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.

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.

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.

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

⚡️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

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.

امروز علاوه بر اینکه روز عدد پی‌ئه، تولد آلبرت انیشتین هم هستش.

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.

برای تحقیق‌شون، از مدل‌های دیپ‌لرنینگی استفاده کردن که روی داده‌های MRI، داده‌های مربوط به سبک زندگی، سوابق سلامت و اطلاعات ژنتیکی حدود ۳۹۰۰۰ شرکت‌کننده توی بانک زیستی بریتانیا آموزش داده شده بود. میانگین سنی شرکت کننده‌ها ۶۴ سال و توزیع جنسیتی‌شون هم یکسان بوده.

مدل‌هاشون رو هم برای تخمین سن بیولوژیکی مغز آموزش داده بودن.

از داده‌های MRI برای ارزیابی ساختار و عملکرد مغز و تخمین سن بیولوژیکی‌ش استفاده کردن.

یکی از شاخص‌هایی که تو مقاله داشتن، شکاف سنی مغز (Brain Age Gap یا BAG) بوده که تفاوت بین سن بیولوژیکی تخمین‌زده و سن تقویمی اون شخص رو محاسبه میکنه. در واقع BAG نشون میده مغز یه فرد در مقایسه با سن واقعی‌ش در تصاویر MRI یا سایر روش‌های اندازه‌گیری، چقدر پیرتر بنظر میرسه. BAG بزرگتر اغلب توی افراد مبتلا به اختلالات مغزی مثل آلزایمر، دمیلینه شدن و اسکیزوفرنی دیده میشه و با نمرات پایین‌تر در تست‌های شناختی هم مرتبطه.

از تکنیک تحلیل نقشه برجستگی (Saliency map analysis) برای شناسایی مناطق مغزی حیاتی و مهم برای تخمین سن مغز استفاده کردن. تحلیل نقشه برجستگی مناطقی رو در یک تصویر یا مجموعه داده برجسته میکنه که بیشترین تأثیر رو دارن.

همچنین با استفاده از داده‌های ژنتیکی شرکت‌کنندگان، تونستن ژن‌های خاصی رو شناسایی کنن که در افزایش BAG نقش دارن. اونا هفت ژن (MAPT، TNFSF12، GZMB، SIRPB1، GNLY، NMB و C1RL) رو به عنوان اهداف امیدوارکننده برای مقابله با پیری مغز کشف کردن.

هر چقدرم تکنولوژی پیشرفت کنه بشخصه باز باید تسک‌ها و پایپلاینی که برای پروژه‌ها تو ذهنمه رو روی کاغذ بیارم تا بتونم درست تصمیم بگیرم. خلاصه که هیچ چیزی جای کاغذ و قلم رو نمیگیره :)