This media is not supported in your browser
VIEW IN TELEGRAM
امروز copilot ابزار کامل کردن کد openai را امتحان کردم. میزان کمکی که این ابزار می کند تقریبا باور نکردنی ست. در مثال بالا به دنبال کد کوتاهترین مسیر در گراف بودم و برای این منظور کافی است یک کامنت بنویسید و تقریبا تمام بقیه کار به صورت اتوماتیک (با فشردن دکمه تب) کامل می شود. یعنی حتی نیازی نیست که در اینترنت به دنبال کد آماده باشید. از طرفی copilot تمام کد شما رو میخواند و بنابراین نام متغیرهایی که انتخاب می کند هوشمندانه و بدون تقریبا هیچ اشتباهی و هماهنگ با بقیه کدهاست.
با این تفسیر ما وارد عصر جدیدی از برنامه نویسی می شویم که برنامه نویسی معنای متفاوتی دارد. برنامه نویس ماهر دیگر کسی نیست که الگوریتم روتین های مختلف رو حفظ می کند بلکه کسی است که می تواند قدری انتزاعی تر فکر کرده و مانند یک معمار ماهر قطعه های پیش ساخته در کارخانه را کنار هم بچیند
کوپایلت برای محصولات jet brains
با این تفسیر ما وارد عصر جدیدی از برنامه نویسی می شویم که برنامه نویسی معنای متفاوتی دارد. برنامه نویس ماهر دیگر کسی نیست که الگوریتم روتین های مختلف رو حفظ می کند بلکه کسی است که می تواند قدری انتزاعی تر فکر کرده و مانند یک معمار ماهر قطعه های پیش ساخته در کارخانه را کنار هم بچیند
کوپایلت برای محصولات jet brains
This media is not supported in your browser
VIEW IN TELEGRAM
One thing I learned in life in helping from family members and close relatives to friends and even strangers is that:
Don’t help until you asked for help
Or at least don’t insist on helping otherwise your help seems worthless and you lose respect
You can never bring somebody up if they don’t want to go up
Don’t help until you asked for help
Or at least don’t insist on helping otherwise your help seems worthless and you lose respect
You can never bring somebody up if they don’t want to go up
چند نکته بسیار مهم در مورد یادگیری ماشین
در این نوشته یکی از کارهای بسیار مهم و ارزشمند پترو دومینگوس پروفسور دانشگاه واشنگتن برای شما خلاصه و ترجمه کرده ایم. این نوشته در مورد نکات بسیارمهمی از یادگیری ماشین است که حتی متخصصان هم در فهم آن مشکل دارند.
الگوریتم های یادگیری ماشین برای عمومی سازی بر اساس تعداد محدودی نمونه توسعه یافته اند. هر روز بر تعداد کاربردهای دنیای واقعی یادگیری ماشین افزوده می شود. اما در عمل پروژه های یادگیری ماشین پیچیده تر و پیاده سازی دشوار تری دارند. بعد از مدتی متوجه می شوید پیاده کردن یک پروژه یادگیری ماشین پر است از چیز هایی که به سختی در کتاب ها پیدا می شود و اصطلاحا فوت کوزه گری یادگیری ماشین هستند که در کار یاد میگیرید. این مقاله بر آن است که بسیاری از این فوت های کوزه گری قابل انتقال هستند. در اینجا لیستی از آن ها آورده شده است.
https://vrgl.ir/ovAUb
در این نوشته یکی از کارهای بسیار مهم و ارزشمند پترو دومینگوس پروفسور دانشگاه واشنگتن برای شما خلاصه و ترجمه کرده ایم. این نوشته در مورد نکات بسیارمهمی از یادگیری ماشین است که حتی متخصصان هم در فهم آن مشکل دارند.
