https://virgool.io/feed/@alirezanajimi9270 fa 2026-04-14 12:27:44 https://files.virgool.io/upload/users/268702/avatar/CKBbdT.jpg?height=120&width=120 https://virgool.io/@alirezanajimi9270 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-tjt25bewqufm 🔹 ۱. متغیر مستقل 📱 مثال: تعداد ساعت‌هایی که گوشی دستت می‌گیری ✍️ کاری که می‌کنی: خودت این رو کم و زیاد می‌کنی تا ببینی چه اثری دارد.🔹 ۲. متغیر وابسته 😴 مثال: کیفیت خواب شبانه ✍️ کاری که می‌شود: می‌بینی با کم‌کردن گوشی، خوابت بهتر می‌شود یا بدتر؟🔹 ۳. متغیر میانجی 🧠 مثال: استرس ✍️ توضیح: گوشی زیاد → استرس بالا می‌رود → خواب خراب می‌شود. استرس اینجا پلی است که توضیح می‌دهد چرا گوشی روی خواب اثر گذاشته.🔹 ۴. متغیر تعدیل‌کننده 👶👴 مثال: سن ✍️ توضیح: برای یک نوجوان، گوشی زیاد ممکن است خواب را خیلی خراب کند؛ اما برای یک بازنشسته، این اثر کمتر است. سن، شدت رابطه را تغییر می‌دهد.🔹 ۵. متغیر کنترل ☕️ مثال: قهوه خوردن قبل از خواب ✍️ کاری که می‌کنی: در تحقیق‌ات، از همه می‌خواهی شب‌ها قهوه نخورند تا مطمئن شوی تغییر خواب فقط به خاطر گوشی است.🔹 ۶. متغیر مداخله‌گر 🌌 مثال: حال روحی یا نگرانی پنهان ✍️ توضیح: ممکن است کسی به خاطر دل‌تنبی یا فکر زیاد خوابش نبرد، اما خودش هم نفهمد؛ این چیزها را نمی‌شود دقیق اندازه گرفت یا حذف کرد.🔹 مستقل = چیزی که دستکاری می‌کنی 🔹 وابسته = چیزی که تغییر می‌کند 🔹 میانجی = چرایی تغییر 🔹 تعدیل‌کننده = چه کسی بیشتر تغییر می‌کند 🔹 کنترل = حواس‌جمعی به بقیه چیزها 🔹 مداخله‌گر = هرچیز ناشناخته‌ای که به هم می‌ریزد┏━━━━━✅ @Amar_kadeh 😀┗━━━━━━━━━━ Alireza Najimi Alireza Najimi Fri, 20 Feb 2026 23:25:06 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-twbpj5eqznpq مدرسه‌سازی، فقط ساختن یک ساختمان نیست؛ ساختن انسان است.انسان‌هایی که پزشک می‌شوند، معلم می‌شوند، مهندس می‌شوند… و شاید روزی، مدرسه‌ساز.🤝 بیایید دست در دست هم، آینده‌ای بسازیم که در آن هیچ کودکی به‌خاطر نبود مدرسه، از تحصیل باز نماند.📞 برای مشارکت در طرح‌های مدرسه‌سازی، با ما در ارتباط باشید.هر قدم شما، چراغی‌ست در مسیر علم و آگاهی Alireza Najimi Alireza Najimi Fri, 13 Feb 2026 11:09:50 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-jsavqkyft5se با ساختن مدرسه، آینده‌ای می‌سازیم روشن‌تر از امروز…در گوشه‌وکنار این سرزمین، کودکانی هستند که با چشم‌هایی پر از آرزو، به دنبال نوری برای فردای بهترند.اما هنوز هم کلاس‌هایی هست که سقف ندارند، نیمکت ندارند، حتی دیوار ندارند…اما امید دارند. امید به یادگیری، به پیشرفت، به ساختن آینده‌ای بهتر.🔔 امروز، ما و شما می‌توانیم بخشی از این امید باشیم.با هر قدم کوچک، با هر کمک، با هر لبخند، می‌توانیم آجر به آجر، مدرسه‌ای بسازیم برای فردا.🏫 مدرسه‌سازی، فقط ساختن یک ساختمان نیست؛ ساختن انسان است.انسان‌هایی که پزشک می‌شوند، معلم می‌شوند، مهندس می‌شوند… و شاید روزی، مدرسه‌ساز.🤝 بیایید دست در دست هم، آینده‌ای بسازیم که در آن هیچ کودکی به‌خاطر نبود مدرسه، از تحصیل باز نماند.📞 برای مشارکت در طرح‌های مدرسه‌سازی، با ما در ارتباط باشید. Alireza Najimi Alireza Najimi Wed, 11 Feb 2026 11:17:54 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-jcphpirs1nti با ساختن مدرسه، آینده‌ای می‌سازیم روشن‌تر از امروز…در گوشه‌وکنار این سرزمین، کودکانی هستند که با چشم‌هایی پر از آرزو، به دنبال نوری برای فردای بهترند.