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
Forwarded from Mathematical Musings
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.
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.
Mathematical Musings
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…
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
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
🔥3
Forwarded from مصیب نامه
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
▪️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
❤1
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.
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.
❤3🤔1👌1
ترتیب مناسب بخشهای رزومه از قول یکی از بچههایی که برای ارشد دانشگاه آلتو فنلاند اپلای کرده بود (البته یسریشون بنا به شرایط میتونه جاشون تغییر کنه):
Education + نمرات
Research Interest
Research Experience
Publications
Work Experience + also TA
Honors and Awards
Certificates and Medals
Volunteer Experience
Relevant Course
Skills + Languages
Projects
References
طبق ترتیب زیر هم که applykite گفته میتونید استفاده کنید.
https://news.1rj.ru/str/ApplyIR2UK/2793
Education + نمرات
Research Interest
Research Experience
Publications
Work Experience + also TA
Honors and Awards
Certificates and Medals
Volunteer Experience
Relevant Course
Skills + Languages
Projects
References
طبق ترتیب زیر هم که applykite گفته میتونید استفاده کنید.
https://news.1rj.ru/str/ApplyIR2UK/2793
👌1
اثر هالهای در پذیرش مقاله
منابعی که ارائه شده دربارهی وجود احتمال "اثر هالهای" توی داوری همتا صحبت میکنن. این یعنی وقتی از یه جنبهی مثبت یه موضوع برداشت خوبی داریم، میتونه روی قضاوت ما دربارهی بخشهای دیگهی اون موضوع هم تأثیر بگذاره. تو این مطالعه، سوال اصلی اینه که آیا داوران مقالاتی رو که با علایق و دغدغههای شغلی خودشون هماهنگ باشه، ترجیح میدن یا نه، بهویژه وقتی که بیشتر داورا از یه گروه حرفهای مشابه باشن.
محققان این تحقیق رو روی یه مجلهی مدیریت دولتی برزیلی (BR-J) انجام دادن. دلیلش این بود که بیشتر مقالات این مجله به پرتغالی نوشته شده و موضوعش هم دربارهی مدیریت دولتیه، و اکثر داوراش هم کارمندان دولت هستن. فرضشون این بود که ممکنه مقالاتی که به مشکلات و مسائل مهم برای کارمندان دولت میپردازن، به دلیل اینکه داورا خودشون توی اون گروه هستن، نمره بهتری بگیرن.
برای بررسی این موضوع، مقالاتی رو که در مجله BR-J نوشته شده و دربارهی نیازها و مطالبات کارمندان دولت هستن، تحلیل کردن. به این نگاه داشتن که آیا مطالبات این مقالات بر پایهی روشهای علمی قوی ارائه شده یا نه، مثلاً اینکه آیا نتایج به اشتباه از نمونههای کم به کل جامعه تعمیم داده شدن یا اینکه ادعاها براساس دادهها و منابع درست پشتیبانی شده یا نه. بعدش هم این نتایج رو با یک مقاله از یه مجلهی بینالمللی در همین حوزه به نام Public Administration Review (PAR-J) مقایسه کردن.
نتایج نشون میده که توی BR-J خیلی از مقالات در زمینه تعمیم دادن نتایج از نمونههای کوچک و ناسازگاری ادعاها با شواهد علمی مشکل دارن. مثلاً بعضی مقالات نتایج حاصل از نمونههای خیلی محدود رو به کل جامعه تعمیم دادن یا مطالباتی که مطرح کردن پشتوانهی کافی نداشت. در حالی که مقالهی PAR-J این مشکلات رو نداشت.
این مطالعه بر این نکته تأکید میکنه که وقتی داورا بیشتر از یه گروه شغلی مشابه (مثلاً کارمندان دولت) باشن و مجله هم مقالاتش رو دربارهی موضوعاتی منتشر کنه که مربوط به منافع خودشون باشه و به زبان محلی نوشته بشه، احتمال این وجود داره که داورا به مقالاتی که منافع خودشون رو تایید میکنن، نمره بهتری بدن حتی اگر از نظر علمی ضعفهایی داشته باشن.
در نهایت، نویسندگان مقاله میگن برای حفظ بیطرفی در داوری، لازمه که تنوع داورا رعایت بشه. در مجلاتی که موضوعات خیلی خاص و به زبان محلی منتشر میشن، پیدا کردن داورای متنوع کار سختیست؛ پس سردبیرها باید خیلی مراقب باشن. اگه مجله نتونه برای موضوعاتش داورای متفاوت پیدا کنه، شاید نیاز باشه دامنهی داوراش رو گسترش بده یا دوباره به موضوعاتش فکر کنه.
