توی سال 1934 آقای Heinrich Freiherr von Stackelberg که از اسمش هم مشخصه یک دانشمند آلمانی که متولد روسیه و توی اسپانیا مرده و عضو حزب نازیسم هم بوده (عجب ترکیب سمی) یک مقاله ای با عنوان Market Structure and Equilibrium مینویسه که توی اون یک مدلی رو برای اقتصاد مطرح میکنه. این مدل رو توی درس نظریه بازیها به صورت یک بازی معرفی میکنن. سوالاتی که بر این اساس هستند را Stackelberg competition هم میگن. حالا این بازی چجوریه:

دوتا شرکت وجود دارند که میخواهند یک محصول یکسان تولید کنند. اما یکی این محصول رو زودتر از دیگری عرضه میکنه. دیگری هم فعالیت های این شرکت رو میبینه و بر اساس اون فعالیت ها تصمیم گیری میکنه تا بتونه سودش را بیشتر کنه. به شرکت اولی leader و به دومی follower میگن. حرکتی که شرکت leader انجام میده نمیتونه بر گردونه و این شرکت باید مطمئن بشه که follower میتونه بر عمل این شکرت نظارت داشته باشه. این leader و follower باعث دوقطبی شدن بازار و رقابت در اون میشن و تصمیمات یکی بر اساس عمل و نتایج حاصل از دیگری گرفته میشه. حالا این دو قطبی سازی یک روشش بازی Stackelberg است. روش های دیگر اون Cournot duopoly و Bertrand duopoly هستند

این مسئله در شرایطی مطرح میشه که دو تا شرکت بازار را به طور انحصاری مدریت میکنند. طوریکه نظر مشتریان روی روند این دو شرکت تاثیر نداره و تمام اتفاقات لون بازار بین این دو شرکت اتفاق میافته. هدف از این مسئله هم توی اقتصاد برای عرضه و تقاضا و قیمت گذاری بهینه است.

حالا چرا این رو گفتم. دیروز داشتم یک مقاله ای میخوندم درباره offloading وظایف بر روی VEC ها این مقاله بر خلاف قالب یا اکثر مقالات دیگه از بازی Stackelberg برای بیشینه کردن utility function ها استفاده میکرد که بنظرم خیلی جالب بود.
توی این مقاله میومد که این تابع رو برای خودروهای دارای وظیفه، خودروهای پردازشگر و واحد های کنار جاده ای تعریف میکرد که بتونه یک تعادلی بین مصرف انرژی و هزینه ایجاد کنه.

حالا تابع سودمندی یا utility fucntiion چیه؟
در واقع پاسخ به سوال چه میزان فلان خروجی برای فلانی مناسب و خوبه؟ است. حالا این خروجی از بین چندین خروجی احتمالی توسط نیاز های کاربر انتخاب شده. در واقع این تابع میاد به چیز کیفی ارزش و مقدار عددی میده.

deepseek Left the chat
intro video
deepseek GitHub
expert insight about deepseek (free to use) ,
it is reasoning model (you have to know basic AI model)
get more information
deepseek paper
chess fun

چیز جالبیه چیزی که میشه راحت متوجش شد خیلی سریعتر از chatgpt پس مدلش زیاد بزرگ نیست.
یک چیزی باید بگم من نه متخصص هوش مصنوعیم نه هنوز به جایی رسیدم که ازش سر در بیارم. این دو پست صرفا برای اطلاع رسانی بوده. اگر شد بعدا بهش میپردازم ولی با اطلاعات بیشتر

این مسئله شبیه سازی توی پایان نامه و بدست آوردن نتایج خیلی مرحله رو مخ و استرس آوریه. کاشکی دنیا به سمت این بره که لازم نباشه هر چیزی رو اثبات کنی همینجوری تئوری و یکم خرفات باهاش حل کنی تحویل بدی ولی نمیشه دیگه ;)
کلا بدست آوردن کد وشبیه سازی خیلی مهمه لامصب کلا فرآیند پر استرسی هست. حالا یک کاری که از دست ما بر میاد اینکه چند تا ابزار معرفی کنیم که به بچهای آماتور بتونه کمک کنه و یک ویژن یا نگرشی بهشون بده.
بچهایی که کار شبکه های نسل 5 انجام میدن و کاراشون بیشتر مخابراتی هست 5g toolkit یک ابزار مناسب مبتنی بر متلب هست که میتونه توی شبیه سازی بهتون کمک کنه.