اما هنوز هم کلاس‌هایی هست که سقف ندارند، نیمکت ندارند، حتی دیوار ندارند…اما امید دارند. امید به یادگیری، به پیشرفت، به ساختن آینده‌ای بهتر.🔔 امروز، ما و شما می‌توانیم بخشی از این امید باشیم.با هر قدم کوچک، با هر کمک، با هر لبخند، می‌توانیم آجر به آجر، مدرسه‌ای بسازیم برای فردا.🏫 مدرسه‌سازی، فقط ساختن یک ساختمان نیست؛ ساختن انسان است.انسان‌هایی که پزشک می‌شوند، معلم می‌شوند، مهندس می‌شوند… و شاید روزی، مدرسه‌ساز.🤝 بیایید دست در دست هم، آینده‌ای بسازیم که در آن هیچ کودکی به‌خاطر نبود مدرسه، از تحصیل باز نماند.📞 برای مشارکت در طرح‌های مدرسه‌سازی، با ما در ارتباط باشید. Alireza Najimi Alireza Najimi Wed, 11 Feb 2026 11:17:28 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-zqdm1hgpxk2s با ساختن مدرسه، آینده‌ای می‌سازیم روشن‌تر از امروز…در گوشه‌وکنار این سرزمین، کودکانی هستند که با چشم‌هایی پر از آرزو، به دنبال نوری برای فردای بهترند.اما هنوز هم کلاس‌هایی هست که سقف ندارند، نیمکت ندارند، حتی دیوار ندارند…اما امید دارند. امید به یادگیری، به پیشرفت، به ساختن آینده‌ای بهتر.🔔 امروز، ما و شما می‌توانیم بخشی از این امید باشیم.با هر قدم کوچک، با هر کمک، با هر لبخند، می‌توانیم آجر به آجر، مدرسه‌ای بسازیم برای فردا.🏫 مدرسه‌سازی، فقط ساختن یک ساختمان نیست؛ ساختن انسان است.انسان‌هایی که پزشک می‌شوند، معلم می‌شوند، مهندس می‌شوند… و شاید روزی، مدرسه‌ساز.🤝 بیایید دست در دست هم، آینده‌ای بسازیم که در آن هیچ کودکی به‌خاطر نبود مدرسه، از تحصیل باز نماند.📞 برای مشارکت در طرح‌های مدرسه‌سازی، با ما در ارتباط باشید. Alireza Najimi Alireza Najimi Wed, 11 Feb 2026 11:14:05 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-g5nx8evzctrl 🎯 تفاوت اصلی: نرمال vs تیویژگیتوزیع نرمالتوزیع تی (Student's t)📊 شکلزنگوله‌ای و متقارنزنگوله‌ای ولی دُم‌های پهن‌تر📦 پراکندگیکمتربیشتر (به‌ویژه با نمونه‌های کوچک)📏 استفادهوقتی انحراف معیار جامعه معلومه و حجم نمونه بزرگهوقتی انحراف معیار جامعه نامعلومه و حجم نمونه کوچیکه🔢 وابسته به nنهبله، به تعداد درجات آزادی (df) وابسته‌ست🍩 مثال ساده:فرض کن می‌خوای بدونی میانگین وزن دونات‌های یه مغازه چقدره. اگه وزن کل دونات‌ها رو داری (یا تعداد خیلی زیادی دونات داری)، از توزیع نرمال استفاده می‌کنی. ولی اگه فقط ۱۰ تا دونات رو تصادفی انتخاب کردی و نمی‌دونی انحراف معیار کل چقدره، باید از توزیع تی استفاده کنی.🧠 چرا توزیع تی دُم‌های پهن‌تری داره؟چون وقتی حجم نمونه کمه، عدم قطعیت بیشتری داریم. پس توزیع تی احتمال بیشتری به مقادیر دور از میانگین می‌ده (دُم‌های چاق‌تر)، تا ریسک اشتباه کمتر بشه.🛠 کاربردها: توزیع نرمال: تحلیل نمرات آزمون‌ها مدل‌سازی خطاها در اندازه‌گیری فرضیات در بسیاری از تست‌های آماری (مثل Z-test) توزیع تی: t-test برای مقایسه میانگین‌ها (مثلاً میانگین فشار خون قبل و بعد از دارو) تحلیل داده‌های با حجم نمونه کم رگرسیون خطی با داده‌های محدود🧪 یه مثال کاربردی:فرض کن دو گروه دانش‌آموز داری، یکی با روش سنتی درس خونده، یکی با روش جدید. می‌خوای ببینی روش جدید مؤثرتره یا نه. اگه هر گروه فقط ۱۵ نفره باشه → توزیع تی اگه هر گروه ۵۰۰ نفره باشه و انحراف معیار جامعه رو بدونی → توزیع نرمال Alireza Najimi Alireza Najimi Mon, 09 Feb 2026 21:17:00 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-naarlycwtk65 Gastric cancer (GC) represents a global healthcare challenge. Recently, many