الگوریتم های یادگیری ماشین برای عمومی سازی بر اساس تعداد محدودی نمونه توسعه یافته اند. هر روز بر تعداد کاربردهای دنیای واقعی یادگیری ماشین افزوده می شود. اما در عمل پروژه های یادگیری ماشین پیچیده تر و پیاده سازی دشوار تری دارند. بعد از مدتی متوجه می شوید پیاده کردن یک پروژه یادگیری ماشین پر است از چیز هایی که به سختی در کتاب ها پیدا می شود و اصطلاحا فوت کوزه گری یادگیری ماشین هستند که در کار یاد میگیرید. این مقاله بر آن است که بسیاری از این فوت های کوزه گری قابل انتقال هستند. در اینجا لیستی از آن ها آورده شده است.
https://vrgl.ir/ovAUb
ویرگول
چند نکته بسیار مهم در مورد یادگیری ماشین
در این نوشته یکی از کارهای بسیار مهم و ارزشمند پترو دومینگوس پروفسور دانشگاه واشنگتن برای شما خلاصه و ترجمه کرده ایم این نوشته در مورد نکا…
Media is too big
VIEW IN TELEGRAM
ریاضیات زبانی است که جهان با آن نوشته شده است (گالیله)
موج های ابری پدیده ای از هواکره (اتمسفر) است که در آن ابرها مانند موج های آب حرکت میکنند. چنین موج های سینوسی ایستاده ای (standing sine waves) از معادلات دیفرانسیل مشخصی پیروی می کنند که دینامیک آن ها را توضیح میدهد.
موج های ابری پدیده ای از هواکره (اتمسفر) است که در آن ابرها مانند موج های آب حرکت میکنند. چنین موج های سینوسی ایستاده ای (standing sine waves) از معادلات دیفرانسیل مشخصی پیروی می کنند که دینامیک آن ها را توضیح میدهد.
🔵رمزگشایی تاریخ با یادگیری عمیق🔵
در باستان شناسی کشف رموز سنگ نبشته ها یکی از جالبترین موضوعات است که دریچه ای به دانش، فرهنگ و جهان بینی پیشینیان را بر ما آشکار میکند. متاسفانه بسیاری از این نوشته ها در طول زمان از بین رفته و امروز بخش های پراکنده ای از آن در اختیار ما قرار دارد. باستان شناسان در طول قرنها تلاش برای رمزگشایی این کتیبه ها تنها قادر به هویدا کردن بخش کوچکی از آن بوده اند و رمزگشایی دقیق و کامل هنوز هم یک چالش بزرگ محسوب می شود.
شرکت پژوهشی deepmind در یک پروژه ی جدید توانسته سیستم یادگیری عمیقی را آموزش دهد که بر روی متن های زبان یونانی آموزش دیده و می تواند با دقت بالاتری رمزگشایی کند. آنها توانستند خطای سیستم را به ۳۰ درصد برسانند در حالی که خطای بهترین متخصصان باستان شناسی ۵۷ درصد است.
کدهای این سیستم به صورت متن باز منتشر شده است که امکان استفاده آن برای سنگ نبشته های دیگر تمدن ها مانند ایران و چین و غیره (در صورت دسترسی به داده های دیجیتال عکس های خطی) امکان پذیر می شود.
در باستان شناسی کشف رموز سنگ نبشته ها یکی از جالبترین موضوعات است که دریچه ای به دانش، فرهنگ و جهان بینی پیشینیان را بر ما آشکار میکند. متاسفانه بسیاری از این نوشته ها در طول زمان از بین رفته و امروز بخش های پراکنده ای از آن در اختیار ما قرار دارد. باستان شناسان در طول قرنها تلاش برای رمزگشایی این کتیبه ها تنها قادر به هویدا کردن بخش کوچکی از آن بوده اند و رمزگشایی دقیق و کامل هنوز هم یک چالش بزرگ محسوب می شود.
