🍇🍑 تجربه کاری - در زمینه هوش مصنوعی کارآفرینی کنیم یا صرفا در جایی استخدام شویم؟

معمولا یکی از مهمترین چالشها بعد از اتمام تحصیل در رشته هوش مصنوعی این است که برای کسی کار کنیم یا خودمان کارآفرین شویم. حتما می دانید که به خاطر ظرفیت های رشته های کامپیوتر، کارآفرینی در این زمینه چندان دور از ذهن نیست. در اینجا سعی می کنیم به مواردی اشاره کنیم که حیاتی هستند و لزوم توجه به آنها امری است اجتناب ناپذیر.

در ابتدا لازم است که با خودتان روراست باشید. اگر به هر نحوی با مشکل مالی رو به رو هستید اینکه بلافاصله به فکر کارآفرینی باشید، کاملا اشتباه است. در چنین شرایطی لازم است که ابتدا برای افراد دیگر کار کنید، تجربه کسب کنید و سعی کنید بازار اطراف را به درستی بشناسید. ولی حتما لازم است همان ابتدا برای خود برنامه ای یک تا دو ساله تعیین کنید که ایده تشکیل یک شرکت که خودتان در آن کارآفرینی کنید، وجود داشته باشد. به هر حال کار کردن برای افراد دیگر هیچ وقت جذابیت چندانی ندارد و از سویی آدم به ثروت مناسبی هم دست پیدا نمی کند. اگر به این شکل عمل کردید، روند کار به این صورت خواهد بود که شما در ابتدا یکسری ایده در نظر می گیرید و در ماه های ابتدایی تنها یک تا دو ساعت روی مسائل مختلف زمان می گذارید. در ادامه و با گذر زمان، از میان مساله های متفاوت یک یا دو مساله با توجه به تجربیات کسب شده خوب به نظر خواهد رسید. به تدریج زمان بیشتری صرف کار روی ایده خودتان می کنید تا اینکه یک اسکلت کلی آماده شود. وقتی به این نتیجه رسیدید که کار قابلیت ارایه شدن دارد، اینجا می توانید به صورت آزمایشی کار را به مشتریان احتمالی ارایه کنید تا ببینید آیا ظرفیت برای ادامه دارد یا نه. اگر داشت می توانید تمام وقتتان را روی همین کار بگذارید و دیگر برای کسی چندان وقت نگذارید. اگر نه، کار اصلی سر جایش است و شما تجربه کسب کرده اید و زمان خیلی زیادی هم از دست نداده اید؛ پس اگر شکست خوردید، می توانید به دنبال یک ایده جدید و بهتر باشید تا دوباره فرآیند ذکر شده را با تجربیات بیشتر سپری کنید.

اما اگر پس از اتمام تحصیل پول فاکتور چندان پر اهمیتی برایتان نیست، بازهم توصیه می کنیم یک تا دو سال حتما در شرکتهای هوش مصنوعی کار کنید تا تجربه کسب کنید. شناخت بازار و نیازهایش اهمیت بسیار بالایی دارد.

به صورت عمومی چند توصیه می کنیم:

- اگر می خواهید در همان ابتدای جوانی درگیر مسائل بی ربط نشوید تا آرامش داشته باشید، هر شرکت خصوصی که طلب سفته کرد را کنار بگذارید.
- حتما اگر قصد کارآفرینی دارید، فکر این باشید که لازم است یک شغل با حقوق مناسب در طول آفرینش کار جدید داشته باشید. در غیر این صورت قطعا شکست خواهید خورد. برای کسانی که مشکل مالی دارند، هزینه های زندگی آزاردهنده خواهد بود و سبب می شود تمرکز درستی روی ساخت کار جدید نداشته باشند و برای اشخاصی که ثروت مناسبی دارند، اهمیت زمان و بازار کار آشکار خواهد شد.
- سعی کنید از روشهای مبتنی بر Agile استفاده کنید. روشهایی مثل آبشاری یا سایر روشهای مرسوم مشکلات بدی دارند در حالی که متد Agile به وضوح کاراِیی بالایی دارد؛ بنابراین سعی کنید در هر iteration قانع باشید و نیازها راه به ترتیب اولویت انتخاب و پیاده سازی کنید.
- همواره به خاطر داشته باشید که محیط کار با دانشگاه کاملا متفاوت است. در محیط کار هیچ کسی برای دیگران وقت ندارد. در کارآفرینی بدانید که تنها خواهید بود. خیلی به ندرت پیش می آید که بتوانید به تعداد انگشتان دستتان، افراد را همراه خود کنید. مخصوصا اگر ایده به صورت استارتاپی باشد و در آن ابتدا پولی در کار نباشد؛ پس همان ابتدا سعی کنید خود را ارزیابی کنید که آیا مرد کارآفرینی هستید یا نه.
- در کارآفرینی هرگز تنها به نمونه های موفق رجوع نکنید که چه کار کرده اند. بیشتر بروید سراغ استارتاپ هایی که در زمینه شما شکست خورده اند و بررسی کنید که چرا این اتفاق افتاده است. این قسمت طیف بیشتر به شما کمک خواهد کرد.
- اگر با پیچیدگی سیکلوماتیک در برنامه نویسی آشنا باشید، راه های متفاوتی وجود دارد که یک برنامه اجرا شود. این موضوع در کارآفرینی نیز وجود دارد. خیلی اتفاقات متفاوتی ممکن است در حین ساخت یک کار جدید پیش آید. اگر شکست خوردید نامید نشوید.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#تجربه_کاری
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

