اگر " انسان هنر را خلق کرد تا از فرط واقعیت خفه نشود" ریاضیات را راه پله ای کرد که پله نخستش واقعیت و انتهایِ بی انتهای آن جنون است

🔵علم داده برای دسته بندی موسیقی🔵

از مرضیه تا بروبکس از کوروش یغمایی تا عماد طالب زاده تمام طیف موسیقی ایرانی را نشان میدهند. این یکی از نتایج داده کاوی بسیار بزرگی است که بر روی تمام ژانر های موسیقی جهان انجام شده است و موسیقی ایرانی تنها بخش کوچکی از آن است. در این خوشه بندی(clustering) موسیقی هایی که شباهت بیشتری به هم دارند در کنار هم قرار می گیرند. هرچند ممکن است برخی از این شباهت ها برای همگان قابل قبول نباشد(حبیب و شهرام شکوهی!) در کل شباهتها بر اساس تعداد بسیار زیادی از ویژگی های هر موسیقی انجام شده است. نتیجه نهایی بر روی دو بعد نگاشت شده است(تکنیک هایی مانند PCA برای کاهش ابعاد) در این صورت بعد y یا عمودی از پایین به بالا از موسیقی های سنتی تر و طبیعی تر تا موسیقی های الکترونیکی تر و همچنین محور x یعنی افقی از موسیقی های فضاساز تر و متراکم تر تا موسیقی های رقص گونه و ضرب آهنگ تر گونه(!) امتداد دارد.
معمولا تفسیر محورها به عنوان ویژگی در بسیاری از کاربردهای خوشه بندی کار ساده ای نیست. اما در اینجا می توان تفسیر های نسبتا معقولی ارائه کرد.
با تحقیق بر روی همین خوشه بندی میتوان تغییرات جالبی در موسیقی ایرانی را مشاهده کرد

https://everynoise.com/engenremap-persianpop.html

🔵 تولید چهره هایی که هرگز وجود نداشته اند!!🔵

فرض کنید توزیع احتمالاتی یک متغیر تصادفی را میدانید. توزیع احتمالاتی به صورت ساده به شما می گوید احتمال هر رخداد چقدر است. شما به سادگی می توانید حتی نمونه های جدید از توزیع تان تولید کنید. در این پست https://t.iss.one/matlabtips/433 قبلا در مورد آن صحبت کرده ایم
متخصصان هوش مصنوعی از سالها پیش به دنبال یافتن توزیع احتمال متغیر های تصادفی پیچیده تر مانند صدا یا چهره انسان بودند. در بهترین حالت چنین مدل هایی میتوانستند مثلا به شما بگویند بین دو چهره کدام با احتمال بیشتر چهره مرد است یا زن. به این مدل ها مدل های discrminative گفته می شود. اما چنین مدل هایی قادر به تولید نمونه های جدید نبودند چرا که مدل ها در اساس توزیع احتمالاتی نبودند. با پیشرفت نرم افزاری و سخت افزاری و ورود شبکه های عمیق(Deep Learning) کم کم چنین رویایی محقق شد. در زیر چندیدن تصویر چهره می بینید که توسط یک شبکه تولید شده اند! این چهره ها واقعی نیستند بلکه صرفا نمونه های تصادفی از یک شبکه هستند که هر بار یک چهره جدید برای شما تولید میکند! این مفهوم بسیار عجیب و گیج کننده به نظر می رسد اما واقعی است.
لینک مقاله: https://goo.gl/au9Lar

چهره های مصنوعی تولید شده توسط یادگیری عمیق(Deep Learning)

تبدیل حالات چهره توسط یادگیری عمیق:
صحبت و رفتار فرد سمت راست ساخته ی کامپیوتر از روی فرد سمت چپ بوده و غیر واقعی است!

