اما با نحوه نمایش فرضیه ما نمی توان این کار را کرد.برای اینکه متوجه بشوید که این کار غیر ممکن است از خاص ترین فرضیه شروع می کنیم بعد از دیدن اولین نمونه فرضیه ما می شود:
<Sunny, Warm, Normal, Strong, Cool, Change>
با دیدن دومین نمونه:
<*,Warm, Normal, Strong, Cool, Change>
با دیدن سومین نمونه چون یک نمونه منفی است تمام حالت ها حذف شده وبه فرضیه تهی می رسیم. مشکل این است بعد از دیدن دو نمونه اول فرضیه ما بیش از حد کلی می شود و حتی سومین نمونه را هم به عنوان نمونه مثبت در نظر می گیرد. در اینجا مساله اساسی در نحوه نمایش ما برای فرضیه هاست.
برای حل این مشکل راه حل این است که فضای فرضیه ها را قادر به نمایش "یا" و "نه"هم بکنیم.از انجایی که ۹۶ حالت ممکن برای نمونه ها وجود دارد. می توان گفت هر زیر مجموعه از این ۹۶ حالت می تواند یک فرضیه باشد. در این صورت 2^96 فرضیه می تواند وجود داشته باشد. این در حالی است که شیوه نمایش ما برای فرضیه ها که مبتنی بر AND بین حالتهای مختلف بود تنها 1+4*3*3*3*3*3=973 حالت ممکن را می تواند پوشش دهد! یعنی این یادگیر بسیار بایاس عمل می کند!
بنابراین پس از اضافه کردن OR و NOT می توانیم همه حالات رو پوشش دهیم.به این ترتیب فرضیه هوا آفتابی یا ابری باشد به شکل زیر تبدیل می شود:
<Sunny, *,*,*,*,*> OR <Cloudy, *,*,*,*,*>
هر چند این راه حل مشکل را حل می کند اما مشکل بزرگتری را ایجاد می کند. این نحوه نمایش فرضیه آنقدر قدرت بیان (high expressive) بالایی دارد که عملا قادر به عمومی سازی(generalization) فراتر از نمونه های مشاهده شده را ندارد. این مدل اصطلاحا به داده ها overfit شده است.
این بحث به یک نتیجه بسیار مهم در استنتاج استقرایی(inductive inference) منجر می شود:
الگوریتم یادگیری ای که هیچ فرض پیشینی (a priori assumption) در رابطه با مفاهیم یا ایجاد فرضیه ها نمی کند نمی تواند هیچ پایه ی عقلانی برای عمومی سازی و دسته بندی نمونه های دیده نشده داشته باشد!
به عبارتی تنها دلیلی که در بخش اول قادر بودیم از نمونه های تک فراتر برویم و عمومی سازی کنیم این بود که به صورت ضمنی فرض کرده بودیم که می توان فضای فرضیات را به صورت AND بین ویژگی ها توصیف کرد.
به این ترتیب هر یادگیری یک بایاس استقرایی (inductive bias) دارد. بسیار مهم است که بایاس استقرایی الگوریتم یادگیری مورد استفاده خود را بشناسیم.
می توانیم بایاس استقرایی را دقیق تر تعریف کنیم: اگر داده های ما Dc باشند و نمونه جدیدی که دیده ایم xi باشد. و یادگیر ما L(xi,Dc) باشد که در واقع مثل یک تابع داده ها را گرفته و نمونه جدید را هم گرفته و خروجی مثبت یا منفی تولید می کند. قدم استدلال استقرایی (بااستقرای ریاضی اشتباه نگیرید) به ما می گوید:
(Dc AND xi) > L(xi, D)
اما می دانیم که این یک استدلال دقیق ریاضی به معنای استدلال استنتاجی نیست. مجموعه فرضیاتی که ما به عنوان بایاس استقرایی می شناسیم و معمولا هم ضمنی هم هستند به ما کمک می کند که این استدلال را به یک فرم دقیق تبدیل کنیم. یعنی اگر این مجموعه فرضیات استدلال استقرایی را B بنامیم. در این صورت داریم:
(B and Dc ANDxi) |- L(xi, D)
انسان ها هم همواره از این بایاس های استقرایی استفاده می کنند. همان بایاس هایی که در بخش های قبلی دیدیم و به انسان کمک می کنند تا بتواند سریع تر عمل کند. حتی در علم هم ما چنین کاری می کنیم. در بخش بعد بررسی میکنیم این بایاس ها کدام ها هستند.
<Sunny, Warm, Normal, Strong, Cool, Change>
با دیدن دومین نمونه:
<*,Warm, Normal, Strong, Cool, Change>
با دیدن سومین نمونه چون یک نمونه منفی است تمام حالت ها حذف شده وبه فرضیه تهی می رسیم. مشکل این است بعد از دیدن دو نمونه اول فرضیه ما بیش از حد کلی می شود و حتی سومین نمونه را هم به عنوان نمونه مثبت در نظر می گیرد. در اینجا مساله اساسی در نحوه نمایش ما برای فرضیه هاست.