یه نکته دیگه اینکه این تحقیق فقط به اثر هالهای (سوگیری مثبت) پرداخت و موضوع اثر مخالف یعنی "اثر شاخ" (سوگیری منفی که ممکنه مقالاتی که مخالف منافع داورا باشن رو رد کنه) رو بررسی نکرده؛ این مورد رو هم به عنوان یه زمینه برای تحقیقات بعدی پیشنهاد دادن.
لینک مقاله
منابعی که ارائه شده دربارهی وجود احتمال "اثر هالهای" توی داوری همتا صحبت میکنن. این یعنی وقتی از یه جنبهی مثبت یه موضوع برداشت خوبی داریم، میتونه روی قضاوت ما دربارهی بخشهای دیگهی اون موضوع هم تأثیر بگذاره. تو این مطالعه، سوال اصلی اینه که آیا داوران مقالاتی رو که با علایق و دغدغههای شغلی خودشون هماهنگ باشه، ترجیح میدن یا نه، بهویژه وقتی که بیشتر داورا از یه گروه حرفهای مشابه باشن.
محققان این تحقیق رو روی یه مجلهی مدیریت دولتی برزیلی (BR-J) انجام دادن. دلیلش این بود که بیشتر مقالات این مجله به پرتغالی نوشته شده و موضوعش هم دربارهی مدیریت دولتیه، و اکثر داوراش هم کارمندان دولت هستن. فرضشون این بود که ممکنه مقالاتی که به مشکلات و مسائل مهم برای کارمندان دولت میپردازن، به دلیل اینکه داورا خودشون توی اون گروه هستن، نمره بهتری بگیرن.
برای بررسی این موضوع، مقالاتی رو که در مجله BR-J نوشته شده و دربارهی نیازها و مطالبات کارمندان دولت هستن، تحلیل کردن. به این نگاه داشتن که آیا مطالبات این مقالات بر پایهی روشهای علمی قوی ارائه شده یا نه، مثلاً اینکه آیا نتایج به اشتباه از نمونههای کم به کل جامعه تعمیم داده شدن یا اینکه ادعاها براساس دادهها و منابع درست پشتیبانی شده یا نه. بعدش هم این نتایج رو با یک مقاله از یه مجلهی بینالمللی در همین حوزه به نام Public Administration Review (PAR-J) مقایسه کردن.
نتایج نشون میده که توی BR-J خیلی از مقالات در زمینه تعمیم دادن نتایج از نمونههای کوچک و ناسازگاری ادعاها با شواهد علمی مشکل دارن. مثلاً بعضی مقالات نتایج حاصل از نمونههای خیلی محدود رو به کل جامعه تعمیم دادن یا مطالباتی که مطرح کردن پشتوانهی کافی نداشت. در حالی که مقالهی PAR-J این مشکلات رو نداشت.
این مطالعه بر این نکته تأکید میکنه که وقتی داورا بیشتر از یه گروه شغلی مشابه (مثلاً کارمندان دولت) باشن و مجله هم مقالاتش رو دربارهی موضوعاتی منتشر کنه که مربوط به منافع خودشون باشه و به زبان محلی نوشته بشه، احتمال این وجود داره که داورا به مقالاتی که منافع خودشون رو تایید میکنن، نمره بهتری بدن حتی اگر از نظر علمی ضعفهایی داشته باشن.
در نهایت، نویسندگان مقاله میگن برای حفظ بیطرفی در داوری، لازمه که تنوع داورا رعایت بشه. در مجلاتی که موضوعات خیلی خاص و به زبان محلی منتشر میشن، پیدا کردن داورای متنوع کار سختیست؛ پس سردبیرها باید خیلی مراقب باشن. اگه مجله نتونه برای موضوعاتش داورای متفاوت پیدا کنه، شاید نیاز باشه دامنهی داوراش رو گسترش بده یا دوباره به موضوعاتش فکر کنه.
یه نکته دیگه اینکه این تحقیق فقط به اثر هالهای (سوگیری مثبت) پرداخت و موضوع اثر مخالف یعنی "اثر شاخ" (سوگیری منفی که ممکنه مقالاتی که مخالف منافع داورا باشن رو رد کنه) رو بررسی نکرده؛ این مورد رو هم به عنوان یه زمینه برای تحقیقات بعدی پیشنهاد دادن.
