Ali.M

پژوهشگر هوش مصنوعی و یادگیری ماشین | علوم اعصاب محاسباتی | یادگیری عمیق، پردازش سیگنال و تصاویر پزشکی و پایتون   درباره من (About): به عنوان دانشجوی کارشناسی ارشد هوش مصنوعی، اشتیاق من حل چالش‌های پیچیده در نقطه تلاقی علوم اعصاب محاسباتی و کاربردهای زیست‌پزشکی است. تخصص من در طراحی، پیاده‌سازی و ارزیابی نقادانه چارچوب‌های یادگیری عمیقی است که نه تنها دقیق، بلکه مستحکم، قابل تفسیر و از نظر علمی معتبر باشند. تحقیقات من بر فراتر رفتن از طبقه‌بندی‌های استاندارد و ساخت ابزارهای تشخیصی ظریف‌تر و قابل اعتمادتری متمرکز است. حوزه‌های کلیدی تخصص: 🧠 پردازش سیگنال و تصویر پزشکی چندوجهی: تحلیل پیشرفته داده‌های فیزیولوژیک متنوع شامل تصاویر پزشکی (MRI, fMRI, CT Scan) و سیگنال‌های زیستی (EEG, HRV, Actigraphy) برای درک و تشخیص اختلالات عصبی.تحلیل داده‌های fMRI برای شناسایی الگوهای فعالیت مغزی و بخش‌بندی (Segmentation) نواحی عملکردی مغز و منطق فازی ( fuzzy logic ). به‌کارگیری الگوریتم‌های یادگیری ماشین برای استخراج ویژگی و طبقه‌بندی حالات   مغزی و بیماری ها از روی تصاویر. 🌀 معماری‌های پیشرفته یادگیری عمیق: تجربه عملی در پیاده‌سازی و انطباق مدل‌های state-of-the-art، از جمله ترنسفورمرها برای وابستگی‌های زمانی بلندمدت و شبکه‌های سیامی برای یادگیری متریک عمیق. 🔍 هوش مصنوعی قابل توضیح و اعتبارسنجی شده (XAI): تمرکز جدی بر اعتبارسنجی مدل و تفسیرپذیری. من چارچوب‌هایی (مانند معماری‌های دو-جریانه) طراحی می‌کنم تا به طور صریح یادگیری از همبستگی‌های کاذب (آرتیفکت‌ها) را آزموده و از آن جلوگیری کنم و اطمینان حاصل نمایم که مدل‌ها        نشانگرهای عصبی واقعی را می‌آموزند. 🐍 برنامه‌نویسی تخصصی پایتون: توسعه کدهای کارآمد و قوی برای کل خط لوله تحقیق—از پیش‌پردازش داده تا آموزش و ارزیابی مدل—با استفاده از کتابخانه‌هایی مانند PyTorch, TensorFlow, Scikit-learn و MNE-Python. من مشتاقم که در آینده پزشکی دقیق (Precision Medicine) و سلامت دیجیتال، جایی که هوش مصنوعی به عنوان یک ابزار قابل اعتماد در کنار متخصصان بالینی عمل می‌کند، سهیم باشم. به دنبال فرصت‌های چالش‌برانگیز تحقیقاتی و مهندسی برای همکاری در پروژه‌های نوآورانه هستم. برای گفتگو در مورد آینده هوش مصنوعی در حوزه سلامت، با من در ارتباط باشید.   تجربیات (Experience)  پژوهشگر هوش مصنوعی (پروژه‌های کارشناسی ارشد) : دانشگاه آزاد اسلامی قزوین تاریخ: ۱۴۰۲ – حال حاضر در طول دوره کارشناسی ارشد، پروژه‌های تحقیقاتی پیشرفته‌ای را با هدف حل چالش‌های بنیادین در تشخیص اختلال نقص توجه/بیش‌فعالی (ADHD) با هدایت هوش مصنوعی، رهبری و در آن‌ها مشارکت کرده‌ام. پروژه اصلی پایان‌نامه: An Explainable AI Framework for Validating ADHD Diagnostic Models Designed and implemented an innovative dual-stream Transformer architecture to directly address the "Validity Crisis" in AI-based diagnostics. My framework quantitatively measures a model's reliance on genuine neural signals versus potentially confounding behavioral artifacts (e.g., eye blink patterns), ensuring scientific validity. Developed a multi-faceted XAI pipeline, integrating Attention Map analysis with SHAP and Source Localization to create a comprehensive "diagnostic narrative" for