برای حل این مشکل راه حل این است که فضای فرضیه ها را قادر به نمایش "یا" و "نه"هم بکنیم.از انجایی که ۹۶ حالت ممکن برای نمونه ها وجود دارد. می توان گفت هر زیر مجموعه از این ۹۶ حالت می تواند یک فرضیه باشد. در این صورت 2^96 فرضیه می تواند وجود داشته باشد. این در حالی است که شیوه نمایش ما برای فرضیه ها که مبتنی بر AND بین حالتهای مختلف بود تنها 1+4*3*3*3*3*3=973 حالت ممکن را می تواند پوشش دهد! یعنی این یادگیر بسیار بایاس عمل می کند!
بنابراین پس از اضافه کردن OR و NOT می توانیم همه حالات رو پوشش دهیم.به این ترتیب فرضیه هوا آفتابی یا ابری باشد به شکل زیر تبدیل می شود:
<Sunny, *,*,*,*,*> OR <Cloudy, *,*,*,*,*>
هر چند این راه حل مشکل را حل می کند اما مشکل بزرگتری را ایجاد می کند. این نحوه نمایش فرضیه آنقدر قدرت بیان (high expressive) بالایی دارد که عملا قادر به عمومی سازی(generalization) فراتر از نمونه های مشاهده شده را ندارد. این مدل اصطلاحا به داده ها overfit شده است.
این بحث به یک نتیجه بسیار مهم در استنتاج استقرایی(inductive inference) منجر می شود:
الگوریتم یادگیری ای که هیچ فرض پیشینی (a priori assumption) در رابطه با مفاهیم یا ایجاد فرضیه ها نمی کند نمی تواند هیچ پایه ی عقلانی برای عمومی سازی و دسته بندی نمونه های دیده نشده داشته باشد!
به عبارتی تنها دلیلی که در بخش اول قادر بودیم از نمونه های تک فراتر برویم و عمومی سازی کنیم این بود که به صورت ضمنی فرض کرده بودیم که می توان فضای فرضیات را به صورت AND بین ویژگی ها توصیف کرد.
به این ترتیب هر یادگیری یک بایاس استقرایی (inductive bias) دارد. بسیار مهم است که بایاس استقرایی الگوریتم یادگیری مورد استفاده خود را بشناسیم.
می توانیم بایاس استقرایی را دقیق تر تعریف کنیم: اگر داده های ما Dc باشند و نمونه جدیدی که دیده ایم xi باشد. و یادگیر ما L(xi,Dc) باشد که در واقع مثل یک تابع داده ها را گرفته و نمونه جدید را هم گرفته و خروجی مثبت یا منفی تولید می کند. قدم استدلال استقرایی (بااستقرای ریاضی اشتباه نگیرید) به ما می گوید:
(Dc AND xi) > L(xi, D)
اما می دانیم که این یک استدلال دقیق ریاضی به معنای استدلال استنتاجی نیست. مجموعه فرضیاتی که ما به عنوان بایاس استقرایی می شناسیم و معمولا هم ضمنی هم هستند به ما کمک می کند که این استدلال را به یک فرم دقیق تبدیل کنیم. یعنی اگر این مجموعه فرضیات استدلال استقرایی را B بنامیم. در این صورت داریم:
(B and Dc ANDxi) |- L(xi, D)
انسان ها هم همواره از این بایاس های استقرایی استفاده می کنند. همان بایاس هایی که در بخش های قبلی دیدیم و به انسان کمک می کنند تا بتواند سریع تر عمل کند. حتی در علم هم ما چنین کاری می کنیم. در بخش بعد بررسی میکنیم این بایاس ها کدام ها هستند.
🔵بیس بال: جهان آمریکایی🔵
چند روز پیش یکی از دوستان آمریکاییم من رو به بازی بیس بال دعوت کرد. من که قوانین بازی رو نمی دانستم ازش خواستم برام توضیح بده، گفت میریم اونجا بهت میگم. خلاصه بلیط ها رو گرفت و راه افتادیم. بالاخره وارد استادیوم شدیم. از همون اول مشخص بود که تفاوت های زیادی با استادیوم های فوتبال داره. طبقه میانی شبیه به راهروهای پاساژبود. تقریبا هر جور خوراکی ای می شد اونجا پیدا کرد. دوستم گفت سنت(!) اینه که معمولا مردم هات داگ و آب جو می گیرن برای بازی. البته مشخص بود که یک هات داگ ساده، بیشتر اون آدم ها رو سیر نمیکنه. انواع و اقسام فست فود ها رو میشد اونجا دید. بوی مرغ سخاری، سیب زمینی سرخ کرده و ذرت بو داده همه جا رو گرفته بود. گفتم فعلا می تونیم بریم بشینیم. وقتی وارد سکوهای نشستن شدیم کل استادیوم خیلی خلوت بود. ظاهرا استقبال زیادی از بازی نشده بود. روی صندلی خودمون نشستیم و منتظر شروع بازی شدیم. تقریبا مثل هرجای دیگه ای که توی آمریکا برید و زودتر یا حتی به موقع برسید با تبلیغات شما رو بمباران می کنند. از بیلبورد های عظیم و قشنگ اچ دی گرفته تا دور تا دور زمین و هر فضای کوچک و بزرگی که تبدیل به یک تابلوی نورانی برای تبلیغات شده بود! براحتی می شد فهمید که این حجم آزار دهنده از تبلیغات که عملا میدان دید رو میگیره در هیچ بازی ای دیگه ای بجز بیس بال وجود نداره.