#virtual_talking
#CycleGAN #Face_off #GAN

مرتبط با:
https://t.iss.one/cvision/231

تغییر تدریجی تصاویر در شبکه های GAN

در ویدیوی بالا تغییر تدریجی تصاویر مختلف از چهره گرفته تا ابزار و ماشین و غیره در فضای پنهان ویژگی ها latent space مشاهده میکنید. بزودی مطالبی در این زمینه منتشر میکنیم

🔵حساسیت به شرایط اولیه🔵
سطح پیچیدگی:🌕🌕🌕🌕🌑
پیش‌نیاز:(کد نویسی متوسط و پیشرفته)
برای:(متوسط و پیشرفته)
“Ideas that require people to reorganize their picture of the world provoke hostility.”
― James Gleick, Chaos: Making a New Science

محمد بو عزیزی یک دستفروش ساده بود که مانند بقیه دستفروش ها هر روز در کنار خیابان بساط می کرد تا با سختی لقمه نانی به دست آورد. اما روز 17 دسامبر سال 2010 گویا یک روز ساده دیگر نبود چراکه بعد از چند ساعت بساط کردن یک مامور شهرداری بساطش را توقیف و او را تحقیر کرد. بوعزیزی برای اعتراض به این حرکت خود را در جلوی ساختمان شهرداری به آتش کشاند! این خود سوزی اعتراضات دیگر مردم را هم بر انگیخت تا جایی که آغازگر انقلاب تونس شد و سرانجام حکومت 23 ساله بن علی را ساقط کرد. اعتراضات به لیبی، اردن، سوریه، یمن، مصر، بحرین، عربستان، عمان و بسیاری از کشورهای عربی دیگر هم رسید و تعدادی از حکومت ها را ساقط کرد یا به جنگ داخلی، کشتار، سرکوب، گسترش گروههای تروریستی، آوارگی و مهاجرت میلیون ها نفر انجامید. اثرات آنچه امروز به نام "بهار عربی" میشناسیم هنوز هم قابل مشاهده است.
جدای از تحلیل های سیاسی بسیاری که در این مورد شده است، ساده ترین سوالی که پیش می آید این است که اگر آن روز بوعزیزی مریض میشد و به سر کارش نمیرفت یا مامور شهرداری به طور اتفاقی از آنجا رد نمیشد یا بوعزیزی خود را آتش نمی زد و به اعتراض ساده ای با چند فحاشی ماجرا را خاتمه می داد آیا تمام این اتفاقات می افتاد یا خیر؟ اگر "حساس بودن به شرایط اولیه" اینقدر مهم باشد کار جامعه شناسی دشوار می شود بنابراین جامعه شناسِ (فرضیِ) ما ممکن است پاسخ دهد: جوامع عربی مستعد این حرکت بودند: چه بوعزیزی این کار را میکرد یا نمیکرد این اتفاق رخ میداد بوعزیزی در حکم یک کبریت در انبار باروت بود" صرفنظر از اینکه این تمثیل برای شما چقدر متقاعد کننده است، ادوارد لورنز که بر روی مدل آب و هوایی خود کار میکرد نشان داد در معادلات ساده هم ممکن است تغییرات کوچک در شرایط اولیه منجر به تغییرات شدید در آینده سیستم شود( لورنز زمانی به این واقعیت پی برد که با گرد کردن تعداد معقولی از ارقام اعشار مربوط به شرایط اولیه دستگاه معادلات دیفرانسیلی خود به نتایجی رسید که با حالتی که شرایط اولیه را گرد نمیکرد بسیار متفاوت بود). به این "واقعیت" اثر پروانه ای می گویند.
لورنز کشف کرد که دستگاه معادلات دیفرانسیل خطی زیر به شدت به شرایط اولیه حساس هستند:

دستگاه معادلات لورنز را می توان به صورت یک تابع در متلب پیاده سازی کرد:

function xprime = lorenz(t,x)
sig=10;
beta=8/3;
rho=28;
xprime=[sig*(x(2)-x(1)); x(1)*(rho - x(3))- x(2); x(1)*x(2) - beta*x(3)];

