12352
✾ ـ﷽ـ ✾ بزرگترین مرجع تخصصی آمار کتب و جزوات دروس تخصصی آمار آموزش مباحث مهم آمار نرم افزار های آماری مشاوره آماری ادمین و روابط عمومی : @Amar_kadeh_admin اینستاگرام: https://instagram.com/amar__kade
🔥 وبینار رایگان «دیتا ساینس و ساخت محصولات داده‌محور (Data Products)»
🚀چطور داده‌ها و مدل‌های Data Science از یک تحلیل یا مدل ساده، به یک محصول واقعی و قابل استفاده در کسب‌وکار تبدیل می‌شوند؟
💡 در این وبینار بررسی می‌کنیم:
🔹 #دیتا_ساینس چیست و در دنیای واقعی چه کاربردهایی دارد؟
🔹 شرکت‌ها چگونه با داده و AI محصولات واقعی می‌سازند؟
🔹 خروجی‌های واقعی حاصل از به‌کارگیری علم داده چیست؟
🔹 چطور وارد بازار کار و فریلنسری بین‌المللی حوزه داده شویم؟
🎯 اگر به #علم_داده ، هوش مصنوعی و ساخت محصولات داده‌محور علاقه‌مندید و می‌خواهید نگاهتان را از «ساخت مدل» به «ساخت محصول واقعی» ارتقا دهید، این وبینار برای شماست.
🗓 سه‌شنبه | ۱۴ مهر | ساعت ۱۹
🎁 ثبت‌نام رایگان | ظرفیت محدود
🔗 لینک ثبت‌نام:
برای ثبت‌نام اینجا کلیک کنید
برای ثبت‌نام اینجا کلیک کنید
✨ موسسه آموزشی توسعه
➖➖➖➖➖➖➖➖➖
🌐 tihe.ac.ir
☎️ ۰۲۱-۸۶۷۴۱
📐 پشت پرده ریاضی مسئله توقف بهینه: چرا دقیقاً ۳۷٪؟
در پست قبل دیدیم که استراتژی بهینه در مسئله منشی (Secretary Problem)، رد کردن ۳۷٪ اول گزینه‌ها و سپس انتخاب اولین مورد بهتر است.
اما این عدد جادویی از کجا آمده است؟
چرا ۵۰٪ یا ۲۵٪ نه؟
در این پست به دل ریاضیات مسئله می‌رویم و نشان می‌دهیم که چگونه عدد نپر (e) و لگاریتم طبیعی در قلب یک مسئله تصمیم‌گیری ظاهر می‌شوند.
━━━━━━━━━━━━━━
🔢 فرمول‌بندی احتمال موفقیت
فرض کنید n متقاضی داریم و تصمیم می‌گیریم r نفر اول را رد کنیم (فاز مشاهده). حالا می‌خواهیم احتمال انتخاب بهترین فرد کل مجموعه را محاسبه کنیم که آن را P(r) می‌نامیم.
بهترین فرد کل مجموعه (فرد شماره kام) تنها در صورتی انتخاب می‌شود که دو شرط همزمان برقرار باشد:
اول: k باید بزرگتر از r باشد (یعنی جزو فاز مشاهده نباشد که کورکورانه رد شده باشد).
دوم: بهترین فرد بین r+1 تا k-1، باید حتماً در آن r نفر اول بوده باشد. چرا؟ چون اگر بهترینِ قبلی‌ها در فاز مشاهده نباشد، ما پیش از رسیدن به فرد kام، شخص دیگری را استخدام کرده و بازی تمام شده است.
احتمال اینکه بهترین فردِ k-1 نفر اول، در r نفر اول باشد برابر r/(k-1) است.
احتمال اینکه بهترین فرد کل مجموعه دقیقاً در جایگاه kام باشد نیز 1/n است.
بنابراین، کل احتمال موفقیت برابر است با مجموع این احتمالات برای تمام k ها از r+1 تا n:
P(r) = Σ [ (1/n) × (r / (k-1)) ] برای k از r+1 تا n
P(r) = (r/n) × Σ [ 1 / (k-1) ] برای k از r+1 تا n
Σ [ 1/k ] ≈ ∫(1/t) dt = -ln(x)
P(x) = -x.ln(x)
dP/dx = -ln(x) - 1 = 0
ln(x) = -1
x = e^(-1) = 1/e ≈ 0.3678...
P(1/e) = -(1/e) × ln(1/e) = -(1/e) × (-1) = 1/e ≈ 0.3678...
🤔سؤال برای بچه‌های آمارکده
تصور کنید یک دیتاست واقعی به شما داده‌اند
نه ۲۰ ردیف، نه ۱۰۰ ردیف...
یک میلیون ردیف!
شما اولین کارتان چیست؟
🔹 با Python شروع می‌کنید؟
🔹 اول داده‌ها را تمیز می‌کنید؟
🔹 نمودار می‌سازید؟
🔹 آمار توصیفی می‌گیرید؟
🔹 یا اول اصلاً می‌روید سراغ اینکه بفهمید این داده‌ها چطور جمع‌آوری شده‌اند؟
جواب خودتان را بنویسید،حتی اگر مطمئن نیستید.
بیایید ببینیم اولین واکنش بچه‌های آمارکده به یک دیتاست بزرگ چیست. 📊🐍
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
تابع مولد گشتاور، MGF دقیقا چیست؟
در نظریه احتمال به میانگین یک توزیع احتمالی امید ریاضی یا Expected value اون توزیع گفته میشه، که با علامت [X]E نشون داده میشه.