یک گروه از بچه های ابتدایی رو برای خواندن سرود ملی آمریکا آورده بودند. قبل از شروع بازی این کار همیشه انجام میشه. زمانی که سرود ملی شروع شد همه بلند شدند. خیلی به جاهای مختلف جمعیت نگاه کردم اما تقریبا کسی ندیدم که به احترام سرود ملی بلند نشده باشه. این نگاه کردن به جمعیت من رو متوجه چیز دیگه ای هم کرد: ظاهرا تنها شخص غیر سفید پوست میان همه جمعیت من بودم! سرود ملی تمام شد و نشستیم. بازی شروع شد. من اطلاع خاصی از نحوه انجام بازی نداشتم به همین خاطردوستم شروع کرد به توضیح دادن. بازی قوانین زیادی داشت و من بیشتراز اینکه به بازی دقت کنم نسبت به اطرافم کنجکاو بودم. مردمی که در حال تماشای بازی بودند اکثرا برای بازی آن جا نبودند. هر کس به کاری مشغول بود. یکی مشغول خوردن بود. یکی با دوست دخترش حرف میزد و یکی در حال مزه انداختن با دوستانش بود. فقط زمانی که بازیکن توپ را با چوب بیس بال میزد و به هوا میرفت همه برمیگشتن و صدای شادی بلند میشد.
تقریبا یک ساعت از شروع بازی گذشته بود که می دیدم استادیوم در حال پر شدنه. دوستم توضیح داد که خیلی ها دیر می آیند و فقط میخواهند نگاه کنند. رفتیم یک هات داگ خریدیم آن هم وسط بازی! تصور رفتن برای خریدن غذا وسط بازی فوتبال خیلی مسخره بنظر میرسه اما در بیس بال خیلی عادی ست. وقتی به طبقه پاساژ مانندِ غذا رسیدیم از جمعیت زیادی که آنجا بودند تعجب کردم! مگر این آدمها برای دیدن بازی بلیط نخریده اند؟ پس اینجا چکار میکنند؟ آن ها در صف های طولانی برای خریدن آبجو یا غذایشان می ایستادند. بعد از گرفتن غذا و برگشتن به صندلی کم کم متوجه شدم که بازی به خودی خود تقریبا هیچ اهمیتی ندارد. دیدن بیس بال بیشتر شبیه به یک فعالیت اجتماعی برای بودن با دوستان ست. تقریبا دو ساعت از شروع بازی گذشته بود که می دیدیم جمعیت در حال خارج شدن از ورزشگاه هستند! با تعجب از دوستم پرسیدم بازی که هنوز تمام نشده؟! چیزی معلوم نیست! گفت خیلی ها حوصله شان سر می رود و به خانه بر میگردند! چرا باید چنین باشد! اگر این بازی حوصله سر براست چرا اصلا می آیند؟!
این بازی "حوصله سر بر" باعث می شد که برای جذب بیشتر تماشاچی ها بین هر بخش(شبیه به نیمه های فوتبال) برنامه های مختلفی بگذارند. این میان برنامه ها من رو یاد برنامه عمو قناد می انداخت مثلا در بین یکی از آن ها به صورت تصادفی از یک تماشاچی می پرسیدند که در کمتر از 10 ثانیه اسم حداقل 6 پیتزایی بزرگ زنجیره ای را بگوید. در نهایت یک جایزه از سمت یک پیتزایی بزرگ به او می دادند! انجام شو هایی از پیش برنامه ریزی شده ای مثل این دیگر برای آمریکایی ها شبیه به مواد اولیه زندگی شده است. همه میدانند که تمام اینها در نهایت تبلیغات است.
