This media is not supported in your browser
VIEW IN TELEGRAM
انتقال چهره کیانو ریوز (keanu reeves) بر روی چهره بروسلی در ویدیو معروف او توسط ctrl shift face به مدد فناوری GAN و یادگیری عمیق
(اگر دقت کنید تنها راه تشخیص جعلی بودن ویدیو بی روح بودن جهت حرکت چشم هاست که بازیگر را شبیه افراد نابینا میکند)
(اگر دقت کنید تنها راه تشخیص جعلی بودن ویدیو بی روح بودن جهت حرکت چشم هاست که بازیگر را شبیه افراد نابینا میکند)
🌕منشا خرافات کجاست؟ (قسمت ۱)🌕
هر کسی با دیدن عکس زیر شوکه می شود. چگونه ممکن است هنوز در قرن بیست و یکم نزدیک به دویست هزار نفر که به اینترنت دسترسی دارند و تقریبا بیشتر آن ها با سواد و حتی تحصیلات دانشگاهی دارند به خرافاتی مثل فال باور داشته باشند! اگرچه غم انگیز است اما اولا این پدیده تقریبا جهانی است و دوما این نشان بزرگی است از اینکه چقدر ما هنوز بر اساس غرایز و مغز پیشینی خود زندگی می کنیم.
باور به خرافات شاید طولانی ترین سابقه در حیات و فرگشت بشر داشته باشد. سوالاتی به ذهن می رسد که سعی میکنم برای آن ها پاسخ هایی بیابیم:
۱- اصلا چرا خرافات وجود دارند؟
۲- خرافات چگونه کار میکنند؟
۳- کارکرد فرگشتی خرافات چیست؟
۴- چرا باور به خرافات اینقدر ساده است؟
کلید حل بخش بزرگی از این معما در مغز ما نهفته است. مغز ما قدرتمندترین و پیچیده ترین ماشین محاسباتی جهان است اما این سیستمی نیست که «طراحی» شده باشد پس در همه جا نمی تواند دقیق ترین جواب ها را بیابد!
ادامه: https://vrgl.ir/x5iAY
هر کسی با دیدن عکس زیر شوکه می شود. چگونه ممکن است هنوز در قرن بیست و یکم نزدیک به دویست هزار نفر که به اینترنت دسترسی دارند و تقریبا بیشتر آن ها با سواد و حتی تحصیلات دانشگاهی دارند به خرافاتی مثل فال باور داشته باشند! اگرچه غم انگیز است اما اولا این پدیده تقریبا جهانی است و دوما این نشان بزرگی است از اینکه چقدر ما هنوز بر اساس غرایز و مغز پیشینی خود زندگی می کنیم.
باور به خرافات شاید طولانی ترین سابقه در حیات و فرگشت بشر داشته باشد. سوالاتی به ذهن می رسد که سعی میکنم برای آن ها پاسخ هایی بیابیم:
۱- اصلا چرا خرافات وجود دارند؟
۲- خرافات چگونه کار میکنند؟
۳- کارکرد فرگشتی خرافات چیست؟
۴- چرا باور به خرافات اینقدر ساده است؟
کلید حل بخش بزرگی از این معما در مغز ما نهفته است. مغز ما قدرتمندترین و پیچیده ترین ماشین محاسباتی جهان است اما این سیستمی نیست که «طراحی» شده باشد پس در همه جا نمی تواند دقیق ترین جواب ها را بیابد!
ادامه: https://vrgl.ir/x5iAY
ویرگول
منشا خرافات کجاست؟ (قسمت ۱)
هر کسی با دیدن عکس زیر شوکه می شود. چگونه ممکن است هنوز در قرن بیست و یکم نزدیک به دویست هزار نفر که به اینترنت دسترسی دارند و تقریبا بیشتر…
⭐️تحلیل توضیحی داده ها (Exploratory data analysis) ⭐️
وقتی که یه مجموعه داده dataset در اختیار شما قرار می دهند ممکن است برای تحلیل آن سر در گم شوید. نمی دانید دقیقا بایداز کجا شروع کنید با این که حتی اطلاعاتی در مورد جزییات آن می دانید. مثلا ممکن است داده های شما در مورد افراد مریضی باشد که دارای اسم و شماره ملی و ساعت بستری مدت زمان بستری شدن و داروهایی که گرفته اند و زمان بیهوشی و غیره باشد. اما تحلیل توضیحی داده ها (Exploratory data analysis) که استخراج مهمترین ویژگی های داده هاست باید مهمترین قدم شما برای شناخت داده ها باشد.
بدون شناخت داده ها اجرای هر گونه الگوریتم یا داده کاوی یا خوراندن آن ها به شبکه های عصبی کار بسیار بسیار اشتباهی ست. این اشتباهی است که البته نه تنها تازه کارها بلکه حرفه ای ها هم دچار آن می شوند. بدون شناخت داده ها ممکن است شما هفته ها و ماهها به دنبال اطلاعات سطح بالایی باشید و هزاران الگوریتم مختلف از کتابخانه های مختلف را امتحان کنید ولی به هیچ نتیجه ای هم نرسید. دلیل آن هم واضح است شما تحلیل اولیه بر روی داده هایتان را انجام نداده اید. شما هیچ ایده ای ندارید که میزان بستری شدن بیمار چه همبستگی ای با زمان مرخصی بیمار دارد. شما حتی نمی دانید چند درصد از افراد در دیتا ستتان زن و چند درصد مرد هستند. ساعت های مراجع چه توزیعی دارند و خیلی سوالات دیگر که با دانستن آن ها تازه متوجه می شوید چه پیش پردازش هایی برای داده هایتان لازم بود در صورتی که تمام مدت شما فقط به صورت کور داده ها را به یک الگوریتم یادگیری می خوراندید.
ابزارهای زیادی برای تحلیل توضیحی داده ها وجود دارد. حتی Excel اگر درست از آن استفاده کنید اطلاعات زیادی به شما می دهد. اما جدای از ابزارهای سطح بالایی مثل excel ، orange یا rapid minder و غیره ابزارهای دیگری هم وجود دارند که در سطح کد هستند و بیشتر می توانید آن ها را وارد مراحل بعدی پردازش کنید. یکی از بهترین های آن ها pandas profiling است که فقط با دادن دیتا فریم داده ها در قالب یک فایل به فرمت های مختلف (مثلا اکسل یا csv) یک تحلیل کامل از بسیاری از جنبه های داده انجام می دهد که به هیچ وجه در نگاه اول واضح نیستند. اینجا می توانید روش نصب آن را ببینید و اینجا هم یک توضیح در مورد نحوه استفاده از آن.
یکی از ریپورت های کامل را هم می توانید از این لینک مشاهده کنید.