Deep Reinforcement Learning for Navigation in AAA Video Games

🥕 یکی از مسائلی که در یادگیری عمیق تقویتی به صورت گسترده ای مورد بررسی قرار می گیرد، مساله navigation است. در این مقاله نتایج واقعا جالبی بدست آمده است که می توان در محیط های متفاوت استفاده کرد. با توجه به پر کاربرد بودن navigation در حوزه های متفاوت، این زمینه را برای دانشجویان ارشد و دکتری پیشنهاد می دهیم.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#یادگیری_عمیق #یادگیری_عمیق_تقویتی #شبکه_عصبی #ویدیو #مقاله #معرفی_مقاله
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

🍓🥝 انتشارات Manning اخیرا قابلیتی را فعال کرده است که بسیار کاربردی است. تا پیش از این، این انتشارات اجازه می داد چند صفحه از هر کتاب را به عنوان نمونه بررسی کنید ولی اخیرا شاهد این هستیم که در وبسایتشان اجازه می دهند که به تمامی کتاب دسترسی داشته باشید. مطالعه کتابهای این انتشارات را پیشنهاد می کنیم. برای دیدن محتوای هر کتاب، قسمت سمت چپِ صفحه هر کتاب، بخشی دارد تحت عنوان You can see any available part of this book for free... .

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#خبر #معرفی_منبع_آموزشی #معرفی_منبع #معرفی_کتاب
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

با سلام و احترام

به استحضار می­رساند نخستین «کنفرانس بین المللی هوش مصنوعی و خودروی هوشمند» در تاریخهای 5 و ۶ بهمن ۱۴۰۱، در دانشگاه صنعتی امیرکبیر برگزار می­شود. این کنفرانس ضمن اخذ تاییدیه از پایگاه استنادی علوم جهان اسلام (ISC) توانسته است از انتشارات بین المللی Springer، برای چاپ مقالات پذیرفته شده نهایی در یک مجموعه از Communications in Computer and Information Science (CCIS) مجوز بگیرد و لذا چکیده مقالات پذیرفته شده نهایی در DBLP، EI Compendex، INSPEC، SCImago، SCOPUS، zbMATH، و نیز آژانس علوم و تکنولوژی ژاپن (JST)، و سامانه ثبت مجلات نروژ نیز نمایه خواهند شد. اطلاعات جزیی­تر و برنامه زمانبندی و ثبت نام، روی وبگاه رسمی کنفرانس به آدرس:
https://aismartvehicle.aut.ac.ir/
قابل ملاحظه است.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#اطلاع_رسانی
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

