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
بمونیم و بسازیم، ولی به چه قیمتی؟!
در مورد موندن و مشارکت در ساختن(؟) ایران، و البته دکترا خوندن با یکی از اساتید که صحبت میکردم مثالی از تجربه خودشون در قیاس با همدورهایهاشون زدن و گفتن وقتی که تصمیم گرفتن دکترا رو توی ایران (دانشگاه تهران) بخونن و در همون حین اکثریت دوستانشون مهاجرت کردن برای مقطع دکترا، همه فکر میکردن شخصی که اشتباه کرده و بعدا قطعا پشیمون خواهد شد ایشونه. خلاصه طبق گفتههای خودشون چند سالی گذشت و ایشون هم تونسته بود از لحاظ پژوهشی موفق عمل کنه و هم عضو هیئتعلمی دانشکده کامپیوتر دانشگاه (شریف) شده بودن. اما در مقابل، دوستانشون که اپلای کرده بودن و عموما به کشور هم بر نگشته بودن و همونجا موندگار شدن، نهایتا کارمند یه شرکت معمولی شده بودن و درگیر کد زدن بودن.
حالا مسئلهای که هست، اینه که اگر از لحاظ سلسلهمراتبی و جایگاه شغلی بخوایم به قضیه نگاه کنیم، بله قطعا استاد دانشگاه بودن (حالا از رنک دانشگاه بگذریم) در مقایسه با کارمندی توی یه شرکت اروپایی / آمریکایی خیلی جایگاه بالاتری داره و بقول معروف دهن پر کن تره. ولی وقتی کسی تصمیم میگیره بقول استادمون یه کارمند ساده باشه تا اینکه استاد دانشگاه رنک یک ایران، قطعا تنها هدفش یه جایگاه شغلی بالا و اسم دهن پر کن نبوده و معیارهای دیگهای مثل راحتی و آرامش و هزارتا فاکتور دیگه رو هم در نظر گرفته. گرچه از لحاظ درآمد هم بخوایم مقایسه کنیم احتمالا توی یک اندازه باشن یا حتی اون کارمند ساده حقوق به مراتب بیشتری رو هم داشته باشه.
حالا اگه از تصمیمها و ایدهآلهای شخصی بگذریم و وارد بعد ملی و وطنپرستی قضیه که بشیم، اول از همه باید گفت نه اون کسی که کارمندی توی یه کشور خارجی رو ترجیح داده وطنفروش یا بیخیال محسوب میشه، نه اونی که تصمیم میگیره توی ایران بمونه و فعالیت کنه صرفا میشه روش برچسب وطندوست و وطنپرست زد. یه بعد که همون مورد راحتی اشخاصئه و یکی ممکنه با وجود همه سختیها و موانع تصمیم بگیره ایران بمونه بخاطر خانواده یا دلایل دیگه.
ولی اونی که ایران میمونه با این تفکر که "بمونه و بسازه"، اگر فرض کنیم از لحاظ علمی جایگاه بالایی داره و پژوهشگر نامی یا استاد دانشگاه مطرحی هست (اینو گفتم چون مشاهده شده اون بندهخدایی که سر کوچه میشینه و تخمه میشکونه هم معتقده مونده تا بسازه. حالا چی رو بسازه خدا میدونه)، چقدر میتونه واقعا فعالیت کنه و چقدر ازش حمایت میشه و دستش برای کار کردن بازه و جلوی پاش سنگ نمیندازن. آیا اصلا از مقالات و پژوهشهایی که انجام میده حمایتی میشه؟ اونها رو توی صنعت وارد میکنن و مقالات و پژوهشها رو عملی و پیادهسازی میکنن یا در حد یه مقاله توی یه ژورنال خارجی باقی میمونه؟
با این اوصاف، هیچ شخصی نیست که علاقه نداشته باشه کشورش پیشرفت کنه و توی دنیا زبون زد خاص و عام بشه و قطعا حاضره واسش تلاش کنه و عمرش رو بذاره ولی در صورتی که حداقل بدونه زحماتش نتیجهبخش هست و به پیشرفت کشور کمک میکنه نه اینکه همه پروژههای مهم و... دست عدهای خاص باشه که صرفا باعث هدر رفتن بودجه و منابع میشن و جیب خودشون رو پر پولتر میکنن.