وقتی که یه مجموعه داده dataset در اختیار شما قرار می دهند ممکن است برای تحلیل آن سر در گم شوید. نمی دانید دقیقا بایداز کجا شروع کنید با این که حتی اطلاعاتی در مورد جزییات آن می دانید. مثلا ممکن است داده های شما در مورد افراد مریضی باشد که دارای اسم و شماره ملی و ساعت بستری مدت زمان بستری شدن و داروهایی که گرفته اند و زمان بیهوشی و غیره باشد. اما تحلیل توضیحی داده ها (Exploratory data analysis) که استخراج مهمترین ویژگی های داده هاست باید مهمترین قدم شما برای شناخت داده ها باشد.
بدون شناخت داده ها اجرای هر گونه الگوریتم یا داده کاوی یا خوراندن آن ها به شبکه های عصبی کار بسیار بسیار اشتباهی ست. این اشتباهی است که البته نه تنها تازه کارها بلکه حرفه ای ها هم دچار آن می شوند. بدون شناخت داده ها ممکن است شما هفته ها و ماهها به دنبال اطلاعات سطح بالایی باشید و هزاران الگوریتم مختلف از کتابخانه های مختلف را امتحان کنید ولی به هیچ نتیجه ای هم نرسید. دلیل آن هم واضح است شما تحلیل اولیه بر روی داده هایتان را انجام نداده اید. شما هیچ ایده ای ندارید که میزان بستری شدن بیمار چه همبستگی ای با زمان مرخصی بیمار دارد. شما حتی نمی دانید چند درصد از افراد در دیتا ستتان زن و چند درصد مرد هستند. ساعت های مراجع چه توزیعی دارند و خیلی سوالات دیگر که با دانستن آن ها تازه متوجه می شوید چه پیش پردازش هایی برای داده هایتان لازم بود در صورتی که تمام مدت شما فقط به صورت کور داده ها را به یک الگوریتم یادگیری می خوراندید.
ابزارهای زیادی برای تحلیل توضیحی داده ها وجود دارد. حتی Excel اگر درست از آن استفاده کنید اطلاعات زیادی به شما می دهد. اما جدای از ابزارهای سطح بالایی مثل excel ، orange یا rapid minder و غیره ابزارهای دیگری هم وجود دارند که در سطح کد هستند و بیشتر می توانید آن ها را وارد مراحل بعدی پردازش کنید. یکی از بهترین های آن ها pandas profiling است که فقط با دادن دیتا فریم داده ها در قالب یک فایل به فرمت های مختلف (مثلا اکسل یا csv) یک تحلیل کامل از بسیاری از جنبه های داده انجام می دهد که به هیچ وجه در نگاه اول واضح نیستند. اینجا می توانید روش نصب آن را ببینید و اینجا هم یک توضیح در مورد نحوه استفاده از آن.
یکی از ریپورت های کامل را هم می توانید از این لینک مشاهده کنید.
⭐️معرفی ابزار عمومی⭐️
اگر شما هم مثل من هر روز ساعات زیادی را پیشت کامپیوتر و در اینترنت سر می کنید یکی از راه های بسیار عالی برای کاهش خستگی و درد چشم استفاده از افزونه زیر است که می توانید با آن کل تم مرورگر خودتون رو تاریک کنید. این افزونه تقریبا برای همه سایت ها عالی عمل میکنه. همچنین می تونید میزان روشنایی، کنتراست و sepia نور رو کنترل کنید. قابل نصب بر روی گوگل کروم، فایرفاکس و سافاری
https://darkreader.org/
اگر شما هم مثل من هر روز ساعات زیادی را پیشت کامپیوتر و در اینترنت سر می کنید یکی از راه های بسیار عالی برای کاهش خستگی و درد چشم استفاده از افزونه زیر است که می توانید با آن کل تم مرورگر خودتون رو تاریک کنید. این افزونه تقریبا برای همه سایت ها عالی عمل میکنه. همچنین می تونید میزان روشنایی، کنتراست و sepia نور رو کنترل کنید. قابل نصب بر روی گوگل کروم، فایرفاکس و سافاری
https://darkreader.org/
Dark Reader
Dark Reader — dark theme for every website
Dark mode for every website. Take care of your eyes, use dark theme for night and daily browsing. For Chrome and Firefox, Edge and Safari.
🌕منشا خرافات کجاست؟ (قسمت ۲)🌕
اما چرا این اتفاق می افتد؟ چرا ما به راحتی به خرافه باور پیدا میکنیم؟ دانیل کاهنمن یکی از بزرگترین روانشناسان عصر ماست که در کتاب thinking fast and slow به ساختار ذهن و شواهد زیادی در مورد نحوه درک جهان توسط مغز توجه کرده است.
به دو کلمه زیر توجه کنید:
موز استفراغ
خیلی اتفاقات همین الان اتفاق افتاد! شما خاطرات و تصاویر ناخوشآیندی را به خاطر آوردید. صورتتان قدری در هم رفت. حتی ممکن است خودتان را قدری عقب کشیدید. ضربان قلبتان افزایش پیدا کرد موهایتان کمی سیخ شد و تمام این اتفاقات بلافاصله و اتوماتیک رخ دادند. بدون اینکه حتی شما روی آن کنترلی داشته باشید! (اگر فکر میکنید اغراق میکنم به خودتان زمانی که با یک دختر (پسر) جذاب روبرو می شوید دقت کنید)
هنگامی که شما چهره غمگین دوستتان را میبینید سریع متوجه میشوید که اتفاق بدی برایش رخ داده است. ما اینقدر این کار را سریع و خودکار انجام می دهیم که حتی به آن فکر هم نمیکنیم. در واقع این اتفاق در مغز ما مثل یک جریان روان و ساده رخ می دهد. از طرفی وقتی از ما بخواهند دو عدد دو رقمی را جمع کنیم نمی توانیم بلافاصله جواب بدهیم. نیاز به تمرکز و قدری کار داریم. این فرآیند ذهنی، اتوماتیک اتفاق نمی افتد. دقت کنید تشخیص چهره غمگین از لحاظ محاسباتی بسیار سنگین تر از جمع کردن دو عدد دو رقمی است! اما مغز ما به طرز شگفت انگیزی کار اول را بدون هیچ زحمتی و در یک لحظه انجام می دهد اما برای دومی که به مراتب ساده تر است به حداقل چند ثانیه نیاز دارد!! چگونه می توان چنین چیزی را توضیح داد؟
کاهنمن می گوید ذهن انسان در مواجهه با جهان خارج و درک روابط و رویدادها به دو روش کلی متوسل می شود. روش اول که آن را سیستم یک می نامند پاسخ ها و درکهای بسیار سریع بر اساس شهود ها و بعضا بر اساس احتمالات پیشینی مغز است که دارای بایاس ها و پیش داوری های زیادی است. مغز انسان حاوی میلیون ها راه میانبر برای درک دنیای اطراف است که ما حتی از آن ها آگاه نیستیم. ویژگی های سیستم یک این است که:
۱- به دنبال یافتن روابط علت و معلولی ساده برای درک جهان است: مثلا آخرین باری که لباس زردم رو پوشیدم تیم مورد علاقم برد پس لباس زردم علت برد بود.