همینطور بچهایی که کارای زمانبندی توی محیط های مختلف یا اینترنت اشیا و.. انجام میدن مثل sumo و iFogSim میتونه بهتون کمک خوبی بکنه برای شبیه سازی. شبیه ساز ifogsim خیلی معروفه توی اینترنت اشیا توی لینک نحوه نصب این ابزار زده ، توی لینک مقاله این شبیه ساز و لینک جزئیات بیشتر از مقاله رو شامل میشه. مقاله ای که در ادامه میزارم (مقاله علمی نیست بیشتر شبیه کار توی اوقات فراغت میمونه) یک توضیح سطح بالا نسبت به این نرم افزار داده. این پلی لیست هم آموزش استفاده ازش رو میده و این ویدئو هم علاوه مشخص کردن مفاهیم این شبیه سازی و نصب اون، آموزش استفاده ازش رو هم میده. sumo هم ابزار خوبیه این لی لیست آموزش راه اندازی و استفاده ازش رو داره و این ویدئو هم آموزش سریع این شبیه ساز هست. این شبیه ساز بیشتر برای فهمیدم رفت و آمد ها یا تجرک افراد در یک منطقه جغرافیایی مشخص استفاده میشه ولی برای زمانبندی و اجرای الگریتم ها باید API نصب کنی و استفاده کنی. به عبارت دیگه برای urban mobility بیشتراستفاده میشه. اما توانایی هاش تنها به اون ختم نمیشه

یادمه برای اولین بار این شبیه ساز sumo رو توی دفاع یکی از بچها استاد داورش ازش پرسید که چرا استفاده نکرده و تازه فهمیدم بجز fogsim هم چیز دیگه ای هست :)

تجربه شخصی من اینکه برای بدست آوردن و کد و شبیه سازی باید خیلی بچرخی و کلمات مختلفی رو جست و جو کنی ولی برای میانبر چندتا کار رو میشه کرد
1. اول اینکه حتما قسمت Acknowledgement مقاله نگاه کنید چون اگر کدی باشه معمولا اونجاست
2. حتما توی سایت arxive مقاله رو بررسی کنید چون ممکنه بعدا کد هاشون بزارن گیت هاب.
3. حتما دنبال ریپوزیتوری های گیت هاب که کد و مقاله میزان بگردین. این مورد حتی برای بچهایی که تازه واردن و دنباله مقاله میگردن میتونه کمک کننده باشه چون میتونن مقاله ای رو پیدا کنن که کدهاش اماده است.
4. سایت paperwithcode هم سایت خوبیه و لی سرچش احساس میکنم خوب کار نمیکنه

ادیت:
آشنایی با urban mobility برای آشنایی و یاد گیری رایگان سایت هست که تحت نظارت اتحادیه اروپاست. از طرف دیگه انیمیشن یک توضیح درباره مسئله ئ نگرش آینده میده.کلا این مسئله به بهبود زیرساخت و مقابله با مسئله mobility در بر میگیره. ولی اسپانسر داره. یک ویدئو درباره نحوه شبیه سازی mibility در شبیه سازی sumo هست.

