Details: Wednesday, March 23rd, 2022 at 2 PM ET / 11 AM PT

Featured speakers:
- Jon Francis, Chief Data & Analytics Officer at Paypal
- Gokula Mishra, VP of Data Science at Direct Supply
- Mark Stern, VP of Business Intelligence & Analytics at BetMGM
- Chris Ling, Director of Data Platform & Analytics at Kolibri Games


حواستون باشه اون ساعت ۱۱ ک اونجا نوشته حدود ۱۰ و نیم ساعت از ما عقب تره

برای ثبت نام در کنفرانس

@raspberry_python

سوال:

همانطور که در عکس میبینید،‌ یک لیست از اعداد رندوم داریم و یه لیست هم داریم که مرتب شده ی اون لیست هست. روی این دو iteration انجام دادیم. به نظر شما کدام گزینه صحیح هست؟

خب بریم ببینیم چرا اون لیست اولیه که sort نشده بود سریع تر بود:

ما یه لیست داریم که توش ۱ میلیون اعداد رندوم که بین هزار تا ۱۰ میلیون قرار داره، وجود داره.
وقتی این اعداد دارن داخل مموری ساخته میشن آدرس هایی از مموری که پشت هم هستن، بهشون تعلق میگیره، مثلا: (سمت چپ آدرس های مموری - سمت راست خود اعداد)
100....131 —> 34225
100....132 —> 775325
100....133 —> 1031
...
وقتی ما لیست رو به اون روش sort میکنیم چه اتفاقی میفته ؟ "رفرنس" ها جاشون عوض میشه. آبجکت های جدید ساخته نمیشه. تستش بکنیم:
lst = ['b', 'a', 'c']
for i in lst:
print(i, id(i))
print("------------------------------")
for i in sorted(lst):
print(i, id(i))
این تا اینجا.

حالا ما چیو تست گرفتیم؟ iteration روی این دو لیست رو.
وقتی cpu داره از ابتدا شروع میکنه به گرفتن آیتم ها، توی لیست اولیه با آدرس های متوالی از مموری طرف هست. یعنی آیتم اولی رو که گرفت، آیتم دومی بغل گوشش هست میگیره... ولی توی لیست دوم وقتی آیتم اول رو گرفت، آیتم بعدی ممکنه هزار تا خونه اونور تر باشه توی مموری.

حالا دقیقا چی میشه که کند میشه؟
جواب: Cache misses.

(این یه مثال کاملا ساده شده بدون پیچیدگی های موجود هست)
ریل های قطار رو در نظر بگیرید که از یه جایی به بعد دو شاخه میشن و هر شاخه یه مسیر جدا رو میره. فرض کنید شما مسئول این هستید که قطار رو به مسیر درستش هدایت کنید.
همچنین فرض کنید از قبل به شما برنامه ای ندادن که فلان قطار باید چه مسیری بره. حالا چیکار میکنید ؟

دو تا راه دارید: یا هر قطاری که اومد نگهش دارید و ازش بپرسید کدوم سمت میره تا وصلش کنید بهش... یا اینکه چپ و راست رفتنش رو حدس بزنید....
قطار ها باری هستن و بسیار سنگین... هزینه ی سنگینی باید بدیم تا قطار هارو وایسونیم و هزینه ی سنگینی باید بدیم تا دوباره شروع به حرکت کنن.

میایم گزینه دوم رو انتخاب میکنیم... اگه درست گفتیم که خیلی عالی اگه غلط گفتیم چی؟ مسیر و اشتباه میره بعد قطار وایمیسته مجبوره برگرده اون مسیر رو و مسیر درست رو بره...

این اتفاقی هست که داره توی cpu میفته و با نام Branch Prediction میشناسنش. امروزه cpu ها با توجه به الگوریتم هایی که دارن بیشتر از این که اشتباه پیشبینی کنن ، درست پیشبینی میکنن پس خیلی میتونن optimize تر عمل کنن ولی خب همچنان cache miss وجود داره مخصوصا توی الگوی رندوم و این میشه که کند تر میشه.

دانشجویان محترم مقطع کارشناسی ارشد و دکتری


با سلام و احترام

به استحضار می رساند شرکت برق منطقه ای یزد با هدف افزایش سطح بهره وری و اثر بخشی مشمولین وظیفه صنعت برق در سال 1401 به خدمت نخبگان واجد شرایط مندرج در سامانه امریه وزارت نیرونیاز دارد.


https://research.kntu.ac.ir/Dorsapax/userfiles/Sub104/h65.pdf


@raspberry_python

به نظر شما بین این دو روش کدومش بهتره ؟
مزایا و معایب هرروش اگه ب ذهنتون میرسه بگید

این نکته رو متذکر بشم که نمیشه درحالت کلی گفت کدوم بهتره یا کدوم بدتره مونده به موقعیت

@raspberry_python

neural networks
cnns
decoder-encoders
GANs

@raspberry_python

یکی از مهم ترین مباحث موجود تو برنامه نویسی
visualization
هست.
یکی از ویژگی‌های تصویرسازی مناسب اینه ک با یه نگاه ساده بتونه اطلاعات زیادی ارائه بده

این نمودار بالا که توسط ناسا تهیه شده گرمایش زمین از سال ۱۸۸۰ تا ۲۰۲۱ رو نشون میده


The 'climate spiral' is a visualization designed by climate scientist Ed Hawkins from the National Center for Atmospheric Science, University of Reading.


