از نورون تا هوش ◇---<
4.35K subscribers
127 photos
15 videos
3 files
98 links
هوش مصنوعی و طبیعی، نظریه پیچیدگی

آرشام غواصیه، پژوهشگر پسادکتری ایندیانا
Download Telegram
۷۱ سال از مرگ انیشتین می‌گذره.

1️⃣ اکثریت می‌دونند که اون نسبیت خاص و عام رو ساخت.

2️⃣ یه عده می‌دونند که اون اثر فوتو-الکتریک رو توضیح داد، که نشون می‌داد نور رفتار ذره‌ای هم داره.

3️⃣ اما کمتر کسی می‌دونه که اون نشون داد دنیا از اتم‌ها تشکیل شده.

مورد سوم به همین رندوم واک (ول‌گشت) ربط داره.

---طبیعتا در تمام موارد، به خصوص مورد سوم، دانشمندان بزرگ دیگری هم دخیل و موثر بودند---

@physics_daily
35🔥3👍2🎉2😍1
درباره میانگین (برای کسانی که زیاد ریاضی نخوندن)

اینجا نشون می‌دم میانگین رو می‌تونید با محاسبه احتمال حالات هم حساب کنید. بدون یادگیری این روش درک‌مون از متغیرهای تصادفی در حد جمع و تقسیم بر کل محدود می‌مونه.
فرض کنید در پژوهش شما یک جمعیت وجود داره که بهش دارویی چیزی دادید.

ساده بگیم، این جمعیت دو بخش شده. بخش اول حالشون بهتر شده که با عدد +۱ نشون می‌دید. بخش دوم حالشون بدتر شده که با عدد -۱ نشونشون می‌دید.

اگر کسی بپرسه مداخله شما چقدر سودمند بوده، اولین چیزی که نگاه می‌کنید طبیعتا میانگینه (حالا ذهنتون می‌پره روی روش‌های پیشرفته‌تر، ولی یواش یواش).

بیاید به میانگین نگاه کنیم.
روی تمام اعدادی که نوشتید (مثبت و منفی یک) جمع می‌زنید:
۱ + ۱ + ۱ + ... -۱ -۱ -۱ -...

و تقسیم بر تعداد افراد (N) می‌کنید:
(۱ + ۱ + ۱ + ... -۱ -۱ -۱ -... )/N

که می‌شه، مثلا:
(۱ + ۱ + ۱ + ... -۱ -۱ -۱ -... )/N = +۱/۲

یعنی به طور میانگین مثبت بوده. با اندازه نیم. عددش فرضیه.

اگر تعداد مثبت‌ها رو با n و تعداد منفی‌ها رو با m نشون بدیم، صورت همین جمع رو در نظر بگیرید:

(۱ + ۱ + ۱ + ... -۱ -۱ -۱ -... )/N =

می‌شه خلاصه‌ش کرد و به شکل n تا +۱ و m تا -۱ نوشتش:

( n × (1) + m × (-1) )/N

حالا تعداد مثبت‌ها تقسیم به کل می‌شه چی؟ احتمال مثبت بودن:

p = n/N

و احتمال منفی بودن می‌شه:
q = m/N

و میانگین می‌شه:

p × (1) + q × (-1) = +1/2

خیلی وقت‌ها پیش از جمع‌آوری داده می‌شه درباره احتمال حالات استدلال کرد. و حدس‌های خوبی درباره نتایج زد. همین کمک می‌کنه پیش‌بینی‌های بهتر و تنظیمات بهتری توی مطالعه‌تون داشته باشید.

@physics_daily
14👍4💯1
Forwarded from Hermes
📚 گروه مطالعاتی: چپِ فرهنگی (کاروان خرد)

🎙 مدرس/تسهیلگر: مهدی نادعلی
با همفکری و مشارکت اعضای کاروان خرد

در این گروه به شناخت، بررسی تاریخی، تحلیل و نقد جریان چپِ فرهنگی می‌پردازیم. تلاش می‌کنیم با مطالعه منابع اصلی و گفت‌وگوهای جمعی، تصویری دقیق‌تر از مبانی نظری، تحولات تاریخی و تأثیرات اجتماعی و فرهنگی این جریان فکری به دست آوریم.

📖 سرفصل جلسات و منابع مطالعاتی در گروه تلگرامی در دسترس اعضا قرار می‌گیرد.

اعضا می‌توانند پرسش‌ها، نقدها و دیدگاه‌های خود را در گروه مطرح کنند و در مباحث مشارکت داشته باشند.

🎥 فایل ویدئویی تمامی جلسات پس از برگزاری در کانال یوتیوب کاروان خرد بارگذاری خواهد شد تا علاقه‌مندان بتوانند به آرشیو جلسات نیز دسترسی داشته باشند.

🔗 لینک پیوستن به گروه:
https://t.iss.one/+ZwBl4R7cUuo4MDJk


از دانشجویان، پژوهشگران، متخصصان و تمامی علاقه‌مندان به علوم انسانی، فلسفه، جامعه‌شناسی و مطالعات فرهنگی دعوت می‌کنیم به جمع ما بپیوندند.
👍7
برجام دوم یا بدترش؟

کانالی این مقایسه رو گذاشته.