competing endogenous RNA (ceRNA) network studies have elucidated critical long noncoding RNAs (lncRNAs) as potential prognostic biomarkers in GC. Since there is no systematic review and meta-analysis regarding the lncRNAs as ceRNA in GC, we propose the current study. Alireza Najimi Alireza Najimi Thu, 05 Feb 2026 22:32:40 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-lkzsccg5vmt7 Gastric cancer (GC) represents a global healthcare challenge. Recently, many competing endogenous RNA (ceRNA) network studies have elucidated critical long noncoding RNAs (lncRNAs) as potential prognostic biomarkers in GC. Since there is no systematic review and meta-analysis regarding the lncRNAs as ceRNA in GC, we propose the current study.Gastric cancer (GC) represents a global healthcare challenge. Recently, many competing endogenous RNA (ceRNA) network studies have elucidated critical long noncoding RNAs (lncRNAs) as potential prognostic biomarkers in GC. Since there is no systematic review and meta-analysis regarding the lncRNAs as ceRNA in GC, we propose the current study. Alireza Najimi Alireza Najimi Sun, 01 Feb 2026 11:34:50 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-x1zo1kcoco0d A query was conducted on Iranian databases, including Health. barakatkns, IranDoc, SID, Civilica, and MagIran, as well as international databases, including Scopus, Web of Science, PubMed, and Elsevier. Additional search was also performed by the Google Scholar search engine. We systematically reviewed all studies reporting the prevalence of in-hospital mortality of COVID-19 patients. This study employed the random-effects meta-analysis to estimate the pooled in-hospital mortality. Results: A total of 118 records were retrieved by the electronic search, of which 43 studies were identified as relevant documents that were meta-analyzed for the pooled prevalence of in-hospital COVID-19-related morality. In general, the mortality rate was obtained at 13.0%(95% CI: 10.72%-13.61%). The highest and lowest mortality rates were reported in Northern Provinces ((Gilan, 27.27%(95% CI: 8.66%-45.88%) and Mazandaran, 21.27%(95% CI: 18.14%-24.40%)) and Turkish-speaking provinces ((Azerbaijan, East, 3.29%(95% CI: 2.11%-4.47%) and Zanjan, 3.42%(95% CI: 1.82%-5.02%)), respectively. Conclusion: Considering the mortality rate obtained in this study and its comparison with other countries, it can be concluded that the performance of the Iranian medical system during the COVID-19 Alireza Najimi Alireza Najimi Sun, 01 Feb 2026 11:33:03 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-izued0cjnpvr Gastric cancer (GC) represents a global healthcare challenge. Recently, many competing endogenous RNA (ceRNA) network studies have elucidated critical long noncoding RNAs (lncRNAs) as potential prognostic biomarkers in GC. Since there is no systematic review and meta-analysis regarding the lncRNAs as ceRNA in GC, we propose the current study. Alireza Najimi Alireza Najimi Sun, 01 Feb 2026 11:31:19 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-jnrbsz2dtxrn مدل‌های زبانی (Language Models) یکی از مهم‌ترین بخش‌های هوش مصنوعی هستند که برای درک و تولید زبان طبیعی استفاده می‌شوند. این مدل‌ها می‌توانند به سوالات پاسخ دهند، متن بنویسند، ترجمه کنند و حتی مکالمه کنند. در ادامه، به زبان ساده توضیح می‌دهم که مدل‌های زبانی چگونه کار می‌کنند و چطور به سوالات پاسخ می‌دهند.