https://virgool.io/feed/@masoudkaviani Senior Data Scientist at SabaIdea (Filimo, Aparat, Cinematicket) | Founder Of: chistio.ir fa 2026-06-07 07:48:42 https://files.virgool.io/upload/users/475/avatar/p2brsz.jpg?height=120&width=120 https://virgool.io/@masoudkaviani https://virgool.io/@masoudkaviani/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%87%D9%85%D8%A7%D9%86-%D8%A7%D9%8E%D8%A8%D9%8E%D8%B1-%D8%A7%D9%86%D8%B3%D8%A7%D9%86%DB%8C%D8%B3%D8%AA-%DA%A9%D9%87-%D9%86%DB%8C%DA%86%D9%87-%D9%85%DB%8C-%DA%AF%D9%81%D8%AA-if7rdrwewqdk فردریش نیچه، در کتابِ چنین گفت زرتشت می‌گوید:من درباره‌ی اَبَر انسان به تو می‌آموزم. انسان چیزی است که باید بر آن غلبه کرداین سخن، سخن کوچکی نیست. چگونه می‌توان بر انسان غلبه کرد؟ انسانی که هر چقدر تلاش کند، سرشار از نیازهای مختلف و جهت‌دهنده، عقده‌های روانی و تاثیراتِ عظیم اجتماعی است. انسانی که در عمل هر چه بکوشد، پردازشِ ذهنیِ محدودی دارد و دنیا را از دریچه‌ی نگاه خود که سرشار از خطاهای شناختی است، می‌بیند و بر اساس آن عمل می‌کند.احتمالاً بسیاری قبول دارند که چیره شده بر انسانی دارای خطاهای ذهنی و سوگیری‌های شناختی، عملاً ناممکن بوده و شاید بتوان گفت که توهمی بیش نیست. اما چه می‌شد اگر انسان می‌توانست ابزاری بسازد که «به جای انسان فکر و عمل کند» ولی خطاهای تصمیم‌گیری، کمبودها، عقده‌ها و همچنین سوگیری‌های شناختیِ او را نداشته باشد؟ در واقع ابزاری که بر انسان غلبه کند؟شاید پاسخ به سوالِ بالا، همان هوش مصنوعی باشد. انسان ابزاری را ایجاد می‌کند که به جای او فکر کرده، عمل می‌کند ولی سوگیری شناختی ندارد. ابزاری که می‌تواند بدونِ درگیر شدن با عقده‌ها و توهماتی که از طریق نسل قبلی، جامعه یا مشاهداتِ سرشار از خطا به او رسیده، تصمیم‌گیری کند. ابزاری که مثل «زرتشت» می‌تواند همه چیز از جمله عقایدِ کهن یا افکار اجتماعی را به خاطر پیشرفتِ بشریت به خطر بیندازد.البته راه طولانیست و احتمالاً نسلِ فعلیِ بشر، بیشتر به عنوانِ یک دستیارِ کمک‌کننده به هوش مصنوعی می‌نگرد. ولی با روندی که هوش مصنوعی در ادراک از زبان و توانایی ترکیبِ منطق آپولونی و شور و اشتیاق دیونیزوسی طی می‌کند، این احتمال می‌رود که اَبَر انسانِ نیچه، متولد شده باشد. مسعود کاویانی مسعود کاویانی Sun, 20 Oct 2024 01:30:23 +0330 https://virgool.io/dataio/%D8%B3%D9%88%D9%85%DB%8C%D9%86-%D9%85%D8%AF%D8%B1%D8%B3%D9%87-%D9%81%D8%B5%D9%84%DB%8C-%D9%85%D9%82%D8%AF%D9%85%D8%A7%D8%AA%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%B9%D9%84%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87-%D8%AA%D9%87%D8%B1%D8%A7%D9%86-%D9%85%D8%B1%DA%A9%D8%B2-%D9%86%D9%88%D8%A2%D9%88%D8%B1%DB%8C-%D8%B9%D9%84%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-znfiy6qbl86k این مدرسه که به همت مرکز نوآوری علم داده، اردیبهشت و خرداد ماه سال ۱۴۰۳ در دانشگاه تهران برگزار خواهد شد، فرصتی برای مهارت‌افزایی و اشتغال و معرفی به صنایع و سازمان‌ها به همراه مدرک قابل ترجمه دانشگاه تهران خواهد بود.در این مدرسه، دکتر مسعود مظلوم از دانشگاه آمستردام هلند، دکتر حامد قاسمیه از دانشگاه تونتز، دکتر هادی ویسی و هادی زارع از دانشگاه تهران، دکتر مسعود کاویانی از فیلیمو/آپارات و کمپانی زبراکت آلمان و مهدی ناصحیان، سروش ریاضی و امیرعلی عشقی از مرکز نوآوری علم داده به صورت حضوری در دانشکدگان علوم و فنون میان رشته‌ای دانشگاه تهران به مدت ۵۰ ساعت، تدریس خواهند داشت.برای ثبت‌نام و اطلاعات بیشتر و دریافت سرفصل‌های آموزشی می‌توانید از طریق این لینک به صفحه‌ی اصلی رویداد مراجعه فرمایید مسعود کاویانی مسعود کاویانی Mon, 06 May 2024 13:54:40 +0330 https://virgool.io/dataio/%D8%B1%D9%88%DB%8C%D8%AF%D8%A7%D8%AF-%D8%B1%D9%88%D8%B2-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-ai-day-%DA%AF%D8%B1%D8%AF%D9%87%D9%85%D8%A7%DB%8C%DB%8C-%D9%85%D8%AA%D8%AE%D8%B5%D8%B5%D8%A7%D9%86-%D8%B9%D9%84%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86-%D9%88-%D8%AC%D9%87%D8%A7%D9%86-bwvoofav2xes در این رویداد متخصصانی از شرکت‌های بزرگ خارجی (گوگل، متا، نت‌فیلیکس، ای‌بی و اپل) و داخلی (دیجیکالا، اسنپ، کافه‌بازار، آپارات و تپسی) در پنل‌های جداگانه به سخنرانی و انتقال تجربه خواهند پرداخت پنجشنبه ۱۸ اسفند ماه ۱۴۰۱ - پژوهشکده علوم و فناوری دانشگاه شریفثبت نام در وب‌سایت فیلاگرکد تخفیف: aidayaparat https://www.aparat.com/v/ygLFo مسعود کاویانی مسعود کاویانی Mon, 06 Mar 2023 03:46:44 +0330 https://virgool.io/@masoudkaviani/%D9%86%D8%B8%D8%B1%DB%8C%D9%87-%DB%8C-%D8%A7%D8%AA%D8%B3%D8%A7%D8%B9-%D8%B2%D9%85%D8%A7%D9%86-%D8%A8%D8%A7-%D8%A7%D9%BE%D9%84%DB%8C%DA%A9%DB%8C%D8%B4%D9%86-%D8%AF%DB%8C%D9%88%D8%A7%D8%B1-exkdtvnccni9 حتماً شنیده‌اید که طبق نظریه‌ی نسبیت خاص انیشتن، اگر شخصی با سرعتی نزدیک به نور حرکت کند، زمان برایش کُند می‌شود؟ اگر به این موضوع علاقه دارید این ویدیوی ساده را مشاهده کنید. در واقع بسیاری از افراد آرزو می‌کنند در روز به جای ۲۴ ساعت، ۴۸ ساعت زمان برای انجام کارهای خود داشته باشند. در واقع دلشان می‌خواهد زمان برایشان کندتر از حالت عادی سپری شود تا بتوانند با زمان‌های اضافی، کارهای باقی‌مانده را انجام دهند. اما این نظریه‌ی نسبیت چه ربطی به وب‌سایت و اپلیکیشن دیوار دارد؟ویکی‌پدیافرض کنید الان در تهران ساکن خیابان پیروزی (شرق تهران) هستید و محل کارِ جدیدی در غرب تهران، پیدا کرده‌اید. پس به دنبال یک آپارتمان در غرب تهران هستید. بنابراین، چند روزِ کاری را باید صرف پیدا کردن منزل با قیمت مناسبِ خود بکنید. یک روزِ آن به این صورت است که ۱ ساعت صرفِ سفر از شرق تهران به غرب تهران انجام می‌شود و در آن‌جا به بنگاه‌های معاملات خانه سر می‌زنید. فرض کنید بازدید از هر خانه هم نیم ساعت وقت شما را می‌گیرد. پس با بازدید از ۱۰ منزل، پنج ساعت وقت تلف می‌شود و ۲ ساعت هم برای رفت و برگشت که مجموعاً ۷ ساعت وقت شما را می‌گیرد. یعنی ۷ ساعت برای ۱۰ منزل. یعنی با هزینه‌ی سرشکن، برای هر خانه چیزی حدود ۴۵ دقیقه وقت صرف کرده‌اید.حالا فرض کنید اپلیکیشن دیوار را بر روی گوشی خود نصب کرده‌اید. حالا در حد ۱ دقیقه وقت صرف می‌کنید و با فیلتر کردنِ مناطق غرب و قیمت رهن و اجاره‌ی مورد نظر، لیستی از حدود ۱۲۰ منزل برای شما نمایش داده می‌شود. حالا زیر کولر/کنار بخاری خیلی راحت تمامی این ۱۲۰ منزل را در ۱ ساعت، مشاهده می‌کنید. پس یعنی هر خانه در حدود ۳۰ ثانیه از شما زمان گرفته است.حالا اتساع زمان را متوجه شدید؟در واقع زمان برای شما کُند شده است چون با صرفِ زمانِ بسیار بیشتر، توانسته‌اید تعدادِ بسیار بیشتری خانه را پیدا کنیدمثال بالا فقط در مورد پیدا کردنِ یک آپارتمان در تهران بود. در حوزه‌های دیگر هم همین موضوع برقرار است. فرض کنید می‌خواستید اتومبیلِ خود را بفروشید. در حالت عادی باید با کلی دلاّل وقت صرف کرده و هزینه‌ی واسطه‌گریِ زیادی را تلف کنید. در حالی که با اپلیکیشنی مانند دیوار، در عرض ۵ دقیقه اتومبیل خود را به میلیون‌ها کاربر نمایش می‌دهید و شاید در کمتر از ۱ ساعت بتوانید اتومبیل خود را بدون واسطه به فروش برسانید. این کار علاوه بر سرعت بالاتر، هزینه‌ی فروش/خرید را برای فروشنده/خریدار کاهش می‌دهد.اینترنت و ابزارهای آن (مانند همین اپلیکیشن‌ها) باعث شده‌اند کارهایی که قبلاً چند روز وقت ما رو می‌گرفت، در زمانی بسیار کم (در حد چند ثانیه) قابل انجام باشد. خرید و خواندن کتاب که با استفاده از اینترنت و اپلیکیشن‌های کتاب‌خوان به سادگی امکان‌پذیر است، خرید و فروش اجناس و وسائلی که با اپلیکیشن‌هایی مانند دیوار کاملاً سهل و آسان شده و مشاهده‌ی نظرات دیگر کاربران در مورد یک محصولِ خاص که آن هم توسط مارکت‌پلِیس‌های اینترنتی بسیار سریع و گسترده شده، از جمله بهینه‌سازی‌های مختلفی است که امروزه در زندگی ما به واسطه‌ی این تکنولوژی رخ داده است.البته این بهینه‌سازی اوقات، احتمالاً چالشِ جدیدی را ایجاد می‌کند که با آن وقت‌های اضافی چه کاری انجام دهیم؟ و این خود می‌تواند چالش جدی برای نسل‌های بعدی باشد. مخصوصاً نسلی که با استفاده از ربات‌های هوشمند می‌توانند بسیاری از کارهای روزمره را به ربات‌ها واگذار کرده و وقت بسیار بیشتری برای خود ذخیره کنند.همچنین چالش بعدی می‌تواند این باشد که شخص با استفاده از اپلیکیشن‌ها، ارزشِ این وقتِ بهینه شده را نمی‌داند. انسان عادت دارد، چیزی که سهل و آسان به دست می‌آید را کم‌ارزش‌تر از چیزهایی که سخت به دست آورده، بداند. مثل معروفی هست که می‌گویند: انسان ارزش ذغالی که سخت به دست آورده را کمتر از الماسی که راحت به دست آورده، می‌داند. پس باید به این موضوع هم توجه کرد و از ارزش این تکنولوژی جدید غافل نماند. مسعود کاویانی مسعود کاویانی Sat, 07 Aug 2021 01:16:28 +0430 https://virgool.io/@masoudkaviani/%D8%A7%D9%85%D8%A7%D9%85-%D8%B9%D9%84%DB%8C-%D9%88-%D8%AF%DB%8C%D8%AC%DB%8C-%DA%A9%D8%A7%D9%84%D8%A7-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D8%AA%D9%88%D8%B2%DB%8C%D8%B9-%D8%B9%D8%AF%D8%A7%D9%84%D8%AA-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-ckykibzfqlzy علی ابن ابی‌طالب، امام اول شیعیان و خلیفه‌ی چهارم اهل سنت یکی از نمادهای عدالت در جامعه‌ی معاصر ماست. شخصی که به عنوان نماد عدل در جامعه شناخته می‌شود. در داستان‌ها آورده‌اند که در بازار کوفه، با دست خود دکّان می‌ساخت تا قیمت دکان‌ها تعدیل شود و همه بتوانند با مساوات بیشتری کسب درآمد کنند. یا داستان معروف کوزه‌ی شیرهایی که شب‌ها پشت در خانه‌ی یتیمان به صورت ناشناس می‌گذاشت.از نمادها که فاصله بگیریم و به دنیای مدرن بیاییم هم متوجه می‌شویم که «عدالت اجتماعی» یکی از شاخص‌های اصلی رشد و توسعه‌ی یک کشور محسوب می‌شود. به صورت ساده، اینکه یک نفر، فارق از محل زندگی، اعتقادات، وضعیت مالی و... امکان دسترسی به امکانات را داشته باشد، در تمام جهان یک امر پسندیده و یک شاخص برای رشد محسوب می‌شود. یکی از شاخص‌هایی که عدالت اجتماعی را نشان می‌دهد، «شاخص ضریب جینی - Gini Index) در کشورهاست. به گونه‌ای که هر چقدر این ضریب کمتر باشد، اختلاف طبقاتی (فاصله‌ی فقیر و غنی) در آن کشور کمتر است. نگاهی به مقایسه‌ی سه کشور ایران، ترکیه و فنلاند در زمینه‌ی شاخص جینی بیندازید:سایت بانک جهانییکی از مصادیق عدالت اجتماعی، تواناییِ دسترسی به امکانات (مانند وسائل رفاهی، شغل و...) است. همین عدالت اجتماعی است که سالیان دراز حکومت‌ها به خاطر آن تلاش کرده بودند (البته نه همه‌ی حکومت‌ها!).با گسترش اینترنت، یکی از بسترهای عدالت اجتماعی به صورت ارزان و قابل دسترس به دورافتاده‌ترین نقاط جهان گسترده شده است و ابزارهای آن مانند شبکه‌های اجتماعی، فروشگاه‌های اینترنتی، وب‌سایت‌های تبادل کالا و... مانند سربازانِ ارتشِ صلح، نیروهای خودشان را به تمام نقاط جهان گسیل داشته‌اند.