بازی بیس بال یک نمایشگاه بسیار گویا از نحوه زندگی آمریکایی است. انجام کاری نه برای انجام آن کار بلکه صرفا برای تفریحات حاشیه ای. یک رویداد بدون شروع و بدون پایان! هیچ چیزی در مورد خود کار مهم نیست بلکه سود در فرم لذت برای فقط چند دقیقه مهم تر است. کسی دلبستگی ای به خود اتفاق ندارد. اتفاقی که در متن هست توسط سرگرمی های حاشیه ای کمرنگ و حتی فراموش می شود. در نهایت، بیس بال واقعیت دیگری هم از زندگی آمریکایی مشخص می کند:"ایزوله سازی". در بین رقابت های حساس جام جهانی که تمام مردم جهان را درگیر کرده است جمعیتی برای تماشای بیس بال می آیند که بعضا حتی اسم لیونل مسی را هم نشنیده اند!
چند روز پیش یکی از دوستان آمریکاییم من رو به بازی بیس بال دعوت کرد. من که قوانین بازی رو نمی دانستم ازش خواستم برام توضیح بده، گفت میریم اونجا بهت میگم. خلاصه بلیط ها رو گرفت و راه افتادیم. بالاخره وارد استادیوم شدیم. از همون اول مشخص بود که تفاوت های زیادی با استادیوم های فوتبال داره. طبقه میانی شبیه به راهروهای پاساژبود. تقریبا هر جور خوراکی ای می شد اونجا پیدا کرد. دوستم گفت سنت(!) اینه که معمولا مردم هات داگ و آب جو می گیرن برای بازی. البته مشخص بود که یک هات داگ ساده، بیشتر اون آدم ها رو سیر نمیکنه. انواع و اقسام فست فود ها رو میشد اونجا دید. بوی مرغ سخاری، سیب زمینی سرخ کرده و ذرت بو داده همه جا رو گرفته بود. گفتم فعلا می تونیم بریم بشینیم. وقتی وارد سکوهای نشستن شدیم کل استادیوم خیلی خلوت بود. ظاهرا استقبال زیادی از بازی نشده بود. روی صندلی خودمون نشستیم و منتظر شروع بازی شدیم. تقریبا مثل هرجای دیگه ای که توی آمریکا برید و زودتر یا حتی به موقع برسید با تبلیغات شما رو بمباران می کنند. از بیلبورد های عظیم و قشنگ اچ دی گرفته تا دور تا دور زمین و هر فضای کوچک و بزرگی که تبدیل به یک تابلوی نورانی برای تبلیغات شده بود! براحتی می شد فهمید که این حجم آزار دهنده از تبلیغات که عملا میدان دید رو میگیره در هیچ بازی ای دیگه ای بجز بیس بال وجود نداره.
یک گروه از بچه های ابتدایی رو برای خواندن سرود ملی آمریکا آورده بودند. قبل از شروع بازی این کار همیشه انجام میشه. زمانی که سرود ملی شروع شد همه بلند شدند. خیلی به جاهای مختلف جمعیت نگاه کردم اما تقریبا کسی ندیدم که به احترام سرود ملی بلند نشده باشه. این نگاه کردن به جمعیت من رو متوجه چیز دیگه ای هم کرد: ظاهرا تنها شخص غیر سفید پوست میان همه جمعیت من بودم! سرود ملی تمام شد و نشستیم. بازی شروع شد. من اطلاع خاصی از نحوه انجام بازی نداشتم به همین خاطردوستم شروع کرد به توضیح دادن. بازی قوانین زیادی داشت و من بیشتراز اینکه به بازی دقت کنم نسبت به اطرافم کنجکاو بودم. مردمی که در حال تماشای بازی بودند اکثرا برای بازی آن جا نبودند. هر کس به کاری مشغول بود. یکی مشغول خوردن بود. یکی با دوست دخترش حرف میزد و یکی در حال مزه انداختن با دوستانش بود. فقط زمانی که بازیکن توپ را با چوب بیس بال میزد و به هوا میرفت همه برمیگشتن و صدای شادی بلند میشد.
تقریبا یک ساعت از شروع بازی گذشته بود که می دیدم استادیوم در حال پر شدنه. دوستم توضیح داد که خیلی ها دیر می آیند و فقط میخواهند نگاه کنند. رفتیم یک هات داگ خریدیم آن هم وسط بازی! تصور رفتن برای خریدن غذا وسط بازی فوتبال خیلی مسخره بنظر میرسه اما در بیس بال خیلی عادی ست. وقتی به طبقه پاساژ مانندِ غذا رسیدیم از جمعیت زیادی که آنجا بودند تعجب کردم! مگر این آدمها برای دیدن بازی بلیط نخریده اند؟ پس اینجا چکار میکنند؟ آن ها در صف های طولانی برای خریدن آبجو یا غذایشان می ایستادند. بعد از گرفتن غذا و برگشتن به صندلی کم کم متوجه شدم که بازی به خودی خود تقریبا هیچ اهمیتی ندارد. دیدن بیس بال بیشتر شبیه به یک فعالیت اجتماعی برای بودن با دوستان ست. تقریبا دو ساعت از شروع بازی گذشته بود که می دیدیم جمعیت در حال خارج شدن از ورزشگاه هستند! با تعجب از دوستم پرسیدم بازی که هنوز تمام نشده؟! چیزی معلوم نیست! گفت خیلی ها حوصله شان سر می رود و به خانه بر میگردند! چرا باید چنین باشد! اگر این بازی حوصله سر براست چرا اصلا می آیند؟!