گاهی وقتا به عنوان مثال نیاز داریم برای محاسبه واریانس توزیع امید X² رو محاسبه کنیم که به طور مستقیم کار نسبتا سختی هست.
خب، برای راحت تر کردن محاسبه امید X^n یک مفهومی بیان شد به اسم مولد گشتاور که گشتاور های X که
E[X],E[X²],...,E[X^n]
هست رو محاسبه میکنه.
مولد گشتاور به شکل زیر تعریف میشه:
MX(t) =E[e^(tX)]
یا به صورت انتگرال
e^(tx)fX(x)
(برای توزیع های گسسته زیگما همین تعریف) روی تمام x های قابل تعریف.
اگر MGF در یک بازه حول صفر متناهی باشد، می‌توان مشتق را زیر علامت امید ریاضی برد:
MX'(t)=E[Xe^(tX)]
پس:
MX'(0)=E[X]
و به همین ترتیب:
MX''(0)=E[X^2]MX^(n)(0)=E[X^n]
حالا برای توزیع هایی که مولد گشتاور دارن این تابع رو محاسبه می‌کنیم و با مشتقات مختلف اون در مرتبه های مختلف در نقطه 0 گشتاور های مختلف توزیع رو محاسبه می‌کنیم
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
🚀 پروژه داری؟ متخصصش رو پیدا کن!
دنبال یک فریلنسر حرفه‌ای برای انجام پروژه‌ات هستی؟
یا مهارتی داری و می‌خوای ازش درآمد کسب کنی؟ 💰
اینجا می‌تونی:
🔹 پروژه ثبت کنی
🔹 متخصص مناسب پیدا کنی
🔹 پروژه بگیری
🔹 مهارتت رو به درآمد تبدیل کنی
✨ یک قدم تا شروع همکاری حرفه‌ای!
🔗 http://akafreelancer.com
📲 آکا فریلنسر رو در شبکه‌های اجتماعی دنبال کن!
از پروژه‌های جدید و فرصت‌های فریلنسری باخبر شو،
مهارت‌هات رو بیشتر دیده شو و فرصت‌های همکاری رو از دست نده! 🚀
✨ همین حالا به ما بپیوند:
@aka_freelancer
🔔 همراه ما باش؛ فرصت بعدی شاید همین‌جا منتظرت باشه!
پارادوکس سیمپسون چیه؟
گاهی وقتی داده ها رو در گروه های مختلف بررسی می کنیم یک نتیجه مشخص می بینیم ، اما وقتی همه گروه ها رو با هم ترکیب می کنیم نتیجه تغییر میکنه و حتی ممکنه کاملا برعکس بشه
به این پدیده پارادوکس سیمپسون می گیم
در مثال بالا روش A در هر دو گروه عملکرد بهتری داره اما وقتی داده های دو گروه رو با هم ترکیب می کنیم نتیجه کلی به نفع روش B میشه
چطور ممکنه؟
چون تعداد افراد و نحوه توزیع اونها بین گروه ها یکسان نیست و همین موضوع میتونه روی نتیجه کلی اثر بذاره
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
📊 مقایسه استراتژیک Power BI و Tableau: نبرد غول‌های هوش تجاری
در دنیای داده‌ها، پرسشِ «کدام ابزار بهتر است؟» به اندازه «کدام زبان برنامه‌نویسی برای هوش مصنوعی بهتر است؟» بحث‌برانگیز است. واقعیت این است که این دو ابزار در دو میدان نبردِ متفاوت بازی می‌کنند.
بیایید فارغ از کلیشه‌ها، از نگاه یک متخصص داده به این دو نگاه کنیم:
✅ وقتی مدل‌سازی و مدیریت داده اولویت دارد (حکم‌فرمایی Power BI)
اگر کسب‌وکار شما در اکوسیستم مایکروسافت تنیده شده (SQL Server, Azure, Excel) و نیاز دارید «مدل داده» (Data Model) منسجم و استانداردی بسازید، انتخاب اول بی‌شک Power BI است.
• مزیت استراتژیک: قدرتِ Power Query در ETL داده‌ها و زبانِ DAX برای محاسباتِ پیچیده زمانی، به شما اجازه می‌دهد بدون نیاز به تیم‌های مهندسی داده بزرگ، گزارش‌های خودکار و سنگین بسازید.
🎨 وقتی هنرِ داستان‌سرایی و اکتشاف اولویت دارد (حکم‌فرمایی Tableau)
اگر داده‌های شما ساختار غیرمعمول دارند، نیاز به نقشه‌های پیچیده دارید و می‌خواهید داده‌ها را به شکلی ارائه دهید که در هر جلسه مدیریتی خیره‌کننده باشد، Tableau بی‌رقیب است.
• مزیت استراتژیک: انعطاف‌پذیری تبلو در بصری‌سازی (Visualization) به شما اجازه می‌دهد به جای نمودارهای استاندارد، «داستانِ داده» را به شکل خلاقانه‌ای روایت کنید. تبلو ابزارِ تحلیل‌گرانِ پیشروست که می‌خواهند از بندِ ساختارهای ثابتِ گزارش‌گیری رها شوند.
💢 چهار فاکتور حیاتی برای تصمیم‌گیری:
1️⃣ پیچیدگی فنی: اگر تیم شما با اکسل راحت است، Power BI منحنی یادگیری بسیار نرم‌تری دارد.
