#تجربه
یک بحثی رو توی لینکدین دیدم از تعریف افراد از Senior، وقتی نظرات رو خوندم یک سلسله تعاریف خیلی شخصی بود.


با توجه به تجربه خودم و مصاحبه‌هایی که داشتم (کم نیست 😁) گفتم تعاریفی که متوجه‌اش شدم و معقول بود رو توضیح بدم :



سنیور توی جاهای مختلف تعاریف متفاوتی داره
خیلی از کسایی که توی لینکدین لقب سنیور برای خودشون میزارن نمی‌دونن چقدر توقع کارفرما رو بالا میبره، ( بیشتر بین‌المللی منظورم هست) و اکثراً بخاطر همین توی مصاحبه اول رد میشن (شخصاً این لقب رو نداشتم توی پروفایلم به همین دلیل و البته بار مسئولیت راهنمایی junior ها)

شرکت‌های داخلی تقریبا کاری به کیفیت کد
و ... ندارند ینی توی ایران میشه حتی با میزان سالی که توی یک شرکت کد زدید senior یا بالاتر از اون specialist بشید.

توی برخی شرکت‌ها، میزان توجه شما به task ایی که بهتون داده شده هست، ینی علاوه بر اینکه شما همواره زمانبندی و ... خوبی دارید
کدهای تمیزی میزنید، code review باقی افراد گروه رو انجام میدید، داکیومنت‌های آموزشی شرکت رو آپدیت ٫ ایجاد می‌کنید و البته optimization رو هم آشنا هستید، توی ML و ... شناخت بیزینس هم بهش اضافه میشه

اما بیشترین تعریف که به همه حوزه‌های کامپیوتر میخوره (شبکه، لینوکس، برنامه نویس و ... )
اینه که شما کارهای خودتون رو به خوبی و بدون نیاز به کسی انجام می‌دید (ینی اگر تسک سختی هم بهتون داده بشه خودتون راه خودتون رو پیدا می‌کنید و انجامش میدید) و علاوه بر اون نیروهای junior هم تیمی رو هم مدیریت می‌کنید که بهینه و درست کار کنند، تا توی کمترین زمان بهترین خروجی رو بدند
مرجع (گوگل، استک اورفلو) نیرو‌های جونیور شرکت می‌شید خلاصه هم توی منطق هم توی نحوه کد زدن.

این ۳ مورد ۹۹٪ مواردی بوده که شخصاً دیدم.


برای همین خیلی خیلی مهمه که حتی اگر کار فعلی رو توش خبره هستید بازم کدهای دیگران (گیت) بخونید و از لحاظ آموزش آپدیت باشید.

اگر به شاخه RL علاقمند هستید این سری ویدئوهای جدید کانال یوتیوب تنسورفلو رو از دست ندید :


https://www.youtube.com/c/TensorFlow/videos

اگر راجب SEER از meta خوندید قبل از اینکه بخواید بحث کنید راجبش یا به سراغش برید


به تعداد پارامترهای مدل هم دقت کنید.

هرکه قدرت پردازشش بیش، دستاوردش بیشتر.

SEER 10B: Better, fairer computer vision through self-supervised learning on diverse datasets

توجه :

حواستون به ورژن 5.18 کرنل لینوکس باشه، استثنا اگر روی سیستم اطلاعات مهم دارید این نسخه رو خیلی سریع آپدیت نگیرید.

توی این نسخه از کرنل بجای قرار C89 به C11 آپگرید بشه (بعد از ۳۰ سال)
دلایلش رو خود لینوس توضیح داده که می‌تونید بخونید (loop of vulnerability ایی شده واسه خودش 😅)

برای اطلاعات بیشتر :

Kernel C-upgrade explained

این کورس هم خوبه برای دوستانی که می‌خوان ML رو شروع کنند :
۹ ساعت ویدئو آموزشی
Youtube Link

توقع - واقعیت
وقتی مدل هوش مصنوعی رو تست نشده
میبری روی پروداکشن

#silicon_valley

TorchStudio

یک IDE تقریباً جدید هست، که شعارش اینه :
فقط وقت لازم هست، کد بزن
مدل هوش مصنوعی و ... رو روی اکوسیستم پایتورچ با چندتا کلیک می‌سازه و خب توجه‌هارو داره به خودش جلب می‌کنه.


شخصاً هنوز تست نکردم
(برتری شما، نحوه حل مسئله و نوع تفکر هست قطعاً)

add it to : /home/<username>/

#Tmux_config

این کتاب رایگان از دانشگاه برکلی شامل همه چیزی هست که قبل از شروع برنامه نویسی ML بهش نیاز دارید (Python - Math)

۱۰۰٪ مفید هست 😉😉😉

Python Programming And Numerical Methods: A Guide For Engineers And Scientists

چقدر خوب توضیح داده،
اجرای پایتورچ روی
RaspberryPi

و تفاوت سرعت مدل، وقتی Quantize, Jit استفاده می‌شه

اولین بار (۴ سال شایدم ۵ سال پیش) که می‌خواستیم اینکار رو برای یک پروژه‌ای انجام بدیم واقعاً پیر شدیم

اونوقتا هیچکدوم از فریمورک‌های مطرح
Raspberry Pi
رو پشتیبانی نمی‌کرد، ی کامیونیتی گوگل - گیت‌هاب راه افتاده بود که
Tensorflow
رو از source build میکرد برای همین مدل دیوایس‌ها (همیشه ۲ تا ورژن عقب بود و ما برای مدل اول این رو نمی‌دونستیم، تنها راهکار retrain بود)

چقدر همه چیز راحت شده (شکر)


