📚کتاب A PhD Is Not Enough!: A Guide to Survival in Science نوشته Peter J. Feibelman، راهنمایی عملی است که به دانشمندان تازه‌کار کمک می‌کند تا چالش‌های ساختن یک کار موفق در تحقیقات را مدیریت کنند. با بهره‌گیری از تجربیات گسترده‌اش در این حوزه، فایبلمن مهارت‌ها و استراتژی‌های ضروری را که معمولاً در آموزش رسمی نادیده گرفته می‌شوند، مورد بررسی قرار می‌دهد.

این کتاب بر این نکته تأکید می‌کند که تنها داشتن مهارت‌های فنی برای موفقیت شغلی کافی نیست. بلکه اهمیت داشتن مربی، ارتباط مؤثر و توانایی اتخاذ تصمیمات استراتژیک شغلی را برجسته می‌کند.

این ویرایش جدید شامل محتوای به‌روزرسانی شده‌ای است که تغییرات در چشم‌انداز علمی، به‌ویژه تأثیر ارتباطات الکترونیکی بر تحقیقات و همکاری‌ها را منعکس می‌کند. این کتاب همچنان منبعی حیاتی برای دانشجویان تحصیلات تکمیلی و دانشمندان در ابتدای کار است که به دنبال موفقیت در دنیای رقابتی آکادمیا و فراتر از آن هستند.

📱 مدل‌های هوش مصنوعی، مانند ChatGPT، در زمینه ریاضی با مشکل مواجه هستند. با وجود توانایی آن‌ها در نوشتن متون پیچیده، آن‌ها اغلب در حل محاسبات ابتدایی دچار مشکل می‌شوند. این مشکل در سایر سیستم‌های هوش مصنوعی، مانند Anthropic’s Claude، Google's Gemini و Meta’s Llama نیز وجود دارد. یکی از دلایل کلیدی این ضعف، tokenization است، جایی که هوش مصنوعی اعداد را به‌طور نادرست تجزیه می‌کند که منجر به سوء تفسیر می‌شود. علاوه بر این، مدل‌های هوش مصنوعی آماری هستند و الگوها را بر اساس داده‌های قبلی پیش‌بینی می‌کنند، به جای اینکه واقعاً ریاضی را درک کنند.

📱 چت‌جی‌پی‌تی در ضرب چندرقمی با مشکلاتی مواجه است و دقت آن برای مسائلی که شامل اعداد با بیش از چهار رقم می‌شود، به زیر ۳۰٪ می‌رسد. مطالعه‌ای که توسط Yuntian Deng از دانشگاه واترلو انجام شده نشان می‌دهد که نسخه جدید، GPT-4o، در ریاضیات پیچیده دچار مشکل است. با این حال، مدل جدیدتر OpenAI o1، که از استدلال مرحله‌ای استفاده می‌کند، عملکرد بهتری دارد و دقت بیشتری برای مسائل ضرب تا نه رقم دارد.

Reconciling modern machine learning practice and the bias-variance trade-off

Deep Double Descent: Where Bigger Models and More Data Hurt