2️⃣ بودجه و مقیاس: Power BI برای سازمان‌هایی که به دنبال ROI (بازگشت سرمایه) بالا هستند گزینه‌ای مقرون‌به‌صرفه‌تر است.
3️⃣ نوع خروجی: اگر هدف «گزارش‌های عملیاتی روزانه» است، Power BI؛ اگر هدف «داستان‌سرایی و اکتشاف در داده‌های حجیم» است، Tableau.
4️⃣ یکپارچگی: Power BI برای مایکروسافتی‌ها؛ Tableau برای کسانی که می‌خواهند با هر منبع داده‌ای (از هر فروشنده‌ای) سریع وصل شوند.
📌 حرف آخر:
هیچ‌کدام از این دو ابزار «برنده مطلق» نیستند. انتخابِ درست، تابعِ «فرهنگِ داده‌محور» سازمان شماست.
شما در پروژه‌های اخیرتان با کدام ابزار، چالش‌های پیچیده‌تری را حل کردید؟ آیا به سمت ابزارهای متن‌باز (Open Source) متمایل شده‌اید یا همچنان به غول‌های بازار وفادارید؟
بحث را در کامنت‌ها باز بگذاریم. 👇
#PowerBI
#Tableau
#DataStrategy #BusinessIntelligence #DataStorytelling
#هوش_تجاری
#تحلیل_داده
#علم_داده
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
⏳ بلاتکلیفی در ثبت‌نام ارشد بدون آزمون دانشگاه آزاد
با وجود اعلام قبلی دانشگاه آزاد درباره آغاز ثبت‌نام کارشناسی ارشد استعدادهای درخشان ۱۴۰۵ در اوایل مهر ، فرآیند ثبت‌نام هنوز آغاز نشده و داوطلبان همچنان منتظر اعلام زمان دقیق شروع ثبت‌نام هستند.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
❔فکر می‌کنی اکسل فقط همون جدول و فرموله؟
🗻یه کوه یخه که فقط نوکش رو دیدی.
🧊 لایه های زیری چی پنهونه که هنوز کشفش نکردی؟
⁉️و اینکه آیا این همون اولین مهارتیه که باید یاد بگیری؟
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
شاید مهم‌ترین نکته این نباشد که:
«آدم‌های نادان فکر می‌کنند خیلی باهوش‌اند.»
این جمله بیش از حد ساده‌شده است.
نکته جالب‌تر این است که:
حتی وقتی یک الگوی خیلی قانع‌کننده در داده‌ها می‌بینیم، باید بپرسیم آیا توضیح روان‌شناختی واقعاً بهترین توضیح است یا خودِ روش اندازه‌گیری و ساختار آماری داده‌ها می‌تواند چنین الگویی ایجاد کرده باشد؟
و به نظرم این دقیقاً همان جایی است که آمار جالب می‌شود.
چون گاهی چیزی که در نگاه اول یک ویژگی عجیب انسانی به نظر می‌رسد، وقتی دقیق‌تر به داده‌ها نگاه می‌کنیم، پای خطای اندازه‌گیری، سوگیری، نمونه‌گیری یا رگرسیون به میانگین هم وسط می‌آید.
در نهایت شاید یکی از مهم‌ترین چیزهایی که می‌توانیم درباره خودمان بدانیم این باشد:
اینکه بدانیم ممکن است چیزی را ندانیم.
📚 منابع:
Kruger, J., & Dunning, D. (1999). Unskilled and Unaware of It: How Difficulties in Recognizing One's Own Incompetence Lead to Inflated Self-Assessments.
McIntosh et al. (2022). Skill and self-knowledge: empirical refutation of the dual-burden account of the Dunning–Kruger effect.
Magnus & Peresetsky (2022). A Statistical Explanation of the Dunning–Kruger Effect.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
📣 کمیته تحقیقات دانشجویی دانشکده بهداشت دانشگاه علوم پزشکی همدان، آکادمی داناوین،گروه پژوهشگران علوم پزشکی ، انجمن علمی دانشجویی بهداشت عمومی(HOPE) و کمیته دانشجویی توسعه آموزش دانشکده بهداشت دانشگاه علوم پزشکی تهران و انجمن علمی دانشجویی نانو فناوری پزشکی دانشگاه علوم پزشکی شیراز و کمیته تحقیقات دانشجویی دانشکده بهداشت دانشگاه علوم پزشکی ایران برگزار می کند:
🌟سلسله کارگاه های آمار در پژوهش های علوم پزشکی🌟
👨🎓 مناسب برای : تمامی دانشجویان و علاقمندان به پژوهش
🕰زمان برگزاری: ۸ جلسه
از تاریخ ۴ مهر ماه تا ۲۹ مهر ماه ۱۴۰۵
ساعت ۱۲ الی ۱۴
📌بصورت آنلاین و در بستر اسکای روم
📎لینک ورود به کلاس:
https://www.skyroom.online/ch/iums/rafh
✅همراه با ارائه گواهی معتبر به شرکت کنندگان
💵 هزینه: رایگان
❌️✅️❌️ کارگاه نیاز به ثبت نام ندارد
در تاریخ و ساعت مشخص شده وارد کلاس شوید پروسه ثبت نام در کلاس اطلاعی رسانی خواهد شد.
