https://virgool.io/feed/@aidinism معمار نرم افزار، مستند ساز، آموزگار @کالیفرنیا Software Architect, Documentary Producer, Educator @California fa 2026-06-07 12:32:05 https://files.virgool.io/upload/users/32434/avatar/m9sZ3y.png?height=120&width=120 https://virgool.io/@aidinism https://virgool.io/@aidinism/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AC%D9%84%D8%B3%D9%87-2-linear-regression-f4e3na4jcxtb در این جلسه در مورد اصول Linear Regression صحبت میکنیم و اینکه چه جوری کار میکنهآموزش ویدیویی این درس رو می تونید در یوتیوب یا نماشا ببینید:نماشا: https://www.namasha.com/v/MbgLqcle یوتیوب: https://www.youtube.com/watch?v=FxGGC1d7pLI چگونه کار می کنه؟مدل خطی یا Linear Regression در واقع چیزی به جز پیدا کردن روند یا ترند اطلاعات نیست. تولید معادله خطی که از بیشترین (یا نزدیکتری فاصله) به اطلاعات موجودمون بگذره.این خط با معادله y = m * x + b تعریف میشه و تمام کاری که این مدل انجام میده پیدا کردن پارامتر های این معادله است.متغیر m ضریب هست و نشان میده شیب خط چقدر هستمتغیر b عرض از مبدا هست و نشون میده خط کجا محور y رو قطع میکنهبرای پیدا کردن شیب کافیه 2 نقطه روی خط رو انتخاب کنیم (p1 , p2) و با استفاده از فرمول زیر شیب یا همون m رو محاسبه کنیم:m = (y2 - y1) / (x2 - x1)وقتی مدل این خط رو محاسبه و تولید کرد ، با استفاده از اون میتونه پیشبینی کنه اطلاعات جدید چه مقداری رو خواهند داشت.نکته: ما در این مثال ما از یک فضای 2 بعدی استفاده کردیم اما در دنیای واقعی تعداد ابعاد بسیار بیشتر ( به تعداد خصوصیاتمون) هست و به همین نسبت معادله پیچیده تر خواهد شد. اما اصول کار یکسان هست.پیاده سازی الگوریتمحالا که نحوه کارکرد این الگوریتم رو متوجه شدیم میتونیم اون رو پیاده سازی کنیم. برای این کار اول باید یک مدل Linear Regression بسازیم:linear = linear_model.LinearRegression()سپس این مدل رو با استفاده از اطلاعاتی که قبلا آماده کردیم ، آموزش میدیم ( fit ) :linear.fit(x_train, y_train) acc = linear.score(x_test, y_test) # acc stands for accuracyو برای دیدن مقدار دقت acc رو چاپ میکنیم:print(acc)علاوه بر این میتونیم با دستورات زیر مقدار شیب و عرض از مبدا رو هم ببینیم:print('Coefficient: \n', linear.coef_) # These are each slope value print('Intercept: \n', linear.intercept_) # This is the interceptخوب الان مدل ما آماده است و میتونیم با استفاده از اون ، اطلاعات جدید رو پیش بینی کنیم:predictions = linear.predict(x_test) # Gets a list of all predictions for x in range(len(predictions)): print(predictions[x], x_test[x], y_test[x])و خروجی ما چیزی شبیه به این هست:کد کامل این درس:import pandas as pd import numpy as np import sklearn from sklearn import linear_model from sklearn.utils import shuffle data = pd.read_csv(&quotstudent-mat.csv&quot, sep="&quot) data = data[[&quotG1&quot, &quotG2&quot, &quotG3&quot, &quotstudytime&quot, &quotfailures&quot, &quotabsences&quot]] predict = &quotG3&quot X = np.array(data.drop([predict], 1)) y = np.array(data[predict]) x_train, x_test, y_train, y_test = sklearn.model_selection.train_test_split(X, y, test_size = 0.1) linear = linear_model.LinearRegression() linear.fit(x_train, y_train) acc = linear.score(x_test, y_test) print(acc) print('Coefficient: \n', linear.coef_) print('Intercept: \n', linear.intercept_) predictions = linear.predict(x_test) for x in range(len(predictions)): print(predictions[x], x_test[x], y_test[x]) aidinism aidinism Mon, 02 Dec 2019 07:58:07 +0330 https://virgool.io/dataio/machine-learning-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-2-v8ejvltt0lpb رگرسیون خطی یا Linear Regression https://youtu.be/lcLdcHFRgeg نسخه تصویری در یوتیوب : https://youtu.be/lcLdcHFRgegنسخه تصویری در نماشا : https://www.namasha.com/v/jJdsl4Esتو این قسمت شروع میکنیم درباره ساده ترین حالت های ممکن و اصول پایه ای یادگیری ماشین صحبت کردن. یادگیری ماشین ارتباط تنگاتنگی با ریاضیات داره و دونستن یک سری از مباحث ریاضی (همون چیزایی که فکر میکردیم همیشه بیخود داریم یاد میگیریم) اینجا به کارمون میاد.یکی از الگوریتم های یادگیری ماشین Linear Regression هست که برای مواردی به کار میره که یک روند در اطلاعاتمون وجود داره. در موردش بیشتر صحبت خواهیم کرد. پس فعلا نفس راحتی بکشید و ادامه بدید.نصب کتابخانه هاپایه اصلی هر هوش مصنوعی اطلاعات قبلی هست، یعنی ورودی هایی (اطلاعات) که از منابع مختلف جمع شدن مثل قیمت خونه ها و مشخصاتشون یا نمرات دانش آموزان و شرایط تحصیلیشون یا قیمت ماشین و شرایط و امکاناتش یا ... - خوب فهمیدم دیگه بیخیال شو- باشه :/برای همین باید بتونیم این اطلاعات رو خونده و برای یاد دادن به ماشین آماده کنیم، برای این کار از کتابخانه های زیر استفاده و با دستور pip نصبشون میکنیمpip install numpypip install pandaspip install sklearnدانلود اطلاعات‌‍تقریبا از هر روشی میشه این اطلاعات اولیه رو جمع آوری کرد. میتونید خودتون آمار بگیرید یا برای ساده تر شدن کار و یادگیری سریع تر از دیتا های آماده ای که وجود داره استفاده کنید. تو این مثال از اطلاعات موجود در UCI Machine Learning Repository استفاده میکنیم که بطور رایگان برای استفاده عمومی موجوده و از لینک زیر میتونید دانلودش کنید:https://archive.ics.uci.edu/ml/machine-learning-databases/00320/فایل student.zip رو دانلود و بازش کنید. در فایلهای موجود 2 فایل دیتا وجود داره برای درسی ریاضی (mat) و زبان پرتغالی (por) که ما از نمرات درس ریاضی استفاده خواهیم کرد. فایل student.txt هم تمام خصوصیات مختلف رو در هر فایل به ترتیب توضیح داده که البته همین اطلاعات در صفحه خود این بانک اطلاعاتی هم وجود داره:https://archive.ics.uci.edu/ml/datasets/Student+Performanceدیتاست دانش آموزاندر این بانک اطلاعاتی 33 خصوصیت (Attribute) مختلف برای هر شاگرد وجود داره مثل سن ، جنسیت ، مدرسه ، نمرات کلاسی ، نمرات میان ترم ، نمره نهایی ، تعداد غیبت ها و ... که از اینها برای یاد دادن به ماشین استفاده میکنیم ، یعنی با اینها هوش مصنوعی میتونه حدس بزنه که نمرات نهایی مثلا چه چیزی میتونه باشه.