برای اثبات این مطلب (در ایران) می‌توانیم نگاهی به گزارش سالیانه‌ی دیجی‌کالا بیندازیم. گزارش کامل را می‌توانید از اینجا دانلود کنید. بیایید نگاهی به بخشی از این گزارش در حوزه‌ی عدالت اجتماعی بیندازیم. به تصویر زیر نگاه کنید:نقاط آبی در این تصویر، مشتریان دیجی‌کالا را در سطح ایران نشان می‌دهد و نقاط قرمز، فروشندگان دیجی‌کالا هستند. اگر دقت کنید، مشتریان دیجی‌کالا به راحتی در تمامی ایران پراکنده شده است. یعنی مشتریان دیجی‌کالا از هر کجای ایران با یک اینترنت ساده، می‌توانند بروزترین کالاها و وسائل کاربردی را بدون واسطه‌ی اضافی در دسترس داشته باشند.اما جالب‌تر در تصویر بالا، نقاط قرمز هستند، فروشندگانی که محصولات خود را از سراسر ایران به راحتی به معرض فروش گذاشته‌اند. برای مثال شخصی از جنوبی‌ترین نقطه‌ی سیستان و بلوچستان توانسته محصول خود را به تمامی ایران، عرضه کرده و بفروشد. این در حالی است که در حالت عادی و بدون استفاده از ابزاری مانند دیجی‌کالا و اینترنت، این کار تقریباً محال به نظر می‌رسید.اجازه بدهید به یکی از نمودارهای دیگر هم در این گزارش نگاه کنیم:بیش از ۸ هزار کارمند دیجی‌کالا (برخلاف بسیاری از کسب‌وکارهای نو) فقط در شهری مانند تهران مستقر نشده‌اند. ساکنین بوشهر تا خراسان شمالی، سیستان و بلوچستان تا آذربایجان غربی کارمندان مستقیم دیجی‌کالا هستند. اشتغال‌زایی مولد که به صورت پراکنده در سراسر ایران گسترش یافته، یکی دیگر از مصادیق عدالت اجتماعی است که به کاهشِ مهاجرت منفی و بهبود شاخص‌های عدالت پولی کمک شایانی می‌کند.البته پراکندگی در موازات با تعداد قرار می‌گیرد. در واقع رشد تعداد کسب‌وکارها به اندازه‌ی پراکندگی مهم است. برای همین نگاهی به نمودار زیر در همین گزارش می‌اندازیم:بیش از ۱۵۲هزار کسب و کار در سراسر ایران محصولات خود را بر بستر دیجی‌کالا فروخته‌اند. این تعداد و رشد ۱۵۰برابری نسبت به سال ۹۵، نشان از بازخورد خوبی بوده که کسب‌وکارها در سراسر ایران از فروش محصولات خود در دیجی‌کالا گرفته‌اند.در کل یکی از مصادیق عدالت اجتماعی برای کاهش فاصله‌ی بین فقیر و غنی، اینترنت با پوشش سراسری و اپلیکیشن‌هایی هست که بتواند مصادر این تفکر را در تمامی نقاط یک کشور و بعد از آن تمامی جهان پراکنده سازد. مسعود کاویانی مسعود کاویانی Sat, 07 Aug 2021 00:59:28 +0430 https://virgool.io/bazaarinsight/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A7%D8%B2-%D8%B4%D8%A7%D8%AE%D8%B5-%D9%87%D8%A7-indicators-%D9%85%D8%AB%D8%A7%D9%84-%D8%B9%D9%85%D9%84%DB%8C-%D8%A8%DB%8C%D9%86%D8%B4-%DA%A9%D8%A7%D9%81%D9%87-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-qpx318xqqjpt دنیای امروز دنیای داده‌هاست. ما انسان‌ها در سال ۲۰۲۰ در هر روز حدوداً ۳ کوینتیلیون (quintillion) داده تولید می‌کردیم. برای این‌که بدانید چقدر می‌شود جدول زیر می‌تواند کمک کند:خوب، حالا همین عدد را در ۳۰ ضرب کنید تا مقدار داده‌ی یک ماه به دست بیاید و سپس در ۱۲ ضرب کنید تا بفهمید در یک سال چقدر داده تولید می‌کردیم. این تازه داده‌های سال پیش بود. امسال که قطعاً تولید داده بیشتر هم شده است.سرعت تولید داده بسیار بالاست ولی متاسفانه سرعت رشد مغز انسان خیلی زیاد نیست. اگر نظریه‌ی تکامل را قبول داشته باشید (که تقریباً هیچکدام از شواهد این نظریه را رد نمی‌کنند)، ذهن انسانِ امروزی حاصل تکامل و تجربیات و انطباق‌های چندین هزارساله است. در واقع ما در طی چندین هزار سال یاد گرفته‌ایم که چگونه خود را با جهان تطبیق دهیم و جهان اطراف را درک کنیم. ولی فقط چند دهه است که استفاده از داده‌ها (آن هم با این حجم) مورد توجه قرار گرفته است. پس چگونه می‌توانیم این حجم از داده‌ها را در ذهن کوچک و «کندتکامل» خود جای داده و آن‌ها را درک کنیم؟«آمار» پاسخی به سوال بالاست. انسان با استفاده از «آمار» توانسته است داده‌های بسیار زیاد را برای خود خلاصه کند به گونه‌ای که این داده‌ها در ذهنش جا شود و بتواند با تحلیل این داده‌ها در ذهن خود، تصمیم‌گیری مناسب را برای تطبیق با محیط انجام دهد.فرض کنید شما یک تولید کننده‌ی برنامه‌های تلفن همراه هستید و یا یک بازی‌ساز که تخصص خود را بر روی تولید بازی‌های آندرویدی قرار داده است. در این صورت حتما می‌دانید که یکی از مهم‌ترین نکات ایجاد یک نرم‌افزار و یا بازی، پیدا کردن حوزه و رفتار مشتریان این نرم‌افزار یا بازی است. برای رسیدن به این مهم بایستی یک مجموعه‌ی مشتریان را در نظر گرفته و رفتار آن‌ها در هنگام کار با گوشی تلفن همراه مشاهده کنید. سپس مشاهدات را یادداشت کرده و کنار هم قرار دهید، سپس با تکنیک‌های آماری و یا داده‌کاوی سعی کنید از این مجموعه‌ی داده‌ها، تصمیم‌گیری درست را برای ساخت نرم‌افزار یا بازی خود و یا جهت‌گیری تبلیغات و... داشته باشید.حتماً می‌دانید که فعالیت‌های اشاره شده در بالا بسیار سخت، زمان‌بر و طاقت‌فرساست. مخصوصاً برای دِوِلوپرهایی که حال و حوصله‌ی کارهایی غیر از برنامه‌نویسی را ندارند. اگر شما هم جزو همین دسته هستید و یا فرصت یا هزینه‌ی کافی برای کار استخراج اینچنین اطلاعاتی را ندارید، می‌توانید از گزارش‌ها و داشبوردهای آماده استفاده کنید. برای مثال کافه‌بازار، سامانه‌ای به اسم «بینش - insight.cafebazaar.ir» را راه‌اندازی کرده است که می‌تواند بسیاری از این گزارشات را به صورت آماری و خلاصه در اختیار شما قرار داده تا با استفاده از آن بتوانید تصمیم‌های حیاتی کسب‌و‌کار خود را، هر چه سریعتر گرفته و آن را به کار بندید.برای مثال اگر به این آدرس بروید، می‌توانید شاخصِ «تمرکز رقابت» را مشاهده نمایید. این شاخص (سنجه)، به شما می‌گوید که مثلاً در فروردین ماه سال ۱۴۰۰، بیشترین نصب‌های فعال کاربران تلفن‌های همراه در ایران، در کدام دسته‌بندی‌ها انجام شده است. برای مثال شکل زیر را مشاهده نمایید:این تصویر به سادگی هر چه تمام‌تر این نکته را به ما می‌گوید که مردم در کار کردن با گوشی‌های خود، در فروردین ۱۴۰۰، بیشتر به دنبال تناسب‌اندام، خرید آنلاین و مباحث ورزشی و آموزشی بوده‌اند. اگر می‌خواستید به همین تحلیل برسید، احتمالاً بایستی یک ماه زمان می‌گذاشتید، یک جامعه‌ی آماری را بررسی می‌کردید و می‌دیدید که چه توزیعی از برنامه‌ها بر روی گوشی خود نصب کرده‌اند. در حالیکه با یک کلیک و فیلتر کردن فروردین‌ماه در «سامانه‌ی بینش»، به راحتی به این مهم دست پیدا کردیم. الان با همین دانش، احتمالاً خیلی راحت‌تر می‌توانیم جهت‌گیری برنامه‌ها و بازی‌هایی که قرار است در آینده‌ی نزدیک بسازیم را مشخص کنیم.اجازه بدهید شاخص (سنجه‌ی) دیگری را نگاه کنیم. با مراجعه به این آدرس می‌توانید «تعداد نصب برنامه‌ها و بازی‌های» هر کدام از دسته‌بندی‌ها را بر روی گوشی‌های تلفن همراه ایرانی‌ها مشاهده نمایید. برای مثال من فقط برنامه‌ها را برای فروردین ۱۴۰۰ فیلتر کردم:همان‌طور که مشاهده می‌کنید، به جز ابزارها و شبکه‌های اجتماعی که تعداد زیادی از آن‌ها بر روی یک گوشی نصب شده است، برنامه‌های مالی و عکاسی و ویدیو هم ظرفیتِ بالایی برای نصب ماندن بر روی گوشی یک شخص دارند. برای مثال اگر تولید کننده‌ی برنامه‌های اندرویدی هستید و می‌خواهید برنامه‌ای در زمینه‌ی امور مالی ایجاد کنید، باید بدانید که این شانس را دارید که نرم‌افزار شما در کنار نرم‌افزارهای دیگر بر روی گوشی کاربران نصب شود (چون به صورت میانگین ۳.۲ برنامه‌ی مالی بر روی گوشی یک فرد نصب شده است) و افراد احتمالاً برنامه‌های شما را در کنار برنامه‌های مالی دیگر هم استفاده می‌کنند ولی این موضوع در مورد برنامه‌های دسته‌ی خرید صدق نمی‌کند. یعنی کاربران معمولاً یک یا نهایت دو برنامه‌ی خرید بر روی گوشیان نصب می‌کنند و شاید شانش شما برای ماندن در گوشی افراد کمتر باشد. برای مثال با دیدن این سنجه، متوجه می‌شوید که احتمالاً اگر برنامه‌ی شما در حوزه‌ی خرید است، بایستی با استفاده از ابزارهایی مانند PushNotification یا تبلیغات فعال، تلاشِ خود را برای ماندن در تلفن همراه کاربران چند برابر کنید.به عنوان نمونه‌ی آخر اجازه دهید به سراغ بازی‌ها برویم. به این آدرس نگاهی بیندازید. در این شاخص (سنجه) ما به دنبال پیدا کردن «تکرار خرید» در برنامه‌ها و بازی‌های مختلف هستیم. در این‌جا من بازی‌ها را برای فروردین ماه ۱۴۰۰ فیلتر کرده‌ام:قابل مشاهده است که بازی‌های استراتژی بیشترین و بازی‌های دسته‌ی کودک کمترین تکرار خرید را دارند. همین سنجه می‌تواند این تصمیم‌گیری را به همراه داشته باشد که مثلاً اگر مخاطب بازی شما کودکان هستند، احتمالاً فقط یک بار از شما در طول عمر بازی خرید خواهند کرد! پس همان یک‌بار فرصت دارید تا حداکثر مبلغ را از آن‌ها بگیرید. ولی در بازی‌هایی مانند بازی‌های تفننی یا استراتژیک می‌توانید قیمت‌گذاری را به شکلی انجام دهید که بازیکنان در طول عمر بازی، خرید‌های متعددی از شما داشته باشند. همچنین این سنجه می‌تواند در استراتژی تخفیف‌دهی در مراحل مختلف بازی‌ها نیز راهکارهای جالبی را به شما بدهد.نمونه‌های بالا تنها بخشی از بی‌نهایت کاربرد شاخص‌ها (سنجه‌ها) در برنامه‌های اندرویدی بودند. از همین شاخص‌ها می‌توانید در بقیه‌ی بخش‌های کسب‌و‌کار هم استفاده نمایید. توجه داشته باشید که در دنیای امروز، تصمیم‌گیری بدون استفاده از داده، مانند قدم زدن در جنگل بدون قطب‌نماست. یعنی به راحتی امکان دارد که جهت‌گیری مناسب کسب‌و‌کار خود را از دست داده و شکست بخورید.یکی از کتاب‌هایی که می‌توانید این قبیل شاخص‌ها را همراه با مثال‌های کاربردی را از آن یاد بگیرید، این کتاب است. نویسنده در این کتاب به بیان چندین شاخص (سنجه) پرداخته و چگونگی استفاده از آن‌ها را در کسب‌و‌کار آموزش داده است. همچنین این کتاب هم یکی از کتاب‌های عالی برای این مباحث یادگیری KPI و سنجه‌های کاربردی است. مسعود کاویانی مسعود کاویانی Sat, 05 Jun 2021 04:14:07 +0430 https://virgool.io/@masoudkaviani/%D8%AA%D8%B5%D9%85%DB%8C%D9%85-%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A8%D8%A7-%D8%AF%DB%8C%D8%AA%D8%A7-vs-%D8%AA%D8%B5%D9%85%DB%8C%D9%85-%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A8%D8%AF%D9%88%D9%86-%D8%AF%DB%8C%D8%AA%D8%A7-%D8%A8%D8%A7-%D8%AA%D9%85%D8%B1%DA%A9%D8%B2-%D8%A8%D8%B1-%D8%A7%D8%B9%D8%AF%D8%A7%D8%AF-sbyi3honfgvv خیلی‌ها فکر می‌کنند، استفاده از دیتا، در همین صده‌ی اخیر مورد توجهِ کسب‌و‌کارها، شرکت‌ها و کشورها قرار گرفته است. این توهم باطل از آن‌جایی ناشی می‌شود که فکر می‌کنیم فقط ما انسان‌های معاصر، علم داریم و انسان‌های پیشین، همگی در جهل و نادانی کامل به سر می‌بردند. ساده‌ترین مثال نقض، جنگ‌های ۲۰۰۰ هزار سال پیش، بین ایرانیان و یونانیان بود. اگر تصور کردید که کوروش، بدون اطلاعات و داده‌های قبلی به کشوری مثل یونان حمله می‌کرد، سخت در اشتباهید. یا اگر فکر می‌کنید، یونانیان بدون استفاده از اطلاعات آماریِ سربازان خود و سربازان دشمن، با آن‌ها می‌جنگیدند، در گمراهی آشکار به سر می‌برید...