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
The Misgeneralization Mind
Photo
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.
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.
👌2
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 :)
👌4
Forwarded from اپلای ابراد
McGill - ApplyAbroadOfficial.pdf
1.6 MB
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1
The Misgeneralization Mind
https://www.newscientist.com/article/2472399-mathematicians-solve-125-year-old-problem-to-unite-key-laws-of-physics/
arXiv.org
Hilbert's sixth problem: derivation of fluid equations via...
In this paper, we rigorously derive the fundamental PDEs of fluid mechanics, such as the compressible Euler and incompressible Navier-Stokes-Fourier equations, starting from the hard sphere...
منباب برقراری تعادل بین دنیای صنعت و آکادمیک
قضیهی تعادل برقرار کردن بین صنعت و آکادمیک چیزیه که انگار خیلی خوب نمیتونم از پسش بر بیام. دورانی که تازه وارد دانشگاه شده بودم و همزمان میرفتم سر کار (یه استارتاپی بود که اصلا علاقه ندارم خاطراتش رو مرور کنم :دی)، معتقد بودم درس اهمیت چندانی نداره و فقط کار و سابقه کاریئه که مهمه چون با کار میتونم به همجا برسم. خلاصه بعد یمدت نظرم عوض شد (همون استارتاپ باعثش بود) و میلام بسمت آکادمیک که بیشتر شد، حالا به جایی رسیدم میگم فعالیت توی دنیای آکادمیک نهایت چیزیه که میخوام و هیچ علاقهای ندارم که توی صنعت باشم و بخوام جایی استخدام بشم یا اینکه در بهترین حالت یروزی استارتاپ خودم رو راه بندازم. بقولی فعلا عقیدهم اینه که باید خودم رو وقف دانشگاه و آکادمیک بکنم و تا میتونم مقاله بدم و کار پژوهشی انجام بدم.
اصلا هم چنین طرز فکر 0 و 1ای خوب نیست و این رو خودمم میدونم ولی خب کو گوش شنوا. حتی تو دانشگاه هم اکثر اساتید (میشه گفت ۹۹ درصدشون) علاوه بر اینکه رزومه و سابقه آکادمیک خیلی خوبی دارن، در کنارش یا توی یه شرکت در یه پست کاری خوب مشغول به کارن یا کسب و کار خودشون رو دارن و تعادل بین آکادمیک و صنعت رو اکثریتشون حفظ کردن.
خلاصه که این تعادل بر قرار کردنه خیلی مهمه و نباید از اینور یا اونور بوم افتاد.
قضیهی تعادل برقرار کردن بین صنعت و آکادمیک چیزیه که انگار خیلی خوب نمیتونم از پسش بر بیام. دورانی که تازه وارد دانشگاه شده بودم و همزمان میرفتم سر کار (یه استارتاپی بود که اصلا علاقه ندارم خاطراتش رو مرور کنم :دی)، معتقد بودم درس اهمیت چندانی نداره و فقط کار و سابقه کاریئه که مهمه چون با کار میتونم به همجا برسم. خلاصه بعد یمدت نظرم عوض شد (همون استارتاپ باعثش بود) و میلام بسمت آکادمیک که بیشتر شد، حالا به جایی رسیدم میگم فعالیت توی دنیای آکادمیک نهایت چیزیه که میخوام و هیچ علاقهای ندارم که توی صنعت باشم و بخوام جایی استخدام بشم یا اینکه در بهترین حالت یروزی استارتاپ خودم رو راه بندازم. بقولی فعلا عقیدهم اینه که باید خودم رو وقف دانشگاه و آکادمیک بکنم و تا میتونم مقاله بدم و کار پژوهشی انجام بدم.
اصلا هم چنین طرز فکر 0 و 1ای خوب نیست و این رو خودمم میدونم ولی خب کو گوش شنوا. حتی تو دانشگاه هم اکثر اساتید (میشه گفت ۹۹ درصدشون) علاوه بر اینکه رزومه و سابقه آکادمیک خیلی خوبی دارن، در کنارش یا توی یه شرکت در یه پست کاری خوب مشغول به کارن یا کسب و کار خودشون رو دارن و تعادل بین آکادمیک و صنعت رو اکثریتشون حفظ کردن.
خلاصه که این تعادل بر قرار کردنه خیلی مهمه و نباید از اینور یا اونور بوم افتاد.
👌3