بنویس!بالاخره کد نویسی شروع شد، کتابخونه های زیر رو وارد کنید:import pandas as pd import numpy as np import sklearn from sklearn import linear_modelخواندن اطلاعاتقدم بعدی خوندن و وارد کردن دیتایی هست که در مرحله قبل اون بالا دانلودش کردیم. pandas به راحتی این کار رو برامون انجام میده:data = pd.read_csv(&quotstudent-mat.csv&quot, sep=&quot&quot)برای اینکه مطمئن بشیم درست لود شده میتونیم قسمتی از دیتا ها رو با دستور زیر ببینیم:print(data.head())که باید یه چیزی شبیه به این باشه:آماده سازی اطلاعاتآماده سازی اطلاعاتهمونطور که گفتم 33 تا خصوصیت مختلف در این دیتا وجود داره که البته ما قرار نیست از همه استفاده کنیم بنابر این باید چند تا رو انتخاب و بقیه رو حذف کنیم، برای این مثال نمرات کلاسی ، میان ترم و نهایی و همینطور زمان مطالعه ، نمرات منفی و غیبت ها رو انتخاب میکنیم، این دستور از بین همه خصوصیت ها مواردی رو که انتخاب کردیم نگه میداره و بقیه رو حذف میکنه:data = data[[&quotG1&quot, &quotG2&quot, &quotG3&quot, &quotstudytime&quot, &quotfailures&quot, &quotabsences&quot]]حالا data فقط شامل اطلاعاتی که نیاز داریم هستجدا سازی دیتایکی از مهمترین بخش های یادگیری ماشین و هوش مصنوعی جداسازی بخش آموزش و تست اطلاعات هست، و دلیل این اهمیت این هست که ما دیتا ها رو به 2 بخش تقسیم می کنیم و بخش اول فقط و فقط برای آموزش مدل استفاده میشه و بخش دوم فقط و فقط برای آزمایش و تست استفاده میشه و هرگز مدل ما نباید دیتا های بخش دوم رو در مدت آموزش (Train) دیده باشه.برای این کار اول خصوصیات و لیبل ها رو در یک آرایه قرار میدیم:predict = "G3"X = np.array(data.drop([predict], 1)) # Featuresy = np.array(data[predict]) # Labelsبعد از این کار باید اطلاعاتمون رو همونطور که گفتیم باید اطلاعات رو به 2 بخش آموزش (90 درصد) و تست (10 درصد) تقسیم کنیم. برای این کار در sklearn تابع آماده ای وجود داره به نام train_test_splitx_train, x_test, y_train, y_test = sklearn.model_selection.train_test_split(X, y, test_size = 0.1)حالا اطلاعات آماده است که مدلمون رو آموزش بدیم.کد کامل:import pandas as pdimport numpy as npimport sklearnfrom sklearn import linear_modelfrom sklearn.utils import shuffledata = pd.read_csv("student-mat.csv", sep=";")data = data[["G1", "G2", "G3", "studytime", "failures", "absences"]]predict = "G3"X = np.array(data.drop([predict], 1))y = np.array(data[predict])x_train, x_test, y_train, y_test = sklearn.model_selection.train_test_split(X, y, test_size = 0.1) aidinism aidinism Sun, 08 Sep 2019 09:42:23 +0430 https://virgool.io/hooshteam/machine-learning-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-1-ukjesx5lutat نصب و آماده سازینصب و آماده سازی https://youtu.be/JnsgVowjfoQ نسخه تصویری در یوتیوب : https://youtu.be/JnsgVowjfoQمقدمهنصب پایتون و بقیه کتابخانه های مورد نیاز برای این آموزش هم در خود سیستم عامل بطور مستقیم ممکن هست و هم با استفاده از Anaconda میتونیم یک محیط مجازی بدون درگیر شدن به تنظیمات مختلف برای خودمون ایجاد کنیم، خوب چون راه دوم آسون تر هست همین روش رو شروع میکنیم. همه مراحل رو میتونید یک به یک دنبال کنید و اگر به مشکلی برخورد کردید در درجه اول ، دوم و سوم به Google رجوع کنید که رستگاری در اونجاست. در غیر این صورت میتونید به توییتر، تلگرام و یا گروه Discord این دوره مراجعه کنید. اما به نظرم مهندس نرم افزار کسی هست که بتونه مشکل رو بجای پرسیدن از دیگران، خودش به دنبال راه حلش بگرده. حالا دیگه فلسفه بافی بسه و بریم دنبال نصابی!نکته: اگر کارت گرافیک با قابلیت CUDA دارید میتونید از نسخه TensorFlow GPU رو نصب کنید که سرعت بسیار بیشتری رو برای اجرا کردن یادگیری ماشین بهتون میده.لیست کارت گرافیک های دارای پشتیبانی از CUDA نصب IDEبرای اجرا کردن تمرین های پایتون از هر محیط توسعه ای میتونید استفاده کنید ولی من برای این دوره PyCharm رو استفاده میکنم که میتونید از اینجا نصبش کنید:https://www.jetbrains.com/pycharm/download/نکته: همون نسخه Community رایگان کافیه و کارا هستنصب Anacondaبرای ایجاد محیط مجازی و جلوگیری از مشکلات مختلف با سیستم عامل از آناکوندا استفاده میکنیم. اول از همه از این لینک دانلودش کنید:https://www.anaconda.com/distribution/نکته: حتما مسیر آنکوندا رو به متغیر های سیستم عامل اضافه کنید:ساخت یک Virtual Environment1. در Terminal یا CMD دستور زیر را اجرا کنید:conda create -n tensorEnv python=3.6بجای tensorEnv میتونید اسم دلخواه خودتون رو وارد کنید و نسخه پایتون رو هم میتونید انتخاب کنید، الان نسخه 3.7 هم فکر میکنم TensorFlow رو پشتیبانی میکنه.2 . بعد از ساخت ، باید این محیط رو فعال کنیم وگرنه چرا اصلا ساختیمش ؟؟ برای فعال کردن هم دکمه قرمز رو میزنیم، نداریم ؟ پس این دستور رو اجرا کنید:activate tensorEnvقطعا مطلع هستید که اگر اسم دیگه رو وارد کردید در مرحله قبل اینجا هم همون رو باید وارد کنید.3 . خوب وارد محیط شدیم و در اینجا بطور پیش فرض python و pip نصب هست. با استفاده از دستور pip کتابخونه های زیر رو نصب میکنیم:pip install tensorflow pip install sklearn pip install pickle pip install numpy pip install kerasساخت یک پروژه جدید در PyCharmاگه تا اینجا بدون مشکل رسیدید یا حتی با مشکل رسیدید ولی حل شده ، تبریک میگم. فقط کافیه قدم آخر رو بردارید. از اینجا به بعد دیگه فقط باید یک پروژه جدید ایجاد کنید در PyCharm.برنامه PyCharm رو اجرا کنیدپروژه جدید رو با New Project ایجاد کنیدیک فایل پایتون جدید بسازیدبه منوی File -> Settings برویدو گزینه Project رو انتخاب کنیدگزینه Project Interpreter رو انتخاب کنیدروی چرخ دنده سمت راست کلیک و گزینه Add رو انتخاب کنیددر این منو Conda Environment رو انتخاب و بعد existing environment رو انتخاب کنیدروی سه نقطه کلیک و مسیر محیطی که با Conda در دستورات قبلی ساختید رو پیدا کنید، دقت کنید حتما فایل pythonw.exe رو انتخاب کنید , OK رو بزنیدخلاص!تصاویر مراحل:حالا برای آزمایش دستور زیر رو در فایل وارد و برنامه رو اجرا کنید.import tensorflowاگر بدون خطا اجرا شد، تبریک میگم!ناپلئونی ر بیارین!بعدی: قسمت دوم aidinism aidinism Sun, 08 Sep 2019 07:29:31 +0430 https://virgool.io/hooshteam/machine-learning-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86%DB%8C-fpaf6c1yod5x داستان چیه؟هوش مصنوعیاین سری آموزشی برای آشنایی با اصول یادگیری ماشین با استفاده از Python و کتابخانه Tensor Flow که یکی از محبوب ترین کتابخانه های یادگیری ماشین هست ، طراحی شده. سعی میکنم از اصول اولیه و پایه یادگیری ماشین یا Machine Learning شروع کنم و کم کم به مطالب پیچیده تر و عملی تر برسیم. اگه استقبال بشه شاید در مورد ماشین های خود ران هم کمی تمرین کنیم با هم :)نسخه تصویری این مجموعه رو هم در یوتیوب میتونید ببینید: Youtube https://youtu.be/JnsgVowjfoQ چی یاد میگیرم؟این لیست مطالبی که در این دوره قراره در موردشون صحبت کنیم:یک - Linear Regressionدو - K-Nearest Neighborsسه - Support Vector Machinesچهار - K-Meansپنج - Neural Networksشش - Convolutional Neural Networksچی باید از قبل بلد باشم؟خوب به قول استاد خیابانی قطعا اگه اینجایی و داری Machine Learning رو شروع میکنی برنامه نویسی رو بلد هستی، برای این دوره هم لازمه با پایتون آشنا باشی و اینجا ما اون رو یاد نمیدیم. بعدی: قسمت اول aidinism aidinism Sun, 08 Sep 2019 04:54:00 +0430 https://virgool.io/@aidinism/%D8%AD%D9%82%DB%8C%D9%82%D8%AA-%DB%8C%D8%A7-%D9%BE%D8%B3%D8%A7-%D8%AD%D9%82%DB%8C%D9%82%D8%AA-ntckno5dwnl9 چیزی که امروز ، میخوام در موردش با شما صحبت کنم ،؛ اینه که چرا ، الان که دسترسی به اطلاعات از طریق اینترنت و رسانه ها و شبکه های اجتماعی ، اینقدر آسونه ، وقتی که شما میتونین گوشیتون رو بردارین و هرچیزی رو سرچ کنین ، چرا الان که بیشترین دسترسی به اطلاعات رو داریم، پیدا کردن حقیقت ، اینقدر سخت و ناممکن شده؟ چرا اخبار جعلی پخش میشن؟و چرا بیشتر از هر زمان دیگه ای در طول تاریخ ، چند قطبی و جدا از هم ، شدیم؟https://www.youtube.com/watch?v=sSg53cmwaEYباید اعتراف کنم که من قبلا واقعا آدم خوشبینی بودم. شایدم نسبت به اینترنت خیلی ساده لوحانه فکر میکردم. یک سیستم ارتباطی بین همه دنیا ، که هرکس ، از هر جایی ، میتونه هرچیزی رو با دیگران به اشتراک بگذاره.هرکس در هرجایی، بدون توجه به تحصیلاتش ، شغلش ، موقعیت اجتماعیش و ثروتش ، مثلا از طریق ویکی پدیا به اطلاعات واقعی و درست ، دسترسی داشته باشه.فکر میکردم اینترنت قراره همه رو خوشحال تر کنه. اطلاعات و سوادشون رو بیشتر کنه ،حتی صبر و تحملشون رو تو برخورد با نظرات مختلف، بیشتر کنه. چون تو اینترنت ، ما با آدمهایی برخورد میکنیم که الزاما شبیه خودمون نیستن. مثل ما فکر نمیکنن.فکر میکردم ، همین که ما بتونیم با آدمهای دیگه ، اون طرف دنیا ، با فرهنگ و تمدن و علاقه های متفاوت ، سر اینکه اصلا چه چیزی درسته ، بحث کنیم، هممون رو به سمت ، حقیقت و واقعیت ، پیش میبره.شاید حتی برای یه مدت ، نشونه هایی هم وجود داشت ، سرنگونی دیکتاتور ها تو بهار عربی، یا پذیرفتن ازدواج همجنس گراها تو کشورهای مختلف، یا توافق نامه های مربوط به آب و هوا که همه کشور ها رو برای حفظ محیط زیست ، کنار هم قرار میداد.