تصویر جنگ سرباز هخامنشی با سرباز یونانیاطلاعات و داده یا همان دیتا (Data) از صده‌های دور با انسان‌ها بوده‌اند. در این میان اعداد نقش پررنگی داشتند. فقط کافیست یک لحظه تصور کنید که اگر بشر، عدد را اختراع نمی‌کرد، چقدر در روز بایستی وقت صرف توضیح مسئله‌ها و خواسته‌های مختلف به آدم‌های متفاوت می‌کردیم (ساعت، پول و واحد پولی، شماره تلفن، کانال تلویزیونی، کلا کامپیوتر، گوشی و... همه‌ی آن‌ها که بر مبنای اعداد کار می‌کنند را نداشتیم). می‌توانم این جمله‌ی حکیمانه را بگویم که «انسان، حیوانی عددساز است». در واقع انسان ابزارهای مختلف بسیار زیادی ساخت، که یکی از این ابزارها که هنوز هم از آن استفاده می‌کنیم، عدد است. زندگی بدون عدد برای بشر امروز، عملاً غیر ممکن است. شاید بتوانیم بدون برق زندگی کنیم ولی بدون عدد خیر.چندین هزار سال پیش به اعدادِ بیش از شش، «بسیار» می‌گفتند (در واقع مرز اعداد شش بود و بیشتر از آن، نامتنهایی یا خیلی زیاد در نظر گرفته می‌شد) و یا در بازه‌ای از زمان‌های دور، اعدادِ بزرگ‌تر از دوجین (۱۲) را اعدادی ناشناخته می‌دانستند ولی بشر کم کم یاد گرفت که محدودیت خاصی برای اعداد قائل نباشد. این عدم محدودیت برای اعداد به عدم محدودیت فکر بشر و ابزارهای او نیز کمک کرد تا بتواند با استفاده از داده‌ها (مخصوصاً داده‌های عددی) که قابل تبدیل به اطلاعات آماری هستند، تصمیمات بهتری برای خود و جامعه بگیرد. بدین ترتیب در جامعه‌ی امروزی نکته‌ی اصلی در این دست از تصمیم‌گیری‌ها این نکته است که:داده‌ها بدون اعداد معنایی ندارندبشر آرام آرام یاد گرفت که از اعداد استفاده کند، آن‌ها را به صورت آمارها در بیاورد و این آمار و اعداد را به صورت شفاف در اختیار عموم قرار دهد تا همه بتوانند آزادانه از آن استفاده کنند. به گونه‌ای که آزادی دسترسی به اطلاعات و داده‌ها یکی از معیارهای پیشرفت یک جامعه در جهان امروز حساب می‌شود. (برای درک بهتر این موضوع به مقاله‌ی «تجربه‌ی جهانی شفاف‌سازی» از دنیای اقتصاد نگاه کنید)بهتر است برای درک اهمیت آمار و اعداد، در یک مثال ساده، اپلیکیشن دیوار را تصور کنید، زمانی که قیمت خودروها (به دلایلی) موجود نبود. آیا تصمیم‌گیری با اهدافی که آن کسب‌و‌کار برای جامعه در نظر گرفته بود، قابل انجام بود؟ رسماً خیر. بیایید این عدم وجود اعداد را با خودِ اعداد بررسی کنیم!!! فقط برای دانستنِ قیمت واقعی خودرو بایستی یک تماس گرفته می‌شد و حدوداً «یک دقیقه وقت» از دو طرف هدر می‌رفت. یعنی در مجموع برای هر تماس «۲ دقیقه اتلاف زمان داشتیم» که اگر در روز فقط ۲۰ هزار تماس داشته باشیم، در مجموع ۴۰ هزار دقیقه وقت تلف شده خواهیم داشت و در یک ماه حدوداً ۱۲۰۰۰۰۰ دقیقه معادل بیش از ۲ سال وقت را تلف می‌کردیم (ببینید عددی سازی چقدر می‌تواند به فهم یک موضوع کمک کند :). بگذریم از اینکه مافیای تعیین قیمت خودرو چه سواستفاده‌ای از عدم قیمت‌های شفاف در اپلیکیشنی مانند دیوار نکرد.احتمالاً دیگر لازم نیست در مورد ارزش وجود قیمت خانه در دیوار صحبت کنیم. بدون وجود قیمت، عملاً بخش بزرگی از داده‌های موجود از بین می‌رود. در واقع اعداد و شفافیت موجود در این دست از اپلیکیشن‌ها، از ارزش‌های اصلی ارائه شده توسط کسب‌و‌کارهایی مانند دیوار هستند به گونه‌ای که اگر این ارزش از آن‌ها گرفته شود، عملاً ارزش اصلی خود را برای مخاطبین از دست می‌دهند.در کل اعداد نقشی بسیار پررنگ در زندگی بشر امروز دارند و بهتر است به این گوهر گران‌بها که حاصل تجربه‌ی چندین هزار ساله‌ی نوع بشر در این کره‌ی خاکیست کمی بیشتر توجه کرده و احترام کنیم. مسعود کاویانی مسعود کاویانی Sat, 13 Feb 2021 02:22:58 +0330 https://virgool.io/@masoudkaviani/%D9%BE%DB%8C%D8%A7%D9%85%D8%AF%D9%87%D8%A7-%D9%86%D8%AE%D8%B1%DB%8C%D8%AF%D9%86-%DB%8C%DA%A9-%DA%AF%D9%88%D9%86%DB%8C-%D8%A8%D8%B1%D9%86%D8%AC-%D8%AF%D8%B1-%DB%B1%DB%B1%DB%B1%DB%B1-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B4%D9%85%D8%A7-%D9%88-%D8%AC%D8%A7%D9%85%D8%B9%D9%87-zzqsowxc7zo2 همه‌ی ما که در ایران زندگی می‌کنیم، احتمالاً حداقل یک بار این جمله را شنیده‌ایم:دلال‌ها و واسطه‌ها بایستی حذف شوندو همانطور که می‌دانید حذف واسطه آنقدر مزیت برای یک فرد و کل جامعه دارد که در این نوشته نمی‌خواهم به این موضوع بپردازم. فقط با یک سرچ ساده می‌توانیم بفهمیم که واسطه‌ها چقدر همه‌جا هستند:همان‌طور که می‌بینید طبق آخرین شواهد، هر کدام از محصولات کشاورزی از طریق حداقل ۴ واسطه به دست مشتری نهایی می‌رسند. این خبر حرف از حداقل زده است، و احتمالاً این عدد به صورت میانگین به ۶ یا ۷ هم برسد. بیایید ماشین حساب برداریم و یک حساب و کتاب سرانگشتی انجام دهیم. شما یک کیلو پسته‌ی خوب را حدودا ۳۰۰ هزار تومان در فروشگاه‌های مختلف خریداری می‌کنید (این قیمت تا ۳۴۰ هزار تومان نیز دیده شده است!). جالب است بدانید که قیمت خرید/فروش همان پسته به صورت عمده‌ای (تناژی) چیزی در حدود ۱۹۰ هزار تومان است! و بر اساس تخمین‌های انجام شده هر کیلو پسته با کیفیت عالی از تولید کننده‌ی اصلی حدوداً ۱۵۰ هزار تومان خریداری می‌شود! پس شما یک پسته‌ی ۱۵۰ هزار تومانی را با دوبرابر قیمت می‌خرید. این قیمت دوبرابری یعنی سودِ دلال و واسطه و البته مقداری هزینه‌ی سربار انتقال و نگهداری! در واقع شما با خرید یک کیلوگرم پسته، هم باید پول اجاره‌ی مغازه‌ی نبش چهارراه را بدهید، هم پول فروشنده و احتمالا سرمایه‌ای که خوابانده، پول عمده فروش اول، عمده فروش دوم، عمده فروش سوم، عمده فروش اصلی و در نهایت تولید کننده اصلی.حالا شاید بگویید ما خیلی پسته نمی‌خریم. ولی جالب است بدانید موضوع دلالی و واسطه‌گری، در کالاهای عادیِ سبدِ خرید نیز صدق می‌کنند. در واقع این اضافه‌ی قیمت خرید در تمامیِ کالاهای کشاورزی دیگر مانند برنج، میوه‌ها، زعفران، روغن حیوانی و دیگر غلات کشاورزی و همچنین محصولات صنایع دستی و در کل محصولاتی که تولید کننده‌ی اصلی آن‌ها از بازار و مشتری دور است، اتفاق می‌افتد.در کل خرید محصولات با واسطه‌ی زیاد، ۳ ضرر عمده دارد: شما گران‌تر می‌خرید و پولتان هدر می‌رود!تولید کننده‌ی سود کمتری می‌برد و طبیعتاً انگیزه و پشتکار خود را برای تولید محصولی بهتر از دست می‌دهدواسط و سوداگر سود بیشتری می‌برد و تولید کننده‌ی سرخورده به این فکر می‌افتد که به جای تولید یک محصول و ایجاد ارزش افزوده، به سراغ کار راحت‌تر با سود بیشتر (که همان واسطه‌گریست) برودو نتیجه هم می‌شود اقتصادی ضعیف مثل اقتصادهای برخی از کشورها! مشکل را گفتیم، پس راه حل را هم باید بدهیم. راه حل ساده است. استفاده از ابزارِ انقلابی اینترنت!مشکل اصلی تولید کنندگان چه بود؟ اینکه نمی‌توانستند محصول خود را به مشتری‌ها عرضه کنند و در واقع بازار فروش نداشتند. ولی الان با استفاده از بازارهای اینترنتی مانند بازار اجتماعی باسلام و فقط با یک گوشی تلفن همراه که اینترنت داشته باشد، می‌توانند محصولات را به صورت مستقیم و بدون واسطه به مشتری‌ها عرضه کنند. بقیه‌ی کارها با سربار بسیار کمتر، توسط اینترنت و کسب‌و‌کار اینترنتی قابل انجام است.جالب اینجاست که فروشگاه‌های اینترنتی مخصوصاً آن فروشگاه‌هایی که به صورت فروش اجتماعی فعالیت می‌کنند، به دلیل استفاده از بستر اینترنت، هزینه‌های بسیار کمتری دارند. آن‌ها نیاز به اجاره‌ی یک مغازه شیک و لاکچری برِ خیابان ندارند. نیاز به فروشنده و انبارکردن اجناس و هزینه‌ی انبارداری ندارند. احتمالاً مدیرانشان کمی از کاسب‌های بازار وسعت دید جامع‌تری دارند و می‌دانند که نباید پول را در مسکن سرمایه‌گذاری کرد و سود خود را صرف کارآفرینی و گردش صحیح مالی کرده و با این کار بازخورد مثبت بیشتری در اکوسیستم اقتصادی ایجاد می‌کنند.برای شروع خرید در بازار اجتماعی باسلام، می‌توانید تاریخ ۱۱ بهمن را انتخاب کنید. چون در این تاریخ قرار است یک فروش ویژه در (علاوه بر قیمت‌های مناسب به دلیل فروش مستقیم) به همراه ارسال رایگان در اختیار مشتریان قرار داده شود. می‌توانید همین الان به این لینک بروید و تخفیف‌های تاریخ ویژه‌ی ۱۱/۱۱ را پیگیری نمایید. مسعود کاویانی مسعود کاویانی Sun, 24 Jan 2021 23:53:15 +0330 https://virgool.io/@masoudkaviani/%D8%B3%D8%A7%D8%B9%D8%AA-%D8%A8%D8%B1%D9%86%D8%A7%D8%B1%D8%AF-%D8%A2%D8%B1%D8%B2%D9%88%DB%8C-%D8%A8%DA%86%DA%AF%DB%8C%D9%90-%D9%85%D8%A7-%D8%A8%D8%A7%D9%84%D8%A7%D8%AE%D8%B1%D9%87-%D8%AA%D9%82%D8%B1%DB%8C%D8%A8%D8%A7%D9%8B-%D8%A7%D8%AE%D8%AA%D8%B1%D8%A7%D8%B9-%D8%B4%D8%AF-p4lqc12c7jwl حتما اگر هم سن و سال من یا بزرگتر باشید، ساعت برنارد را به خاطر می‌آورید. این ساعت جادویی، هر زمان که قهرمان داستان احتیاج داشت، متوقف می‌شد تا برنارد بتواند به اهداف خودش دست پیدا کند.وی‌کی‌پدیای ساعت برنارداحتمالاً خیلی از ما آرزوی در اختیار گرفتن این ساعت را داشتیم. خود من دلم می‌خواست با نگه داشتن این ساعت، به سوپر مارکت بروم و در حالی که همه خشکشان زده، شکلات‌های تک‌تک (همان کیت‌کت ایرانی) را بسته بسته بردارم و بخورم :)برگردیم به تیتر، ساعت برنارد اختراع شده است. البته نه دقیقاً همان ساعت بلکه چیزی بسیار نزدیک به آن! اجازه دهید به صورت منطقی با هم بحث کنیم:ساعت برنارد در اصل چه کار می‌کرد؟ پاسخ: سرعت گذران زمان را برای شخص، صفر می‌کرد.حالا من دستگاهی در دست دارم که سرعت گذران زمان را تا ۰.۰۰۰۰۰۱۶ برابر کند می‌کند (تقریباً نزدیک به صفر)اگر باور نمی‌کنید با یک مثال برایتان ثابت می‌کنم: فرض کنید می‌خواهید یک کتاب عادی مانند کتابِ «همه دروغ می‌گویند» را خریداری کنید. برای این کار بایستی ساعت ۸ صبح آماده شوید و با اتوبوس یا مترو، خود را به مرکز خرید کتاب برسانید. بعد از گشتن و خرید، دوباره با مترو یا اتوبوس به خانه برگردید. این رفت و برگرشت به طور میانگین ۲ و نیم ساعت از شما زمان صرف می‌کند (صرف نظر از مقدار انرژی هدر رفته در این بین). به عبارتی ۱۵۰ دقیقه برای خرید یک کتاب ساده.حالت بالا در صورتی است که شما گوشی هوشمند نداشته باشید. چون با یک گوشی یا تبلت هوشمند و نصب یک برنامه‌ی کتابخوان (مثل فیدیبو یا طاقچه یا کتاب‌راه)، می‌توانید این کتاب را در عرضِ حداکثر ۱ دقیقه خریداری و دریافت کنید (بدون هدر رفت انرژی). همان‌طور که مشاهده می‌کنید در سبک زندگی با گوشی هوشمند، ۱۵۰ دقیقه به ۱ دقیقه تبدیل شد. به عبارت دیگر، زمان، ۱ تقسیم بر ۱۵۰، معادل ۰.۰۰۶ (نزدیک به صفر) شد. دنبال ساعت برنارد می‌گشتید؟ در دستان شماست!