در مورد موندن و مشارکت در ساختن(؟) ایران، و البته دکترا خوندن با یکی از اساتید که صحبت میکردم مثالی از تجربه خودشون در قیاس با همدورهایهاشون زدن و گفتن وقتی که تصمیم گرفتن دکترا رو توی ایران (دانشگاه تهران) بخونن و در همون حین اکثریت دوستانشون مهاجرت کردن برای مقطع دکترا، همه فکر میکردن شخصی که اشتباه کرده و بعدا قطعا پشیمون خواهد شد ایشونه. خلاصه طبق گفتههای خودشون چند سالی گذشت و ایشون هم تونسته بود از لحاظ پژوهشی موفق عمل کنه و هم عضو هیئتعلمی دانشکده کامپیوتر دانشگاه (شریف) شده بودن. اما در مقابل، دوستانشون که اپلای کرده بودن و عموما به کشور هم بر نگشته بودن و همونجا موندگار شدن، نهایتا کارمند یه شرکت معمولی شده بودن و درگیر کد زدن بودن.
حالا مسئلهای که هست، اینه که اگر از لحاظ سلسلهمراتبی و جایگاه شغلی بخوایم به قضیه نگاه کنیم، بله قطعا استاد دانشگاه بودن (حالا از رنک دانشگاه بگذریم) در مقایسه با کارمندی توی یه شرکت اروپایی / آمریکایی خیلی جایگاه بالاتری داره و بقول معروف دهن پر کن تره. ولی وقتی کسی تصمیم میگیره بقول استادمون یه کارمند ساده باشه تا اینکه استاد دانشگاه رنک یک ایران، قطعا تنها هدفش یه جایگاه شغلی بالا و اسم دهن پر کن نبوده و معیارهای دیگهای مثل راحتی و آرامش و هزارتا فاکتور دیگه رو هم در نظر گرفته. گرچه از لحاظ درآمد هم بخوایم مقایسه کنیم احتمالا توی یک اندازه باشن یا حتی اون کارمند ساده حقوق به مراتب بیشتری رو هم داشته باشه.
حالا اگه از تصمیمها و ایدهآلهای شخصی بگذریم و وارد بعد ملی و وطنپرستی قضیه که بشیم، اول از همه باید گفت نه اون کسی که کارمندی توی یه کشور خارجی رو ترجیح داده وطنفروش یا بیخیال محسوب میشه، نه اونی که تصمیم میگیره توی ایران بمونه و فعالیت کنه صرفا میشه روش برچسب وطندوست و وطنپرست زد. یه بعد که همون مورد راحتی اشخاصئه و یکی ممکنه با وجود همه سختیها و موانع تصمیم بگیره ایران بمونه بخاطر خانواده یا دلایل دیگه.
ولی اونی که ایران میمونه با این تفکر که "بمونه و بسازه"، اگر فرض کنیم از لحاظ علمی جایگاه بالایی داره و پژوهشگر نامی یا استاد دانشگاه مطرحی هست (اینو گفتم چون مشاهده شده اون بندهخدایی که سر کوچه میشینه و تخمه میشکونه هم معتقده مونده تا بسازه. حالا چی رو بسازه خدا میدونه)، چقدر میتونه واقعا فعالیت کنه و چقدر ازش حمایت میشه و دستش برای کار کردن بازه و جلوی پاش سنگ نمیندازن. آیا اصلا از مقالات و پژوهشهایی که انجام میده حمایتی میشه؟ اونها رو توی صنعت وارد میکنن و مقالات و پژوهشها رو عملی و پیادهسازی میکنن یا در حد یه مقاله توی یه ژورنال خارجی باقی میمونه؟
با این اوصاف، هیچ شخصی نیست که علاقه نداشته باشه کشورش پیشرفت کنه و توی دنیا زبون زد خاص و عام بشه و قطعا حاضره واسش تلاش کنه و عمرش رو بذاره ولی در صورتی که حداقل بدونه زحماتش نتیجهبخش هست و به پیشرفت کشور کمک میکنه نه اینکه همه پروژههای مهم و... دست عدهای خاص باشه که صرفا باعث هدر رفتن بودجه و منابع میشن و جیب خودشون رو پر پولتر میکنن.