۲- بر اساس سوگیری تاییدی (confirmation bias) کار می کند. وقتی شما به یک خرافه فکر میکنید یا کسی برای شما آن را تعریف می کند مثال های موفقیت آمیز آن را به خاطر می آورد نه موارد شکست را. در مثال کبوتر ها رابطه ی علی ای که کبوتر با مثلا چرخاندن سرش و گرفتن دانه ساخته بود. باعث می شد هر بار که دانه به صورت تصادفی به او برسد آن را شاهدی بر رابطه علی بین چرخاندن سر و گرفتن دانه بگیرد در حالی که تمام مواردی که این چرخاندن سر منجر به گرفتن دانه نشده بود را به صورت عمدی (ناخودآگاه) به خاطر نمی آورد. متاسفانه مغز ما در تغییر در فرضیه ها در حضور مثال های نقض خوب عمل نمی کند.
مغز ما همچنین مجهز به قسمتی است که سیستم ۲ شناخته می شود. سیستم ۲ کند است. اما منطقی تصمیم می گیرد و فرضیات مختلف را در نظر می گیرد. سیستم ۲ زمانی فعال می شود که ما به صورت خود آگاه از آن استفاده می کنیم. مثلا زمانی که یه ضرب سه رقم در سه رقم انجام می دهیم یا تعداد کلمات یک جمله را بشماریم. این کار را نمی توان به سرعت تشخیص حالت چهره دوستتان انجام دهید. اما اشتباه در آن بسیار کمتر رخ می دهد. این بخش از مغز از شهود برای حل مسایل استفاده نمی کند بلکه از روش های قدم به قدم و کندی استفاده می کند که مغز ما برای آن مدارهای خاصی تدارک ندیده است. سیستم دو را ما یاد میگیرم اما مغز ما برای سیستم یک به صورت پیش فرض سیم بندی شده است.
ویژگی های خاص سیستم یک باعث می شود که مغز ما بشدت برای باور به خرافات مستعد باشد. به عبارتی میانبر های ذهنی ما یک تیغ دو لبه هستند که ما اگرچه از آنها سود میبریم اما ما را به باور به خرافات هم تشویق می کنند. اما نکته خاصی در مورد این میانبر های ذهنی که سیستم یک بر اساس آنها کار میکند وجود دارد. سیستم یک متشکل از مجموعه ای قدرتمند از پیشرفته ترین ماجولهای شناختی ماست. آن ها بسیار سریع کار میکنند و در یافتن الگوها بسیار استاد هستند. آن ها اینقدر در یافتن الگوها خوب عمل میکنند که گاهی زیاده روی میکنند و شروع به یافتن الگوهای نادرست میکنند. به عبارتی مغز ما نمی تواند تصادف را به خوبی تشخیص دهد! از دید مغز چیزی تصادفی رخ نمی دهد! و این سر آغاز مشکلات است.
https://vrgl.ir/BrbT0
اما چرا این اتفاق می افتد؟ چرا ما به راحتی به خرافه باور پیدا میکنیم؟ دانیل کاهنمن یکی از بزرگترین روانشناسان عصر ماست که در کتاب thinking fast and slow به ساختار ذهن و شواهد زیادی در مورد نحوه درک جهان توسط مغز توجه کرده است.
به دو کلمه زیر توجه کنید:
موز استفراغ
خیلی اتفاقات همین الان اتفاق افتاد! شما خاطرات و تصاویر ناخوشآیندی را به خاطر آوردید. صورتتان قدری در هم رفت. حتی ممکن است خودتان را قدری عقب کشیدید. ضربان قلبتان افزایش پیدا کرد موهایتان کمی سیخ شد و تمام این اتفاقات بلافاصله و اتوماتیک رخ دادند. بدون اینکه حتی شما روی آن کنترلی داشته باشید! (اگر فکر میکنید اغراق میکنم به خودتان زمانی که با یک دختر (پسر) جذاب روبرو می شوید دقت کنید)
هنگامی که شما چهره غمگین دوستتان را میبینید سریع متوجه میشوید که اتفاق بدی برایش رخ داده است. ما اینقدر این کار را سریع و خودکار انجام می دهیم که حتی به آن فکر هم نمیکنیم. در واقع این اتفاق در مغز ما مثل یک جریان روان و ساده رخ می دهد. از طرفی وقتی از ما بخواهند دو عدد دو رقمی را جمع کنیم نمی توانیم بلافاصله جواب بدهیم. نیاز به تمرکز و قدری کار داریم. این فرآیند ذهنی، اتوماتیک اتفاق نمی افتد. دقت کنید تشخیص چهره غمگین از لحاظ محاسباتی بسیار سنگین تر از جمع کردن دو عدد دو رقمی است! اما مغز ما به طرز شگفت انگیزی کار اول را بدون هیچ زحمتی و در یک لحظه انجام می دهد اما برای دومی که به مراتب ساده تر است به حداقل چند ثانیه نیاز دارد!! چگونه می توان چنین چیزی را توضیح داد؟
کاهنمن می گوید ذهن انسان در مواجهه با جهان خارج و درک روابط و رویدادها به دو روش کلی متوسل می شود. روش اول که آن را سیستم یک می نامند پاسخ ها و درکهای بسیار سریع بر اساس شهود ها و بعضا بر اساس احتمالات پیشینی مغز است که دارای بایاس ها و پیش داوری های زیادی است. مغز انسان حاوی میلیون ها راه میانبر برای درک دنیای اطراف است که ما حتی از آن ها آگاه نیستیم. ویژگی های سیستم یک این است که:
۱- به دنبال یافتن روابط علت و معلولی ساده برای درک جهان است: مثلا آخرین باری که لباس زردم رو پوشیدم تیم مورد علاقم برد پس لباس زردم علت برد بود.
۲- بر اساس سوگیری تاییدی (confirmation bias) کار می کند. وقتی شما به یک خرافه فکر میکنید یا کسی برای شما آن را تعریف می کند مثال های موفقیت آمیز آن را به خاطر می آورد نه موارد شکست را. در مثال کبوتر ها رابطه ی علی ای که کبوتر با مثلا چرخاندن سرش و گرفتن دانه ساخته بود. باعث می شد هر بار که دانه به صورت تصادفی به او برسد آن را شاهدی بر رابطه علی بین چرخاندن سر و گرفتن دانه بگیرد در حالی که تمام مواردی که این چرخاندن سر منجر به گرفتن دانه نشده بود را به صورت عمدی (ناخودآگاه) به خاطر نمی آورد. متاسفانه مغز ما در تغییر در فرضیه ها در حضور مثال های نقض خوب عمل نمی کند.