مثال بالا یک حالت نرمال یا به قول ما نرم‌افزاری‌ها حالت Amortize بود. حالات شدیدتری هم وجود دارد. برای مثال فرض کنید سال نو شده است و می‌خواهید به دیدن پدر و مادر خود بروید. ولی یادتان می‌آید که ۲ سال هست که از کشور مهاجرت کرده به استرالیا رفته‌اید. حال برای دیدن و احوال پرسی (بدون در نظر گرفتن شرایط قرنطینه و کرونا)، بایستی حداقل یک هفته مرخصی گرفته، برنامه‌ریزی کنید، به ایران بیایید و با پدر و مادر خود عید دیدنی کنید (به همراه کلی هزینه برای سفر و مصرف سوخت هواپیما و کلی خسارت جبران ناپذیر به محیط زیست). این در حالیست که با گوشی تلفن همراه هوشمند یا همان ساعت برنارد، در عرض یک ثانیه به ایشان متصل می‌شوید و می‌توانید از حال و روزشان مطمئن شده و با یکدیگر به گفتگو بپردازید. در واقع یک هفته تبدیل شده است به یک ثانیه شده است (صرف نظر از مقدار مشترک گفتگو که در حالت عادی هم اتفاق می‌افتد). با محاسبات بسیار ساده می‌بینیم که، ۶۰۴۸۰۰ ثانیه (معادل یک هفته) تبدیل به یک ثانیه شده است. در واقع زمان ۱ به ۶۰۴۸۰۰ (۰.۰۰۰۰۰۱۶ که بسیار نزدیک به صفر است) کندتر شده است.قبول دارم کمی غلو کرده، معایب این دستگاه‌ها را نگفته‌ام. من هم مثل شما می‌دانیم که این دستگاه‌ها هم نقاط تاریک دارند و خالی از ضعف نیستند ولی در کل به خاطر این‌که گوشی‌های هوشمند همواره به سادگی و با مبلغ به نسبت کم، در کنار ما هستند، به آن‌ها عادت کرده‌ایم، در حالیکه کافیست به ابزارهای جدید به گونه‌ای دیگر نگاه کنیم تا چیزی که شاید قبلاً برایمان شبیه معجزه بود را در دستانمان ببینیم و با این کار به ارزش واقعی آن پی می‌بریم. دوستی می‌گفت:ارزش یک ذغال سنگ که سخت به دست آمده باشد، برای آدمی، بیشتر از ارزش الماسی است که راحت به دست آمده باشدما الان ساعت برنارد را در دست داریم. پس بهتر است ارزش آن را بدانیم و هرچه بیشتر و درست‌تر از آن استفاده کنیم.پی‌نوشت: به موارد گفته شده در بالا، با نگاه از زاویه‌ای دیگر، می‌توانید کلی صرفه‌جویی در زمان/هزینه/انرژی، پاکیزگی محیط زیست، ارتباطات فراوان‌تر و... را اضافه کنید. مثلاً می‌توانید تئوری نسبیت انیشتن را نیز در همین زمینِ مادی، اجرا کنید. برای مثال گوش دادنِ یک کتاب صوتی در حین رانندگی توسط گوشی هوشمند را تصور کنید. ممکن است دو ساعت رانندگی کنید و در همین حین، به یک کتاب صوتی گوش دهید. در واقع شما از ۲ ساعت زمان خود، که در حالت عادی صرف نگاه کردن به خیابان‌ها می‌شد، برای خواندن یک کتاب استفاده کرده‌اید. این مثل این است که در یک روز به جای ۲۴ ساعت، ۲۶ ساعت زمان داشته باشید! و به این صورت کشیدگی زمانی را اجرا کرده‌اید! مسعود کاویانی مسعود کاویانی Wed, 30 Dec 2020 02:43:43 +0330 https://virgool.io/@masoudkaviani/%DA%AF%D8%B2%D8%A7%D8%B1%D8%B4-%D8%B3%D8%A7%D9%84%DB%8C%D8%A7%D9%86%D9%87-%D8%AF%DB%8C%D9%88%D8%A7%D8%B1-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B9%D9%84%D8%A7%D9%82%D9%87%D9%85%D9%86%D8%AF%D8%A7%D9%86-%D8%B9%D9%84%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-%DA%AF%D8%B2%D8%A7%D8%B1%D8%B4%D9%87%D8%A7%DB%8C-%D9%BE%DB%8C%D8%B4%D9%86%D9%87%D8%A7%D8%AF%DB%8C-%D8%B3%D8%A7%D9%84-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-alu6o2esmucu گزارش‌های دوره‌ای از کسب‌و‌کارها می‌تواند نقشه‌ی راهی برای کاربرانِ این کسب‌و‌کارها و همچنین شرکت‌های دیگر باشد. گزارش‌هایی که شرکت‌هایی مانند گوگل یا آمازون ارائه می‌کنند همراه با مصورسازی آن‌ها، به عنوان مرجعی برای عملکردِ کاربران مختلف سراسر جهان در حوزه‌های مرتبط شناخته می‌شود و به رفتارهای این کاربران و شرکت‌های استفاده کننده از خدماتشان جهت می‌دهد. قطعاً طراحی یک گزارش خوب و مبتنی بر داده، می‌تواند باعث ایجاد ارزش افزوده در کسب‌و‌کارهایی شود که از این گزارش استفاده می‌کنند، لذا گزارش بایستی به شکلی طراحی شود تا در ذهن مخاطب نقش ببندد.گزارش سالیانه دیوار، به عنوان یکی از بازیگران اصلی در حوزه‌ی کسب‌و‌کارهای آنلاین در ایران نیز می‌تواند مرجعی مناسب برای فعالان این حوزه و همچنین شرکت‌ها و افرادی باشد که می‌خواهند از این بستر جهت رشد و گسترش کسب‌و‌کار خود استفاده کنند.اگر نگاهی به داده‌های دیوار انداخته باشید (و اگر هنوز این کار را نکرده‌اید از این‌جا می‌توانید نسخه‌ی اصلی این گزارش را دانلود کنید) متوجه می‌شوید که این گزارش مبتنی تحلیلی چند وجهی است و بر اساس داده‌های موجود که توسط کاربران تولید شده، طراحی و تنظیم شده است. حتماً می‌دانید که در طراحی اینگونه گزارش‌ها نکات مختلف مانند: طراحی گرافیک جذاب، استفاده از اِلِمان‌هایی با وحدت رویه، اطلاعات مفید آماری، خلاصه‌سازی و دسته‌بندی قسمت‌ها و بسیاری نکات ریز و درشت دیگر بایستی مد نظر قرار بگیرد. اما برای طراحی گزارشی که در ذهن مخاطب حک شود نیاز به چند تکنیک و روش دیگر هم هست. ۳ قانون را می‌توان به عنوان قوانین اساسی برای طراحی یک گزارشِ به یاد ماندنی در نظر گرفت که به نظر می‌رسد می‌تواند گزارش و مصورسازی - visualization - را در ذهن مخاطب ماندگار کند: تفسیرِ شخصیِ داده‌ها در گزارش تا حد امکان کم باشد. به این معنی که تفسیرها، بینش‌ها و نظرات شخصیِ طراحانِ گزارش تا حد امکان در ارائه‌ی گزارش دخالت نداشته باشند. اگر تفسیری شخصی هم ارائه می‌شود، سریعاً داده‌هایی که تفسیر از روی آن‌ها انجام شده، به مخاطب عرضه گردد.از مقایسه برای درکِ مخاطب استفاده شود. به این دلیل که ذهن یک انسان عادی به بی‌سوادیِ آماری مبتلاست و نمی‌تواند اعداد و ارقام را مخصوصاً در بازه‌ی گسترده، درست تحلیل کند. پس مقایسه با اشیای واقعی و ملموس در بین این گزارش‌ها به شدت مورد نیاز است.نتیجه‌گرا باشد. این‌که انبوهی از داده‌ها به کاربر نهایی تزریق شود، شخصِ دریافت‌کننده دچار سرریز اطلاعات، بدون نتیجه‌گیریِ خاصی شده و این سرریز، باعث فراموشی زودهنگام این گزارش در ذهن مخاطب می‌شود. به تبع آن، گزارش نمی‌تواند در تصمیم‌گیری‌های آینده‌ی کاربر نقش به سزایی را ایفا کند.اگر نگاهی به گزارش سالیانه دیوار بیاندازید، موارد گفته شده در بالا، در آن به چشم می‌خورد به گونه‌ای که یک مخاطب می‌تواند بر اساس این گزارش، تحلیل‌ها و تفسیرهای مربوط به خود را داشته باشد و مبتنی بر آن تصمیم بگیرد. این همان تصمیم‌گیری مبتنی بر داده است که در عصر حاضر به عنوان یکی از ارکان قدرت در یک کسب‌و‌کار شناخته می‌شود.تعریف داستان و مقایسه، یک گزارش مبتنی بر داده را در ذهن مخاطب حفظ می‌کندمحدودیت یک کسب‌و‌کار برای همه‌ی ما کاملاً قابل درک است و نباید از هیچ کسب‌و‌کاری انتظارِ این را داشته باشیم که تمامی اطلاعات محصولات و کاربران خود را در اختیار عموم قرار دهد. با این حال در مورد دیوار، برخی از گزارش‌هایی را که به نظر می‌رسد می‌توانیم سال بعد در این گزارشِ سالیانه داشته باشیم را با یکدیگر مرور می‌کنیم.گزارش‌های مبتنی بر زماندیوار داده‌های مشاهده‌ی آگهی‌ها را در طول زمان دارد. همچنین داده‌های انتشار آن‌ها را بر اساس زمان. پس می‌توانیم از ترکیب گزارش‌های مختلف با زمان نیز بهره بگیریم. برای مثال اگر یک کاربر یا کسب‌و‌کار بداند که مشاهده‌ی آگهی‌ها در هر دسته در هر کدام از ماه‌های سال چقدر است، و یا بداند در کدام روزِ ماه، مشاهده‌ی درخواست‌های کدام دسته بیشتر یا کمتر شده، می‌تواند تصمیمی مبتنی بر این داده‌ها در کسب‌و‌کار خود بگیرد. برای مثال یک فروشنده‌ی خشکبار، ممکن است متوجه شود که در روزهای ابتدایی هر ماه، تقاضا برای مشاهده‌ی آگهی‌هایی در دسته‌بندی مورد نظرش بیشتر می‌شود، و با این بینش، گردش انبار یا خریدهای خود را مدیریت کند.ترکیب گزارش‌های مختلف و جزئی‌سازی گزارش‌هااز ترکیب گزارش‌های موجود هم می‌توانیم به عنوان نوعی گزارش جدید یاد کنیم. برای مثال یکی از گزارش‌های ترکیبی می‌تواند این باشد که هر کدام از گروه‌های سِنی، بیشتر به کدام دسته‌ها یا حتی زیر دسته‌ها تمایل دارند. برای مثال ممکن است متوجه شویم که جوانان در سن ۲۵ تا ۳۴ سال، بیشتر به دسته‌ی خرید وسائل خانه تمایل نشان می‌دهند.این آمارها می‌تواند در هر زیر دسته نیز جزئی‌سازی شوند، که باعث می‌شود تا آمارها یک سطح دیگر نیز پایین‌تر برود (در اصلاح drill down شود) و اطلاعاتِ جزئی‌تری در اختیار مخاطب قرار گیرد. معمولاً مخاطبانی که بخواهند به صورت تخصصی در کسب‌و‌کارشان از این داده‌ها استفاده کنند، نیاز به اطلاعات دقیق و جزئی دارند. برای نمونه بعد از جزئی‌سازی در گزارش‌ها، مثلاً در قسمت املاک متوجه شویم که کاربران در بازه‌ی سنی ۲۵ تا ۳۴ سال، در اواخر شهریور ماه، بیشتر به اجاره‌ی خانه‌های آپارتمانی تمایل دارند و یا کاربران در بازه‌ی سنی ۳۵ تا ۴۵ سال بیشتر به خرید خانه‌های ویلایی در اواسط زمستان، تمایل نشان داده‌اند. این خود می‌تواند نقشه‌ی راهی برای بنگاه‌ها و حتی سیاست‌گذاران حوزه‌ی املاک باشد.به عنوان مثالی دیگر از ترکیب داده‌ها و جزئی‌سازی می‌توان گفت که این ترکیب نمودار حتی می‌تواند در مورد ترکیب مناطق جغرافیایی با دسته‌بندی‌ها و زیر دسته‌ها هم اعمال شود. برای مثال اینکه هر کدام از استان‌ها بیشتر کدام دسته‌بندی‌ها را مشاهده کرده‌اند و یا این هر کدام از استان‌ها بیشترین آگهی را در کدام بخش‌ها قرار داده‌اند. همین‌کار می‌تواند در توزیع هر کدام از زیر دسته‌ها هم اعمال شود و یک بینش خاص به کسب‌و‌کارهای منطقه‌ای بدهد. مثلاً افرادی که می‌خواهند در کسب‌و‌کارشان گسترش ایجاد کرده، محصولات خود را از شهری به شهر دیگر ببرند، می‌توانند از این دست از گزارش‌ها استفاده کنند. برای نمونه کارگاه کوچکی که به فروش محصولاتش به استان‌های مجاور می‌اندیشد می‌تواند از این داده‌های توزیعی مبتنی بر جغرافیا بهره ببرد.خوشه‌بندی هوشمند مشتریانیکی از گزارش‌هایی که می‌تواند به بینش کلی در مورد مشتریان منجر شود، گروه‌بندی مشتریان بر اساس متغیرها یا همان ابعادِ مختلف است. فرض کنید برای هر کدام از مشتری‌ها متغیرهای زیر را در استخراج نماییم: تعداد محصولاتی که در هر کدام از دسته‌ها مشاهده کرده‌اند (مثلاً: در ماه اخیر ۲۰ آگهی در دسته املاک-اجاره آپارتمان مشاهده کرده است، ۱۰ آگهی در دسته اتومبیل-خرید اتومبیل و...). جمعاً ۱۰۰ متغیر برای ۱۰۰ دسته‌ی مختلف آگهی.هر در کدام از ساعات شبانه‌روز چقدر از دیوار استفاده کرده‌اند (مثلا: از ساعت ۷ تا ۸ صبح، مجموعاً ۱۰ دقیقه از دیوار استفاده کرده، از ساعت ۸ تا ۹ صبح، ۲۰ دقیقه و...). جمعاً ۲۴ متغیر برای ۲۴ ساعت شبانه‌روز.هر کدام از روزهای هفته چقدر از دیوار استفاده کرده‌اند (مثلاً: شنبه مجموعاً ۳۰ دقیقه از دیوار استفاده کرده، یکشنبه مجموعاً ۱۰ دقیقه، و...). جمعاً ۷ متغیر برای ۷ روزِ هفته.هر کدام از روزهای ماه چقدر از دیوار استفاده کرده‌اند (مثلاً: روز اول ماه مجموعاً ۱۰ دقیقه از دیوار استفاده کرده، روز دوم مجموعاً ۲۰ دقیقه، و...). جمعاً ۳۰ متغیر برای ۳۰ روزِ ماه.هر کدام از ماه‌های سال چقدر از دیوار استفاده کرده‌اند (مثلاً: در فروردین مجموعاً ۳۴۰ دقیقه از دیوار استفاده کرده، در اردیبهشت مجموعاً ۲۳۰ دقیقه، و...). جمعاً ۱۲ متغیر برای ۱۲ ماهِ سال.البته تعداد این متغیرها می‌تواند بسیار بیشتر از این باشد. این مجموعاً ۱۷۳ متغیر را به عنوان نمونه برای درک مثال آوردم.