🍉 برگزاری آیین گرامی‌داشت شب یلدا در دانشکده علوم ریاضی

🍇 آیین گرامی‌داشت شب یلدا با حضور اعضای هیأت علمی، کارکنان و دانشجویان، در سالن استاد دکتر بزرگ‌نیا دانشکده علوم ریاضی برگزار شد. این مراسم با فضایی صمیمی و فرهنگی، جلوه‌ای از پاسداشت سنت‌های کهن ایرانی را به نمایش گذاشت.

🍊 در آغاز برنامه، گروهی از هنرمندان موسیقی سنتی در دو نوبت به اجرای زنده پرداختند که اجرای آنان با استقبال گرم و تشویق ممتد حاضران همراه بود و حال‌وهوایی دلنشین به مراسم بخشید. در ادامه، با ارائه مطالبی در خصوص سنت حافظ‌خوانی در شب یلدا، به جایگاه والای این آیین فرهنگی در حافظه تاریخی ایرانیان پرداخته شد.

🍌 سپس آقای دکتر مشایخی با سخنانی پیرامون آشنایی عمیق‌تر با شخصیت و اندیشه‌های حافظ شیرازی، بر ضرورت مطالعه و تأمل بیشتر در آثار و منابع مرتبط تأکید کردند و برخی آثار پیشنهادی در این حوزه را نیز معرفی نمودند.

🥒 در بخش دیگری از این مراسم، اعضای هیأت رئیسه دانشکده، ضمن خوشامدگویی به شرکت‌کنندگان، از از دست‌اندرکاران برگزاری این آیین که نقش مؤثری در حسن اجرای مراسم داشتند، قدردانی به عمل آوردند و به رسم یادبود، با همراهی آقای حسن احمدی، مدیر امور عمومی دانشکده، هدایایی به همه نیروهای خدماتی دانشکده که با تلاش صمیمانه خود به بهبود فضای فیزیکی دانشکده همت می گمارند اهدا شد.

🍲 در پایان، مراسم با پذیرایی از حاضران و توزیع آش رشته، مطابق با سنت دیرینه این شب، در محوطه بیرونی دانشکده به کار خود خاتمه داد.

📣 در آخرین روز از دهه بزرگداشت پژوهش و فناوری، کارگاه تخصصی «علم داده و مدل‌های انتخاب» با ارائه آقای شکیب پناه‌بِحق در دانشکده علوم ریاضی برگزار شد. این کارگاه با حضور و استقبال اعضای هیئت علمی، پژوهشگران و دانشجویان، به بررسی جایگاه علم داده و مدل‌های یادگیری ماشین در مواجهه با مسائل واقعی و کاربردی اختصاص داشت.

🔸 در آغاز این سخنرانی، آقای شکیب پناه‌بِحق به طرح این پرسش بنیادین پرداختند که با گسترش روزافزون مدل‌های هوش مصنوعی، آیا همچنان نیازی به متخصصان داده وجود خواهد داشت یا خیر. در پاسخ تأکید شد که آینده این حوزه مبتنی بر حذف نیروی انسانی نیست، بلکه بر هم‌افزایی و تلفیق دانش انسانی و توان محاسباتی هوش مصنوعی استوار است؛ تلفیقی که می‌تواند ارزش‌آفرینی واقعی ایجاد کند.
در ادامه، محسنات و چالش‌های استفاده از مدل‌های یادگیری ماشین مورد بحث قرار گرفت. افزایش دقت، مقیاس‌پذیری بالا و انعطاف‌پذیری از جمله مزایای این مدل‌ها عنوان شد و در مقابل، محدودیت‌هایی نظیر کاهش تفسیرپذیری، نیازمندی‌های داده‌ای سنگین و خطر بیش‌برازش (Overfitting) به‌صورت تحلیلی تشریح گردید.

🔸 بخش دیگری از سخنرانی به تبیین مفهوم Trade-off در سیستم‌های تحلیلی اختصاص یافت؛ از جمله تفاوت میان تخمین (Estimation) و پیش‌بینی (Prediction) و نیز مقایسه مدل‌های کلاسیک با مدل‌های مبتنی بر یادگیری ماشین. در این راستا توضیح داده شد که تخمین بیشتر به چرایی پیش‌بینی می‌پردازد، در حالی که بسیاری از مدل‌های هوش مصنوعی ماهیتی شبیه «جعبه سیاه» دارند و امکان توضیح‌پذیری در آن‌ها محدود است. بر همین اساس، اشاره شد که سازمان‌های تولیدکننده که نیازمند تحلیل علّی و تخمین هستند، غالباً از مدل‌های کلاسیک استفاده می‌کنند، در حالی که سیستم‌های غیرتولیدی بیشتر به سمت مدل‌های هوش مصنوعی گرایش دارند.

