998
آموزش MATLAB با "استفاده از ویدئو و متن" در سطوح مبتدی تا پیشرفته پاسخ به سوالات تخصصی: @roholazandie
When introducing colleagues to the attention mechanism, a common question is how attention scores differ from weights in a fully-connected layer.
Conceptually, attention mechanisms allow transformers to attend to different parts of a sequence or image. On the surface, this sounds very similar to a fully connected layer!
In attention mechanisms, the calculation of attention weights involves comparing each input element to every other element, resulting in dynamic and input-dependent weights. Attention mechanisms allow a neural networks to selectively weigh the importance of different input features, allowing the model to focus on the most relevant parts of the input for a given task.
In contrast, the weights of a convolutional or fully-connected layer are fixed after training. (As a side note: the self-attention mechanism can be implemented using fully-connected layers; the dynamic, input-dependent nature comes from the pairwise sequence comparisons though, not the weight parameters.)
shorturl.at/bcq67
درک گسسته ی لاپلاسین قسمت دوم
در این قسمت به خواص لاپلاسین بخصوص مساله ی eigenvalue های آن اشاره می کنیم. برای درک شهودی آن از مثال انتقال حرارت استفاده میکنیم. این پایه ای برای درک سیستم های پیچیده ای را به ما می دهد که میتوان با بررسی ماتریس انتقال آن ها خواص مختلف آن مثل پایداری و حتی self organization را بررسی کرد
https://hilbert-cantor.medium.com/discrete-laplacian-2-4fc608a3ea37
فرهاد میثمی در زندان کتابی را ترجمه کرد با عنوان "مبانی مبارزه خشونت‌پرهیز". اگر علاقه داشتید، می‌تونید بخونید.
Читать полностью…
اتفاقات اخیر و یک تحلیل و تفکر کوتاه
اتفاقات چند ماه اخیر همه ما را بهت زده کرد! گویی اتفاقی عظیم در جامعه رخ داده است که ما حتی تا حد زیادی از آن نا آگاهیم. اتفاقات بزرگ بیشتر اوقات همه را غافلگیر میکنن بخصوص جامعه شناسان را!
تحلیل های سیاسی به کنار چیزی که همه ما در ذهن داریم این است که اتفاق بعدی چیست؟ چکار باید کرد؟ عده ای به دنبال وکالت دادن میگردند. عده ای هنوز عزادار هستند و کاری نمیکنن عده ای بقیه را نقد می کنن و عده ای همه را به احساس آرامش و پذیرش هم دعوت میکنند. از طرفی یک نا امیدی از چند پاره شدن این اتفاق خوب دارد حس می شود. حرفی که من اینجا میزنم از سمت یک تحلیل گر سیاسی نمی آید چرا که من ازین چیزها سر در نمیارم اما حرفی که میخواهم بزنم این است که چنین اتفاقی طبیعی است و نباید امید را از دست داد!
اینجا می خواهم به شیوه ای متفاوت به مساله نگاه کنیم. اگر جامعه واقعا یک سیستم ریاضی پیچیده با کنش ها و واکنش های ان است چطور میتوان چنین چیزی را مدل سازی یا شبیه سازی کرد و نتیجه را دید؟ صد البته همه ی ما میدانیم چنین کاری نیاز به جزییات باورنکردنی دارد و امکان پذیر نیست. ولی اگر آنقدر قدرت محاسباتی داشتیم که آن را انجام میدادیم آیا میشد آینده را پیش بینی کرد؟ لاپلاس اعتقاد داشت که چنین کاری ممکن است. از دید او آنچه نیوتون گفته است تمام حرف است و بقیه کار فقط بسط دادن حرف های اوست. با این حال پوانکاره برای اولین بار مساله ی قدیمی سه جسم را بررسی کرد و متوجه شد که این سیستم قابل پیش بینی نیست اما این در دهه ی ۷۰ میلادی بود که ما برای اولین بار فهمیدیم که بعضی سیستم ها خاصیت آشوبناک دارند و اساسا قابل پیش بینی نیستند. این همان نظریه آشوب بود و میگفت با بال زدن پروانه در برزیل میتواند طوفانی در آمریکا ایجاد کند!(لورنتز) با اینکه نظریه آشوب نتایج بسیار عمیقی دارد با این حال نمی تواند چیزی مانند موجود زنده یا جامعه را پیش بینی کند چرا که چنین سیستمی آشوبی نیست چون آشوب چیزی بجز نویز و بی نظمی مطلق با خودش ندارد. از طرفی میدانیم جامعه یا بدن انسان یا اقتصاد آنقدر منظم هم نیست که بتوان فیزیک کلاسیک بررسی کرد. به عبارتی ما توضیحی برای پیچیدگی نداریم.