مغز ما همچنین مجهز به قسمتی است که سیستم ۲ شناخته می شود. سیستم ۲ کند است. اما منطقی تصمیم می گیرد و فرضیات مختلف را در نظر می گیرد. سیستم ۲ زمانی فعال می شود که ما به صورت خود آگاه از آن استفاده می کنیم. مثلا زمانی که یه ضرب سه رقم در سه رقم انجام می دهیم یا تعداد کلمات یک جمله را بشماریم. این کار را نمی توان به سرعت تشخیص حالت چهره دوستتان انجام دهید. اما اشتباه در آن بسیار کمتر رخ می دهد. این بخش از مغز از شهود برای حل مسایل استفاده نمی کند بلکه از روش های قدم به قدم و کندی استفاده می کند که مغز ما برای آن مدارهای خاصی تدارک ندیده است. سیستم دو را ما یاد میگیرم اما مغز ما برای سیستم یک به صورت پیش فرض سیم بندی شده است.
ویژگی های خاص سیستم یک باعث می شود که مغز ما بشدت برای باور به خرافات مستعد باشد. به عبارتی میانبر های ذهنی ما یک تیغ دو لبه هستند که ما اگرچه از آنها سود میبریم اما ما را به باور به خرافات هم تشویق می کنند. اما نکته خاصی در مورد این میانبر های ذهنی که سیستم یک بر اساس آنها کار میکند وجود دارد. سیستم یک متشکل از مجموعه ای قدرتمند از پیشرفته ترین ماجولهای شناختی ماست. آن ها بسیار سریع کار میکنند و در یافتن الگوها بسیار استاد هستند. آن ها اینقدر در یافتن الگوها خوب عمل میکنند که گاهی زیاده روی میکنند و شروع به یافتن الگوهای نادرست میکنند. به عبارتی مغز ما نمی تواند تصادف را به خوبی تشخیص دهد! از دید مغز چیزی تصادفی رخ نمی دهد! و این سر آغاز مشکلات است.
https://vrgl.ir/BrbT0
ویرگول
منشا خرافات کجاست؟ (قسمت ۲)
اما چرا این اتفاق می افتد؟ چرا ما به راحتی به خرافه باور پیدا میکنیم؟ دانیل کاهنمن یکی از بزرگترین روانشناسان عصر ماست که در کتاب thinking…
🌕برنامه های مختلف توی دنیا چند خط کد دارن؟🌕
از اولین چیزهایی که تازه وارد های رشته کامپیوتر رو تحت تاثیر قرار میده تعداد خط کدهای یک برنامه ست. به همین خاطر از اولین چیزهایی که توی درس مهندسی نرم افزار یاد میدن اینه که به جای توجه به تعداد خط کد باید به پارامترهای دیگه ای توجه کنیم تا بگیم یک کد خوبه! این صد البته درست هست. اما رابطه ای تقریبا خطی بین تعداد خط کد و پیچیدگی برنامه وجود داره. شاید برای برنامه های چند صد خط کدی نشه این حرف رو زد اما برای برنامه های بزرگتر قطعا این رابطه وجود داره.
اما تا به حال به این فکر کردید که چند خط کد پشت بزرگترین نرم افزار های دنیاست. اینجا یک لیست از اون ها رو میارم. تصویر اصلی رو با جزییات بیشتر رو اینجا میتونید ببینید:
برنامه های ساده آیفون: حدود ده هزار خط
نخستین نسخه یونیکس: حدود ده هزار خط
نخسین نسخه فوتوشاپ: صد هزار خط
برنامه اولین شاتل فضایی: چهارصد هزار خط
چهارده نسخه جنگ صلح تولستوی: یک میلیون خط
ژنوم باکتری: یک میلیون و صد هزار خط
برنامه جنگنده F22: یک میلیون و هفتصد هزار خط
تلسکوپ هابل: دو میلیون خط
برنامه کنترل یک پهپاد آمریکایی: ۳.۵ میلیون خط
برنامه ی مریخ نورد curiosity: پنج میلیون خط
گوگل کروم: ۶.۷ میلیون خط
فایرفاکس: ۹.۷ میلیون خط
اندروید: ۱۲ میلیون خط
برنامه MySQL: دوازده میلیون خط
جنگنده F-35: بیست و چهار میلیون خط
ویندوز ۷: ۴۰ میلیون خط
ویندوز ایکس پی: ۴۰ میلیون خط
برخورد دهنده عظیم هادرون(LHC): ۵۰ میلیون خط
ویژوال استودیو ۲۰۱۲: پنجاه میلیون خط
کل فیس بوک: ۶۲ میلیون خط
ژنوم موش: ۱۲۰ میلیون خط
گوگل(تمام سرویس هایش): دو میلیارد خط
ژنوم انسان: ۳۳۰۰ میلیارد خط
(منظور از "خط کد" برای ژنوم هر جفت از چهار پروتیین A,T,C,G است که منطق قرار گرفتن کدهای ژنتیکی است)
همانطور که میبینید بشر به تدریج ماشین های پیچیده و پیچیده تری ساخته است. پروژه ای که زمانی جاه طلبانه بوده اکنون در گوشی شما در جیبتان در حال اجرا است! اما نکته جالب تر ماجرا قرار دادن کدهای بیولوژیکی و کتاب ها هم هست. تصور سنتی از برنامه فقط به عنوان چیزی که در یکی از زبان های برنامه سازی نوشته می شود دیگر کار نمیکند. دنیای اطراف ما پر است از برنامه. برخی از این برنامه ها را انسان نوشته و برخی کار طبیعت هستند. برخی را برنامه نویس ها ایجاد کرده اند و برخی را غیر برنامه نویس ها! آن چیزی که برای هر کسی شگفت انگیز است مقایسه ژنوم انسان با دیگر برنامه هاست. ۳۳۰۰ میلیارد خط کد! چیزی که سه مرتبه بزرگی (order of magnitude) (به صورت لگاریتمی هزار برابر) بزرگ تر از بزرگترین ماشین ساخت بشر یعنی گوگل است! ژنومی که در هر تکه پوست و ناخن یا خون شما وجود دارد!!
اما نکته دیگری وجود دارد که نباید از آن غافل شد. رشد حجم کدهای ساخت بشر در طی فقط سی سال از هزار خط به چند میلیارد خط رسیده است. یعنی یک میلیون برابر شده است! این رشد نمایی نشان دهنده یک قانون است که درباره آن بحث میکنیم
از اولین چیزهایی که تازه وارد های رشته کامپیوتر رو تحت تاثیر قرار میده تعداد خط کدهای یک برنامه ست. به همین خاطر از اولین چیزهایی که توی درس مهندسی نرم افزار یاد میدن اینه که به جای توجه به تعداد خط کد باید به پارامترهای دیگه ای توجه کنیم تا بگیم یک کد خوبه! این صد البته درست هست. اما رابطه ای تقریبا خطی بین تعداد خط کد و پیچیدگی برنامه وجود داره. شاید برای برنامه های چند صد خط کدی نشه این حرف رو زد اما برای برنامه های بزرگتر قطعا این رابطه وجود داره.