👌1
The Misgeneralization Mind
چقدر ازش حمایت میشه
در مورد حمایت هم اگر این شبها سریال ذهن زیبا که در مورد زندگینامه دکتر حسین بهاروند و داستان ایشون توی پژوهشگاه رویان هست رو دیده باشین، یه اصطلاح جالبی به کار میره تو سریال به اسم گداییِ علمی. عملا چون حمایت مالی خاصی صورت نمیگرفته ازشون، دکتر بهاروند به همراه موسس پژوهشگاه رویان میرفتن پیش خیرین و براشون توضیح میدادن که روی چی کار میکنن تا شاید دلشون بسوزه و بهشون کمک کنن.
💔1
وضعیت سات موزیک توی 1403 چطوری بود؟!
امروز از سر بیکاری و بی حوصلگی یه پروژه جالب به سرم زد که خروجیش رو توی تصاویر دارید میبینید. توی این مینی پروژه اومدم دیتاهای مورد نیاز (اسم موزیک، اسم خواننده، تاریخ ارسال، تعداد ریکشن) رو توی سال 1403 از گروه سات موزیک استخراج کردم (با پایتون) و بعد تبدیلشون کردم به یه دیتاست و روش این تحلیلها رو انجام دادم.
یسری مشکلات وجود داشت مثل اینکه انتهای اسم بعضی خوانندهها ممکن بود یسری اسامی اضافی مثل اسم کانال تلگرام و... باشه که حدالامکان سعی کردم این مشکلات رو بر طرف کنم ولی خب هدفم تحلیل خیلی دقیق نبوده و میخواستم یه دید کلی داشته باشم پس ممکنه یسری موارد این چنینی رو از دیتاست حذف کرده باشم.
یه مشکل دیگه هم این بود که اسم خواننده یا اسم موزیک بصورت Unknown بوده که خب اینا رو هم حذف کردم.
حالا بریم سراغ بررسی موزیکها توی سال 1403.
امروز از سر بیکاری و بی حوصلگی یه پروژه جالب به سرم زد که خروجیش رو توی تصاویر دارید میبینید. توی این مینی پروژه اومدم دیتاهای مورد نیاز (اسم موزیک، اسم خواننده، تاریخ ارسال، تعداد ریکشن) رو توی سال 1403 از گروه سات موزیک استخراج کردم (با پایتون) و بعد تبدیلشون کردم به یه دیتاست و روش این تحلیلها رو انجام دادم.
یسری مشکلات وجود داشت مثل اینکه انتهای اسم بعضی خوانندهها ممکن بود یسری اسامی اضافی مثل اسم کانال تلگرام و... باشه که حدالامکان سعی کردم این مشکلات رو بر طرف کنم ولی خب هدفم تحلیل خیلی دقیق نبوده و میخواستم یه دید کلی داشته باشم پس ممکنه یسری موارد این چنینی رو از دیتاست حذف کرده باشم.
یه مشکل دیگه هم این بود که اسم خواننده یا اسم موزیک بصورت Unknown بوده که خب اینا رو هم حذف کردم.
حالا بریم سراغ بررسی موزیکها توی سال 1403.