لینک مقاله
👌1
The Misgeneralization Mind
اثر هالهای در پذیرش مقاله منابعی که ارائه شده دربارهی وجود احتمال "اثر هالهای" توی داوری همتا صحبت میکنن. این یعنی وقتی از یه جنبهی مثبت یه موضوع برداشت خوبی داریم، میتونه روی قضاوت ما دربارهی بخشهای دیگهی اون موضوع هم تأثیر بگذاره. تو این مطالعه،…
یه مورد دیگه هم از اثر هالهای در پذیرش مقاله اینه که به عنوان مثال داورها وقتی ببینن اسم یه شخص معروف و خاص توی مقالهست یا اینکه افرادی که مقاله رو ارسال کردن، توی یه دانشگاه خاص پژوهش میکنن و تحصیل میکنن (مثلا هاروارد، MIT و...)، ممکنه خیلی با سختگیری کمتری نسبت به باقی مقالات فرایند پذیرش رو انجام بدن و از اشتباهاتی که ممکنه وجود داشته باشه چشمپوشی کنن.
👌3
ترند جدید توییتر رو تست کردم، نتیجه جالب بود :)
البته بهش عکسی ندادم و خواستم که خودش جنریت کنه.
البته بهش عکسی ندادم و خواستم که خودش جنریت کنه.
❤1👍1👎1
menopause.pdf
1.5 MB
Mathematics is a young man's game
داشتم در مورد تاثیر سن توی تحصیل (بطور ویژه در مقطع دکترا) و گرفتن پذیرش از دانشگاهها با سن نسبتاً بالا توی یسری سایت مطلب میخوندم که رسیدم به این مقاله.
این مقاله به این ایده میپردازه که ریاضیدانها معمولاً بهترین کاراشونو توی اوایل دوران کاریشون انجام میدن. توی این مقالهها، ریاضیدانهایی با سن و سال و تجربههای کاری مختلف دربارهی بهرهوری، خلاقیت و تأثیر سن روی پژوهش ریاضی صحبت میکنن. چند تا موضوع مهم توی این بحثها شکل میگیره، مثل این که جامعه معمولاً نبوغ ریاضی رو با جوونی گره میزنه، این که با گذر زمان تمرکز آدم روی تحقیقات عوض میشه، و این که خیلیها تجربهی افت خلاقیت توی سالهای بعدی عمرشونو دارن. علاوه بر این، مقالهها به عواملی مثل خانواده، سلامتی و حمایتهای دانشگاهی هم اشاره میکنن که روی مسیر کاری یه ریاضیدان تأثیر دارن. این مجموعه یه نگاه چندبعدی به رابطهی بین سن و توانایی ریاضی داره و کلیشههای سادهانگارانه رو به چالش میکشه.
خلاصه که گویا خواستن توانستن است و ماهی رو هر وقت از آب بگیری تازهست، توی ریاضی (و مهندسی) جواب نمیده.
داشتم در مورد تاثیر سن توی تحصیل (بطور ویژه در مقطع دکترا) و گرفتن پذیرش از دانشگاهها با سن نسبتاً بالا توی یسری سایت مطلب میخوندم که رسیدم به این مقاله.
این مقاله به این ایده میپردازه که ریاضیدانها معمولاً بهترین کاراشونو توی اوایل دوران کاریشون انجام میدن. توی این مقالهها، ریاضیدانهایی با سن و سال و تجربههای کاری مختلف دربارهی بهرهوری، خلاقیت و تأثیر سن روی پژوهش ریاضی صحبت میکنن. چند تا موضوع مهم توی این بحثها شکل میگیره، مثل این که جامعه معمولاً نبوغ ریاضی رو با جوونی گره میزنه، این که با گذر زمان تمرکز آدم روی تحقیقات عوض میشه، و این که خیلیها تجربهی افت خلاقیت توی سالهای بعدی عمرشونو دارن. علاوه بر این، مقالهها به عواملی مثل خانواده، سلامتی و حمایتهای دانشگاهی هم اشاره میکنن که روی مسیر کاری یه ریاضیدان تأثیر دارن. این مجموعه یه نگاه چندبعدی به رابطهی بین سن و توانایی ریاضی داره و کلیشههای سادهانگارانه رو به چالش میکشه.
خلاصه که گویا خواستن توانستن است و ماهی رو هر وقت از آب بگیری تازهست، توی ریاضی (و مهندسی) جواب نمیده.
👍1👎1🤔1