یک ابزار دیگه هم هست که میشه باهاش کار شبیه سازی محاسبات لبه رو انجام داد به نام EdgeSimPy این ابزار هم میشه در کنار ifogsime و sumo استفاده بشه. اینو خودم همین الان باهاش آشنا شدم توی جست و جو هام و خیلی جالب بود. مثل اینکه تا چشم کار میکنه شبیه ساز ریخته ولی کد نریخته . پس اگر مقاله ای مینویسید کد ها رو پابلیک کنید تا ما هم بتونیم کار شما رو تایید کنیم خسته شدم اینقدر دنبال کد و شبیه سازی گشتم :)

ادیت:
یک شبیه ساز دیگه هم هست به اسم mogFogSim که اومده ifogSim رو گسترش داده و بهش ویژگی اضافه کرده ولی چیزی که توی گیتهابش جالب بوده گفته بود برای اینکه شبیه ساز خودتو بسازی باید چه مراحلی رو طی کنی .
یک شبیه ساز دیگه هم هست به نام PureEdgeSim که این هم یک شبیه ساز سبک بر اساس جاوا است که برای شبکه های سیار با گره های پویا نوشته شده

بالاخره طبق حرفی که زده بودم لوگوی کانال رو عوض کردم. این به این خاطر بود که بچها الان دیگه واسه خودشون یک کانال دیگه دارن و توی کانال فعالیت ندارن.

این لگوی جدید قراره بیانگر base station باشه. همونطور که میدونید BS ها در دنیای امروزی و آینده خیلی مهم هستند و امروزه شبکه های بی سیم مرکز توجه محقق هاست. چیزی بهتر از این نمیتونه برای یک کانال با تمرکز روی شبکه باشه.
محتوا کانال چیزی تغییری نمیکنه و همون مطالبی که قبلا میزاشتیم و آموزش و منابع و معرفی ها هنوز سر جاشه فقط توجه و تمرکز بر روی شبکه های کامپیوتری هست.

اسم کانال رو فعلا تغییر نمیدونم چون تغییر یکهو اتفاق نمی افته.

ایشالله قراره خوش بگذره بهمون :)

من که الان یکم با هوش مصنوعی درگیر شدم و دسته پنجه نرم میکنم یک کتابی هست به اسم deep reinforcement learning with python که تازه باهاش آشنا شدم به نظرم چیز جالب و مقدماتی خوبی میومد.

چیزی که جالبه این که این کتاب اولش از کتابخانه های پایتون آماده برای ساخت بازی های ساده و مبتنی بر عامل استفاده میکنه ولی بعدش از زنجیره های مارکو برای طراحی استفاده میکنه. البته اولاش هم تا جای لازم خواننده رو با مفاهیم اولیه آشنا میکنه. مباحثی که دربارش صحبت میکنه شامل روش های یاد گیری Q و policy gradiant ، sarsa و actor critic هم میشه. این ها روش های مختلفی هستند که برای پیاده سازی عامل هوشمند استفاده میشه.

همین نویسنده یک کتاب دیگه هم تازه نوشته که با همون نام هست ولی مبحث آن پیشرفته تره و باهاش دیگه صرفا بازی طراحی نمیکنه و در واقع هدفش ساخت عامل برای مدل های بزرگ هست. مباحثی که دربارش صحبت میشه مربوط به ماشین های خودران، ربات ها و... هست. این کتاب دومیه مباحث کتاب اولیه رو هم پوشش میده ولی مباحث اضافه هم داره.

بنظرم این کتاب دومیه میتونه خیلی برای کارهای پژوهشی و ارائه مدل بهتر باشه چون مباحثی که داره توی پژوهش هایی که خوندم بیشتر استفاده شده مثل مبحث DDQN که برای مقیاس های بزرگ استفاده میشه.

توی کانال debrary هم یکی از بچها یک کتابی قرارداده در همین زمینه. این کتاب برای عموم توصیه نمیشه و رویکرد آکادمیک و ریاضیاتی داره ولی از نظر ریاضیاتی و الگوریتمی خوب کار کرده برعکس کتاب های قبلی که رویکرد پیاده سازی با زبان پایتون دارن.

توی مقالات با استفاده از این روش های هوش مصنوعی برای حل مسائل NP-hard خیلی زیاد استفاده میشه و توی شبکه های آینده هوش مصنوعی به عنوان محور اصلی این شبکه ها شناخته میشه. پس چه بخوایم چه نخواییم آش کشک خالته بخوری پا ته نخوری ...

یک کتاب دیگه هم دیده بودم که خود نویسنده اومده از روش کورس ساخته ولی پیداش نکردم اونم جالب بود.