اما تا به حال به این فکر کردید که چند خط کد پشت بزرگترین نرم افزار های دنیاست. اینجا یک لیست از اون ها رو میارم. تصویر اصلی رو با جزییات بیشتر رو اینجا میتونید ببینید:
برنامه های ساده آیفون: حدود ده هزار خط
نخستین نسخه یونیکس: حدود ده هزار خط
نخسین نسخه فوتوشاپ: صد هزار خط
برنامه اولین شاتل فضایی: چهارصد هزار خط
چهارده نسخه جنگ صلح تولستوی: یک میلیون خط
ژنوم باکتری: یک میلیون و صد هزار خط
برنامه جنگنده F22: یک میلیون و هفتصد هزار خط
تلسکوپ هابل: دو میلیون خط
برنامه کنترل یک پهپاد آمریکایی: ۳.۵ میلیون خط
برنامه ی مریخ نورد curiosity: پنج میلیون خط
گوگل کروم: ۶.۷ میلیون خط
فایرفاکس: ۹.۷ میلیون خط
اندروید: ۱۲ میلیون خط
برنامه MySQL: دوازده میلیون خط
جنگنده F-35: بیست و چهار میلیون خط
ویندوز ۷: ۴۰ میلیون خط
ویندوز ایکس پی: ۴۰ میلیون خط
برخورد دهنده عظیم هادرون(LHC): ۵۰ میلیون خط
ویژوال استودیو ۲۰۱۲: پنجاه میلیون خط
کل فیس بوک: ۶۲ میلیون خط
ژنوم موش: ۱۲۰ میلیون خط
گوگل(تمام سرویس هایش): دو میلیارد خط
ژنوم انسان: ۳۳۰۰ میلیارد خط
(منظور از "خط کد" برای ژنوم هر جفت از چهار پروتیین A,T,C,G است که منطق قرار گرفتن کدهای ژنتیکی است)
همانطور که میبینید بشر به تدریج ماشین های پیچیده و پیچیده تری ساخته است. پروژه ای که زمانی جاه طلبانه بوده اکنون در گوشی شما در جیبتان در حال اجرا است! اما نکته جالب تر ماجرا قرار دادن کدهای بیولوژیکی و کتاب ها هم هست. تصور سنتی از برنامه فقط به عنوان چیزی که در یکی از زبان های برنامه سازی نوشته می شود دیگر کار نمیکند. دنیای اطراف ما پر است از برنامه. برخی از این برنامه ها را انسان نوشته و برخی کار طبیعت هستند. برخی را برنامه نویس ها ایجاد کرده اند و برخی را غیر برنامه نویس ها! آن چیزی که برای هر کسی شگفت انگیز است مقایسه ژنوم انسان با دیگر برنامه هاست. ۳۳۰۰ میلیارد خط کد! چیزی که سه مرتبه بزرگی (order of magnitude) (به صورت لگاریتمی هزار برابر) بزرگ تر از بزرگترین ماشین ساخت بشر یعنی گوگل است! ژنومی که در هر تکه پوست و ناخن یا خون شما وجود دارد!!
اما نکته دیگری وجود دارد که نباید از آن غافل شد. رشد حجم کدهای ساخت بشر در طی فقط سی سال از هزار خط به چند میلیارد خط رسیده است. یعنی یک میلیون برابر شده است! این رشد نمایی نشان دهنده یک قانون است که درباره آن بحث میکنیم
Information is Beautiful
Distilling the world's data, information & knowledge into beautiful infographics & visualizations
🚦از کجا شروع کنم؟🚦
یادگیری ماشین تنها جمع کردن داده و آموزش اونها نیست، یادگیری و درک درست داده و فرآیند ها، همبستگی ها در داده ها، پیش پردازش و عمیق شدن در داده ها قدم های به مراتب مهم تری هستند. در لینک زیر یکی از بهترین "از کجا شروع کنیم؟" ها برای یادگیری ماشین داریم، از کسی که تازه میخواد شروع کنه تا کسی که حتی توی این زمینه حرفه ایه.
https://machinelearningmastery.com/start-here/
یادگیری ماشین تنها جمع کردن داده و آموزش اونها نیست، یادگیری و درک درست داده و فرآیند ها، همبستگی ها در داده ها، پیش پردازش و عمیق شدن در داده ها قدم های به مراتب مهم تری هستند. در لینک زیر یکی از بهترین "از کجا شروع کنیم؟" ها برای یادگیری ماشین داریم، از کسی که تازه میخواد شروع کنه تا کسی که حتی توی این زمینه حرفه ایه.
https://machinelearningmastery.com/start-here/
🌕کانولوشن در مغز🌕
به تصویر زیر نگاه کنید. این یک تصویر سیاه و سفید است اما فقط با چند خط رنگی ما کل آن را رنگی میبینیم! چطور چنین چیزی ممکن است؟
به تصویر زیر نگاه کنید. این یک تصویر سیاه و سفید است اما فقط با چند خط رنگی ما کل آن را رنگی میبینیم! چطور چنین چیزی ممکن است؟
بر اساس نظر Bart Anderson یکی از پژوهشگران حوزه بینایی، نورون های عصبی بخش پردازش رنگی مغز دارای receptive field های بزرگی می باشند و وقتی می خواهند خروجی درست کنند بر روی تکه های بزرگتری از تصویر میانگین میگیرند که باعث می شود در نهایت مغز کل تصویر را رنگی ببینید!
اما receptive field چیست؟ می توانید در ویکی پدیا آن را بخوانید اما آنچه برای ما مهم است کارکرد receptive field است. آن ها ساز و کاری دارند که در ریاضیات به اسم convolution می شناسیم. در شبکه های عصبی هم دقیقا از همین روش استفاده می شود. یعنی ما عملگر convolution را بر ورودی های یک لایه شبکه عصبی اعمال می کنیم. کانولوشن بسیار ساده است. شما یک پنجره (که به آن کرنل هم می گویند) را بر روی ماتریس ورودی در نظر میگیرید (در شکل زیر ناحیه سه در سه زرد رنگ) و هر کدام از مقدار های آن پنجره را بر روی تصویر اصلی ضرب و خروجی را در یک ماتریس دیگر ذخیره می کنید. به طور مثال در اولین مکان یعنی زمانی که پنجره بر روی گوشه سمت چپ بالا هست. ضرب به صورت زیر می شود:
[1,0,1;0,1,0;1,0,1].*[1,1,1;0,1,1;0,0,1]=4
جواب ۴ می شود که اولین خانه ماتریس صورتی سمت راست است. دقت کنید این ضرب ماتریسی نیست بلکه صرفا ضرب نظیر به نظیر و جمع کردن ساده است. سپس پنجره را یک واحد می لغزانید تا دوباره همین کار را بکنید. تصویر زیر این فرآیند را نشان می دهد.
با توجه به نوع ضرایب پنجره اتفاق های مختلفی در خروجی می افتد اما در ساده ترین حالت شما صرفا میانگین پنجره را می گیرید. در مثال چشم این میانگین باعث می شود که پیکسل های همسایه که رنگی ندارند هم رنگ بگیرند و ما کل تصویر را رنگی ببینیم.
