#خارج_از_بحث
حرفی برای گفتن نمی‌مونه اما ی همچین افرادی نباید توی محیط‌های برنامه‌نویسی شغل پیدا کنند.
دیتایی ازین آدم موجود نیست انگار برای همین من از تصویری که طرف آمریکایی به اشتراک گذاشته استفاده می‌کنم تا تیم‌های ایرانی هم حواسشون رو جمع کنند.

ممنون از دوستانی که ریپورت کردند

Link

راه های ارتباطی با دکتر حبیب زاده :

instagram: nimahm1980
nimahm@gmail.com

کتاب رایگان معرفی شده در صحبت‌ها :

Approaching (Almost) Any Machine Learning Problem
Book by Abhishek Thakur
FREE by author Permission

https://github.com/abhishekkrthakur/approachingalmost

لینک مربوط به کارگاهی که در لایو صحبت شد :

ثبت‌نام در این کارگاه رایگان هست

https://www.acmt.ac.ir/services/data-science-in-practice-webinar/

NfNet by DeepMind

Paper on Arxiv

محدودیت 512. توکن در bert به کمک خروجی جدید google research به 2048 رسیده توی این مقاله

SMITH

توی دوران قطع شدن اینترنت، همه مجبور و محکوم به استفاده از
Search engine
های داخلی بودیم، که مطمئناً مزخرف بود
اما چقدر خوب بود اگر کار رو به نیروی تخصصی سپرده می‌شد، یافتن جملات مشابه (البته فقط بین دیتای اخبار)
به کمک تنسورفلو، هوش مصنوعی

البته اینکه می‌گم فقط دیتای اخبار، منظورم کم بودن دیتا نیست (جستجوی ۵ خبر نزدیک در بین ۵.۰۰۰.۰۰۰ خبر، زمان جستجو تا 2.32ms پایین اومده)

(روی سیستم شخصی، اجرا شده)
پروژه‌ای برای مشتری درخواست کننده، زمانبندی و سخت‌افزار بسیار اهمیت داشت در این پروژه

پ.ن :

این پروژه برای موسیقی - سیگنال - تصویر و ... نیز قابل پیاده سازی هست.
همچین پروژه برای Search Engine پیاده‌سازی نشده.

#خارج_از_بحث

تک سوال :
CPU, GPU, HDD & SSD, NIC , RAM, COOLING SYSTEM , ...

اینهارو هم تولید می‌کنند یا قاب فلزی سرور رو رنگ می‌کنن فقط !؟

#خریته_فرا_زمینی :/

Hooshvare
مدل pretrain از GPT-2 رو در hugginface منتشر کرد.

شاید نتونید ازش بهره ببرید(تعداد پارامتر و ...) اما برای تولید دیتاست بسیار می‌تونه کمک کننده باشه

Hugging Face (GPT-2 Persian)

از دیپ‌لرنینگ برای کشتن پشه‌ها با لیزر استفاده شده

شاید بنظرتون جذاب نباشه، اما چندتا نکته راجبش بگم :
۱- تعداد prediction مورد نیاز
۲- پروژه روی Raspberry pi اجرا شده
۳- سرعت predict
۴- دقت predict
۵- زمان پاسخگویی مدل هوش مصنوعی + زمان پردازش و لیزر و ...


این پروژه شاید ساده و غیر جذاب بنظر بیاد، اما خیلی خیلی چیزهایی زیادی می‌شه ازش یاد گرفت.

از کنار این پروژه‌ها ساده رد نشید ...

قطعاً، شخصاً مشتری اینترنت ماهواره‌ای
SpaceX
خواهم بود.

هیچ چیز این مقاله و دستاورد نیاز به توضیح نداره

خودتون ببینید :

#پیشنهاد_ویژه

https://nvlabs.github.io/face-vid2vid/

#خارج_از_بحث

این ابزار احتمال بسیار زیاد بدرد شما هم میخوره،
قدیما ی پروژه
Free & OpenSource
بود به اسم
Synergy
کاری که این ابزار می‌کرد این بود که اجازه میداد یدونه
Mouse & Keyboard
رو بین چندتا سیستم به اشتراک بذارید، البته پروژه هنوز هست ولی پولی شده، KVM های سخت‌افزاری هم ی سری مشکلات دارند که گیمرها و اونایی که می‌خوان دو یا چند سیستم رو با python کنترل کنند می‌دونند.

ی ابزاری هست که از همین پروژه
Synergy

اومده به اسم barrier تمام خوبی‌های پروژه قبل رو داره و کاملاً هم free , OpenSource هست مهمتر اینکه lag هم نداره بر خلاف خیلی ابزارهای دیگه

توی کارهای دیپ‌لرنینگ (چندتا سیستم) و crawl و .... خیلی بدرد می‌خوره.

نصب ubuntu :
sudo snap install barrier

پشتیبانی ویندوز و مک و دیگر نسخه‌های لینوکس هم موجوده

وضعیت ۹۹٪ شرکت‌های ایرانی

ماژول‌های زیادی برای ساخت exe از اسکریپت‌های پایتون وجود داره
قطعا یکی از بهترین‌هاش که شخصا تازه باهاش کار کردم پروژه cx_Freeze هست :

https://github.com/marcelotduarte/cx_Freeze

شاید نظرم اشتباه باشه ولی، لازمه که بگم :

پروسه مصاحبه فنی بعضی از شرکت‌ها خیلی جالبه، شخصاً چند مورد (کم) دیدم ولی دوستان تأیید کردند همه جا هست، اگر ازین مصاحبه‌ها رد شدید اصلا نگران نباشید قطعاً شما درست ارزیابی نشدید :

درخواست برای مثلاً، Machine Learning Enginner سوالات مصاحبه :
۱-
۵ سوال اول حاشیه‌ای، من این سوالات رو هیچ وقت جدی نگرفتم و نمی‌گیرم (سوالات مربوط به پایتون و یا مثلاً نحوه آماده سازی و publish پکیج روی pypi)

نظر بنده : این سری سوال مخصوصاً وقتی روی یک کار خاص هست به هیچ وجه نمی‌تونه شمارو ارزیابی کنه (مگر اینکه به شما یک زمان معقول داده بشه و درک شما و نحوه برخورد شما با مسائل جدید رو بخوان بسنجند که بسیار کار درست و خوبیه)
۲-
دومین مورد اینه که از شما راجب الگوریتم و ساختمان داده نحوه عملکرد الگوریتم خاص یا پیاده‌سازی اون.

نظر بنده: اگر قرار باشه شرکت شمارو بعنوان
Software developer, software engineer
یا ... استخدام کنه الزام هست که این الگوریتم هارو بدونید (منظور از دانستن اینه که بدون گوگل کردن نحوه کار الگوریتم بتونید اون رو پیاده‌سازی کنید ینی تک تک جزئیات رو بدونید.)

۳-
سوال خیلی بهتر و حرفه‌ای تر که شخصاً فقط توی ۱ مصاحبه داخلی دیدم، تعریف یک مسئله خاص هست و اینکه از چه راه حلی برای حل اون استفاده می‌کنی ؟

(معمولاً ساختمان داده و الگوریتم لازمه و نظرم روی قبلی هست ولی خب بهتره)

۴-
دیپ‌لرنینگ چیست؟، ماشین لرنینگ چیست؟ یا ...
نظر من :
جالبی این مدل سوال اینه که ی چیزی توی سایت خوندن و حفظ کردن و هیچ درکی از مفهوم ندارند واسه همین اگر یک مدل دیگه تعریف کنید، هیچی نمی‌فهمند

۵-
شخص فنی مصاحبه کننده هیچ تخصصی در زمینه کاری شما نداره و فقط یکبار به اجبار پروژه چند خط کد از گیت‌هاب برداشته و اجرا کرده و شانسی جواب خوبی گرفته.

نظر بنده:
این رایج ترین حالت توی ایران هست، همیشه خودتون رو برای مواجه با این افراد آماده کنید، ۸۰٪ موارد شخص روبرتون توی یکی ازین دسته‌هاس (ادمین دیتابیس، وب دولوپر (بکند یا فرانت)، مدیر شبکه، ادمین سرور (ویندوز) ) توی ۱۹٪ موارد هم شانس بیارید ادمین سرور لینوکس یا سیستم دولوپر هست و ی مقدار سوالات بهتر می‌پرسه.
۱٪ تخصص شمارو داره و می‌دونه چی ازتون می‌خواد، ساده‌ترین حالت مصاحبه همینه (چندتا سوال از نحوه پیاده سازی چیزی که می‌خواد می‌پرسه و اونجا باید خودتونو نشون بدید)
---------------

چندتا پیشنهاد برای دوستان مصاحبه گر (هوش مصنوعی یا دیتا ساینس):

۱- سعی کنید سوال جوری باشه که نحوه حل مسئله طرف رو بسنجید، کلی بپرسید و ببینید چه راهکار یا راهکارهایی برای حل اون مسئله ارائه میده ( اینکه بتونه کانولوشن رو از حفظ فرمولش رو بنویسه یا ... یا اینکه اسمهای بزرگ. gpt و ... رو بلد باشه و از حفظ توضیح بده بدرد شما نمی‌خوره ) شخصی مفید هست که بتونه با دیدن مسئله راهکار درست رو ارائه بده این راهکار باید کم هزینه‌ هم باشه و زمان کمی بگیره

۲- اگر سوال رو از یک پروژه حل شده دارید می‌پرسید منصف باشید، توقع نداشته باشید راجب پروژه یا موضوعی که شما و تیم شما ۶ ماه یا بیشتر درگیرش بودید همون اول بهترین جواب رو بگیرید و مصاحبه شونده تمام چالش‌ها رو‌هم در ذهنش داشته باشه و همون ابتدا پاسخ بده، حتی آماده شنیدن و بررسی روش دیگر هم باشید.

۳- اگر توی کاری که‌ می‌کنید research هم مهم هست، یک مقاله مرتبط ارسال کنید و یک زمانبندی بدید از شخص بخواید درکش از مقاله رو براتون توضیح بده.

۴- اجازه سرچ کردن به شخص موقع مصاحبه رو بدید و این موضوع رو همون اول بهش بگید، مصاحبه‌های ۱۰-۱۵ سال پیش بود که به توقع داشتیم شخص متقاضی همه‌ی موضوع رو حفظ باشه و ذهنی بگه، الان خود درست سرچ کردن و پیدا کردن راه‌حل یا درک راه‌حلی که توی اینترنت موجود هست از هرچیزی واجب‌تر و مهمتره
همه‌ی ما stack overflow رو روزی چندبار دنبال می‌کنیم، این چیزی نیست که بابتش ناراحت باشیم بلکه بخشی از
کار هست و خوب تخصصیه اگر کسی در کمترین زمان راه‌حل چالشش رو پیدا کنه

۵- دنیا بسیار تغییر کرده و با سرعت بسیار بسیار بالایی هم علم درحال تغییر هست، اگر به چیزایی که حفظ هستند و تعاریف قشنگ و کتابی افراد تکیه کنید، قطعاً فقط چندماه بدردتون خواهد خورد. چیزهایی رو بپرسید که واقعاً توی کار شما بدرد شما می‌خوره

۶- برای بیزینس MLOPS بسیار اهمیت بیشتری داره تا مدلی با بالاترین دقت، راجب سرعت و نحوه deploy مدل‌ها سوال کنید حتماً
صرف اینکه طرف می‌تونه مدلی رو تولید کنه بدرد شما نمی‌خوره، بیزینس نیازی به تولید مدل نداره
اهمیت روی دیتا و دیپلوی هست

۷- نحوه پردازش و درک افراد از دیتا رو سوال کنید، درک اشتباه ینی راه‌حل اشتباه که ینی خسارت.