وقتی میگن deepseek نیاز به تعامل کمتری داره با انسان برای تایید گرفتن تا gpt منظور چیه

یکی سایت بهم معرفی شد به نام napkin.ai که باحال بود. این سایته میاد بر اساس ورودی text یک شکل یا نمودار باحال از آن ورودی میسازه که جالبه. این خیلی بدرد پاورپوینت ها و ساخت فایل های ارائه میخوره. بنظرم اینو توی جیبتون داشته باشی مخصوصا اگر دانشجوی ارشدین :)

توی هوش مصنوعی یک روش یا الگوریتم بهینه سازی وجود داره به نام PSO یا particle swarm optimization که یک الگریتم اکتشافی است. از این الگریتم برای بیشینه یا کمینه کردن استفاده میکنن. البته بیشتر برای کمینه کردن دیدم استفاده میشه.

روش کار این الگریتم اینجوریه که شما تعداد زیادی گره دارین که توی فضای جست و جوشون ممکنه توی نقطه کمینه محلی بمونن ولی هدف اینکه همه این گره ها به کمینه سراسری برسن.

مثلا فرض کنید توی همین مسئله خودمون خودروها دارای وظایف هستند که این وظایف رو همون گره ها درنظر بگیرید. این وظایف باید بر روی گره های پردازشی لبه برون‌سپاری بشن چون خودرو منابع کافی نداره. حالا گره لبه باید ترتیب اجرایی (یا همون زمانبندی کردن) پیدا کنه که تاخیر پردازش کل سیستم کمینه بشه. از طرفی هم این وظایف باید تا قبل از خروج خودرو از محدوده پوششی ایستگاه پایه پردازش بشن و جواب به اونها بر گرده بنابراین این وظایف دارای یک مهلت انجام هستند.

خوب حالا سوالی که مطرح میشه اینکه چجوری زمانبندی کنم که تاخیر پردازش کاهش پیدا کنه و بتونم وظایف بیشتری نسبت به مهلتشون پردازش کنم؟
اینجاست که شما یک فضای جست و جوی به اندازه تعداد وظایف داری که باید بررسی کنی. روش pso میاد این کار رو سریعتر از روش های قدیمی انجام میده. برای اینکار میاد موقعیت یا وضعیت فعلی سیستم رو برسی میکنه. بعد میاد بر اساس اون وظایف رو مرتب میکنه و برای اجرا بر روی گره لبه زمانبندی میشن. حالا این زمانبندی بستگی به مهلت داره که این مهلت سرعت converge کردن الگریتم به یک کمینه سراسری رو فراهم میکنه. در واقعیت سرعت همگرا شدن الگوریتم به پارامترهای زیادی بستگی و فقط این نیست. این سرعت رو بر اساس قدم یا step میگن که در هر قدم گره ها یا همون وظایف به هدف نزدیکتر میشن.

حالا هدف چجوری مشخص میشه؟ برای این کار معمولا از روش های مدل سازی و توابع ریاضیاتی که باید بهینه بشن استفاده میکنن. مثلا یکی از روش هایی که من خیلی خیلی باهاش مواجه بودن روش MILP که برای نوشتن تابع هدف استفاده میشه.

برای فهم دقیقتر و بهتر این قضیه هم میتونید به این لینک برید.

Stanford’s CS230 - Deep Learning

All the lecture notes, exam questions are now available free.

