نمی‌دونم هیچ وقت فک نکنم شده باشه که در مورد کانمن تو اینجا نوشته باشم اون موقع که فک کنم خیلی درگیرش بودم، تو این کانال فعال نبودم. یه تایمی تو ارشد من داشتم تزم رو در مسیر کارای این بزرگوار تعریف میکردم.

خلاصه که اگه نمیشناسیدش، برنده نوبل اقتصاد و از افراد برجسته در زمینه اقتصاد رفتاری و علم تصمیم‌گیری بود. این بنده خدا در مارچ ۲۰۲۴ می‌میره و اخیرا معلوم میشه که مرگش به صورت طبیعی نبوده و با خواست خودش و به کمک پزشکان در سوئیس در ۹۰ سالگی به عمر خودش پایان داده.

این قضیه خیلی جنجال برانگیز شده و عباس سیدین، یکی از جالب‌انگیزترین تولیدکنندگان محتوا از نظر من‌، تو قسمت آخر کانال یوتیوبش در مورد این ماجرا صحبت میکنه.
https://youtu.be/2HSwnOkiyt4?si=Fg4exl8XesCy02c8


@SingularThinker

آرش افراز یکی از جالب‌ترین آدم‌هاییه که من تو زندگیم شناختم. شاید با همون ویدیوی چندقیقه‌ای صحبتش درباره اراده آزاد که از BBC منتشر شد بشناسیدش.

خودش تو بخشی از معرفیش می‌نویسه:
[ از کودکی علاقۀ دوگانه‌ام به علوم تجربی و علوم انسانی مرا زیر فشار انتخاب گذاشت – انتخابی که همچنان آن را انکار می‌کنم. علوم تجربی را دوست داشتم چون دقیق و عینی (objective) بودند. علوم انسانی را دوست داشتم چون به تجربۀ انسانی مربوط بودند، که بنا به تعریف موضوعی ذهنی‌ست (subjective). از دانشکده پزشکی دانشگاه تهران دکترای طب گرفتم امّا طبابت خرسندم نکرد، که اگرچه راجع به عینیت انسان بود، در آن از ذهنیت خبری نبود. در نهایت علوم اعصاب‌ (neuroscience) را محل تقاطع علایقم یافتم: مغز موجودیتی عینی‌ست که ذهن می‌زاید، پس زندگی را بر سر فهمیدنش گذاشتم. در تمام این سالیان،‌ کشف و شهود علمی را نه ناقض، بل مکمل علایقم در تاریخ و ادبیات یافتم. برای من، تاریخ به ادبیات همان نسبتی را دارد که پزشکی به روانشناسی: اولی عینی‌ست و دومی ذهنی و یکی بدون دیگری قابل درک نیست...]

این رو از این جهت گفتم که به تازگی اولین رمانشون رو به اسم "مات پروانه" منتشر کردن که دریافتش برای ایرانیان داخل کشور رایگانه و می‌تونید از طریق سایت انتشارات نوگام دانلود کنید.

https://www.nogaam.com/book/2475/

حکایت «ماتِ پروانه» از زبان یک دانشجوی پزشکی روایت می‌شود که از مسألۀ مرگ آدمی دغدغه‌­ای وسواس‌­گونه­ دارد. او نسخۀ خطی کهنسالی را از عمویش هدیه می‌گیرد و در آن، رمز و راز آیینی را می‌­یابد که به «تسخیر موکل اسرار» راه می­‌برد – جادویی که به او اجازه می‌دهد گذارهایی از زندگی گذشتگان را تجربه کند. راوی که در پی سوال‌هایش در مورد معنای مرگ و زندگی، به معمای مرگ امیر معین‌الدین پروانه، وزیر نیرومند سلاجقهٔ روم و حامی نامدار مولانا جلال‌الدین رومی، علاقه‌مند شده، موکلِ اسرارِ پروانه را تسخیر می‌کند تا سر از کار او در بیاورد. از اینجا خط زمانی داستان دو شاخه می‌شود و وقایع زمان حال و گذشتۀ تسخیر شده، در دو لایۀ زمانی موازی به سوی پایان داستان حرکت می‌کنند.