---### مدل‌های زبانی چیستند؟مدل‌های زبانی برنامه‌های کامپیوتری هستند که زبان انسان را می‌فهمند و می‌توانند متن تولید کنند. این مدل‌ها با استفاده از داده‌های متنی بزرگ (مانند کتاب‌ها، مقالات و وب‌سایت‌ها) آموزش می‌بینند تا الگوهای زبان را یاد بگیرند.---### چطور کار می‌کنند؟۱. یادگیری الگوها: مدل‌های زبانی با دیدن میلیون‌ها جمله، یاد می‌گیرند که کلمات چطور کنار هم قرار می‌گیرند. مثلاً یاد می‌گیرند که بعد از "من امروز به ..." احتمالاً کلمه "مدرسه" می‌آید. ۲. پیش‌بینی کلمات: وقتی شما یک سوال می‌پرسید، مدل کلمات شما را می‌خواند و سعی می‌کند کلمه بعدی را پیش‌بینی کند. این کار را تا پایان جمله ادامه می‌دهد.۳. تولید پاسخ: مدل با استفاده از الگوهایی که یاد گرفته است، یک پاسخ مناسب تولید می‌کند.---### چطور به سوالات پاسخ می‌دهند؟وقتی شما یک سوال می‌پرسید، مدل مراحل زیر را طی می‌کند:#### ۱. درک سوال (Understanding the Question) - مدل سوال شما را می‌خواند و کلمات کلیدی آن را شناسایی می‌کند. مثلاً اگر بپرسید: "پایتخت فرانسه کجاست؟"، مدل کلمات "پایتخت" و "فرانسه" را به عنوان کلمات کلیدی تشخیص می‌دهد.#### ۲. جست‌وجو در دانش (Searching for Knowledge) - مدل از دانشی که در طول آموزش دیده است استفاده می‌کند. مثلاً یاد گرفته است که "پایتخت فرانسه پاریس است."#### ۳. تولید پاسخ (Generating the Answer) - مدل با استفاده از الگوهای زبانی، یک پاسخ مناسب می‌سازد. مثلاً می‌گوید: "پایتخت فرانسه پاریس است."---### مثال ساده- سوال شما: "پایتخت ایتالیا کجاست؟"- مراحل مدل: ۱. مدل کلمات "پایتخت" و "ایتالیا" را تشخیص می‌دهد. ۲. از دانش خود می‌داند که "پایتخت ایتالیا رم است." ۳. پاسخ می‌دهد: "پایتخت ایتالیا رم است."---### نقش آمار در مدل‌های زبانیآمار در مدل‌های زبانی نقش مهمی دارد. مدل‌ها از روش‌های آماری برای پیش‌بینی کلمات و تولید متن استفاده می‌کنند. برخی از مفاهیم آماری مهم در مدل‌های زبانی عبارتند از:#### ۱. احتمال (Probability) - مدل‌ها از احتمال استفاده می‌کنند تا پیش‌بینی کنند کدام کلمه بعدی محتمل‌تر است. مثلاً بعد از "من امروز به ..."، کلمه "مدرسه" احتمال بیشتری دارد تا "سیب".#### ۲. مدل n-gram - این مدل احتمال وقوع یک کلمه را بر اساس کلمات قبلی محاسبه می‌کند. مثلاً اگر در داده‌های آموزشی دیده باشد که بعد از "من امروز به" کلمه "مدرسه" زیاد آمده است، احتمال بیشتری به آن می‌دهد.#### ۳. شبکه‌های عصبی (Neural Networks) - مدل‌های پیشرفته‌تر مانند GPT از شبکه‌های عصبی استفاده می‌کنند تا الگوهای پیچیده‌تر زبان را یاد بگیرند. این شبکه‌ها از روش‌های آماری برای آموزش و پیش‌بینی استفاده می‌کنند.---### چرا مدل‌های زبانی گاهی اشتباه می‌کنند؟- داده‌های ناقص: اگر مدل در داده‌های آموزشی خود اطلاعات کافی ندیده باشد، ممکن است پاسخ اشتباه بدهد.- ابهام در سوال: اگر سوال شما مبهم باشد، مدل ممکن است پاسخ نادرست بدهد.- محدودیت‌های آماری: مدل‌ها بر اساس احتمالات کار می‌کنند، بنابراین همیشه احتمال خطا وجود دارد.