@raspberry_python

Hello 👌

@raspberry_python

📦 py-expression-eval

ℹ️ Based on js-expression-eval (Safe and math-oriented mathematical expression evaluator in JavaScript), by Matthew Crumley
⬇️ installation:
▶️ pip install py-expression-eval

🐍 PyPI
🐈 github
📓 JS doc

🆔 @raspberry_python

🥚 سال جدید، یادگیری Django و ورود به بازار کار با کوئراکالج 🤩

🌱 توی قاب نوروزی ۱۴۰۱ #کوئرا_کالج، قراره در کنار هم قرن جدید رو با یک گام بلند برای استخدام شدن به عنوان توسعه‌دهنده Django شروع کنیم؛ با #نقشه_راهی که میتونی پیشرفت خودت و همراهانت رو ببینی و … همه اینا یعنی دیگه توی این مسیر تنها نیستی!

🎇 از ۲۱ اسفند تا ۱۹ فروردین همراه با یک #عیدی جذاب از کوئرا

🎉 از یادگیری Django تا استخدام در شرکت‌های مطرح تکنولوژی این بار در کنار هم :)

🤚 به جمع همراهان نوروزی ۱۴۰۱ کوئرا کالج بپیوند و هدیه‌ات رو دریافت کن:👇
#پیش_به_سوی_مسیر_یادگیری

🔗 https://quera.org/r/ub9gx
➖➖➖➖➖➖➖
@Quera_ir
#Quera_College

تاحالا شده بخواید تو پایچارم یه کد گنده رو trace کنید و کشف کنید اون کد چجور کار میکنه یا کدای قدیمی خودتون رو دیباگ کنید؟
✅ خب نکته اول تو این موارد اینه ک اگه دکمه ctrl رو بگیرید و روی اسم اون تابع یا متغیر کلیک کنید شمارو میبره اونجا ک اون متغیر یا تابع تعریف شده
ولیییی مشکل اینکار اینه ک وقتی رفتی اونجا و فمیدی اون تابع چجور کار میکنه دیگه برگشتنت با خداس 😂🤦‍♂️(حداقل برا خود من که خیلی عذابه این موضوع خصوصا تو کدهای گنده و پیچیده)

✅حالا ی راه خیلی خوب برای اینکه یادمون بمونه کجا بودیم اینه ک دکمه f11 رو بزنید بعد از اینکار تو اون خط یدونه bookmark میزاره بعد میتونید با زدن ctrl+f11 لیست همه بوکمارک هارو بیارید و با کلیک کردن رو بالاترین بوکمارک میتونید برگردید اون اخرین خطی ک بوکمارک کردید :))

این ترفند که خیلی به کارم میاد امیدوارم به درد شمام بخوره

@raspberry_python

بعد از گزاشتن این پست دوستان گفتن ک میتونید از
ctrl+alt+left
استفاده کنید که گویا بهتر از راهیه ک پیشنهاد دادم
البته اگه ویندوز ۱۰ هستید بهتره اینو تست نکنید 😂😂😂
کامنتای پست قبلی رو بخونید تا بفهمید چرا :)))))))


@raspberry_python

How to Detect Keypress in Python

https://www.pythonforbeginners.com/basics/how-to-detect-keypress-in-python

@raspberry_python

روش معمول در طراحی شبکه عصبی مناسب برای یک task خاص، اینه که مقادیر مختلف رو برای پارامتر های مختلف بررسی کنیم تا بالاخره به بهترین مقادیر برسیم و نتایج رو با اون مقادیر گزارش کنیم. هر دانشجویی که پروژه ی دیپ لرنینگ کار کرده میدونه که این چه فرآیند سخت و زمانبر و آزار دهنده ای هست.
حالا توی این مقاله جدید، ایده تازه ای مطرح شده که روش کار رو برای بخشی از مدل ها تغییر میده. به شرط اینکه مدل شما از قبل تا حد خوبی train شده باشه (برای مثال، وقتی توی کارتون، دارید BERT یا ViT یا CLIP رو finetune میکنید) اونوقت این نتایج مختلف با پارامتر های مختلف رو میشه با هم جمع زد! فقط کافیه وزن های مدل ها رو با هم جمع کنید و میانگین بگیرید. مدل بدست اومده طبق نتایج مقاله از تک تک مدل هایی که با پارامتر های مختلف آموزش دیدن بهتر کار میکنه (مثلا یکی دو درصد از بهترین مدل، بهتر نتیجه میده)
برای بیشتر دونستن در مورد این روش این ویدیو رو میتونید ببینید.

#kasra