فایل رمان دکتر آرش افراز،
مات پروانه
#neurobooks
@Sourceofneuroscience

چرا نمونه گیری از توزیع گیبس سخت است؟
1/n

برای جواب به این سوال من اول فک کردم که خب چرا نمونه گیری از بقیه توزیع ها آسونه اصن؟‌یعنی مثلا اگه من یه توزیع گوسی داشته باشم چطوری میتونم نمونه های مستقل تولید کنم؟

برای جواب به این سوال، سلطان Agora اینجا اشاره میکنه که ما در عمل چطوری با استفاده از یک فرآیند deterministic میایم و یه عدد تصادفی تولید میکنیم به طوری که یه نمونه مستقل از توزیع یکنواخت بین صفر و یک باشه.
اگه میخواید فرآیندش رو هم ببینید یه همچین چیزیه :
X_{n+1} = (aX_n + c) mod m

که آخرش عدد بدست آمده رو تقسیم بر m میکنیم و بدین صورت یک نمونه از توزیع یکنواخت بین صفر (بسته) و یک (باز) بهمون تحویل میده.
این قطعی بودن فرآیند این فایده رو داره که وقتی seed که درواقع همون مقدار اولیه این فرآیند هست رو ثابت در نظر بگیریم هر بار به یک عدد یکسان میرسیم و از طرفی زمانی که خودمون این نقطه اولیه رو به عنوان ورودی نمیدیم کامپیوتر میاد و اون رو از جایی میخونه که دسترسی بهش آسون نباشه و به این طریق عدد تولیدی رو غیرقابل پیش بینی میکنه که در واقع به همین خاطر بهش میگن pseudo-random.

خب خلاصه به هر تقدیر ما یه نمونه تصادفی از توزیع یکنواخت بین صفر تا یک تولید میکنیم، حالا کاری که میمونه انجام بدیم اینه که بیایم و اون رو تبدیلش کنیم به یه نمونه از توزیع گوسی استاندارد. این کار به طور کلی با دونستن تابع وارون CDF انجام پذیره.

X = F^{-1}(U)

بدین صورت که اگه شما بدونی تابع F در واقع CDF گوسی استاندارد هست و U یک نمونه از توزیع یکنواخت بین صفر تا یک میدونی که X یک نمونه از توزیع گوسی استاندارد خواهد بود. بعد از اون، شما میتونی با یه ضرب و تقسیم از هر توزیع گوسی با میانگین و واریانس دلخواه نمونه داشته باشی.

ولی حالا مشکل اینجاست که چون CDF گوسی تابع error function داره که ما دقیق نمیدونیم چی به چیه، وارونش که دیگه اصلا نمیدونیم چیه ولی به صورت عددی در هر صورت میشه یه کاریش کرد و کار رو جلو برد، تازه راه های بهتری هم وجود داره که یکی از این روش ها Box-Muller Transform هست که کاری باهاش نداریم.

خب پس تا اینجا یه ایده کلی بدستمون رسید که اگه CDF وارون یا حتی خود CDF رو داشته باشیم میتونیم با ایجاد یک عدد تصادفی از توزیع یکنواخت از هر توزیع دلخواهی نمونه تولید کنیم.
به این روش میگن Inverse Transform Sampling.

خب مشکل تابع گیبس اینه که حساب کردن CDF به این راحتی نیست. در واقع حتی حساب کردن PDF به طور دقیق هم کار راحتی نیست. اصن توزیع گیبس چه شکلیه؟
P(x) = e^{-\beta E(x)} / Z
اینجا beta در واقع وارون دما هست و E هم تابع انرژی در نظر بگیرید. حالا Z چیه؟
Z = \sum_{x} e^{-\beta E(x)} or
Z = \int e^{-\beta E(x)} dx
که بهش تابع افراز گفته میشه و در واقع نقش normalization رو بازی میکنه تا تابع P بشه یه pdf که جمع یا انتگرال روی x بشه یک. و مشکل اینجاست که پیدا کردن یه فرم تحلیلی براش در حالت کلی سخت و مشکله. پس اینجا ظاهرا به بن بست رسیدیم و به روش های دیگه ای احتیاج داریم که بتونیم از توزیع گیبس نمونه برداریم.


#notes
@SingularThinker

اصل بر برائته!
#off_topic

این پرونده پژمان از همون دقیقه اولی که خوندمش منو مجذوب کرد‌، انگار یه چیزی اون ته وجودم دوباره زنده شد. همون حسی که با ذوق از اپیزودی به اپیزود بعدی کتاب صوتی جنایت مکافات میکشوندم. همون سوالِ جواب داده نشده که کی میتونه در مورد چنین پرونده‌ای قضاوت کنه؟ بر اساس چه شواهد و ادله‌ای؟ عدالت یعنی چی؟
همه اینا با توجه به قوانین فوق پیشرفته قضایی مملکت که حکم چنین اتهامی اعدامه و بی‌بازگشت، آدم رو بیشتر به فکر فرو میبره.