---### جمع‌بندیمدل‌های زبانی با استفاده از آمار و الگوهای زبانی، سوالات شما را می‌فهمند و پاسخ می‌دهند. آن‌ها با یادگیری از داده‌های متنی بزرگ، دانش خود را می‌سازند و از این دانش برای تولید پاسخ‌های مناسب استفاده می‌کنند. هرچند این مدل‌ها بسیار قدرتمند هستند، اما هنوز محدودیت‌هایی دارند و ممکن است گاهی اشتباه کنند. Alireza Najimi Alireza Najimi Thu, 22 Jan 2026 11:17:12 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-vcsnrc5q6mok ---### 1. یادگیری ماشین (Machine Learning)- مثال: پیش‌بینی قیمت خانه بر اساس متراژ- ورودی کاربر: متراژ خانه (مثلاً 150 متر مربع)- خروجی مدل: قیمت پیش‌بینی شده خانه (مثلاً 500,000 دلار)- نقش آمار: از رگرسیون خطی (یک روش آماری) استفاده می‌شود تا رابطه بین متراژ و قیمت خانه مدل‌سازی شود. آمار به تعیین ضرایب مدل و ارزیابی دقت پیش‌بینی کمک می‌کند.---### 2. یادگیری عمیق (Deep Learning)- مثال: تشخیص عدد دست‌نویس- ورودی کاربر: تصویر یک عدد دست‌نویس (مثلاً عدد "۵")- خروجی مدل: تشخیص عدد (خروجی: "۵")- نقش آمار: از توزیع‌های احتمالی و روش‌های آماری مانند گرادیان کاهشی برای آموزش شبکه عصبی استفاده می‌شود تا مدل بتواند الگوهای تصویر را تشخیص دهد.---### 3. پردازش زبان طبیعی (NLP)- مثال: پیش‌بینی کلمه بعدی در جمله- ورودی کاربر: "من امروز به ..."- خروجی مدل: "مدرسه" (پیش‌بینی کلمه بعدی)- نقش آمار: از مدل‌های زبانی آماری مانند n-gram استفاده می‌شود تا احتمال وقوع کلمه بعدی بر اساس داده‌های قبلی محاسبه شود.---### 4. بینایی ماشین (Computer Vision)- مثال: تشخیص چهره در تصویر- ورودی کاربر: یک تصویر حاوی چهره- خروجی مدل: تشخیص چهره (مثلاً "این چهره متعلق به علی است")- نقش آمار: از روش‌های آماری مانند PCA (تحلیل مؤلفه‌های اصلی) برای کاهش ابعاد داده و استخراج ویژگی‌های مهم چهره استفاده می‌شود.---### 5. شبکه‌های بیزی (Bayesian Networks)- مثال: پیش‌بینی احتمال بارش باران- ورودی کاربر: داده‌های هواشناسی (مثلاً رطوبت ۷۰٪ و ابری بودن آسمان)- خروجی مدل: احتمال بارش باران (مثلاً ۸۰٪)- نقش آمار: از شبکه‌های بیزی برای محاسبه احتمال بارش باران بر اساس داده‌های ورودی و روابط احتمالی بین متغیرها استفاده می‌شود.---### 6. داده‌کاوی (Data Mining)- مثال: خوشه‌بندی مشتریان- ورودی کاربر: داده‌های خرید مشتریان (مثلاً میزان خرید و دفعات خرید)- خروجی مدل: گروه‌بندی مشتریان به خوشه‌های مختلف (مثلاً "مشتریان وفادار"، "مشتریان جدید")- نقش آمار: از الگوریتم‌های خوشه‌بندی مانند k-means (یک روش آماری) برای گروه‌بندی داده‌ها بر اساس شباهت‌ها استفاده می‌شود.---### 7. بهینه‌سازی و تصمیم‌گیری- مثال: انتخاب بهترین مسیر برای رسیدن به مقصد- ورودی کاربر: موقعیت فعلی و مقصد (مثلاً "تهران به اصفهان")- خروجی مدل: بهترین مسیر پیشنهادی (مثلاً "از طریق آزادراه")- نقش آمار: از روش‌های آماری برای تحلیل ترافیک و پیش‌بینی زمان رسیدن به مقصد استفاده می‌شود تا بهترین تصمیم گرفته شود.---### 8. پیش‌بینی و پیش‌گویی (Forecasting)- مثال: پیش‌بینی فروش ماه آینده- ورودی کاربر: داده‌های فروش ماه‌های گذشته- خروجی مدل: پیش‌بینی فروش ماه آینده (مثلاً ۱۰۰۰ واحد)- نقش آمار: از مدل‌های آماری مانند ARIMA برای تحلیل روند فروش و پیش‌بینی آینده استفاده می‌شود.---### 9. ارزیابی عدم قطعیت (Uncertainty Quantification)- مثال: پیش‌بینی دمای هوا با فاصله اطمینان- ورودی کاربر: داده‌های هواشناسی (مثلاً دما و رطوبت)- خروجی مدل: پیش‌بینی دما با فاصله اطمینان (مثلاً "۲۵ درجه با فاصله اطمینان ±۲ درجه")- نقش آمار: از روش‌های آماری برای محاسبه فاصله اطمینان و ارزیابی عدم قطعیت پیش‌بینی استفاده می‌شود.