اکنون می توانید یک کد بنویسید. مثلا من صرفا برای تست کردن برنامه Hello World را می نویسم. سپس بر روی اسکریپت راست کلیک کرده و گزینه Run را میزنم یا راحتتر با شورتکات Ctrl+Shift+F10 آن اسکریپت را اجرا می کنم.

و در نهایت خروجی آن را در کنسول در پایین می بینم:

پای چارم محیطی بسیار حرفه ای و انعطاف پذیر برای توسعه به زبان پایتون است. چیزی که اگر آن را یاد بگیرید، برخلاف متلب، می توانید به معنای واقعی کلمه کار کنید و پول در بیاورید. پس چه بهتر که همین امروز آن را نصب کنید و بعد به روزمه خود اضافه کنید 😁

آیا با آموزش پایتون در کانال موافقید؟
anonymous poll

بله – 60
👍👍👍👍👍👍👍 90%

خیر – 7
👍 10%

👥 67 people voted so far.

‍ وقتی حدود بیست سالم بود به شدت شیفته ریاضیات و منطق بودم. از طرفی بسیاری از باورهای قبلی را دور ریخته بودم و طرفدار پر و پاقرص فلسفه های تحلیلی شده بودم. از دید من بسیاری از مشکلات جامعه ما ریشه در باورهایی داشت که بدون دلیل پذیرفته بودیم. از نگاه من افرادی که به جای استدلالهای درست برای اثبات ادعای خویش یا ماندگاری آن در ذهن مخاطب از شعر استفاده میکنند، دچار همان خبط فکری شده اند که نیاکان ما نسل هاست که دچار آن هستند.
اما امروز بعد از گذشت تمام آن سالها متوجه می شوم که شاید در قضاوت هایم قدری زیاده روی کرده باشم. هر جامعه ای با مولفه های خاصی تعریف می شود و هر چند بسیاری از آن ها ممکن است مشکل آفرین باشند، ویژگی های شگرفی در مورد خود جامعه بیان می کنند. بنابراین به جای قضاوت سریع و نتیجه گیری کردن سعی کردم آن را زندگی کنم. این کار البته دشوار نبود!
بی شک شعر بخش بزرگی از زیست ما ایرانیان را شکل می دهد اما به ندرت متوجه آن می شویم. اصغر فرهادی خاطره ای را بازگو می کرد که در آن یکی از دوستانش از فرانسه به ایران آمده بود و او هم برای استقبالش به فرودگاه رفت. فرهادی تعریف می کند که او را سوار ماشین کردم و در مسیر از خیابان های تهران عبور می کردیم تا اینکه به یک چهار راه رسیدیم. ناگهان دوست فرانسوی متوجه بچه ای فال فروش می شود. می پرسد: این پسر بچه چه میفروشد؟ و فرهادی هم جواب می دهد: شعر! دوست فرانسوی اش با تعجب بسیار می پرسد: شعر!!؟ فرهادی جواب می دهد: "این شعر فال است و مردم سعی میکنند آینده خود را از طریق آن متوجه بشوند." فرهادی میگوید که بعدها با خودم فکر کردم که این اتفاق عادی که هر روز برای ما رخ می دهد چقدر ممکن است از دید یک بیگانه جالب باشد. کل این تصویر شاید بسیار تاریک باشد و جنبه های منفی زیادی مثل بچه های کار را به ذهن بیاورد اما بخش روشن تر آن این است که هنوز مردمانی در جهان وجود دارند که شعر برایشان بخشی از زندگی است و حتی آن را مانند نان می خرند! این افراد لزوما تحصیل کرده رشته ادبیات نیستند. آن ها از مهندسان و پزشکان و معلم و استاد گرفته تا کارگر و بازاری و تقریبا تمام اقشار جامعه هستند. همه آن ها حافظ می خوانند اما هر کس به قدر خود از آن سود می جوید و لختی از تمام دنیای اطرفش می بُرد! شعر فارسی همواره مانند یک دریچه بزرگ برای ایرانیان عمل کرده تا از طریق آن امیال و آرزوها، خشم و اشتیاق، عشق و دلدادگی خود را در طول قرنها فریاد بزنند و پژواک آن هنوز بعد از هزار سال تازگی روز اولش را داشته باشد.