🥪 استفاده از یادگیری عمیق در پروژه های تجاری - بخش چهاردهم

🍩 مقاله خوب مقاله بد

معمولا در شرکتها از مهندس یادگیری عمیق توقع می رود که برای تسک سپرده شده از روش های نوین در مقالات استفاده کند. با این حال نکته ای که گاهی به آن توجه نمی شود، مخصوصا برای افرادی که تازه شروع به کار در این زمینه کرده اند و به خصوص برای فارغ التحصیلان ارشد، این است که هر مقاله ای که خواندید لزوما حرف درستی نمی زند. وقتی مقاله ای می خوانید و برای مثال می بینید که در جایی که q1 است چاپ شده، بلافاصله گارد نگیرید که با یک مقاله بسیار مناسب طرف هستید. یکی از ترفندهایی که بسیار دیده می شود این است که افراد مقالاتشان را به ژورنالهایی می فرستند که کوالیتی مناسبی دارد ولی به صورت متمرکز روی یادگیری عمیق تمرکز نمی کند. در این شرایط معمولا اگر موضوع بروز و داغ باشد و مقاله شکل درستی داشته باشد، احتمال چاپ شدن بالایی دارد. در این موارد خیلی دقت کنید که کیفیت مقاله به هیچ وجه تضمین شده نیست و حتی ممکن است بعد از مدت ها وقت گذاشتن متوجه شوید که خیلی چیز مناسبی بدست نیاورده اید. توصیه می کنیم قبل خواند مقاله حتما به نام ژورنال و موردی که ذکر کردیم توجه کنید و سعی کنید با پیش داوری مطالعه نکنید.


(ادامه دارد ⚾️🥎🎾)
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #شبکه_عصبی #مثالهای_کاربردی #پروژه_تجاری
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

تحلیل

یکی از مواردی که لازم است به عنوان فردی که در حوزه یادگیری فعالیت می کند در نظر داشت، میزان دقت روشهای state-of-the-art روی دیتاست های مختلف است. به این نحو که لازم است بدانید که در سالی که هستید، دقت روی دیتاست های مربوط به شما به چه میزان رسیده است. این نکته اهمیت بالایی دارد از این جهت که معمولا تسکهای مختلف به تدریج روشهایی را پیدا می کنند که خطایشان به خطای بیز نزدیک می شود و به تدریج تسکهایی سخت تر با دیتاست هایی جدیدتر به وجود می آیند که سخت تر از تسک اولیه هستند. باور اینکه خطا روی دادگان ImageNet برای top1 به 91% برسد، حدود ده سال پیش غیر قابل تصور بود؛ زیرا برخی داده ها برای انسان هم چالش دارند. برای شروع تحلیل روی دیتاست ImageNet می توان به آدرسی که در ادامه قرار می دهیم رجوع کنید. اگر دقت کنید، هنوز می توان عملکرد را بهبود بخشید.

https://paperswithcode.com/sota/image-classification-on-imagenet

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #شبکه_عصبی #تحلیل
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

معرفی وبسایت Connectedpapers

یکی از نیازهایی که خیلی در زمان نگاشتن پایان نامه و مقاله حس می شود، دانستن ارتباط بین مقالاتی است که همدیگر را سایت داده اند. وبسایتی که در ادامه مشاهده می کنید ابزارهای جالب بسیاری دارد ولی یکی از پرکاربردترین ابزارش که خیلی کمک کننده است، ابزار گراف سایتیشن است. با وجود محدودیت تعداد استفاده، حالت incognito و تغییر IP می تواند کمک کننده باشد 😉.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#معرفی_منبع_آموزشی #معرفی_منبع #معرفی_سایت
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#اطلاع_رسانی
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

تجربه دانشگاهی

در زمان ارایه پروپوزال یا دفاع از پایان نامه و رساله نیاز است دانشجو خیلی با دقت مقالاتی که سایت می دهد را در نظر بگیرد. مواردی که داوران حتما در نظر می گیرند، سال انتشار مقالات، تعداد مقالات مهمِ سایت داده شده و اعتبار محل چاپ است. هر یک را توضیح می دهیم.

سال انتشار مقالات: یکی از مواردی که لازم است حتما در یاد داشته باشید این است که سعی کنید تعداد زیادی از مقالات سایت داده شده متعلق به یک تا نهایت سه سال اخیر باشد. این موضوع اهمیت بسیاری دارد. اگر به دقت این موضوع را رعایت نکنید، خطر این وجود دارد که داور بگوید در زمینه فعالیت شما کارهای جدیدی صورت گرفته و کار شما بر مبنای کارهای قدیمی است. امکان رد دفاع در این حالت وجود دارد.

مقالات مهمِ سایت داده شده: اشکالی ندارد اگر مقالاتی را سایت دهید که سایتیشن بالایی ندارند ولی سعی کنید که مقالات مهم زمینه خودتان که سایتیشن بالایی دارند را حتما سایت دهید. این نکته مهم است که به داوران بفهمانید که مقالات مهم و کلیدی در زمینه خودتان را خوانده اید. اگر خیلی از مقالاتی که سایت می دهید دارای سایتیشن یک یا دو باشد و این مقالات از چاپشان چند وقتی گذشته باشد، مفهوم این ماجرا این است که شما به کارهایی که چندان مورد استقبال کامیونیتی قرار نگرفته است توجه بیش از حد کرده اید و کارهای مهم را در نظر نگرفته اید. این موضوع در داوران حس خوبی ایجاد نمی کند.

