شبیه سازی حرکت گروهی پرندگان در پایتون

https://vrgl.ir/PYSfB
@Matlabtips

‍ ⚡️مجوز اخلاقی (moral licensing)⚡️


در سازمانهایی که باد تند نقد عمومی وجود ندارد، یک فساد کوچک مانند قارچ رشد می کند(فردریش نیچه)
(تصویری از متهمان اخیر فساد پتروشیمی)

شما به طور معمول نوشابه نمی خورید اما در مهمانی هستید و آنجا نوشابه هست. با خودتان می گویید حالا یکبار که چیزی نمی شود. اتفاقا اخیرا خیلی سالم غذا خورده ام! مدتی است کمک زیادی به فقرا و خیریه می کنید موقعیتی پیش می آید و قدری پول بی حساب دستتان می رسد با خود میگویید من کار خوب زیاد کرده ام اشکالی ندارد این پول را بردارم!

چرا افرادی که به صورت نرمال اخلاقی هستند دست به کارهای غیر اخلاقی می زنند؟ دقیقا در آن لحظه چه اتفاقی می افتد؟ تصویر ساده از انسان که در دانش عرفی و ادیان بر آن تاکید می شود انسان را موجودی می داند که با پرهیزگاری و تقوا می تواند موجودی اخلاقی هم شود. اما چرا این اتفاق نمی افتد؟ چرا افراد پرهیزگار در مسند قدرت شروع می کنند به انجام کارهای غیر اخلاقی و در نهایت کنترل همه چیز از دست می رود. تنها دلیل این اتفاق این است که تصویر ما از روانشناسی انسان برای مدت ها دچار خطا بوده است. تصویر قدیمی اعتماد بیش از حدی به باور ها و عقاید افراد داشت اما تصویر جدید انسان را موجودی می داند که هنگام تصمیم گیری فقط بر اساس باور عمل نمی کند. این تصویر اساس فلسفه های مدرنی است که بنیان دموکراسی های غربی را شکل می دهد. این فلسفه ها متاسفانه تصویر تاریکی از طبیعت بشر ارایه می کنند.
اما روانشناسی جدید هم تصویر بهتری ارایه نمی کند. همه ما وقتی کار نادرستی انجام می دهیم احساس گناه یا عذاب وجدان می کنیم و می گوییم که آن را تکرار نمی کنیم. اما بخش دیگر ماجرا که به آن پرداخت نشده است تمایل انسان برای متعادل کردن تصمیم های خوب و بد است! به خودمان می گوییم مشکلی ندارد که این یک تکه شیرینی را بخورم چون دیروز یک ساعت دویده ام. اشکالی ندارد اگر این لباس گران قیمت را بخرم چون اخیرا خیلی صرفه جویی کرده ام و اشکالی ندارد این حساب ها را قدری جابجا کنم چون من که یک آدم خداشناس هستم! امروزه دیگر این رفتار یک فکت است چرا که مطالعه رفتار مشتری ها و افراد آن را به اثبات رسانده است. در یک مطالعه در دانشگاه تورنتو نشان داده شد افرادی که محصولات سبز(مفید برای محیط زیست) می خرند با احتمال بیشتری ممکن است یکی دو جنس را از مغازه کش بروند![1] مثال های این چنینی در روانشناسی رفتاری بسیار زیاد هستند[2].

مجوز اخلاقی مکانیزمی است که طی آن افراد به خود اجازه می دهند برای یک بار یا حتی مدت کوتاهی کاری که خود میدانند غلط است را انجام بدهند چون خود را به اندازه کافی پرهیزگار می دانند که در نهایت خیلی هم برایشان بد نشود! در واقع وقتی ما یک عمل خوب انجام می دهیم حس خوبی که از آن میگیریم به نحوی این اجازه را به ما می دهد که دفعه های بعدی خودخواهانه تر رفتار کنیم. تنها راه برون رفت از این شیوه زیستن آگاهی نسبت به آن است و دانستن این نکته که پرهیزگاری اخلاق نمی آورد!

[1] https://arxiv.org/pdf/1711.05492
[2] https://ipfs.io/ipfs/QmXoypizjW3WknFiJnKLwHCnL72vedxjQkDDP1mXWo6uco/wiki/Moral_self-licensing.html

🕊شبیه سازی حرکت گروهی پرندگان در پایتون (قسمت ۲)🕊

در قسمت قبلی نشان دادیم که چطور می توان حرکت پرندگان و قانون هم ترازی را در پایتون پیاده سازی کرد. در این قسمت به پیاده سازی دو قانون دیگر یعنی جدایی و انسجام می پردازیم.

https://vrgl.ir/ruEDR

فرانسوا شله، بنیان گذار کتابخانه یادگیری عمیق keras و از پیشروان هوش مصنوعی به ویتگنشتاین فیلسوف بزرگ قرن بیستم اشاره کرده است، این اهمیت دانستن فلسفه حتی برای فنی ترین افراد را نشان می دهد.