شاید به دلیل همین ویژگی های یکتای زبان فارسی است که مهمترین عامل شکل گیری ذهنیت مردمان خاورمیانه بعد از اسلام شده است. حوزه فکری زبان فارسی از خود گویندگان آن بسیار وسیع تر و از شمال هندوستان گرفته تا آسیای مرکزی، ایران فعلی و حتی ترکیه و عراق و سوریه کنونی را در بر میگیرد. بسیاری از بزرگان علم و فرهنگ در ایران در برهه هایی از زمان متقاعد شدند که به زبان های دیگر مانند عربی، فرانسه و انگلیسی متون علمی خود را بنویسند اما هرگز برای بیان احساسات و عشق جایگزینی برای فارسی پیدا نکردند! چنان که گویی این زبان با تار و پود خود عشق بافته شده است!

(عکس: یک سنگ فرش در خیابان انقلاب تهران)

⚠️با توجه به فیلتر بودن تلگرام برای دنبال کردن کانال ما می توانید همچون توییتر، فیسبوک، یوتیوب تمام وبلاگ های بلاگ اسپات، بلاگ اسکای، فلیکر، بیش از نیمی از سایت های خبری دنیا،سایت های هنری و در مجموع یک سوم کل سایت های اینترنتی، از فیلترشکن استفاده کنید.

اینترنت یک سیستم غیر متمرکز است که سانسور را مانند یک نقصان شناسایی کرده و در نهایت آن را دور میزند!⚠️

🔵یادگیری عمیق، مغز و متافیزیک!🔵

انسان همواره بدنبال کشف روابط و نظم در محیط اطرافش بود و این موضوع با بقای او گره خورده بود! فرض کنید شما یک انسان ابتدایی در سه میلیون سال پیش هستید و در صحرای ساوانای آفریقا به آرامی قدم میزنید ناگهان صدای خش خشی در میان بوته ها می شنوید. آیا صدای باد بود یا یک جانور خطرناک بین بوته هاست! نحوه جواب دادن شما به این سوال به قیمت جانتان تمام می شود! حالا فرض کنید که شما سریعا نتیجه گیری کنید صدا متعلق به یک جانور خطرناک است اما در حقیقت فقط صدای باد بوده است در اینجا شما دچار نوعی از خطا شده اید که به آن خطای نوع اول(false positive) گفته می شود: باور به این که چیزی واقعی است در حالی که در واقع نیست! در این حالت شما الگویی که وجود نداشته را پیدا کرده اید! شما صدای خش خش را به جانور خطرناک وصل کردید. اشکالی ندارد شما با سرعت فرار میکنید و بعد متوجه میشوید که اشتباه کردید. این خطا در عمل هزینه زیادی برای شما ندارد! حالا فرض کنید که شما فکر می کنید صدای خش خش فقط صدای باد است در حالی که در واقع یک شیر آنجا نشسته است. برای شما متاسفم، شما ناهار آماده شیر شدید! در این حالت شما دچار خطای نوع دوم شدید(false negative): باور به این که چیزی واقعی نیست در حالی که واقعا هست!

مشکل بزرگ این است که هزینه دو نوع خطا برای ما یکی نیست. یکی از آنها فقط چند کیلو کالری اضافی از ما می سوازند و دیگری به قیمت حذف ما از چرخه فرگشت منجر می شود! همین موضوع باعث شد که مغز ما به صورت پیش فرض تقریبا در همه چیز الگو بیابد! صدای خش خش ممکن است شما را تا سر حد مرگ بترساند و به واکنش شما منجر شود! یک شکل روی درخت ممکن است در مغز شما سریعا یادر آور یک حیوان وحشتناک باشد و با دیدن یک طناب در تاریکی سریعا آن را به یک مار زهرآگین تعبیر کنید! همه ما بارها و بارها تجربه چنین اشتباهاتی را داشته ایم. مغز ما به شدت در یافتن الگو ها و حتی اضافه کردن جزییات به آن برای باورپذیری بیشتر استاد است! به این ویژگی مغز "الگو زدگی" (patternicity) گفته می شود.

"الگو زدگی" بسیار فراتر از یک خش خش و اشتباهات بصری و سمعی می رود: مغز ما در چرخه فرگشت به حدی پیچیده شد که سعی در وصل کردن نقاط بیشتری به هم کرد، از قضا بسیاری از این ارتباطات واقعیت نداشتند به این ترتیب الگوزدگی موتور محرکه خرافات و سحر و جادو شد. اعتقاد به طلسم، ارتباط بین ماه تولد و سرنوشت یا خصوصیات شخصی، باور به اثر ستارگان در زندگی افراد، بد یمن بودن عطسه یا دیدن گربه سیاه و میلیون ها خرافات ریز و درشت در فرهنگهای انسانی وارد شد! بعضی از انواع این خرافات شکل های سازمان یافته تری هم گرفتند.

