https://virgool.io/feed/@sheikhartin یه انسانِ علاقه‌مند به وَررفتن با داده‌ها، فلسفه، تاریخ، و پردازش زبان طبیعی که با ساخت ابزارهای راحت‌کننده زندگی هم کِیف می‌کنه! fa 2026-06-16 07:09:47 https://files.virgool.io/upload/users/1714709/avatar/g1PT9X.jpg?height=120&width=120 https://virgool.io/@sheikhartin https://virgool.io/@sheikhartin/%D9%86%DB%8C%D9%85%D9%87-%D8%AA%D8%A7%D8%B1%DB%8C%DA%A9-%D8%AF%D9%86%DB%8C%D8%A7%DB%8C-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D8%A7%D9%8F%D9%BE%D9%86-%D8%B3%D9%88%D8%B1%D8%B3-hfoa2sq5dh70 در بسیاری از جاها شنیدیم که توسعه‌دهنده‌ها (حتی کسانی که خودشون سابقه پاکی دارن و عاری از فعالیت هستن) به بقیه می‌گن که «تو عالم متن‌باز فعال باش؛ این‌طوری یه رزومه خوب برای خودت می‌سازی و می‌تونی با سایر دِوِلوپرها دوست بشی...»!ولی آیا واقعاً اِنقدر همه‌چی عالیه؟! از وبلاگ Alvaro Trigoچطور نرم‌افزارهای آزاد وارد گود شدندر دهه ۱۹۵۰ و اوایل دهه ۱۹۶۰ میلادی، نرم‌افزارها می‌شه گفت رایگان بودن و درآمد اصلی شرکت‌ها از فروش سخت‌افزار تأمین می‌شد و شاید این رو می‌شه به دلیل آکادمیکی بودن نرم‌افزارهای آن دوران دونست؛ این روند پابرجا بود تا حول‌و‌حوش ۱۰ سال بعد که اومدن و صنعت نرم‌افزار رو کلاً جدا کردن از سخت‌افزار و گفتن که باید بیزنس مُدل خودش رو داشته باشه...همون موقع هم توسعه‌دهنده‌ها (حتی در قالب تیم) برنامه‌های ریز و درشتی می‌ساختن و رایگان منتشِرش می‌کردن، اما تحت لایسنس‌های مختلفی این کار صورت می‌گرفت تا در صورت بروز مشکل، بتونن شکایت تنظیم کنن بر علیه متخلفان! (امروزه هم بسیــــــار انتخاب کردن لایسنس مهمه و این‌جوری نیست که بگیم من با MIT و Apache حال می‌کنم، پس دوست دارم پروژه‌م رو بِبرم زیر مجوز اون‌ها)می‌ریم جلو تا جایی که ریچارد اِستالْمَن از راه می‌رسه و بنیاد نرم‌افزارهای آزاد رو تأسیس می‌کنه و به دنبال اون، GNU و سایر شرکت‌هایی که روی رایگان بودن نرم‌افزارها مانور می‌دادن، روی کار می‌آن...تا همین‌جا به‌نظرم کافیه، جنگ بین حامیانِ رایگان بودن و نبودن نرم‌افزار بَسی طولانی هست و از زیاد به بحث مربوط نمی‌شه. (می‌تونید برید سراغ مستند Revolution OS که در رابطه با همین موضوع هست)بخش تاریک ماجرارایگان، آزاد، بدون محدودیت... چه ترکیب زیبایی به‌نظر می‌رسه، نه؟! برای اینکه این ذهنیت خراب بشه، به سراغ درامای ماراک اِسکویرِز، سازنده کتاب‌خانه‌های پرکاربردی هم‌چون faker.js و colors.js می‌ریم!همه‌چی از یه عبارت کوتاه اما ترسناک در ماه اُکتبر ۲۰۲۰ شروع شد: «کمبود بودجه»! سازنده فِیکر که پروژه‌ش تقریباً هفته‌ای ۲.