---### 10. تولید داده‌های مصنوعی (Synthetic Data Generation)- مثال: تولید تصاویر مصنوعی از چهره‌ها- ورودی کاربر: داده‌های تصاویر واقعی چهره‌ها- خروجی مدل: تصاویر مصنوعی چهره‌ها (مثلاً یک چهره جدید که وجود ندارد)- نقش آمار: از توزیع‌های آماری و روش‌هایی مانند GAN (شبکه‌های مولد تخاصمی) برای تولید داده‌های مصنوعی که شبیه به داده‌های واقعی هستند، استفاده می‌شود.---### نتیجه‌گیریدر هر یک از این مثال‌ها، آمار به عنوان ابزاری برای تحلیل داده‌ها، مدل‌سازی روابط، پیش‌بینی نتایج و ارزیابی عدم قطعیت استفاده می‌شود. این نقش‌ها باعث می‌شوند مدل‌های هوش مصنوعی دقیق‌تر و قابل اعتمادتر عمل کنند. Alireza Najimi Alireza Najimi Thu, 22 Jan 2026 11:14:27 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-fzpbkdvouznf تعریف ساده «بدون تورش»وقتی می‌گوییم یک برآوردگر بدون تورش است، یعنی به‌طور میانگین، مقدار واقعی پارامتر جامعه را درست تخمین می‌زند.به زبان ساده:اگر بارها و بارها از یک جامعه نمونه‌گیری کنیم و هر بار یک برآورد (مثلاً میانگین) به‌دست آوریم، میانگین این برآوردها باید برابر با مقدار واقعی پارامتر جامعه باشد.مثال ساده:فرض کنید میانگین قد دانشجویان پزشکی در یک دانشگاه واقعاً 170 سانتی‌متر است (این مقدار را ما نمی‌دانیم، ولی فرض می‌کنیم برای مثال).حالا ۱۰۰ بار از این جامعه نمونه‌هایی به حجم 30 نفر می‌گیریم و هر بار میانگین قد را حساب می‌کنیم. اگر میانگین این ۱۰۰ میانگین نمونه‌ای برابر با 170 شود، می‌گوییم میانگین نمونه‌ای یک برآوردگر بدون تورش برای میانگین جامعه است. Alireza Najimi Alireza Najimi Wed, 31 Dec 2025 09:40:46 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-yctijr8uhfkv قضیه حد مرکزی میگه: وقتی تعداد نمونه‌هات زیاد بشه، میانگینِ نمونه‌ها کم‌کم شکل یک توزیع نرمال رو پیدا می‌کنه. حتی اگه داده‌ی اصلی خیلی شلوغ، کج، غیرنرمال یا عجیب باشه. Alireza Najimi Alireza Najimi Tue, 30 Dec 2025 10:44:09 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-zsgmjwftfeto شبکه‌های RNA اندوژن رقابتی نشان‌دهنده RNAهای بلند غیرکدکننده به عنوان نشانگرهای زیستی پیش‌آگهی بالقوه در سرطان معده: یک مرور نظام‌مند و فراتحلیلصالحی-مازندارانی، صدرا1؛ دونیاوی، محمدحسین2,3؛ ودایی، امیرحسین4؛ نجیمی، علیرضا5؛ فرج‌زاده‌گان، زیبا6؛ نیک‌پور، پروانه1,7اطلاعات نویسندگانپژوهش‌های پیشرفته زیست‌پزشکی 14(1):146، نوامبر 2025. | DOI: 10.4103/abr.abr_185_25دسترسی آزادچکیدهزمینه:سرطان معده (GC) یک چالش جهانی در حوزه سلامت است. اخیراً، مطالعات متعددی درباره شبکه‌های RNA اندوژن رقابتی (ceRNA) RNAهای بلند غیرکدکننده (lncRNAs) حیاتی را به عنوان نشانگرهای زیستی پیش‌آگهی بالقوه در GC روشن کرده‌اند. از آنجا که مرور نظام‌مند و فراتحلیلی درباره lncRNAها به عنوان ceRNA در GC وجود ندارد، مطالعه حاضر پیشنهاد شده است.مواد و روش‌ها:پایگاه‌های داده Web of Science، Embase، PubMed، Scopus، ProQuest و Google Scholar برای جمع‌آوری مطالعات شبکه ceRNA واجد شرایط که در آن‌ها lncRNAها به عنوان نشانگرهای زیستی پیش‌آگهی گزارش شده‌اند تا 20 سپتامبر 2024 جستجو شدند. ارزش‌های پیش‌آگهی lncRNAهای پرگزارش بررسی شدند. علاوه بر این، تحلیل حساسیت و سوگیری انتشار ارزیابی گردید.