RealTime Inference on RaspberryPi with Pytorch

جوری که شرکت‌های ایرانی نیروی تخصصی می‌خوان

#مهمونی

بعد از تعطیلاتی که گذشت؛ با مدیریت صحبت کردم که به زودی از کار استعفا میدم علاوه بر مخالفت
امروز این کتاب رو برام ارسال کرد
و ازم خواست قبل از قطع همکاری بخونم این کتاب رو

شروع کتاب ؛ خیلی برام جالب بود (چیزهایی که روتین شده واقعا)


منبع :

How to build an amazing IT team

قبلتر درمورد Rapids بسیار صحبت شد و ابزارهایی که سراغش رفتند و بر پایه‌ی این مورد توسعه داده شدند رو هم ذکر کردم

حالا که Spark نسخه جدید هم داره ازین ابزار استفاده می‌کنه (spark gpu processing) بهتره دوباره یک سری بهش بزنیم

توی تیم من هم همه‌ی بچه‌های Data scientist , ML research با این ابزار آشنایی دارند

ولی وقتی دیتا زیاد هست و سرعت محاسبات برامون مهمه و حافظه Gpu کم هست چالش جدی داریم که خب


Cuda Unified Memory

مشکل مارو حل می‌کنه (آخرین باری که چک کردم با بچه‌های تیم Data engineering این مورد هنوز روی spark نبود)

خیلی بدرد بخور هست این روش پیشنهاد میدم حتماً چک کنید (مثال روی cuGraph هست)

Medium Blog Post

شاید برای خیلی‌ها دستمزد دلاری - اسم شرکت و ... خیلی مهمتر از هرچیزی باشه

برای من شعور و رفتار حرفه‌ای از هرچیزی بیشتر اهمیت داره (مخصوصاً وقتی موضوع بحث مدیریت تیم باشه)

توصیه می‌کنم به همه‌ی نیروهای تازه کار این مورد رو بیشتر از دستمزد دنبالش باشید (قطعاً رستگار می‌شید)

با این همه اگر کسی نیاز شدید داره (اسم شرکت توی عکس موجود هست پیام بدید به یکی از نیروهاش)

تفاوت کد junior - senior برای استخدام (مصاحبه ۱ ساعت پیش) :
نتایج واضح هست که چه کسی بعنوان senior استخدام می‌شه دیگه (مصاحبه مختصر و مفید)

نکته مهمی که خواسم اشاره کنم اینه که توی مسابقات و مصاحبه استخدام حتما سعی کنید از Generator ها استفاده کنید

تفاوت سرعت اجرا :

running fib function took 7.486343383789062e-05ms
——————————————————
running fib2 function took 7.152557373046875e-07ms

اینم یک منبع خوب برای تمرین همچین سوالاتی :
LeetCode
خوبی این سایت نسبت به مدل‌های دیگه اینه که با خرید اکانت premium حتی می‌تونید ببینید شرکت‌های مختلف مثل آمازون - گوگل و ... چه سوالاتی رو بیشتر پرسیدند توی مصاحبه و اینکه برای این مصاحبه‌ها بهتر آماده بشید
البته نسخه رایگان هم بسیار عالی هست برای تمرین

برای مقایسه :
اکثر جلسات مصاحبه (البته بحث‌ این ۲ تا پست راجب software engineering هست و برای ML / DL / Data Science همچین سوالاتی مطرح نمی‌شه) بین ۱ تا ۱.۵ ساعت وقت داره که با توجه به توضیحات مسئله - صحبت کلی - پرسیدن نحوه حل مسئله از شما باید بتونید سوالات سخت سایت رو زیر زمان 45 دقیقه حل کنید.

پس فقط حل مسئله نیست که اهمیت داره :
۱- نحوه حل مسئله ۲ - فکر کردن به موارد استثنا (مخصوصا صحبت راجبش قبل از شروع کد زدن) ۳- زمان حل مسئله بسیار مهم هستند.

بخش کامنت این پست خودش چندتا پست شد
مرسی از دوستان (❤️) کد‌ها بحث جالبی شد.

شاید ازین به بعد یک سری چالش و نحوه حل هم به اشتراک بذارم (همین قدر کوچیک و نکته دار فقط) 🤔

ی وقتایی هم هست که فراموش کردن نکات ساده چندساعت درگیری ایجاد می‌کنه و کد رو کثیف می‌کنه


مثل اینکه :
توی پایتون برای for هم else وجود داره؛ اگر break داخل for اجرا شد میره سراغ else (جزو اولین نکته‌هایی که روی loop توی پایتون آموزش می‌بینیم، while هم این رو داره)

و من ۲ ساعت وقت گذشتم یک کد جدید نوشتم که همین حالات رو برای من detect کنه 🤦🤦

این توضیح ی ایراد بزرگ داشت، فقط ۱ نفر درستش رو گفت :

حلقه فقط وقتی break نشه، else رو اجرا می‌کنه (توضیح اول من برعکس بود، ادیت نکردم و می‌خوام به اشتباه بمونه)

چیزی حه میخواستم این بود که اگر break نشد نتیجه رو نگهدار وگرنه محاسبات اشتباه بوده و نتیجه رو ذخیره نکن.

منطقش هم اینه که :
Else
وقتی اجرا میشه که شرط اشتباه بشه چه توی while و چه for وقتی break می‌خوره، ینی آخرین باری که شرط رو چک کردیم درست بوده و دیگه از بررسی else خارج شده (اگر شرط غلط بود else اجرا می‌شد)

مرسی از Ali Satvaty که اشاره دقیقی به این موضوع داشت
و Mohammad Reza که پیش تر ی اصلاح ریزی زد رو اشتباه من