همان‌طور که می‌بینید با تبدیل هر مشتری به یک مجموعه‌ای متغیرها و ساخت ماتریسِ مشتریان، می‌توانیم عملیات خوشه‌بندی را با الگوریتم‌های مختلف بر روی آن‌ها انجام دهیم. حتماً می‌دانید که الگوریتم‌های خوشه‌بندی، داده‌ها را به گروه‌های مختلف و با معنی که دارای یک الگوی واحد باشد، تقسیم می‌کند. ممکن است بعد از خوشه‌بندی به گروه‌های زیر برسیم:یک گروه از مشتریان، بیشتر، آگهی‌های ساختمانی و مصالح را مشاهده کرده‌اند. این مشتریان معمولاً از ساعت ۷ بعد از ظهر تا ۱۲ شب و به صورت تقریباً مساوی در کل روزهای هفته و ماه، این آگهی‌ها را رصد کرده بودند.گروهی دیگر، مشتریانی هستند که بیشتر، آگهی‌هایی را مشاهده کرده‌اند که شامل خودروهای ارزان قیمت و همچنین اجاره‌ی آپارتمان‌هایی با قیمت متوسط و پایین بوده‌اند. این مشتری‌ها معمولاً در خرداد یا شهریور آگهی‌ها را رصد کرده‌اند.و یا گروهی دیگر از مشتریان هستند که به دنبال وسائل تفریحی یا مکان‌ها و تورهای تفریحی بوده‌اند. این افراد بیشتر، قبل از ظهر آگهی‌ها را مشاهده کرده‌اند و این رصد آگهی اکثراً در روزهای سه‌شنبه و چهارشنبه‌ی هفته اتفاق افتاده است.مشاهده می‌کنید که الگوریتم‌های خوشه‌بندی می‌توانند گروه‌هایی با معنا از میان داده‌ها را استخراج نمایند. این گروه‌ها شامل افرادی هستند از الگوهایی شبیه به هم پیروی می‌کنند و در واقع یک اجتماع را در میان داده‌های ما تشکیل داده‌اند. با درک این گروه‌ها و ارائه‌ی آن‌ها به صورت گزارش، می‌توان به تصمیم‌گیریِ کاربران و حتی در عملکردِ آن‌ها در کسب‌و‌کارشان جهت داد و برای آن‌ها ارزشِ افزوده ایجاد کرد....به نظر شما در گزارشِ سالیانه‌ی آینده از دیوار، کدام گزارش‌ها را (علاوه بر این گزارش‌ها) می‌توانیم داشته باشم؟ در قسمت کامنت‌ها زیر همین پُست بنویسید. مسعود کاویانی مسعود کاویانی Thu, 27 Aug 2020 01:58:58 +0430 https://virgool.io/dataio/%DB%B9%DB%B0-%D9%85%D9%86%D8%A8%D8%B9-%D8%A8%D8%B1%D8%A7%DB%8C-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%88-%D8%A8%D9%87-%D8%B1%D9%88%D8%B2-%D9%85%D8%A7%D9%86%D8%AF%D9%86-%D8%AF%D8%B1-%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-r039wonginxq یکی از راه‌های یادگیری و به روز ماندن در هر حوزه‌ای، مطالعه مقالات و مطالب منتشر شده در وب‌سایت‌ها و وبلاگ‌های موجود در سراسر وب است. در حوزه‌ی هوش مصنوعی و علوم داده هم از این دست منابعِ خوب و مفید کم نیستند. پس بیایید بدون فوت وقت به سراغ این منابع برویم. در زیر لیست ۹۰ منبع آموزشی که هر کدام، مقالات و نوشته‌های آموزشی زیادی در خود دارند را آورده‌ام تا علاقه‌مندان و متخصصان این حوزه، بتوانند با دنبال کردن و خواندن این مطالب، علم خود را افزایش داده و یا دانسته‌های خود را به روز نمایند (ترتیب مهم نیست!):تصویر۱. وب‌سایت MachineLearningMastery بدون شک یکی از بهترین وب‌سایت‌های حوزه‌ی داده‌کاوی است که مقالات و آموزش‌های غنی و پرباری دارد. توضیح جامع و پیش‌نیاز کم، از ویژگی‌های مقالات این وب‌سایت است.۲. وب‌سایت EliteDatascience که شامل مقالات با کیفیت و آموزش‌های متفاوتی است که در قسمت آموزش‌های این وب‌سایت می‌توانید مطالعه داشته باشید. همچنین در قسمت Primer این وب‌سایت می‌توانید به صورت قدم به قدم به یک متخصص علوم داده تبدیل شوید۳. وب‌سایت Kdnuggets که یکی از وب‌سایت معروف و پربازدید در حوزه‌ی داده کاوی، یادگیری ماشین و بیگ‌دیتا است. این وب‌سایت با داشتن مقالات و آموزش‌های بسیار زیاد، می‌تواند نقش موثری در به روز نگه داشتن علم متخصصان عل داده داشته باشد۴. وب‌سایت Kaggle در قسمت یادگیری خود، مقالات بسیار عالی و مفیدی را فراهم آورده که به یادگیری و تعمقِ درک مفاهیم در حوزه‌ی داده کاوی کمک می‌کند۵. قسمت علوم داده‌ی وب‌سایت Reddit نیز یکی دیگر از منابع غنی موجود در وب است که پیشنهاد می‌شود مطالعه‌ی آن را از دست ندهید. همچنین Reddit قسمتی در حوزه‌ی یادگیری ماشین نیز دارد۶. وبلاگ DataCamp هم شامل مطالب و نوشته‌های تخصصی رایگان در حوزه‌ی یادگیری ماشین و داده کاوی کاربردی است۷. وب‌سایت TowardsDatascience یکی دیگر از وب‌سایت معروف این حوزه است که نویسندگان متعدد، در حوزه‌ی علوم داده، مباحث و مقالات خود را می‌نویسند۸. وبلاگ Analyticsvidhya هم که احتمالاً برای بسیاری از متخصصان و علاقه‌مندان به حوزه‌ی علوم داده آشنا باشد. در این وب‌سایت آموزش‌های عملی بسیار زیاد و غنی را می‌توانید پیدا کنید۹. و‌لاگ DataScienceDojo نیز یکی دیگر از منابع پربار موجود در وب بوده که شامل مقالات و نوشته‌های متعدد در حوزه‌ی یادگیری ماشین و علوم داده است۱۰. وب‌سایت Datascience101 شامل مقالات متعدد، نوشته‌های آموزشی و همچنین اخبار آموزشی در این حوزه است۱۱. قسمت یادگیری ماشین وب‌سایت GeeksForGeeks آموزش‌های مربوط به یادگیری ماشین و داده کاوی را به صورت ساختاریافته و ترتیبی در اختیار علاقه‌مندان این حوزه قرار داده است۱۲. در بخش یادگیری ماشین GoogleNews می‌توانید اخبار و مباحث جدید هوش مصنوعی، علوم داده و یادگیری ماشین را دنبال کنید۱۳. وب‌سایت DataFloq مجموعه‌ای از مقالات را در حوزه‌ی علوم داده به صورت ساختار یافته در اختیار متخصصان و علاقه‌مندان این حوزه قرار داده است۱۴. وبلاگ DomioDataLab نیز شامل مقالات و نوشته‌های تخصصی در این حوزه است۱۵. وب‌سایت Data36 یکی دیگر از وب‌سایت مفید مرتبط با یادگیری ماشین و علوم داده است۱۶. وبلاگ RevolutionAnalytics برای آن دسته از علاقه‌مندانی است که اخبار حوزه‌ی هوش مصنوعی و یادگیری ماشین را دنبال می‌کنند. البته در این وبلاگ آموزش‌های مختلفی نیز وجود دارد۱۷. وبلاگ آقای Edwin Chen شامل مقالات عالی و مفیدی برای آموزش علوم داده است۱۸. وبلاگ آقای Pete Warden هم از دیگر وبلاگ‌های موجود در وب است که مطالب مفید و پرباری در حوزه‌ی داده کاوی و علوم داده دارد۱۹. وب‌سایت InsideBigData شامل مطالب مفید و اخبار حوزه‌ی بیگ‌دیتا است۲۰. قسمت هوش مصنوعی وب‌سایت تحقیقات گوگل نیز شامل مقالات و نوشته‌های ارزشمند و تخصصی در حوزه‌ی هوش مصنوعی، علوم داده و یادگیری ماشین است۲۱. وب‌سایت Nature در قسمت هوش ماشین، مقالات و نوشته‌های تخصصی و متعددی جهت آموزش مباحث حوزه‌ی یادگیری ماشین دارد۲۲. وب‌سایت DZone که یکی از وب‌سایت‌های با سابقه در حوزه‌ی علوم کامپیوتر است، مقالات متعددی در حوزه‌ی بیگ‌دیتا، علوم داده و هوش مصنوعی دارد. همچنین اخبار دنیای هوش مصنوعی نیز در نوشته‌های این وب‌سایت مشاهده می‌شود۲۳. وب‌سایت Codementor هم از وب‌سایت‌هایی است که مقالات و آموزش‌های مختلف علوم کامپیوتر را دارد. در قسمت علوم داده‌ی این وب‌سایت می‌توانید آموزش‌هایی خوبی پیدا کنید۲۴. در وبلاگ DataPlusScience مطالب ارزشمندی در خصوص مصور‌سازی و استخراج ارزش از میان داده‌ها وجود دارد۲۵. قسمت منابع وب‌سایت NGData نیز گردآوری چندین منبع آموزشی از وب‌سایت‌های مختلف دیگر است که برای بسیاری از متخصصین حوزه‌ی علوم داده جالب به نظر می‌رسد۲۶. بخش یادگیری ماشین وب‌سایت دانشگاه MIT، شامل مجموعه‌ای مقالات تخصصی و آموزشی در این حوزه است۲۷. وب‌سایت StatsAndBots شامل مقالات آموزشی در حوزه‌ی آمار یادگیری ماشین و علوم داده است۲۸. وبلاگ Indico مطالب متخلف تخصصی حوزه‌ی علوم داده را در خود دارد۲۹. وبلاگ BigML مقالات آموزشی و تخصصی در حوزه‌ی بیگ‌دیتا و یادگیری ماشین دارد۳۰. وبلاگ SemanticBits شامل مطالب آموزشی و کاربردی حوزه‌ی یادگیری ماشین است۳۱. وبلاگ آموزشی یادگیری ماشین آمازون، مقالات ارزشمند و غنی در حوزه‌ی بیگ‌دیتا، مصورسازی و علم داده دارد۳۲. وبلاگ شرکت اوبر، قسمتی به عنوان یادگیری ماشین دارد که مقالات تخصصی و کاربردی که در کسب‌و‌کار خود استفاده می‌کند را برای علاقه‌مندان به اشتراک می‌گذارد۳۳. وبلاگ شرکت معتبر Cisco در قسمت یادگیری ماشین از جمله وبلاگ‌های تولید کننده‌ی محتوای غنی در این حوزه است۳۴. وبلاگ شرکت Unity هم قسمتی در زمینه‌ی یادگیری ماشین دارد که مقالات آموزشی تخصصی حوزه‌ی علوم داده را با رویکرد بازی و بصری سازی در اختیار مخاطبان قرار می‌دهد۳۵. قسمت یادگیری ماشین وب‌سایت HacketEarth هم مقالات متعدد تخصصی در این حوزه دارد۳۶. وبلاگ هوش مصنوعی گوگل هم یکی دیگر از منابع غنی حوزه‌ی هوش مصنوعی است۳۷. دانشگاه CITY نیز قسمتی دباره‌ی یادگیری ماشین دارد که می‌توانید مطالب ارزشمندی در آن پیدا کنید۳۸. وبلاگ NanoNet هم شامل مطالب آموزشی و تخصصی در حوزه‌ی هوش مصنوعی است۳۹. وب‌سایت انتشارات Distill مطالب پربار و بسیار عالی در حوزه‌ی داده کاوی دارد۴۰. وبلاگ FastML شامل مطالب آموزشی تخصصی در حوزه‌ی یادگیری ماشین است۴۱. وبسایت SparkByExample یکی از وب‌سایت‌های آموزشی برای علاقه‌مندان به حوزه‌ی بیگ‌دیتا و پردازش توزیع شده است۴۲. وبلاگ DatumBox هم مطالب خوب آموزشی در حوزه‌ی علوم داده دارد۴۳. وبلاگ Asaydi شامل مطالب آموزشی و مقالات کاربردی یادگیری ماشین و داده کاوی است۴۴. در وب‌سایت Hunch می‌توانید مقالات تحقیقاتی تئوری و تخصصی در حوزه‌ی یادگیری ماشین پیدا کنید۴۵. در وب‌سایت Kraj3 هم مطالب آموزشی خوبی در حوزه‌ی انبار داده، علوم داده و یادگیری ماشین پیدا می‌شود۴۶. در وبلاگ Brighterion می‌توان اخبار و مطالب جدید در حوزه‌ی یادگیری ماشین را پیدا کرد۴۷. وب‌سایت MLFromScratch شامل مطالب مفید و مقالات کاربردی همراه با پیاده‌سازی در حوزه‌ی یادگیری ماشین است۴۸. مطالب و نوشته‌های وبلاگ DataDive هم برای متخصصین این حوزه مفید و کاربردی است۴۹. وبلاگ آقای Shakirm هم نوشته‌های خوبی در حوزه‌ی یادگیری ماشین دارد۵۰. وبسایت CalculatedContent مقالات عمیق و ارزشمندی در حوزه‌ی یادگیری ماشین و یادگیری عمیق گرد آوری کرده است۵۱. دو وبلاگ LetsDataSpeak و Mehebuba در بلاگ اسپات هم مطالب متنوع و کاربردی در حوزه‌ی یادگیری ماشین دارند۵۲. وبلاگ اقای Jan Gauthier شامل مطالب مفید تحقیقاتی و کاربردی تخصصی حوزه‌ی علوم داده است۵۳. قسمت یادگیری ماشین وب‌سایت TechLadder مطالب و مقالات ارزشمندی در حوزه‌ی داده‌کاوی جمع‌آوری کرده است۵۴. دو وبسایت‌های DeepLearningWeekly و AIWeekly اخبار مفید و مهمی در حوزه‌ی یادگیری ماشین، یادگیری عمیق و هوش مصنوعی در اختیار مخاطبان قرار می‌دهند۵۵. در وبلاگ MLAIT هم می‌توانید نوشته‌های ارزشمندی در حوزه‌ی هوش مصنوعی و یادگیری ماشین پیدا کنید۵۶. وبلاگ Semasuka در گیتهاب هم یکی از منابع غنی حوزه‌ی علوم داده است۵۷. در وب‌سایت MachineLernings مقالات تخصصی و تحقیقاتی پایه و کاربردی در حوزه‌ی یادگیری ماشین آورده شده است۵۸. در وب‌سایت DataVersity هم اخبار و مقالات کاربردی تخصصی در حوزه‌ی علوم داده یافت می‌شود۵۹. وب‌سایت Data-Annotation مقالات کاربردی در حوزه‌ی علوم داده را در خود دارد۶۰. وبلاگ Brodmann17 هم از جمله وبلاگ‌هایی است که مطالب مفیدی در این حوزه دارد۶۱. وبلاگ Machinelearning-blog شامل اخبار و مطالب مفید حوزه‌ی یادگیری