در متلب و پایتون می توانید کانولوشن را حساب کنید
اما receptive field چیست؟ می توانید در ویکی پدیا آن را بخوانید اما آنچه برای ما مهم است کارکرد receptive field است. آن ها ساز و کاری دارند که در ریاضیات به اسم convolution می شناسیم. در شبکه های عصبی هم دقیقا از همین روش استفاده می شود. یعنی ما عملگر convolution را بر ورودی های یک لایه شبکه عصبی اعمال می کنیم. کانولوشن بسیار ساده است. شما یک پنجره (که به آن کرنل هم می گویند) را بر روی ماتریس ورودی در نظر میگیرید (در شکل زیر ناحیه سه در سه زرد رنگ) و هر کدام از مقدار های آن پنجره را بر روی تصویر اصلی ضرب و خروجی را در یک ماتریس دیگر ذخیره می کنید. به طور مثال در اولین مکان یعنی زمانی که پنجره بر روی گوشه سمت چپ بالا هست. ضرب به صورت زیر می شود:
[1,0,1;0,1,0;1,0,1].*[1,1,1;0,1,1;0,0,1]=4
جواب ۴ می شود که اولین خانه ماتریس صورتی سمت راست است. دقت کنید این ضرب ماتریسی نیست بلکه صرفا ضرب نظیر به نظیر و جمع کردن ساده است. سپس پنجره را یک واحد می لغزانید تا دوباره همین کار را بکنید. تصویر زیر این فرآیند را نشان می دهد.
با توجه به نوع ضرایب پنجره اتفاق های مختلفی در خروجی می افتد اما در ساده ترین حالت شما صرفا میانگین پنجره را می گیرید. در مثال چشم این میانگین باعث می شود که پیکسل های همسایه که رنگی ندارند هم رنگ بگیرند و ما کل تصویر را رنگی ببینیم.
در متلب و پایتون می توانید کانولوشن را حساب کنید
Media is too big
VIEW IN TELEGRAM
یک نمایش خیره کننده از نحوه کار شبکه های عصبی مختلف
منبع: https://www.cybercontrols.org/neuralnetworks
منبع: https://www.cybercontrols.org/neuralnetworks
با توجه به اینکه میخواهم در مورد نوع مطالب کانال تصمیم بگیرم، کدام نوع مطالب برایتان جذاب تر است؟
Anonymous Poll
28%
متون طولانی همراه با شبیه سازی و کد
10%
مطالب کوتاه و خلاصه و مفید
62%
هر دو
This media is not supported in your browser
VIEW IN TELEGRAM
شبیه سازی تبدیل آب به یخ در سطح مولکولی
@matlabtips
@matlabtips
🎷موسیقی ماشینی🎷
مدل های زبان برای دنباله ای از کلمات هستند اما می توانند برای چیزهای دیگری هم استفاده شوند! در زبان طبیعی این دنباله همان جمله ها و متن است اما در موسیقی دنباله نوت ها هستند! مدل های زبانی اخیرا پیشرفت بسیار زیادی داشته اند به همین خاطر عده ای همان مدل ها (مثل BERT, TransformerXL و Seq2Seq) را بر روی نوت های موسیقی اعمال کرده اند. از آنجایی که این مدل ها زایا (generative) هستند بنابراین می توان از مدل خواست تا دنباله جدیدی ایجاد کند! نتیجه بر روی موسیقی بسیار جالب است. شما می توانید موسیقی های جدیدی تولید کنید! در زیر لینکی به وبسایت آورده شده که شما می توانید به صورت آنلاین بدون نصب چیزی با آن کار کنید و با هر بار زدن دکمه یک موسیقی جدید تولید کنید.
لینک وبسایت:
https://musicautobot.com
لینک وبلاگ:
https://towardsdatascience.com/creating-a-pop-music-generator-with-the-transformer-5867511b382a
کدها بر روی گیت هاب:
https://github.com/bearpelican/musicautobot
یک نمونه از موسیقی ماشینی:
https://soundcloud.com/andrew-shaw-27/la-bamba-variation-1
مدل های زبان برای دنباله ای از کلمات هستند اما می توانند برای چیزهای دیگری هم استفاده شوند! در زبان طبیعی این دنباله همان جمله ها و متن است اما در موسیقی دنباله نوت ها هستند! مدل های زبانی اخیرا پیشرفت بسیار زیادی داشته اند به همین خاطر عده ای همان مدل ها (مثل BERT, TransformerXL و Seq2Seq) را بر روی نوت های موسیقی اعمال کرده اند. از آنجایی که این مدل ها زایا (generative) هستند بنابراین می توان از مدل خواست تا دنباله جدیدی ایجاد کند! نتیجه بر روی موسیقی بسیار جالب است. شما می توانید موسیقی های جدیدی تولید کنید! در زیر لینکی به وبسایت آورده شده که شما می توانید به صورت آنلاین بدون نصب چیزی با آن کار کنید و با هر بار زدن دکمه یک موسیقی جدید تولید کنید.
لینک وبسایت:
https://musicautobot.com
لینک وبلاگ:
https://towardsdatascience.com/creating-a-pop-music-generator-with-the-transformer-5867511b382a
کدها بر روی گیت هاب:
https://github.com/bearpelican/musicautobot
یک نمونه از موسیقی ماشینی:
https://soundcloud.com/andrew-shaw-27/la-bamba-variation-1
Medium
Creating a Pop Music Generator with the Transformer
Train a Deep Learning model to generate pop music. Play with the results here — https://musicautobot.com.
🕸یک روز دیگه هم گذشت و هنوز از انتگرال استفاده نکردم!🕸
خیلی هاتون این لطیفه رو شنیدید و بهش خندیدید اما کجای کار اینقدر اشتباهه؟ ما همیشه انگشت اتهام رو سمت سیستم آموزشی میگیریم و صدالبته تا حد زیادی هم بیراه نیست اما اینجا میخواهم قدری دقیق تر فکر کنیم که چرا اینقدر «علم و دانش» از دید جامعه بی فایده شده؟!
اولین سوالی که پیش می آید برای بزرگتر هاست کسی که در طول روز کارش با یک برنامه مثلا اکسل است. باید در نهایت تعدادی عدد را جمع و ضرب کند یا کسی که حتی پزشک می شود! چه فایده ای دارد که این همه ریاضی بخواند؟ من سعی میکنیم در طی یک دیالوگ ذهنی به چند حقیقت نزدیک شویم
- ما احتیاجی به یادگیری چنین مفاهیمی نداریم چون از آن استفاده ای نمی کنیم! بهتر است این وقت را صرف یادگیری مهارت های زندگی کنیم اینکه چطور خشم خودمان را کنترل کنیم یا چطور پولمان را مدیریت کنیم یا حتی چطور با جنس مخالف ارتباط درست و سالمی بر قرار کنیم
+ در مورد قسمت دوم صحبت هایت باهات موافقم، شکی نیست که آن چیزی که این سیستم بیرون میدهد انسان هایی است که مهارت های اجتماعی کمی دارند. شکی نیست که این باعث مشکلات بسیار زیادی می شود که همه باید سر جای خود بررسی شود اما قبول ندارم که یادگیری ریاضیات فایده ای ندارد!