تو این بین شروع کردم با دوستام حرف زدن از جمله توی گروه فوتبالی که یکی پزشکه و اون یکی کارشناس امور قضایی. اول این که کارشناس قضایی میگه که بازپرس شواهد قوی‌ای داشته که قرار بازداشت صادر کرده و نه قرار وثیقه. همین الان احتمالا وکیلای پژمان به حکم بازداشت اعتراض کردن و رفته تجدید نظر و اگه حکم برنگرده یعنی شواهد قوی‌ترم هست‌. دوستم اخباری شنیده مبنی بر اینکه از برج ۲ این داستان شروع شده و کلی مکاتبه کردن با پزشکی قانونی و اینکه "تقریبا" تجاوز ثابت شده است. من همچنان ولی نمیفهمم که چطوری میشه تجاوز رو "ثابت" کرد حتی تقریبا؟
اون پزشکه میگه شواهد پزشکی قانونی هست؛ جراحت واژن، کبودی، اثرات زیر ناخن و فلان.

میگم اگه role play یا BDSM بوده باشه چی؟ دوست قاضیم میگه در تجاوز مفعول(مرد یا زن) معمولا دست و پا میزنه، کبودی‌ها و زخم‌های دور گردن و اطراف باسن و غیره بوجود میاد.

میپرسم خب اگه چنین شواهدی نباشه چی؟ میگه حکم سنگینه اگه شواهد کافی نباشه قرارِ منع تعقیب صادر میشه و متهم تبرئه میشه و آزاده. میگه خیلی از تجاوزها به دلیل نبود دلایل کافی اثبات نمیشه. میگه راستی یه پرونده‌ای بوده که بعدا از رو پیامک‌ها مشخص شد شاکی سکس خشن دوست داشته🤯

بهش گفتم عجب کار سختیه پسر قضاوت، خداقوت. به همه چی باید شک کنی، حتی هر حقیقتی ممکنه گمراه کننده و به قصد پنهان کردن حقیقت بزرگتری باشه. پزشکه میگه بعد یه سوال این شک وارد زندگی شخصیت نمیشه؟ اصن تو میتونی در تعاملات روزمره‌ات به همون راحتی با بقیه ارتباط برقرار کنی اصن؟

بحث ادامه داره میگه واسم سواله که چرا اصن پژمان فرار نکرده؟ یعنی اصن فک نمیکرده ممکنه ثابت بشه چیزی علیه‌‌اش؟

میگم خب ممکنه در اون لحظه حالت طبیعی نداشته تحت تاثیر دارو یا مواد بوده باشه. اوضاع بدتر میشه میپرسه اگه کسی در حالت غیرطبیعی تجاوز کنه حکمش چیه؟

به طور موازی با صحبتای این گروه دارم با دوستای دیگه‌ام هم صحبت میکنم. اون یکی باور کرده داستان تجاوز رو و میگه امین فردین گفته بود این جمشیدی اصن معتاده میگم بابا خود امین فردین چاه رذالته تو به حرف اون استناد میکنی؟
بعد یه ویدیو تو اینستا میفرسته که جمشیدی مشغول تودماغیه که معلوم نیست راستکیه یا فیکه. بنظر تصمیمشو گرفته متهم گناهکاره، اعدامش کنید ولی با این همه، بحثای جالبی داشتیم. میگه به هر حال حتی اگه تبرئه بشه و بیارنش بیرون زندگی حرفه‌ایش به عنوان بازیگر تموم شده. این یعنی ازون طرف حتی پرونده دارای مجازات بی‌بازگشتیه، این دفعه اما نه براساس قوانین اسلامی و قاضی بلکه بر اساس قضاوت ما مردم.

با خانواده‌ام صحبت میکنم داداشم استوری دوستای پژمان رو میفرستن که این خانوم اصن رفت و آمد داشته به اپارتمان و فیلماش هست و این چیزا. ما رفتیم شهادت دادیم و پژمان زود میاد بیرون. اون یکی میگه من که از اول گفتم دختره خودش خواسته بره خونه‌اش چطوری میشه به زور برده باشدش؟

میگم بیا فرض بگیم که این طوره، چی میشه نتیجه گرفت ازین اصلا؟ میگه پس لابد میخواسته که باهاش سکس کنه دیگه‌. جوش میارم، یه نفیس عمیق میکشم و سعی میکنم به سوهانی که روحم رو خراش میده بی‌توجهی کنم؛ ادامه میدم یعنی هر کی هر جا میره مهمونی معناش اینه که با سکس با صاب خونه راضیه؟ میگه نه ولی مطمئن باش اون دختره بوده. اینکه از کجا باید مطمئن باشم، مشخص نیست ولی دیگه ادامه نمیدم.

قضاوت سریع آدما خسته‌‌ام میکنه ولی از اون طرف این رو هم میفهم که ریسک این هم هست که مته به خشخاش گذاشتن آدمایی مثل من سیستم قضایی رو به بی‌عملی بکشونه و بشه همون حرفی که دوستم میزد بسیاری از تجاوزها در ایران به دلیل عدم شواهد کافی اثبات نمیشن و متجاوز راست راست میچرخه.

انگار ته این اقیانوس پر آشوب میرسی به یه چیز که اصل بر برائته مگر اینکه خلافش "ثابت" شود و اینجاست که برمیگردیم به سوال اول چطوری میشه چیزها رو در خارج از ریاضی "ثابت" کرد؟
نقطه سر خط.

مرسی که خوندید. مخلص❤️
@SingularThinker

کاش میشد یه سری verification برای استدلال های آدم ها در دادگاه هم نوشت.
من که چیزی ازین چیزا سر در نمیارم متاسفانه ولی ایشالا KC و بقیه بعد برنامه های کامپیوتری یه فکری به حال این هم بکنن.

بچه‌ها من فقط دوباره یه تاکیدی بکنم در مورد این فایلی که گذاشتم، اینکه خودشون این فایل رو برای ایرانیان داخل کشور رایگان گذاشتن، طبعا شما اگه خارج از کشورید میتونید برید از وبسایتشون خریداری کنید.

چرا نمونه گیری از توزیع گیبس سخت است؟
2/n

خب تا اینجای قصه رو پیش اومدیم که چطوری میتونیم از یک توزیع یکنواخت نمونه های شبه تصادفی تولید کنیم و بعد با استفاده از دونستن وارون تابع CDF میتونیم از یک توزیع گوسی دلخواه هم نمونه برداری کنیم ولی مشکل اینجا بود که برای بعضی از تابع توزیع ها مثل Gibbs/Boltzmann نمیتونیم این کار رو بکنیم چون خود تابع CDF مشخص نیست که چیه چه برسه به وارونش . سختی کار هم در محاسبه ضریب نرمالیزاسیون هستش که در فیزیک آماری بهش میگن partition function.

در علم آمار، Markov Chain Monte Carlo یا به طور خلاصه MCMC به دسته ای از الگوریتم ها میگن که
ما اجازه میده از هر توزیع دلخواهی نمونه برداری کنیم.
اصل کار به این صورت هستش که ما میایم و یک Markov chain درست میکنیم که توزیع تعادلیش توزیع مدنظر ما باشه. بنابراین با جلو رفتن تو Markov chain ما قدم به قدم به یک نمونه از توزیع دلخواه مون آشنا تر میشیم.(اینجا قطعا کلی جزئیات ریاضیاتی هست که تضمین میکنه از هر توزیع اولیه ای برای نقطه اولیه زنجیره مون شروع کنیم با گذشت زمان اطلاعات اولیه رو فراموشش میکنیم یعنی mixing اتفاق میفته و از طرف دیگه چون فرآیندمون ergodic هست میتونیم امید ریاضی و غیره رو به راحتی حساب کنیم. من یکم سعی کرده بودم که تو این پست راجع به مفهوم mixing توضیح بدم و یک گیف هم آوردم در ادامه اش تا شاید کار رو بهتر در بیاره.)

روش های بسیار متنوع و معروفی ذیل روش های MCMC قرار میگیرن که شاید بشه گفت معروف ترینش الگوریتم Metropolis-Hastings باشه که روش بسیار جالب و زیباییه به نظرم چون به شدت وسیعه ولی متاسفانه این روش هم مثل خیلی از روش های دیگه دچار نفرین ابعاد curse of dimensionality هست و در ابعاد بالا خیلی خوب کار نمیکنه.