ماشین است۶۲. وب‌سایت ماکروسافت نیز قسمتی در حوزه‌ی یادگیری ماشین دارد که مطالب ارزشمندی در آن پیدا می‌شود۶۳. وب‌سایت ژورنال یادگیری ماشین مقالات تخصصی در حوزه‌ی یادگیری ماشین را به صورت رایگان در اختیار عموم قرار داده است۶۴. وبلاگ DataRobot شامل مطالب ارزشمند و تخصصی علوم داده است۶۵. وبلاگ OpenAI هم شامل مطالب ارزشمند و کاربردی حوزه‌ی یادگیری عمیق و یادگیری تقویتی است۶۶. در قسمت آموزش وب‌سایت Cloudera نیز مطالب حوزه‌ی یادگیری ماشین با رویکرد پردازش ابری وجود دارد۶۷. اخبار و نوشته‌های وبلاگ ComouterVisionBlog نیز از جمله منابع خوب در این حوزه در وب است۶۸. وب‌سایت DataExilir توییت‌های مرتبط با حوزه‌ی علوم داده را جمع‌آوری کرده است۶۹. شرکت فیسبوک هم در وبلاگ هوش مصنوعی خود مطالب متعدد و با کیفیتی در حوزه‌ی هوش مصنوعی قرار داده است۷۰. شرکت چینی بایدو نیز توانسته وبلاگ مفیدی در زمینه‌ی هوش مصنوعی کاربردی ایجاد کند۷۱. شرکت DeepMind نیز به صورت تخصصی وبلاگی را راه اندازی کرده که مطالب ارزشمند و مفیدی در حوزه‌ی علوم داده و یادگیری عمیق دارد۷۲. قسمت اخبار وب‌سایت AllenAI شامل اخبار و نوشته‌های مفید در حوزه‌ی علوم داده و هوش مصنوعی است۷۳. وب‌سایت PartnershipOnAI هم قسمتی از وب‌سایت خود را صرف آموزش و مطالب مفید حوزه‌ی یادگیری ماشین کرده است۷۴. قسمت نرم‌افزاری شرکت Intel هم مطالب مفید و غنی در حوزه‌ی یادگیری ماشین و داده کاوی دارد۷۵. قسمت یادگیری ماشین وب‌سایت InfoQ را هم از دست ندهید۷۶. وب‌سایت PyImageSearch هم از وب‌سایت خوب و تخصصی در حوزه‌ی مقالات کاربردی تخصصی یادگیری ماشین با محوریت بینایی ماشین است۷۷. قسمت یادگیری ماشین وب‌سایت W3Schools هم می‌تواند برای دوستان تازه‌کار راهگشا باشد۷۸. قسمت آموزشی وب‌سایت LearnDataSci نیز دارای مطالب کاربردی در حوزه‌ی علوم داده است۷۹. اگر در وب‌سایت Guru99 نیز بگردید، مطالب کاربردی و ارزشمندی در حوزه‌ی برنامه‌نویسی داده کاوی پیدا خواهید کرد۸۰. در قسمت منابع آموزشی وب‌سایت Algorithmia هم می‌توانید مطالب و اخبار هوش مصنوعی را دنبال کنید۸۱. بخش آموزشی علوم داده وب‌سایت IBM هم از دیگر منابع غنی آموزشی در فضای وب است۸۲. در وب‌سایت AdventuresinMachineLearning نیز مطالب و نوشته‌های بسیاری در حوزه‌ی داده کاوی وجود دارد۸۳. وبلاگ HumanOfData از سایت Atlan نیز مطالب خوبی در حوزه‌ی داده و کاربرد آن دارد۸۴. در وبلاگ سایت HyperionDev نیز قسمتی در حوزه‌ی داده کاوی وجود دارد۸۵. اگر در وب‌سایت DataSciencePlus هم جستجو کنید، احتمالا بتوانید مطالب و مقالات جدید و ارزشمندی پیدا کنید۸۶. وبلاگ Data-Flair هم از جمله وب‌سایت‌هایی است که نباید مطالب آن را از دست داد۸۷. وبلاگ IntelliPaat هم از وبلاگ‌های معتبر و تخصصی در این حوزه است۸۸. آموزش‌های وب‌سایت DeepLearning هم می‌توانند مفید و کارا باشند۸۹. در وب‌سایت PyTorch هم منابع آموزشی کاربردی خوبی پیدا می‌شود۹۰. همچنین مجموعه‌ای از مقالات و آموزش‌های تخصصی در این صفحه گیت‌هاب آماده شده است مسعود کاویانی مسعود کاویانی Sun, 17 May 2020 04:25:32 +0430 https://virgool.io/dataio/%D9%85%D8%B1%DA%AF-%D9%88-%D9%85%DB%8C%D8%B1-%D8%AA%D9%88%D8%B3%D8%B7-%DA%A9%D8%B1%D9%88%D9%86%D8%A7-covid-19-%D8%A8%D9%87-%D8%B1%D9%88%D8%A7%DB%8C%D8%AA-%D8%A2%D9%85%D8%A7%D8%B1-idtoixoxo6fl در ۲۸ بهمن‌ماه سال جاری (سال ۹۸) مرکز CCDC چین، آمار مرگ و میر این ویروس کرونا را در بین حدود ۷۲ هزار فرد مبتلا به ویروس انتشار داد. دانستن این آمار، می‌تواند به تصمیم‌گیری و کنترل درست‌تر اوضاع کمک کرده و واقعیت را بر اساس آمار نمایش دهد.مرگ و میر بر اساس سنبا توجه به آمار منتشر شده، درصد بالایی از مرگ و میرها در سنین بالاتر رخ داده است. جدول زیر آمار ارائه شده به تفکیک رده‌ی سنی را نشان می‌دهد:درصد مرگ و میر = احتمال اینکه اگر شخصی به کرونا مبتلا شود، فوت کند (برای مثال از میان ۱۰۰۰ نفری که در بازه‌ی ۱۰ تا ۱۹ سال کرونا گرفته‌اند، ۲ نفر فوت کرده‌اند) مرگ و میر بر اساس جنسیتآمارها نشان داده‌است که مرگ و میر در مردان بیشتر از زنان بوده است. جدول زیر آمار مرگ و میر به تفکیک جنسیت را مشخص کرده است:درصد مرگ و میر = احتمال اینکه اگر شخصی به کرونا مبتلا شود، فوت کند (برای مثال از میان ۱۰۰۰ نفر مردی که کرونا گرفته‌اند، ۲۸ نفر فوت کرده‌اند) مرگ و میر بر اساس بیماری قبلینکته‌ی دیگر در میان این آمارها این است که داشتن بیماری به جز کرونا، می‌تواند احتمال فوت را افزایش دهد. جدول زیر نسبت مرگ و میر انسان‌هایی را نشان می‌دهد که دارای یکی از بیماری‌های زیر بوده‌اند:درصد مرگ و میر = احتمال اینکه اگر شخصی به کرونا مبتلا شود، فوت کند (برای مثال از میان ۱۰۰۰ نفر مردی که کرونا گرفته‌اند و بیماری قبلی عروقی نیز داشته‌اند، ۱۰۵ نفر از آن‌ها فوت شده‌اند) منبع: اینجا و اینجا مسعود کاویانی مسعود کاویانی Mon, 24 Feb 2020 22:13:12 +0330 https://virgool.io/@masoudkaviani/%D9%86%D9%88%DB%8C%D8%AF-%D9%85%D8%AD%D9%85%D8%AF%D8%B2%D8%A7%D8%AF%D9%87-%D8%B9%D9%88%D8%A7%D9%85%DA%AF%D8%B1%D8%A7%DB%8C%DB%8C-%D9%88-%D8%AA%D8%A6%D9%88%D8%B1%DB%8C%D9%90-%D8%B3%D8%A7%DB%8C%D9%87%D8%A8%D8%A7%D9%86-iuwq4xeqw1ni پی‌نوشت یک: در این پست منظور از نوید محمدزاده، سلبریتی‌ها هستند و شخصِ نوید محمدزاده منظور نیست. ممکن است نوید محمدزاده این بازیگرِ خوب ایرانی زندگی خود را صرف اعمال نیک و خیر کرده باشد و ما از آن بی‌اطلاع باشیمپی‌نوشت دو: در صحبت من کمی بی‌انصافی نسبت به سلبریتی‌ها و بقیه‌ی زیرِ سایه‌بان‌نشین‌ها وجود داردتئوریِ سایه‌بان چیست؟ فرض کنید مردمِ جامعه در یک منطقه‌ی بسیار گرم هستند که آفتاب همه را می‌سازند و مردم هم طبیعتاً از گرما بدشان می‌آید. در این جامعه، یک سری نقاط وجود دارد که سایه‌بان موجود است و خنک هستند. عده‌ای به هر قیمتی که شده (یا با قانون یا بی‌قانون) خود را به مناطق سایه‌بان می‌رسانند و شروع به زندگیِ راحت و خنک می‌کنند ولی وجدانشان اجازه نمی‌دهد که به فکر بقیه نباشند و یا این‌که زیر کولر بودنِ خود را مدیون نگاه و ثروت بقیه‌ی افرادِ زیر آفتاب مانده هستند. پس مدام بقیه‌ی آدم‌هایی که در گرما هستند را نصیحت کرده و یا خود را دوستار آن‌ها نشان می‌دهند. برای مثال به آدم‌هایی که زیر آفتاب هستند می‌گویند که باید صبر و تحمل خود را بالا ببرند و یا در روز سه بار آب بنوشند تا خنک شوند و یا این‌که چشم‌هایشان را ببندند و خیال یک منطقه‌ی سردسیری را در ذهن خود بپرورانند تا بتوانند گرمای سوزان آفتاب را تحمل کنند.حتما کلیپ نوید محمدزاده در مذمتِ آزار خیابانی را دیده‌اید که اگر ندیده‌اید در این‌جا می‌توانید ببینید. در این کلیپ نوید محمدزاده، می‌گوید که نباید زنان را در خیابان آزار داد و خشونت علیه زن را محکوم کرده است. خب تا این‌جا حرفش درست است و ما هم این حرکات را توسط مردان محکوم می‌کنیم. ولی سوال این‌جاست که جناب نوید محمدزاده یا دیگر سلبریتی‌هایی که می‌توانند با یک بشکن هزاران دختر را دور و بر خود جمع کنند، آیا در مقامی هستند که آن پسر جوانی را که احتمالا جایی در زندگی سر خورده شده و می‌خواهد زور خود را سر دخترکِ بیچاره‌ی دیگری خالی کند، نصیحت کنند؟ آن دخترکی که پول خرید ماشین نداشته و مجبور بوده در مرکز یا پایین شهر زندگی کند و مسیری را از مترو تا خانه پیاده برود و گرفتار عقده‌ای اجتماعی که در پسرکی نهفته شده است، بشود. آیا آن سلبریتی نمی‌توانست پول خود را به جای خرید یا اجاره‌ی خانه‌ی گران قیمت و یا اتومبیل گران قیمت صرف موسسه‌ای نماید که به بررسی آسیب‌های اجتماعی بپردازند؟ پول خودش هست و هر طور دوست داشت می‌تواند خرج کند؟ اوکی! پس آن پسرک هم زور خودش هست و هر جور بخواهد می‌تواند خرج کند. اگر زور پسرک مستقیماً دخترکی را آزار می‌دهد، پول آن سلبریتیِ مالیات نده هم به صورت غیر مستقیم به جای ایجاد ارزش و اشتغال تحصیل‌کرده‌ها، صرف خرید و ساخت خانه و اتومبیل گران قیمت شده است.آیا بهتر نیست آن سلبریتی، به جای انتقاد از جامعه‌ی زیر آفتاب‌نشین، یک بار، جامعه‌ی زیر سایبان‌نشین را به خاطر همه‌ی کم‌کاری‌هایی که در عرصه‌ی جامعه برای ایجاد عدالت اجتماعی کرده‌اند، نصیحت کند؟ یعنی خود و امثال خود را نصیحت کرده و به دنبال راه‌حل «از سمت خود» به جای راه‌حل «از سمت دیگری» بگردد؟جمع‌بندی این است که نکاتی که هر روز توسط افراد مختلف می‌بینیم، آن‌چنان که به نظر ساده می‌آیند نیستند. جامعه‌ی امروزی یک شبکه‌ی بی‌نهایت پیچیده است که به این راحتی‌ها نمی‌شود در موردش نظر داد و حکم صادر کرد و از متفکران انتظار می‌رود که راحت خود را اسیر این تفکرهای ساده انگارانه‌ی عوام جذب کن نشوند. البته که قطعاً این هم حرکت مثبتی است و نمی‌شود به انتشار این دست از مطالب خرده گرفت. نکته‌ی پایانی این است که به جای نصیحت دیگران، سریعاً نقش خود را در وضعیت موجود شناسایی کرده و شروع به انجام یک عمل واقعی از سمت خودمان کنیم. مسعود کاویانی مسعود کاویانی Thu, 05 Dec 2019 00:05:31 +0330 https://virgool.io/@masoudkaviani/%D9%85%D9%86-%D9%85%D8%B1%DB%8C%D9%85-%D9%85%DB%8C%D8%B1%D8%B2%D8%A7%D8%AE%D8%A7%D9%86%DB%8C-%D9%87%D8%B3%D8%AA%D9%85-%D9%BE%D8%AF%D8%B1%D9%85-%D9%87%D9%85-%D9%85%D8%B1%DB%8C%D9%85-%D9%85%DB%8C%D8%B1%D8%B2%D8%A7%D8%AE%D8%A7%D9%86%DB%8C-%D8%A8%D9%88%D8%AF-u5sz2iuzzzda مریم میرزاخانی که بود؟ دو پاسخ به این سوال وجود دارد: او یک جسم شامل سر، پا، دست و غیره بود...او یک فکر بود (یعنی یک موجودی که دارای قوه‌ی تفکر و ادراک است)طبیعتاً انسانِ امروزی، به سوال فوق پاسخ شماره‌ی ۲ را خواهد داد. در واقع هر کدام از ما برای تعریف فوق، پاسخ ۲ را بهتر از پاسخ شماره‌ی ۱ می‌دانیم. حالا با این فرض بیاییم ببینیم که مریم میرزاخانی به عنوان یک فکر در این عالمِ هستی به صورت خلاصه چگونه شکل گرفت؟طبیعتاً او در یک بیمارستان در ایران تحت نظر یک پزشک و ماما متولد شد. مادرش به او شیر داد و در دوران کودکی از غذاهایی مانند نان و پنیر و این‌ها که توسط کشاورزان یا دامداران تولید شد، استفاده کرد. به مدرسه رفته و توسط معلمی آموزش دید. به دانشگاه رفته و توسط استادی آموزش دید. به خارج مهاجرت کرد و با خواندن نظریه‌ی تایشمولر، ریاضی‌دان آلمانی و دیگر افراد، به یک نظریه‌ی جالب دست یافت و توانست یکی از مدال‌های بزرگ ریاضی در سطح جهان را به دست بیاورد.ببینید، اگر میرزاخانی را یک تفکر در نظر بگیریم، تمامیِ افرادی که در پاراگراف بالا، بُلد (بزرگ) کردم، و بسیاری دیگر از افراد، در درست شدنِ این تفکر نقش داشته‌اند. پدرِ من که کارگر یک شرکت کوچک در شهری کوچک بود هم با دادن مالیاتش که در واقع قسمتی از تامین بودجه برای معلم مریم میرزاخانی و دانشگاهش بود، در ایجاد این تفکر به نوعی سهیم بوده است. آن پزشکی، آن ماما، آن مادر، آن پدر و...