https://cs230.stanford.edu/files/
https://cs230.stanford.edu/

من چندین ماه پیش یک مقاله مروری میخوندم که توی اون مقاله از یک مقاله ای نام برد برای زمانبندی که با استفاده از temporal netwok thory یا dynamic network theory اومده بود سیستم رو مدل کرده بود. آقا ما هم که تا اسم تئوری میاد کف میکنیم و شور اشتیاق رفتیم دیدم عجب چیز خوبیه. چیز جالب تری که فهمیدم این تئوری نو پا و جوانه ولی کارای زیادی در زمینه های مختلفی مثل شیمی، پزشکی، روابط اجتماعی، برق، هوش مصنوعی و صد البته کامپیوتر ازش استفاده کردند.
قضیه از این قراره کرده که میگه فرض کن شما یک شبکه ای از گراف داری که گره ها با یال به هم دیگر وصل هستند. حالا مسئله اینجاست که این یال ها ممکنه همیشه بر قرار نباشن. ممکنه یک زمان هایی باشن یک زمان های دیگه نباشن. این یعنی اتصالات و ارتباطات بین گره ها میتونه در یک زمان هایی وجود نداشته باشه. این بشدت برای مدل سازی و ارزیابی سیستم در دنیای واقعی خوبه.
کلا خوبی گراف اینکه میشه رفتار سیستم رو سنجید. مثلا چقدر قسمت های مختلف سیتم میتونن روی همدیگر اثر بزارن یا مثلا سیستم چه درجه ای از بهینگی رو داره و...
از طرف دیگه کسایی که درس ارزیابی کارایی سیستم های کامپیوتری توی ارشد خوندن و عاشق این درس شدن با این مبحث میتونن برن فضا. این فیلد بر اساس نظریه های گراف ها است و برای ارزیابی این سیستم میشه از مارکو است. زحمت بکشید عبارت markovian temporal network رو جست و جو کنید. یا برای نمونه این مقاله رو ببینید.
مثلا یکی از تفاوت هایی که وجود داره transitivity در یال ها توی این تئوری وجود نداره. شاید بعضی جا ها بد قلق و بد دست بشه ولی میشه تحملش کرد. توی توضیحات مقالش یک جمله ای داره که بنظرم حق مطلب رو عدا میکنه:

In the light of traditional network theory, one can see this framework as moving the information of when things happen from the dynamical system on the network, to the network itself.

این زمینه پزوهشی توی سال 2011 توسط آقای peter holme معرفی شد تحت این مقاله (نسخه قشنگترش) که بنظرم علاقه دارین حتما یک نکاهی بندازین. P. holme یک ارائه داره که درباره این فیلد صحبت میکنه (چندتا کتاب هم توی این زمینه معرفی میکنه). این آقا توی دانشگاه آلتو استاد و کارش network science هست. این ارائه جدید تری هست که میتونید ببینید.
ایده اصلی این فیلد هم از اونجایی میاد که آقای holme و دوستانش داشتن توی زمینه روسپیگری در فضای مجازی مطالعه میکردن. میخواستن ببین روند رشد روسپی گری و ارتباط آنها چی بوده. میخواستن به طور دقیق بفهمن ترتیب رویداد ها چجوری بوده.
چیزی که جالبه آقای holme میگه دکتری داره توی فیزیک ولی هیچ وقت فیزیک نخونده :) من که نفهمیدم یعنی چی ولی قبول بعدش میگه همیشه علاقه به ارتباطات انسان ها داشته. من نمیدونم مگه اونهایی که فیزیک میخونن جامعه گریز و منزوی نیستن؟! شایدم من دارم بیل میرم نمیدونم.
یک ارائه دیگه از موسسه سانتافه (ماشینش نه) یک جلسه ای داره در این باره صحبت میکنه. بنظرم یک جمله قشنک این ارائه:

becasee something works one way does not necesserly means works other way

توی دوران کوید یا کرونا این مقاله از این روش برای مدل کردن شیوع این بیماری استفاده کرده.
چیزی که به طور کلی متوجه شدم اینکه کلمات when و data توی این فیلد بسیار مهم و حیاتی هستند. این data هستند که روابط و وزن ها را تعیین میکنه.
بنظرم فیلد قشنگ و خوبیه که حداقل ازش اطلاعاتی داشته باشیم :)

آقا چند وقت پیش من به یک کتابی بخورد کردم در زمینه آمار و احتمالات که مبانی و سطح مبتدیه. کتاب های خوب تو زمینه آمار و احتمالات زیاد هست و اینم بنظرم کتاب خوبیه چون هم شبیه سازی داره و هم سایت داره که مباحث کتاب رو آورده و کد های شبیه سازیش را داره. اسم کتاب هم Introduction to Probability, Statistics, and Random Processes هست.