اعتبار محل چاپ: یکی از اشتباهات بسیار رایج که حتی در پایان نامه های دکتری دانشگاه های معتبر خارج از کشور هم دیده می شود، اشتباه در سایت دادن است. اگر مقاله ای ورژن آرکایو و ورژن چاپ شده دارد، حتما نسخه چاپ شده را سایت دهید. برخی از داوران به شدت روی این موضوع حساس هستند. وقتی چند مقاله آرکایو را سایت می دهید، داور خیلی ساده می تواند بگوید "از کجا بدانم اینها داوری شده اند؟!". به عبارتی، حتی اگر مقاله در NIPS چاپ شده باشد و شما ورژن آرکایو را سایت دهید، در لحظه به چالش کشیده شدن چندان حرفی برای گفتن ندارید.


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #ارشد_دکتری #تجربه_دانشگاهی
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

🍓🍇 آیا از روش Early Stopping در فرآیند آموزش استفاده کنیم؟

یکی از پر استفاده ترین روشها در حینِ آموزش شبکه های عصبی، روش early stopping است. فلسفه این روش به این شکل است که سعی کنیم فاصله خطای داده های آموزش و ولیدیشن زیاد نشود. اگر از روشهای مناسبِ مقداردهی اولیه استفاده کنیم، وزن ها در ابتدای کار کوچک هستند. در ادامه زمانی که overfitting تازه خودش را نشان می دهد، وزن ها متعادل هستند و هر چه به سمت overfitting پیش می رویم، وزن ها به صورت کلی بزرگتر می شوند. روش early stopping در نشان دادن این موارد خوب است ولی ضعف بزرگی دارد و آن این است که ما سعی می کنیم با یک روش هم فرآیند آموزش و هم validation را کنترل کنیم. این کار باعث می شود که کنترل کردن هر دو سخت باشد. اصولا برای مقابله با underfitting (برای آموزش) و overfitting (برای ولیدیشن) راهکارهای متفاوتی وجود دارد و وقتی سعی می کنیم هر دو اینها را با هم حل کنیم، کار پیچیده و وقت گیر می شود. بهترین کار این است که ابتدا مدل را آموزش دهیم تا ببینیم مشکل underfit ندارد، بعد سعی کنیم با ابزارهای موجود مثل dropout یا افزایش داده به overfitting فکر کنیم.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