۴ میلیون دانلود داشت، در معرض یه ورشکستی مالی بود و گفت اگه حقوق این مدت زحمت‌م رو دریافت نکنم، دیگه خبری از نگه‌داری پروژه نیست!چپ‌ترین فرد جناب ماراک هست‌شیاد این ضرب‌المثل معروف قدیمی افتادم که می‌گه: «گربه برای رضای خدا موش نمی‌گیره»... آیا وقتی ما آپارتمان‌مون/خونه‌مون در آتش می‌سوزه و بی‌پول هستیم، فقط به این فکر می‌کنیم که تونستیم چندتا دوست بیشتر پیدا کنیم، یا انگیزه‌های مادی هم باید درنظر بگیریم؟!شرکت‌های بزرگی وجود دارن در حالِ حاضر که کلاً روی شونه ابزارهای متن‌باز و رایگان سوار شدن، اما دریغ از ذره‌ای کمک به سازنده اون؛ کسی که ده‌ها ساعت زحمت کشیده و مستقیم یا غیرمستقیم باعث درآمدزایی اون شرکت‌ها شده...دو سال می‌ریم جلوتر، یعنی در ژانویه ۲۰۲۲ که نسخه ۶.۶.۶ faker.js با کامیت مِسِیجِ عجیبِ «پایان بازی» و فایل ریدْمی‌ای که می‌پرسه «چه اتفاقی واقعاً برای آرون سوارتز افتاد؟» می‌آد!اسکرین‌شات قدیمی هست و مال ۲۰۲۲‌ئه همون‌طور که حدس زده می‌شد، مردُم جبهه‌های مختلفی گرفتن برای این کارِ ماراک اسکویرز که کاری باهاش نداریم فعلاً؛ بعد هم ماجراهایی پیش اومد که منجر شد اکانت گیت‌هاب‌ش با بیش از صد پروژه به حالت تعلیق دربیاد.هنوز راه‌کار خوبی هنوز وجود نداره تا از تکرار چنین چیزی جلوگیری کنه، و بهترین کاری که می‌تونیم انجام بِدیم، این هست که درباره‌ش حرف بزنیم و به‌قولی فرصتی برای طوفانِ فکری ایجاد کنیم...شما کدوم از نظرات زیر رو نزدیک‌تر به دیدگاه خودتون می‌دونید؟! راه‌حلی سراغ دارید برای کم‌رنگ کردن این مشکل بزرگ؟!به درک که آپارتمان‌ت سوخت، تقصیر خودته...مالک پروژه‌های خودش هست و می‌تونه هرکاری باهاشون کنه...منابع:https://spiceprogram.org/history/https://alvarotrigo.com/blog/open-source-dark-side/https://javascript.plainenglish.io/open-source-a-horror-story-c14caba386a8https://inf.news/en/tech/eccfb1f85bbda495d4a0ede6f6928888.htmlhttps://youtube.com/watch?v=8kjvbSuuxcwhttps://youtube.com/watch?v=_eOdapTa1Bohttps://youtube.com/watch?v=R6S-b_k-ZKY آرتین محمدی آرتین محمدی Wed, 15 Mar 2023 07:34:50 +0330 https://virgool.io/@sheikhartin/%D8%AF%D9%88%D8%B3%D8%AA-%D8%AF%D8%A7%D8%B1%D9%85-%D8%AF%D8%B1-%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D8%AA%D9%85%DB%8C%D8%B2%D8%AA%D8%B1-%D8%A8%D8%A7%D8%B4%D9%85-d71uxzktbcdr گاهی اوقات که وسواس و کمال‌گرایی‌ایم از کنترل خارج می‌شه، ایده‌های مزخرفی رو می‌آره تو ذهنم؛ از جمله پاک کردن تمام حساب‌هام در شبکه‌های اجتماعی و شروع کردن دوباره‌شون طبقِ استانداردهای نوشتاری جدیدم... یکی از این استانداردها سبب شد تا تعداد پست‌هایی که پاک کردم رو به عدد ۲ برسونم!هنوز هم مخالف پاک کردن تاریخچه زندگی‌مون هستم (در یوتیوبِ خودم هم گفتمِش)، اما من بسیــــــــــــار زیاد روی نوشتار حساس هستم و در پِی‌اِش ضررهای روانی و زمانی کمی هم بهِم وارد نشده... مثلاً یادم می‌آد حدود یه هفته سَرِ گذاشتن خطِ فاصله یا دَش، بین دو کلمه انگلیسی موقع نوشتن پاراگراف آخرِ فایلِ ریدْمیِ پروژه‌ای که الان می‌دونیم شکست خورده، معطل بودم! الان که در حالِ نوشتن این پستِ کاملاً دِلی هستم، هیچ علاقه‌ای به انجام این کار و بَنای دوباره‌ش ندارم... از وب‌سایت tickets.partyforthepeople.orgدیدید یکی می‌گه من از بَدوِ تولد دست به کی‌بورد بودم و کُد می‌زدم یا مثلاً می‌گه مادربزرگم کُلِ سرمایه‌ش رو داد تا واسه من فُلان چیز رو بِخره؟ من هم تا اون‌جایی که یادمه، در دوران راهْ‌نمایی و حتی ابتدائی، درس مورد علاقه‌م (در کنارِ تاریخ و ورزش البته)، انشاء بود! ولی همیــــشه نمره‌م کم می‌شد سَرِ این‌که به‌جای «را» می‌نوشتم «رو» و هیچ‌وقت نفهمیدم چرا باید وقتی یه متنِ غیر اداری و با موضوعی آزاد می‌نویسیم، نگارشِ‌مون باید رسمی باشه؟!الان می‌خوام به رسم‌الخط فارسی عزیزمون بِپَرم (کلمه «عزیز» رو بدونِ کنایه به‌کار گرفتم و واقعاً گفتارِ فارسی رو دوست دارم)... اِستاندارد نداره متأسفانه و این به هیچ‌وجه مزیّت محسوب نمی‌شه (به یادِ استایل‌های کدنویسی بدونِ قاعده‌ای بی‌افتید که حتی خودِ اون شخص هم رعایتِش نمی‌کنه در یک پروژه واحد)... نیم‌فاصله‌ها در برخی از جاها به متن زیبایی می‌دن، و گاهی هم از ریخت می‌ندازَن (مثلاً «طرفدار» به‌نظرم قشنگ‌تره از «طرف‌دار»، «تاریخچه» از «تاریخ‌چه» زیباتره، اما با «روشنفکر» و «جمهوری‌اسلامی» اصلاً حال نمی‌کنم)... اِعراب رو اگه نذاری، درواقع داری بعضی از کلمات رو می‌سپُری به خواننده تا متناسب با اون بخشِ متن معنی‌ش کنه (تفاوت «بِدونْ» و «بِدونِ» و «بِدَوَن» رو فکر کنم بدون اِعراب درک می‌کنید)... حروفِ تکراری‌ای که یک جور خوانده می‌شوند هم گُلِ سرسبدِ ایرادات هست (مثلاً می‌شه به‌جای «بزغاله» نوشت «بظقاله» و همین‌طور «سحر» رو «صهر»)... تمامی علامت‌های نقطه‌گذاری (نقطه، ویرگول، نقطه‌ویرگول، و سه‌نقطه) باید دُرست کنارِ حرفِ آخرِ کلمه باشه («ولی،‌ عزیزم، آخه...» نگارش درسته، نه «ولی ، عزیزم ،آخه ...»)... و بدتر از همه (این هم جزء طبقه نیم‌فاصله محسوب می‌شه)، نوشتن «ها» به‌صورت جدا و بعد از قرار دادنِ یه اِسْپِیس هست (چرا «ها» به «پیوندها» چَسبیده ولی از «مَرَض ها» سَوائه)...چه پُست‌های دل‌چسبی که در ویرگول خوندم و قلب ندادم بهِشون بابت اینکه غلط املائی داشتن از دید‌اَم (الان تقریباً در ویرگول شُل کردم)، چه محتواهایی که در لینکدین بدونِ واکنش رهاشون کردم و چه‌های این‌چنینی...