مراحل ریسرچ من:
1- اول تایتل مورد نظرم رو توی epsilon-ai.com سرچ میکنم و چند ده تا مقاله با اون تایتل برام میاره. بر اساس citationشون انتخاب میکنم و اگه pdfش در دسترس باشه دانلود میکنم و اگر نباشه توی سایت sci-hub.st دنبالش میگردم.
2- بعد از اینکه مقاله رو دانلود کردم، فایل pdfش رو میدم به notebooklm.google.com و میگم که بطور کامل و دقیق مقاله و روشهایی که استفاده کردن رو برام شرح بده.
3- بعد از اینکه توضیحات رو نوشت، متن رو میدم به chat.openai.com و ازش میخوام به فارسی روان ترجمه کنه (نه اینکه فقط مثل ترنسلیت کلمه به کلمه ترجمه کنه. به معنا و نگارش هم دقت کنه).
4- بعد از اینکه ترجمه رو بهم داد، میخونمش و بخشهای اصلی و مهم رو انتخاب میکنم و اگه نیاز باشه نگارشش رو بهتر میکنم و توی فایل گزارشام وارد میکنم.
5- دوباره میرم سراغ Notebook LM و بهش توضیح میدم یه اکسل شیت دارم که باید اطلاعات هر مقاله رو واردش کنم، پس برای هر ستون اکسل شیتام باید بصورت بولتپوینت چیزایی که میخوام مثل تسکهای مقاله، متریکهاشون برای سنجش، الگوریتمها و دیتاست رو بنویسه و اونم اینکارو میکنه.
1- اول تایتل مورد نظرم رو توی epsilon-ai.com سرچ میکنم و چند ده تا مقاله با اون تایتل برام میاره. بر اساس citationشون انتخاب میکنم و اگه pdfش در دسترس باشه دانلود میکنم و اگر نباشه توی سایت sci-hub.st دنبالش میگردم.
2- بعد از اینکه مقاله رو دانلود کردم، فایل pdfش رو میدم به notebooklm.google.com و میگم که بطور کامل و دقیق مقاله و روشهایی که استفاده کردن رو برام شرح بده.
3- بعد از اینکه توضیحات رو نوشت، متن رو میدم به chat.openai.com و ازش میخوام به فارسی روان ترجمه کنه (نه اینکه فقط مثل ترنسلیت کلمه به کلمه ترجمه کنه. به معنا و نگارش هم دقت کنه).
4- بعد از اینکه ترجمه رو بهم داد، میخونمش و بخشهای اصلی و مهم رو انتخاب میکنم و اگه نیاز باشه نگارشش رو بهتر میکنم و توی فایل گزارشام وارد میکنم.
5- دوباره میرم سراغ Notebook LM و بهش توضیح میدم یه اکسل شیت دارم که باید اطلاعات هر مقاله رو واردش کنم، پس برای هر ستون اکسل شیتام باید بصورت بولتپوینت چیزایی که میخوام مثل تسکهای مقاله، متریکهاشون برای سنجش، الگوریتمها و دیتاست رو بنویسه و اونم اینکارو میکنه.
🙏1
The Misgeneralization Mind
Photo
اینو قبلا برای یکی توضیح میدادم، اینجام فرستادم شاید بدردتون بخوره.
زوتِرو (Zotero) چیه؟ یه جور گوگل درایو برای منابع؟
فرض کنید دارید تو اینترنت چرخ میزنید و یه مقالهی خوب پیدا میکنید که دقیقاً توی تحقیق به دردتون میخوره و همون چیزیه که میخواید. توی حالت عادی باید آدرس سایت، اسم نویسنده، سال انتشار و کلی اطلاعات رو دستی کپی کرد و بعداً تو ورد یه عالمه [۱]، [۲]، [۳] نوشت. اما با zotero دیگه این کارا لازم نیست. zotero یه نرمافزار مدیریت منابعه که همهی مراحل ذخیره کردن منابع، ساخت رفرنس و حتی نوشتن فهرست منابع رو خودکار انجام میده.