پیچیدگی دینامیکی دارد که نه به اثر پروانه ای شباهت دارد و نه به طبیعت بسیار منظم فیزیک کلاسیک! در آن چیزهای رندم اتفاق می افتد اما ما باور داریم که رفتارهای منظمی هم دارد. اگر چنین اعتقادی نداشتیم تمام کار جامعه شناسی و تاریخ و بیولوژی و غیره بیهوده و بی ثمر میبود اما می دانیم که چنین نیست. اینجاست که پر بک Per Bak رباضیدان دانمارکی برای اولین بار تمام این داده ها را کنار هم قرار می دهد. یک الگو همه جا وجود دارد. فرکانس اتفاقات بزرگ بسیار کمتر از اتفاقات کوچک است. مثلا انقراض های بزرگ (مثل انقراض دایناسورها) خیلی کمتر از انقراض های کوچیک ( یک گونه یا یک موجود تک) اتفاق می افتد. انقلاب ها خیلی کمتر از تغییر وزیران و شاه است تا اتفاقات کوچک سیاسی. تعداد کلمات کم تکرار در متن های زبان های مختلف بسیار کمتر از کلمات پر تکرار است. اینجا منظور دقیق ریاضی ما از خیلی کمتر یک رابطه ی لگارتیمی است. یعنی متغیر اول ده برابر متغیر بعدی و ده برابر بعدی تغییر می کند. ۱و ۱۰و ۱۰۰و ۱۰۰۰.
چنین الگویی حتی در نوروساینس هم مشاهده شده است و به قانون لگاریتم فعالیت نورونی هم شناخته می شود.
پر بک برای مدل سازی ریاضی تمامی این سناریو ها از یک مثال ذهنی کپه ی شن استفاده کرد. فرض کنید یکجا یک کپه ی شن میخواهیم بسازیم دانه به دانه شن می اندازیم تا کپه بالا بیاید. این سیستم با اینکه بسیار ساده بنظر می رسد رفتارهای جالبی از خود نشان میدهد. مثلا اندازه ی تعداد بهمن هایی که روی شن اتفاق می افتد رابطه ی لگاریتمی دارند. پر بک می گوید بهمن ها در همه جا (جامعه شناسی: انقلاب جامعه، اقتصاد: بحران اقتصادی، بیولوژی: جهش و سیاست:انقلاب) اتفاق می افتند و آنها نتیجه ی طبیعی خود سیستم هستند و نمیتوان یک دلیل مشخص برای ان ها آورد. بطور مثال خیلی ها انقلاب ۵۷ ایران را نتیجه ی بحران نفتی آن دهه می دانند اما چنین اتفاق های پیچیده ای ناشی از عوامل زیادی هستند به همین ترتیب هیچ کس نمیتواند بحران اقتصادی را پیش بینی کند برای همین تمام دلایل معمولا بعد از اتفاق هستند. اما چیزی که اکنون مشخص است این است که چنین سیستم هایی قوانین مشخصی را پیروی می کنند و یکی از معروف ترین آنها فرکانس رخ دادن است. همان قانونی که باعث بالا پایین شدن روزمره ی بازار ارز می شود منجر به بحران اقتصادی هم می شود. قانون یک کنش سیاسی کوچک تفاوتی با یک انقلاب بزرگ ندارد!
امسال برای انتخاب ستاره ی گیتهاب من جادی را انتخاب کردم، به عنوان یک ایرانی در کامیونیتی خودمان او قطعا تمام ویژگی های یک ستاره را دارد. شما هم می توانید از لینک زیر رای بدهید
Stars.github.com
امروز OpenAI از محصول جدید خود outpainting رونمایی کرد. با استفاده این ابزار میتوانید هر تصویری را گسترش بدهید. برای گسترش هر بخش میتوانید چندین ایده را امتحان کنید و هرکدام جالب تر بود انتخاب کرده و ادامه دهید. دلیل این توانایی امکان نمونه گیری تصادفی با شرط کانتکست است (P(X|Context )
این ابزار بیش از پیش ایده های خلاقانه ای به هنرمندان می دهد و عملا عرصه های جدیدی هم به دنیای هنر باز می کند
شاید یکی از زیباترین روش ها برای نگاه به این موضوع از دنیل کاهنمن (Daniel Kahnman) رفتارشناس اقتصادی و برنده ی جایزه ی نوبل باشد. او کارکرد مغز را به دو بخش به نام سیستم ۱ و سیستم ۲ دسته بندی می کند. سیستم ۱ متشکل است از کارهایی که مغز بسیار سریع، اتوماتیک و شهودی و بدون زحمت انجام می دهد. مثال های آن رانندگی کردن، فهمیدن یک جمله، صحبت کردن با یک دوست و غیره است. چنین کارهایی به صورت روزمره و بسیار پرتکرار انجام می شود. از طرفی سیستم ۲ به کارهای گفته می شود که به صورت معمول ما آنها را کندتر انجام می دهیم و برای انجامشان نیاز به تمرکز بیشتری داریم. مثلا ضرب کردن دو عدد سه رقمی، حساب کردن نسبت قیمت به کیفیت دو ماشین لباسشویی، نگاه کردن به زنی در جمعیت که موهای خاکستری دارد و غیره. سیستم ۲ بیشتر مرتبط با کارهایی است که برای انجامشان نیاز به زمان بیشتری داریم