🔴راه های ارتباطی با کانال های ما در بله و تلگرام:
🆔️ @srcnews
🆔️ @HOPE_TUMS
🆔️ @health_src_iums
🆔️ @sums_nanomed
🆔️ @Danavin_Academy
🆔️ @Pazhuheshgaran_MS
نتایج نهایی آزمون کارشناسی ارشد اواخر مهر یا اوایل آبان اعلام می‌شود.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
ناویر–استوکس پارت سوم
در دو پارت قبل دیدیم معادلات ناویر–استوکس چه چیزی را توصیف می‌کنند و چرا یکی از مهم‌ترین مسائل ریاضی به آن‌ها مربوط است.
اما حالا برسیم به خبر جنجالی: OpenAI ادعا کرده مسئله ناویر–استوکس را حل کرده است.
اما دقیقاً چه اتفاقی افتاده؟
مسئله اصلی این بود:
اگر یک سیال سه‌بعدی را با شرایط اولیه کاملاً منظم شروع کنیم، آیا این نظم همیشه حفظ می‌شود؟
یا ممکن است در یک زمان محدود، سرعت جریان به سمت بی‌نهایت برود و یک تکینگی (Singularity) ایجاد شود؟
OpenAI
می‌گوید سیستم هوش مصنوعی این شرکت توانسته سناریویی ریاضی پیدا و اثبات کند که در آن چنین تکینگی‌ای رخ می‌دهد.
ایده اصلی حول گردابه‌ها (Vortex) می‌چرخد؛ ساختارهایی در سیال که می‌توانند همزمان کشیده و فشرده شوند و باعث افزایش شدید سرعت شوند.
نکته جالب اینجاست که ویسکوزیته، که معمولاً تمایل دارد جریان را آرام و صاف کند، در این سناریو نمی‌تواند جلوی این رشد را بگیرد.
OpenAI
همچنین اعلام کرده که بخش‌هایی از این برهان را به‌صورت رسمی در Lean بررسی کرده است یعنی برهان فقط یک متن معمولی نیست و می‌توان برخی مراحل آن را با یک سیستم اثبات‌گر صوری بررسی کرد.
اما یک نکته مهم:
اعلام کردن حل مسئله با جامعه ریاضی رسماً راه‌حل را پذیرفته یکی نیست.
چنین ادعای بزرگی نیاز به بررسی مستقل و دقیق ریاضی دارد.
اگر این نتیجه تأیید شود، داستان فقط درباره ناویر–استوکس نیست بلکه می‌تواند نشان دهد هوش مصنوعی قادر است در حل مسائل عمیق ریاضی، از محاسبه فراتر برود و در کشف و ساخت برهان هم نقش داشته باشد.
در پارت بعد، میریم سراغ خود ایده ریاضی این برهان و می‌بینیم این گردابه چطور می‌تواند به سمت یک تکینگی حرکت کند.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
واقعا به کجا داریم میریم....
حرفشون واقعا قبول دارم 👌
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
اکسل یا Power BI؟
🥧قصه‌ی کیک، چایی و آبمیوه🧃
خب خب خب، بالاخره به جایی رسیدیم که می‌خواستم برسیم.
اکسل خوبه، قشنگه و خیلی وقته داره استفاده میشه. اما بیاید در مورد یه ابزار دیگه حرف بزنیم که هم میشه باهاش با دیتا دست و پنجه نرم کرد، هم بصری‌سازی داده‌ها رو انجام داد.
Power BI
این یکی مثل اینه که وقتی داری کیک می‌خوری، آبمیوه کنارته و هر از چندگاهی یه قلپ ازش می‌خوری.
(راستی شما هم برای تنظیم پایان آبمیوه و کیکتون مشکل دارین؟)
کیک همون کار با دیتاست تا به دیدگاهی که از قبل داشتی برسی و اون رو روی دیتایی که قر و قاطی (تا حدی) هست اعمال کنی.
و آبمیوه همون بصری‌سازی داده‌هاست که وقتی به کار میاد که دیگه فقط دیتاست و تو هیچ ایده‌ای نداری که اینا قراره چی رو نشون بدن (کیک تقریباً مزش تکراری شده، یا بگیم توو گلوت گیر کرده چون اول صبحی خوردی). پس این آبمیوه میاد کمکت میکنه:
اول: همون هدف اصلی، یعنی کشیدن نمودارها و فهمیدن رابطه‌ها و مفاهیم از دل داده‌ها.
دوم: بفهمی اصلاً این همه کاری که کردی، چقدرش درست بوده یا طبق خواسته‌ی خودت و کارفرما.
در مقایسه با اکسل، باید بگم بصری‌سازی توی اکسل مثل چایی داغه. همون کیک رو داری، ولی برای بردنش پایین باید چایی داغ بخوری. کسایی که با اکسل کار کردن می‌دونن، اگه کیک توو گلوت گیر کنه، چایی داغ می‌خوری می‌بره پایین، ولی خب بجاش کلی می‌سوزی. زحمت داره در کل.
اما توی Power BI، به جای چایی داغ، آبمیوه خنک کنارته. سریع‌تر، راحت‌تر و گواراتر.
کسایی که با Power BI کار کردن هم قطعاً می‌دونن که این ابزار نقطه قوتش توی داشبوردسازی و مصورسازیه، ولی فقط محدود به نمودار نیست.
اما این‌طوری نیست که بگیم حالا که Power BI از ابزارهای اکسل استفاده میکنه و تازه سریع میشه با چند تا کشیدن متغیرها توی فیلدها نمودار کشید، پس دیگه اکسل به‌درد نمی‌خوره. این طرز فکر اشتباهه، چون خیلی از شرکت‌ها هنوز با اکسل کار دارن.