فرض کنید دارید تو اینترنت چرخ میزنید و یه مقالهی خوب پیدا میکنید که دقیقاً توی تحقیق به دردتون میخوره و همون چیزیه که میخواید. توی حالت عادی باید آدرس سایت، اسم نویسنده، سال انتشار و کلی اطلاعات رو دستی کپی کرد و بعداً تو ورد یه عالمه [۱]، [۲]، [۳] نوشت. اما با zotero دیگه این کارا لازم نیست. zotero یه نرمافزار مدیریت منابعه که همهی مراحل ذخیره کردن منابع، ساخت رفرنس و حتی نوشتن فهرست منابع رو خودکار انجام میده.
👌1
The Misgeneralization Mind
زوتِرو (Zotero) چیه؟ یه جور گوگل درایو برای منابع؟ فرض کنید دارید تو اینترنت چرخ میزنید و یه مقالهی خوب پیدا میکنید که دقیقاً توی تحقیق به دردتون میخوره و همون چیزیه که میخواید. توی حالت عادی باید آدرس سایت، اسم نویسنده، سال انتشار و کلی اطلاعات رو دستی…
زوتِرو دقیقا چیکار میکنه؟
منابع رو خودکار ذخیره میکنه: اگه تو مرورگرتون (مثل فایرفاکس یا کروم) افزونهی زوتِرو رو نصب کنید، هر مقالهای که تو اینترنت ببینید رو میتونین با یه کلیک ساده ذخیره کنین. دیگه نیازی نیست خودتون اطلاعات رو تک تک کپی کنید. حتی کتابهای آمازون یا مقالات گوگل اسکولار رو هم میشه باهاش ذخیره کرد.
منابع رو مرتب میکنه: میتونید منابعتون رو توی پوشههای مختلف بچینی، بهشون تگ بدین و مثلاً بگید «این مال فصل ۳ پایاننامهم هست». اینجوری بعداً راحت میتونید پیداشون کنید.
خودکار رفرنس میزنه: موقع نوشتن تو ورد یا گوگل داکز، زوتِرو یه پلاگین داره که میشه استایل رفرنس (مثل APA، Chicago یا هر چیزی که نیازه) رو انتخاب کرد و زوتِرو خودش شمارهی رفرنسها یا اسم نویسندهها رو تو متن میذاره. آخرِ متن هم فهرست منابع رو درست میکنه.
میتونید بصورت گروهی کار کنید: میتونید با دوستاتون یا گروه تحقیقاتیتون توی زوتِرو یه گروه بسازید و منابع رو به اشتراک بذارین. اینجوری دیگه نیازی نیست صد بار مقاله رو براشون بفرستید.
چرا زوتِرو از Mendeley و EndNote بهتره؟
رایگان بودن زوتِرو کاملاً رایگانه و حتی متنبازه که مزیت بزرگی براش محسوب میشه.
سادهتره: مِندلِی خوبه ولی بعضی وقتا قاطی میکنه یا نیاز به ساخت اکانت داره. زوتِرو بدون دردسره.
همهجا کار میکنه: تو ویندوز، مک، لینوکس، حتی تو گوشی (با اپهای جانبی) میشه ازش استفاده کرد.
منابع رو خودکار ذخیره میکنه: اگه تو مرورگرتون (مثل فایرفاکس یا کروم) افزونهی زوتِرو رو نصب کنید، هر مقالهای که تو اینترنت ببینید رو میتونین با یه کلیک ساده ذخیره کنین. دیگه نیازی نیست خودتون اطلاعات رو تک تک کپی کنید. حتی کتابهای آمازون یا مقالات گوگل اسکولار رو هم میشه باهاش ذخیره کرد.
منابع رو مرتب میکنه: میتونید منابعتون رو توی پوشههای مختلف بچینی، بهشون تگ بدین و مثلاً بگید «این مال فصل ۳ پایاننامهم هست». اینجوری بعداً راحت میتونید پیداشون کنید.