شرکت پژوهشی deepmind در یک پروژه ی جدید توانسته سیستم یادگیری عمیقی را آموزش دهد که بر روی متن های زبان یونانی آموزش دیده و می تواند با دقت بالاتری رمزگشایی کند. آنها توانستند خطای سیستم را به ۳۰ درصد برسانند در حالی که خطای بهترین متخصصان باستان شناسی ۵۷ درصد است.
کدهای این سیستم به صورت متن باز منتشر شده است که امکان استفاده آن برای سنگ نبشته های دیگر تمدن ها مانند ایران و چین و غیره (در صورت دسترسی به داده های دیجیتال عکس های خطی) امکان پذیر می شود.
Media is too big
VIEW IN TELEGRAM
مدل تصویر-زبانی DALLE-2 منتشر شد
این مدل علاوه بر افزایش کیفیت بسیار زیاد نسبت به نسخه ی اول قادر به کارهای جدیدی مانند اضافه یه حذف بخش هایی از تصویر با یک نوشته است. مثلا اگر عکس یک سگ در تصویر است می توانید بنویسید «به گربه تغییرش بده» و دقیقا تصویر با حفظ همه ی جزییات نور و رنگ و زمینه تغییر میکند
https://openai.com/dall-e-2/
این مدل علاوه بر افزایش کیفیت بسیار زیاد نسبت به نسخه ی اول قادر به کارهای جدیدی مانند اضافه یه حذف بخش هایی از تصویر با یک نوشته است. مثلا اگر عکس یک سگ در تصویر است می توانید بنویسید «به گربه تغییرش بده» و دقیقا تصویر با حفظ همه ی جزییات نور و رنگ و زمینه تغییر میکند
https://openai.com/dall-e-2/
Forwarded from زانکو (Javad Amirian)
This media is not supported in your browser
VIEW IN TELEGRAM
چرا بهتره تقلب نکنیم؟
توی این ویدیو، استاد دانشگاه کالیفرنیا، چه زیبا این موضوع رو توضیح میده.
ببینید و به اشتراک بگذارید.
زانکو
@zankoo_ai
توی این ویدیو، استاد دانشگاه کالیفرنیا، چه زیبا این موضوع رو توضیح میده.
ببینید و به اشتراک بگذارید.
زانکو
@zankoo_ai
مقایسه فراتر از مقدار ظاهری
در بسیاری از مواقع برای مقایسه (کوچکتر بزرگی تساوی) متغیر هایی که در زبان های برنامه با آن ها سر و کار داریم مقدار عددی آن ها نیاز داریم. به این ترتیب مشکلی که پیش می آید این است که اگر متغیرهایی داریم که دارای چند بخش هستند مثلا یک اسم و یک نمره و وقتی میخواهیم اسم شخصی که کمترین نمره را داشته پیدا کنیم چاره ای نیست جز اینکه اندیس آن را حفظ کنیم.
برای اینکه نیاز به چنین کار بسیار پر اشتباهی در برنامه نویسی نشویم راه بهتر استفاده از اپراتور های مقایسه در پایتون است. فرض کنید من کلاسی تعریف میکنم که هم اسم و هم نمره شخص را نگه می دارد.
در بسیاری از مواقع برای مقایسه (کوچکتر بزرگی تساوی) متغیر هایی که در زبان های برنامه با آن ها سر و کار داریم مقدار عددی آن ها نیاز داریم. به این ترتیب مشکلی که پیش می آید این است که اگر متغیرهایی داریم که دارای چند بخش هستند مثلا یک اسم و یک نمره و وقتی میخواهیم اسم شخصی که کمترین نمره را داشته پیدا کنیم چاره ای نیست جز اینکه اندیس آن را حفظ کنیم.
برای اینکه نیاز به چنین کار بسیار پر اشتباهی در برنامه نویسی نشویم راه بهتر استفاده از اپراتور های مقایسه در پایتون است. فرض کنید من کلاسی تعریف میکنم که هم اسم و هم نمره شخص را نگه می دارد.