و در انجام آنها هم معمولا اشتباهات بیشتری می کنیم. کاهنمن می گوید که ما در بیشتر اوقات در سیستم ۱ زندگی میکنیم و معمولا از میانبر ها برای انجام کارهای روزمره استفاده میکنیم حتی اگر انجام آن کار نیاز به درگیر شدن سیستم ۲ باشد. بسیاری از این میانبر ها همراه با سوگیری هاش شناختی (cognitive bias) هستند. چنین سوگیری های شناختی منبع اصلی چندین دهه مطالعات عمیق در روانشناسی تجربی برای نشان دادن این واقعیت است که انسان ها به صورت عمومی «منطقی» فکر نمی کنند. یک مثال معروف از خود کاهنمن به آزمایشی بر میگردد که به دو گروه از افراد دو ضرب را دادند ۱*۲*۳*۴*۵*۶*۷*۸ و دیگری ۸*۷*۶*۵*۴*۳*۲*۱ و از آنها خواستند تا در ۵ ثانیه جواب را بگویند چون زمان کم بود افراد به جای انجام آن مقدار محاسبه را حدس می زدند. گروهی که ضرب آنها با اعداد بزرگ تر شروع شده بود میانه ی (median) جوابشان بزرگ تر (۲۲۵۰) از گروهی بود که با اعداد کوچکتر (۵۱۲) شروع می شود. چنین خطای شناختی به نام anchoring bias شناخته می شود و از نشان از تغییر در یک تصمیم یا حساب به خاطر یه نقطه ی مرجع خاص است ( reference point). لیست چنین خطاهایی بسیار بلند بالاست و پرداختن به آنها از حوصله ی این مطلب خارج است.
بسیاری از وظایفی که در سیستم ۱ لیست شدند کارهایی هستند که ماشین ها هنوز با آن دست و پنجه نرم می کنند. دو مثال واضح آن رانندگی و فهم زبان است. اما چیزی که برای بسیاری از پژوهشگران در حال حاضر مشخص شده است این است که بسیاری از چنین وظایفی با روش های آماری (مانند یادگیری عمیق) قابل حل هستند. یکی از مثال های این مورد درک تصویری است که تا حد بسیار زیادی تمام جنبه های آن حل و فصل شده است. حتی رانندگی با اینکه مساله ی دشواری است تا حد بسیار زیادی حل شده است. اما سیستم ۱ چطور؟
تصور بسیاری در حوزه ی هوش مصنوعی این است که بسیاری از وظایفی که در سیستم ۱ تعریف می شوند زمان زیادی است که در هوش مصنوعی کلاسیک (Classical AI) حل شده اند. بعضی از آنها حتی نیاز به «هوش» خاصی ندارند. به طور مثال ضرب اعداد یا عملیات مختلف ریاضی و بعضی دیگر مانند بازی شطرنج و سودوکو و غیره که کامپیوتر ها بسیار بهتر و سریع تر بدون خطا انجام میدهد. اصلا کامپیوتر ها ابتدا برای انجام وظایف سیستم ۱ ساخته شدند. بنابراین نباید مشکل خاصی باشد.
موفقیت بسیار زیاد در انجام مسائل سیستم ۲ توسط شبکه های عصبی عمیق این تصور را به وجود آورده است که بزودی با افزایش بیشتر و بیشتر اندازه ی چنین شبکه هایی ناگهان یک گذار (phase transition) را مشاهده میکنیم و مساله ی تقلید هوش انسانی به صورت کامل حل خواهد شد. اعتماد بیش از حد به روش های آماری (که صد البته بسیار بسیار موفق بوده اند) باعث شده است که به محدودیت های آنها آگاه نباشیم. اما صبر کنید مگر نمیگوییم که انسان ها هم دچار همان خطاهای شناختی (سوگیری های شناختی) ناشی از الگو زدگی آماری (patternicity) هستند و وقتی به وظایف سیستم ۱ می رسد دچار خطاهای زیادی می شود؟ بنابراین چرا باید انتظار داشته باشیم که یک شبکه ی عصبی عمیق دچار چنین خطاهایی نشود. اصولا به نظر می رسد کارکرد های شناختی ما به شبکه های عصبی مصنوعی نزدیک تر باشد تا سیستم های کلاسیک.
چنین استدلالی تا حدودی درست است اما نکاتی را پنهان می کند که ما را به پاشنه ی آشیل سیستم های امروزی یا همان فاصله ی شناختی (cognitive gap) بین شناخت مغز و یک سیستم شبکه ی عصبی عمیق می رساند.
این موضوعی است که در نوشتار بعدی دقیق تر بررسی میکنیم
در این ویدیو به اسم thinking machine که در اوایل ۱۹۶۰ در آزمایشگاه های بل ضبط شده است متوجه بسیاری از بحث های امروزه در مورد هوش مصنوعی می شوید: نگرانی خبرنگار از رشد هوش مصنوعی! متقاعد شدن متخصصین ازینکه ماشین ها واقعا فکر میکنند و در نهایت ادعای شگفت انگیز کلاود شنون نابغه ی ریاضیات و علوم کامپیوتر که پیش بینی می کند در طی ۱۰ یا ۱۵ سال آینده ربات هایی خواهیم داشت که در حد داستان های علمی تخیلی باشند!
