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.

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 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.

✳️ 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.

اینم کدش.

https://github.com/amirhalijani/Sut-Music-Analysis

دست به دست کنید سه نفر دیگه بیان برسه به صد نفر :)
(همچنان چیزی تا هزارتایی شدن نمونده)

وضعیت لینکدین فارسی:

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

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

توصیه های خانم Fan Chung برای دانشجویان تحصیلات تکمیلی. کوتاه و موثر(البته شاید در زمینه کاری خودشون خیلی موثر باشه و در هر زمینه ای از ریاضی نشه به این سادگی اجراش کرد)
https://www.math.ucsd.edu/~fan/teach/gradpol.html
خانم Chung همسر ریاضیدان فقید Ronald Graham هم بودند، که در سال ۲۰۲۰ فوت کرد. Graham ریاضیدان خیلی برجسته ای بود که به خاطر همکاری و نزدیکی با Paul Erdős هم شهرت داره.

ترجمه‌ش اگه خوندن متن اصلی‌ش براتون سخته:

چندتا حرف درباره پژوهش برای دانشجویان دوره تحصیلات تکمیلی 

برای دانشجویانی که می‌خوان توی دنیای ریاضیات وارد شن، چندتا نکته هست که شاید دوست داشته باشی از همان ابتدا بدونی (ای کاش کسی قبلاً به من گفته بود!).

پژوهش چیه؟ پژوهش یعنی چی؟ 
آیا یعنی جستجو برای حقیقت؟ یا یه کاوش توی ناشناخته‌ها؟ 
اصل داستان اینه که پژوهش یعنی پیدا کردن یه مسئله و حل کردنش. ممکنه یه قدم کوچیک توی یه پازل باشه (با ایستادن روی شانه‌های یک غول!). یا شاید یه نگاه اجمالی به یه تصویر بزرگتر باشه (با گذشت زمان). چون هر مسئله ارزشمندی راحت حل نمیشه، مسیر می‌تونه طولانی و پیچ‌خورده باشه. ولی یه سری نکته هم به نفع توست:

- این یک بازی زمان واقعی نیست؛ امتحان یک ساعته هم نیست که باید تو یه ساعت تمومش کنی. (البته دوره تحصیلی محدودیت داره؛ مثلاً تو UCSD، محدودیت ۵ ساله!)
- مجاز هستی اشتباه کنی؛ خیلی هم اشتباه کن، چون همه ما اشتباه می‌کنیم.
- درصد موفقیت زیاد هم مهم نیست؛ حتی اگه بتونی از میان تعداد زیادی مسئله، فقط یه تا رو حل کنی، اونم کفایت می‌کنه.
- کمکت می‌کنن؛ استاد راهنما، دوستات، اساتید دیگه، پژوهشگرای دیگه... تو تنها نیستی.
- کلی روش و راهکار هست که اگر ادامه بدی می‌تونه شانس موفقیتت رو بالا ببره.

برای عشق به ریاضی! 
فقط اونوقت می‌تونی خوب عمل کنی که واقعاً از فرآیند لذت ببری. یه مسئله‌ای رو پیدا کن که واقعاً بهت حس خوبی بده.

شروع به کار. 
اغلب می‌شن شنیدم: "ریاضی خیلی بزرگه، صبر کن تا یاد بگیرم." 
حقیقت اینه که هیچ‌کس همه چیز رو بلد نیست. پس منتظر نباش؛ همین الان شروع کن. با استادانت صحبت کن تا یه مسئله رو به دست بیاری. رفتن به سمینارها یا مطالعه هم می‌تونه کمک کنه. یه مسئله‌ی مورد علاقه پیدا کن و عمیقاً در اون فرو ببر تا مجبور شی بیشتر یاد بگیری. توی ترکیبیات، ما این مزیت رو داریم که خیلی مسائل ساده بیان میشن (اگرچه حلشون اغلب سخته).

انتخاب و سلیقه. 
به عنوان یه پژوهشگر جوان، فقط سعی کن هر نظریه‌ای رو ثابت کنی. اگه یه نتیجه‌ی کوچک بتونه تو چند مسئله مختلف کاربرد داشته باشه، این احتمال داره به نتیجه‌ی بزرگتری تبدیل بشه. اگه چند نتیجه‌ی مرتبط داشته باشی، ممکنه به یه نظریه‌ی کامل تبدیل بشه. در کل، اگه مسئله‌ای بنیادی باشه، توی خیلی زمینه‌ها جلو میاد. از طرف دیگه، کاربردهای خوب می‌تونن پژوهش رو به سمت مسائل مرکزی هدایت کنن. قضاوت در مورد انتخاب و سلیقه بعداً به طور طبیعی مشخص می‌شه.

عمق در مقابل گستردگی. 
هدف اصلی دوره تحصیلی‌ات نوشتن پایان‌نامه دکتریه؛ یه نتیجه‌ی جدید و اصلی که یه حقیقت ریاضی رو کشف کنه. یعنی تو تو یه حوزه‌ی خاص تبدیل به متخصص می‌شی که هیچ‌کس از تو بیشتر نمی‌دونه. اگه تخصصت بتونه در چند زمینه دیگه هم کاربرد داشته باشه، تأثیر کارت بیشتر میشه. بعضی از استادان واقعی می‌تونن عمق تخصصشون رو به حوزه‌های متعدد گسترش بدن؛ این خیلی قدرتمنده! پس هم عمق رو تقویت کن و هم چشم به گستردگی داشته باش.