که در آن x(1)، x(2) و x(3) به ترتیب نشان دهنده x ، y و z هستند. همانطور که می بینید هر سه مشتق در متغیر xprime ذخیره می شوند. دستگاه معادلات لورنز را برای دو نقطه بسیار نزدیک [-8,7,28] و [-8,7,27] حل می کنیم( اگر با تعریف من از نزدیک مشکلی دارید می توانید تا جایی که می خواهید آنها را به هم نزدیک تر کنید). برای حل از ode23 استفاده می کنیم( در نتیجه تفاوتی ایجاد نمی کند)

x0=[-8 7 28];
tspan=[0,200];
[t,y1]=ode23(@lorenz,tspan,x0);
 
x0=[-8 7 27];
tspan=[0,200];
[t,y2]=ode23(@lorenz,tspan,x0);
 
close all
for t=1:1000
    plot(y1(1:t,1),y1(1:t,3),'r',y2(1:t,1),y2(1:t,3),'b')
    axis([-30 30 0 50])
    drawnow
End

ویدیوی زیر سیر تحول سیستم را برای دو نقطه متفاوت با رنگ های آبی رو قرمز نشان می دهد. در ابتدا هر دو کنار هم حرکت می کنند و به تدریج آنقدر جدا می شوند که به کلی مسیر های متفاوتی را طی می کنند. در واقع یک شرایط اولیه کوچک منجر به تفاوت شدید در آینده شد.

معادله لورنز سرآغاز عصر جدیدی در درک سیستم های پیچیده و غیر خطی بود. عصری که پنداشت ساعت وار جهان را بیش از پیش به رویا بدل می کرد. در قسمت های بعدی به عمق کار لورنز و اثری که کار او در فهم سیستم های پیچیده کنونی داشت می پردازیم.
@MatlabTips
#For_intermediate, #For_Advanced
#Dynamic_Systems, #Chaos_Theory, #Dependence_on_Initial_Conditions, #Butterfly_Effect
نویسنده: جبار کمالی

شاهکار نظریه کنترل به همت Boston Dynamics

دربارۀ آسانژ، بودن اش و مرزهای «آزادی بیان»

آسانژ هیبت گول زننده ای دارد؛ شبیه همۀ بیزنسمن‌های موفق اروپایی‌ست که جان می‌دهند برای نوشتن آثار پرفروش دربارۀ راه‌حل‌های سریع و آسان موفقیت و قورت دادن قورباغه و برداشتنِ پنیر.


از همین‌ها که بعد از استیو جابز تکثیر شده اند و یاد گرفته اند بر روی صحنه که پس‌زمینه ای تاریک دارد، شق و رق راه بروند و فراز و فرود صدای‌شان به موقع تغییر کند و دست‌ها را مدام مشت کنند و بالا و پایین ببرند و شکل «قدرت اراده» و «خواستن،توانستن است» را در هوا ترسیم کنند.

از آنها که کیف چرمی ظریف دست می‌گیرند و کت و شلوار طوسی خوش دوخت و کمر کُرستیِ دو دگمه و کفش ورنیِ کف استخوانی می‌پوشند و کراوات باریک می‌زنند و تبلیغ شرکت کارگزاری بورس می‌کنند.

تبلیغاتی که گویی خطابه‌هایی از اربابان به بندگان اند: نشسته بر یک مبل ساده اما شیک، پشت به منظرۀ شهری با آسمانخراش‌های بلند، یک لبخند محو، دست‌ها بدون لرزش؛ و کلی حرف‌های خوب، خیلی خوب، خیلی، بدون لکنت.

مردی برازنده برای نشان دادن انواع و اقسام روش‌های «پیشرفت» درجهان فرصت‌های برابر و نه به خشونت و تبعیض و ایدز و ریشه کنی مالاریا و یک وعده صبحانه برای گرسنگان و خیریه و نیشِ باز و عکس سِلفی.

یک الگوی تمام عیار برای خرخوان‌های چشم بادامی کالج‌های ام.بی.ای و مدیریت مالی و کوفت و زهرمار… یکی از آن اُسوه‌های موفقیت که لابد اگر از وسط سالن خطاب به شان فریاد بزنی «رستگاری همانا امری جمعی‌ست»، خونسرد نگاه ات می کنند و چشمک می‌زنند و با انگشت به عنوان «نظر محترم یکی از حضار» کِنِف ات می‌کنند و کل سالن می‌ترکد از خنده و کف ممتد برای اینهمه قدرت واکنش سریع و متین و موقر و کوبنده. اما اینطور نیست.

