💻 نکات زیر را برای یک مصاحبه شغلی در نظر بگیرید:

💢 قبل از مصاحبه تحقیقاتی در مورد کمپانی مورد نظر انجام بدهید، وب سایت و شبکه های اجتماعی آن را بررسی کنید.
💢 مطمئن شوید مهارت های شما در راستای شغل مورد نظر است.
💢 لباس مناسب و مطابق با قوانین کمپانی بپوشید.
💢 به زبان بدن خود توجه کنید. تماس چشمی با مصاحبه کننده را فراموش نکنید، راست بنشینید، صورت خود را زیاد لمس نکنید و بسیار مودب باشید.
💢 تعدادی سوالات به صورت مکرر در مصاحبه شغلی پرسیده می شود، خود را برای آن ها آماده کنید:
▫️درباره خود بگویید (برای سنجش مهارت های ارتباطی).
▫️نقاط قوت و ضعف خود را بیان کنید ( انعطاف پذیری و توجه به جزئیات را می سنجد).
▫️در 5 سال آینده خود را در چه موقعیتی می بینید (تعهد فرد به کمپانی را ارزیابی می کند).
▫️چرا باید شما را استخدام کنیم (اشتیاق به یادگیری و ...).

زیر نویس انگلیسی

#استخدام #مصاحبه_شغلی

👩🏻‍💻@meteorjournal

☀️ پدیده ی خورشید کاذب (sun dog)

توی زمستان زمانی که خورشید به افق نزدیک میشه، نور خورشید از ابرهای پراکنده رد میشه و به کریستال هایی با سطح مقطع شش ضلعی برخورد میکنه که به صورت استوانه های عمودی قرار گرفتن.
عبور نور خورشید از این ستون های یخی باعث میشه پرتو بشکنه و معمولا در دید ناظر 4 نقطه ی نورانی به صورت خورشیدهای کوچک در 4 طرف خورشید پدید بیاد. (توی تصویر فقط 2 نقطه ی نورانی بوجود اومده)

برای درک بهتر بخوانید:

🟢 ستون های نوری

🟡 هاله ی 22 درجه

#فیزیک #خورشید_کاذب
🙋🏻‍♂@meteorjournal

☀️ پدیده ی خورشید کاذب

#فیزیک #خورشید_کاذب
🙋🏻‍♂@meteorjournal

🔴 سایت های کاریابی بین المللی

https://www.indeed.com/

https://www.glassdoor.com/index.htm

🟠 معرفی موقعیت های پسادکتری

https://www.findapostdoc.com/

🟡 معرفی موقعیت های دکتری و پسا دکتری

https://www.findaphd.com/

🟢 معرفی موقعیت های کارشناسی ارشد

https://www.findamasters.com/

🔵 موتور جستجو برای یافتن بورسیه تحصیلی

https://scholarshipdb.net/

https://academicpositions.com/

🟣 مرجع رسمی شغل‌های پژوهشی در اروپا (فرصت‌های پژوهشی دکترا و پست داک متعددی در این وب سایت موجود است)

https://euraxess.ec.europa.eu/jobs/search

⚪️ وب‌سایتی برای آشنایی با دانشگاه‌ها و فرصت‌های تحصیلی در آنها بر اساس رشته‌ها و عناوین تحقیقاتی گوناگون برای دانشجویان

https://www.topuniversities.com/

👩🏻‍💻@meteorjournal

🌌 تابش زمینه ی کیهانی

تابشی الکترومغناطیسی که سراسر کیهان رو فرا گرفته. این تابش، طیف جسم سیاهی با دمای 2.726 درجه ی کلوین داره.

تاریخچه
این تابش ابتدا در سال 1948 میلادی توسط جورج گاموف پیش بینی، و در سال 1965 توسط آرنو پنزیاس و رابرت ویلسون به طور تصادفی کشف شد (وقتی که درحال تنظیم یک آنتن مخابراتی بودن متوجه شدن که آنتن اونها تابشی رو دریافت میکنه که متعلق به نقطه ی خاصی از آسمان نیست؛ بلکه از همه جای اونه) و اونها بخاطرش موفق به دریافت جایزه ی نوبل شدن.

این تابش در واقع «پس تاب باقی مانده از انفجار بزرگ» هستش. در ابتدای شکل گیری جهان، دما به حدی بالا بوده که هیچ اتمی نمیتونسته شکل بگیره و تمام ذرات در تعادل ترمودینامیکی با فتونها بودن. اما بعد از مدتی در اثر انبساط کیهان و سرد شدنش، اتمهای ابتدایی شروع به شکل گیری کردن و طی این فرایند تابش مذکور به وجود اومد. این تابش طی سالها واکنش چندانی با ماده نداشته و فقط دمای اون رو به کاهشه.
این نقشه، تصویری از تابش های کیهان بعد از واجفت شدگی نور پس از آغاز بیگ بنگ رو به ما نشون میده.

#نجوم #فیزیک #تابش_زمینه_کیهانی #نقشه_کیهان
🧑🏼‍🚀@meteorjournal

⁉️⁉️ چگونه از آلمان پذیرش تحصیلی بگیریم؟

✔️ ویدئو به زبان فارسی است.

منبع کانال یوتیوب abednaseri

#اپلای #پذیرش_تحصیلی #آلمان

🙋🏻‍♀@meteorjournal

💻 یادگیری ماشین ترکیبی (Ensemble Machine Learning):

مدل های یادگیری ماشین ترکیبی یا مدل های جمعی یکی از روشهای یادگیری ماشین است که در آن چندین مدل که یادگیری های ضعیف (weak learner) یا مدل های پایه (base models) نامیده می شوند برای حل یک مسئله آموزش داده می شوند و برای داشتن نتایج بهتر با هم ترکیب می شوند. زمانی که مدل های ضعیف به طور صحیح با یکدیگر ترکیب شوند می توانند مدل های دقیق تر و یا پایدارتری به وجود آورند.

سه روش کلی برای مدل های ترکیبی وجود دارد:
🔹 روش bagging: در این روش از مدل های پایه همگون استفاده می شود، آنها به صورت مستقل از یکدیگر و به صورت موازی آموزش می بینند و با فرایند میانگین گیری قطعی با یکدیگر ترکیب می شوند.
🔹 روش boosting: در این روش نیز از مدلهای پایه همگون استفاده می شود که به صورت دنباله ایی و با یک روش تطبیقی (Adaptive) آموزش می بینند (به طوری که یک مدل پایه وابسته به مدل قبلی خود است) و با یک استراتژی قطعی ترکیب می شوند.
🔹 روش stacking: در این روش از مدل های پایه ناهمگون استفاده می شود که به صورت موازی آموزش می بینند و با آموزش یک متامدل (Meta-Model) بر روش خروجی های پیش بینی شده مدل های پایه، ترکیب می شوند.

برای ایجاد یک روش یادگیری ماشین ترکیبی، ابتدا باید مدل های پایه را انتخاب کنیم. در بسیاری از موارد به خصوص روش های bagging و boosting، از یک الگوریتم یادگیری پایه واحد استفاده می شود، بنابراین تعدادی مدل پایه یکسان داریم که به روش های مختلف آموزش داده می شوند که به آن مدل های ترکیبی همگون می گویند. در روش های دیگر مانند stacking، انواع مختلفی از الگوریتم های یادگیری پایه مورد استفاده قرار می گیرند که به آن مدل های ترکیبی ناهمگون می گویند.

⁉️ ⁉️ بیشتر بخوانید

#یادگیری_ماشین_ترکیبی #یادگیری_جمعی

👩🏻‍💻@meteorjournal

🐒 پاسخ ریچارد داوکینز به یکی از مخالفان فرگشت

🟢 آیا ما نمیتوانیم فرگشت را مشاهده کنیم؟

🟡 مقایسه ی فرگشت با چرخش زمین به دور خورشید

#فرگشت #ریچارد_داوکینز
🙋🏻‍♂@meteorjournal

❇️ Free ML crash course by Google:

https://developers.google.com/machine-learning/crash-course/

🔺از فیلترشکن استفاده کنید.

👩🏻‍💻@meteorjournal

#سوالات_مصاحبه_استخدامی_متخصص_علم_داده
#سوال_شش

⁉️ معماری کلی یادگیری ماشین را شرح دهید.

✔️ مطابق شکل بالا، شامل مراحل زیر است:

1⃣ درک کسب و کار: مورد مطالعه (use case) و حوزه ایی که مورد مطالعه برای آن ساخته شده را بهتر بشناسید.

2⃣ به دست آوردن و درک داده: شامل جمع آوری داده از منابع مختلف، فهم داده و همچنین پاکسازی داده، مدیریت داده های مفقودی و ... می باشد.

3⃣ مدل سازی: شامل مراحل زیر است.

▫️مهندسی ویژگی: مانند استاندارد سازی داده و انتخاب ویژگی. برای مثال می توان از روش حذف عقبگرد، فاکتورهای همبستگی و PCA برای انتخاب ویژگی استفاده کرد.
▫️آموزش مدل: شامل انتخاب الگوریتم و آموزش با ویژگی های انتخاب شده می باشد.
▫️ارزیابی مدل: اگر دقت مدلی بالا نباشد برای بهبود آن می توان تنظیم هایپرپارامترها، تغییر الگوریتم یادگیری ماشین و یا جمع آوری داده بیشتر را امتحان کرد.

4⃣ استقرار: زمانی که مدل دقت خوبی داشت، می توان مدل را مستقر و بر کارایی مدل نظارت کرد. اگر برای داده های جدید کارایی مدل خوب نبود، از ابتدا فرایند جمع آوری داده تا استقرار مدل را دوباره انجام می دهیم.

منبع: ineuron.ai

🙋🏻‍♀@meteorjournal

🔘 توضیح مراحل مختلف اپلای برای رشته های مختلف

منبع: کانال یوتیوب saeedspov

🙋🏻‍♀@meteorjournal

⚡️پلاسما

بجز حالات جامد، مایع، و گاز؛ مواد دارای حالت دیگه ای به نام پلاسما هستن.
پلاسما ذرات گازی ای هستش که شدیدا یونیزه شده و از مقدار تقریبا برابری از ذرات مثبت و منفی تشکیل شده.

دمای پلاسما بر خلاف حالات دیگه ی ماده از روی ارتعاش ذرات محاسبه نمیشه، بلکه از میزان یونش (جدا شدن یون های مثبت و منفی) تعریف میشه.

این حالت ماده در ستاره ها، جوشکاری، سیم پیچ تسلا، قوس الکتریکی، شفق قطبی، یونسفر جو زمین، صاعقه، و خیلی جاهای دیگه مشاهده میشه.

یک نوع پلاسما وجود داره با نام «پلاسمای حالت جامد»
توی مواد نیمه رسانا میتونیم با تزریق بار الکترون ها (بار -) و حفره ها (بار +) رو بوجود بیاریم (البته این بارها به صورت ناخالصی در نیمه رساناها به مقدار کم وجود دارن). از این طریق میتونیم پلاسمای حالت جامد بسازیم.

#فیزیک #پلاسما
🙋🏻‍♂@meteorjournal

📃 Dunning–Kruger effect

#اثر_دانینگ_کروگر
🙋🏻‍♂@meteorjournal

🔬 استدلال دموکریتوس درباره ی ساختار دانه ای جهان (اتم)

برشی از #کتاب #واقعیت_ناپیدا
#فیزیک #دموکریت #اتم
🙋🏻‍♂@meteorjournal

📣📣📣 ۲۵۰ دوره آنلاین رایگان شرکت فنآوری های هواوی چین برای دانشجویان سراسر دنیا ( در زمینه هوش مصنوعی، بیگ دیتا، اینترنت اشیا، امنیت، شبکه و غیره)

🌐 اطلاعات بیشتر و ثبت نام:
https://e.huawei.com/en/talent/#/search?productTags=&productName=&navType=learningNavKey

🙋🏻‍♀@meteorjournal

⚡️واکنش قوس الکتریکی به میدان مغناطیسی

بیشتر بخوانید 👇🏼

🟢 قوس الکتریکی

🟡 سیم پیچ تسلا

🟠 پلاسما

#فیزیک #قوس_الکتریکی #پلاسما #مغناطیس
🙋🏻‍♂@meteorjournal

💻 تفاوت بین ANN، CNN و RNN:

🔸 شبکه عصبی مصنوعی (ANN):
یک پرسپترون یا نرون را می توان مانند یک رگرسیون logistic در نظر گرفت. شبکه عصبی مصنوعی یا ANN از گروهی از چندین پرسپترون یا نورون در هر لایه تشکیل شده است. آنها به عنوان شبکه عصبی پیشخور (Feed-Forward ) نیز نامیده می شوند زیرا ورودی ها فقط در جهت رو به جلو پردازش می شوند. ANN از لایه های ورودی، مخفی و خروجی تشکیل شده است. این شبکه ها می توانند عمیق (deep) یا سطحی (shallow) باشند و برای حل مسائل مربوط به داده های جدولی، داده های عکس و داده های متن به کار گرفته شوند.

🔸 شبکه عصبی پیچشی (CNN):
شبکه عصبی پیچشی از انواع شبکه عصبی و یکی از مدل های پر استفاده امروزی است. CNN در حوزه ها و کاربردهای متفاوتی به کار می روند اما به صورت ویژه در پروژه های پردازش ویدئو، عکس وبینایی ماشین کاربرد دارند. مرکز شبکه عصبی پیچشی، لایه کانولوشن یا پیچشی است و دلیل نامگذاری این نوع شبکه محسوب می شود.

🔸 شبکه عصبی بازگشتی (RNN):
شبکه عصبی بازگشتی، شبکه پیچیده ایی است. هدف آنها پردازش داده های دنباله ایی است. 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. در این شبکه ها خروجی گره های پردازشی، ذخیره می شوند و نتیجه دوباره به مدل بازگرداننده می شوند.

👈بیشتر بخوانید:
https://vrgl.ir/fcjkC

👩🏻‍💻@meteorjournal

🌡 نمودار تغییر دما در اثر تغییر ارتفاع در جو زمین

🔵 تروپوسفر:
75% جرم اتمسفر رو تشکیل میده و تقریبا تمام بخار آب اتمسفر رو شامل میشه. به علاوه بیشتر پدیده های روزمره به این لایه مربوطه.

🟢 استراتوسفر:
لایه ی اوزون در این بخش از جو قرار داره. و سپری در برابر اشعه ی ماوراء بنفش خورشیده.

🟡 مزوسفر:
شهاب سنگ ها در اثر برخورد با ذرات این لایه شروع به سوختن میکنن.

🟠 ترموسفر:
در این بخش دما به دلیل تابش مستقیم خورشید زیاده و اتم ها بدلیل تابش فرابنفش یونیزه میشن.

#اتمسفر
🙋🏻‍♂@meteorjournal