در پردازش زبان طبیعی الگوریتمی وجود دارد به نام LDA که خیلی راحت می توان فهمید در هر تکستی چه موضوعاتی وجود دارد، به همین علت سعی می کنیم کمی سایفر شده صحبت کنیم. شاهد این هستیم که امسال از بازی جدید Assa ssin رونمایی شد که در عراق اتفاقاتش روی می دهد. هر کسی بازی ها را انجام داده باشد و کمی هم نماد شناسی بلد باشد می داند که یوبی سا ف.ت تحت کنترل چه افرادی است. موضوعی که در این پست به آن اشاره می کنیم این است که حدودا از سه سال پیش به شدت فعالیت بنا ها (!) علنی شده است. در سری فیلم های مرول حدود ده سال طول کشید که مفاهیم اولیه را ریز ریز در ذهن مخاطب کنند ولی امسال مفاهیمی را در مووی هایشان گنجانده بودند که سالها نمی توانستند به آنها بپردازند. ولی چه شده که تا این میزان فعالیت ها علنی شده است؟ تقریبا بعد از فیلم اول دکتر سترن ج بود که وارد مفاهیمی که در ذهن داشتند شدند. به نکته ای اشاره می کنیم. اکتر دکتر در این مووی شباهت عجیبی به آن.. تو آن لاو .+ی دارد زمانی که هنوز تصمیم نداشت سرش را به شکل تخم مرغ در بیاورد. این فرد بنیانگذار مکتب سی ت.ن_یس.... م است و قسمت هایی از کتابش را واقعا خود فرد رانده شده از درگاه خدا به آلی س طر +گر-ولی با یک واسطه آموخته. در همین دنیا پارسال فیلم مرد شرق آسیایی اکران شد و در آن به صورت گسترده ای روی آهنگ متل کالی فر نی+ا تمرکز شده بود. این آهنگ به یک سال میلاد اشاره می کند که در آن اتفاقاتی افتاد که مربوط به جناب پدر بزرگ بود. همین آهنگ را اگر ریورس شده اش را بخوانید یا گوش دهید، کاملا می فهمید که مرول دقیقا در حال القای چه اندیشه ای است. حال امسال که در فیلم دوم دکتر شاهد این هستیم که ای...لو____ مین + .آآتی عملا خود را جلوه کردند و به لفظ خود را نشان دادند، اشاره به نکته ای می کنیم. اگر کمیک باز باشید یا برای چند سالی در یو اس زندگی کرده باشید، حتما می دانید که در کتابهای کمیک و جاهای مختلف از خود به صراحت ارجاع قرار می دهند. برای اینکه بفهمانیم نقشه چیست خیلی خلاصه اشاره می کنیم. در کره زمین به جز انسان یک گروه هوشمند دیگر نیز وجود دارد که از لفظ ا ل . + ف استفاده می کنیم. خلقت این موجودات پیش از ابلابشر بوده است. خوب است بدانید که قبل از ابلابشر ورژنهای دیگری از انسان وجود داشته است که همه منقرض شده اند. فرد رانده شده از درگاه خدا یکی از ا ل --ف ها بوده است و فرشته نبوده است بر طبق نص صریح کتاب قرآن. موضوعی که وجود دارد، این است که این دسته از موجودات هوشمند متحدان انسانی دارند. بن .. -+ ا 00 های آزاد در اصل از گروه علف ها بوده اند در زمان سلیمانی نبی (!) که بعد از رحلت وی، دیگر در بند او نبودند و آزاد شدند. بعدا انسانها گروه تشکیل دادند. برای اینکه نفوذ این افراد را بدانید، به اپهای شرکت گوگولی (!) خود مراجعه کنید، چه نمادهایی می بینید، ن ما .. د میل را این گروه به شکم خود می بندند، نماد درایو که کاملا مشخص است. در نماد کر +و.م آیا سه تا سیکس را پیدا می کنید؟ همین سه تا را در لوگو +دی0سنی می بی+نید؟ اما هدف را بیان می کنیم. هدف نهایی تسخیر است.
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#خبر #تئوری_توطئه

🍕🍔 پارامترها و scale کردن

یکی از نکاتی که مرسوم است چندان به آن توجه نمی شود، دقت در نوعِ پارامتر در شبکه است. این موضوع از این جهت مهم است که در شبکه های خیلی عمیق، باید نرمالسازی مناسبی داشته باشیم و گرنه شبکه خوب یاد نمی گیرد و پیدا کردن علت آسان نخواهد بود. اصولا تمامی پارامترهای شبکه، بردارها و ماتریسهای وزن نیستند؛ به عنوان مثال، در batch normalization پارامترهای ما بردار وزن نیستند ولی لازم است که یاد گرفته شوند. در شبکه های مختلف و در روشهای مختلف از این دست پارامترها دیده می شود. نکته ای که لازم است توجه کرد این است که اگر مثلا پارامتری دارید که وزن نیست و قرار است با یک محاسباتی از شبکه جمع یا تفریق شود، لازم است بررسی کنید که اصطلاحا آیا زورِ پارامتری که قرار است یاد گرفته شود به قسمت دیگر می رسد که در آن تغییر ایجاد کند یا خیر. در این شرایط scale کردنِ دستی می تواند به کار آید اگر با مشکل روبه رو شدید. به عنوان مثالی که شباهت دارد ولی دقیقا مثل این نیست، می توان به نرمال کردن داده های تسکِ regression برای خروجی اشاره کرد. در جاهایی که رنج بزرگ است، این کار واجب است زیرا لایه آخر زورش نمی رسد که target را بسازد.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #یادگیری_ماشین
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