نتایج:در مجموع، 56 مطالعه در مرور نظام‌مند گنجانده شدند. بر اساس این مطالعات، ارتباط 350 lncRNA منحصر به فرد با بقاء کلی بیماران GC ارزیابی شد. 28 مطالعه برای فراتحلیل واجد شرایط بودند. چهار lncRNA شامل ADAMTS9-AS2، AL391152.1، CCDC144NL-AS1 و PVT1 بیشترین گزارش به عنوان نشانگرهای زیستی پیش‌آگهی را داشتند. فراتحلیل اثر پیش‌آگهی CCDC144NL-AS1 (نسبت خطر (HR) = 1.577 (فاصله اطمینان 95% (CI): 1.382-1.801)) را در GC تأیید کرد.نتیجه‌گیری:فراتحلیل ما کاربرد بالقوه lncRNA CCDC144NL-AS1 بر اساس مطالعات شبکه ceRNA را به عنوان یک نشانگر زیستی پیش‌آگهی امیدوارکننده در GC نشان داد. مطالعات بیشتری برای روشن شدن عملکرد این lncRNA در GC مورد نیاز است.ثبت‌نام:پروتکل مرور در سامانه بین‌المللی ثبت پیش‌بینی مرورهای نظام‌مند (PROSPERO) با شماره CRD42022360864 ثبت شده است. Alireza Najimi Alireza Najimi Mon, 22 Dec 2025 12:19:13 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-rbrrbg2q47o2 🧠 رگرسیون ترتیبی چیست؟رگرسیون ترتیبی (Ordinal Regression) یکی از انواع مدل‌های آماری است که برای پیش‌بینی متغیرهایی استفاده می‌شود که دارای ترتیب هستند ولی فاصله بین آن‌ها مشخص نیست. برخلاف رگرسیون خطی که خروجی عددی (پیوسته) دارد یا رگرسیون لجستیک که خروجی دودویی (بله/خیر) دارد، در رگرسیون ترتیبی خروجی به صورت سطوح رتبه‌بندی‌شده است.📊 مثال کاربردی: رضایت مشتریفرض کنید یک شرکت خدماتی از مشتریان خود می‌خواهد که میزان رضایتشان را از خدمات با یکی از گزینه‌های زیر مشخص کنند: خیلی ناراضی (1) ناراضی (2) معمولی (3) راضی (4) خیلی راضی (5)این مقادیر عددی هستند، اما فاصله بین آن‌ها لزوماً برابر نیست. مثلاً فاصله بین "خیلی ناراضی" تا "ناراضی" ممکن است از فاصله بین "راضی" تا "خیلی راضی" کمتر یا بیشتر باشد.حالا شرکت می‌خواهد بر اساس عواملی مثل: مدت زمان پاسخگویی (دقیقه) قیمت خدمات تجربه قبلی مشتری نوع خدمات ارائه‌شدهپیش‌بینی کند که مشتری در کدام سطح رضایت قرار می‌گیرد. این‌جا از رگرسیون ترتیبی استفاده می‌کنیم.🔍 چرا از رگرسیون ترتیبی استفاده می‌کنیم؟ چون خروجی ما ترتیبی است، نه عددی دقیق و نه فقط بله/خیر. چون می‌خواهیم احتمال قرار گرفتن در هر سطح را پیش‌بینی کنیم. چون مدل‌های دیگر مثل رگرسیون خطی یا لجستیک معمولی برای این نوع داده مناسب نیستند.⚙️ چطور کار می‌کند؟مدل رگرسیون ترتیبی برای هر سطح از خروجی، یک آستانه (threshold) تعریف می‌کند و با استفاده از توابعی مثل لوجیت (logit) یا پروبیت (probit) احتمال اینکه خروجی در یک سطح خاص یا پایین‌تر باشد را محاسبه می‌کند.✅ کاربردهای رایج تحلیل رضایت مشتری پیش‌بینی سطح تحصیلات ارزیابی شدت بیماری (مثلاً خفیف، متوسط، شدید) رتبه‌بندی کیفیت خدمات یا محصولاتعلیرضا نجیمی Alireza Najimi Alireza Najimi Mon, 22 Dec 2025 12:08:46 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-yzr8c72dflmo 🎯 تفاوت اصلی: نرمال vs تیویژگیتوزیع نرمالتوزیع تی (Student's t)📊 شکلزنگوله‌ای و متقارنزنگوله‌ای ولی دُم‌های پهن‌تر📦 پراکندگیکمتربیشتر (به‌ویژه با نمونه‌های کوچک)📏 استفادهوقتی انحراف معیار جامعه معلومه و حجم نمونه بزرگهوقتی انحراف معیار جامعه نامعلومه و حجم نمونه کوچیکه🔢 وابسته به nنهبله، به تعداد درجات آزادی (df) وابسته‌ست🍩 مثال ساده:فرض کن می‌خوای بدونی میانگین وزن دونات‌های یه مغازه چقدره.اگه وزن کل دونات‌ها رو داری (یا تعداد خیلی زیادی دونات داری)، از توزیع نرمال استفاده می‌کنی.