توی بحث آنالیز کردن یک فیلدی هست به نام survival analysis. با اسمی که داره آدم شاخ هاش تیز میشه که ببینه این چیه و اصلا چه کاری میکنن باهاش. برای راحتی خودم خلاصه مینویسم SA.
به طور کلی مدت زمانی که یک رویداد قرار هست رخ بده رو مطالعه کنند. مثلا فرض کنید که شما تازه وارد دانشگاه شدید و قراره ارشد بخونید و 2 سال پر از حس خوب رو قراره سپری کنید :) حالا شما قراره یک روز فارغ التحصیل بشید دیگه (چون دانشگاه آزاد نیستید که همش پول بدی ترم بخری). حالا از زمانی که شما وارد دانشگاه میشید و قرار هست فارغ بشید رو میان آنالیز میکنن.

اما واقعا این زمینه کاری نیست توی این مطالعه میان زندگی و حیات رو آنالیز میکنند. به طور واضح تر میان فاصله بین زندگی تا مرگت رو آنالیز میکنند. مثلا احتمال اینکه شما بیشتر از 75 سال عمر کنید.
توی این مدت زندگی زمان توی آنالیز کردن میتونه گسسته و پیوسته باشه و کلی متغیر تصادفی وجود داشته باشه. حتی تیکه های زمانی میتونن براساس رخ دادن یک اتفاق تقسیم بشن. حالا توی انالیز ممکنه میزان مصرف غدا و آب و داروهایی که استفاده میکنید که روی طول عمرتون موثر یا حتی بیماری هایی که دارید میتونه تاثیر گذار باشه.
اما کار راحتی هم نیستا چون مثلا شما میتونید توی توزیع های احتمالی یا PDF ها بر اساس زمان یک نموداری ترسیم کنید ولی توی SA نمیشه. چون نمیدونید که چه رویدادی در چه زمانی رخ بده. توی PDF میشه فهمید چه رویدادی احتمال وقوع داره و چه رویدادی احتمال نداره رخ بده.

توی SA یک تابعی هست به نام survival function. که بر اساس این تابع میان آنالیز میکنن احتمال اینکه مثلا شما بیشتر از 75 سال عمر کنید چقدره (احتمال آنکه آن رویداد از یک نقطه ای به قبل رخ نده) به جای انکه بگن تا 75 سال عمر کنید. پس خیلی مهم هست که سوال رو چجوری میپرسید و به چه سوالی قراره جواب بدین.
در دنیای واقعی ساختن این تابع خیلی سخته قاعدتا برای همین از داده های جمع آور شده استفاده میکنند تا یک نمودار CDF بسازن.

توی این آنالیز یک چیزی هست به نام سانسور (واسه ما دیگه جزوی از زندگی مونه). این سانسور ها عواملی هستند که باعث میشه ما نبینیم آیا رویداد رخ داده یا نه. مثلا شخصی رفته واکسن تازه ساخته شده برای کوید ساخت ایران رو روش تست کنن بعد یکهو بپیچه بره و کسی نفهمه طرف چه بلایی سرش اومده. حالا این سانسور کردن ها هم بر اساس تاثیری که دارند به انواع مختلفی تقسیم میشن.

تا اینجا خیلی اطلاعات داده شده. پس میتونید خودتون دنبال کنید.
درباره یک نوع تابع دیگه به نام hazard function صخبت نمیکنم. میتونید از کسی که جایزه نوبل رو برده شروع کنید sir david cox.

یکی از مهم ترین مقالاتی که توی زمینه منتشر شده و خیلی تحسین شده چون تاثیر بسازی توی این حوزه داشته به نام non-parametric stimation from incomplete observations بوده که نویسنده هاش kaplan & meier هستن. این افراد تونستن یک روش رو بیارن که توی محاسبه تابع احتمالی ای PDF کمک زیادی بکنه.

برای فهم بهتر میتونید به لینک مراجعه کنید

فردا شنبه است و کمی حق از پروفسور Richard Feynman