استفاده از یادگیری عمیق در پروژه های تجاری - بخش پانزدهم

مهندسی ویژگی

یکی از کارهایی که پیش از یادگیری عمیق بسیار باب بود، مهندسی ویژگی بود. در سالهای اخیر بدلیل رشد یادگیری عمیق، شاهد این هستیم که چندان به این موضوع توجه نمی شود؛ با این حال، لازم است چند نکته لحاظ شود. به صورت کلی، در یادگیری عمیق و مخصوصا در پردازش تصویر یا تکست سعی می شود سیگنال به صورت خام به مدل داده شود تا خود مدل تصمیمات را بگیرد ولی به هر حال در کارهایی که لازم است با داده های ساختار یافته کار کنیم، نیاز به انجام feature engineering داریم. حتی در مدل هایی که در کنار تصویر لازم است سایر ویژگی ها را به شبکه بدهیم هم نیاز است که خودمان تصمیم بگیریم که چه چیزی را به مدل بدهیم. feature engineering از این جهت اهمیت دارد که شما لازم است حتما لحاظ کنید که مدلتان قرار است در کجا استفاده شود. مثالی می زنیم. در ترنزفرمرها، ماتریس attention خیلی بزرگ می شود اگر طول سیگنال ورودی زیاد باشد. این ماتریس ممکن است در رم گوشی های هوشمند جا نشود و کارهایی که سیستم عامل برای paging انجام می دهد ممکن است باعث شود عملیات خیلی کند شود. در مورد feature engineering موضوع کمی بدتر است؛ زیرا مدل هنوز داده را نگرفته و با تاخیر اولیه روبه رو است. کاری که لازم است انجام شود این است که طراح شبکه باید همان ابتدا لحاظ کند که در چه محیطی شبکه قرار است دیپلوی شود و حتما یک جایی تمامی باتلنک های شبکه را بنویسد که اگر روزی قرار شد مدل در جایی که محدودیت دارد قرار گیرد، بتوان خیلی سریع به نقاط ضعف دسترسی داشت.

(ادامه دارد ...)
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #شبکه_عصبی #مثالهای_کاربردی #پروژه_تجاری
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

تجربه دانشگاهی

مهاجرت کنیم، نکنیم؟!

در زمینه کامپیوتر معمولا بعد از ارشد خیلی از اساتید به دانشجویان توصیه می کنند که از ایران بروید؛ از سویی، خیلی از دانشجویان به دلایل مختلف علاقه دارند که مهاجرت کنند. اول از همه توصیه می کنیم به صورت کلی در چند سال آینده هر جا رفتید، سیتیزن به هیچ وجه نشوید، مخصوصا حالا که اروپا بوی باروت می دهد. علت این موضوع این است که در هنگام جنگ اجازه خروج به مردان داده نمی شود. این موضوع برای ایرانیان اوکراین رخ داد. اما در خصوص ادامه تحصیل، خیلی واضح می دانیم که با یک پست نمی توانیم روی ذهنیت افراد مختلف تاثیر پولاری داشته باشیم تا مثبت و منفی جابه جا شود. علاقه ای هم به این کار نداریم؛ بنابراین صرفا به این جهت که اکثر اعضا به نوعی دانشجویمان هستند، توصیه هایی می کنیم. توصیه هایی که می کنیم مربوط به مهاجرت به ایالات متحده خواهد بود.

به دلیل تجربه و اطلاعاتی که داریم، پیشنهاد می دهیم که اگر مشکل سربازی ندارید، این یکی دو سال را صبر کنید. اگر نمی توانید، به جایی بروید که حتما بستگان نزدیک داشته باشید و در خوابگاه نباشید. علل متعددی در این باب وجود دارد ولی اگر در جو آمریکا بوده باشید و سینما یا آیمکس زیاد دوست داشته باشید، احتمالا می فهمید که اخیرا خیلی در آمریکا و حتی روزنامه ها روی نظم جدید تاکید می شود. به این موضوع شاید یکی از نویسندگانمان بعدا بیشتر بپردازد ولی همین باعث می شود که کمی تصمیم سخت باشد مخصوصا به این علت که تاریخ دقیقی نمی توان گفت. مشکلی در ایالات وجود دارد که در پرس به آن اشاره نمی شود و به صورت اساسی بایکوت می شود. معمولا در پرس به صورت گسترده ایالات سوینگ توضیح داده می شوند ولی به موردی که اشاره می کنیم چندان پرداخته نمی شود. همین اواخر در تگزاس جنبش های استقلال طلب مجدد نمایان شدند که کمی ماجرا را وخیم می کند. از سویی می دانیم که در این کشور به صورت گسترده در هر خانه ای سلاح پیدا می شود. به هر حال اگر فرزندتان مدرسه رفته باشد، حتما می دانید که در مدارس دانش آموزان قبل از ورود چک می شوند که سلاح نداشته باشند. اما در کل اگر قصد رفتن دارید توصیه های زیر را خواهیم داشت:

سعی کنید به ایالات غربی نروید. معمولا گفته می شود کل دنیا دوست دارند به آمریکا بروند و آمریکایی ها دوست دارند به غربی ترین نقطه بروند با این حال، در این ایالات نگاه به ایرانیان چندان خوب نیست. بدلیل مغز شویی گسترده و اخبار سرتاسر منفی، ما یکی از منفورترین ها هستیم. کافی است در نت جست و جو کنید که چه کشورهایی از دید این کشور منفور هستند. به رتبه خودمان توجه کنید؛ از سویی، با وجود دانشگاه های خوب، به صورت کلی آدم های خیلی تحصیل کرده یا فرهیخته در این ایالات چندان وجود ندارند. از این نگاه، ایالات شمالی یا جنوب شرقی بهتر هستند. در ایالات جنوبی هم با وجود مشکلات متعدد و گرمی هوا اوضاع کمی بهتر است؛ مثلا در تگزاس دانشگاه های خوبی را می توانید پیدا کنید یا در آستین تگزاس، افرادی که در زمینه ما فعالیت می کنند کم نیستند. ولی نمی توان انکار کرد که به صورت کلی ایالاتی که به رنگ قرمز هستند، خیلی با ما خوب نیستند.
اما در مورد استاد راهنما، توصیه اکید می کنیم خیلی به دنبال اساتیدِ خیلی معروف و راک استار نروید مگر اینکه می خواهید در کارهایی که استاد راهنما به شما می دهد ذوب شوید. توصیه ای که داریم کار کردن با افراد معتبر و میانه رو است. به هر حال چهار تا شش سال قرار است از استادتان رهنمود، بخوانید دستور، بگیرید. معمولا ایرانی ها خیلی سخت از پاشو بشین های دیگران تبعیت می کنند. لازم است دقت کنید که به صورت کلی تحصیل در دوره دکتری در کشورهای آمریکای شمالی کاملا متفاوت از اروپا است. در آمریکای شمالی لازم است درس بردارید.
موضوع آخر شاید کمی به وجدان هر فرد مربوط باشد ولی لازم می دانیم که مطرح شود. در رشته های مربوط به کامپیوتر، اساتید برای گرفتن دانشجو phd و post باید بودجه دریافت کنند. این بودجه به این شکل تعریف می شود که میلیتری با استاد راهنماها تبادل دانش دارد. معمولا این تبادل به صورت برون کاری است. به عبارتی، از نتیجه کارتان قطعا در آرمی استفاده خواهد شد. قبلا ویدیویی از هینتون قرار داده بودیم که ذکر می کرد به چه علت به ایالات مهاجرت نکرد و به کشور بالاتر رفت. حتی تقریبا در این زمینه، ساتون حاضر شد تبعیتش باطل شود این در حالی است که استاد راهنمایش، بارتو، در حال حاضر اختلاف مکانی فراوانی با وی دارد 😉. بعدا شاید به موارد بیشتری اشاره کردیم.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#ارشد_دکتری #تجربه_دانشگاهی
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

بایاس

از چالشهایی که معمولا در تمامی رشته ها وجود دارد، استفاده از کلمه یکسان در جاهای متفاوت است. در یادگیری یکی از این کلمات که بسیار دیده می شود، کلمه بایاس است. در ادامه سعی می کنیم کاربردهای متفاوتش را توضیح دهیم:

- وقتی که از یک estimator استفاده می کنید، این تخمین زننده می تواند بایاس شود. اینجا بایاس شدن به معنی این است که امید تخمین متفاوت از چیزی است که در واقعیت population واقعی دارد.
- اگر مدل بایاس شود به این معنی است که مدل یادگیری مناسبی نداشته و underfit شده است.
- دیتاست اگر بایاس داشته باشد به این معنی است که در دیتای شما گونه ای جهت گیری وجود دارد؛ برای مثال، اگر فرض شود که دادگان مستقل جمع آوری شده اند ولی اینطور نباشد، پس داده ها بایاس دارند.
- بایاس می تواند به معنی intercept term باشد. شما اگر در معادله hyper plane، معادله خط را فرض کنید، عرض از مبدا نداشته باشید، همواره از مرکز عبور می کنید. با کمک عرض از مبدا است که می توانید چیزهای متنوع یاد بگیرید و از مرکز دور شوید.
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #یادگیری_ماشین
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

بورسیه بنیاد مصطفی

با توجه به شرکت کنندگان، یکی از معتبرترین بورس هایی است که در ایران اعطا می شود.

https://step.mstfdn.org/fellowship

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#اطلاع_رسانی
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

با سلام و احترام

در این پست سعی می کنیم به بروزرسانی‌ها و سوالاتی که در این چند وقت پرسیده شده اشاره کنیم.

اول از همه دوره کد زنی در حال ضبط است و حدودا پنجاه روز دیگر آماده می‌شود. ابتدا دوره tensorflow ارایه خواهد شد و بعد pytorch. دوره ها دارای پشتیبانی با حضور خود مدرس خواهند بود برای شش تا هفت هفته.
مورد بعدی به نرم افزار اجرای فایل‌ها باز می گردد. ما برنامه را بروزرسانی کردیم که می توانید از صفحه دوره در آموزش‌های من نسخه جدید را تهیه کنید. در نسخه جدید امکان اضافه کردن فایل‌های جدید وجود دارد. از سویی خیلی از کاربران به ما انتقاد کرده بودند که چرا لازم است تمامی فایل‌ها را دانلود کنند و بعد از دوره‌ها استفاده کنند. در حال حاضر با تغییری که به وجود آوردیم دیگر مشکلی که ذکر کردیم وجود نخواهد داشت. برای افرادی که از ورژن سابق استفاده می‌کنند هیچ اجباری وجود ندارد که بروزرسانی انجام دهند ولی در صورت ارایه‎ی ویدیوهای جدید، امکان اضافه کردن فایل را نخواهید داشت با ورژن سابق.
در انتها به کتاب یادگیری عمیق اشاره می‌کنیم. متاسفانه در ورژن سابق ما اشتباه کردیم و کتاب یادگیری عمیق Goodfellow را قرار دادیم ولی بعدا متوجه شدیم که کتاب تحت MIT لایسنس نشده است؛ با این حال کتاب از طریق سایت به صورت رایگان در دسترس است هر چند نویسندگان در این مورد نظراتی داشتند. لطفا از کتابی که در برنامه قرار داده ایم به هیچ وجه استفاده نکنید و از همان وبسایتِ کتاب مطالب و آخرین تغییرات را پیگیری کنید.

همیشه موفق باشید.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#اطلاع_رسانی
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

معرفی کتاب Strengthening Deep Neural Networks

اگر دقت کرده باشید، در زمینه Adversarial Deep Learning کتاب‌های بسیار کمی وجود دارد؛ با این حال، یکی از کتاب‌هایی که در این زمینه می‌تواند کمک کننده باشد، کتابِ نام برده شده است. کتاب امتیاز و قیمت مناسبی دارد؛ از سویی، مطالبی که کتاب پوشش می‌دهد، مطالب مناسبی است که شما را با این زمینه آشنا می‌کند. خواندنِ این کتاب یک باید است به این علت که اگر نتوانید مقاوم‌سازی کنید شبکه‌ای که ارایه می‌کنید، عملا همه چیز آسیب‌پذیر خواهد بود.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#معرفی_کتاب #یادگیری_عمیق #adversarial #خصمانه
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

ضعف کنونی شبکه‌های عصبی چیست؟

در این ارایه که یکی از مهمترین ارایه‌های چند سال اخیر است، دکتر هینتون شرح می‌دهند که شبکه‌های عصبی کنونی مخصوصا شبکه کانولوشنی چه نقاط ضعفی دارند. پیش از این ما به تعدادی از موارد اشاره کرده بودیم. در این ارایه، دکتر هینتون به موارد متنوعی اشاره می کنند. اگر هنوز پروپوزال نداده‌اید، این ویدیو ایده‌های فراوانی به شما خواهد داد.

https://biasvariance.net/videos/ochjw/
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #شبکه_عصبی #هینتون #ارایه #شبکه_کانولوشنی #ارشد_دکتری
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات

معرفی کتاب Deep Learning with Structured Data

یادگیری عمیق به صورت گسترده‌ای روی داده‌های پیچیده‌ای مثل سری زمانی یا تصویر مورد استفاده قرار گرفته است؛ با این حال، یکی از موارد استفاده از این شبکه‌ها، روی داده‌های ساختار یافته است که در جدول قابل نمایش دادن هستند. این کتاب سعی کرده است تا گام‌های لازم برای مواجه با این دادگان را به صورت مناسب و کامل پوشش دهد. از نحوه‌ی آماده سازی تا استقرار مدل، در این کتاب بررسی شده است. با توجه به تعداد صفحات و مباحثِ ارایه شده، کتاب کمی گران قیمت است ولی مطالبی بسیار مفیدی را پوشش می‌دهد. خواندن این کتاب را پیشنهاد می‌دهیم.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#معرفی_کتاب #یادگیری_عمیق #structured_data
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات