پروژه را طراحی کنید
هدف، کاربرد و دادهٔ مناسب را انتخاب کنید و منشأ و شرایط استفاده از داده را بشناسید.
پایتون، داده و ابزارهای پژوهشی
بوت‌کمپ فارسی نوروتکنولوژی
و هوش مصنوعی
علوم اعصاب و هوش مصنوعی را با یک پروژه یاد بگیرید. طرح این برنامهٔ هشت‌هفته‌ای از خواندن داده و کنترل کیفیت آغاز می‌شود و با تحلیل، ارزیابی مدل و ارائهٔ یک ابزار پژوهشی ادامه پیدا می‌کند.
تمرین عملی با دادهٔ باز یا مصنوعی؛ همراه با بازخورد و پروژهٔ فردی.
- تاریخ و ساعت برگزاری
- همراه فراخوان اعلام می‌شود
- شرایط شرکت و شیوهٔ دسترسی
- همراه فراخوان اعلام می‌شود
- مدرس و دستیار آموزشی
- پس از نهایی‌شدن معرفی می‌شوند
مهارت‌های برنامه
از انتخاب داده تا ارائهٔ تحلیل
مراحل یک پروژه را در ارتباط با هم تمرین می‌کنید تا دلیل انتخاب روش و معنای نتیجه را توضیح دهید.
تحلیل و مدل را بسنجید
کیفیت داده را بررسی کنید، یک مدل پایه بسازید و با تفکیک درست داده، خطا و عدم قطعیت آن را ارزیابی کنید.
ابزار را آمادهٔ استفاده کنید
کد، آزمون‌ها و راهنمای اجرا را طوری تهیه کنید که پژوهشگر دیگری بتواند کار شما را دنبال و تکرار کند.
مخاطبان و پیش‌نیازها
برای ورود به این برنامه چه آمادگی‌ای لازم است؟
علاقه‌مندان به علوم اعصاب و داده
این برنامه برای بزرگسالان، دانشجویان پزشکی، کارشناسی ارشد و دکتری و پژوهشگران یا مهندسان علاقه‌مند به کار محاسباتی در علوم اعصاب طراحی شده است.
در طول تمرین‌ها می‌توانید از هم‌گروهی‌ها بازخورد بگیرید؛ تحویل پروژه و دفاع نهایی فردی است.
مبانی پایتون و کار با داده
خواندن فایل، استفاده از یک تابع ساده، رسم نمودار و درک مقدماتی داده پیش‌نیاز ورودند. این آمادگی با یک تمرین عملی بررسی می‌شود.
پیش‌دورهٔ آمادگی پایتون، در صورت ارائه، اختیاری و جدا از بوت‌کمپ خواهد بود؛ با زمان و میزان پشتیبانی اعلام‌شده.
سرفصل‌های هشت هفته
پروژه چگونه هفته‌به‌هفته پیش می‌رود؟
هر هفته بخشی از پروژه را آماده می‌کنید. جدول زیر طرح فعلی سرفصل‌ها و معیار ارزیابی هر مرحله را نشان می‌دهد.
- هفته۰۱
انتخاب مسئله و ساختار پروژه
هدف و کاربرد پروژه را بنویسید، دادهٔ مناسب را بشناسید و نمونهٔ آغازین را اجرا کنید.
حاصل این هفتهشرح مسئله در یک صفحه + ساختار پروژه
هدف روشن، شناسنامهٔ داده و نصب آزمایش‌شده
- هفته۰۲
خواندن داده و کنترل کیفیت
واحدها، نرخ نمونه‌برداری و دادهٔ گمشده را بررسی کنید و خطاهای ورودی را در گزارش کیفیت ثبت کنید.
حاصل این هفتهخوانندهٔ داده + گزارش کیفیت
آزمون خوانندهٔ داده و تشخیص خطاهای ورودی
- هفته۰۳
پیش‌پردازش و خطای سنجش
پارامترها و فیلتر را انتخاب کنید و ببینید تغییر آن‌ها چه اثری بر نتیجهٔ تحلیل دارد.
حاصل این هفتهتحلیل حساسیت پارامترها
توضیح انتخاب روش و اثر تغییر پارامترها
- هفته۰۴
استخراج ویژگی و تحلیل پایه
فرهنگ ویژگی‌ها را تهیه کنید و توزیع داده و عدم قطعیت آن را با توجه به واحد مستقل تحلیل بررسی کنید.
حاصل این هفتهویژگیهای مستند + تحلیل توصیفی
تکرارهای یک فرد، نمونهٔ مستقل شمرده نشوند
- هفته۰۵
یادگیری ماشین
یک مدل پایه بسازید، دادهٔ آموزش و آزمون را جدا نگه دارید و با نشت داده و اثر آن بر ارزیابی آشنا شوید.
حاصل این هفتهمدل پایه + گزارش ارزیابی
تفکیک بر اساس فرد؛ برازش فقط روی دادهٔ آموزش
- هفته۰۶
اعتبارسنجی و سواد LLM
عدم قطعیت مدل را بررسی کنید و پاسخ‌ها، منابع و سابقهٔ اجرای یک دستیار پژوهشی آماده را ارزیابی کنید.
حاصل این هفتهگزارش اعتبارسنجی + ارزیابی نمونهٔ AI
ارجاع به منبع و اجرای ارزیابی بدون اقدام خودکار بیرونی
- هفته۰۷
تبدیل نوت‌بوک به ابزار
راهنمای اجرا، آزمون‌ها و شناسنامهٔ داده و مدل را آماده کنید؛ با امکان دموی رومیزی یا بازپخش سیگنال.
حاصل این هفتهبستهٔ اجرایی و مستند
اجرا در محیط تمیز؛ بدون نیاز به خرید سخت‌افزار
- هفته۰۸
بازتولید و دفاع فردی
پروژه را برای اجرای همتا آماده کنید و در ارائهٔ فردی، نتیجه، محدودیت روش و سهم خود را توضیح دهید.
حاصل این هفتهتحویل نهایی + دفاع فردی
اجرای دوبارهٔ نتیجه و توضیح سهم فردی
هوش مصنوعی و نمونه‌سازی
تجربهٔ ابزارها همراه با ارزیابی عملکرد
مدل زبانی به‌عنوان دستیار پژوهش
یک دستیار آماده را با اسناد مجاز و سه گروه پرسش بررسی می‌کنید: پاسخ‌پذیر، خارج از منبع و گمراه‌کننده. پشتوانهٔ پاسخ، درستی ارجاع، تشخیص ناتوانی در پاسخ و مصرف منابع را می‌سنجید.
تمرین به خواندن سند و تهیهٔ پیش‌نویس محدود است و بازبینی نهایی با شماست. دستیار، ارسال پیام، پرداخت، اجرای آزاد فرمان و کنترل سخت‌افزار انجام نمی‌دهد.
ثبت و بازپخش سیگنال
با یک دموی رومیزی یا بازپخش داده، برچسب زمانی (timestamp)، واحد، افت بسته و تأخیر را بررسی می‌کنید. استفاده از دمو به آماده‌بودن آن بستگی دارد؛ بازپخش جایگزین آن است و این بخش می‌تواند از اجرای نهایی حذف شود.
نمونهٔ فیزیکی با برنامهٔ قطعی و فقط روی میز اجرا می‌شود؛ بدون اتصال به بدن، کودک یا حیوان، تحریک یا هشدار سلامت. ارزیابی به داشتن سخت‌افزار وابسته نیست.
هدف این بخش، فهم کیفیت ثبت داده و ارتباط آن با تحلیل است.
تحویل نهایی
کد، تحلیل و راهنمای اجرای پروژه
پروژه تنها یک نوت‌بوک نیست؛ منشأ داده، دلیل انتخاب روش و تفسیر نتیجه نیز بخشی از کار شماست.
- README و راهنمای آماده‌کردن محیط
- شناسنامهٔ داده و مدل، شرایط استفاده و کاربردهای خارج از هدف
- آزمون‌های نرم‌افزار و گزارش کنترل کیفیت
- تحلیل، ارزیابی و توضیح سهم فردی
الگوی پیشنهادی ساختار پروژه
project/
README.md
environment.txt
data_card.md
model_card.md
src/
tests/
report/این ساختار، اجزای تحویل را کنار هم قرار می‌دهد و پیدا کردن کد، داده و گزارش را آسان‌تر می‌کند.
انتخاب داده و حفاظت از اطلاعات
تمرین‌ها با دادهٔ عمومیِ مجاز یا دادهٔ مصنوعیِ برچسب‌خورده طراحی می‌شوند. منشأ و اجازهٔ بازتوزیع داده پیش از نهایی‌شدن محتوا بازبینی می‌شود. دادهٔ شخصی، پروندهٔ بیمار و اسناد خصوصی به ابزارهای AI وارد نمی‌شوند. بستهٔ کم‌حجم و راهنمای آفلاین نیز در طرح تولید محتوا پیش‌بینی شده‌اند.
ارزیابی فردی
کیفیت تحلیل و اجرای دوبارهٔ پروژه
یک همتا پروژه را اجرا می‌کند و شما در دفاع فردی، انتخاب روش، نتیجه و سهم خودتان را توضیح می‌دهید.
حد نصاب پیشنهادی ۷۰ از ۱۰۰ است، مشروط به نداشتن تخلف حل‌نشدهٔ ایمنی، حریم خصوصی یا تمامیت علمی. یک فرصت اصلاح و مسیر مستقل بررسی اعتراض در طرح ارزیابی پیش‌بینی شده است.