جالب است بدانید که مریم میرزاخانی یکی از بازماندگان حادثه‌ی سقوط اتوبوس سال ۷۶ دانشجویان شریف بوده که حدوداً ۷ نفر از آن‌ها جان باخته بودند. شاید اگر اتوبوس چند سانتی‌متر اینورتر یا آنورتر می‌خورد مریم میرزاخانی نداشتیم یا شاید ۷ مریم میرزاخانیِ دیگر داشتیم. شاید اگر جاده‌ی بهتری داشتیم، الان ۷ مریم میرزاخانی داشتیم و یا شاید اگر جاده‌ کمی بدتر بود، الان مریم میرزاخانی نداشتیم.عکس از ایسناتمامیِ اشیا و رویدادهایی که در بالا گفتم، خود نیز محصول ارتباط با دیگر افراد هستند. سازنده‌ی آن جاده که تصادف در آن انجام شد. سازنده‌ی اتوبوس و ... (که تا صبح هم می‌توان نقطه گذاشت)خوب که چی؟ نتیجه‌ی گیریِ اخلاقی را بگو؟ می‌خواهم بگوییم ذهن انسان قادر به تحلیل این مسائل در هنگام تصمیم‌گیری نیست. ذهن انسان معادل یک لامپ ۴۰ واتی مصرف دارد. پس ذهن، همواره سعی دارد از طریق چیزی به اسم هیوریستیک (heuristic) یا همان ابتکار، راه‌حل‌های کوتاه و سریع برای ماجراها پیدا کند. مثلاً سریع بگوید: «میرزاخانی نخبه بود دیگه و هوش بالایی داشت». ولی این ذهنِ تنبلِ ما نمی‌خواهد تحلیل کند که این نخبگی چگونه شکل گرفته؟ چه عواملی در تولید این نخبگی تاثیر داشته‌اند؟ خیلی‌های دیگر نخبه بودند ولی در اثر یک اتفاق از دست رفتند. نقش من در تولید این نخبگی چیست؟ و هزاران سوال دیگر. البته که از یک ذهنی که فقط به اندازه‌ی یک لامپ ۴۰ واتی انرژی مصرف می‌کند، نمی‌توان انتظار بیشتر از این داشت.نتیجه‌گیری اخلاقی هم این‌که سعی کنیم ذهنمان رو قوی‌تر کنیم و این کار را با کتاب خواندن و تفکر و مدیتیشن انجام دهیم. کتاب بخوانیم تا مغزمان بیشتر فکر کند و این روابط در هنگام تصمیم‌گیری بیشتر در ذهنمان تفسیر شوند تا بتوانیم تصمیمات بهتر و درست‌تری بگیریم. چون با کتاب خواندن، ذهن می‌تواند بیشتر روابط را کشف کرده و سعی کند برای هر مسئله‌ای میان‌برِ لحظه‌ای نزند. مسعود کاویانی مسعود کاویانی Wed, 18 Sep 2019 23:24:41 +0430 https://virgool.io/@masoudkaviani/%D8%AD%D8%A7%D9%84%D8%A7-%DA%A9%D9%87-%D8%A7%D8%B3%D9%84%DA%A9-%D8%AA%D8%AD%D8%B1%DB%8C%D9%85-%D8%B4%D8%AF%D9%87-%DA%86%DB%8C-%DA%A9%D8%A7%D8%B1-%DA%A9%D9%86%DB%8C%D9%85-%D9%86%D9%85%D9%88%D9%86%D9%87-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86%DB%8C-fdhihaykb0d8 پیش‌نویس ۱: من اهل تبلیغ نیستم، ولی واقعاً همیشه نرم‌افزارها و راه‌کارهای خوب ایرانی را معرفی کرده‌ام. امروز هم می‌خواهم یکی از آن‌ها را که به نظرم واقعاً خوب آمد، معرفی کنم.معمولاً من از ترلو (Trello) استفاده می‌کردم. چون خیلی ساده بود و کارها را به ساده‌ترین شکل ممکن با امکانات قابل قبول (و البته رایگان) در اختیار برنامه‌نویس‌ها قرار می‌داد (البته هنوز هم می‌دهد). ترلو خیلی خیلی ساده و خیلی خیلی کاربردی است. برای برگزاری همایش یا حتی برگزاری یک پیک‌نیک هم می‌تونید ازش استفاده کنید. البته امکاناتش هم خیلی زیاد نیست و تمرکزش بر روی سادگی طراحی هست.مورد بعدی، استفاده از Board خود گیت‌لب است. اگر از گیت‌لب (به صورت محلی یا بر روی gitlab.com) استفاده می‌کنید، در منوی Issue می‌توانید مانند ترلو، صفحات مختلف کاری و وظایف را بسازید. یکی از مزیت‌هاش این هست که قابلیت یکپارچگی با کاربران و commitهای گیت‌لب را دارد. البته که گیت‌لب برای کار دیگری ساخته شده است و قابلیت‌های مثل چت راحت و دسترسی بر روی PC یا موبایل را به سادگی ندارد.حالا بریم سر اصل کار و معرفی نرم‌افزار ایرانی بالونت. امروز یکی از دوستان باهام تماس گرفت و گفت ما یه نرم‌افزار هست که داریم دو سالی روش کار می‌کنیم (قبل از تحریم اسلک). منم رفتم دانلود کردم و باهاش کار کردم و به نظرم نرم‌افزار خوب و سریعی بود. یعنی کاری که باید می‌کرد را می‌کرد. این نرم‌افزار اسمش، بالونت هست. بالونت برای همین کار طراحی شده. حال و حوصله‌ی تبلیغ ندارم. پس امکاناتش رو می‌تونید توی سایت خودش مشاهده کنید. یکی از ویژگی‌هایی که خود من خیلی دوسش داشتم اینه که نرم‌افزار خیلی راحت و سریعی هست (احتمالاً سرورهاش تو ایرانه) و برای اندروید، لینوکس، ویندوز و وب، نسخه‌های جدا داره.تلگرام، Hangouts، واتس‌آپ و غیره هم که البته برای چت سریع (Instance Messaging) ساخته شده‌اند، می‌توانند جایگزین خوبی باشند. البته طبیعتاً این نرم‌افزارها صرفاً برای تبادیل پیام ساخته شده است و خیلی نمی‌توان از آن‌ها انتظار مدیریت پروژه را داشت. چند تا جایگزین دیگر هم هستند. سایت Feelp، نرم‌افزار Webex که توسط Cisco طراحی شده است و هزاران نرم‌افزار جایگزین هستند که می‌توانید به جای اسلک استفاده کنید. مسعود کاویانی مسعود کاویانی Sun, 14 Jul 2019 22:15:35 +0430 https://virgool.io/apieco/%D8%B2%D9%86%D8%AF%DA%AF%DB%8C-%D8%A8%D9%87-%D8%B9%D9%86%D9%88%D8%A7%D9%86-%D8%B3%D8%B1%D9%88%DB%8C%D8%B3-laas-%D8%B3%D8%A8%DA%A9-%D8%AC%D8%AF%DB%8C%D8%AF%DB%8C-%D8%A7%D8%B2-%D8%B2%D9%86%D8%AF%DA%AF%DB%8C-k7r9i4lm6pmt دو سناریوی زیر را در نظر بگیرید:۱. صبح از خواب بلند شده‌اید، می‌خواهید به سمت محل کار حرکت کنید. سوار اتومبیل شخصی می‌شوید، یک آهنگ پخش می‌کنید و در ترافیک شروع به حرکت می‌کنید. در راه یادتان می‌آیند که بنزین نزده‌اید. نیم ساعت در ترافیک پمپ بنزین تلف می‌کنید و با تاخیر به محل کار می‌رسید که معمولاً جای پارکی ندارد. با اعصابی ناراحت به دنبال جای پای می‌گردید و در نهایت با چندین کلیومتر فاصله، اتومبیل خود را در یک جای نامناسب پارک می‌کنید.۲. صبح از خواب بلند شده‌اید، یک تاکسیِ اینترنتی می‌گیرید و راننده‌ی خوش‌برخورد در عرض کمتر از ۵ دقیقه به شما می‌رسد. به کتاب خواندن در ماشین مشغول می‌شوید و بدون دغدغه‌ی بنزین و جای پارک، به مقصدِ خود می‌رسید. راننده که به دنبال امتیاز کامل از نرم‌افزارِ تاکسیِ اینترنتی است، به جای غر و لند کردن، به شما احترام گذاشته و روز خوبی را برای شما آرزو می‌کند. قیمت هم بدون چانه‌زنی از قبل مشخص است.سناریوی دوم در واقع حالتی از سبکِ زندگیِ جدیدتر هست. سبک زندگی‌ای که شما را ترغیب به استفاده از سرویس‌های مختلف به جای مالکیت آن‌ها می‌کند. در مثالِ بالا، شما به جای این‌که یک اتومبیل داشته باشید که ۹۵ درصدِ مواقع بی‌کار است، سرویسی وجود دارد که هر موقع به اتومبیل احتیاج داشته باشید، اتومبیل را در اختیارتان قرار می‌دهد.لفظِ AAS_ در حوزه‌ی نرم‌افزار بسیار محبوب و معروف hsj. به این صورت که به جایِ خرید یک نرم‌افزار، ماهیانه مبلغی را پرداخت می‌کنید تا بتوانید از ویژگی‌های آن نرم‌افزار عموماً بر بستر وب استفاده کنید. مثلاً به جای این‌که یک فتوشاپ بخرید، با پرداخت مبلغی ماهیانه، از یک فتوشاپِ آنلاین استفاده می‌کنید. و یا به جای این‌که آلبوم موسیقی را خریداری کنید، با پرداخت آنلاین ماهیانه، از سرویس‌هایی مانند Spotify استفاده می‌کنید. به این نوع نرم‌افزارها Software as a Service یا به اختصار SAAS گفته می‌شود. البته در این نوشته منظورِ ما فقط نرم‌افزار نیست. در واقع سرویسی شدن، یک نوع سبکِ زندگی است.هر چیزی که مالک آن هستید، بایستی کاری انجام دهد و ارزشِ آن به اندازه‌ی کاری هست که انجام می‌دهد. مثلاً ماشین لباس‌شویی، به خودیِ خود ارزشمند نیست. بلکه به خاطر شستشوی لباس‌ها که وظیفه‌ی آن است، ارزش پیدا می‌کند. اتومبیل نیز به خودیِ خود ارزشمند نیست. بلکه به خاطر خدماتی مانندِ جابه‌جایی انسان ارزش ایجاد می‌کند. اگرچه که به مرور زمان، یک جنس ارزش ذاتی پیدا می‌کند. مثلاً در نظر بسیاری از افراد، یک اتومبیل صرفاً وسیله‌ی جابه‌جایی نیست. بلکه نمایشی است از ثروت و قدرت و عزتِ مادی!در زندگیِ سرویسی شما به جای تملکِ یک شی، از سرویس یا خدمتی که آن شی به شما می‌دهد بهره می‌برید. برای مثال به جای این‌که اتومبیلِ شخصی داشته باشید از سرویس‌هایی مانند اوبر، یا مشابه داخلی مانند اسنپ و تپسی استفاده می‌کنید. به جای خریدِ یک ماشینِ لباس‌شویی، می‌توانید از لباس‌شویی‌های آنلاین استفاده کنید. به جای خریدِ آلبوم موسیقی، با اشتراک در سرویس‌هایی مانند Spotify یا مشابه‌های داخلی، موسیقیِ مورد نظر خود را آنلاین گوش می‌دهید.نکته‌ی مهم در تبدیل سبک زندگی به حالتِ سرویسی این است که باید یک قشر عظیم از جامعه از آن سرویس استفاده کنند، تا صاحبان آن کسب‌و‌کار (یعنی کسانی که آن سرویس‌ها را دارند) بتوانند خدماتی مقرون به صرفه ارائه کنند. مثلاً اگر همه‌ی افراد جامعه از سرویس‌های تاکسی‌های اینترنتی استفاده کنند، معمولاً راننده‌های این شرکت‌ها بیکار نمی‌مانند و درآمدشان بالا می‌رود، این کار باعث می‌شود رانندگانِ زیادی به این سرویس‌ها مهاجرت کنند، پس قیمت رقابتی‌تر و کمتر می‌شود و مردم باز هم بیشتر از آن‌ها استفاده می‌کنند. به این صورت یک سیکلِ مثبت ایجاد شده و شیِ موجود در آن سرویس (مثلاً اتومبیل) از حالتِ تملکِ اشخاص خارج شده و به یک سرویسِ مقرون به صرفه تبدیل می‌شود.زندگی سرویسی یک سبک خیلی جدید از زندگی نیست. برای مثال در زیر، یک سری جایگزین را برای اجناسی که معمولاً در زندگی از آن‌ها استفاده می‌کنیم می‌آورم تا شاید جرقه‌ای در ذهن خودم و شما روشن شود:گاز و قابلمه و وسائل آشپزی: کترینگ‌ها و رستوران‌هاوسائل ورزشی خانگی مانند تردمیل: باشگاه‌های بدن‌سازیداشتن یک خانه‌ی مجلل و بزرگ و باغچه: استفاده از پارک‌ها و محیط‌های عمومی مانند باشگاه انقلاب تهرانخرید کتاب: اشتراک سالیانه آموزش‌های آنلایناستفاده از تکنولوژی و پیشرفت‌های حوزه‌ی فناوری اطلاعات، گذار از سبکِ مالکیتی به سبکِ سرویسی احتمالاً بسیار ساده و سریع‌تر شده است و به نظر می‌رسد این سرویس‌ها باعث صرفه‌جویی‌های کلانی در بسیاری از حوزه‌ها می‌شوند. مسعود کاویانی مسعود کاویانی Sun, 10 Mar 2019 22:52:19 +0330 https://virgool.io/@masoudkaviani/sharif-jzykudfyes8g صحبت‌هایی که هر از چندگاهی از دوستان(در خلوتِ دوستی) مبنی بر نقد بچه‌های دانشگاه صنعتی شریف و دانشجوهای آن می‌شنیدم، این روز‌ها به کف تایم‌لاینِ توییتر آمده بود و همه درباره‌ی آن صحبت می‌کردند. به طور مشخص، بحث بر تبعیض تحصیل‌کردگان دانشگاه شریف(که به شریفی‌ها معروف هستند) و غیرِشریفی‌ها بود. اجازه بدهید ابتدا به مثالی از تبعیض نژادی که در آفریقا به آپارتاید معروف بود بپردازیم. به طور خلاصه به داستان زیر از ویکی‌پدیا دقت کنید:دوتن از مخالفان اصلی آپارتاید، استیو بایکو و نلسون ماندلا بودند. استیو بایکو به حکومت سیاهان اعتقاد داشت، در حالی که ماندلا به حقوقی مساوی برای تمامی اهالی آفریقای جنوبی معتقد بود. در سال ۱۹۶۲، ماندلا دستگیر شد و پس از محاکمه به حبس ابد محکوم گردید. در سال ۱۹۹۰، ماندلا در سن ۷۲ سالگی آزاد شد و مبارزه برای حقوق انسانی اهالی آفریقای جنوبی را از سر گرفت. سرانجام اف دبلیو دکلرک رئیس جمهور آفریقای جنوبی با او وارد مذاکره شد. یک سال بعد، کنگره ملّی آفریقای جنوبی پیروز شد و ماندلا به ریاست جمهوری رسید و رژیم آپارتاید در مورد سیاهپوستان،لغو گردید.sahistory.org.za/article/despite-1994-political-victory-against-apartheid-its-economic-legacy-persists-haydn-cornish-چیزی که معلوم است، برتری دادنِ یک نژاد سفید به یک نژاد سیاه مذموم است و جامعه‌ی بشری به این نقطه رسیده است که شخصی به خاطر رنگِ پوست بر دیگری برتریِ امکانات نداشته باشد. ولی انگار ماجرا همین‌جا تمام می‌شود و برای قدم گذاشتن بر پله‌ی بعدیِ برابری بایستی کمی بیشتر تفکر و تعمل کنیم.