بخش جالب تر ماجرا این است که مساله ترجمه (translation) را تقریبا حل شده می دانند در صورتی که چنین ادعایی حتی امروزه با بهترین سیستم های یادگیری عمیق قدری دشوار است!
از نظر من درسی که می توان گرفت این است که باید نسبت به ادعاهای عجیبی که امروز می شود (مثل ادعای کارمند اخراج شده ی گوگل مبنی بر اینکه هوش مصنوعی گوگل ذی شعور (sentient) است) با دید شک بیشتری نگاه شود!
نمیتوان منکر پیشرفت ها شد اما قبل از هیجان زده شدن نیاز داریم به عنوان متخصصین کامپیوتر رشته های مجاور مانند روانشناسی، علوم شناختی فلسفه و عصب شناسی را بیشتر مطالعه کنیم و قدری نسبت به کاری که می کنیم فروتنی بیشتری داشته باشیم!
یک مثال جالب تر تعریف کلاس اعداد مختلط است. میدانیم که نمیتوان اعداد مختلط را به صورت مستقیم با هم مقایسه کرد اما می توان مقدار نرم آن ها را با هم مقایسه کرد. برای اینکه مطمئن باشیم که میتوان خروجی خوبی گرفت تابع str را هم overload می کنیم تا خروجی زیبا تری داشته باشیم
Читать полностью…
اما اگر من نمونه ای از این کلاس بگیرم و شروع کنم دو شخص را با هم مقایسه کنم با خطای زیر مواجه می شوم
Читать полностью…
چرا بهتره تقلب نکنیم؟
توی این ویدیو، استاد دانشگاه کالیفرنیا، چه زیبا این موضوع رو توضیح میده.
ببینید و به اشتراک بگذارید.
زانکو
@zankoo_ai
🔵رمزگشایی تاریخ با یادگیری عمیق🔵
در باستان شناسی کشف رموز سنگ نبشته ها یکی از جالبترین موضوعات است که دریچه ای به دانش، فرهنگ و جهان بینی پیشینیان را بر ما آشکار میکند. متاسفانه بسیاری از این نوشته ها در طول زمان از بین رفته و امروز بخش های پراکنده ای از آن در اختیار ما قرار دارد. باستان شناسان در طول قرنها تلاش برای رمزگشایی این کتیبه ها تنها قادر به هویدا کردن بخش کوچکی از آن بوده اند و رمزگشایی دقیق و کامل هنوز هم یک چالش بزرگ محسوب می شود.
شرکت پژوهشی deepmind در یک پروژه ی جدید توانسته سیستم یادگیری عمیقی را آموزش دهد که بر روی متن های زبان یونانی آموزش دیده و می تواند با دقت بالاتری رمزگشایی کند. آنها توانستند خطای سیستم را به ۳۰ درصد برسانند در حالی که خطای بهترین متخصصان باستان شناسی ۵۷ درصد است.
کدهای این سیستم به صورت متن باز منتشر شده است که امکان استفاده آن برای سنگ نبشته های دیگر تمدن ها مانند ایران و چین و غیره (در صورت دسترسی به داده های دیجیتال عکس های خطی) امکان پذیر می شود.
چند نکته بسیار مهم در مورد یادگیری ماشین
در این نوشته یکی از کارهای بسیار مهم و ارزشمند پترو دومینگوس پروفسور دانشگاه واشنگتن برای شما خلاصه و ترجمه کرده ایم. این نوشته در مورد نکات بسیارمهمی از یادگیری ماشین است که حتی متخصصان هم در فهم آن مشکل دارند.
الگوریتم های یادگیری ماشین برای عمومی سازی بر اساس تعداد محدودی نمونه توسعه یافته اند. هر روز بر تعداد کاربردهای دنیای واقعی یادگیری ماشین افزوده می شود. اما در عمل پروژه های یادگیری ماشین پیچیده تر و پیاده سازی دشوار تری دارند. بعد از مدتی متوجه می شوید پیاده کردن یک پروژه یادگیری ماشین پر است از چیز هایی که به سختی در کتاب ها پیدا می شود و اصطلاحا فوت کوزه گری یادگیری ماشین هستند که در کار یاد میگیرید. این مقاله بر آن است که بسیاری از این فوت های کوزه گری قابل انتقال هستند. در اینجا لیستی از آن ها آورده شده است.
https://vrgl.ir/ovAUb
امروز copilot ابزار کامل کردن کد openai را امتحان کردم. میزان کمکی که این ابزار می کند تقریبا باور نکردنی ست. در مثال بالا به دنبال کد کوتاهترین مسیر در گراف بودم و برای این منظور کافی است یک کامنت بنویسید و تقریبا تمام بقیه کار به صورت اتوماتیک (با فشردن دکمه تب) کامل می شود. یعنی حتی نیازی نیست که در اینترنت به دنبال کد آماده باشید. از طرفی copilot تمام کد شما رو میخواند و بنابراین نام متغیرهایی که انتخاب می کند هوشمندانه و بدون تقریبا هیچ اشتباهی و هماهنگ با بقیه کدهاست.