اما اگر من نمونه ای از این کلاس بگیرم و شروع کنم دو شخص را با هم مقایسه کنم با خطای زیر مواجه می شوم
چون عملا چنین کاری اشتباه است. هر دو چیزی را نمی توان به صورت عددی با هم مقایسه کرد. یا شاید می شود؟؟ اتفاقی که در کد زیر می افتد بازتعریف (overload) سه تابع کوچکتری (lt) بزرگتری (gt) و تساوی (eq) است. در هر مورد ما مقداری که خود کلاس نگه می دارد یعنی x را با مقداری که قرار است مقایسه بشود (other) مقایسه می کنیم. در همه ی موارد ما باید یک مقدار بولین False/True برگردانیم
یک مثال جالب تر تعریف کلاس اعداد مختلط است. میدانیم که نمیتوان اعداد مختلط را به صورت مستقیم با هم مقایسه کرد اما می توان مقدار نرم آن ها را با هم مقایسه کرد. برای اینکه مطمئن باشیم که میتوان خروجی خوبی گرفت تابع str را هم overload می کنیم تا خروجی زیبا تری داشته باشیم
مهم نیست کجا هستیم و در چه رده ی علمی ای قرار گرفتیم، نباید فراموش کنیم تعلق به جامعه ی ایرانی مهم و به رشد بیشتر همه ی ما کمک میکند. این بزرگترین سلاح ما در برابر شرایط سیاسی ناعادلانه (چه داخل و چه خارج از ایران)، پیش فرض های غلط، موانع رشد و شکنندگی ما هنگامی که تنهاییم است.
یاد بگیریم و به دیگران هم یاد بدهیم!
یاد بگیریم و به دیگران هم یاد بدهیم!
This media is not supported in your browser
VIEW IN TELEGRAM
در این ویدیو به اسم thinking machine که در اوایل ۱۹۶۰ در آزمایشگاه های بل ضبط شده است متوجه بسیاری از بحث های امروزه در مورد هوش مصنوعی می شوید: نگرانی خبرنگار از رشد هوش مصنوعی! متقاعد شدن متخصصین ازینکه ماشین ها واقعا فکر میکنند و در نهایت ادعای شگفت انگیز کلاود شنون نابغه ی ریاضیات و علوم کامپیوتر که پیش بینی می کند در طی ۱۰ یا ۱۵ سال آینده ربات هایی خواهیم داشت که در حد داستان های علمی تخیلی باشند!
بخش جالب تر ماجرا این است که مساله ترجمه (translation) را تقریبا حل شده می دانند در صورتی که چنین ادعایی حتی امروزه با بهترین سیستم های یادگیری عمیق قدری دشوار است!
از نظر من درسی که می توان گرفت این است که باید نسبت به ادعاهای عجیبی که امروز می شود (مثل ادعای کارمند اخراج شده ی گوگل مبنی بر اینکه هوش مصنوعی گوگل ذی شعور (sentient) است) با دید شک بیشتری نگاه شود!
نمیتوان منکر پیشرفت ها شد اما قبل از هیجان زده شدن نیاز داریم به عنوان متخصصین کامپیوتر رشته های مجاور مانند روانشناسی، علوم شناختی فلسفه و عصب شناسی را بیشتر مطالعه کنیم و قدری نسبت به کاری که می کنیم فروتنی بیشتری داشته باشیم!
بخش جالب تر ماجرا این است که مساله ترجمه (translation) را تقریبا حل شده می دانند در صورتی که چنین ادعایی حتی امروزه با بهترین سیستم های یادگیری عمیق قدری دشوار است!
از نظر من درسی که می توان گرفت این است که باید نسبت به ادعاهای عجیبی که امروز می شود (مثل ادعای کارمند اخراج شده ی گوگل مبنی بر اینکه هوش مصنوعی گوگل ذی شعور (sentient) است) با دید شک بیشتری نگاه شود!