خودکار رفرنس میزنه: موقع نوشتن تو ورد یا گوگل داکز، زوتِرو یه پلاگین داره که میشه استایل رفرنس (مثل APA، Chicago یا هر چیزی که نیازه) رو انتخاب کرد و زوتِرو خودش شمارهی رفرنسها یا اسم نویسندهها رو تو متن میذاره. آخرِ متن هم فهرست منابع رو درست میکنه.
میتونید بصورت گروهی کار کنید: میتونید با دوستاتون یا گروه تحقیقاتیتون توی زوتِرو یه گروه بسازید و منابع رو به اشتراک بذارین. اینجوری دیگه نیازی نیست صد بار مقاله رو براشون بفرستید.
چرا زوتِرو از Mendeley و EndNote بهتره؟
رایگان بودن زوتِرو کاملاً رایگانه و حتی متنبازه که مزیت بزرگی براش محسوب میشه.
سادهتره: مِندلِی خوبه ولی بعضی وقتا قاطی میکنه یا نیاز به ساخت اکانت داره. زوتِرو بدون دردسره.
همهجا کار میکنه: تو ویندوز، مک، لینوکس، حتی تو گوشی (با اپهای جانبی) میشه ازش استفاده کرد.
👌1
The Misgeneralization Mind
Photo
www.acm.org
Andrew Barto and Richard Sutton are the recipients of the 2024 ACM A.M. Turing Award for developing the conceptual and algorithmic…
In a series of papers beginning in the 1980s, Barto and Sutton introduced the main ideas, constructed the mathematical foundations, and developed important algorithms for reinforcement learning—one of the most important approaches for creating intelligent…
(@ocbooks)خانه دایی یوسف.pdf
5.3 MB
کتاب "خانه دایی یوسف" در مورد مهاجرت دسته جمعی اعضای فداییان خلق به شورویه. یکی از همین افرادی که مهاجرت کرده بود کتاب رو نوشته. در کتاب میگه که همه اعضا با یه رویای خیلی قشنگ و خوب مهاجرت کردن به شوروی استالینی و پناهنده شدن ولی اصلا چیزی که انتظار داشتن نبود. هزاران نفر از اعضای فداییان توی اردوگاههای کار اجباری کشته شدن و اسمشون تو تاریخ گم شد. نه سرنوشت مشخصی داشتن نه سنگ قبری. کتاب رو هم به یاد تمام ایرانیهایی که گمنام توی زندانها و اردوگاههای استالین کشته شدن نوشته.
(@ocbooks)درماگادان کسی پیر نمیشود.pdf
8.2 MB
این هم یه اثر فرعی از کتاب "خانه دایی یوسف" هست و در مورد خاطرات دکتر عطا صفوی توی اردوگاههای کار استالینئه.
سعی میکنم گاهی اوقات بین پستهای مرتبط با موضوع کانال، معرفی کتاب از کتابهایی که خوندم و خوب بودن هم داشته باشم. یسری کتابها مثل آثار کامو یا داستایوفسکی و... که شناخته شدهس و نیاز به معرفی خاصی نداره ولی کلی کتاب خوب دیگه هست که هیچ حرفی ازشون زده نمیشه.
❤1
Forwarded from هوافضای کاسموس
پول یا افتخار؟
در آمریکا، دولت به افرادی که خدمات مهمی ارائه میدادند، پول زیادی پرداخت میکرد. طبق قانون، بخشی از درآمد حاصل از فروش هر وسیله نیز به طراح آن تعلق داشت. برای مثال، رابرت گودارد (Robert Goddard)، یکی از پیشگامان موشکسازی مدرن، از حمایت مالی دولت و شرکتهای خصوصی بهرهمند شد و اختراعاتش منجر به توسعه فناوری فضایی آمریکا شد. همچنین، ورنر فون براون (Wernher von Braun)، طراح موشک ساترن ۵ که ناسا را به ماه رساند، در آمریکا زندگی لوکسی داشت و از پروژههای فضایی درآمد قابلتوجهی کسب کرد.
