📣 مجموعه سخنرانی های علمی هوش مصنوعی

🔹 Adapting AI: Explainability and Distributability
🔹 Tackling Challenges in Self-supervised EEG Representation Learning
🔹 Universal Novelty Detection

🔹 زمان برگزاری: چهارشنبه 7 آذر 1403 ساعت 11 الی 15
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 شرکت برای عموم آزاد است.

جهت کسب اطلاعات بیشتر به آدرس زیر مراجعه کنید.
https://aaic.aut.ac.ir/workshop/3
@aaic_aut

📣 مجموعه کارگاه های آموزشی هوش مصنوعی

🔹 توسعه سرویس‌های هوش مصنوعی مبتنی بر ChatGPT
🔹 الزامات راه‌اندازی و رشد نمایی در دنیای استارتاپ هوش مصنوعی
🔹 پردازش و بازشناسی گفتار
🔹 یادگیری تقویتی عمیق با ترنسفورمر برای مدیریت سبد کریپتو

🔹 زمان برگزاری کلیه کارگاه ها: چهارشنبه 7 آذر 1403 ساعت 10 الی 15
🔹 مهلت ثبت نام: سه شنبه 6 آذر 1403
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 هزینه ثبت نام هر کارگاه: 200 هزار تومان

جهت ثبت نام و کسب اطلاعات بیشتر به بخش رویدادهای وبسایت مسابقات مراجعه کنید.
https://aaic.aut.ac.ir/#events
@aaic_aut

«توافقنامه عمومی گروه مجازی یادگیری ژرف»

با تشکر از حضور گرم و پرنشاط شما، در جهت بهبود هرچه بهتر این گروه لطفا به نکات زیر توجه فرمایید.

• لطفا از فرستادن پیام های روزمره و غیر مرتبط و یا پیام‌های که در حوزه عنوان گروه نمی گنجد، اجتناب فرمایید.

• لطفا پرسش خود را نخست در اینترنت جستجو کنید و سپس به بخش پرسش و پاسخ مرتبط با این گروه به آدرس
  http://qa.deeplearning.ir
  مراجعه نمایید.

• لطفا ، جهت کاهش تعداد پیامهای گروه، بجای ارسال پیام های خود بصورت خرد خرد ، مطالب خود را یکجا تایپ و ارسال نمایید.

• لطفا در مناسبتها و اعیاد ملی و مذهبی، از فرستادن پیامهای تبریک و تسلیت اجتناب بفرمایید. این پیامها توسط مدیر گروه به نمایندگی از همه یکبار ارسال می‌شود.

• اعضای محترم در صورت ارسال کلیپ تصویری و صوتی مرتبط،  حتما عنوان آن را نیز بیان کنید.

• لطفا  در صورت ارسال اخبار حتما لینک (مرجع) آن را نیز ارسال نمایید.

• در گروه میتوانید مطالبی مرتبط با استخدام، موقعیت های کاری و دانشگاهی (بورس و....) و همینطور اخبار مرتبط ارسال نمایید. لطفا در زمان ارسال مطلب سعی بفرمایید از تگ مناسب استفاده کنید.
  برای اخبار از تگ #خبر, برای آموزش از تگ #آموزش , برای استخدام و موقعیت های کاری و دانشگاهی از تگ #َApplication و #Uni استفاده بفرمایید.

+در گروه می توانید در مورد تخصص دیگران در حوزه خاصی سوال کنید تا اینگونه بتوانید با افراد با تجربه در حوزه مورد نظر خود اشنا شده و فعالیت های بعدی را شکل دهید.سوالهایی همانند " آیا کسی در حوزه ایکس فعالیتی داشته است؟ " از این دست بحساب می آیند. در متن این سوالها «پاسخ در خصوصی» تاکید شود. این پیامها پس از یک روز از گروه حذف می شوند.

• لطفا سوالهای دیگر خود را در سایت پرسش و پاسخ پرسیده و سپس لینک سوال را در گروه ارسال کنید تا سریعتر به جواب برسید.

• در صورتیکه قصد دارید آموزش و یا ما حصل تجربه خود را در اختیار دیگران قرار دهید میتوانید در سایت یادگیری عمیق ثبت نام کرده و مطالب را با دیگران به اشتراک بگذارید. سعی کنید از قرار دادن آموزش های طویل و خصوصا با ارتباط کم در گروه بپرهیزید. تا انسجام مطالب گروه از بین نرود.
  +از بیان صحبتها و انجام رفتارهای خارج از عرف آکادمیک در این گروه و ارسال پیام های خصوصی خارج از عرف و غیر آکادمیک به کاربران پرهیز کنید. در صورت شکایت فرد خاطی برای همیشه از گروه اخراج میشود.

+گروه های مرتبط تنها در یک خط باید معرفی شوند. پیامهای تبلیغاتی (معرفی گروه ها، کنفرانسها و...) غیرمرتبط ممنوع بوده و بلافاصله حذف میگردند.

+در صورت وجود سوال و یا ابهام میتوانید از مدیران گروه کمک بگیرید.

+سفارش یا درخواست انجام پایان نامه, پروژه دانشجویی و مقاله توسط تمامی اعضا (حتی مدیرن) اکیدا ممنوع است. در صورت مشاهده چنین مواردی فورا به مدیران گروه اطلاع رسانی کنید.

+منابع کاربردی و رویدادهای مهم در کانال تلگرامی گروه یادگیری ژرف اطلاع رسانی میشنود:
@irandeeplearning

باتشکر
#توافقنامه

If you're interested in federated learning, particularly in medical imaging, we invite you to join our seminar tomorrow (Friday) at 11:00 a.m. Iran time! Zoom: https://oist.zoom.us/j/95908496615?pwd=akxZNmprLzNXY212TFh0ZWQ1ZlNyUT09
Meeting ID: 959 0849 6615
Passcode: 767685

Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn

Title: Unlocking the Potential of Federated Learning in Medical Imaging

Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.

Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.

Zoom Video

Join our Cloud HD Video Meeting

Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…

We will be commencing in the next 30 minutes. If you are interested, please feel free to join us.

If you're interested in federated learning, particularly in medical imaging, we invite you to join our seminar tomorrow (Friday) at 11:00 a.m. Iran time! Zoom: https://oist.zoom.us/j/95908496615?pwd=akxZNmprLzNXY212TFh0ZWQ1ZlNyUT09
Meeting ID: 959 0849 6615
Passcode: 767685

Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn

Title: Unlocking the Potential of Federated Learning in Medical Imaging

Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.

Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.

Zoom Video

Join our Cloud HD Video Meeting

Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…