اما الان میخوام صرفا رو یه دسته ی خاصی از الگوریتم های MCMC هستن که بهشون میگن Langevin-based. در واقع در اینجا اون فرآیند تصادفی اصلی که پشت Markov chain هست میشه Langevin dynamics. چرا این دسته از فرآیندهای تصادفی جالبن؟‌ چون اولا دوباره خود این فرآیند به عنوان یک مدل برای توضیح حرکت ذرات کوچک در یک سیال استفاده شده اما به نظر میرسه باهاش میشه چیزهای مختلفی رو باهاش مدل کرد؛ از مکانیک کوانتوم و دینامیک مولکولی گرفته تا اقتصاد و علوم اعصاب و حتی مدل های مولد مثل diffusion.

برای اینکه بتونی از این روش استفاده بکنی حتی لازم نیست که تابع توزیعی که میخوای ازش نمونه بگیری، p(x)، رو کامل بدونی کافیه فقط گرادیان log p(x) رو بدونی. بنابراین از یک نقطه تصادفی شروع میکنی و براساس فرآیند Langevin تو هر مرحله بردارت رو بروزرسانی میکنی و در نهایت (با فرض کوچیک بودن step size) به یک نمونه از توزیع مدنظر میرسی. حالا این بروزرسانی که در واقع نسخه ی گستته سازی شده فرآیند اصلیه چطوریه؟
x_new = x_old - step_size * grad(log p(x)) + sqrt(step_size)* noise

که نمیدونم بهش دقت کردید یا نه به شدت شبیه Gradient Descent عه فقط یه نویز گوسی استاندارد هم بهش اضافه شده که این نویز قراره کمک کنه و ما رو از گیر
افتادن تو local extermum ها نجات بده.

حالا یه سری مشکلات سر راه این الگوریتم معمولا پیش میاد که یکی از اون ها مسئله ی بعد بالاست باز هم ولی یکی دیگه وقتی که ما فرآیندی داریم که به اصطلاح slowly mixing عه. یعنی نقطه هایی که کنار هم بودن در اول کار همین طوری با جلو رفتن زمان نزدیک به هم باقی میمونه و دیر فراموش میکنن(کینه شتری دارن و حافظه sheldon cooper)برای همین در این جور مواقع ما عملا گیر میکنیم.

چون که حس میکنم تا همینجاش کلی مفاهیم سخت رو به صورت متن دارم منتقل میکنم و عملا از حوصله شاید خارج شده باشم متوقف میشم و بهتون این بلاگ پست جالب رو توصیه میکنم که اگه دوست داشتید بیشتر بخونید میتونید برید و این رو بخونید و از دیدن گیف هاش لذت ببرید:
https://friedmanroy.github.io/blog/2022/Langevin/

@Singularthinker

خب در نهایت سعی کردم یه توضیحاتی در مورد این تیکه بدم و بگم که چرا چنین چیزی داریم و چطوری کار میکنه. نمیدونم تونستم خوب توضیح بدم یا نه ولی اره بلاخره که این طوری.

یاد این میم درخشان افتادم. این رو قراره چاپش کنیم بچسبونیم به در و دیوار آزمایشگاهمون :))))
@SingularThinker

توی این مقاله‌ی Terence Tao، اومدن نشون دادن که AlphaEvolve، برای حل تعداد قابل توجهی از مسائل ریاضی، راه‌حل‌هایی بهتر از انسان ارائه می‌کنه؛
در اصل، اومدن این کار رو روی ۶۷ مسئله توی حوزه‌های مختلف امتحان کردن که بعضیاش این‌ها هستن:

- Friends' moving sofa (2D & 3D)
- kissing problem in N-dimensions
- Circle packing
- IMO 2025 tiling problem
- block stacking

یه ایده‌ی جالبشون هم، ارائه‌ی یه طبقه‌ی جدید از مسائل به اسم AlphaEvolve-hard هست که نشون میده اهمیت مدل‌های زبانی و هوشمند توی ریاضیات داره خیلی جدی میشه

به طور خاص، می‌تونین این ویدیو رو برای سوال IMO ببینید؛ درک خود سوال خیلی ساده‌ست، ولی حلش واقعا فنی و تکنیکی هست (سوال ۶ آزمون بوده، سخت‌ترین سوال اون مسابقه میشه؛ اگر اشتباه نکنم توی خود روز مسابقه هم تعداد آدمایی که حل کردنش توی زمان آزمون از ۱۰ نفر کمتر بوده)؛ حالا نکته‌ی این ویدیویی که من گذاشتم چیه؟ اینه که بسیار بسیار قشنگ روند فکری پشت حل کردن مسئله رو نشون میده

اگه شما هم مقاله ای رو برای ICLR سابمیت کردید یا اینکه دارید یه مقاله ای رو میخونید و میخواید ببینید که آیا در نوشتنش از AI استفاده شده یا اینکه داورها واسه نوشتن ریویو از LLM ها استفاده کردن یا نه میتونید از http://iclr.pangram.com برید و چک کنید.
من خودم یه چند مورد رو بررسی کردم و بنظرم دقتش خیلی بالا بود.

اگر هم علاقه دارید ببینید جریان چیه و کی پشت این وبسایته و ازین صوبتا میتونید رشتو زیر رو بخونید:
https://x.com/max_spero_/status/1989821362857234728?s=20

@SingularThinker

داوری‌های امسال از جمله داوری مقاله ما فاجعه است.
طبق آمار سایت بالا از هر چهار رویویو یکی‌اش کاملا یا تا حد خیلی خیلی زیادی توسط ai نوشته شده. واقعا آدم داره زوال آکادمیا رو به چشم میبینه.

حتی برای مقاله ما هم که هیچکی از LLM استفاده نکرده داوری‌ها به شدت مضحکه. یکی از داورها گفته مقاله در حیطه تخصصی من نیست و بنابراین نمیتونم قضاوتی بکنم و تمام‌. ولی ازون جا که مجبور بوده نمره بده داده ۴. اون یکی دیگه گفته من خیلی با leaning theory اشنا نیستم ولی بنظر میاد که اثباتا خیلی سرراستن و با اینکه این کار قبلا در ادبیات وجود نداشته ولی novel نیست :)))))))
مفهوم novelty رو یک تنه جابجا کرد.
اون دوتای دیگه معقول ترن ولی بازم دلچسب نیستن. طرف معلومه اونقدر وقت نذاشته و درگیر نشده و گرنه باید کلی سوال میپرسید.

اینا به کنار بیاید یه سری جوک ببینید:
مثلا داور گفته چه خوب که رو فلان چیز آزمایش کردید ولی باید روی large scale هم آزمایش انجام بدید(دقیقا به ما هم گفتن:)))
پلات توییست ماجرا اینجاس که این پیپر اصلا هیچ آزمایشی نداشته😂😂
https://x.com/AryanMokhtari/status/1990135370344788196?t=jDL1Iyi_EBOwVqjAJ4WOlA&s=19

یا این بندگان خدا که تا ریویوها رو دیدن از شدت ناراحتی مقاله‌شون رو بیرون کشیدن و این پیغامو گذاشتن:
https://x.com/peter_richtarik/status/1988935677736546622?t=SNVym8o5TXX9YRUzoIlmrA&s=19

یه سری‌ها هم دیگه جوش آوردن و فحش دادن عکساشو میذارم تو پست بعدی.

بچه ها این یه موقعیتیه که بتونید از راه دور با یه آدمی که اسم و رسمی برای خودش داره روی زمینه ای که hot topic محسوب میشه کار کنید و در ازاش پول هم دریافت کنید. قطعا گرفتن پوزیشن سخته ولی به نظرم به تلاشش می ارزه.

https://x.com/NeelNanda5/status/1991601991601254521?s=20

@SingularThinker

بچه ها کسی تجربه درس خوندن از رو iPad رو داره؟ تجربه شما در کار باهاش چطوری بوده باهاش؟
مثلا چقدر چشم رو اذیت میکنه نورش یا قلمش چقدر خوب کار میکنه واسه note نوشتن و اینا.
یا مثلا سینک کردن و اینا با نمیدونم Zotero و این جور چیزا خوب از آب در میاد؟

کاملا بی ربط به پست قبلی ولی مرتبط با تم کانال بگم که دو تا از اعضای گروه ما یک کتابچه‌ای رو نوشتن در مورد بهینه سازی ابرپارامترها😅 که اگه دوست داشتید ببینیدش:

[⚠️هشدار:حاوی مقادیر زیادی موج سواری🏄‍♂🌊 و خوردن خیارشور]

🚨 OpenReview might have leaked names, but it won't leak the best hyperparameters, unfortunately! 😅

Tired of the drama? Solve your HPO problems before the ICML deadline with this new book by our own Luca Franceschi & Massimiliano Pontil (& colleagues).

https://arxiv.org/abs/2410.22854

@SingularThinker