اما چرا مغز ما که می تواند دست به آزمایش بزند و تغییر کند همچنان به این خرافات باور دارد؟ دلایل زیادی برای این وجود دارد که تلاش برای درک آنها بخش بسیار بزرگی از فهم ما از مغز انسان در طی چند دهه اخیر را شکل داده است. مغز ما معتاد یافتن الگو است و همچون هر معتاد دیگری هرگز سعی در ترک این رفتار نمی کند. به این رفتار بایاس های ذهنی گفته می شود و من در اینجا نمی خواهم وارد جزییات آن شوم.

با وجود اینکه مغز پیچیده ترین سیستم شناخته شده در هستی است گویا نقص های ساختاری مهمی هم دارد. هوش مصنوعی تلاشی بود برای ساختن ماشین هایی که چنین اشتباهاتی را مرتکب نمی شوند و بر اساس منطق خشک و منظم و یکپارچه جهان را تحلیل کنند. به نظر مانعی برای رسیدن به این هدف وجود نداشته باشد. بایاس های ذهن بشر ظاهرا محصولات فرعی فرگشت انسان هستند. محصولاتی که به بقای او کمک کرده اند ولی به صورت اساسی برای فهم جهان مهم نیستند یا حتی بهتر بگوییم بسیار هم مضر هستند.

اما دستیابی به چنین هوش مصنوعی ای فقط یک رویا بود! موانع نظری بسیار مهمی در این راه وجود دارد، ظاهرا ما به ماشین هایی خرافاتی مثل خودمان نیاز داریم تا بتوانند واقعا یک کار مفید انجام بدهند! در قسمت بعدی به این موانع اشاره می کنم

(منبع: The believing brain by Micheal Shermer)

🔵یادگیری عمیق، مغز و متافیزیک!(قسمت دوم)🔵

اما این موانع چه هستند؟ در دهه هفتاد و هشتاد میلادی تب ساختن ماشین های منطق بسیار بالا بود! هوش مصنوعی در آن زمان به ساختن نرم افزارهای بسیار بزرگی خلاصه میشد که سعی میکردند در قالب منطق گزاره ای و با داشتن مقدمات شروع به استخراج نتایج کنند. یکی از مسایل به ظاهر ساده که در عمل برای بسیاری از کارخانجات و اتوماسیون آن ها مهم بنظر میرسید مساله جابجا کردن بلوک هاست. این بلوک ها می توانند کارتن های محصولات باشند که توسط یک دست رباتیکی جابجا می شوند. مثلا فرض کنید شرایط اولیه به صورت زیر باشد و شرایط نهایی را به صورت شکل دوم بخواهیم. این مساله را حتی یک کودک چهار ساله براحتی می تواند حل کند. اما راه حل های منطقی برای آن چندان کارا بنظر نمیرسیدند. آن ها کار میکردند اما زمانی که تعداد بلوک ها زیاد میشد آنقدر ناکارا می شدند که برای رسیدن به نتیجه باید ساعت ها صبر می کردید!!

به سرعت موانع نظری بسیار مهمی ظاهر شدند:" متاسفانه هر الگوریتم استنتاج برای منطق گزاره ای دارای پیچیدگی نمایی است. ما نمی توانیم انتظار بهتری داشته باشیم چون اساسا استنتاج گزاره ای یک مساله با پیچیدگی نمایی است"[1]
پیچیدگی شیوه ای برای نمایش دادن این است که یک الگوریتم چقدر زمان برای اجرا نیاز دارد. معمولا الگوریتم هایی که عملی هستند در نهایت پیچیدگی چند جمله ای دارند! یعنی می توان با چند حلقه فور سر و ته قضیه را هم آورد. اما وقتی پیچدگی نمایی می شود شما بجز مسایل بسیار کوچک(مثلا چند بلوک) قادر به حل مسایل واقعی بزرگ نیستید.

مشکل دوم از انتظارات اولیه از هوش مصنوعی بر می آمد. دولت آمریکا شروع کرد به حمایت مالی از پروژه هایی که مقاله های روسی را به انگلیسی به صورت اتوماتیک ترجمه کند! دلایل خوبی برای باور کردن ساختن چنین ماشینی وجود داشت. نوام چامسکی موفقیت زیادی در ساختن فرآیند های اتوماتیک برای پارسر های زبان طبیعی یافته بود. اما پس از مدت کوتاهی محققان در هزارتوی پیچیده زبان گرفتار شدند! زبان های انسانی چیزی بیشتر از مشتی کلمات و معانی آن هاست! محققان به این نتیجه رسیدند که برای ترجمه ی حتی یک جمله نیاز به دانستن کل آن زبان است! مثلا «مریم امشب برای شهاب کیک درست می کند» حاوی ده ها قطعه اطلاعات کوچک و بزرگ است. این که امشب احتمالا تولد شهاب است یا شب مهمی است! اینکه مریم می خواهد با این کار محبت خود را به شهاب نشان دهد! اینکه معمولا برای تولد کیک درست می شود! اینکه مریم رابطه نزدیکی با شهاب دارد یا مادر یا همسر یا خواهر یا غیره اوست! این زنجیره را می توانید همینطور ادامه دهید. ما برای فهم جملات حجم عظیمی از اطلاعات را کنار هم میچینیم و یک چارچوب می سازیم. چارچوب (frame) چیزی است که ما در آن یک جمله را درک می کنیم. همین موضوع باعث شد محققانی مانند چارلز فیلمور(Charles Fillmore) شروع به استخراج تمام چارچوب های فهم متعارفی (common sense) و روزمره بکنند!این پروژه شاید بسیار جاه طلبانه به نظر برسد اما شروع شد! Framenet اولین تلاش برای این کار بود! سالها تلاش برای ساخت و اضافه چارچوب ها انگار فایده ای نداشت! گویا فهم متعارفی ما از جامعه و فرهنگ و روابط انسانی یک رشته بی پایان است! افراد دیگری شروع به کد کردن دانش بشر کردند این قطعات دانش از اطلاعات های فکت گونه مانند اینکه برلین پایتخت آلمان است گرفته تا اینکه گربه ها چهار پا و یک دم دارند را شامل می شد! DBPedia، Cyc، Freebase و صدها پروژه دیگر محصول این تلاش ها بودند. علاوه بر دشواری و هزینه های زیاد این پروژه ها مشکلات دیگری هم در این راه وجود داشت. معمولا الگوریتم های استنتاج بر روی این پایگاه دانش ها بسیار کند و در نهایت به دیوار نفوذ ناپذیر پیچیدگی نمایی برخورد می کرد!

این مشکلات مانند تیر خلاصی بر بدنه تمام تحقیقات هوش مصنوعی با مشی منطق بود! به این ترتیب "زمستان هوش مصنوعی" آغاز شد. تقریبا کسی ایده ای برای برون رفت از این وضعیت نداشت شرکت های فناوری و سازمان های دولتی و نظامی مثل DARPA تمام بودجه های مربوط به هوش مصنوعی را قطع کردند. پرونده ی همه پروژه ها با اعلام شکست بسته شد. عبارت هوش مصنوعی زخم زبانی شده بود برای افراد زیادی که سالها عمر خود را بر روی آن صرف کرده بودند. همه در مانده شده بودند، برخی سعی در دستکاری در ساختمان های منطقی میکردند تا بتوانند قدری سرعت الگوریتم ها را افزایش دهند. اما گویا چیزی کم بود. رویای هوش مصنوعی عملا به پایان رسیده بود! تا اینکه در دهه نود میلادی بارقه های امید شروع به درخشیدن کرد!

لینک برای مطالعه بیشتر

frame net: https://framenet.icsi.berkeley.edu/fndrupal/
DBPedia: https://wiki.dbpedia.org/

[1] Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited,.

🔵یادگیری عمیق، مغز و متافیزیک!(قسمت سوم)🔵

با ورود به دهه نود میلادی به ترتیب روش های منطق جای خود را به روش های آماری و احتمالاتی داد. مدل احتمال بیزین بسیار موفق عمل می کرد. اما مدل احتمال بیزین دقیقا یک شبیه سازی از نحوه فکر انسان بود! انسان ها بر خلاف منطق خشک به یک روش ماشینی از مقدمات به نتیجه نمی رسند. بنابراین وقتی شما بیرون می روید و میبینید چمن روبروی ساختمان خیس شده است. شروع به چیدن مقدمات نمیکنید برعکس شما با فرضیه جلو می روید! فرضیاتی که برخی محتمل تر از بقیه هستند. ممکن است فکر کنید که باران آمده است. این همان احتمال پیشینی است. سپس شما به اطرف نگاه می کنید و می بیند کمی آن طرف تر خشک است. این تکه از شواهد به شما کمک می کند که در احتمال پیشینی خود قدری بازبینی کنید: احتمالا باران نیامده چون آن طرف خشک است اما ممکن است جهت باد طوری بوده که خشک مانده است در همین حال صدای آب پاش را می شنوید و در نهایت با اطمینان تقریبا کامل می گویید باران نیست فقط آبیاری است! این شیوه که بنظر پر از اشکال است در عمل بسیار کارا و سریع عمل می کند. تنها اشکال چنین روشی آن است که شما نیاز دارید حجم باورنکردنی اطلاعات در مورد دنیا داشته باشید، نیاز دارید احتمال هر رویداد به شرط دیگری را با تخمین خوبی بدانید، احتمال آبیاری به شرط صدای آبپاش بسیار بالاست، احتمال سوختن غذا به شرط بوی سوختگی و غیره و غیره!

ما انسان ها در این کار خبره هستیم. ما بیشتر اطلاعاتی که می خواهیم از شخصی بگیریم در برخورد اول و حتی در چند دقیقه اول میگیریم و سریعا مدلسازی می کنیم. اگر شما با شخصی برخورد کنید که شلوار جین پاره پوشیده و موهایش را هایلایت کرده مدل ذهنی بسیار متفاوتی میسازید از شخصی که ریش بلندی دارد و یقه اش را محکم بسته است. احتمال پیشینی در ذهنتان به شما می گوید شخص اول قیدهای مذهبی ضعیف تری نسبت به دومی دارد. همه ما می دانیم چنین پیش قضاوت هایی از لحاظ اخلاقی نادرست و در واقعیت ممکن است غلط باشند. اما مغز ما ماشین منطق نیست که بدون هیچ احتمال پیشینی و صرفا بر اساس شواهد و منطق گزاره ای به نتایج برسد. این میانبر های ذهنی باعث می شود مغز ما بتواند اصولا کار کند!

اکنون این شهود ها که در بطن فرهنگ های ما برای چندین هزار سال رسوخ کرده است در الگوریتم های بدون ناظر خود را نشان می دهند. یکی از این موارد بسیار جالب است. یکی از الگوریتم های بسیار موفق در زمینه پردازش متن بر اساس ساختن بردار برای هر کلمه است. به این ترتیب هر کلمه را می توان به صورت یک بردار مثلا 100 بعدی تعریف کرد. این بردار ها ویژگی های بسیار خوبی دارند. به طور مثال بردار های مربوط به کلمات هم معنی یک نقطه از فضا را نشان میدهند. برخی اوقات این بردار ها ویژگی های جالبی هم از خود نشان می دهند. مثلا:

Man-woman=king-queen

به عبارتی هنگامی که بردار کلمه "مرد" را از کلمه "زن" کم میکنیم مانند این است که بردار کلمه "شاه" را از کلمه "ملکه" کم کرده باشیم. این ویژگی در زبان هم وجود دارد: نسبت مرد به شاه مثل نسبت زن به ملکه است! اما این تمام ماجرا نیست. مدل برداری آموزش داده شده بر روی میلیون ها خبر و کتاب و مقاله از قدیم تا جدید نکات زشتی از فرهنگ های انسانی به ما نشان می دهد. مثلا زن ها را با کلماتی چون خانه دار، پرستار، کتابدار و مراقب کودک همراه و مرد ها را با شغل های پردرآمد تر و معمولا سطح بالاتر مانند خلبان، معمار، کاپیتان و رییس همراه می کند. این موارد گاهی حتی بسیار آزاردهنده هم میشوند:

Man-woman=programmer-homemaker

نسبت مرد به برنامه نویس مثل نسبت زن به خانه دار است! این مشکلات تنها در مورد جنسیت زدگی وجود ندارد. بلکه این الگوریتم ها رفتار های نژاد پرستانه و علیه اقلیت ها هم از خود نشان میدهند. اکنون تلاش های زیادی برای از بین بردن این بایاس ها به صورت مصنوعی انجام می شود. اما نکته ی مهم این است که این الگوریتم ها صرفا یک آینه هستند تا ما در آن چهره خود را ببینیم. بشر به سختی(یا شاید حتی غیر ممکن) می تواند بدون ذهنیت کلیشه ای زندگی کند! سوال این است که آیا حذف این بایاس ها در نهایت چیزی را حل می کند؟! خرافات هم گونه ای از پیش داوری های بیزینی با خود به همراه دارد. در این مورد در قسمت بعد بیشتر کنکاش میکنیم.

منبع: Bolukbasi, T., Chang, K. W., Zou, J. Y., Saligrama, V., & Kalai, A. T. (2016). Man is to computer programmer as woman is to homemaker? debiasing word embeddings. In Advances in Neural Information Processing Systems (pp. 4349-4357).

🌍مردم جهان خیال می‌کنند که خیلی می‌دانند🌎

دو استاد روانشناس امریکایی، در کتابی با عنوان « توهمِ دانا بودن» مدعی شده اند که با وجود فراگیر شدنِ آموزش عمومی، بشر کمتر از پیش با حقیقت‌های زندگی آشنایی دارند. از نظر فیلیپ فرنباک و استیون سولمن، به خاطر در دسترس بودن دانش بشری، مردم حوصلهِ رسیدن به یک تشخیص فردی را از دست داده اند و کاملا متکی به حس و حال و جو عمومی هستند.

این دو محقق علوم مربوط به شیوه تفکر بشر، می گویند البته بشر هیچوقت با تفکر و تصمیم شخصی راحت نبود. انسان‌ها همواره بر اساس تصمیم جمعی، زندگی را به پیش برده اند. همه تکنولوژی و دانش علمی بشر، نتیجه همکاری گروه های هم نظر و علاقمند به یک موضوع بوده است.

افزایش دانش عمومی، این شبهه را برای مردم جهان ایجاد کرده است که خیلی می دانند ولی در عمل، به نسبت بشر دوران غارنشین، از عهده ساده ترین اعمال برای زنده ماندن و تصمیم گیری سریع و تشخیص سود و زیان واقعی شان، بر نمی آیند. برای همین است که روز به روز بر دامنه تاثیر شارلاتان ها و هیاهو کننده ها در مدیریت جهان، افزوده می شود.

Steven Sloman و Philip Fernbach معتقدند بشر معاصر دچار توهم دانایی شده است. این روزها همه انسانها فکر می کنند نظر مشخصی در باره آلودگی محیط زیست تا بحران های سیاسی و جنگ های دنیا دارند. در صورتی که، اکثریت نظرات موجود، تکرار حرف دیگران است.

بدتر از همه اینکه، همین مردم به خیال خودشان دانا، حوصله بررسی دلایل و شواهد نظر مخالف خودشان را ندارند. برای مثال فکر کنید اگر همه دانشمندان جهان جمع شوند و بخواهند با دلیل و مدرک به دانلد ترامپ بقبولانند که زمین به سرعت در حال گرم شدن است یا زغال سنگ و نفت باعث آلودگی مداوم سیاره ما می گردد.

مثال خیلی ساده تر در درون زندگی، وسیله ایی مثل « زیپ» است که همه ما از کودکی تا سن کنونی مان، مدام از آنها استفاده کرده ایم و اگر از ما در باره‌اش بپرسند می گوییم که می دانیم بر چه اساسی کار می کند ولی اکثریت ما از درک و توضیحِ عمل ساده ایی که زیپ انجام می دهد غافل هستیم.

ادعای فردیت و شعور فردی که از چند صد سال پیش در غرب، مد شده است در عمل باعث ضعیف تر شدن قدرت تصمیم گیری و تشخیص مردم شده است. چون انسان موجودی است که به ندرت به صورت تنها و مستقل، فکر می کند. چون اصل و اساسش، با فکر و تصمیم گروهی گره خورده است. چون روانشناسان، جامعه شناسان و حتی اقتصاد دانان، نشان داده اند که بشر از تعصبات مختلف برخوردار است. چون بسیاری از اعمالش بر اساس منافع لحظه ایی است. چون مدام خودش را می فریبد. چون مدام دیگران را می فریبد.

از دید این دو محقق، راه حل برای دنیای هر لحظه پیچیده تر شونده و افزایش نادانی مردم، این نیست که مدام برای شان مدرک و منطق تهیه کنیم.

دو نویسنده در کتاب خود، جواب مشخصی ارائه نمی دهند ولی فکر می کنند پذیرش این حقیقت که خیلی کم می دانیم و سفارشات ساده ایی نظیر پس انداز خوب است، خیلی سریع بعد از بیکار شدن به دنبال کار بگردیم و روبرو شدن با مسائل روزمره و جاری، می تواند قدم های اولیه برای حل این مشکل باشد.

‍ اجرام که ساکنان این ایوانند
اسباب تردد خردمندانند

هان تاسر رشته خرد گم نکنی
کانان که مدبرند سرگردانند

خیام

(تعداد ستارگان جهان هستی بر طبق تخمین های دانشمندان دانشگاه هاوایی حداقل ده برابر تمام دانه های شن تمام سواحل کره زمین هستند)
https://goo.gl/vg5SKM

🔵وصل شدن به اینترنت در متلب🔵

امروزه بسیاری از برنامه ها از داده های آنلاین وب استفاده میکنند و آنها را به شما نشان می دهند. یکی از کاربردهای اتصال به اینترنت خواندن اطلاعات مختلف به صورت زنده است. مثلا خواندن اطلاعات بازی های جام جهانی یا اطلاعات هواشناسی یا بازار سهام. بیشتر این اطلاعات در اساس زنده هستند و بنابراین نمیتوان همه آن ها را دانلود کرد و سپس پردازش بر روی آن ها انجام داد.

در اینجا می خواهیم یکی از کاربردهای ساده این نحوه استفاده از داده ها را در متلب به شما نشان دهیم. قبل از آن نیاز داریم که web api ها درک کنیم. در بستر وب علاوه بر وب سایت هایی که میبینید یا برنامه هایی مانند اینستاگرام که از وب استفاده میکنند سرویس های دیگری هم وجود دارند که به صورت رایگان یا پولی اطلاعات به شما می دهند. برای گرفتن این اطلاعات معمولا نیاز داریم که آن را به صورت یک تابع بر روی وب فراخوانی کنیم. اما این فراخوانی مانند زبان های برنامه نویسی عادی نیست و کاملا مستقل از زبان صورت می گیرد. در واقع ما به یک سرور متصل می شویم و از او اطلاعات طلب می کنیم. این کار در یک url می تواند خلاصه شود. بسیاری از مواقع پارامتر ها را هم در همین url قرار می دهیم. بنابراین فرمت درخواست داده به صورت زیر می شود:
https://www.example.com/data?param1=val1&param2=val2
به این شکل می توان پارامتر ها را هم پاس کرد. بسیاری از api ها برای استفاده نیاز به یک کلید دارند. آن ها با این کلید می توانند مشخص کنند که آیا نیاز به پرداخت پول برای سرویس شان وجود دارد یا خیر یا اطلاعات تاریخ استفاده شما را نگه دارند. در ضمن آن ها جلوی درخواست ها بیش از حد از سرور را هم می گیرند. نکته مهمی که در مورد این درخواست ها وجود دارد این است که این درخواست ها بدون state هستند. یعنی درخواست های متوالی شما هیچ گونه ارتباطی با هم ندارند. سرور برای شما هیچ session ایی ایجاد نمی کند.

در این مثال می خواهیم اطلاعات هواشناسی را به صورت زنده نشان دهیم. برای این منظور به وب سایت https://openweathermap.org می رویم و یک حساب کاربری رایگان درست می کنیم تا صاحب یک کلید شویم. این کلید یک ترکیب از اعداد و حروف است(مانند اعدادی که از تابع در هم سازی ایجاد می شود) سپس برای دریافت اطلاعات هواشناسی یک شهر می توانیم این url را در مرورگر زده و اطلاعات آن را ببینیم(برای انتخاب شهر های دیگر یا نقاط جغرافیایی متفاوت به جزییات وب سایت مراجعه کنید).
https://api.openweathermap.org/data/2.5/weather?q=London,uk&appid=YOUR_API_KEY
در اینجا اطلاعات هواشناسی شهر لندن را میگیریم. به جای YOUR_API_KEY باید کلید خودتان را قرار دهید(این کلید شخصی است و نباید به کسی بدهید برای همین من اینجا آن را منتشر نمیکنم).

وقتی این تابع را فراخوانی کنید یک خروجی json به شما می دهد. برای استفاده در متلب می توانید به سادگی تابع webread را بر روی آن فراخوانی کنید:

r=webread(‘https://api.openweathermap.org/data/2.5/weather?q=London,uk&appid=YOUR_API_KEY’)

در این صورت خروجی ای که دارید یک struct با بخش های مختلف است. به طور مثال می توانید دما را به صورت زیر بگیرید:

Temperature=r.main.temp

از آنجایی که دما به صورت آنی تغییر نمی کند می توانیم در یک حلقه هر پنج دیقه یک بار دما را چک کنیم و آن را نمایش دهیم. کد زیر به صورت ساده این کار را انجام می دهد:

data = []
url=‘https://api.openweathermap.org/data/2.5/weather?q=London,uk&appid=YOUR_API_KEY’
while true
    r=webread(url);
    temperature = r.main.temp;
    data = [data; temperature];
    plot(data)
    pause(600);
end

نمایش اطلاعات دمای لندن به صورت زنده! (برای جلوگیری از پیچیدگی کد از لیبل زدن محور ها خودداری شده)

🔵یادگیری عمیق، مغز و متافیزیک!(قسمت چهارم)🔵

همانطور که در بخش های قبل اشاره کردیم "الگوزدگی" یک ویژگی سیستم شناختی بشر است. اما علاوه بر آن تاکید کردیم که الگوزدگی نقصی ناشی از شیوه فرگشت مغز ما نیست برعکس واقعیتی بسیار مهم در مورد جهان را افشا می کند: برای حل بسیاری از مسایل موجود مثل مساله جابجا کردن مکعب ها الگوریتم های سنتی یعنی الگوریتم هایی که بر اساس منطق هستند، جواب نمی دهند. ما الگوریتم هایی نیاز داریم که حاوی پیش فرض باشند. در قسمت قبل نشان دادیم که یکی از این روش ها احتمال بیزینی است. اما در این قسمت می خواهیم قدری دقیق تر شویم و بفهمیم "یادگیری" در یادگیری ماشین به چه معناست و چرا "یادگیری" باید حتما حاوی پیش فرض باشد.

انسان همواره در حال یادگیری است: مثلا ما از بچگی با دیدن تصاویر مختلف چند اتومبیل یا گربه یاد میگیریم که اتومبیل و گربه به چه معنا هستند و ازآن به بعد با دیدن نمونه های جدید مشکلی در تشخیص نداریم. البته ممکن است اشتباهاتی صورت بگیرد که به تدریج اصلاح می شود. اما نکته مهم این است که ما بر اساس تعریف مفاهیم را یاد نمیگیریم. فرض کنید دوستی داریم که بعضی روزها خوشحال است و بعضی روزها نه. می خواهیم متوجه بشویم چه چیزی باعث می شود این دوستمان خوشحال باشد. عوامل متعددی در این میان دخیل هستند. من لیست این عوامل و خوشحالی یا ناراحتی دوستم را در جدولی می نویسم

همانطور که می بینید خوشحالی دوست من ناشی از شرایط آب وهوایی است!
ستون اول یعنی هوا می تواند سه حالت داشته باشد و بقیه ستون ها فقط دوحالت دارند. پس در کل همه حالت ها می شود 3*2*2*2*2*2=96.
با توجه به جدول میتوانیم فرضیه های مختلفی بسازیم. به طور مثال می توانیم بگوییم تنها عامل مهم sky (آفتابی یا بارانی بودن هوا) است و بقیه مهم نیستند. در این صورت می توانم بگویم در روزهایی که هوا آفتابی است دوستم خوشحال است و بنویسم
<Sunny,*,*,*,*,*>
ستاره ها به این معنی هستند که بقیه ویژگی ها هر مقداری می توانند داشته باشند و مهم نیستند. با همین شیوه کلی ترین فرضیه ممکن که هیچ عاملی مهم نیست و در همه روزها دوستم خوشحال است، به صورت زیر می شود:
<*,*,*,*,*,*>
به صورت دیگری هم می توان به این قضیه نگاه کرد. به این صورت که بسیارخاص به مساله نگاه کنیم. مثلا با دیدن اولین نمونه در جدول بگوییم که دوستم فقط زمانی خوشحال است که دقیقا تمامی شرایط محقق شود یعنی:
<Sunny,Warm, Normal, Strong, Warm, Same>
این فرضیه بسیار خاص است وفقط به یک حالت قابل تعمیم است. اما خاص ترین فرضیه حالتی می شود که ما هیچ نمونه ای را مثبت درنظر نگیریم(فرضیه تهی). در این صورت داریم:
<0,0,0,0,0,0>
که 0 نشان دهنده این است هیچ مقداری قابل قبول نیست.
حالا بیایید نمونه ها را یکی یکی بررسی کنیم و سعی کنیم ازخاص ترین فرضیه و کلی ترین فرضیه به سمت یک نقطه میانی برسیم. بعد ازدیدن نمونه اول میتوانیم بگوییم دوستم حداقل در حالت اول خوشحالاست و از فرضیه تهی خارج شویم. سپس نمونه دوم را می بینیم و متوجه می شویم که رطوبت Humidity ظاهرا تاثیری در خوشحالی دوستم ندارد و بنابراین مهم نیست چون دردو حالت با مقادیر مختلف یک نتیجه را به ما داده است.

اما نمونه سوم یک نمونه منفی است. نمونه منفی فضای فرضیه های کلی را تحدید می کند. با دیدن این نمونه متوجه می شویم که چند حالت ممکن است وجود داشته باشد. یا اینکه هوا نباید Rainy باشد(پس باید Sunny باشد) یا دما نباید Cold باشد(پس باید Warm باشد) یا پیش بینی (forecast) نباید Change