- خوب بگو ببینم تو مثلا چه استفاده ای کردی؟ پولی برایت درست کرد؟ خوشبخت ترت کرد؟
+ ببین اینطوری نباید به قضیه نگاه کنی! انتگرال آچار فرانسه نیست که من هر روز استفاده کنم. بله مطمننا اگه من انتگرال بلد نبودم نمیتونستم از کار الانم پولی در بیارم!
- آره میفهمم چی میگی درس هات رو بالاخره باید پاس کنی! حداقل باید یه لیسانس داشته باشی!
ادامه لینک زیر:
https://vrgl.ir/fVTzY
خیلی هاتون این لطیفه رو شنیدید و بهش خندیدید اما کجای کار اینقدر اشتباهه؟ ما همیشه انگشت اتهام رو سمت سیستم آموزشی میگیریم و صدالبته تا حد زیادی هم بیراه نیست اما اینجا میخواهم قدری دقیق تر فکر کنیم که چرا اینقدر «علم و دانش» از دید جامعه بی فایده شده؟!
اولین سوالی که پیش می آید برای بزرگتر هاست کسی که در طول روز کارش با یک برنامه مثلا اکسل است. باید در نهایت تعدادی عدد را جمع و ضرب کند یا کسی که حتی پزشک می شود! چه فایده ای دارد که این همه ریاضی بخواند؟ من سعی میکنیم در طی یک دیالوگ ذهنی به چند حقیقت نزدیک شویم
- ما احتیاجی به یادگیری چنین مفاهیمی نداریم چون از آن استفاده ای نمی کنیم! بهتر است این وقت را صرف یادگیری مهارت های زندگی کنیم اینکه چطور خشم خودمان را کنترل کنیم یا چطور پولمان را مدیریت کنیم یا حتی چطور با جنس مخالف ارتباط درست و سالمی بر قرار کنیم
+ در مورد قسمت دوم صحبت هایت باهات موافقم، شکی نیست که آن چیزی که این سیستم بیرون میدهد انسان هایی است که مهارت های اجتماعی کمی دارند. شکی نیست که این باعث مشکلات بسیار زیادی می شود که همه باید سر جای خود بررسی شود اما قبول ندارم که یادگیری ریاضیات فایده ای ندارد!
- خوب بگو ببینم تو مثلا چه استفاده ای کردی؟ پولی برایت درست کرد؟ خوشبخت ترت کرد؟
+ ببین اینطوری نباید به قضیه نگاه کنی! انتگرال آچار فرانسه نیست که من هر روز استفاده کنم. بله مطمننا اگه من انتگرال بلد نبودم نمیتونستم از کار الانم پولی در بیارم!
- آره میفهمم چی میگی درس هات رو بالاخره باید پاس کنی! حداقل باید یه لیسانس داشته باشی!
ادامه لینک زیر:
https://vrgl.ir/fVTzY
ویرگول
یک روز دیگه هم گذشت و هنوز از انتگرال استفاده نکردم!
خیلی هاتون این لطیفه رو شنیدید و بهش خندیدید اما کجای کار اینقدر اشتباهه؟ ما همیشه انگشت اتهام رو سمت سیستم آموزشی میگیریم و صدالبته تا حد…
📒ماشین های نویسنده!🖌
برای شما هم حتما پیش آمده است که شروع به نوشتن مثلا برای درس انشا می کنید اما انگار ذهنتان یاری نمیکند و جملات رو نمی توانید به پایان برسانید. خیلی ها می گویند باید زیاد خواند تا بتواند نوشت! یا از یک دستیار استفاده کرد که دستی در نوشتن دارد. به هر حال انجام چنین چیزهایی ساده نیست. به عبارتی نوشتن یک کار واقعا «انسانی» است! یعنی انسان فقط می تواند آن را انجام دهد.
ری کورزیل (ray kurzweil) یکی از پیشگامان آینده نگری و هوش مصنوعی در کتاب خود «عصر ماشین های معنوی» (the age of spiritual machines) به روند رشد هوش ماشینی نگاه جالبی دارد. او می گوید زمانی که هنوز کامپیوتر ها در انجام بازی شطرنج ضعیف بودند همه ادعا می کردند که این کار فرای ماشین است اما زمانی که ماشین توانست آن را انجام دهد معیار ها به کلی عوض شد و شروع کردند به ادعای اینکه ماشین ها نمی توانند اشیا یا چهره را از هم تشخیص دهند این یک کار انسانی است و باز هم ماشین توانست این کار را بکند و این روند تا به امروز ادامه داشته است.
خبر جدید این است که بهتر است دنبال یک معیار جدید برای انسانی بودن بگردید چون دیگر نوشتن هم دیگر خیلی شما را از ماشین جدا نمی کند! قدرت مدل های زبانی جدید به حدی رسیده است که داستان سرایی می کنند شما فقط کافی است کوچکترین جهت را به آن ها بدهید! آن ها هزاران کتاب (BookCorpus) کل ویکی پدیا (Wiki dumps) و خیلی چیزهای دیگری که شما حتی اسمشان را نشنیده اید خوانده اند و می توانند در موردشان حرف بزنند آن ها از سلایق لباس های لیدی گاگا تا پارک ملی یلوستون و حتی فقه اسلامی را می دانند!! و در مورد آن ها می توانند برای شما «صحبت کنند»
خب ممکن است فکر کنید دیگر به سرم زده ولی اینجا مطالب علمی ای که قرار می دهم همیشه با کد و دمو هستند. اینجا جمع نشده ایم تا داستان های علمی تخیلی ایزاک آسیموف را مرور کنیم بلکه با خود بدنه سخت علم روبرو می شویم و آن را با هم به اشتراک می گذاریم. نمونه زیر را خودم بر اساس دمو درست کردم. جملاتی که تایپ میکنم در مورد غذای ایرانی است و بقیه (قسمت های آبی) داستان های معنا داری است که مدل زبانی می چیند و جلو می رود. شما هم می توانید امتحان کنید و قطعا از عملکرد آن شگفت زده می شوید. منبع کد اصلی ریپوی فوق العاده شرکت huggingface بر روی پلتفرم بسیار فراگیر pytorch است که بهترین نقطه شروع برای حرفه ای های NLP است.
برای شما هم حتما پیش آمده است که شروع به نوشتن مثلا برای درس انشا می کنید اما انگار ذهنتان یاری نمیکند و جملات رو نمی توانید به پایان برسانید. خیلی ها می گویند باید زیاد خواند تا بتواند نوشت! یا از یک دستیار استفاده کرد که دستی در نوشتن دارد. به هر حال انجام چنین چیزهایی ساده نیست. به عبارتی نوشتن یک کار واقعا «انسانی» است! یعنی انسان فقط می تواند آن را انجام دهد.