بیایید فرض کنیم که شریفی بودن یک نژاد است(نژاد اکتسابی)، سوال این‌جا پیش می‌آید که آیا برتری دادن به شریفی‌ها(در کسب‌و‌کار، اجتماع، تحصیلات و ارتباطات) کار درستی است یا غلط؟ آیا این یک نوع آپارتاید است یا نمی‌توان این را تبعیضِ بد نامید؟ آیا اصلاً در طول تاریخ بشر تبعیضِ خوب هم داریم؟در این‌جا یک مثال مدیریتی می‌آورم تا با دو نوع رویکرد آشنا شویم:عده‌ای اعتقاد دارند که برای مدیرانِ دولتی بایستی یک اتومبیل شخصی همراه با یک راننده‌ی شخصی وجود داشته باشد تا آن‌ها دیگر دغدغه‌ی جای پارک، رانندگی در ترافیک و... را نداشته باشند و بتوانند روی مسائلِ مهم‌تر تمرکز کرده و تصمیمات بهتری بگیرند. در مقابل عده‌ی دیگر اعتقاد دارند، مدیران بایستی خودشان رانندگی کنند تا هم مخارج دولت(و جامعه) کمتر شود، هم این مدیران با دغدغه‌های اصلی مردم دست و پنجه نرم کرده و مردمی‌تر شوند تا بتوانند تصمیمات درست‌تری را اتخاذ کنند. خُب! کدام اعتقاد درست است؟اجازه بدهید جور دیگر توضیح دهم، فرض کنیم دو اعتقاد درباره‌ی رشد جامعه داریم:اعتقادِ برخی افراد(دسته‌ی اول) این است که مانندِ جامعه‌ی سرمایه‌داری، عده‌ای بایستی بیشتر حمایت شوند تا آن‌ها با سرمایه‌ی خود بتوانند بقیه‌ی جامعه را اداره کنند.در مقابلْ افراد دیگر(دسته‌ی دوم) هستند که اعتقاد دارند که همه چیز بایستی به صورت مساوی(یا تقریباً مساوی) بین جامعه تقسیم شود که همه، برای همیشه، شانس برابر در رشد و حمایت داشته باشند.طبیعتاً اعتقادِ دسته‌ی سوم این است جامعه ترکیبی از این دو رویکرد باشد، یعنی در بعضی جاها تبعیض قائل شویم و در بعضی جاها مساوات را رعایت کنیماعتقاد دسته‌ی اول با این مثال صحیح به نظر می‌رسد:فرض کنید شما یک بچه دارید، این بچه نمی‌داند که استفاده‌ی زیاد از گوشی تلفن همراه برای او مضر است. پس باید قانونی گذاشته شود تا گوشی تلفن همراه به افراد زیر Xسال فروخته نشود. در واقع گوشی تلفن همراه را به پدر و مادر او می‌دهند و این پدر و مادر با نرم‌افزارهایی مانند Parental Lockها می‌توانند دسترسی را برای فرزند خود محدود کنند(که در تمام جهان یک امر رایج است). در جامعه نیز عده‌ای توانایی ایجاد ارزش دارند و می‌توانند ثروت آفرینی و ارزش آفرینی کنند و پول را هدر ندهند. این عده انسان‌های باهوشی هستند که بهتر است قدرت، ثروت، ارتباطات و... برای آن‌ها باشد و آن‌ها برای جامعه تصمیم بگیرند. پس بهتر است آن‌ها را از طریقی(مانند کنکور) شناسایی کرده و بعد تحت حمایت بیشتری قرار دهیم(مثلا در دانشگاه شریف امکانات و بودجه‌ی خیلی بیشتری به آن‌ها اختصاص دهیم و اساتید بهتری به آن‌جا بفرستیم). حال این افراد با توجه به هوش نخبگانی خود می‌توانند جامعه را به مسیر بهتری هدایت کنند.اما اعتقاد دسته‌ی دوم نیز با این مثال زیر صحیح به نظر می‌رسد:فرض کنید ما یک جامعه‌ی ۱۰۰نفره در یک کشتی باشیم و کشتی خراب شود. پس به علتِ خرابیِ کشتی، در جزیره‌ای گیر کرده باشیم. ۱۰نفر از ما قبلاً تجربه‌ی گیر کردن و نجات پیدا کردن از جزیره را داشته باشند و ۹۰نفر هم این تجربه را نداشته باشند. حال فرض کنید ما ۱۰۰نفر، اکثر امکاناتمان(مانند غذا و چوب و وسایل جهت‌یابی) را به این ۱۰نفر(۱۰نفر نخبه که قبلاً تجربه نجات پیدا کردن داشته‌اند) بدهیم و این‌ها با استفاده از همین امکانات، برای خود قایقی بسازند و فقط خودشان نجات پیدا کنند(و از دور با غرور برایمان دست تکان دهند). به این صورت آن‌ها نجات پیدا می‌کنند و وضع بقیه‌ی ما از قبل از بدتر می‌شود چون امکاناتمان را به آن‌ها داده‌ایم و امکاناتمان نیز محدود بوده است. در واقع جامعه با شناساییِ نخبگان(مثلا از طریق کنکور) منابع(مانند ثروت، امکانات، ارتباطات و...) را به این نخبگان می‌دهد و چون منابع محدود است، طبیعتاً این منابع از جیب بقیه‌ی افراد جامعه خرج می‌شود. این امکانات به این نخبگان اجازه می‌دهد که گلیم خود را از آب بکشند و خود را به نوعی نجات دهند، مثلاً با پول و ثروت زمین و خانه خوب بخرند و همسر خوب اختیار کنند! و مسافرتِ خوب بروند و یا کلاً مهاجرت کرده و ما بقیه‌ی جامعه که امکاناتمان را به آن‌ها داده‌ایم، هر روز فقیرتر شویم.خوب کدام اعتقاد درست است؟ دسته‌ی اول؟ دسته‌ی دوم؟ یا ترکیب آن‌ها؟آیا آپارتاید از بین رفته یا از شکلی به شکل دیگر تبدیل شده؟ آیا اصلاً برابری در همه‌جا و همه‌ی زمان‌ها یک عنصر خوب است؟ حقیقت چیست؟شاید بتوان مشکل را در این‌جا جستجو کرد که در واقع، حاکمیت یا برتریِ یک گروه یا نژاد، به خودیِ خود مشکلی به وجود نمی‌آورد. مشکل موقعی ایجاد می‌شود که به خاطر منابعِ محدود حق از طرف مقابل گرفته شده و شخصی که این امکانات به او داده شده، این را حق طبیعی خود و به خاطر زحمات خود می‌داند(که البته ممکن است تا حدودی درست باشد) و از این امکانات برای تعالی و رشد جامعه استفاده نمی‌کند!و سوال اصلی این‌جاست که آیا اگر هر کدام از ما، جزو آن طبقه‌ی برتر بودیم، رفتاری غیر از این داشتیم؟ آیا آن‌ها لزوماً رفتار بدی دارند؟ مسعود کاویانی مسعود کاویانی Sat, 05 Jan 2019 21:44:52 +0330 https://virgool.io/dataio/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D9%85%D9%86%D8%A7%D8%A8%D8%B9-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D9%82%D9%88%DB%8C%D8%AA%DB%8Creinforcement-learning-mdkqprpfd8j3 یادگیری تقویتی یا همان Reinforcement Learning نوعی از یادگیری‌ماشین و هوش‌مصنوعی است که ماشین توسط تعامل با محیط و مشاهده‌ی پاسخِ محیط، یادگیریِ خود را انجام می‌دهد. در این‌جا نمی‌خواهیم به توضیحِ یادگیری تقویتی بپردازیم و فقط چند منبع برای شروع و درکِ الگوریتم‌های آن می‌آوریم.۲ مرجع اصلی در این حوزه به صورت رایگان موجود است:اولی کتاب معروفِ آقای ساتون است که می‌توانید از این‌جا دانلود کرده و مطالعه کنید. این کتاب به صورت تقریباً کاملی، مباحث حوزه‌ی یادگیری تقویتی را باز کرده است و پیش‌زمینه‌های لازم را نیز به همراه مثال‌هایی گردآوردی و تالیف کرده.دومی کتابِ رایگان آقای زپشواری قابل دانلود در این‌جا است. کتاب آقای زپشواری سعی در خلاصه‌سازی مباحث یادگیری تقویتی کرده است و حجم آن حدوداً یک چهارم کتاب آقای ساتون هست.همچنین دوره‌ی Udacity نیز به صورت تقریباً کاملی، مباحثِ پایه‌ی یادگیری تقویتی را شرح داده است.اما هر چقدر هم که کتاب‌ها و دروسِ آکادمیک را مرور کنیم، مانندِ دست به کُد شدن، کاربردی به نظر نمی‌رسد. پس بهتر است از کتابخانه‌ای مانند OpenAI Gym در پایتون جهتِ درکِ عملیِ یادگیری تقویتی استفاده کنیم. برای شروع در این‌جا یک آموزش مقدماتی و کاربردی با پایتون و Gym قرار داده شده است.اگر هم می‌خواهید خیلی یک‌راست سراغ کد رفته و از هیچ کتابخانه‌ای استفاده نکنید، در این‌جا یکی از الگوریتم‌های معروفِ یادگیریِ تقویتی به همراه کدِ پایتون آموزش داده شده است. مسعود کاویانی مسعود کاویانی Fri, 30 Nov 2018 00:36:29 +0330 https://virgool.io/dataio/dopamine-reinforcement-learning-ska7ncslbgpo یادگیری تقویتی یا همان Reinforcement Learning یکی از زیر شاخه‌های داده‌کاوی و هوش مصنوعی است که در چند سال اخیر مورد توجه بسیاری از محققین داده‌کاوی قرار گرفته است. اگر بخواهیم به صورت ساده بگویم، یادگیری تقویتی در واقع یادگیری بر اساس تعامل متداوم با محیط اطراف و گرفتن جایزه و امتیاز از محیط است. فرض کنید یک گربه می‌خواهد در یک محله زندگی کند. این گربه همواره با محیط در تعامل است و همواره از محیط یاد میگیرد. مثلا نگاه می‌کند مادرش چگونه موش شکار می‌کند و سیر می‌شود. او هم موش شکار کردن را با تعامل و سعی و خطا در محیط انجام می‌دهد و موش می‌گیرد و سیر می‌شود(جایزه مثبت). او از بچه‌ها فرار می‌کند. چون یک بار که از دست بچه‌ها فرار نکرد یک دمپایی خورد و دردش گرفت(جایزه منفی). به این ترتیب گربه سعی می‌کند تا جایی که می‌تواند جایزه بگیرد(بیشینه سازی دریافت جایزه).محققان علوم کامپیوتر هم به همین نتیجه رسیده‌اند که می‌توانند عامل(Agent)هایی را توسعه دهند که با همکاری با محیط یادگیری را انجام داده و به هدف نهایی برسند.در ادامه این تحقیقات شرکت گوگل که سرمایه گذاری عظیمی بر روی پروژه‌های هوش مصنوعی کرده است، اینبار یکی از کتابخانه‌های خود به اسم دپامین را به صورت رایگان و متن‌باز در اختیار محققان قرار داده است تا محققان و داده‌کاوها بتوانند عملیات مختلف یادگیری تقویتی و الگوریتم‌های مختلف آن را با سرعت بیشتر اجرا کنند و درگیر پیاده‌سازی جزئیات نشوند.دپامین بر روی بستر Tensorflow قرار دارد. Tensorflow که یکی از کتابخانه‌های بسیار قدرتمند در حوزه داده‌کاوی است می‌تواند عملیات داده‌کاوی را بر روی گراف با سرعت بالایی انجام دهد. کتابخانه دپامین را به همراه منابع و مقالات پایه آن می‌توانید از این لینک دانلود کرده و با زبان پایتون از آن استفاده کنید. مسعود کاویانی مسعود کاویانی Sat, 01 Sep 2018 22:30:47 +0430 https://virgool.io/dataio/nvidia-rx2000-cvghy1xzrrea پردازنده‌های گرافیکی یا همان چیزی که به عنوان کارت گرافیک(Graphic Card) مشهور است تا به حال بیشتر جهت انجام بازی‌ها و یا ساخت ویدیو(Video Rendering) استفاده می‌شده است. اما رفته رفته و با پیشرفت عملیات یادگیری ماشین و داده‌کاوی مخصوصا شبکه‌های عصبی عمیق(Deep Neural Networks) این پردازنده‌ها کاربردهای علمی نیز به خود گرفته اند. پردازنده‌های گرافیکی که می‌توانند با سرعت محاسبات ریاضی و ماتریسی را انجام دهند، راهی جدید برای متخصصان علم داده باز کرده‌اند تا سرعت انجام عملیات یادگیری را مخصوصا در مبحث یادگیری عمیق(Deep Learning) بهبود ببخشند.کمپانی Nvidia سازنده‌ی تقریبا بی‌رقیب کارت‌های گرافیک، اکنون نسل جدید کارت‌های گرافیک خود را به اسم سری RX2000 روانه بازار کرده است. برای مثال یکی از پردازنده‌های این خانواده RX2080Ti است که دارای یک حافظه ۱۱گیگابایتی DDR6 و ۴۳۵۲ هسته کودا است. بله! بیش از ۴هزار هسته که نشان از توان پردازشی بسیار بالای این کارت‌ها دارد.برای همین است که بسیاری از دانشمندان علوم داده، عملیات یادگیری ماشین را به روی این کارت‌های گرافیک انجام می‌دهند. با این کار سرعت اجرای عملیات داده‌کاوی و یادگیری ماشین افزایش پیدا کرده و محقق می‌توانند علاوه بر آزمایش پارامترهای مختلف، داده‌های بیشتری را نیز در هنگام یادگیری به ماشین بدهد. برای مثال Tensorflow نسخه‌ای جهت انجام عملیات محاسباتی بر روی کارت‌های گرافیک دارد.منابع و مطالعه بیشتر در اینجا و اینجا مسعود کاویانی مسعود کاویانی Mon, 27 Aug 2018 23:50:43 +0430