این بازی "حوصله سر بر" باعث می شد که برای جذب بیشتر تماشاچی ها بین هر بخش(شبیه به نیمه های فوتبال) برنامه های مختلفی بگذارند. این میان برنامه ها من رو یاد برنامه عمو قناد می انداخت مثلا در بین یکی از آن ها به صورت تصادفی از یک تماشاچی می پرسیدند که در کمتر از 10 ثانیه اسم حداقل 6 پیتزایی بزرگ زنجیره ای را بگوید. در نهایت یک جایزه از سمت یک پیتزایی بزرگ به او می دادند! انجام شو هایی از پیش برنامه ریزی شده ای مثل این دیگر برای آمریکایی ها شبیه به مواد اولیه زندگی شده است. همه میدانند که تمام اینها در نهایت تبلیغات است.
بازی بیس بال یک نمایشگاه بسیار گویا از نحوه زندگی آمریکایی است. انجام کاری نه برای انجام آن کار بلکه صرفا برای تفریحات حاشیه ای. یک رویداد بدون شروع و بدون پایان! هیچ چیزی در مورد خود کار مهم نیست بلکه سود در فرم لذت برای فقط چند دقیقه مهم تر است. کسی دلبستگی ای به خود اتفاق ندارد. اتفاقی که در متن هست توسط سرگرمی های حاشیه ای کمرنگ و حتی فراموش می شود. در نهایت، بیس بال واقعیت دیگری هم از زندگی آمریکایی مشخص می کند:"ایزوله سازی". در بین رقابت های حساس جام جهانی که تمام مردم جهان را درگیر کرده است جمعیتی برای تماشای بیس بال می آیند که بعضا حتی اسم لیونل مسی را هم نشنیده اند!
رنگ آمیزی برخی عکس های تاریخ معاصر ایران با الگوریتم deep learning
سورس کد:https://github.com/richzhang/colorization
سورس کد:https://github.com/richzhang/colorization
GitHub
GitHub - richzhang/colorization: Automatic colorization using deep neural networks. "Colorful Image Colorization." In ECCV, 2016.
Automatic colorization using deep neural networks. "Colorful Image Colorization." In ECCV, 2016. - richzhang/colorization
🔵«علاقه‌ات را پیدا کن» توصیه مزخرفی است🔵
«علاقه‌ات را پیدا کن؛ اگر آنچه را دوست داری انجام بدهی پیدا کنی، آن وقت دیگر مجبور نیستی حتی یک روز هم در زندگی‌ات کار کنی». حتماً شما هم جملاتی از این دست را شنیده یا خوانده‌اید. جملاتی که نقل محافل و سمینارهای موفقیت است و کتاب‌های روان‌شناسی عامه‌پسند را پر کرده است. مطالعات اخیر برخی روان‌شناسان برجسته نشان می‌دهد که ممکن است زمانش رسیده باشد که شیوه تفکرمان را درباره علایقمان تغییر دهیم.
پل اوکیف، استادیار روان‌شناسی دانشگاه ییل، کالج ان.یو.اس، می‌گوید: «این توصیه به این معنی است که اگر عملی که انجام می‌دهی مثل کار است، یعنی دوستش نداری». اوکیف مثال دانشجویی را بیان کرد که از این آزمایشگاه به آن یکی می‌پرد و سعی می‌کند تا آن آزمایشگاهی را بیابد که موضوع تحقیق آن مورد علاقه‌اش باشد. «تصور این است که اگر وقتی قدم به یک آزمایشگاه می‌گذارم، غرق در هیجان نمی‌شوم، پس موضوع تحقیقش اشتیاق یا علاقه‌ام نیست».
مؤلفان، در مقاله‌ای که در مجله سایکولوجیکال ساینس در دست انتشار است، تفاوت دو ذهنیت را تصویر کرده‌اند. یکی ذهنیت «نظریه ثابت» است -این تصور که علاقه‌مندی‌های اصلی از زمان تولد وجود دارند و فقط منتظرند که کشف شوند- و دیگری «نظریه رشد»، یعنی تصوری که می‌گوید علایق چیزهایی‌اند که هرکس در طول زمان می‌تواند پرورش دهد.
مؤلفان معتقدند کسانی که طرفدار نظریه‌های ثابتند ممکن است از سخنرانی‌های جالب یا فرصت‌ها به این دلیل صرف نظر کنند که با علاقه‌هایی که قبلاً ابراز کرده‌اند همسو نیستند. یا ممکن است مسیرهایی را نادیده بگیرند که در آن‌ها رشته‌های دیگر ممکن است با مسیر انتخابی‌شان تلاقی پیدا کنند.احمقانه است اگر فکر کنید علایق چیزهایی‌اند که کاملاً شکل‌گرفته پیدا می‌شوند و کار شما این است که برای یافتنشان دور دنیا را بگردید، این شیوه‌ای را منعکس نمی‌کند که من یا دانشجویانم دانشکده را تجربه میکنیم، این‌طور نیست که به کلاس برویم و کنفرانس یا صحبتی داشته باشیم و فکر کنیم که چه جالب. بلکه از طریق روند سرمایه‌گذاری و پیشرفت است که اشتیاقی همیشگی را در یک عرصه ایجاد میکنیم.
دلیل دیگری برای اینکه نظریه ثابت را قبول نکنیم این است که این نظریه ممکن است باعث شود افراد به‌آسانی ناامید شوند. درواقع اگر کاری دشوار شود، آسان خواهد بود که به‌راحتی فرض کنید نباید اشتیاق شما بوده باشد.افرادی که نوعی ذهنیت رشد در مورد هوش خودشان دارند از شکست کمتر می‌ترسند، چرا که آنان معتقدند ذکاوت پروردنی است نه ذاتی. علایق به توانایی‌ها مرتبط‌اند اما از آن‌ها مجزایند
«علاقه‌ات را پیدا کن» تاریخی ستودنی دارد. «پیش از آن، افراد می‌گفتند: ʼاستعدادت را پیدا کنʻ و این گفته بسیار وحشتناک بود. چون بر این دلالت می‌کرد که فقط کسانی که در انجام کاری واقعاً استاد بودند می‌توانستند موفق شوند». او افزود: «ʼعلاقه‌ات را پیدا کنʻ دموکراتیک‌تر به نظر می‌رسد، همه می‌توانند علاقه‌ای داشته باشند». اما این مطالعه می‌گوید حتی ایده پیداکردن علاقه «حقیقی» هم ممکن است افراد را بترساند و مانعشان شود که در زمینه‌ای بیشتر به کندوکاو بپردازند.
مطالعه دیگری که در مورد دیدگاه بزرگ‌سالان به علایق انجام شده است نشان می‌دهد افرادی که فکر میکنند علایق را باید پیدا کرد تمایل دارند شغل‌هایی انتخاب کنند که از آغاز کاملاً مناسبشان است. آن‌ها رضایت را بیش از درآمدِ خوب در اولویت قرار می‌دهند. درحالی که، افرادی که فکر میکنند علایق ایجاد می‌شوند اهداف دیگری را، بیش از رضایت بی‌واسطه از کار، در اولویت قرار می‌دهند، و مؤلفان این مطالعه می‌نویسند: «آن‌ها در طول زمان رشد میکنند تا حرفه‌شان را بهتر انجام دهند» و این‌طور ادامه می‌دهند: «سرانجام، افرادی که تناسب کاملشان را در یک شغل پیدا نکردند می‌توانند امیدوار باشند؛ بیش از یک راه برای رسیدن به علاقه به کار هست».
چگونه ذهنیت «رشد» را در سوژه‌های جوانِ آزمایش‌های روان‌شناسی آینده پرورش دهیم؟ اگر پدر یا مادرید، به‌محض اینکه سرگرمی جدیدی دشوار می‌شود کنارش نگذارید. (اوکیف می‌گوید، اگر این کار را بکنید، ممکن است کودکتان متوجهش شود).
فراتر از این، هیچ راه روشنی برای ایجاد ذهنیت رشد در مورد علایق نیست، به‌جز دانستن این نکته که این شیوۀ معتبری برای تفکر است و اینکه علایقمان ممکن است هنوز همین دوروبرها باشند.
منبع:
https://www.theatlantic.com/science/archive/2018/07/find-your-passion-is-terrible-advice/564932/
«علاقه‌ات را پیدا کن؛ اگر آنچه را دوست داری انجام بدهی پیدا کنی، آن وقت دیگر مجبور نیستی حتی یک روز هم در زندگی‌ات کار کنی». حتماً شما هم جملاتی از این دست را شنیده یا خوانده‌اید. جملاتی که نقل محافل و سمینارهای موفقیت است و کتاب‌های روان‌شناسی عامه‌پسند را پر کرده است. مطالعات اخیر برخی روان‌شناسان برجسته نشان می‌دهد که ممکن است زمانش رسیده باشد که شیوه تفکرمان را درباره علایقمان تغییر دهیم.