📌 پیام من به کسایی که اکسل بلدن: نگران نباش، برو Power BI هم یاد بگیر. وقت زیادی ازت نمی‌گیره.
📌 پیام من به کسایی که بلد نیستن: اگه Power BI یا هر زبان برنامه‌نویسی دیگه‌ای رو یاد بگیری، یه طرز فکر تحلیلی توی ذهنت شکل می‌گیره که به محض ورود به اکسل، می‌تونی مثل یه کیک ببلعیش (البته با تلاش، نه با یه دوره‌ی یک ساعته).
در آخر خوشحال می‌شم نظرتون رو بدونم. این برداشت‌ها، نظرات و اطلاعاتی بود که خودم داشتم. اگه جایی به نظرتون نیاز به بحث بیشتر داره، مشتاقانه منتظر خوندن کامنت‌ها هستم 👐
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
🎲 مسئله توقف بهینه: کِی باید دست از جستجو برداریم؟
فرض کنید مدیر یک شرکت هستید و قرار است یک نفر را استخدام کنید.
۱۰۰ متقاضی برای مصاحبه دعوت شده‌اند.
شما فقط می‌توانید هر فرد را بلافاصله پس از مصاحبه رد یا قبول کنید.
اگر رد کنید، راه برگشتی نیست.
اگر همه را رد کنید، در نهایت هیچ‌کس را نخواهید داشت.
سؤال اینجاست: دقیقاً در چه نقطه‌ای باید جستجو را متوقف کنیم تا بیشترین احتمال انتخاب «بهترین فرد» را داشته باشیم؟
این صرفاً یک چالش منابع انسانی نیست؛ یکی از معروف‌ترین مسائل نظریه احتمالات است که به آن Secretary Problem یا Optimal Stopping می‌گویند.
━━━━━━━━━━━━━━
📍 استراتژی شهودی در برابر استراتژی بهینه
ساده‌ترین کار انتخاب تصادفی است. اگر ۱۰۰ نفر باشند، احتمال اینکه شانسی بهترین فرد را پیدا کنید دقیقاً ۱٪ است.
یک ایده بهتر: نیمی از افراد را رد کنید تا سطح کیفی بازار دستتان بیاید، سپس اولین کسی که از تمام قبلی‌ها بهتر بود را استخدام کنید. این روش بهتر است، اما هنوز بهینه نیست.
ریاضیدانان در دهه ۱۹۶۰ نشان دادند که یک عدد بهینه برای این مسئله وجود دارد:
1/e
که e همان عدد نپر (حدود 2.718) است.
یعنی 1/2.718 که تقریباً برابر 0.368 یا همان ۳۷٪ معروف می‌شود.
━━━━━━━━━━━━━━
✨ قانون ۳۷ درصد چیست؟
استراتژی بهینه دو مرحله دارد:
🔸 مرحله اکتشاف (Look Phase): ۳۷٪ اول افراد را فقط مصاحبه و رد کنید. هدف در این مرحله انتخاب نیست، بلکه ساختن یک معیار (Benchmark) از کیفیت کل مجموعه است.
🔹 مرحله انتخاب (Leap Phase): پس از عبور از این نقطه، به محض مواجهه با فردی که از تمام افراد مرحله قبل بهتر بود، او را انتخاب و فرآیند را متوقف کنید.
با این قانون ساده، احتمال پیدا کردن بهترین فرد مطلق از ۱٪ به حدود ۳۷٪ افزایش می‌یابد.
هیچ استراتژی دیگری نمی‌تواند این عدد را بالاتر ببرد.
━━━━━━━━━━━━━━
⚠️ آیا در دنیای واقعی هم جواب می‌دهد؟
مانند هر مدل آماری دیگری، این مسئله نیز فرض‌هایی دارد که در عمل ممکن است نقض شوند:
🔸 عدم امکان بازگشت: در زندگی واقعی شاید بتوان با نفر قبلی تماس گرفت، اما ریسک از دست رفتن او وجود دارد.
🔸 هدف‌گذاری روی بهترین مطلق: مدل فرض می‌کند فقط نفر اول اهمیت دارد. در واقعیت، اگر به دنبال گزینه‌ای «به اندازه کافی خوب» باشید، قانون تغییر می‌کند و می‌توان زودتر متوقف شد.
🔸 دانستن تعداد کل گزینه‌ها (n): اگر ندانیم چند نفر قرار است مصاحبه شوند، مسئله پیچیده‌تر شده و نیازمند استفاده از فرآیندهای پواسون (Poisson process) خواهد بود.
با وجود این محدودیت‌ها، ایده مرکزی قدرتمند است: ابتدا داده جمع کنید تا کیفیت فضا را بسنجید، سپس یک آستانه تعیین کنید و روی اولین گزینه‌ای که از آن آستانه عبور کرد اقدام نمایید.
━━━━━━━━━━━━━━
🌍 کاربرد فراتر از استخدام
این قانون ۳۷٪ مختص مصاحبه کاری نیست.
🔹 در جستجوی مسکن: اگر می‌دانید در یک ماه قرار است ۳۰ خانه ببینید، ۱۱ مورد اول را فقط بررسی کنید تا قیمت دستتان بیاید. سپس اولین خانه‌ای که از همه آن ۱۱ مورد بهتر بود را اجاره کنید.