آسانژ، به استناد منابع موثق رسانه‌های «بی‌طرف»، یک «فاجعه» است.
یک «فرد خطرناک» برای صلح و امنیت جهانی، یک اخلالگر، یک تروریست اینترنتی.
یک «عنصر نامطلوب»ِ تحتِ تعقیبِ پلیس‌های مهربان و وظیفه شناس اینترپل.
کابوسی تمام وقت برای بانک «معصوم» جهانی و اتحادیۀ «شریف» اروپا و ناجیان «خیرخواه»مان در کاخ سفید و اتاق‌های فکر و هیات مدیره‌ها.
نامی ممنوع که اشاره به آن می‌تواند یک روز کامل از اجلاس داووس را به گند بکشد.
مردی شبیه همۀ کارشناسان حقوق بشری که از قضا برای جشنواره‌ها و جایزه‌ها و نوبل‌ها و نشان‌ها و مدال‌ها تره هم خرد نمی‌کند.
آسانژ، تصاویر «متعارف» و «عقل سلیم»ی ما از بودن در رئالیسم نکبت بار این جهان را بر هم زده است.
مردی با لقبی عجیب: «جاسوس مردم».

جاسوسی با فهرست بلند بالای خودفروختگان و جلادان و شکم گنده‌گان و خوش خنده‌ها و بامزه‌ها و جن زده‌ها و مودب‌ها و اشباح و ارواح و عامل‌ها و آمرها و همۀ آنها که سایه‌های بلند و کلاه شاپو و صورت‌های سرد و بی‌خون و استخوانی دارند.

آنها که «فن بیان» می‌دانند و با «خونسردی لازم» و گراف و آمار و نمودار، به ما می‌گویند:«دوست عزیز! شما هیچ حقی ندارید».

آسانژ، معاصر ماست؛ مردی نابهنگام که هر خبری درباره اش، تن ِعالیجنابان را با وجود اینهمه برنامۀ فشردۀ کاری و مشغله و عدد و رقم، به رعشه می‌اندازد و وادار به تماس با مشاور و وکیل و رئیس پلیس می‌کند.

بیایید از خود بپرسیم چرا ایستادگی و وفاداری آسانژ بر سر حقیقت، برای ما مهم است؟

چرا باید این بمب گذار را که به جای سیم پیچ و ساعت و چاشنی و نیتروگلیسیرین، تنها با گفتن حقایق ساده اما رسواگر، صحنۀ نمایش و شعبده را منفجر می‌کند، جدی بگیریم؟

پیام حضور آسانژ، وقتی که هر از گاهی بر بالکنی سفارت اکوآدور آفتابی می شود، این است:

مرز «آزادی بیان» همانجاست که بر سرش ایستادگی و مقاومت شود و مرز این آزادی را اکنون، بالکنی نیم متری سفارت اکوآدور تعیین می‌کند، نه کتاب‌ قانون و نه وراجی کارشناسان.

آسانژ شکلی غریب، تکین و منحصر به فرد از «بودن» را تجربه می‌کند: بودنی سیاسی، شبح گون، وسواسی به حقیقت، نفوذ ناپذیر و سرسخت. همان بودنی که در متن‌های اضطراری به اَفِسُسیان و تسالونیکیان آمده است:

ای برادران!
لازم نیست که من دربارۀ زمان دقیق وقوع آن حادثه به شما چیزی بگویم
نیک خود می دانید که باید چه کنید
در همین حد به شما بگویم که باید آماده باشید
طوری کار کنید انگار که کار نمی‌کنید
طوری بخوابید انگار که بیدارید
طوری زندگی کنید انگار که زندگی نمی‌کنید
باشید، انگار که نیستید
برادران! خویشتنداری کنید، پایان همه چیز نزدیک است

ژولیان آسانژ بنیان گذار ویکی لیکس

🔵یک نکته در مورد زبان🔵

برای بسیاری از دوستانی که زبان انگلیسی یا هر زبان دیگری غیر از فارسی را جدی تر گرفته و از آن استفاده میکنند ممکن است استفاده بیش از حد از کلمات و اصطلاحات زبان دیگر امری عادی شود. در بسیاری از مواقع این اتفاق به صورت ناخودآگاه رخ می دهد.