🔸 در ادامه، برخی از مهم‌ترین مدل‌های یادگیری ماشین مورد استفاده در مدل‌های انتخاب معرفی شد. از جمله این مدل‌ها می‌توان به Random Forest در حوزه حمل‌ونقل، Gradient Boosting Machines در کسب‌وکارهای تجارت الکترونیک، Neural Networks در سامانه‌های پیشنهاددهنده نظیر نتفلیکس و دیجی‌کالا، Support Vector Machine برای تصمیم‌های دودویی و در نهایت Deep Learning با ساختارهای پویا و کم‌تفسیر اشاره کرد.

🔸 برای روشن‌تر شدن مباحث، نمونه‌ای از تحلیل سیستم پیشنهاددهنده نتفلیکس ارائه شد که در آن داده‌های کاربران، داده‌های مرتبط با فیلم‌ها و داده‌های متنی مورد بررسی قرار گرفت. همچنین چالش‌های اصلی این سیستم‌ها از جمله مسئله Cold Start، مقیاس‌پذیری (Scalability) و Interoperability تشریح شد.

🔸 در بخش بعدی، پلتفرم بومی «اسنپ» به‌عنوان یک نمونه عملی تحلیل گردید. چالش‌هایی همچون ترافیک سنگین، تورم بالا، الگوهای فرهنگی و مذهبی و تنوع ترجیحات کاربران از جمله مسائل کلیدی این پلتفرم عنوان شد. در این زمینه، استفاده از مدل Gradient Boosting با هشت متغیر برای پیش‌بینی انتخاب سرویس و نیز به‌کارگیری مدل Random Forest برای پیش‌بینی حساسیت قیمتی کاربران تشریح شد. همچنین هشت عامل مؤثر در موفقیت اسنپ، از جمله توجه به مناسبت‌های مذهبی، منطقه‌بندی کلان‌شهرها، تحلیل الگوهای ترافیکی، لحاظ تورم در قیمت‌گذاری و توجه به زمان‌های نماز و افطار، به تفصیل بیان گردید.

🔸 در ادامه، پلتفرم دیجی‌کالا مورد بررسی قرار گرفت و چالش‌هایی نظیر تحریم‌های اقتصادی، تورم بالا، ترجیحات فرهنگی، محدودیت‌های پرداخت و ترجیحات برند مطرح شد. در این بخش، استفاده از مدل Gradient Boosting برای دسته‌بندی کالاها بر اساس متغیرهایی چون محل اقامت کاربر، سطح درآمد، حساسیت قیمتی، نرخ تورم و زمان تحویل و همچنین به‌کارگیری مدل Random Forest برای پیش‌بینی کشش قیمتی و تحلیل مؤلفه‌های اقتصادی بازار ایران تشریح شد.

🔸 در پایان، نمونه «من‌کارت» شهرداری و تحلیل داده‌های مرتبط با آن به‌عنوان مثالی دیگر از کاربرد عملی علم داده در خدمات شهری معرفی شد. این کارگاه با جمع‌بندی مباحث و تأکید بر اهمیت بومی‌سازی مدل‌های داده‌محور در حل مسائل واقعی کشور به کار خود پایان داد.

🏅 ارتقای آقای دکتر مهدی جباری نوقابی به مرتبه استادی

بر اساس اعلام معاونت آموزشی و دبیرخانه هیأت‌های ممیزه و اجرایی جذب دانشگاه فردوسی مشهد، در چهارصد و نوزدهمین جلسه هیئت ممیزه دانشگاه فردوسی مشهد به تاریخ ۱۴۰۴/۱۰/۰۱، آقای دکتر مهدی جباری نوقابی، عضو هیئت علمی گروه آمار، به مرتبه استادی ارتقا یافتند.

ضمن تبریک این موفقیت علمی به آقای دکتر مهدی جباری نوقابی و خانواده دانشکده علوم ریاضی دانشگاه فردوسی مشهد، بهروزی و توفیق روزافزون ایشان را از خداوند متعال خواستاریم.

مدیریت، اعضای هیات علمی و کارکنان دانشکده