🔹 حتی در روابط اجتماعی نیز آماردانان این مدل را بررسی کرده‌اند. اگر فرض کنیم در یک بازه زمانی مشخص با تعدادی افراد آشنا می‌شویم، ریاضیات پیشنهاد می‌دهد ۳۷٪ ابتدای زمان را صرف شناخت کنید، نه تعهد.
━━━━━━━━━━━━━━
📌 جمع‌بندی
مسئله توقف بهینه نشان می‌دهد که در تصمیم‌گیری‌های متوالی، نه وسواس بی‌جا مفید است و نه عجله.
ریاضیات یک نقطه تعادل دقیق ارائه می‌دهد:
۳۷٪ کاوش، ۶۳٪ بهره‌برداری.
گاهی بهترین تصمیم آماری این است که بدانیم دقیقاً کجا باید جستجو را متوقف کنیم.
«In optimal stopping, the hardest part isn't finding the best option; it's knowing when to stop looking.»
— Thomas S. Ferguson, Statistical Science (1989)
Friday Code #2
📊💻 یک سؤال ساده؛ یک جواب آماری؛ چند خط برنامه‌نویسی!
فرض کنید نمرات ۱۰۰ دانشجو را در اختیار داریم و می‌خواهیم بدانیم:
میانگین نمرات چقدر است؟
پراکندگی داده‌ها چقدر است؟
و مهم‌تر از همه، آیا نمرات بیشتر دانشجوها نزدیک به میانگین هستند یا نه؟
در گذشته شاید برای چنین کاری محاسبات زیادی لازم بود؛ اما امروز می‌توانیم با زبان‌هایی مثل Python بخش بزرگی از این فرایند را به‌سادگی انجام دهیم.
import numpy as np
scores = [12, 15, 18, 14, 16, 19, 11, 17]
print("Mean:", np.mean(scores))
print("Standard Deviation:", np.std(scores))
📊 دوره آنلاین و جامع #علم_داده (Data Science)
👈 ورود به دنیای Data Science و هوش مصنوعی
🔰 بدون نیاز به سابقه برنامه‌نویسی
از مفاهیم پایه تا تحلیل داده و پیاده‌سازی مدل‌های واقعی
🐍 آموزش پایتون (Python) و SQL Server
📊 تحلیل و مصورسازی داده
🤖 یادگیری ماشین (ML) و Deep Learning
📈 پیش‌بینی و تحلیل سری‌های زمانی
🧩 پروژه‌ها و Case Studyهای واقعی
جهت دسترسی به دوره های دکتر شریفی زارچی این لینک کلیک کنید
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
«پول ندارم» گفتناتون هم مثل «هیچی نخوندم» گفتنای سر جلسه امتحانه.
🤣
🤖🔥 ایده‌ات را به محتوای حرفه‌ای تبدیل کن!
انجمن علمی هوش مصنوعی دانشگاه رازی با همکاری شرکت زیکارو برگزار می‌کند:
🎯 کارگاه کاربردی «تولید محتوا با ابزارهای هوش مصنوعی»
اگر دانشجو هستی، کسب‌وکار داری، ادمین شبکه‌های اجتماعی هستی یا به تولید محتوا علاقه‌مندی، در این کارگاه یاد می‌گیری چگونه با کمک هوش مصنوعی، سریع‌تر و حرفه‌ای‌تر محتوا تولید کنی.
🎬 سرفصل‌های کارگاه:
1️⃣ تولید ویدئو با ابزارهای هوش مصنوعی
2️⃣ طراحی پوستر و محتوای گرافیکی
3️⃣ تولید پادکست و محتوای صوتی
4️⃣ تولید و ویرایش متن با هوش مصنوعی
📅 تاریخ: ۲۶ تا ۲۹ مهرماه
⏱️ ۴ جلسه | ۸ ساعت آموزش
🕣 ساعت: ۲۰:۳۰ تا ۲۲:۳۰
💻 محل برگزاری: اسکای‌روم
🎁 اگر امکان حضور در کلاس را ندارید، پس از ثبت‌نام، کلیپ ضبط‌شده جلسات در اختیار شما قرار خواهد گرفت.
🎓 صدور گواهی معتبر از دانشگاه رازی
💰 هزینه ثبت‌نام: ۲۵۰ هزار تومان
⚠️ ظرفیت محدود است!
👥 این کارگاه به تمامی:
🎓 دانشجویان
💼 صاحبان کسب‌وکار
📱 ادمین‌ها و فعالان شبکه‌های اجتماعی
🎨 علاقه‌مندان به تولید محتوا
توصیه می‌شود.
📌 مهلت ثبت‌نام: ۳۰ مهرماه
📲 جهت ثبت‌نام در تلگرام یا ایتا پیام دهید:
👉 @amozshi_admin20
📚 کتابی کاربردی برای یادگیری جبر ماتریسی یا همون جبر خطی با تمرکز بر کاربرد آن در آمار؛ از مفاهیم پایه ماتریس‌ها شروع می‌کند و به مباحث پیشرفته‌تر و کاربردهای آماری با R می‌رسد.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
📄خب، توی تحلیل آگهی نهاد کتابخانه‌ها دیدیم که اکسل «پیشرفته» خواسته شده.
اصلا «پیشرفته» اینجا یعنی چی؟
🧩این اکسل پیشرفته اصلاً قرار چطور توی یه شغل واقعی استفاده بشه؟
راستش رو بخوای، تا وقتی آدم درگیر کار واقعی نشه، نمی‌فهمه قراره از مهارت‌هاش چطور استفاده کنه. پس اولین قدم، آشنایی درست با ابزارهاست. که لااقل به اون مرحله برسی که
حالا که مهارت و دارم چجوری میتونم استفاده کنم.