با این تفسیر ما وارد عصر جدیدی از برنامه نویسی می شویم که برنامه نویسی معنای متفاوتی دارد. برنامه نویس ماهر دیگر کسی نیست که الگوریتم روتین های مختلف رو حفظ می کند بلکه کسی است که می تواند قدری انتزاعی تر فکر کرده و مانند یک معمار ماهر قطعه های پیش ساخته در کارخانه را کنار هم بچیند
کوپایلت برای محصولات jet brains
تا جایی که یادمه من هم تقریبا مثل همه ی دانش آموزا از ریاضی فراری بودم. ریاضی همون موضوع ترسناک و سخت و حوصله سر بر بود که باید دلهره هاش رو توی سوالای میان ترم و پایان ترم حس کنی و پایین ترین نمره ی توی کارنامه و حس بد ازینکه حتما باهوش نیستی! و با نمره ی علوم و تاریخ هم نمیتونی جبرانش کنی. با این حال علاقه عمومی به علم داشتم.
اولین بار در کتابخانه به جای کتاب های علمی معمول تر چشمم به کتاب «مفاهیم ریاضیات جدید» خورد و اولین سوالی که برایم پیش آمد مگر ریاضی هم قدیم و جدید دارد! با ورق زدن صفحه های کتاب اثری از فرمول و معادلات ترسناک نبود و سعی کردم بروم و بخوانمش! کتاب همچون داستانی برای من خودنمایی کرد. تصور اینکه بتوان یک کتاب ریاضی را باز کرد و حسی از یک رمان ماجراجویی با نشان دادن اینکه هر مفهموم ریاضی از کجا آغاز شده و تصور ما چگونه از مفاهیم بسیار اساسی که شاید گاهی حتی به آن فکر هم نکنیم و پیش فرض بگیریم تغییر کرده است. کتاب با سوال اساسی که اصلا خود ریاضیات چیست و آیا برای ریاضیات محدودیتی وجود دارد و معنای حقیقت ریاضی چیست آغاز میکند و به مجموعه ها تغییر میکند تا به مفاهیم جالب تری مانند توپولوژی، جبر و نظریه ی گروه ها برسد!
اگر پیش خودتان فکر میکنید دانستن این همه ریاضی اضافه چه فایده ای دارد. فایده های چنین مطالعه ای حداقل بالا رفتن نمره های ریاضیای و فیزیکتان باشد مثل من که نمره ی ریاضیاتم از پایین ترین نمره ها در راهنمایی به بالاترین نمرات در دبیرستان تغییر کرد.
اما ( حتی بدون درگیر شدن با جزییات فرمول ها) خواندن ریاضی می تواند روش فکر کردن شما به مسائل را تغییر دهد و منظور من از مسائل صرفا مسايل ریاضی صرف نیست بلکه شیوه ی فکر کردن روزمره. این تاثیر تا به امروز برای من چنان عمیق بود که حس کردم چنین کتابی نیاز است که در قفسه ی خانه باشد و گه گاهی آن را ورق زد. بنابراین نسخه ی انگلیسی کتاب را سفارش دادم (عکس بالا)!
کتاب نوشته ی یان استیورات و به قلم جمشید پرویزی ترجمه شده است. ترجمه بسیار روان و ساده و دقیق است. یان استیوارت استاد دانشگاه واروید و خودش فارغ التحصیل کمبریج است از معدود نویسنده های عمومی علمی است که در حوزه ی ریاضیات کتاب های پرفروش می نویسد و خودش یک ریاضیدان شناخته شده است. اون کتاب های بسیار دیگری هم در حوزه ی علم دارد که تقریبا هیچ کدام دیگر ترجمه نشده است!
درک گسسته ی لاپلاسین
در این پست لاپلاسین گسسته را بررسی می کنیم این ابزار عالی ای به ما می دهد که چند فرآیند جدید را که با پست how nature works هم مرتبط است را به ما یاد می دهد. در ویرگول بخوانید:
نسخه فارسی:
https://vrgl.ir/7Wdzf
نسخه ی انگلیسی:
https://hilbert-cantor.medium.com/discrete-laplacian-8a5dde7ff001
به این ترتیب برخی از نظریات کهنه تر در رشته های مختلف باطل می شود.
جامعه هرگز به جامعه ی آرمانی مارکس همگرا نمی شود!
جامعه هرگز به آخرالزمان مذهبی (مهدی موعود یا مسیح یا آرماگدون)همگرا نمی شود!
جامعه هرگز به پایان تاریخ فوکویاما و انسان آخر لیبرال دموکراسی غرب هم همگرا نمی شود!