سوال اینه که اگه همچین آفر خوبی روی میز بوده، و مشکوک هم نبوده، چرا ج‌ا انقدر سخت بهش تن داد؟

چرا سران کشور دارن کنار می‌کشن و می‌اندازندش گردن پزشکیان (همون بازی نخ‌نما)؟

شب دراز است و قلندر بیدار.

@physics_daily
👍15
برگردیم به علم.

🔠🔠🔠🔠🔠🔠🔠
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6😍4👍2💯1
This media is not supported in your browser
VIEW IN TELEGRAM
تایم لپس رشد باکتری:
دست شسته و نشسته---
در ۱۵۰ ساعت.


کاش توضیحات و جزئیات بیشتری داشت. ولی علی‌الحساب دست‌ها را بشویید.

رشد باکتری هم فرایند تصادفی جذابی داره که شاید در ادامه بهش پرداختیم.

@physics_daily
14👍5
This media is not supported in your browser
VIEW IN TELEGRAM
اینفومپ: الگوریتمی برای پیدا کردن کلاسترها (گروه‌های عضو که به هم متصل‌ترند) در شبکه‌ها.

این الگوریتم از رندوم واک (ول‌گشت) استفاده می‌کنه. ایده اینه که رندوم واکر وقتی توی یه کلاستر قرار می‌گیره اونجا گیر می‌کنه و سخت ازش خارج می‌شه. این گیر کردن باعث می‌شه مسیرهای تکراری بره. مسیرهای تکراری رو می‌تونید با نظریه اطلاعات فشرده‌سازی کنید. و به این ترتیب کلاسترها رو پیدا کنید.

تجربه خودم این بوده که یکی از بهترین روش‌هاست. اگر بهترین نباشه.

مقالاتی در موردش و کدهاش

@physics_daily
👍7❤‍🔥4😍21
🔠🔠🔠🔠

کسی که کار علمی می‌کنه باید یاد بگیره که هم قاضی خوبی باشه و هم وکیل خوبی.

تازه‌واردها در برابر دومی مقاومت دارند.

اگه منظور رو گرفتید: ❤️
اگه لازمه مثال بزنم: 👍🏻

@physics_daily
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9334
👀

وقتی آثار تصادفی (نویز) مفید واقع می‌شود!

✔️ پدل‌فیش (ماهی بالا) از گیرنده‌های الکتریکی برای شکار پلانکتون استفاده می‌کند. این گیرنده‌ها سیگنال‌های ضعیف الکتریکی ساطع شده از شکار را احساس می‌کنند.

❗️نکته جالب:

وقتی محققین مقدار اندکی نویز الکتریکی به محیط ماهی اضافه کردند، پدل‌فیش توانست شکار را از فواصل دورتری شناسایی کند!

دقت پایین نیامد! بالا رفت.

⭐️ به این پدیده تشدید تصادفی گفته می‌شود. سیگنال کوچک (ساطع شده از پلانکتون) از فاصله دور برای گیرنده قابل تشخیص نیست. اما نویز می‌تواند آن را تقویت و قابل رصد کند.

⚡️ در این مورد جالب، نویز سیگنال را خفه نکرده است. برعکس. آن را آشکار کرده.

چاپ شده در نیچر، سال ۱۹۹۹

@physics_daily
Please open Telegram to view this post
VIEW IN TELEGRAM
👍167🔥7
از نورون تا هوش ◇---<
🔠🔠🔠🔠 کسی که کار علمی می‌کنه باید یاد بگیره که هم قاضی خوبی باشه و هم وکیل خوبی. تازه‌واردها در برابر دومی مقاومت دارند. اگه منظور رو گرفتید: ❤️ اگه لازمه مثال بزنم: 👍🏻 @physics_daily
درود دوستان،

درباره این قاضی و وکیل توضیح می‌دم. امیدوارم به درد بخور باشه.

قاضی بودن در علم یعنی هر ادعا رو درست بسنجی. از کجا اومده؟ چه پشتوانه‌ای داره؟ قابل اعتناست؟ آیا در تضاد با علم روزه؟ در تاییدشه؟ اینجور چیزا. اگه خیلی توش زیاده‌روی کنیم می‌شیم چیزی که بش می‌گم جوجه منتقد. اگه توش کم بگذاریم می‌شیم ساده‌لوح. ولی یه مقدار سلامتش باید در همه‌مون باشه.

وکیل بودن توی علم کار دشوارتریه. ببینید، شما باید با تمام وجود تلاش کنید صحت فرضیه مد نظرتون رو نشون بدید. و اول از همه به خودتون نشون بدید!

تصور کنید فرضیه شما اینه که داخل هندونه خوردنیه. ولی کسی دلش نمیاد چاقو بزنه هندونه رو باز کنه. شما باید اونقدر انگیزه داشته باشی که این کار رو بکنی.

اگه چاقو اختراع نشده، باید انقدر بخوای نشون بدی فرضیه‌ت درسته، که چاقو رو خودت اختراع کنی و هندونه رو باز کنی.