🖐قرار نیست این سوال رو جواب بدم
اما
آشنایی بهت کمک میکنه:
🔹 بفهمی هر ابزار توی شغل واقعی کجای کار قرار می‌گیره.
🔹 بدونی از کجا شروع کنی و مسیرت چیه.
و اکسل، برخلاف چیزی که فکر می‌کنی، فقط یه جدول ساده نیست. اکسل سه تا لایه‌ی پنهون داره که خیلی‌ها اصلاً نمی‌دونن:
▪️ Power Query:
برای اتصال به منابع داده و تمیزکاری خودکار میشه ازش استفاده کرده.
یعنی به جای اینکه دستی داده‌ها رو پاک کنی، یه بار یاد می‌گیری چطور این کار رو خودکار انجام بدی.
▪️ Data Model:
برای ساختن ارتباط بین چند جدوله. می‌تونی چند تا فایل مختلف رو به هم وصل کنی و ازشون یه تحلیل یکپارچه دربیاری.
▪️ DAX:
برای نوشتن فرمول‌های تحلیلی پیشرفته‌تره.
محاسباتی که مختص به نیازیه که در لحظه داری، که با فرمول‌های معمولی اکسل نمی‌شه انجام داد.
جالبه که خیلی از آگهی‌های کاری، وقتی می‌نویسن «اکسل پیشرفته»، دقیقاً منظورشون همین لایه‌هاست.
پس اگه اکسل رو فقط در حد VLOOKUP و Pivot Table بلدی، هنوز تقریبا نوک کوه یخی.
راستی،
تو کدوم لایه‌ی اکسل رو بلدی؟ و کدومش برات جذاب‌تره؟
اصلا فقط اکسله که این ابزار رو داره؟
جوابش با شما 🤷♀
🔹Power Query
🔹Data Model
🔹DAX
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
پستم دیدی ؟
https://www.instagram.com/p/DdyFU_6GzT6/?stkn=MWNzNnc5eDBkeGFocQ==
آموزش بعدی چی باشه کامنت کن نظرت رو 😍
اثر دانینگ–کروگر
قطعا شده که کسی را ببینید که در یک موضوع تقریباً چیزی نمی‌داند، ولی با اعتمادبه‌نفس خیلی زیادی درباره‌اش صحبت می‌کند
نام این اتفاق «اثر دانینگ–کروگر» است.
اما ماجرا کمی پیچیده‌تر از این جمله‌ی معروف است.
🔹 شروع ماجرا
در سال ۱۹۹۹، دو روان‌شناس به نام‌های دیوید دانینگ و جاستین کروگر در دانشگاه کرنل روی یک سؤال ساده کار کردند:
آیا آدم‌ها می‌توانند بفهمند که در یک کار چقدر خوب یا بد عمل کرده‌اند؟
آن‌ها در چند آزمایش از دانشجویان خواستند در زمینه‌هایی مثل شوخ‌طبعی، استدلال منطقی و دستور زبان انگلیسی آزمون بدهند.
بعد از آزمون، از آن‌ها خواسته شد عملکرد خودشان را هم ارزیابی کنند.
نتیجه جالب بود:
افرادی که عملکرد ضعیف‌تری داشتند، معمولاً عملکرد خودشان را بیشتر از واقعیت برآورد می‌کردند.
از طرف دیگر، افراد قوی‌تر معمولاً ارزیابی دقیق‌تری از عملکردشان داشتند.
این همان چیزی بود که بعدها با نام اثر دانینگ–کروگر (Dunning–Kruger Effect) معروف شد.
🔹 دلیل اینکه همچین اتفاقی میوفته چیه دقیقا؟
ایده‌ی اصلی دانینگ و کروگر این بود که برای اینکه بفهمیم یک کار را درست انجام داده‌ایم یا نه، باید تا حدی دانش و مهارتی درباره‌ی همان کار داشته باشیم.
مثلاً فرض کنید کسی تازه با آمار آشنا شده و فکر می‌کند اگر یک همبستگی بین دو متغیر پیدا کرد، پس حتماً یکی علت دیگری است.
مشکل فقط این نیست که این فرد اشتباه می‌کند.
ممکن است ابزار لازم برای تشخیص اشتباه خودش را هم نداشته باشد.
به این ایده اصطلاحاً «بار مضاعف» یا Double Burden گفته می‌شود:
فرد هم دانش کافی برای انجام درست کار را ندارد، و هم ممکن است دانش کافی برای تشخیص اشتباه خودش نداشته باشد.
این بخش از نظریه به مفهوم فراشناخت (Metacognition) مربوط می‌شود؛ یعنی توانایی فکر کردن درباره‌ی عملکرد و فرایندهای ذهنی خودمان.
📈 بررسی نمودارها
اگر نمودارهای معروف اثر دانینگ–کروگر را دیده باشید، معمولاً چیزی شبیه این می‌بینید:
افراد با عملکرد پایین → بیش‌برآورد زیاد
افراد با عملکرد متوسط → اختلاف کمتر
افراد با عملکرد بالا → گاهی حتی کم‌برآورد
و همین نمودار باعث شده این برداشت خیلی معروف شود که:
«هرچه کمتر بدانی، احتمال اینکه فکر کنی خیلی خوبی بیشتر است.»
اما آیا واقعاً همین است؟
نه لزوماً.
🔬 مشکل کجاست؟
یکی از نقدهای مهم این است که بخشی از این الگو می‌تواند صرفاً از یک پدیده آماری به نام رگرسیون به میانگین (Regression to the Mean) ایجاد شود.
فرض کنید عملکرد واقعی افراد را با یک آزمون اندازه‌گیری می‌کنیم.
این اندازه‌گیری همیشه کاملاً دقیق نیست و مقداری خطای تصادفی دارد.
حالا اگر افراد را بر اساس همین نمره‌ها به گروه‌های ضعیف، متوسط و قوی تقسیم کنیم، بخشی از افرادِ گروه ضعیف به‌طور تصادفی نمره‌ی پایین‌تری از توانایی واقعی‌شان گرفته‌اند.
وقتی دوباره از آن‌ها درباره عملکردشان سؤال می‌کنیم، طبیعی است که برآوردشان لزوماً به همان اندازه پایین نباشد.
در نتیجه ممکن است ببینیم:
گروه ضعیف → بیش‌برآورد
و
گروه قوی → کم‌برآورد
حتی بدون اینکه الزاماً فرض کنیم افراد ضعیف از نظر فراشناختی «نمی‌دانند که نمی‌دانند».
حالا سوال اصلی اینه که پس بالاخره اثر دانینگ–کروگر واقعی هست یا نه؟
اینجا جواب یک «بله» یا «نه» ساده نیست.
اصل مشاهده‌ای که افراد با عملکرد پایین‌تر ممکن است عملکرد خودشان را بیش‌ازحد برآورد کنند، در مطالعات مختلف دیده شده است.
اما تفسیر علت این الگو هنوز محل بحث است.
برخی پژوهش‌ها شواهدی به نفع نقش فراشناخت پیدا کرده‌اند، در حالی که پژوهش‌های دیگری نشان داده‌اند که بخش قابل‌توجهی از الگوی کلاسیک می‌تواند با عوامل آماری مثل رگرسیون به میانگین و نحوه‌ی اندازه‌گیری خودارزیابی توضیح داده شود.
برای مثال، یک مطالعه در سال ۲۰۲۲ با استفاده از روش‌های جدیدتر اندازه‌گیری فراشناخت گزارش کرد که الگوی معروف دانینگ–کروگر تا حد زیادی می‌تواند ناشی از ویژگی‌های آماری داده‌ها باشد و شواهد کافی برای اینکه تفاوت در «مهارت فراشناختی» علت اصلی این الگو باشد پیدا نکرد.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
💻 Friday Code #01
به نظرتان برنامه‌نویسی از کجا شروع می‌شود؟
از Python؟
از C++؟
از JavaScript؟
ازSQL؟
یا از حفظ کردن چند دستور و سینتکس؟
به نظر من، هیچ‌کدام.
برنامه‌نویسی قبل از اینکه نوشتن کد باشد، یاد گرفتنِ درست فکر کردن برای حل مسئله است.
مثلاً فرض کنید می‌خواهیم از بین ۱۰هزار عدد، بزرگترین عدد را پیدا کنیم.
شاید در نگاه اول مسئله خیلی ساده باشد.
اما کامپیوتر خودش نمی‌داند باید چه کار کند.
ما باید مسئله را به قدم‌های کوچک تبدیل کنیم:
شروع → مقایسه → تصمیم → تکرار → نتیجه
بعد همین منطق را می‌توانیم با یک زبان برنامه‌نویسی اجرا کنیم.
و این نکته مهم است:
اگر فردا زبان برنامه‌نویسی‌ات را عوض کنی،منطق حل مسئله هنوز همراهت می‌ماند.
برای همین در این سری قرار نیست فقط درباره‌ی یک زبان خاص صحبت کنیم.
گاهی Python،
گاهی SQL،
گاهی الگوریتم،
گاهی خطاهای برنامه‌نویسی،
گاهی ساختار داده،
و گاهی چیزهایی که اصلاً فکر نمی‌کردیم به برنامه‌نویسی مربوط باشند.
هدف این نیست که فقط کد بنویسیم؛
هدف این است که کم‌کم یاد بگیریم:
مسئله را مثل یک برنامه‌نویس ببینیم.
خوشگلا
پست جدید مون رو حمایت کنین 🥰
https://www.instagram.com/p/DdrOIrDCCBh/?stkn=MWw3b2J3b3hlcmk4dA==
🔔 چهارمین کنفرانس ملی بیم‌سنجی و مالی ایران برگزار میشه!
📌 محور اصلی: نقش فناوری‌های نوین در علم اکچوئری
🏛 برگزارکننده: دانشکده علوم ریاضی دانشگاه شهید بهشتی
📅 زمان برگزاری: ۶ آبان ۱۴۰۵
📝 مهلت ارسال چکیده مقالات: ۱۵ مهر ۱۴۰۵
از هوش مصنوعی و بلاک‌چین گرفته تا کلان‌داده و مدیریت ریسک بلایای طبیعی، این کنفرانس یه فرصت خوب برای آشنایی با جدیدترین موضوعات روز اکچوئریه؛ چه علاقه‌مند به ارائه مقاله باشید، چه فقط بخواید تو فضای علمی این حوزه حضور داشته باشید.
برای ثبت‌نام و ارسال مقاله به سایت انجمن محاسبات بیمه و مالی ایران مراجعه کنید:
🔗 www.irsoa.ir
🆔 @ActuaryOfoq
#SPSS
📒 کتاب آموزش جامع و کاربردی spss
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━