اما در شوروی، به جای پول، افتخار داده میشد. طراحان نابغه مدال افتخار دریافت میکردند، اما سهمی از فروش محصولات نداشتند. برای مثال، سرگئی کورولف (Sergey Korolev)، مغز متفکر برنامه فضایی شوروی و معمار موفقیتهای بزرگی مانند پرتاب اسپوتنیک و مأموریت یوری گاگارین، در طول زندگیاش ناشناس باقی ماند و فقط پس از مرگش از او تقدیر شد. همچنین، والنتین گلوشکو (Valentin Glushko)، یکی از مهمترین مهندسان موتورهای موشکی شوروی، جوایز و مدالهای دولتی دریافت کرد اما ثروتمند نشد.
@rus_cosmos
در آمریکا، دولت به افرادی که خدمات مهمی ارائه میدادند، پول زیادی پرداخت میکرد. طبق قانون، بخشی از درآمد حاصل از فروش هر وسیله نیز به طراح آن تعلق داشت. برای مثال، رابرت گودارد (Robert Goddard)، یکی از پیشگامان موشکسازی مدرن، از حمایت مالی دولت و شرکتهای خصوصی بهرهمند شد و اختراعاتش منجر به توسعه فناوری فضایی آمریکا شد. همچنین، ورنر فون براون (Wernher von Braun)، طراح موشک ساترن ۵ که ناسا را به ماه رساند، در آمریکا زندگی لوکسی داشت و از پروژههای فضایی درآمد قابلتوجهی کسب کرد.
اما در شوروی، به جای پول، افتخار داده میشد. طراحان نابغه مدال افتخار دریافت میکردند، اما سهمی از فروش محصولات نداشتند. برای مثال، سرگئی کورولف (Sergey Korolev)، مغز متفکر برنامه فضایی شوروی و معمار موفقیتهای بزرگی مانند پرتاب اسپوتنیک و مأموریت یوری گاگارین، در طول زندگیاش ناشناس باقی ماند و فقط پس از مرگش از او تقدیر شد. همچنین، والنتین گلوشکو (Valentin Glushko)، یکی از مهمترین مهندسان موتورهای موشکی شوروی، جوایز و مدالهای دولتی دریافت کرد اما ثروتمند نشد.
@rus_cosmos
Forwarded from Quera
⚡️مسابقه الگوریتمی «خداحافظ ۱۴۰۳»
🗓 تاریخ برگزاری: جمعه، ۲۴ اسفند ۱۴۰۳
🔘 پس از پایان مسابقه، نفرات برتر، به شرکت بیتپین معرفی میشن.
🔘 شرکت توی این مسابقه روی امتیاز کوئرایتون تاثیر داره.
🎁 ۳۰ میلیون تومان جایزه نقدی به همراه هدایای دیگر
🧩 برای تمرین میتونی از بانک سوالات کوئرا استفاده کنی تا آمادگی بیشتری برای مسابقه داشته باشی.
✅ ثبتنام و اطلاعات بیشتر:
🔗 https://quera.org/r/41nbl
➖➖➖➖➖
#Quera_Contest
🗓 تاریخ برگزاری: جمعه، ۲۴ اسفند ۱۴۰۳
🔘 پس از پایان مسابقه، نفرات برتر، به شرکت بیتپین معرفی میشن.
🔘 شرکت توی این مسابقه روی امتیاز کوئرایتون تاثیر داره.
🎁 ۳۰ میلیون تومان جایزه نقدی به همراه هدایای دیگر
🧩 برای تمرین میتونی از بانک سوالات کوئرا استفاده کنی تا آمادگی بیشتری برای مسابقه داشته باشی.
✅ ثبتنام و اطلاعات بیشتر:
🔗 https://quera.org/r/41nbl
➖➖➖➖➖
#Quera_Contest
مسئله لاکپشت و خرگوش (الگوریتم فلوید)
مسئله «لاکپشت و خرگوش» یا الگوریتم فلوید، یه روش بهینه برای تشخیص حلقه توی ساختارهای داده مثل لیستهای پیوندیه. این الگوریتم از دوتا اشارهگر (نقطهیاب) با سرعتهای متفاوت استفاده میکنه تا وجود حلقه یا دور رو بررسی کنه. علت نامگذاری اون هم به داستان لاکپشت و خرگوش برمیگرده که لاکپشت با حرکت آهسته اما پیوسته به هدفش میرسه :)
چطوری کار میکنه؟
۱. دو اشارهگر با سرعت متفاوت تعریف میکنیم:
لاکپشت (Tortoise): هر بار یک گام به جلو میره.