اولا اینجا نمی خواهم بگویم فارسی شکر و قند و حلواست یا باید فارسی را پاس بداریم و ما حافظ و مولانا داریم. هر زبانی، ویژگی های منحصر بفردی دارد و نمی توان برتری خاصی برای زبانی قایل بود. تشخیص آن ویژگی ها و لذت بردن از آن ها هم یک تلاش شخصی می طلبد.

دوما اینجا همچنین نمی خواهم بگویم که باید در هر موردی فارسی سره بکار برد بخصوص برای زبان علمی که این کار تلاشی بیهوده است و اصولا حتی نمی توان برای رشد و توسعه یک زبان و کاربرانش تعیین تکلیف کرد[1].

اما چیزی که میخواهم در مورد آن صحبت کنم بیشتر به نحوه برخورد با زبان جدید مربوط می شود. اگر بعد از مدتی راحتی با زبان جدید متوجه شدید که به طور ناخودآگاه تعداد کلماتی که واقعا لزومی برای استفاده معادل انگلیسی آن وجود ندارد در حال افزایش است باید متوجه یک خطر باشید: مغز شما دارد برای تنبل شدن به خودش پاداش می دهد!

به طور کلی سازوکار یادگیری در مغز تا حد زیادی بر اساس ترشح هورمون دوپامین است که ایجاد لذت می کند. این ساز و کار به قدری مهم است که کمبود هورمون دوپامین منجر به افسردگی و کاهش قدرت یادگیری می شود. زمانی که شما در یافتن کلمه در زبان خود دچار قدری تاخیر می شوید و معادل انگلیسی آن را به زبان می آورید به صورت ناخودآگاه مغز خود را به در به یادآوری تنبل می کنید. بیاد نیاوردن چیزی به صورت معمول فرآیند خوشایندی نیست و مغز هرگز برای آن دوپامین ترشح نمی کند. به همین خاطر است که به یاد نیاوردن اسم دوست جدیدتان ممکن است باعث شرمندگی تان شود. متاسفانه برای بیشتر کاربران زبان فارسی نه تنها عدم یادآوری کلمه فارسی و بکاربردن معادل انگلیسی آن زشت یا شرم آور نیست بلکه برعکس شیوه ای برای فخر فروشی یا اظهار فضل و با لذت همراه است! این چرخه معیوب از پاداش و خطا در نهایت منجر به کاهش هوش زبانی و حتی IQ می شود.

در روانشناسی به این پدیده انتقال زبانی (Language transfer) گفته می شود[2,3,4]. تمام انواع انتقال زبانی منفی نیستند اما در نسخه های منفی انتقال زبانی مانند موردی که ذکر کردیم کاهش یادگیری یکی از نتایج است.

هر زبانی حاوی گنجینه بزرگی از ابزارها برای فکر کردن و شناخت جهان هست. زبان آموزی فرآیند دشواری است و نیازمند تفکر در چارچوب های زبان-جهان مقصد است. با یادآوری این نکته برای خودمان که زبان مادری با تمام معایب و مزایایی که دارد اولین راه فهم جهان برای ماست شاید بتوان از آن به بهترین شیوه در کنار زبان دیگر نگهداری کرد.

[1] https://fa.wikipedia.org/wiki/%D8%B2%D8%A8%D8%A7%D9%86_%D8%A8%D8%A7%D8%B2
[2] Postman, L (1962). "Transfer of training as a function of experimental paradigm and degree of first list learning". Journal of Verbal Learning and Verbal Behavior. 1: 109–118. doi:10.1016/s0022-5371(62)80007-3.
[3] Postman, L.; Stark, K. (1969). "Role of response availability in transfer and interference". Journal of Experimental Psychology. 79 (1): 168–177. doi:10.1037/h0026932.
[4 Porter, L. W.; Duncan, C. P. (1953). "Negative Transfer in Verbal Learning". Journal of Experimental Psychology. 46 (1): 61–64. doi:10.1037/h0058595.]

🔵احتمال چیست؟🔵
بزودی یک دوره مفهومی از آمار و احتمال و کاربرد آن در مهندسی قرار داده می شود. از آنجا که مشکلات زیادی در ارتباط با فهم عمیق آمار و احتمال که زیربنای بیشتر شاخه های مهندسی است وجود دارد سعی میکنیم با رویکردی به معنای واقعی کلمه متفاوت آن را عرضه کنیم. در زیر بخش اول این مطلب قرار داده می شود و کل مبحث در وبسایت قرار میگیرد.

یکی از مشکلات و بدفهمی هایی که دانشجویان و حتی اساتید در درک بخش های زیادی از مفاهیم هوش مصنوعی مانند تشخیص الگوی آماری و یادگیری ماشین دارند، تشخیص ندادن تفاوت دو رویکرد کاملا متفاوت در آمار و احتمال به روش شناسی(Methodology) و معرفت شناسی(Epistomology) بنیادی ترین مفاهیم آمارو احتمال است. در اساس در میان تفاسیر گوناگون احتمال دو رویکرد مهم و متفاوت به تفسیر احتمال وجود دارد: احتمال بیزین و احتمال فرکانسی.

احتمال بیزین مقداری است که به یک حالت از دانش(state of knowledge) یا حالتی از باور(state of belief) اختصاص داده می شود. می توان احتمال بیز را به عنوان ادامه ی منطق گزاره ای دانست که ما را قادر می کند با فرضیات (Hypothesis) استدلال کنیم. فرضیات گزاره هایی می شوند که درستی و غلطی آن ها نامشخص است. از دیدگاه بیزی یک احتمال به فرضیه اختصاص داده می شود، در حالی که در احتمال فرکانسی یک فرضیه بدون هیچ احتمالی، مورد آزمون قرار می گیرد.

بنیادی ترین تفاوت این دو تفسیر در معرفت شناسی آن هاست: فرکانسی ها عینی گرا هستند به این معنا که احتمال را به صورت معقول بودن یک گزاره قابل تفسیر می دانند. به عبارت دیگر، احتمال یک گزاره متناظر است با یک باور معقول بین همه ی افراد (حتی یک ربات) که مجموعه ای از دانش مشترک دارند. این باور معقول باید مطابق با قوانین احتمال که خود با معیار های عقلانیت و سازگاری قابل توجیه اند، باشد. اما بیزین ها ذهنی گرا هستند بیزین ها قبول دارند که معیار های عقلانیت و سازگاری احتمال هایی که یک شخص دارد را محدود می کند اما این معیار ها باعث نمی شوند همه به یک نتیجه در مورد احتمال رویداد ها برسند زیرا معیارهای عقلانیت هنوز اجازه تغییرات زیادی در محاسبه احتمال می دهند. این تفاوت خود را در محاسبه احتمال های پیشینی(prior probabilities) نشان می دهد.

اگر زیاد اهل فلسفه نباشید شاید نتوانید با پاراگراف قبل ارتباط برقرار کنید اما باز هم راه های زیاد وجود دارد که بدانیم این تفاوت ها چیست. بسیاری از دوره های درسی در دنیا(از جمله ایران) مفهوم احتمال را با شمارش حالات و نیز مباحث ترکیبیات شروع می کنند اما تقریبا تمام آن چیزی که در آمار و احتمال کاربردی مانند مباحث هوش مصنوعی وجود دارد با این مفاهیم سر و کاری ندارد و حتی جالب تر از آن درک روزمره ما از احتمال هم بیشتر بیزینی است. تحقیقات زیادی در علوم شناختی نشان داده اند که ما انسان ها(و حتی بیشتر جانوران دیگر) مادرزادی بیزینی به دنیا می آییم....

کتابچه کوچک یادگیری یادگیری عمیق (Deep learning) با متلب.این کتابچه همراه با چند مثال ساده به شما آموزش میدهد که چگونه در متلب یادگیری عمیق کار کنید.

معرفی یادگیری عمیق