The Misgeneralization Mind
Photo
✳️ طبق نمودار، ده خوانند برتر از نظر تعداد ریکشن به ترتیب زیر هست:
1- The Weeknd
2- Unknown (حوصلهم نکشید حذف کنم حلال کنید :دی)
3- Radiohead
4- Dariush
5- Ebi
6- Mohsen Chavoshi
7- Imagine Dragons
8- Eminem
9- Kanye West
10- Moein (مگه معین هم میخونه؟)
✳️ ده موزیک برتر از نظر تعداد ریکشن:
1- Blackout (2015 Remaster)
2- BAAQ
3- Song From A Secret Garden
4- Down
5- High Hopes
6- I Wanna Be Yours
7- از خون جوانان وطن لاله دمیده
8- Booye Eydi (همون کودکانه فرهاد)
9- Prelude
10- گرگ و بره (این داستان داره البته :))) اکثریت ریکشنهاش "😐" بود)
✳️ ده خواننده برتر از نظر تعداد دفعات ارسال:
1- The Weeknd
2- Dariush
3- Ebi
4- Radiohead
5- Mohsen Chavoshi
6- Eminem
7- Kanye West
8- Image Dragons
9- Kendrick Lamar
10- Siavash Ghomeyshi
یسری تحلیلهای دیگه مثل توزیع ریکشنها و همچنین ده روز برتر از نظر تعداد ارسال موزیک هم هست که میتونید توی تصاویر ببینید.
1- The Weeknd
2- Unknown (حوصلهم نکشید حذف کنم حلال کنید :دی)
3- Radiohead
4- Dariush
5- Ebi
6- Mohsen Chavoshi
7- Imagine Dragons
8- Eminem
9- Kanye West
10- Moein (مگه معین هم میخونه؟)
✳️ ده موزیک برتر از نظر تعداد ریکشن:
1- Blackout (2015 Remaster)
2- BAAQ
3- Song From A Secret Garden
4- Down
5- High Hopes
6- I Wanna Be Yours
7- از خون جوانان وطن لاله دمیده
8- Booye Eydi (همون کودکانه فرهاد)
9- Prelude
10- گرگ و بره (این داستان داره البته :))) اکثریت ریکشنهاش "😐" بود)
✳️ ده خواننده برتر از نظر تعداد دفعات ارسال:
1- The Weeknd
2- Dariush
3- Ebi
4- Radiohead
5- Mohsen Chavoshi
6- Eminem
7- Kanye West
8- Image Dragons
9- Kendrick Lamar
10- Siavash Ghomeyshi
یسری تحلیلهای دیگه مثل توزیع ریکشنها و همچنین ده روز برتر از نظر تعداد ارسال موزیک هم هست که میتونید توی تصاویر ببینید.
The Misgeneralization Mind
عه پنجاه تایی شدیم مبارکه! چیزی نمونده دیگه یکم هُل بدین میشیم هزارتا :)
دست به دست کنید سه نفر دیگه بیان برسه به صد نفر :)
(همچنان چیزی تا هزارتایی شدن نمونده)
(همچنان چیزی تا هزارتایی شدن نمونده)
😁6
Forwarded from فرهنگ معین
تولید بدنهای انساننما - بدون سیستم عصبی بیولوژیک و کامپوننتهای مربوط به آگاهی
مقالهی جالبیه از پیشرفتهایی که در حیطهی سلولهای بنیادی و پزشکی بازساختی داره صورت میگیره و اهمیتش در طراحی و آزمایش داروهای جدید، حل شدن معضل پیوند عضو و پایان تستهای جانوری.
اما یه بُعد جالب دیگه که اینجا اشاره نکرده ولی بهنظرم از همهی اینا نهایتا تاثیرش در تاریخ مهمتر میشه، پیوند این اعضای بدون سیستم عصبی بیولوژیک با شبکههای عصبی مصنوعی (همین چیزی که امروز AI شناخته میشه!) است.