به این ترتیب تغییر های بزرگ همیشه و همه جا اتفاق می افتند. نگرانی های الان که جامعه دیگر توان انقلاب ندارد و همگرایی آن زمان و داشتن رهبر منسجم رخ نمی دهد همه اشتباه است. نمی دانیم چه رخ می دهد یک انقلاب یا یک تغییر عظیم فرهنگی و اقتصادی یا حتی عقب گرد بدتر، اما چیزی که مشخص است این است که تغییر رخ می دهد و این بخشی از دینامیک بزرگی است که ما جزيی از آن هستیم. برخلاف ۵۷ آگاهی بیشتری نسبت به خود پدیده ی انقلاب وجود دارد. اکنون بر کسی پوشیده نیست کارهای انقلابی چون اعدام های دست جمعی آخر و عاقبت خوبی ندارد و سیستم را به سمت فساد سوق می دهد. چنین اتفاقی احتمال تغییرات بزرگ در قالب یک انقلاب خونین را کمتر می کند و اثرات مثبت آن بیش از پیش در ذهنیت جامعه مشخص می شود حرکت از تفکراتی که مختص یک طبقه از جامعه است به سمت پذیرش افکار جدید و جهانی چون زن زندگی و آزادی است خود نشانه های خوبی است. در وضعیتی که مطالبات می توانست به فقط وضعیت اقتصادی و معیشتی محدود شود. آنچه مشخص است این است رویاهای بی اساس ماندگاری ابدی جمهوری اسلامی و باورش از سوی عده ای محدود جلوی آن تغییر بزرگ که حتما می آید را نمی تواند بگیرد. این فقط یک دلداری خودمانی نیست بلکه فکتی است که هیچ کس نمی تواند جلوی آن را بگیرد! گاه نمونه هایی از آلمان نازی و شوروی آورده می شود که با داشتن قدرت های نظامی و نظم و سازماندهی بزرگ هم در نهایت فروپاشی کردند. این شوی مسخره ای که میبینیم در برابر آن ها چیزی نیست!
برای جادی
یادم می آید سال اول دانشگاه مثل خیلی های دیگه با سایت کیبورد آزاد جادی آشنا شدم. در آن زمان فضای وب فارسی محدود به چت روم ها و ویکی پدیای بسیار ناقص و بلاگ های محدودی میشد. سایت جادی دات نت یکی از اولین منابع برای فارسی زبان ها برای آشنا شدن با اخبار تکنولوژی و برنامه نویسی بود. اما با گذشت زمان جادی تقریبا به صورت یکه و تنها منابع بسیار با کیفیت از آموزش لینوکس، هکینگ و برنامه نویسی در وب قرار میداد و سمینار ها و جلسات زیادی برای آموزش گسترده تر برنامه نویسی میگذاشت. جادی برای نسل من و بعدی ها نماد برادر بزرگتری داشت که بدون چشم داشتی بهترین منابع را در اختیار میگذاشت. این بخصوص بعدها برای بچه های راهنمایی و دبیرستان مهم تر شد که انگلیسی ضعیف تری داشتند. اما جادی مانند هر بلاگر تکنولوژی دیگری نبود، شخصیت جذاب و دوست داشتنی گیک طورش و کامنت های کوتاه و آگاهانه اما بدون وارد شدن بیش از حد به آن ها بدون اینکه جرم «در تخصص تو نیست» بخورد از او شخصیتی فراتر از یک مترجم یا بازگو کننده ی خبر ساخته بود. جادی به ما یاد داد که کنجکاوی مان را پیدا کنیم و با علاقه کد بزنیم و همش دنبال پول نباشیم و از زندگی لذت ببریم و هر روز چیزهای جدید یاد بگیریم.
چند روز پیش اما در میانه اتفاقات اخیر جادی دستگیر شد! خبری شوکه کننده! تصور آنکه شخصی که بخش بزرگی از عمر و جوانی اش را گذاشته است تا کمبود های سیستم فشل آموزشی که کمر همت به تحمیل خرافات مذهبی به نسل های مختلف را دارد، جبران کند اما این چنین با او برخورد می شود یک تراژدی است. از فرصت های بسیار ارزشمندی که برایش در شرکت های درجه ی یک دنیا صرفنظر کند و در ایران بماند تا شاید بتواند آجری بر روی آجری بگذارد. تصویر یورش به خانه ی او، انداختنش بر روی زمین و دستگیر کردنش مانند یک مجرم از ذهنم پاک نمی شود. در آن لحظه که بازجوی او که در مغزش چیزی جز آیه و خشم و عقده نیست در برابرش ایستاده به چه جرمی او را سرزنش می کند؟! آموزش همگانی؟ ساختن محتواهای بسیار ارزشمند برای نسل جوان؟ ترجمه کردن منابع درجه یک دنیا برای همکارانش؟ برای اینکه شجاعانه ایستاد و تلاش های پنهان برای سانسور فراتر از تصور و قطع اینترنت جهانی را رسوا کرد؟
نمیدانم او چه جواب هایی میدهد و یا گوشه ی تاریک بازداشتگاه که نه حمام درست دارد نه غذای درست به چه فکر میکند؟ آیا این دستمزد من است؟ چرا باید ازین جا سر در بیاورم؟
واقعا ما گرفتار چه سیستمی شده ایم که به جای تشویق بهترین آنها آن ها را مجازات می کند و کارش چیزی جز بی لیاقت پروری و مفت خواری نیست. جادی انسانی ست از نسل ما. بی آلایش با شلوارک جلوی دوربین مینشنید آقازاده نیست و چیزی برای پنهان کردن ندارد و با این حال چنین شخصی برای سیستم مزاحم می شود. اگر روزی بتوانم با او حرف بزنم باید بگویم تلاش او و تمام کسانی که راه او را رفته انداز بین نخواهد رفت. یکی از دلایل راه اندازی این کانال هم کمک کردن به کسانی است که به منابع دست اول به فارسی دسترسی ندارند. چیزی که از جادی یاد گرفتم.
هر چه هست میخواهم به عنوان یکی از شاگردان جادی به او بگویم که تو کارت را کرده ای و حتی فراتر رفته ای. همانطور که گفتی امید داریم و هرگز اجازه نمیدیم سربازان تاریکی آن را از ما بگیرند. همانطور که هر بار تکرار میکردی هر روز یاد میگیریم، هر روز از زندگی لذت میبریم! و اینطوریه که بر تاریکی غلبه می کنیم. ولی در عین حال ما را مماشاتی با قدرت زورگو و فاسد نیست!
شما هم ممکن است با این شکل در جاهای مختلف روبرو شده باشید با کپشن «این فرمول های عجیب و غریب ریاضی چیزی جز حلقه های شناخته شده نیستند» صد البته تشخیص این به هوش زیادی نیاز ندارد. اما چرا بسیاری از برنامه نویس ها با دیدن آن دچار شگفتی شده و در قدم بعدی به نماد سازی ریاضی حمله میکنند؟
دلیل این موضوع فقط و فقط نا آشنایی بیشتر مهندسین بخصوص رشته های علوم کامپیوتر با فرمالیزم ریاضی و صد البته آموزش اشتباه آن است. دلیل آنکه کسی بنظرش حلقه ساده تر است صرفا به این خاطر است که با آن به روش ساخت و آزمایش درگیر شده است اما ریاضیات را تماما به صورت خواندن درک کرده است.
اگر همان شخص با فرمالیزم ریاضی آشنا بود قطعا درک میکرد که فرم های سمت چپ در شکل بالا اتفاقا بسیار ساده تر و قابل فهم تر هستند و پیاده سازی چیزی مثل تبدیل فوریه که تنها در یک خط از نماد ها قابل نوشتن است نیاز به صد ها خط برنامه نویسی دارد. نماد های ریاضی تصادفی نیستند بلکه بسیار هوشمندانه، چکیده و باشکوه طراحی می شوند. تفکر ریاضی نیازمند تخیل است و این همان چیزی است که در آموزش ریاضی غایب است.
🔵هوش مصنوعی یک کاوش انتقادی🔵
چندی پیش مقاله ی عجیبی دیدم در مورد اینکه می توان با داشتن اسم شخصی به صورت حدودی چهره ی او را تشخیص داد. به طور مثال با دادن یک عکس و چند اسم به عنوان گزینه هم تشخیص افراد و هم ماشین از تصادف محض بهتر است. اما چگونه چنین چیزی ممکن است؟ آیا رابطه ای علی بین اسم افراد و چهره شان وجود دارد؟ شاید این افراطی ترین مثال از دورانی باشد که در آن زندگی می کنیم: دوران آمار!
امروزه شرکت های بزرگ با استفاده از داده های عظیمی که در اختیار دارند رفتارهای کاربران را در سطح کلان پیش بینی میکنند و گاهی منابع آنها برای تشخیص عجیب و باور نکردنی است. به طور مثال میتوان گرایش ها و فانتزی های جنسی را تنها با داشتن داده های حرکت ماوس با دقت بسیار بالایی پیش بینی کرد. یا می توان با میزان توقف شما بر روی هر کدام از پست های اینستاگرام میزان استرس یا احتمال افسردگی شما در چند سال آینده را تشخیص داد. یافتن چنین رابطه های هم بستگی ای (correlation) برای چنین شرکت هایی حکم طلا را دارد چرا که می توانند بهتر و بهتر شما را شناسایی و هدف تبلیغ کنند. اما چنین چیزی دیگر برای کسی پوشیده نیست. زمینه های کاری کاملی مانند سیستم های پیشنهاد دهنده (recommender systems) وجود دارد که به صورت گسترده در حال مطالعه هستند.
دسترسی به داده های عظیم، پیشرفت در سخت افزار و تکنیک های نرم افزاری و به طور مشخص یادگیری ماشین و یادگیری عمیق بسیاری از ایده های قدیمی در آمار را کاراتر کرده است. بسیاری از پژوهشگران امروزه دیگر متقاعد شده اند که می توانند هر مساله ای را با یافتن همبستگی های درست (هرچند بسیار پیچیده و چند لایه ای مانند شبکه های عصبی) کلید حل همه ی مسايل است. چنین روندی البته فقط محدود به علوم کامپیوتر نیست. در روانشناسی، علوم شناختی، اقتصاد، جامعه شناسی و ژنتیک هم کلید طلایی روابط آماری است! چنین روندی زمانی متقاعد کننده تر می شود که بسیاری از یافته های جدید در چنین رشته های گفته شده نشان می دهد رفتار ما و داده های ساخته ی ما (مانند روابط فرهنگی و اقتصادی کنش های اجتماعی و حتی زبان) و بخش بزرگی از داده های طبیعی (مانند داده های بیولوژیکی مانند ژنتیک، سلول ها، مغز) تابع قوانین آماری گاه ساده ای است که حتی چند دهه ی پیش هرگز قابل پیش بینی نبود. در حوزه ی جامعه شناسی روابط آماری در لباس شبکه های پیچیده (complex network) از چند دهه پیش توسط اشخاصی چون strogratz و duncan watts ابزار اصلی برای درک حرکت های جمعی توده ها از انقلاب و تشکیل گروه ها گرفته تا موفقیت و رادیکالیزه شدن شده است. از طرف دیگر در روانشناسی و علوم شناختی پژوهشگران نشان داده اند بسیاری از جنبه های هوش ما صرفا نتیجه ی روابط آماری است که مغز ما در اثر فرآیند فرگشت یا یادگیری در طول زندگی فراگرفته است و زمانی که چنین الگوهایی کشف شوند دیگر آن جعبه ی سیاه عجیب و پر از رمز و راز وجود نخواهد داشت.
مهم نیست کجا هستیم و در چه رده ی علمی ای قرار گرفتیم، نباید فراموش کنیم تعلق به جامعه ی ایرانی مهم و به رشد بیشتر همه ی ما کمک میکند. این بزرگترین سلاح ما در برابر شرایط سیاسی ناعادلانه (چه داخل و چه خارج از ایران)، پیش فرض های غلط، موانع رشد و شکنندگی ما هنگامی که تنهاییم است.
یاد بگیریم و به دیگران هم یاد بدهیم!
چون عملا چنین کاری اشتباه است. هر دو چیزی را نمی توان به صورت عددی با هم مقایسه کرد. یا شاید می شود؟؟ اتفاقی که در کد زیر می افتد بازتعریف (overload) سه تابع کوچکتری (lt) بزرگتری (gt) و تساوی (eq) است. در هر مورد ما مقداری که خود کلاس نگه می دارد یعنی x را با مقداری که قرار است مقایسه بشود (other) مقایسه می کنیم. در همه ی موارد ما باید یک مقدار بولین False/True برگردانیم
Читать полностью…
مقایسه فراتر از مقدار ظاهری
در بسیاری از مواقع برای مقایسه (کوچکتر بزرگی تساوی) متغیر هایی که در زبان های برنامه با آن ها سر و کار داریم مقدار عددی آن ها نیاز داریم. به این ترتیب مشکلی که پیش می آید این است که اگر متغیرهایی داریم که دارای چند بخش هستند مثلا یک اسم و یک نمره و وقتی میخواهیم اسم شخصی که کمترین نمره را داشته پیدا کنیم چاره ای نیست جز اینکه اندیس آن را حفظ کنیم.
برای اینکه نیاز به چنین کار بسیار پر اشتباهی در برنامه نویسی نشویم راه بهتر استفاده از اپراتور های مقایسه در پایتون است. فرض کنید من کلاسی تعریف میکنم که هم اسم و هم نمره شخص را نگه می دارد.
مدل تصویر-زبانی DALLE-2 منتشر شد
این مدل علاوه بر افزایش کیفیت بسیار زیاد نسبت به نسخه ی اول قادر به کارهای جدیدی مانند اضافه یه حذف بخش هایی از تصویر با یک نوشته است. مثلا اگر عکس یک سگ در تصویر است می توانید بنویسید «به گربه تغییرش بده» و دقیقا تصویر با حفظ همه ی جزییات نور و رنگ و زمینه تغییر میکند
https://openai.com/dall-e-2/
ریاضیات زبانی است که جهان با آن نوشته شده است (گالیله)
موج های ابری پدیده ای از هواکره (اتمسفر) است که در آن ابرها مانند موج های آب حرکت میکنند. چنین موج های سینوسی ایستاده ای (standing sine waves) از معادلات دیفرانسیل مشخصی پیروی می کنند که دینامیک آن ها را توضیح میدهد.
One thing I learned in life in helping from family members and close relatives to friends and even strangers is that:
Don’t help until you asked for help
Or at least don’t insist on helping otherwise your help seems worthless and you lose respect
You can never bring somebody up if they don’t want to go up
Of touching:
A man hath (has) been deprived of his feelings
(Newton’s 1661 notebook)