خرگوش (Hare): هر بار دو گام به جلو میره.
۲. حرکت همزمان:
هر دو اشارهگر از ابتدای لیست شروع به حرکت میکنن.
خرگوش دو برابر سریعتر از لاکپشت حرکت میکنه.
۳. تشخیص حلقه:
اگر لیست حلقه نداشته باشه، خرگوش زودتر به انتهای لیست میرسه (null) و الگوریتم تموم میشه.
اگر لیست حلقه داشته باشه، خرگوش و لاکپشت بالاخره در یک نقطه از حلقه به هم میرسن. این اتفاق تضمینشدهست، چون اختلاف سرعت اوتا باعث میشه فاصلهشون در حلقه به تدریج کم بشه.
مثال ساده
فرض کنید یه لیست با حلقه به شکل زیر داریم:
A → B → C → D → B
مرحله ۱: لاکپشت در A، خرگوش در A.
مرحله ۲: لاکپشت به B، خرگوش به C.
مرحله ۳: لاکپشت به C، خرگوش به B (از C دو گام میپره: C→D→B).
مرحله ۴: لاکپشت به D، خرگوش به D (از B دو گام میپره: B→C→D).
مرحله ۵: هر دو توی D هستن! پس حلقه وجود داره.
چرا این روش کار میکنه؟
در یه لیست حلقوی، خرگوش و لاکپشت نهایتاً در نقطهای از حلقه به هم میرسن، چون اختلاف سرعتشون باعث میشود فاصلهشون در هر مرحله یک واحد کاهش پیدا کنه.
این روش زمان خطی (O(n)) و فضای ثابت (O(1)) مصرف میکنه، بنابراین بسیار بهینهس.
مسئله «لاکپشت و خرگوش» یا الگوریتم فلوید، یه روش بهینه برای تشخیص حلقه توی ساختارهای داده مثل لیستهای پیوندیه. این الگوریتم از دوتا اشارهگر (نقطهیاب) با سرعتهای متفاوت استفاده میکنه تا وجود حلقه یا دور رو بررسی کنه. علت نامگذاری اون هم به داستان لاکپشت و خرگوش برمیگرده که لاکپشت با حرکت آهسته اما پیوسته به هدفش میرسه :)
چطوری کار میکنه؟
۱. دو اشارهگر با سرعت متفاوت تعریف میکنیم:
لاکپشت (Tortoise): هر بار یک گام به جلو میره.
خرگوش (Hare): هر بار دو گام به جلو میره.
۲. حرکت همزمان:
هر دو اشارهگر از ابتدای لیست شروع به حرکت میکنن.
خرگوش دو برابر سریعتر از لاکپشت حرکت میکنه.
۳. تشخیص حلقه:
اگر لیست حلقه نداشته باشه، خرگوش زودتر به انتهای لیست میرسه (null) و الگوریتم تموم میشه.
اگر لیست حلقه داشته باشه، خرگوش و لاکپشت بالاخره در یک نقطه از حلقه به هم میرسن. این اتفاق تضمینشدهست، چون اختلاف سرعت اوتا باعث میشه فاصلهشون در حلقه به تدریج کم بشه.
مثال ساده
فرض کنید یه لیست با حلقه به شکل زیر داریم:
A → B → C → D → B
مرحله ۱: لاکپشت در A، خرگوش در A.
مرحله ۲: لاکپشت به B، خرگوش به C.
مرحله ۳: لاکپشت به C، خرگوش به B (از C دو گام میپره: C→D→B).
مرحله ۴: لاکپشت به D، خرگوش به D (از B دو گام میپره: B→C→D).
مرحله ۵: هر دو توی D هستن! پس حلقه وجود داره.
چرا این روش کار میکنه؟
در یه لیست حلقوی، خرگوش و لاکپشت نهایتاً در نقطهای از حلقه به هم میرسن، چون اختلاف سرعتشون باعث میشود فاصلهشون در هر مرحله یک واحد کاهش پیدا کنه.