پل اوکیف، استادیار روان‌شناسی دانشگاه ییل، کالج ان.یو.اس، می‌گوید: «این توصیه به این معنی است که اگر عملی که انجام می‌دهی مثل کار است، یعنی دوستش نداری». اوکیف مثال دانشجویی را بیان کرد که از این آزمایشگاه به آن یکی می‌پرد و سعی می‌کند تا آن آزمایشگاهی را بیابد که موضوع تحقیق آن مورد علاقه‌اش باشد. «تصور این است که اگر وقتی قدم به یک آزمایشگاه می‌گذارم، غرق در هیجان نمی‌شوم، پس موضوع تحقیقش اشتیاق یا علاقه‌ام نیست».
مؤلفان، در مقاله‌ای که در مجله سایکولوجیکال ساینس در دست انتشار است، تفاوت دو ذهنیت را تصویر کرده‌اند. یکی ذهنیت «نظریه ثابت» است -این تصور که علاقه‌مندی‌های اصلی از زمان تولد وجود دارند و فقط منتظرند که کشف شوند- و دیگری «نظریه رشد»، یعنی تصوری که می‌گوید علایق چیزهایی‌اند که هرکس در طول زمان می‌تواند پرورش دهد.
مؤلفان معتقدند کسانی که طرفدار نظریه‌های ثابتند ممکن است از سخنرانی‌های جالب یا فرصت‌ها به این دلیل صرف نظر کنند که با علاقه‌هایی که قبلاً ابراز کرده‌اند همسو نیستند. یا ممکن است مسیرهایی را نادیده بگیرند که در آن‌ها رشته‌های دیگر ممکن است با مسیر انتخابی‌شان تلاقی پیدا کنند.احمقانه است اگر فکر کنید علایق چیزهایی‌اند که کاملاً شکل‌گرفته پیدا می‌شوند و کار شما این است که برای یافتنشان دور دنیا را بگردید، این شیوه‌ای را منعکس نمی‌کند که من یا دانشجویانم دانشکده را تجربه میکنیم، این‌طور نیست که به کلاس برویم و کنفرانس یا صحبتی داشته باشیم و فکر کنیم که چه جالب. بلکه از طریق روند سرمایه‌گذاری و پیشرفت است که اشتیاقی همیشگی را در یک عرصه ایجاد میکنیم.
دلیل دیگری برای اینکه نظریه ثابت را قبول نکنیم این است که این نظریه ممکن است باعث شود افراد به‌آسانی ناامید شوند. درواقع اگر کاری دشوار شود، آسان خواهد بود که به‌راحتی فرض کنید نباید اشتیاق شما بوده باشد.افرادی که نوعی ذهنیت رشد در مورد هوش خودشان دارند از شکست کمتر می‌ترسند، چرا که آنان معتقدند ذکاوت پروردنی است نه ذاتی. علایق به توانایی‌ها مرتبط‌اند اما از آن‌ها مجزایند
«علاقه‌ات را پیدا کن» تاریخی ستودنی دارد. «پیش از آن، افراد می‌گفتند: ʼاستعدادت را پیدا کنʻ و این گفته بسیار وحشتناک بود. چون بر این دلالت می‌کرد که فقط کسانی که در انجام کاری واقعاً استاد بودند می‌توانستند موفق شوند». او افزود: «ʼعلاقه‌ات را پیدا کنʻ دموکراتیک‌تر به نظر می‌رسد، همه می‌توانند علاقه‌ای داشته باشند». اما این مطالعه می‌گوید حتی ایده پیداکردن علاقه «حقیقی» هم ممکن است افراد را بترساند و مانعشان شود که در زمینه‌ای بیشتر به کندوکاو بپردازند.
مطالعه دیگری که در مورد دیدگاه بزرگ‌سالان به علایق انجام شده است نشان می‌دهد افرادی که فکر میکنند علایق را باید پیدا کرد تمایل دارند شغل‌هایی انتخاب کنند که از آغاز کاملاً مناسبشان است. آن‌ها رضایت را بیش از درآمدِ خوب در اولویت قرار می‌دهند. درحالی که، افرادی که فکر میکنند علایق ایجاد می‌شوند اهداف دیگری را، بیش از رضایت بی‌واسطه از کار، در اولویت قرار می‌دهند، و مؤلفان این مطالعه می‌نویسند: «آن‌ها در طول زمان رشد میکنند تا حرفه‌شان را بهتر انجام دهند» و این‌طور ادامه می‌دهند: «سرانجام، افرادی که تناسب کاملشان را در یک شغل پیدا نکردند می‌توانند امیدوار باشند؛ بیش از یک راه برای رسیدن به علاقه به کار هست».
چگونه ذهنیت «رشد» را در سوژه‌های جوانِ آزمایش‌های روان‌شناسی آینده پرورش دهیم؟ اگر پدر یا مادرید، به‌محض اینکه سرگرمی جدیدی دشوار می‌شود کنارش نگذارید. (اوکیف می‌گوید، اگر این کار را بکنید، ممکن است کودکتان متوجهش شود).