نمیتوان منکر پیشرفت ها شد اما قبل از هیجان زده شدن نیاز داریم به عنوان متخصصین کامپیوتر رشته های مجاور مانند روانشناسی، علوم شناختی فلسفه و عصب شناسی را بیشتر مطالعه کنیم و قدری نسبت به کاری که می کنیم فروتنی بیشتری داشته باشیم!
🔵هوش مصنوعی یک کاوش انتقادی🔵
چندی پیش مقاله ی عجیبی دیدم در مورد اینکه می توان با داشتن اسم شخصی به صورت حدودی چهره ی او را تشخیص داد. به طور مثال با دادن یک عکس و چند اسم به عنوان گزینه هم تشخیص افراد و هم ماشین از تصادف محض بهتر است. اما چگونه چنین چیزی ممکن است؟ آیا رابطه ای علی بین اسم افراد و چهره شان وجود دارد؟ شاید این افراطی ترین مثال از دورانی باشد که در آن زندگی می کنیم: دوران آمار!
امروزه شرکت های بزرگ با استفاده از داده های عظیمی که در اختیار دارند رفتارهای کاربران را در سطح کلان پیش بینی میکنند و گاهی منابع آنها برای تشخیص عجیب و باور نکردنی است. به طور مثال میتوان گرایش ها و فانتزی های جنسی را تنها با داشتن داده های حرکت ماوس با دقت بسیار بالایی پیش بینی کرد. یا می توان با میزان توقف شما بر روی هر کدام از پست های اینستاگرام میزان استرس یا احتمال افسردگی شما در چند سال آینده را تشخیص داد. یافتن چنین رابطه های هم بستگی ای (correlation) برای چنین شرکت هایی حکم طلا را دارد چرا که می توانند بهتر و بهتر شما را شناسایی و هدف تبلیغ کنند. اما چنین چیزی دیگر برای کسی پوشیده نیست. زمینه های کاری کاملی مانند سیستم های پیشنهاد دهنده (recommender systems) وجود دارد که به صورت گسترده در حال مطالعه هستند.
دسترسی به داده های عظیم، پیشرفت در سخت افزار و تکنیک های نرم افزاری و به طور مشخص یادگیری ماشین و یادگیری عمیق بسیاری از ایده های قدیمی در آمار را کاراتر کرده است. بسیاری از پژوهشگران امروزه دیگر متقاعد شده اند که می توانند هر مساله ای را با یافتن همبستگی های درست (هرچند بسیار پیچیده و چند لایه ای مانند شبکه های عصبی) کلید حل همه ی مسايل است. چنین روندی البته فقط محدود به علوم کامپیوتر نیست. در روانشناسی، علوم شناختی، اقتصاد، جامعه شناسی و ژنتیک هم کلید طلایی روابط آماری است! چنین روندی زمانی متقاعد کننده تر می شود که بسیاری از یافته های جدید در چنین رشته های گفته شده نشان می دهد رفتار ما و داده های ساخته ی ما (مانند روابط فرهنگی و اقتصادی کنش های اجتماعی و حتی زبان) و بخش بزرگی از داده های طبیعی (مانند داده های بیولوژیکی مانند ژنتیک، سلول ها، مغز) تابع قوانین آماری گاه ساده ای است که حتی چند دهه ی پیش هرگز قابل پیش بینی نبود. در حوزه ی جامعه شناسی روابط آماری در لباس شبکه های پیچیده (complex network) از چند دهه پیش توسط اشخاصی چون strogratz و duncan watts ابزار اصلی برای درک حرکت های جمعی توده ها از انقلاب و تشکیل گروه ها گرفته تا موفقیت و رادیکالیزه شدن شده است. از طرف دیگر در روانشناسی و علوم شناختی پژوهشگران نشان داده اند بسیاری از جنبه های هوش ما صرفا نتیجه ی روابط آماری است که مغز ما در اثر فرآیند فرگشت یا یادگیری در طول زندگی فراگرفته است و زمانی که چنین الگوهایی کشف شوند دیگر آن جعبه ی سیاه عجیب و پر از رمز و راز وجود نخواهد داشت.