یا حتی چیزهایی مثل یوتیوب ، توییتر ، اینستاگرام ، که چند میلیون نفر میتونن ویدیوها و مطالب مختلف رو تماشا کنن یا در موردش صحبت کنند.شاید اگه هنوز محدود به تلویزیون و رسانه های سنتی تر بودیم ، ویدیویی مثل این یا خیلی ویدیو های دیگه ، هرگز فرصت دیده شدن توسط دیگران رو پیدا نمیکردند.اما الان با وجود اینترنت ، من میتونم با شما ، اونطرف کره زمین ، یا هر جای دیگه دنیا ، ارتباط برقرار کنم ،مخاطب هامو پیدا کنم. ما میتونیم از هر جایی دور هم جمع بشیم ، و کاری رو که فکر میکنیم درسته ، انجام بدیم.اما چیزی که بهش فکر نکرده بودم این بود ، که گروه های دیگه ای هم میتونه ، شکل بگیره.گروه های که تو اونها ، مردم با تعصبات شدید سیاسی یا دینی یا حتی فرهنگی ، دور هم جمع شدند.تو جامعه عادی ، معمولا کنار انسان های دیگه خیلی به چشم نمی آیند یا تاثیر گذار نیستند. اما تو اینترنت، هر فکر و عقیده ای ، میتونه راه پیدا کنه و حتی بیرحم ترین و خشن ترین انسان ها هم همدیگه رو پیدا کنن و گروه . سازمان ، تشکیل بدن.برای همین فکر میکنم که این مسئله که چرا ما امروزه این مشکلات رو داریم، از اینجا شروع میشه.اما مردم بعد از اینکه گروه و هم فکر های خودشون رو پیدا کردن چکار میکنن.خوب ما تو زندگی واقعی بطور حضوری همدیگه رو میبینیم و با هم حرف میزنیم ، اما تو دنیای مجازی که البته حالا دیگه خیلی هم مجازی نیست ، چی ؟ اونجا مطالبمون رو به اشتراک میگذاریم ، لایک میکنیم ، برای هم میفرستیمشما میتونین به گروه هایی فکر کنین که واقعا بی ضرر هستن. مثل کسانی که گربه ها رو دوست دارن. کسانی که دوست دارن عکس بچه گربه ها رو با هم به اشتراک بذارن.و بعد یهو یکی یک جمله ی با مزه زیر عکس مینویسه ،ما عکس رو می بینیم ، ذهن ما رو قلقلک میده و بعدش همه جای اینترنت پخش میشه و میلیون ها نفر اونو میبینن.اما اون چیزی که داره اتفاق میافته یک جور تکاملِ ، تکامل ایده ها و خلاقیت هایی که تو اینترنت وجود داره.یک عکس ساده از بچه گربه، اینقدر تغییر و تغییر میکنه تا بالاخره جذابیت لازم رو به دست بیاره و بین همه تو اینترنت پخش بشه.اما ، همین تکامل ، در مورد بحث های ایدئولوژیک هم اتفاق میفته.حتما دیدید یا شنیدید انواع مختلفی از این بحث هارو ، که هر کدوم چندین روایت و نسخه مختلف دارند.و اگه به گروه هایی که دارند بحث میکنند دقت کنید، گاهی خیلی هم بحثی اتفاق نمیافته، هر کدومشون فقط حرف و دیدگاه خودشون رو تکرار میکنند ، فقط چیزی که در تصورشون از گروه مقابل هست رو میبینند ، نه الزاما واقعیت های موجود رو.حتی گاهی ما یک خبر رو طوری تغییر میدیم که بد و بدتر بشه تا اونجایی که تبدیل به بدترین حالت ممکن بشه تا بیشتر بتونه ما و آدمهای دیگه رو تحت تاثیر قرار بده.و وقتی به این حد رسید، ما اون رو با هر کسی که می شناسیم ، به اشتراک میگذاریم.میگیم، نگاه کنید طرف مقابل داره درباره چی صحبت میکنه؟ ببینید چجوری داره فکر میکنه؟ ببینید که چقدر بد و زشته فکر و صحبت اش و اینقدر به این کار ادامه میدیم تا گروه مقابل ، بین هم فکرهای خودمون واقعا بد بشن.ما به حرف های آدمها دقت نمیکنیم، به راحتی و سادگی به اونها برچسب می زنیم و با همون برچسب ها به تمام حرفهاشون نگاه میکنیم.