این روش زمان خطی (O(n)) و فضای ثابت (O(1)) مصرف میکنه، بنابراین بسیار بهینهس.
جان مککارتی: پدر هوش مصنوعی و تابعی عجیب.
جان مککارتی تو سال ۱۹۲۷ به دنیا اومد و تو دهه ۵۰ و ۶۰ میلادی، یه دانشمند کامپیوترِ پیشرو بود. کار بزرگش این بود که اصطلاح «هوش مصنوعی» رو اختراع کرد و اولین کنفرانس رسمی تو این زمینه رو برگزار کرد. علاوه بر این، یه زبان برنامهنویسی به اسم Lisp رو هم ساخت که قدیمیترین زبانه که هنوز استفاده میشه (مخصوصاً تو حوزههایی مثل هوش مصنوعی). خلاصه این آدم، یه نابغهٔ همهچیزدان بود که دنیای تکنولوژی رو زیر و رو کرد.
جان مککارتی تو سال ۱۹۲۷ به دنیا اومد و تو دهه ۵۰ و ۶۰ میلادی، یه دانشمند کامپیوترِ پیشرو بود. کار بزرگش این بود که اصطلاح «هوش مصنوعی» رو اختراع کرد و اولین کنفرانس رسمی تو این زمینه رو برگزار کرد. علاوه بر این، یه زبان برنامهنویسی به اسم Lisp رو هم ساخت که قدیمیترین زبانه که هنوز استفاده میشه (مخصوصاً تو حوزههایی مثل هوش مصنوعی). خلاصه این آدم، یه نابغهٔ همهچیزدان بود که دنیای تکنولوژی رو زیر و رو کرد.
👌2
The Misgeneralization Mind
Photo
تابع مککارتی ۹۱ چیه؟
خب حالا برسیم به اون تابع معروفش. تابع مککارتی ۹۱ یه مثال کلاسیک از برنامهنویسی بازگشتی (Recursion) هست. این تابع برای عددهای طبیعی (اعداد مثبت) تعریف شده و قانونش اینطوریه:
اگه یه عدد به تابع بدی که بزرگتر از ۱۰۰ باشه، جوابش میشه همون عدد منهای ۱۰. مثلاً:
مککارتی(۱۱۰) = ۱۱۰ - ۱۰ = ۱۰۰
ولی اگه عدد ۱۰۰ یا کوچیکتر باشه، تابع خودش رو صدا میزنه. یعنی:
مککارتی(n) = مککارتی(مککارتی(n + 11))
فرض کنین عدد ۱۰۰ رو به این تابع میدیم. طبق قانون دوم:
مککارتی(۱۰۰) = مککارتی(مککارتی(۱۱۱))
حالا عدد ۱۱۱ از ۱۰۰ بزرگتره، پس میشه:
مککارتی(۱۱۱) = ۱۱۱ - ۱۰ = ۱۰۱
پس حالا داریم:
مککارتی(۱۰۰) = مککارتی(۱۰۱)
دوباره ۱۰۱ از ۱۰۰ بزرگتره:
مککارتی(۱۰۱) = ۱۰۱ - ۱۰ = ۹۱
پس نهایتاً:
مککارتی(۱۰۰) = ۹۱
همینطور اگه هر عدد بین ۱ تا ۱۰۰ رو آزمایش کنیم، جواب همیشه ۹۱ میشه. برای همین اسم این تابع رو ۹۱ مککارتی گذاشتن. حتی اگه عدد ۹۰ رو بدیم، باز هم تابع با کلی محاسباتِ بازگشتی میرسه به ۹۱.
این تابع به چه دردی میخوره؟
مککارتی این تابع رو ساخت تا نشون بده چطور میشه با بازگشت (حل مسئله با صدا زدن خود تابع) مسائل پیچیده رو ساده کرد. البته تو عمل، این تابع کاربرد خاصی نداره و بیشتر یه معمای آموزشیه. ولی به برنامهنویسها یاد میده چطور تفکر بازگشتی داشته باشن و الگوریتمها رو بهتر طراحی کنن.