🔥بهترین منبع برای یادگیری ماشین و یادگیری عمیق (Machine learning and Deep learning)🔥

این موضوع شاید چیزی باشد که واقعا نیازی به معرفی نداشته باشد اما کافی است یک سرچ در گوگل بکنید تا متوجه بشوید در هزاران هزار منابع مختلف برای یادگیری ماشین گم می شوید. همه آن ها هم به شما می گویند ما بهترین منبع هستیم! از کورس های آنلاین گرفته تا کتابخانه ها و کتابها! شاید یادگیری ماشین جز معدود مباحثی باشید که بیش از نیاز برایش منبع بر روی اینترنت وجود دارد. اما اینجا نمی خواهم دوباره همان داستان را با گیج کردن شما با معرفی چندین منبع ادامه بدهم. به همین خاطر فقط یک منبع معرفی میکنم. یادگیری موضوعی مثل "یادگیری ماشین و یادگیری عمیق" ممکن است از دید عده ای با چند توتریال هم ممکن باشد اما اگر می خواهید در حد قابل قبولی مفاهیم را هم یاد بگیرید نیاز هست به کتاب مراجعه کنید. کتابی که معرفی میکنم نیاز به پیش نیازهای ریاضی چندانی ندارد به همین خاطر یک کتاب بسیار فنی نیست و از طرفی هم به سطحی بودن یک توتریال نیست. این کتاب یک بالانس فوق العاده بین مفاهیم تئوری و عملی بر قرار کرده است و برای هر کسی در حد سطحی حرفی برای گفتن دارد. کتاب بسیار ساده و روان است و نویسنده به خوبی از عهده روشن کردن تمام جزییات بر آمده است:

https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291

👓 به دلیل حفظ حق کپی رایت نمی توانم خود pdf کتاب را اینجا قرار بدهم اما دانلود آن ساده است. کافی است به سایت https://gen.lib.rus.ec بروید اسم کتاب را سرچ کنید و آن را دانلود کنید . همچنین لینک گیت هاب برای دسترسی به کد ها اینجاست.
👓 ویرایش جدیدتر کتاب بزودی منتشر می شود اما اگر می خواهید به محتوای آن دسترسی داشته باشید خود نویسنده سخاوتمندانه کدهای آن را در قالب Jupyter notebook در گیت هاب قرار داده است.

🗣باز سازی چهره از روی صدای شخص!(speech2face)👨🏻‍🦲

شاید بیشتر شبیه به فیلمهای بی سر و ته جیمز باند بنظر برسد اما واقعیت دارد! پژوهشگران دانشگاه MIT شبکه عصبی ای را آموزش داده اند که می تواند چهره فرد را بر اساس صدایش بازسازی کند! این کار بر اساس استخراج ویژگی های مشخصی مانند سن، جنسیت و قومیت(ethnicity) صورت می پذیرد اگرچه همبستگی (correlation) های پیچیده تری هم بین تصاویر چهره و صداها وجود دارد که قابل توضیح به صورت یک ویژگی سطح بالا (مثلا همان سن و جنسیت) نیستند. هرچند عجیب به نظر می رسد اما این پژوهشگران نشان داده اند که همبستگی های زیادی بین صدا و تصویر وجود دارد! البته چند نکته در این بازسازی وجود دارد. بازسازی ای که انجام می شود یک تصویر میانگین می دهد به این معنا که اطلاعات مربوط به صدا به صورت کامل نمی توانند چهره یک شخص را تعیین کنند بلکه یک تصویر حدودی که مربوط به اشخاصی که ممکن است صدایشان آنطور باشد را خروجی می دهد. کدهای این پروژه هنوز در دسترس نیست اما بزودی بر روی این صفحه قرار می گیرد.

@matlabtips

🧩آیا برای اثبات قضایا به مغز انسان احتیاج هست؟🧩

گوگل شبکه ی عصبی ای را برای اثبات کننده قضایا (theorem prover) توسعه داده است که تا کنون توانسته ۱۲۰۰ قضیه جدید را اثبات کند! این شبکه بر روی ۱۰۲۰۰ قضیه اثبات شده از منابع مختلف آموزش داده شده است. بیشتر این قضایا در زمینه های جبر خطی، آنالیز حقیقی و آنالیز مختلط بوده اند.
مقاله https://arxiv.org/abs/1904.03241

🖥منبع برای یادگیری زبان پایتون به فارسی رایگان🖥

به جرات می توان گفت که این مجموعه جادی بهترین منبع برای یادگیری زبان پایتون به فارسی است. اگر جادی رو نمیشناسید باید بگم که یکی از پیشگامان روزنامه نگاری علمی برای برنامه نویسان و ایجاد کننده خیلی از منابع بسیار مفید یادگیری برنامه نویسی و لینوکس و غیره به صورت رایگان برای همه است. سایتش رو هم می تونید چک کنید. این نسخه آپارات و یوتیوب برای دوره یادگیری پایتون است.