مقدار زیادی از مشکلات سر راه پیشرفت هرچه بیشتر مدلهای AI مربوط به اینه که این مدلها توی سیستمهای دیجیتال محبوس شدهان و راهی برای تعامل مستقیم با دنیای فیزیکی ندارن؛ و این راهحل، این مشکل رو هم برطرف میکنه.
از طرفی اینکه موسساتی مثل MIT و Stanford بالاخره دارن با ادبیات راحتتری راجع به این موضوع که شدیدا controversial هست حرف میزنن، امیدوار کننده است.
Read More
مقالهی جالبیه از پیشرفتهایی که در حیطهی سلولهای بنیادی و پزشکی بازساختی داره صورت میگیره و اهمیتش در طراحی و آزمایش داروهای جدید، حل شدن معضل پیوند عضو و پایان تستهای جانوری.
اما یه بُعد جالب دیگه که اینجا اشاره نکرده ولی بهنظرم از همهی اینا نهایتا تاثیرش در تاریخ مهمتر میشه، پیوند این اعضای بدون سیستم عصبی بیولوژیک با شبکههای عصبی مصنوعی (همین چیزی که امروز AI شناخته میشه!) است.
مقدار زیادی از مشکلات سر راه پیشرفت هرچه بیشتر مدلهای AI مربوط به اینه که این مدلها توی سیستمهای دیجیتال محبوس شدهان و راهی برای تعامل مستقیم با دنیای فیزیکی ندارن؛ و این راهحل، این مشکل رو هم برطرف میکنه.
از طرفی اینکه موسساتی مثل MIT و Stanford بالاخره دارن با ادبیات راحتتری راجع به این موضوع که شدیدا controversial هست حرف میزنن، امیدوار کننده است.
Read More
👌3
این مقاله یه روش جدید به اسم «سایههای کمعمق قوی» معرفی میکنه که برای یادگیری و تشخیص حالتهای کوانتومی استفاده میشه و در برابر نویز مقاومه.
توی سیستمهای کوانتومی که نویز دارن، گرفتن اطلاعات دقیق سخته. روشهای قبلی مثل توموگرافی سایه کلاسیک بعضی وقتا جواب میدن، ولی اگه نوع اندازهگیری تصادفی درست انتخاب نشه، دقت پایین میاد. مثلا، اندازهگیریهای پائولی برای بعضی ویژگیها خوبن ولی برای ویژگیهای پیچیدهتر نیاز به نمونههای زیادی دارن. اضافه کردن مدارهای تصادفی کمعمق کمک میکنه، اما خود این مدارها نویز ایجاد میکنن.
به عنوان راهحل، یه روش جدید بر پایه استنتاج بیزی معرفی شده که با استفاده از یه مجموعه اندازهگیری تصادفی، دادههای بدون نویز تولید میکنه و پیشبینی ویژگیهای کوانتومی رو بهتر میکنه. این روش نیاز به آزمایشهای کالیبراسیون پیچیده نداره و فقط یه تنظیم ساده لازمه.
لینک مقاله
توی سیستمهای کوانتومی که نویز دارن، گرفتن اطلاعات دقیق سخته. روشهای قبلی مثل توموگرافی سایه کلاسیک بعضی وقتا جواب میدن، ولی اگه نوع اندازهگیری تصادفی درست انتخاب نشه، دقت پایین میاد. مثلا، اندازهگیریهای پائولی برای بعضی ویژگیها خوبن ولی برای ویژگیهای پیچیدهتر نیاز به نمونههای زیادی دارن. اضافه کردن مدارهای تصادفی کمعمق کمک میکنه، اما خود این مدارها نویز ایجاد میکنن.
به عنوان راهحل، یه روش جدید بر پایه استنتاج بیزی معرفی شده که با استفاده از یه مجموعه اندازهگیری تصادفی، دادههای بدون نویز تولید میکنه و پیشبینی ویژگیهای کوانتومی رو بهتر میکنه. این روش نیاز به آزمایشهای کالیبراسیون پیچیده نداره و فقط یه تنظیم ساده لازمه.
لینک مقاله
👌1