ری کورزیل (ray kurzweil) یکی از پیشگامان آینده نگری و هوش مصنوعی در کتاب خود «عصر ماشین های معنوی» (the age of spiritual machines) به روند رشد هوش ماشینی نگاه جالبی دارد. او می گوید زمانی که هنوز کامپیوتر ها در انجام بازی شطرنج ضعیف بودند همه ادعا می کردند که این کار فرای ماشین است اما زمانی که ماشین توانست آن را انجام دهد معیار ها به کلی عوض شد و شروع کردند به ادعای اینکه ماشین ها نمی توانند اشیا یا چهره را از هم تشخیص دهند این یک کار انسانی است و باز هم ماشین توانست این کار را بکند و این روند تا به امروز ادامه داشته است.
خبر جدید این است که بهتر است دنبال یک معیار جدید برای انسانی بودن بگردید چون دیگر نوشتن هم دیگر خیلی شما را از ماشین جدا نمی کند! قدرت مدل های زبانی جدید به حدی رسیده است که داستان سرایی می کنند شما فقط کافی است کوچکترین جهت را به آن ها بدهید! آن ها هزاران کتاب (BookCorpus) کل ویکی پدیا (Wiki dumps) و خیلی چیزهای دیگری که شما حتی اسمشان را نشنیده اید خوانده اند و می توانند در موردشان حرف بزنند آن ها از سلایق لباس های لیدی گاگا تا پارک ملی یلوستون و حتی فقه اسلامی را می دانند!! و در مورد آن ها می توانند برای شما «صحبت کنند»
خب ممکن است فکر کنید دیگر به سرم زده ولی اینجا مطالب علمی ای که قرار می دهم همیشه با کد و دمو هستند. اینجا جمع نشده ایم تا داستان های علمی تخیلی ایزاک آسیموف را مرور کنیم بلکه با خود بدنه سخت علم روبرو می شویم و آن را با هم به اشتراک می گذاریم. نمونه زیر را خودم بر اساس دمو درست کردم. جملاتی که تایپ میکنم در مورد غذای ایرانی است و بقیه (قسمت های آبی) داستان های معنا داری است که مدل زبانی می چیند و جلو می رود. شما هم می توانید امتحان کنید و قطعا از عملکرد آن شگفت زده می شوید. منبع کد اصلی ریپوی فوق العاده شرکت huggingface بر روی پلتفرم بسیار فراگیر pytorch است که بهترین نقطه شروع برای حرفه ای های NLP است.
This media is not supported in your browser
VIEW IN TELEGRAM
مدل زبانی GPT2 Large در مورد غذای ایرانی حرف می زند!
خودتان امتحان کنید
(اگر گیف بالا را روی گوشی نمیبینید از کامپیوتر نگاه کنید)
خودتان امتحان کنید
(اگر گیف بالا را روی گوشی نمیبینید از کامپیوتر نگاه کنید)
🦋دکوراتورها در پایتون🦋
یکی از کاربردهای تابع این است که از تکرار کد ها جلوگیری می کند. مثلا شما یک تابع می نویسید که از فایل چیزی را بخواند یا مثلا عدد اول شماره n ام را بدست بیاورد. اینها مثال های ساده ای هستند که همه شما می دانید. اما تا به حال به این فکر کرده اید که گاهی بعضی کارها برای خود توابع هم تکراری می شود و باید یک روش ساده برای جلوگیری از تکرار وجود داشته باشد. مثلا فرض کنید شما می خواهید بدانید هر تابع شما چقدر زمان میگیرد.
یا اینکه بخواهید لاگ از تابع بگیرید یا حتی آن را به صورت موازی اجرا کنید. برای همه این کارها نیاز هست یک عملیات تکراری را برای تابع انجام دهیم. گویی یک تابع برای تابع نیاز داریم به این صورت که مثلا تابع را به آن پاس بدهیم و آن تابع برایمان زمانش را محاسبه کند یا آن را لاگ کند.
خوشبختانه روش ساده ای برای این کار وجود دارد: دکوراتور ها
https://vrgl.ir/r8j6m
یکی از کاربردهای تابع این است که از تکرار کد ها جلوگیری می کند. مثلا شما یک تابع می نویسید که از فایل چیزی را بخواند یا مثلا عدد اول شماره n ام را بدست بیاورد. اینها مثال های ساده ای هستند که همه شما می دانید. اما تا به حال به این فکر کرده اید که گاهی بعضی کارها برای خود توابع هم تکراری می شود و باید یک روش ساده برای جلوگیری از تکرار وجود داشته باشد. مثلا فرض کنید شما می خواهید بدانید هر تابع شما چقدر زمان میگیرد.
یا اینکه بخواهید لاگ از تابع بگیرید یا حتی آن را به صورت موازی اجرا کنید. برای همه این کارها نیاز هست یک عملیات تکراری را برای تابع انجام دهیم. گویی یک تابع برای تابع نیاز داریم به این صورت که مثلا تابع را به آن پاس بدهیم و آن تابع برایمان زمانش را محاسبه کند یا آن را لاگ کند.
خوشبختانه روش ساده ای برای این کار وجود دارد: دکوراتور ها
https://vrgl.ir/r8j6m
ویرگول
دکوراتورها در پایتون
صدا خفه کن مثل تابعی است که بر روی تابع تفنگ اعمال می شود. صدا خفه کن ها عملا بر روی هر تفنگی سوار می شوند. منبعیکی از کاربردهای تابع این ا…
🧠«زال» : یک سرویس پردازش متن تماما فارسی مدرن!🧠
یکی از سرویس های بسیار خوب برای پردازش زبان طبیعی که توسط یکی از همکاران سابق من ایجاد شده ست نقطه شروع مناسبی برای کسانی است که به دنبال گرفتن سرویس یا یادگیری در مورد آن هستند. «زال» یک سرویس فارسی است که شامل ریز سرویس های زیر می شود:
- طبقه بندی متون
- تحلیل تمایل
- تحلیل احساسات
- تشخیص ناسزا
- تشخیص موجودیت های نامدار
- یافتن کلمات مشابه
این سرویس هنوز در مراحل اولیه خود بسر می برد ولی به سرعت در حال پیشرفت است!
https://getzaal.com/
یکی از سرویس های بسیار خوب برای پردازش زبان طبیعی که توسط یکی از همکاران سابق من ایجاد شده ست نقطه شروع مناسبی برای کسانی است که به دنبال گرفتن سرویس یا یادگیری در مورد آن هستند. «زال» یک سرویس فارسی است که شامل ریز سرویس های زیر می شود:
- طبقه بندی متون
- تحلیل تمایل
- تحلیل احساسات
- تشخیص ناسزا
- تشخیص موجودیت های نامدار
- یافتن کلمات مشابه
این سرویس هنوز در مراحل اولیه خود بسر می برد ولی به سرعت در حال پیشرفت است!
https://getzaal.com/