All of man's troubles come from his inability to sit quietly in a room by himself

🎵برنامه shazam چطوری کار میکند؟🎵

احتمالا با برنامه shazam آشنا هستید (اگر نیستند آن را دانلود و نصب کنید چون بسیار ضروری است!). این برنامه میتواند اسم آهنگی که پخش می شود را حتی در یک محیط پر سرو صدا و نویزی پیدا کند! کافی است میکروفون را روشن کنید و بعد از چند ثانیه اسم آهنگ را نشان می دهد. این برنامه ی بسیار مفید بر اساس ایده ی نسبتا ساده ای در پردازش سیگنال کار میکند. نویسندگان مقاله شزم این ایده را تجاری کردند و شرکت بزرگی بنا نهادند. در نهایت در سال ۲۰۱۸ اپل این شرکت را به ارزش ۴۰۰ میلیون دلار خرید! (میشه دید بعضی مقاله ها آدم رو پولدار می کنن!! 😄😄)

به تشخیص یکتای موسیقی، انگشت نگاری صوتی (audio fingerprinting) هم می گویند و دقیقا مانند انگشت نگاری های معمول به دنبال یافتن اثر انگشت یکتای هر موسیقی ای است که ساخته شده یا خواهد شد! در مرحله اول spectrogram آهنگ تهیه می شود. Spectrogram چیزی نیست جز تبدیل فوریه موسیقی در زمان. به این معنا که شما مثلا برای هر صدم ثانیه از موسیقی خود یک تبدیل فوریه میگیرید و سپس آن ها را پشت سر هم قرار می دهید. چیزی که به دست می آید نموداری شبیه به شکل زیر می شود

که در آن ارتفاع هر نمودار به صورت رنگ نمایش داده شده است. (هر چه رنگ گرم تر باشد نشان دهند قسمت های بلند تر است) به نحوی می توان گفت این یک نمودار سه بعدی هم هست. در مرحله بعدی نقاط مرتفع را پیدا می کنیم. نقطه ای مرتفع است که از همسایگان خود بالا تر باشد. می توان با یک فیلتر بالا گذر آن ها را براحتی پیدا کرد. نتیجه چیزی شبیه به زیر خواهد بود

در مرحله بعد از این نقشه، فاصله های نقاط مرتفع و مقدار فرکانس آن ها را به یک تابع درهم سازی (hash function) می دهیم. همانطور که قبلا هم در مورد توابع در هم سازی گفتیم آن ها توابعی هستند که به ازای هر ورودی یک خروجی یکسان می دهند (تابع های یک به یک هستند)‌ و همچنین کوچکترین تفاوت در ورودی منجر به خروجی ها بسیار متفاوت می شود. به این ترتیب می توان به ازای هر نقشه یک عدد منحصر بفرد داشت.

در آخرین مرحله کافی است اسم هر آهنگ و این عدد یکتا را در یک دیتابیس ذخیره کرد و بعدا هرگاه بخواهیم آهنگ را پخش کنیم می توانیم آن را پیدا کنیم!
اینجا کدهای پیاده سازی یک پروژه شبیه به shazam در پایتون به همراه توضیحات مفصل تر را می توانید پیدا کنید.

"عزیزم، امروز ۶۱۸ امین روز آشناییمونه! امیدوارم مثل خورشید حست مثبت باشه!❤️"
پیام رمانتیک این چنینی برای هر کسی جذابه و روزش رو میسازه، اما تصور کنید چند لحظه بعد پیام دیگه ای ازش دریافت میکنید:
"دمای هوا ۱۸ تا ۳۴ درجه سانتی گراد، کیفیت هوا ۴۲"
اینجاست که متوجه میشید یه جای کار میلنگه!
یک برنامه نویس چینی برای خلاص شدن از پیام رد و بدل کردن با دوست دخترش یک چت بات طراحی میکنه تا باهاش موقعی که کار میکنه حرف بزنه! کار خوب جلو میره تا اینکه دختره شک میکنه به سرعت بالای جواب دادن و جواب های پرت و پلایی که گاهی اوقات میاد! این بار که مچ طرف گرفته شد اما
با ظهور فناوری های پیچیده تر در پردازش زبان طبیعی بخصوص gpt2 و bert و چت بات هایی که دارای شخصیت هستند گول خوردن از این سیستم ها هر روز ساده تر میشه.
بزودی مطالبی در مورد طراحی چت بات در کانال قرار میدم

https://www.abacusnews.com/digital-life/busy-boyfriend-creates-bot-chat-his-girlfriend/article/3013843