ما به یک جمله یک نفر رو عرش ، و با یک جمله دیگه همون آدم رو به فرش میرسونیم.چیزی که ما رو هر روز، بیشتر و بیشتر ، به سمت قطبی و افراطی شدن پیش میبره.و بدتر اینکه، اینترنت و شبکه های اجتماعی هم تو این مسیر اشتباه، به ما کمک می کنند.شبکه های اجتماعی، طوری طراحی شدن تا چیزهایی رو به ما نشون بدن که بیشتر از همه بتونه ما رو درگیر خودش کنه.مطالبی شبیه به چیزهایی که قبلا لایک کردیم یا با بقیه به اشتراک گذاشتیم. و این الگوریتم ها باعث میشه ما درک درستی در دنیای واقعی یا حتی گروه های دیگه نداشته باشیم. مثلا اخبار جعلی ، تو همین انتخابات آمریکا یا ایران ، یا خیلی از کشورهای دیگه.چطور ممکنه که تو این زمان و با این سطح دسترسی به رسانه های مختلف و اینترنت، اخبار جعلی بیشتر از اخبار واقعی پخش بشوند؟من فکر میکنم ، به این دلیله که ، علاوه بر خود ما ، اینترنت هم این اجازه رو به مردم میده که گروه گروه و جزیره جزیره ، دور هم جمع بشن.بهمون اجازه میده تا خیلی چیزها رو با هم به اشتراک بگذاریم. چیزهایی که حقیقت ندارند ولی فکر میکنیم میتونه شبیه به نظر گروه مقابلمون باشه.حتی خیلی کوچیک ، اونها رو تغییر میدیم تا آروم آروم تبدیل به مطلبی بشه که بتونه بیشتر از همه روی دیگران تاثیر بذاره.و این مطالب چیزهایی هستن که به اشتراک گذاشته میشن، لایک میشن یا بعضی ها بدشون میاد.و بعد ، شبکه های اجتماعی ، مطالبی جعلی رو بالا و بالاتر میارند ، چون بیشتر از همه امکان درگیر شدن شما باهاش وجود داره ،دیگه فرقی نداره باهاش سرسختانه موافق باشید یا مخالف. اینها مطالبی هستند که هر روز به دست میلیاردها نفر تو سرتاسر دنیا میرسه.بجای اینکه اینترنت ما رو دور هم جمع کنه و بیشتر به حقیقت نزدیک کنه ، به ما این اجازه رو میده که در گروه های جدا از هم زندگی کنیم.جزیره های دور از هم ، که چیزی به جز فریاد از طرف مقابل نمیشنون.تکرار دیوونه وار بحث و جدل های بی حاصل. و ما رو بیشتر از قبل، از هم دور میکنه.ما همه نیاز داریم به تایید شدن ، ما به طور طبیعی دنبال چیزهایی میریم که با تفکرات ما موافق باشن. نه چیزهایی که با افکارمون مخالفه.درسته که این یک رفتار غریزی اما ما انسان ها می تونیم کنترلش کنیم. میتونیم به غریزه امون غلبه کنیم و به جای هیجان زده شدن ، واقعا به حرف های طرف مقابل گوش بدیم.بجای اینکه آدمها رو سیاه و سفید ببینیم و از اونها بت بسازیم و با یک جمله یا حتی یک اشتباه ، بتی که خودمون ساختیم ، رو بشکنیم.بجای اینکه از مخالفت و حذف کردن طرف مقابل لذت ببریم و به اوج غرور برسیم.بیایید با هم حرف بزنیم ، به حرف های دیگران گوش بدیم، بهشون دقت کنیم، نه با تمام تصوراتی که از قبل از اون آدم یا از اون گروه خاص داریم.بدون پیش داوری ، به حرفی که میشنویم، یا می خونیم، دقت کنیم،آدمهای دیگه مثل خود ما ، هر روز تغییر میکنند. بهتر یا بدتر میشند. از عقیده اشون بر میگردند یا بیشتر بهش باور پیدا میکنند. پس میشه ، پس باید به حرف هاشون با دقت بیشتری گوش داد.ما آدمها هر روز ، باید دنبال راهی باشیم ، تا به این تفرقه غلبه کنیم.باید دوباره ، سر اینکه اصلا ، چه چیزی حقیقته ، به توافق برسیم.کنجکاو باشید. aidinism aidinism Mon, 18 Feb 2019 08:16:36 +0330