اگه وکیل خوبی نباشی، بهت می‌گن ببین یه خرده با ناخن خراش بدی همچنان سفید و بدمزه‌ست. بنابرین بعیده که توش قرمز و خوردنی باشه. شما هم می‌گید آخ آره راست می‌گید. تمام.

با دانشجوهای تازه‌کار زیادی کار کردم که از این وکیل بودنه درکی نداشتن. و خب با اولین نتیجه نگاتیو (منفی) می‌گفتن آره فرضیه اشتباهه. و خب همچین سنجشی به درد نمی‌خوره. اگه فرضیه خوبه، باید ته قضیه رو درآورد و بهش به اندازه کافی شانس داد.

مثل وکیلی که پرونده‌ای قبول می‌کنه.

روز خوبی داشته باشید.

@physics_daily
🔥20👍1710💯1
از نورون تا هوش ◇---<
Photo
⁉️ برام عجیبه که چرا کسی کارل پیرسون رو نمی‌شناسه.

انیشتین یه زمان کتاب "گرامر علم" از پیرسون رو می‌خونه. این کتاب نقطه‌نظرهای جذابی رو مطرح می‌کنه.

مثلا اینکه قوانین عالم در برابر توان ادراکی مشاهده‌گر نسبی‌ست.


یا اینکه مشاهده‌گری که با سرعت نور حرکت می‌کند، یک لحظه حال ابدی را تجربه می‌کند.


به نظر می‌رسه این کتاب روی نظریه انیشتین تاثیر قوی داشته.

پیرسون در همون کتاب حدس می‌زنه:

مشاهده‌گری که سریع‌تر از نور حرکت کند، زمان برایش معکوس می‌شود (از آخر به اول).


پیرسون علاوه بر معرفی رندوم واک (ول‌گشت) و ایده‌های فیزیکی درباره ادراک و قوانین عالم، یکی از شناخته‌شده‌ترین چهره‌های زمان خودش در زمینه ریاضیات و آمار بود.

شاید علاقه پیرسون به داروینیسم اجتماعی و یوژنیک باعث حذفش از داستان رایج علم شده باشه.

پایین‌تر عکسی از صفحه اول کتابش می‌گذارم.

@physics_daily
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥14👍64💯1
از نورون تا هوش ◇---<
⁉️ برام عجیبه که چرا کسی کارل پیرسون رو نمی‌شناسه. انیشتین یه زمان کتاب "گرامر علم" از پیرسون رو می‌خونه. این کتاب نقطه‌نظرهای جذابی رو مطرح می‌کنه. مثلا اینکه قوانین عالم در برابر توان ادراکی مشاهده‌گر نسبی‌ست. یا اینکه مشاهده‌گری که با سرعت نور حرکت…
🔥 کتابی که منبع الهام انیشتین شد.

گرامر علم از کارل پیرسون. چاپ اولش ۱۸۹۲ بوده. انیشتین سال ۱۹۰۲ خوندش. سه سال قبل از نسبیت.

البته انیشتین منابع الهام دیگری هم داشت. اما همونطور که بهتون‌ نشون دادم، صراحت این یکی شگفت‌انگیزه.

@physics_daily | از نورون تا هوش
Please open Telegram to view this post
VIEW IN TELEGRAM
12👍7
🔥 ارتباط محاسبات نورونی با نویز (آثار تصادفی) چیه؟

نویز مهمه، هم در هوش طبیعی هم در مصنوعی.

عمری باشه می‌گم.

ضمنا دارم روی یه سری کورس کار می‌کنم. البته طول می‌کشه. ولی تدریس جدی خواهیم داشت.

@physics_daily | از نورون تا هوش
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥144👍3😍3💯2
🧠 شبکه‌های عصبی کمتر از انتظار برای یادگیری زحمت می‌کشند‌!

پیش از یادگیری، وزن‌های اتصالات در شبکه‌های عصبی کاملا تصادفی هستند (معمولا توزیع نرمال دارند).
پژوهش چاپ شده در نوریپس سال ۲۰۲۰ (لینک) نشان می‌دهد که یادگیری در تمام اتصالات شبکه‌های عصبی (RNN) رخ نمی‌دهد. تغییرات اتصالات در اثر یادگیری معمولا پیچیده و سراسری نیست.

برعکس، تغییرات مهم در چند مسیر محدود اتفاق می‌افتند--- ماتریس تغییر کم‌مرتبه (یا شاید بهش می‌گیم کم‌رتبه) است‌.

نکته جالب‌تر: اگر اتصالاتی که حین یادگیری تغییر نکرده‌اند و تصادفی مانده‌اند را بُر بزنید و مخلوط کنید، شبکه آنچه یاد گرفته را فراموش می‌کند‌. بنابرین یادگیری روی همان وزن‌های تصادفی دست نخورده اولیه سوار می‌شود.

یادگیری فقط چند نقطه حساس این ساختار تصادفی بزرگ را خم می‌کند.


@physics_daily | از نورون تا هوش
Please open Telegram to view this post
VIEW IN TELEGRAM
👍13❤‍🔥7😍2🔥1