ولی اگه فقط ۱۰ تا دونات رو تصادفی انتخاب کردی و نمی‌دونی انحراف معیار کل چقدره، باید از توزیع تی استفاده کنی.🧠 چرا توزیع تی دُم‌های پهن‌تری داره؟چون وقتی حجم نمونه کمه، عدم قطعیت بیشتری داریم. پس توزیع تی احتمال بیشتری به مقادیر دور از میانگین می‌ده (دُم‌های چاق‌تر)، تا ریسک اشتباه کمتر بشه.🛠 کاربردها:توزیع نرمال:تحلیل نمرات آزمون‌هامدل‌سازی خطاها در اندازه‌گیریفرضیات در بسیاری از تست‌های آماری (مثل Z-test)توزیع تی:t-test برای مقایسه میانگین‌ها (مثلاً میانگین فشار خون قبل و بعد از دارو)تحلیل داده‌های با حجم نمونه کمرگرسیون خطی با داده‌های محدود🧪 یه مثال کاربردی:فرض کن دو گروه دانش‌آموز داری، یکی با روش سنتی درس خونده، یکی با روش جدید. می‌خوای ببینی روش جدید مؤثرتره یا نه.اگه هر گروه فقط ۱۵ نفره باشه → توزیع تیاگه هر گروه ۵۰۰ نفره باشه و انحراف معیار جامعه رو بدونی → توزیع نرمال Alireza Najimi Alireza Najimi Mon, 22 Dec 2025 12:05:42 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-vhg080409asf ✨ با ساختن مدرسه، آینده‌ای روشن بسازیمدر دل هر کودک، رؤیایی نهفته است. رؤیای پزشک شدن، معلم شدن، مهندس شدن… اما برای شکوفایی این رؤیاها، یک چیز ضروری است: مدرسه.مدرسه فقط یک ساختمان نیست.مدرسه یعنی جرقه‌ی امید در دل کودکی که با چشم‌های پر از آرزو به آینده نگاه می‌کند.مدرسه یعنی جایی که استعدادها کشف می‌شوند، اعتمادبه‌نفس شکل می‌گیرد و نسل آینده ساخته می‌شود.اما هنوز در گوشه‌وکنار کشورمان، کودکانی هستند که برای رسیدن به کلاس درس، کیلومترها راه می‌پیمایند. کودکانی که زیر سقف‌های فرسوده یا حتی در فضای باز، با کمترین امکانات، در جست‌وجوی دانایی‌اند.بیایید دست به دست هم دهیم و مدرسه‌ای بسازیم.مدرسه‌ای که نه‌تنها دیوار و سقف دارد، بلکه لبخند، امنیت و آینده را به کودکان هدیه می‌دهد.✅ با کمک شما، می‌توانیم:کلاس‌های استاندارد و ایمن بسازیممیز و نیمکت برای دانش‌آموزان تهیه کنیمکتاب و لوازم‌التحریر فراهم کنیممعلمان را حمایت کنیم تا با انگیزه تدریس کنند📚 هر آجر، هر ریال، هر قدم شما، یعنی نجات یک کودک از تاریکی جهل.یعنی ساختن جامعه‌ای باسواد، توانمند و روشن.بیایید مدرسه بسازیم… چون آینده از همین‌جا آغاز می‌شود.علیرضا نجیمی Alireza Najimi Alireza Najimi Mon, 22 Dec 2025 12:03:56 +0330 https://virgool.io/@alirezanajimi9270/%D8%B9%D9%84%DB%8C%D8%B1%D8%B6%D8%A7-%D9%86%D8%AC%DB%8C%D9%85%DB%8C-%D9%88%D8%B1%D8%B2%D9%86%D9%87-q4ysfjktn8nz علیرضا نجیمی 📚✨ با ساختن مدرسه، آینده‌ای می‌سازیم روشن‌تر از امروز…در گوشه‌وکنار این سرزمین، کودکانی هستند که با چشم‌هایی پر از آرزو، به دنبال نوری برای فردای بهترند.اما هنوز هم کلاس‌هایی هست که سقف ندارند، نیمکت ندارند، حتی دیوار ندارند…اما امید دارند. امید به یادگیری، به پیشرفت، به ساختن آینده‌ای بهتر.🔔 امروز، ما و شما می‌توانیم بخشی از این امید باشیم.با هر قدم کوچک، با هر کمک، با هر لبخند، می‌توانیم آجر به آجر، مدرسه‌ای بسازیم برای فردا.🏫 مدرسه‌سازی، فقط ساختن یک ساختمان نیست؛ ساختن انسان است.انسان‌هایی که پزشک می‌شوند، معلم می‌شوند، مهندس می‌شوند… و شاید روزی، مدرسه‌ساز.🤝 بیایید دست در دست هم، آینده‌ای بسازیم که در آن هیچ کودکی به‌خاطر نبود مدرسه، از تحصیل باز نماند.📞 برای مشارکت در طرح‌های مدرسه‌سازی، با ما در ارتباط باشید.هر قدم شما، چراغی‌ست در مسیر علم و آگاهی. Alireza Najimi Alireza Najimi Sat, 20 Dec 2025 13:36:00 +0330