📜 Fairy tales are more than true: not because they tell us that dragons exist, but because they tell us that dragons can be beaten.

#Neil_Gaiman, #Coraline

🙋🏻‍♂@meteorjournal

❄️ چرا یخ به دست یا زبان می چسبه؟

اگر شما یخی رو در دست بگیرید که دمای اون بسیار پایین تر از نقطه ی انجماد رطوبت موجود بر روی ناهمواریهای دستتون باشه؛ وقتی یخ و دستتون به تعادل گرمایی میرسن، دمای نهایی کمتر از دمای انجماده و رطوبت دستتون یخ میزنه. این فرایند یک پیوند هیدروژنی بین رطوبت یخ زده ی دستتون و یخی که در دست شماست ایجاد میکنه که یکی از محکم ترین پیوندهای مولکولی محسوب میشه.
هرچی پوست دستتون صاف تر و خشک تر باشه کمتر این اتفاق میافته.

مشابه این مساله بین زبان و میله ی فلزی سرد اتقاق میافته؛ اما اینبار مقداری از بزاق دهان روی میله ی سرد (که دمایی پایین تر از تقطه ی انجماد آب داره) قرار میگیره (و یخ میزنه) و با بزاق یخ زده ی موجود در دهان پیوند هیدروژنی تشکیل میده.

#فیزیک #انجماد
🙋🏻‍♂@meteorjournal

💻 تفاوت دانشمند داده، مهندس داده و تحلیلگر داده:

🔶 دانشمند داده، ارشد تیم تحلیل داده است و دانش عمیقی در آمار، برنامه نویسی، تحلیل تجاری، مدیریت داده و یادگیری ماشین دارد. او باید مجموعه بزرگی از داده های خام را جمع آوری و تمیز کند، مدل های ریاضی ایجاد کند و یافته ها را به راه حلهای تجاری تفسیر کند. او ورودی خود را از مهندس داده و تحلیل گر داده می گیرد و مسئول ایجاد بینشهای تجاری است.

🔶 تحلیلگر داده یک عضو سطح ورودی در یک تیم تحلیل داده است و باید داده های عددی را به فرمتی تبدیل کند که هر کسی در سازمان قادر به درک آن باشد. تحلیلگر داده مدت زمان قابل توجهی را صرف ایجاد گزارش های هوش تجاری برای استفاده داخلی و مشتریان می کند و در اصول مدیریت داده، مدلسازی و گزارش گیری مهارت دارد.

🔶 مهندس داده واسطه بین تحلیلگر داده و دانشمند داده است و مسئول آماده سازی داده ها برای اهداف عملیاتی یا تحلیلی می باشد. او وظیفه طراحی، ساخت، ادغام، نگهداری داده ها از منابع متعدد و کار با داده های بزرگ را بر عهده دارد.

مطالعه بیشتر:
https://vrgl.ir/vaIja

#دانشمند_داده #تحلیلگر_داده #مهندس_داده

🙋🏻‍♀@meteorjournal

🌌 اختروش یا کوازار (Quasar)

واژه ی کوازار مخفف عبارت «منبع رادیویی شبه ستاره ای»ست.

این اجرام در سال 1960 با اندازه گیری گسیل رادیویی قویشون شناسایی شدن؛ اما بعدها مشخص شد گسیل رادیویی اونها بسیار کمه. اختروش ها پر انرژی ترین منابع شناخته شده در کیهان هستن (به اندازه ی صدها کهکشان انرژی گسیل میکنن) که بیشترین گسیل اونها در محدوده ی امواج الکترومغناطیسی فرابنفش و نور مرئیه.

پس از سال 1980 دانشمندان به توافق رسیدن که منشاء این اجرام، ناحیه ی متراکم و فشرده ی مرکز کهکشان های بزرگه (هسته های فعال و به شدت نورانی)؛ که سیاهچاله ی بزرگی رو احاطه کرده و هنگامیکه مواد این ناحیه به داخل سیاهچاله میریزه؛ مقدار زیادی جرم به انرژی تبدیل میشه.

طیف به دست اومده از این اجرام انتقال به سرخ بالایی داره. این امر بیانگر سرعت بالای دور شدن اختروش ها از ماست و طبق قانون انبساط هابل، این به منزله ی فاصله ی زیاد اونها از زمینه. بنابراین این اجرام نسبتا جوان هستن و اطلاعات بدست اومده از اونها به دوران جوانی کیهان برمیگرده.
همچنین خطوط نشری پهنی در اثر جابجایی دوپلری در این طیف ها مشاهده میشه که نشون میده اختروش ها از ابرهای گازی رقیق و بسیار داغی تشکیل شدن از سرعت گردابی بالایی برخوردارن.
به علاوه تغییرات درخشندگی کل طی دوره های کوتاه، کوچک بودن اختروش ها رو تایید میکنه.

تصویری از یک اختروش ببینید

#نجوم #اختروش #کوازار #quasar

🧑🏼‍🚀@meteorjournal

#کوازار #اختروش #quasar

🧑🏼‍🚀@meteorjournal

🔭 قوانین سه گانه ی کپلر

1⃣ مسیر حرکت سیارات به دور خورشید بیضیه و خورشید در یکی از دو کانون این بیضی قرار داره. (به طور کلی مدارات اجرام به صورت یکی از مقاطع مخروطیه)

2⃣ خط فاصل بین خورشید و سیارات در زمان های مساوی، مساحت های مساوی رو جاروب میکنه. یعنی زمانیکه سیارات به خورشید نزدیک ترن، نسبت به زمانیکه دورترن سریع تر حرکت میکنن.

3⃣ مربع زمان تناوب چرخش سیارات به دور خورشید (برحسب سال زمینی) با مکعب نصف قطر اطول (محور بزرگ) بیضی (بر حسب واحد نجومی «Au» که برابر میانگین فاصله ی زمین تا خورشیده) برابره.

❗️این قوانین برای تمامی اجرام قابل تعمیمه

#نجوم #مکانیک_سماوی #قوانین_کپلر

🧑🏼‍🚀@meteorjournal

💻 معرفی کتابخانه Prince در پایتون برای کاهش ابعاد مقادیر عددی (Numerical) و طبقه ایی (Categorical):

کاهش ابعاد داده به تکنیک هایی گفته می شوند که برای کاستن تعداد متغیرهای ورودی در مجموعه داده به کار گرفته می شوند. یکی از این تکنیک ها، تحلیل عامل ( factor analysis) است و کتابخانه prince دارای متدهای مختلفی برای این نوع تحلیل می باشد.
این کتابخانه دارای متدهای زیر برای کاهش ابعاد متغیرهای عددی و طبقه ایی می باشد:

🔸PCA:
زمانی که دیتاست شامل متغیرهای پیوسته عددی باشد، از این متد استفاده می شود.
🔸CA:
از این متد در بررسی وابستگی بین دو متغیر طبقه ایی استفاده می شود.
🔸MCA:
توسعه یافته متد CA است و هنگامی مورد استفاده قرار می گیرد که بیش از دو مقدار طبقه ایی در دیتاست وجود داشته باشد.
🔸MFMD:
اگر دیتاست دارای هر دوی متغیرهای عددی و طبقه ایی باشد، این متد به کار گرفته می شود.

🔺این کتابخانه فقط با پایتون 3 سازگار است.

مطالعه بیشتر:
https://github.com/MaxHalford/prince

متغیر عددی و طبقه ایی چیست؟
https://news.1rj.ru/str/meteorjournal/92

#کاهش_ابعاد #متغیر_عددی #متغیر_طبقه_ایی
#pca #prince

🙋🏻‍♀@meteorjournal

🔭 آشکارسازی مولکول ها در فضا توسط گسیل امواج رادیویی و میزر(maser)ها

مولکول ها توانایی خاصی در تولید امواج رادیویی دارن. وقتی اتم ها با هم پیوند شیمیایی برقرار میکنن و مولکول ها رو به وجود میارن؛ اتم های موجود در این مولکول ها مدام در حال ارتعاش و چرخش هستن. هرگونه تغییر در این حرکات موجب تغییر در سطح انرژی مولکول ها میشه.
زمانیکه سطح انرژی مولکول ها کاهش پیدا میکنه نوعی آشفتگی الکترومغناطیسی گسیل میشه (نوعا رادیویی) که برای هر مولکولی منحصر به فرده (مثل طیف نشری اتم ها).

برخی از مولکول های میان ستاره ای مثل maser (تقویت میکروموج به وسیله ی گسیل اشعه ی تحریک شده) عمل میکنن. به این صورت که این مولکول ها ابتدا توسط یک اشعه ی کیهانی برانگیخته میشن و سپس با برگشتن به سطح انرژی قبلی خودشون؛ این اختلاف سطح انرژی رو به صورت یک (یا دو) طول موج معین گسیل میکنن (هر نوع مولکول قادره فقط مقدار معینی انرژی جذب کنه).

با استفاده از میزرها، مولکول های آلی پیچیده ای که اساس پیدایش حیات روی زمین بودن در فضا هم مشاهده شدن. این امر میتونه بیانگر وجود حیات فرازمینی در خارج از منظومه ی شمسی باشه.

منبع: کتاب نجوم دینامیکی
#نجوم #میزر #maser

🧑🏼‍🚀@meteorjournal

💻 شبکه های عصبی بازگشتی (Recurrent Neural Networks)

شبکه عصبی بازگشتی (RNN) نوعی از شبکه عصبی مصنوعی است که در تشخیص گفتار و پردازش زبان طبیعی استفاده می شود. بسیاری از شبکه های عمیق شبکه های پیش خور (Feed Forward) هستند یعنی سیگنال در این شبکه ها فقط در یک جهت از لایه ورودی، به لایه های مخفی و سپس به لایه خروجی حرکت می کند و داده های قبلی به حافظه سپرده نمی شوند. اما شبکه های عصبی بازگشتی یک لایه بازخورد دارند که در آن خروجی شبکه به همراه ورودی بعدی، به شبکه بازگرداننده می شود. RNN می تواند به علت داشتن حافظه داخلی، ورودی قبلی خود را به خاطر بسپارد و از این حافظه برای پردازش دنباله ایی از ورودی ها استفاده کند.
همانطور که در شکل می بینید، (X(0 را از دنباله ورودی می گیرد، خروجی (h(0 به همراه (X(1، ورودی مرحله بعدی است . در مرحله بعد، خروجی (h(1 و (X(2 ورودی مرحله بعد است. به این ترتیب، شبکه در هنگام آموزش قادر به یادآوری ورودی های قبلی خواهد بود.

کاربردها:
🔸شرح نویسی تصاویر
🔸پیش بینی سری های زمانی
🔸پردازش زبان طبیعی
🔸ترجمه ماشینی

🔺بیشتر بخوانید:
https://vrgl.ir/bHqv5
#هوش_مصنوعی
🙋🏻‍♀@meteorjournal

💥 سیر تکاملی کیهان پس از بیگ بنگ

❗️ویدیو حاوی متن انگلیسی است

#نجوم #فیزیک #بیگ_بنگ #bigbang
🧑🏼‍🚀@meteorjournal

🗂 دیتاست های پرکاربرد در سه سطح مبتدی، متوسط و پیشرفته:

🔶 Beginner Level
Iris Data
Loan Prediction Data
Bigmart Sales Data
Boston Housing Data
Time Series Analysis Data
Wine Quality Data
Turkiye Student Evaluation Data
Heights and Weights Data

🔶🔶 Intermediate Level
Black Friday Data
Human Activity Recognition Data
Siam Competition Data
Trip History Data
Million Song Data
Census Income Data
Movie Lens Data
Twitter Classification Data

🔶🔶🔶 Advanced Level
Identify your Digits
Urban Sound Classification
Vox Celebrity Data
ImageNet Data
Chicago Crime Data
Age Detection of Indian Actors Data
Recommendation Engine Data
VisualQA Data

#دیتاست #علم_داده #یادگیری_ماشین #کلان_داده

🙋🏻‍♀@meteorjournal

🌌 هیچ چیست؟

توضحیات نیل دگریس تایسون درباره ی مفهوم "هیچ"

👈🏼 برای ویدیوهای بیشتر میتونید به صفحه ی تیک تاک neildegrassetyson مراجعه کنید 👉🏼

❗️ویدیو با زیرنویس فارسی

#نجوم #فیزیک #کوانتوم #هیچ
🧑🏼‍🚀@meteorjournal

🌌 طبقه بندی کهکشان ها (قسمت اول)

1⃣ کهکشان های مارپیچی
رایج ترین نوع کهکشان در کیهان که کهکشان راه شیری و آندرومدا هم از این نوع هستن. این نوع کهکشان ها به صورت یک دیسک با برامدگی ای در مرکز دیده میشن و از دو بخش هسته و بازوهای مارپیچی تشکیل شدن.

انواع کهکشان مارپیچی 👇🏼
نوع Sa: هسته ی روشن بسیار بزرگ و بازوهای متراکم و پیچ خورده.
نوع Sb: روشنایی بین هسته و بازوها به صورت یکنواخت تر تقسیم شده. همچنین بازوها نسبت به Sa از تراکم کمتری برخوردارن.
نوع Sc: هسته ی بسیار کوچک و بازوهای گشوده.

❗️اگر کهکشانی بین دوگروه قرار داشته باشه، از ترکیب دو نماد استفاده میشه. مثلا کهکشان راه شیری که بین نوع Sb و Sc قرار داره؛ به عنوان نوع Sbc طبقه بندی میشه.
❗️توجه داشته باشید که بزرگ و کوچک بودن حروف حائز اهمیته.

🔷 در زیر گروه کهکشان های مارپیچی، کهکشان های میله ای قرار دارن. در این گروه، به نظر میرسه که توزیع روشنایی در هسته به صورت میله ای وجود داره.

انواع کهکشان میله ای 👇🏼
نوع SBa: روشنایی زیاد متمرکز در میله و بازوهای پیچ خورده ی متراکم.
نوع SBb: توزیع یکنواخت تر روشنایی در میله و بازوها. به علاوه بازوهای بازتر نسبت به SBa.
نوع SBc: دارای هسته ای با روشنایی کمتر، ساختار شبه میله ای روشن و بازوهایی با تراکم پایین.

❗️اگر کهکشانی بین SBa و SBb باشه، SBab نامیده میشه.

تصویر کهکشان مارپیچی

تصویر کهکشان میله ای


قسمت دوم: کهکشان های بیضوی

قسمت سوم: کهکشان های نامنظم

#part1 #قسمت1
#نجوم #کهکشان #کهکشان_مارپیچی #کهکشان_میله_ای

🧑🏻‍🚀@meteorjournal

💻 7 مرحله فرآیند یادگیری ماشین به طور خلاصه:

🔴 جمع آوری داده (Data Collection): به فرآیند استخراج داده خام برای وظایف یادگیری ماشین، جمع آوری داده می گویند. این داده از روش های مختلفی مانند منابع آنلاین منبع باز یا منابع غیر رایگان، به دست می آید. شاید این مرحله را بتوان مهمترین مرحله یادگیری ماشین نامید. اگر داده جمع آوري شده کیفیت پایینی داشته یا غیر مرتبط باشد، مدل آموزش دیده نیز کیفیت پایینی دارد.

🟠 پیش پردازش داده (Data Preparation): بعد از گردآوری داده های مرتبط، نیاز به پیش پردازش آنها داریم تا اطمینان حاصل شود داده در فرمت قابل استفاده برای آموزش مدل های یادگیری ماشین است. این مرحله شامل مدیریت داده های گمشده یا داده های پرت می باشد.

🟡 مهندسی ویژگی (Feature Engineering): زمانی که دیتاست جمع آوری و پیش پردازش شد، ممکن است نیاز به تبدیل یا حذف بعضی از ویژگی های دیتاست باشد تا مدل آموزشی بهینه تری به دست آید.

🟢 انتخاب مدل (Model Selection): براساس دیتاست، یک مدل یادگیری ماشین انتخاب می کنیم. این کار یکی از وظایف مهم مهندسان صنعت است. به جای به کارگیری مدل های کاملا جدید، بیشتر وظایف یادگیری ماشین با روش های موجود یا ترکیب روش های کنونی، قابل انجام است.

🔵 آموزش مدل و پایپ لاین داده (Model Training and Data Pipeline): بعد از انتخاب مدل، یک پایپ لاین داده (خط لوله داده) برای آموزش مدل ایجاد می شود. یعنی جریان پیوسته ایی از داده های دسته ایی ایجاد می شود تا مدل را به صورت مناسبی آموزش ببیند. از آنجا که آموزش می تواند طولانی شود، بهتر است پایپ لاین داده تا حد ممکن کارآمد باشد.

🟣 اعتبار سنجی مدل (Model Validation): بعد از آموزش، اعتبارسنجی کارایی مدل بر روی بخشی از دیتاست انجام می شود. این داده ها باید توزیع اصولی مشابه مجموعه داده آموزشی داشته باشند، اما باید داده های متفاوتی باشند که مدل قبلاً آنها را ندیده است.

⚪️ پایداری مدل (Model Persistance): در نهایت، پس از آموزش و اعتبارسنجی عملکرد مدل، باید وزن های مدل به درستی ذخیره شوند و مدل به سمت تولید سوق داده شود. این بدان معنی است که فرایندی تنظیم شوند که کاربران جدید بتوانند به راحتی از مدل از پیش آموزش دیده، برای پیش بینی استفاده کنند و نیاز به آموزش مجدد مدل نباشد.

#یادگیری_ماشین #هوش_مصنوعی #پیش_پردازش_داده #مهندسی_ویژگی

🙋🏻‍♀@meteorjournal