خب حالا برسیم به اون تابع معروفش. تابع مککارتی ۹۱ یه مثال کلاسیک از برنامهنویسی بازگشتی (Recursion) هست. این تابع برای عددهای طبیعی (اعداد مثبت) تعریف شده و قانونش اینطوریه:
اگه یه عدد به تابع بدی که بزرگتر از ۱۰۰ باشه، جوابش میشه همون عدد منهای ۱۰. مثلاً:
مککارتی(۱۱۰) = ۱۱۰ - ۱۰ = ۱۰۰
ولی اگه عدد ۱۰۰ یا کوچیکتر باشه، تابع خودش رو صدا میزنه. یعنی:
مککارتی(n) = مککارتی(مککارتی(n + 11))
فرض کنین عدد ۱۰۰ رو به این تابع میدیم. طبق قانون دوم:
مککارتی(۱۰۰) = مککارتی(مککارتی(۱۱۱))
حالا عدد ۱۱۱ از ۱۰۰ بزرگتره، پس میشه:
مککارتی(۱۱۱) = ۱۱۱ - ۱۰ = ۱۰۱
پس حالا داریم:
مککارتی(۱۰۰) = مککارتی(۱۰۱)
دوباره ۱۰۱ از ۱۰۰ بزرگتره:
مککارتی(۱۰۱) = ۱۰۱ - ۱۰ = ۹۱
پس نهایتاً:
مککارتی(۱۰۰) = ۹۱
همینطور اگه هر عدد بین ۱ تا ۱۰۰ رو آزمایش کنیم، جواب همیشه ۹۱ میشه. برای همین اسم این تابع رو ۹۱ مککارتی گذاشتن. حتی اگه عدد ۹۰ رو بدیم، باز هم تابع با کلی محاسباتِ بازگشتی میرسه به ۹۱.
این تابع به چه دردی میخوره؟
مککارتی این تابع رو ساخت تا نشون بده چطور میشه با بازگشت (حل مسئله با صدا زدن خود تابع) مسائل پیچیده رو ساده کرد. البته تو عمل، این تابع کاربرد خاصی نداره و بیشتر یه معمای آموزشیه. ولی به برنامهنویسها یاد میده چطور تفکر بازگشتی داشته باشن و الگوریتمها رو بهتر طراحی کنن.
👌1
توی این مقاله، نویسندههاش سعی کردن عوامل ژنتیکی موثر در پیری مغز رو با کمک دیپلرنینگ شناسایی کنن و راهکارهایی هم برای کند کردن این فرایند پیدا کنن تا از خیلی از بیماریها جلوگیری کنه و باعث افزایش طول عمر بشه.
طبق تحقیقاتشون به این نتیجه رسیدن حتی اگه روند پیری انسان تاخیر ۲ درصدی هم داشته باشه، باعث صرفهجویی ۷ تریلیون دلاری توی هزینههای مراقبت بهداشتی و درمانی در کمتر از ۵۰ سال میشه. علاوه بر اینها مشخص شده که الگوی پیری مغز تاثیر بسزایی روی پیری کلی افراد میذاره و مسئول افزایش خطر ابتلا به تخریب عصبی و کاهش سلامت جسمیئه.
لینک مقاله:
https://medicalxpress.com/news/2025-03-deep-uncovers-gene-potential-drugs.html
طبق تحقیقاتشون به این نتیجه رسیدن حتی اگه روند پیری انسان تاخیر ۲ درصدی هم داشته باشه، باعث صرفهجویی ۷ تریلیون دلاری توی هزینههای مراقبت بهداشتی و درمانی در کمتر از ۵۰ سال میشه. علاوه بر اینها مشخص شده که الگوی پیری مغز تاثیر بسزایی روی پیری کلی افراد میذاره و مسئول افزایش خطر ابتلا به تخریب عصبی و کاهش سلامت جسمیئه.
لینک مقاله:
https://medicalxpress.com/news/2025-03-deep-uncovers-gene-potential-drugs.html
👌1