‍ 🌕پردازش زبان طبیعی (Natural language processing)🌕

من در کانال مطالب متنوعی می گذارم و سعی میکنم طوری به موضوعات بپردازم که هم سرگرم کننده و جالب باشد و هم به درد طیف وسیع تری از افراد با رشته ها و پس زمینه های متفاوت بخورد. اما به شخصه رشته من کامپیوتر و تمرکز اصلی هم بر روی هوش مصنوعی و باز هم درون آن بر روی پردازش زبان طبیعی کار میکنم. اما پردازش زبان طبیعی چیست؟

پردازش زبان طبیعی (NLP) زیرشاخه ای از هوش مصنوعی ست که هدف نهایی آن ایجاد الگوریتم ها و سیستم هایی است که زبان طبیعی (یعنی زبان هایی که هر روزه استفاده میکنیم مثل فارسی، انگلیسی و غیره و نه زبان های مصنوعی مثل زبان های برنامه نویسی) را مثل انسان درک کند. انجام این کار آنچنان سترگ است که بسیاری از بنیانگذاران و پیشروان هوش مصنوعی هدف نهایی هوش مصنوعی را همین می دانند یعنی اینکه ماشین بتواند با انسان حرف بزند و نتوان راهی برای تفکیک آن با یک شخص دیگر پیدا کرد. آزمون تورینگ که آزمون نهایی هوشمندی ماشین است در اساس یک آزمون پردازش زبان طبیعی است. این آزمون به این ترتیب است که یک شخص از طریق مثلا یک ترمینال شروع به چت کردن می کند. شخصی که در آن طرف این چت است ممکن است یک ماشین یا انسان باشد. اگر شما هیچ راهی پیدا نکنید که تشخیص دهید شخص آن سوی چت ماشین یا انسان است (یعنی ربات یا چت بات آنقدر خوب این کار را انجام دهد و شما را بفریبد) آن گاه ماشین از آزمون سربلند و موفق بیرون می آید. این آزمون زیرکانه چند نکته دارد.

اول اینکه این آزمون اهمیت درک زبان را نشان می دهد. پرسش فلسفی و کهنی که آیا ذهن و زبان دو چیز جدا هستند یا یکی هستند نشان می دهد که اساسا زبان حتی اگر تمام ذهن نباشد بزرگترین بخش آگاهی انسان است. زبان های انسانی پیچیده ترین ساختارهایی هستند که در جهان هستی وجود دارد چرا که برای درک جهان و حتی خود زبان ما از زبان استفاده می کنیم!

نکته دوم اینکه آزمون تورینگ به صورت بسیار هوشمندانه ای از چالش های فلسفی برای تعریف هوش یا آگاهی قصر در می رود! از دید آزمون تورینگ موجودی هوشمند است اگر از بیرون هیچ تفاوتی با دیگر انسان ها نداشته باشد. این آزمون در واقع بر اساس رفتار گرایی ست و از پرسش هایی که مربوط به روان و اجزای آن یا حتی مغز و غیره است در امان است. این مشی هوشمندانه روشی بود که نه تنها در هوش مصنوعی بلکه در زبان شناسی، روانشناسی و فلسفه هم از دهه ۴۰ میلادی به بعد اتخاذ شد. فلسفه و زبان شناسی ویتگنشتاین، روانشناسی رفتارگرای اسکینر و بقیه افراد موفقیت این روش را نشان می دهد.

اگر فیلم her را دیده باشید متوجه می شوید که چالش اصلی یعنی ارتباط موفق و طولانی مدت بین یک ماشین و انسان برقرار شده است. از طریق دیدن این فیلم درک این روش هم ساده تر خواهد شد.
اگر آزمون تورینگ واقعا معیار اصلی برای آگاهی باشد بنابراین هیچ مانعی بر سر راه ماشین هایی نخواهد بود که بتوانند با انسان ارتباط برقرار کنند. به عبارت دیگر از این دید خود انسان هم یک ماشین است با این تفاوت که بسیار پیچیده تر است و از ترانزیستور و سیلیکون ساخته نشده بلکه از سلول های عصبی و کربن ساخته شده! به عبارتی آنچه اهمیت دارد نه سخت افزار پیاده سازی «آگاهی» بلکه نرم افزار آن است.

با این مقدمه کوتاه در مورد پردازش زبان طبیعی اگر آن را جذاب یافتید می توانید برای شروع مطالعه از بازنمایی های عصبی کلمه شروع کنید. در لینک های زیر توضیح و پیاده سازی آن را را آورده ام:

توضیح:

https://lilianweng.github.io/lil-log/2017/10/15/learning-word-embedding.html
پیاده سازی:

https://towardsdatascience.com/implementing-word2vec-in-pytorch-skip-gram-model-e6bae040d2fb