فراتر از این، هیچ راه روشنی برای ایجاد ذهنیت رشد در مورد علایق نیست، به‌جز دانستن این نکته که این شیوۀ معتبری برای تفکر است و اینکه علایقمان ممکن است هنوز همین دوروبرها باشند.
منبع:
https://www.theatlantic.com/science/archive/2018/07/find-your-passion-is-terrible-advice/564932/
The Atlantic
‘Find Your Passion’ Is Awful Advice
A major new study questions the common wisdom about how we should choose our careers.
چرا در ریاضیات به اثبات احتیاج داریم؟
جدای از زیبایی اثبات، یافتن شواهد زیاد هم هیچگاه نمی تواند یک الگو را ثابت کند. این برخلاف علم تجربی است که صرفا بر مشاهده ها استوار است. در ریاضیات به اثبات محکم برای تمام حالت ها احتیاج داریم.
به طور مثال میتوان مشاهده کرد که عدد ۶ پر فرکانس ترین عدد بین اعداد اول متوالی است. اما زمانی که از عدد
17,427,000,000,000,000,000,000,000,000,000
گذر میکنیم این الگو دیگر درست نیست!!!!
جدای از زیبایی اثبات، یافتن شواهد زیاد هم هیچگاه نمی تواند یک الگو را ثابت کند. این برخلاف علم تجربی است که صرفا بر مشاهده ها استوار است. در ریاضیات به اثبات محکم برای تمام حالت ها احتیاج داریم.
به طور مثال میتوان مشاهده کرد که عدد ۶ پر فرکانس ترین عدد بین اعداد اول متوالی است. اما زمانی که از عدد
17,427,000,000,000,000,000,000,000,000,000
گذر میکنیم این الگو دیگر درست نیست!!!!
گالیله: به خلاف تصور همه‌گان، جهان با عظمت با همه صورت‌های فلکی‌اش به دور زمین ناچیز ما نمی‌گردد.
ساگردو: پس یعنی همه اینها فقط ستاره است؟ پس خدا کجاست؟
گالیله: مقصودت چیست؟
ساگردو: خدا! خدا کجاست؟
گالیله: آن بالا نیست. همان‌طور که اگر موجوداتی در آن بالا باشند و بخواهند خدا را در اینجا پیدا کنند، در زمین گیرش نمی‌آورند.
ساگردو: پس خدا کجاست؟
گالیله: من که در الهیات کار نکرده‌ام. من ریاضی‌دانم.
ساگردو: قبل از هر چیز تو آدمی. و من از تو می‌پرسم که در دستگاه دنیایی تو، خدا کجاست؟
گالیله: یا در ما یا هیچ جا...
زندگی گالیله
برتولت برشت
ساگردو: پس یعنی همه اینها فقط ستاره است؟ پس خدا کجاست؟
گالیله: مقصودت چیست؟
ساگردو: خدا! خدا کجاست؟
گالیله: آن بالا نیست. همان‌طور که اگر موجوداتی در آن بالا باشند و بخواهند خدا را در اینجا پیدا کنند، در زمین گیرش نمی‌آورند.
ساگردو: پس خدا کجاست؟
گالیله: من که در الهیات کار نکرده‌ام. من ریاضی‌دانم.
ساگردو: قبل از هر چیز تو آدمی. و من از تو می‌پرسم که در دستگاه دنیایی تو، خدا کجاست؟
گالیله: یا در ما یا هیچ جا...
زندگی گالیله
برتولت برشت
Forwarded from Deep learning channel (Alister☄)
در حال حاضرخلاصه راهنمای یادگیری ماشین،به زبان فارسی در دسترس است.
یادگیری عمیق:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-deep-learning
نکات و ترفندهای یادگیری ماشین:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks
یاگیری با نظارت:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-supervised-learning
یادگیری بدون نظارت:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-unsupervised-learning
یادآوری آمار و احتمالات
https://stanford.edu/~shervine/l/fa/teaching/cs-229/refresher-probabilities-statistics
یادآوری جبر خطی و حسابان
https://stanford.edu/~shervine/l/fa/teaching/cs-229/refresher-algebra-calculus
یادگیری عمیق:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-deep-learning
نکات و ترفندهای یادگیری ماشین:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks
یاگیری با نظارت:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-supervised-learning
یادگیری بدون نظارت:
https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-unsupervised-learning
یادآوری آمار و احتمالات
https://stanford.edu/~shervine/l/fa/teaching/cs-229/refresher-probabilities-statistics
یادآوری جبر خطی و حسابان
https://stanford.edu/~shervine/l/fa/teaching/cs-229/refresher-algebra-calculus
stanford.edu
CS ۲۲۹ - راهنمای کوتاه یادگیری عمیق
Teaching page of Shervine Amidi, Graduate Student at Stanford University.