شانس یا مهارت؟ 
شانس فقط به کسانی تعلق داره که آماده‌اند. وقتی فرصت‌ها به درب می‌زنن، آماده باش. اَردش اغلب می‌گفت: "مغزم بازه." سعی کن شانس به تو بچسبه. به خصوص توی ترکیبیات، از تکنیک‌های ریاضی و حتی چیزای فراتر از ریاضی استفاده می‌کنیم؛ و بالعکس، روش‌های ترکیبیاتی توی همه جا کاربرد پیدا می‌کنن. شاید بهتر باشه یه شبکه‌ی گسترده داشته باشی.

درباره پافشاری. 
وقتی روی یه مسئله سخت کار می‌کنی ولی گیر می‌کنی، چیکار کنی؟ چندتا نکته:
- زود تسلیم نشو. یه مسئله ارزشمنده وقتی باهات جنگ می‌ده؛ حداقل یه تپش داشته باش.
- سعی کن از روش‌های مختلف برای نگاه کردن به مسئله استفاده کنی و ابزارهای متفاوت رو امتحان کن.
- همزمان روی دو یا چند مسئله کار کن؛ شاید وقتی روی یکی کار می‌کنی، ذهنت به طور ناخودآگاه روی دیگری هم فکر کنه.
- یادت باشه که همه‌مون بعضی وقت‌ها گیر می‌کنی؛ پس کارهای مرتبط مثل مطالعه، رفتن به سمینار یا پیدا کردن راه‌های متفاوت برای دیدن مسئله رو امتحان کن.
- با یه دوست یا استاد راهنمایت صحبت کن؛ وقتی مسئله رو برای دیگران توضیح می‌دی، اغلب واضح‌تر درمیاد.
- بدون که کی وقتش رسیده که رهاش کنی؛ پژوهش یه رقابت با خودته. اگه بعد از تلاش‌های زیاد بالاخره یه مسئله رو حل کردی، موفقیت بزرگیه. حتی اگه موفق نشی، چیزای مفیدی یاد می‌گیری. وقتی بازده کم میشه، زمانشه که کار رو کنار بذاری (ولی یادت باش که می‌تونی بعداً دوباره برگردی).


⚠️ ادامه در کامنت

شرم بر لیت‌کد

▪️همون‌طور که یحتمل می‌دونید، مهم‌ترین منبع شرکت‌ها برای طراحی سوالات مصاحبه‌ی فنی، سایت LeetCodeعه. چندی پیش آقای Roy Lee از خوبان دانشگاه کلمبیا اومدن یه محصولی رو توسعه دادن که به سرعت سوالات لیت‌کدی مصاحبه لایو کدینگ شما رو براتون حل می‌کنه و یه توضیح انسانی هم ارائه میده براش.

▫️نکته‌ی جالب اینجاست که این بزرگوار موفق شد با استفاده از محصول خودش در مصاحبه‌های آمازون و متا بدرخشه و آفر دریافت کنه. ویدیو مصاحبه رو هم در سطح اینترنت پخش کرد. عزیزان آمازونی و متایی هم پس از مشاهده این ویدیو، در اقدامی جنگ‌افروزانه، نه تنها آفرشونو پس گرفتن، بلکه پس از نامه‌نگاری با دانشکاه کلمبیا، باعت شدن که این عزیزدل از دانشگاه اخراج بشه.

▫️به هر صورت محصول جناب Roy در حال حاضر به درآمد ماهیانه ۱۶۵ هزار دلار رسیده و در حال درخششه. اینم سایت‌ش جهت اطلاعات بیشتر:
www.interviewcoder.co

🪁 @mosayeb_nameh

فرمول‌زدگی و لوکس‌گرایی، بلای جان آکادمیک

سر کلاس آمار و احتمال مهندسی، استاد که در حال درس دادن یکی از مباحث بود به فرمولی رسید که قبل توضیح دادنش چند دقیقه‌ای یه مثال جالب رو تعریف کرد که به همون فرمول هم مربوط می‌شد. می‌گفتن مایی که تصمیم گرفتیم توی دانشگاه درس بخونیم و تحصیل کنیم و به واسطه همین امر، ریاضیات رو حالا بسته به رشته و گرایش بصورت عمیق می‌خونیم برای یسری مباحث خیلی ساده و پیش پا افتاده هم ممکنه بیایم چندین خط فرمول و حل مسئله بنویسیم (مثالش 2 + 2 که فکر کنم حدود سه صفحه اثبات داره و توسط برتراند راسل این اثبات انجام شده (دقیق خاطرم نیست امیدوارم اشتباه نکنم)) و این فرمول‌های سخت و گاهاً پیچیده رو به کار ببریم تا در نهایت به همون جوابی دست پیدا کنیم که یه شخص بازاری که دیپلم‌ردیِ و یا حتی تحصیلات ابتدایی رو هم تموم نکرده، در عرض چند ثانیه و بصورت ذهنی محاسبه‌ش میکنه و بهش میرسه و البته ممکنه فرمول درست و دقیقی هم براش نداشته باشه و از نظر ریاضی‌دان‌ها بقولی راه‌حل غلطی داشته باشه ولی جواب نهایی به هر صورت صحیحه. خلاصه این فرمول‌زدگی و پیچیده فکر کردن باعث میشه گاهی وقت‌ها موجب لوکس و لوس شدن کاری که انجام میدیم بشه و صرفاً به این هدف ازشون استفاده کنیم تا نشون بدیم ما ریاضیات میدونیم و تحصیلات دانشگاهی داریم. علاوه بر اینها ممکنه همین پیچیده فکر کردن موجب این شه ذهن‌مون هیچوقت سمت حل ساده‌ی اون مسئله نره و وقتی میبینیم یه مسئله پاسخش خیلی سریع و کوتاه بدست اومده بهش شک می‌کنیم و میگیم نه این احتمالا اشتباهه و باید یه راه‌حل دیگه داشته باشه که من هنوز بهش نرسیدم.