clinical interpretation. This work pioneers a methodology for building trustworthy AI by making model validation a core part of the architecture itself. Technologies: Python, Transformers, Explainable AI (XAI), Advanced Signal Preprocessing (ASR, ICA), MNE-Python. Supporting Research: Deep Metric Learning for EEG-Based ADHD Subtype Classification Developed a Siamese Neural Network with a Triplet Loss function to learn a discriminative embedding space capable of differentiating nuanced ADHD subtypes (e.g., Inattentive vs. Combined), a task where standard classifiers often fail. Technologies: Python, TensorFlow, Deep Metric Learning, Siamese Networks, EEGNet. Collaborative Research: Multimodal Transformer for ADHD Detection from Wearable Sensor Data Contributed to a Dual-Branch Transformer model designed to fuse asynchronous and incomplete data from Heart Rate Variability (HRV) and Actigraphy sensors, tackling real-world data challenges. Implemented a Multi-Task Learning strategy to improve model generalizability. Technologies: Python, PyTorch, Multimodal Data Fusion, Multi-Task Learning.    تحصیلات (Education) دانشگاه قزوین مدرک: کارشناسی ارشد، هوش مصنوعی تاریخ: ۱۴۰۲ – حال حاضر تمرکز پژوهش: پارادایم‌های پیشرفته یادگیری عمیق (یادگیری متریک، ترنسفورمرها، XAI) برای تشخیص استوار اختلالات عصبی از سیگنال‌های زیستی. دروس مرتبط: یادگیری عمیق، یادگیری ماشین پیشرفته، پردازش سیگنال دیجیتال، بینایی ماشین، پردازش زبان طبیعی،یادگیری تقویتی. دانشگاه قزوین مدرک: کارشناسی، مهندسی نرم‌افزار تاریخ: ۱۳۹۷ – ۱۴۰۱ توضیح: «دوره کارشناسی مهندسی نرم‌افزار، پایه و اساس تفکر مهندسی و توانایی من در حل مسائل پیچیده است. در این دوره، بر اصول طراحی سیستم، معماری نرم‌افزار، و نوشتن کدهای تمیز و بهینه تسلط پیدا کردم. این دیدگاه مهندسی به من اجازه می‌دهد تا مدل‌های هوش مصنوعی را نه تنها طراحی، بلکه به صورت سیستم‌هایی قابل اعتماد، مقیاس‌پذیر و آماده برای محصول نهایی (production-ready) پیاده‌سازی کنم.»   مهارت‌ها (Skills) یادگیری ماشین (Machine Learning) یادگیری عمیق (Deep Learning) پایتون (Python) مهارت‌های فنی و کتابخانه‌ها: زبان‌ها: Python, MATLAB یادگیری عمیق: PyTorch, TensorFlow, Keras, Scikit-learn علم داده: Pandas, NumPy, Scipy, Matplotlib, Seaborn پردازش سیگنال زیستی: MNE-Python, Neurokit2, py-ecg-detectors حوزه‌ها و تخصص‌ها: علوم اعصاب محاسباتی (Computational Neuroscience): پردازش سیگنال‌های زیستی (EEG,ECG,EMG, HRV, Actigraphy)   هوش مصنوعی قابل توضیح (XAI) و اعتبارسنجی مدل مدل‌های ترنسفورمر و مکانیزم توجه یادگیری متریک عمیق و شبکه‌های سیامی ادغام داده‌های چندوجهی (Multimodal Data Fusion) یادگیری چند-وظیفه‌ای (Multi-Task Learning) تحلیل سری‌های زمانی (Time-Series Analysis) تحلیل تصاویر پزشکی (Medical Image Analysis): MRI, fMRI, CT Scans, X-ray بخش‌بندی تصویر (Image Segmentation) منطق فازی(fuzzy logic) طبقه‌بندی تصویر (Image Classification) تشخیص به کمک کامپیوتر (Computer-Aided Diagnosis - CAD) معماری‌های کلیدی: U-Net, VGG, ResNet کتابخانه‌ها: MONAI, SimpleITK, pydicom