چندی پیش مقاله ی عجیبی دیدم در مورد اینکه می توان با داشتن اسم شخصی به صورت حدودی چهره ی او را تشخیص داد. به طور مثال با دادن یک عکس و چند اسم به عنوان گزینه هم تشخیص افراد و هم ماشین از تصادف محض بهتر است. اما چگونه چنین چیزی ممکن است؟ آیا رابطه ای علی بین اسم افراد و چهره شان وجود دارد؟ شاید این افراطی ترین مثال از دورانی باشد که در آن زندگی می کنیم: دوران آمار!
امروزه شرکت های بزرگ با استفاده از داده های عظیمی که در اختیار دارند رفتارهای کاربران را در سطح کلان پیش بینی میکنند و گاهی منابع آنها برای تشخیص عجیب و باور نکردنی است. به طور مثال میتوان گرایش ها و فانتزی های جنسی را تنها با داشتن داده های حرکت ماوس با دقت بسیار بالایی پیش بینی کرد. یا می توان با میزان توقف شما بر روی هر کدام از پست های اینستاگرام میزان استرس یا احتمال افسردگی شما در چند سال آینده را تشخیص داد. یافتن چنین رابطه های هم بستگی ای (correlation) برای چنین شرکت هایی حکم طلا را دارد چرا که می توانند بهتر و بهتر شما را شناسایی و هدف تبلیغ کنند. اما چنین چیزی دیگر برای کسی پوشیده نیست. زمینه های کاری کاملی مانند سیستم های پیشنهاد دهنده (recommender systems) وجود دارد که به صورت گسترده در حال مطالعه هستند.
دسترسی به داده های عظیم، پیشرفت در سخت افزار و تکنیک های نرم افزاری و به طور مشخص یادگیری ماشین و یادگیری عمیق بسیاری از ایده های قدیمی در آمار را کاراتر کرده است. بسیاری از پژوهشگران امروزه دیگر متقاعد شده اند که می توانند هر مساله ای را با یافتن همبستگی های درست (هرچند بسیار پیچیده و چند لایه ای مانند شبکه های عصبی) کلید حل همه ی مسايل است. چنین روندی البته فقط محدود به علوم کامپیوتر نیست. در روانشناسی، علوم شناختی، اقتصاد، جامعه شناسی و ژنتیک هم کلید طلایی روابط آماری است! چنین روندی زمانی متقاعد کننده تر می شود که بسیاری از یافته های جدید در چنین رشته های گفته شده نشان می دهد رفتار ما و داده های ساخته ی ما (مانند روابط فرهنگی و اقتصادی کنش های اجتماعی و حتی زبان) و بخش بزرگی از داده های طبیعی (مانند داده های بیولوژیکی مانند ژنتیک، سلول ها، مغز) تابع قوانین آماری گاه ساده ای است که حتی چند دهه ی پیش هرگز قابل پیش بینی نبود. در حوزه ی جامعه شناسی روابط آماری در لباس شبکه های پیچیده (complex network) از چند دهه پیش توسط اشخاصی چون strogratz و duncan watts ابزار اصلی برای درک حرکت های جمعی توده ها از انقلاب و تشکیل گروه ها گرفته تا موفقیت و رادیکالیزه شدن شده است. از طرف دیگر در روانشناسی و علوم شناختی پژوهشگران نشان داده اند بسیاری از جنبه های هوش ما صرفا نتیجه ی روابط آماری است که مغز ما در اثر فرآیند فرگشت یا یادگیری در طول زندگی فراگرفته است و زمانی که چنین الگوهایی کشف شوند دیگر آن جعبه ی سیاه عجیب و پر از رمز و راز وجود نخواهد داشت.