ارزیابی بر مهارت و پروژه تکیه دارد. نوع گواهی و شرایط صدور همراه اطلاعات نهایی برنامه اعلام می‌شود.
| مؤلفه | امتیاز |
|---|---|
| سؤال و حدود ادعا | ۱۵ |
| حقوق داده، واحد و کنترل کیفیت | ۲۰ |
| روش و پیاده‌سازی | ۲۵ |
| ارزیابی و بازتولید | ۲۵ |
| ارائه و سهم فردی | ۱۵ |
| جمع | ۱۰۰ |
اطلاعات برگزاری
از طرح آموزشی تا آغاز برنامه
در کنار سرفصل‌ها، محتوای درس، نمونهٔ کامل پروژه و پشتیبانی آموزشی باید آماده شوند. فراخوان شرکت پس از تکمیل این مراحل منتشر می‌شود.
جزئیات همراه فراخوان
- تاریخ، ساعت و شیوهٔ برگزاری
- معرفی مدرس، دستیار آموزشی و ظرفیت
- نمونهٔ پروژه و درس‌های آغازین
- شرایط شرکت، شیوهٔ دسترسی و نوع گواهی
اگر در تدریس یا طراحی تمرین تجربه دارید، دربارهٔ زمینهٔ مورد علاقهٔ خود برای همکاری بنویسید.
پیشنهاد همکاری آموزشیبرای آشنایی با مسیرهای دیگر، حوزه‌های فعالیت مجموعه و شبکهٔ دانش علوم اعصاب (انگلیسی) را ببینید. NKN شبکه‌ای آموزشی با موضوعاتی فراتر از این بوت‌کمپ است.
آیا برنامه آغاز شده است؟
این صفحه طرح آموزشی برنامه را معرفی می‌کند و ثبت‌نام آغاز نشده است. تاریخ و ساعت برگزاری، تیم آموزشی و شرایط شرکت پس از نهایی‌شدن اعلام می‌شوند. برای مشارکت در طراحی درس یا بازبینی روش می‌توانید پیشنهاد همکاری بفرستید.
چقدر باید پایتون بدانم؟
باید بتوانید فایل بخوانید، از یک تابع ساده استفاده کنید و نمودار رسم کنید. آشنایی مقدماتی با داده نیز لازم است. پیش‌دورهٔ پایتون، در صورت ارائه، اختیاری و جدا از بوت‌کمپ خواهد بود؛ زمان و پشتیبانی آن جداگانه اعلام می‌شود.
آیا باید برد، GPU یا API بخرم؟
خیر. برای شرکت و ارزیابی در بوت‌کمپ نخست، خرید برد یا دسترسی پولی به مدل لازم نیست. بخش هوش مصنوعی با ارزیابی نمونه‌های آماده و سابقهٔ اجرای آن‌ها (trace) نیز انجام‌شدنی است.
آیا این دوره آموزش بالینی یا ساخت دستگاه پزشکی است؟
تمرکز برنامه بر تحلیل داده و ساخت ابزار آموزشی و پژوهشی است. کار روی بیمار، کودک یا حیوان، اتصال ابزار به بدن، تحریک و ارائهٔ خدمات بالینی جزو تمرین‌ها نیست.
گواهی چه اعتباری خواهد داشت؟
نوع و شرایط صدور گواهی هنوز نهایی نشده است. در صورت صدور، صادرکننده، ساعات و مهارت‌های ارزیابی‌شده اعلام می‌شوند. مدرک دانشگاهی، مجوز بالینی یا امتیاز بازآموزی برای این برنامه اعلام نشده است.
آیا شرکت در دوره به عضویت پژوهشی یا شغل منتهی می‌شود؟
پذیرش همکاری پژوهشی بر اساس توانایی مرتبط و توافق جداگانه انجام می‌شود و به شرکت در دوره وابسته نیست. گذراندن برنامه، تضمین مقاله، استخدام یا عضویت پژوهشی نیست.
اگر اینترنت ضعیف باشد، چطور درس‌ها را دنبال کنم؟
بستهٔ کم‌حجم درس‌ها، دادهٔ آموزشی و راهنمای رفع اشکال آفلاین در طرح تولید محتوا پیش‌بینی شده‌اند. شیوهٔ دسترسی پس از آماده‌شدن اعلام می‌شود و برای دموهای زنده نیز می‌توان از بازپخش استفاده کرد.
مشارکت در طراحی برنامه
یک تجربهٔ پژوهشی را به تمرین آموزشی تبدیل کنید
یک تحلیل، مقاله یا روش می‌تواند پایهٔ تمرینی باشد که یادگیری را ملموس‌تر کند. اگر ایده‌ای برای درس یا بازبینی پروژه دارید، موضوع و تجربهٔ خود را معرفی کنید تا دربارهٔ شیوهٔ همراهی گفت‌وگو کنیم.