspectives The State of Neuroscience 2025 The Transmitter presents a portrait of the field through four lenses: its focus, its output, its people and its funding.
Post #1743 2.6K

Forwarded from NeuroInk Lab

سلام به همگی
جلسه ساعت 6 بعد از ظهر آغاز خواهد شد. لینک زوم شرکت در جلسه دقایقی پیش از جلسه در همین کانال ارسال می‌شود. برای ورود به جلسه ممکن است نیاز به وی پی ان داشته باشید ولی بعد از ورود میتوانید وی پی ان را خاموش کنید.

نکات مهم:
1- اگر بعد از وارد شدن به لینک، به اروری برخورد کردید، مرورگر خود را بسته و مجددا از طریق لینک وارد شوید.
2- اگر برنامه زوم بر روی دستگاه شما نصب نیست، از طریق مرورگر دستگاه می‌توانید مستقیما وارد جلسه شوید (گزینه Join from your browser).
Older posts →

About this channel

How can I read @neuro_syntax without a Telegram account?
TGViewer shows the public web preview Telegram publishes for NeuroSyntax: recent posts, photos, videos and the subscriber count, with no app, login or account.
How many subscribers does NeuroSyntax have?
NeuroSyntax (@neuro_syntax) has 4.74K subscribers on Telegram, refreshed roughly every 30 minutes.
Does NeuroSyntax know I viewed it here?
No. Public channel previews carry no viewer identity, and TGViewer has no accounts or tracking of what you look up.
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →