⌨ Terrific essay by Rodney Brooks on #machine_learning, with lots of the early history, including matchbox tic-tac-toe!

http://rodneybrooks.com/forai-machine-learning-explained/

⭕️ سیستم‌های پیچیده:
مقاومت(Robustness) و نبود کنترل مرکزی

🔗 http://www.sitpor.org/2017/01/complexsys1/

نظم در سیستم‌های پیچیده، تنومند است، به این خاطر که بین عناصر توزیع شده، از یک مرکز تولید نشده و تحت اختلال‌های کوچک پایدار است. به عنوان نمونه، نظمی که در یک دسته پرنده که با هم در حال پرواز هستند مقاوم است چرا که با وجود عوامل مختل کننده‌ای چون باد یا تغییرات ناگهانی یکی از پرندگان ضربه‌‌ای به سیستم وارد نمی‌شود و دسته پرندگان از بین نمی‌رود. در صورتی که برای سیستم‌هایی که دارای کنترل مرکزی هستند، آسیب‌پذیری به مراتب بیشتر است. کافیست مولفه کلیدی دچار آسیب شود، آن‌گاه کل سیستم نابود می‌شود. واضح است که نبود کنترل مرکزی از ویژگی‌های سیستم‌های پیچیده‌ است، با این وجود شرط کافی برای پیچیدگی نیست، چرا که سیستم‌های غیرپیچیده می‌توانند هیچ کنترل و یا نظمی نداشته باشند. یک سیستم با به کارگیری سازوکار تصحیح خطا می‌تواند نظم خود را برقرار نگه دارد. به نظر می‌رسد، مقاومت شرط لازم و نه کافی برای پیچیدگی باشد چرا که یک سیستم تصادفی نیز می‌تواند مقاوم باشد به این معنا که اختلال‌های وارد شده بر آن تاثیری بر آن ندارد، به خاطر این که اصلا نظمی ندارد که بهم ریخته باشد! آب‌وهوای زمین مثال خوبی برای تغییرات شدید ولی به‌نسبت پایدار قواعد و تناوب‌های پدیده‌های بنیادی مانند سرعت باد، دما، فشار و رطوبت به سبب وجود یک دینامیک غیرخطی است. یادآوری می‌شود که این ويژگی‌ها نسبت به فضای حالت زیر کار، دانه‌‌درشت هستند، به طوری که وجود این گونه ویژگی‌ها به ما کمک می‌کند تا در بررسی سیستم، درجه‌های آزادی آن را به طور چشمگیری کاهش دهیم.

به زبان محاسباتی، مقاومت به معنی توانایی یک سیستم در تصحیح خطاهای موجود در ساختمان خود است. در نظریه ارتباطات تصحیح خطا به کمک معرفی نوعی افزونگی به دست می‌آید. نیازی نیست که این‌گونه افزونگی‌ها صریحا کپی از همان رشته یا بخشی از آن باشد، بلکه می‌تواند چیز دیگری چون بهره‌برداری از چک‌کردن پریتی (توازن) باشد. چارلز بنت می‌گوید:

به نظر می‌رسد، بازگشت‌ناپذیری از طریق دادن توانایی کلی تصحیح خطا به یک سیستم نویزدار، رفتار پیچیده را تسهیل می‌کند!

یک سلول زنده را به عنوان یک سیستم پیچیده در نظر بگیرید که دارای توانایی تعمیر (تصحیح خطا) خود است. یک سلول، خطاهای درون خود را خارج می‌کند و از ورود خطاهای بیرون به داخل جلوگیری می‌نماید و با این کار از پراکنده شدن خطا در خود جلوگیری می‌کند. از سوی دیگر، گاز درون ظرفی را به عنوان یک‌سیستم غیرپیچیده در نظربگیرید که کوچک‌ترین اختلالی در آن به سرعت تا درجه‌های آزادی زیادی، بدون هیچ محدودیتی، در تمام گاز پراکنده می‌شود!

💡 https://jarisaramaki.fi/2018/01/02/paper-writing-for-phd-students-pt-9-methods/amp/?__twitter_impression=true

👥
https://www.nature.com/articles/s41567-017-0028-1

🗞 See this:
http://www.nature.com/polopoly_fs/7.42718!/file/Migration_Graphic.pdf

🎂 Pioneering #scifi author Isaac Asimov was born on this day in 1920. Happy Birthday!

http://blogs.springeropen.com/springeropen/2018/01/02/complexity-emergent-social-phenomena-asimovs-psychohistory/

🎞 If you're an advanced math or physics student, sign up for Predrag Cvitanovic's free online course on #chaos theory! It starts January 9th!

For more info, watch this video, then go here to sign up:
http://chaosbook.org/course1/about.html

Advert for ChaosBook.org online course

🗞 Deep Learning: A Critical Appraisal

Gary Marcus

🔗 arxiv.org/pdf/1801.00631.pdf

📌 ABSTRACT
Although deep learning has historical roots going back decades, neither the term "deep learning" nor the approach was popular just over five years ago, when the field was reignited by papers such as Krizhevsky, Sutskever and Hinton's now classic (2012) deep network model of Imagenet. What has the field discovered in the five subsequent years? Against a background of considerable progress in areas such as speech recognition, image recognition, and game playing, and considerable enthusiasm in the popular press, I present ten concerns for deep learning, and suggest that deep learning must be supplemented by other techniques if we are to reach artificial general intelligence.

🌀 توتوریال بسیاری خوبی Simon Dedeo داره روی #بازبهنجارش که می‌تونید با رفتن به لینک زیر در اون کلاس شرکت کنید:
https://www.complexityexplorer.org/courses/67-introduction-to-renormalization

ویدیوهای این توتوریال روی سایت Complexity Explorer با حجم کم (کیفیت پایین) قرار دارن. اگر به ویدیوهای باکیفیت‌تر نیاز دارین، می‌تونید از لینک زیر استفاده کنید:

🎞 https://www.aparat.com/video/video/listuser/username/carimi/usercat/107348/Introduction_to_Renormalization_-_Simon_DeDeo

🦅 https://www.nationalgeographic.com/magazine/2018/01/photo-journal-birds-paths-migration-starling

👌🏻 https://www.quantamagazine.org/physicists-aim-to-classify-all-possible-phases-of-matter-20180103/

👨‍👩‍👧‍👧👨‍👩‍👦‍👦👨‍👩‍👧‍👦 https://www.smithsonianmag.com/science-nature/what-fluid-dynamics-can-teach-us-about-navigating-crowds-180961823/

Obstacle effect in the passage of sheep through bottlenecks

🔲 A fracton is a collective quantized vibration on a substrate with a fractal structure.

Fractons are the fractal analog of phonons. Phonons are the result of applying translational symmetry to the potential in a Schrödinger equation. Fractal self-similarity can be thought of as a symmetry somewhat comparable to translational symmetry. Translational symmetry is symmetry under displacement or change of position, and self-similarity is symmetry under change of scale. The quantum mechanical solutions to such a problem in general lead to a continuum of states with different frequencies. In other words, a fracton band is comparable to a phonon band. The vibrational modes are restricted to part of the substrate and are thus not fully delocalized, unlike phonon vibrational modes. Instead there is a hierarchy of vibrational modes which encompass smaller and smaller parts of the substrate.

Wikipedia

💶 https://aeon.co/essays/has-the-time-come-for-a-quantum-revolution-in-economics

💷 https://www.nature.com/articles/nphys4337

💻 Inspired by population genetics, Hobson & David McDonald developed new network analysis tools to explore relationships across micro, meso, and macro levels of animal society and apply these to mountain goats, manakins, and monk parakeets
http://hobsonresearch.com/index.php/2017/12/31/new-network-metrics/

Deborah Gordon: What ants teach us about the brain, cancer and the Internet | TED Talk

🎞 https://www.ted.com/talks/deborah_gordon_what_ants_teach_us_about_the_brain_cancer_and_the_internet/up-next

Also see the paper below 👇🏼👇🏼👇🏼