ولی من به این خاطرِ هیچ‌کدوم از دلایلِ بالا نبود که می‌خواستم ویدئوهام رو پاک کنم (مُنصِرف شدم ازش)، بلکه به‌دلیلِ تبعیت نکردن از روی قواعد نوشتاری‌ای که می‌تونم بگم بیش از یک سال هست که روزانه دارن آپدیت می‌شَنه! (تَک‌وتوک از روی تنبلی هم هست راستش)الان که دارم این پُست رو تکمیل می‌کنم، جفت اکانت‌های توییترم رو حدودِ دو روزی می‌شه که غیرفعال کردم و احساس می‌کنم بخشِ بسیـــــار زیادی از این دغدغه از روی دوشَم برداشته شد... (علی‌رغم اینکه می‌دونم الان یکی از بهترین بَسترها برای اطلاع داشتن از حالِ ایران هست)یه سِری چیزمیز دیگه هم می‌خواستم اضافه کنم که یادم رفت؛ ولی فقط یادمه درموردِ واتس‌اَپ و اینْستاگرام (نه به‌خاطر فیلتر بودنِشون) و هم‌چنین دعوت به پِیروی از یک استایل واحد در کُدنویسی بود! آرتین محمدی آرتین محمدی Mon, 24 Oct 2022 20:35:45 +0330 https://virgool.io/@sheikhartin/%D8%A7%D8%B2-%D8%A7%DB%8C%D9%86-%D8%A8%D9%87-%D8%A8%D8%B9%D8%AF-%D9%81%D8%B1%D8%A2%DB%8C%D9%86%D8%AF%D9%90-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%B1%D9%88-%D8%AE%D9%88%D8%AF%DA%A9%D8%A7%D8%B1-%DA%A9%D9%8F%D9%86-eopzcngibxt1 شاید عنوان عجیب به‌نظر برسه، اما چیزی هست که چند وقته سَرِ زبون‌ها افتاده و گفتم چرا ما فارسی‌زَبون‌ها چیزی ازش نداریم! (کلاً در یوتیوب فارسی که نیست، ولی تونستم چندتا مقاله نسبتاً معمولی با معیار ترجمه صِرف بودن ازش پیدا کنم... بهتره خودمون کار رو دست بگیریم تا مبادا پس‌فردا یکی بیاد همین رو ۴-۵ میلیون بِفروشه به این رویا که مثلاً با ۱-۳ جلسه شرکت در فلان کلاس سریعاً کار پیدا کن!) خلاصه این بود قصه‌ای کوتاه از چِرایی نوشتنِ مقاله پنجُمَم! (سومی رو پاک کردم البته) اگه بیشتر کنجکاو بودید، می‌تونید کمی شیک‌تر در کانال یوتیوبی‌مون که لینک‌اش در انتهای بدنه مقاله اومده ببینید که چطور باهاش کار می‌کنیم... گرفته‌شده از وب‌سایت analyticsindiamag.comچی هستن و اصلاً چرا هستنهمون‌طور که حدس می‌زنید، مثل خیلی چیزمیزای دیگه، برای این کار هم خارجکی‌ها (خارجکی‌ها رو با لحن فان بخونید، نه توهین به اونایی که غیرِ ایرانی هستن) یه اصطلاحی درنظر گرفتن... AutoML مخفف یادگیری ماشین خودکار شده (در ویکی‌پدیا به‌صورت «یادگیری ماشین خودکاره» نوشته شده ولی) اومده تا به ما کمک کنه هرچه سریع‌تر و البته ساده‌تر تسک‌های این دنیا رو انجام بدیم!نه، حرفه‌ای‌ها نترسن، قرار نیست این AutoML که خیلی‌ها به اشتباه اون رو یه محصول از طرف گوگل می‌دونن و نه یه مفهوم، جای شما رو بگیره و به‌ضررتون بشه! (منظورم از حرفه‌ای‌ها در اول پاراگراف حرفه‌ای‌های حسود و خیرنخواه بود) کْی دیتا رو جمع‌آوری می‌کنه؟ کْی دیتا رو تمیز می‌کنه و داده‌های حساس رو از چرت‌وپرت‌ها جدا می‌کنه؟ (البته بعضی از ابزارها این کار رو دست‌و‌پا شکسته انجام می‌دن) آیا می‌شه همواره به ماشین‌ها اطمینان داشت و به عبارتی دیگه، آیا وسواس ما انسان‌ها رو به‌خرج می‌دن الگوریتم‌ها در مواجه با چالش‌های واقعی‌تر؟ دیدید چقدر استدلالِ‌‌هامون ساده بود؛ ساخت مُدل فقط ۱۰-۳۰ درصد کار رو شامل می‌شه!همه می‌تونن از این ابزارها استفاده کنن، چه یه متخصص فوقِ خفنِ هوش مصنوعی باشید، و چه یه نـــوب که فقط روی هایپِ این بازار سواره! کْی بدش می‌آد سریع‌تر و هوش‌مندانه‌تر (با استرس از این واژه هوش‌مندانه استفاده شده) روزمره‌هاش رو انجام بده؟! تقریباً هیچ آدم عاقلی!چطور کار می‌کنناین بخش جذابه برای فنی‌ها، اما نمی‌خوام خیلــــی بریم داخل و غرق‌شون بشیم! کُلاً این زمینه کارِش تموم نشده و تحقیقات کمی نمی‌آد که قصد دارن روش‌های نو‌ای ارائه کنن... این رو گفتم که بدونید توضیحات ذِیل رو نمی‌شه به همه‌شون تعمیم داد.اجازه بدید قبلش با اصطلاح «هایپرپارامتر» آشناتون کنم؛ هایپرپارامتر که یِکم فارسی‌تَرِش می‌شه «ابرپارامتر»، به متغیرهایی می‌گن که برای دست‌کاری و تنظیم فرآیند یادگیری استفاده می‌شن. (مشخصه که برای هر الگوریتم نیاز به متغیرهای متفاوتی داریم، مثلاً کِرنِلی که در «ماشین بردار پشتیبان» هست، در «رگرسیون لجستیک» نداریم)بعضی از ابزارهای ارائه‌دهنده، به‌صورت رَندومْ می‌آن و پارامترها رو اَنگولک می‌کنن (خیــلی معقول نیست ازشون استفاده کنیم)، اما ما می‌دونیم که گوگل از یه تکنیک یادگیری تقویتی به نام NASNet استفاده می‌کنه که خودِش می‌آد و توپولوژی شبکه عصبی رو طراحی می‌کنه... هدف از این طراحیِ معماری، استفاده هرچه کمتر از منابع و به حداقل رسوندن مداخله انسانی‌عه! (NAS از Neural Architecture Search آمده است)فِریم‌ْورک‌‌های پایتونیِ محبوباینجا نظر زیاد و متفاوت داریم برای انتخاب «بهترین»، اما من با توجه به همون اندک تجربه‌ام لیستی ازشون می‌آرم...PyCaretTPOTAuto-SklearnFLAMLAutoKerasدقت کنید که شماره‌ای زده نشده و ترتیب نداره، اما اگه یه اسلحه روی شقیقه‌ام بذارن و بگن مُرتبِش کن، من FLAML رو می‌آرم بعد از PyCaret و سپس Auto-Sklearn رو هُل می‌دن به انتهای صف!حالا که تا اینجا اومدیم، بیایم با موردِ دوم و آخرِ لیستِ‌مون (لیستِ مرتب شده) یه مُدل بسازم ببینم آیا می‌شه عملکردشون رو این‌طور سنجید یا نه؟! (می‌خوام با دِیتاستِ ارزیابیِ خودروها کار کنم و دیگه نشون نمی‌دم که چطور اون رو می‌تونیم دانلود کنیم)ایمپورت کردن چیزمیزایی که می‌خوایم استفاده کنیم:خوندن دیتاستِ بدون سَرِ ما:تغییر نام ستون‌ها یا به عبارتی دیگه گذاشتن سَر واسه دیتافِریم:یه سری اطلاعات از دیتاست:گرم کردن برای ساخت مُدل‌هامون با کُدگذاری برچسب‌هایی که در اختیار داریم:جداسازی داده‌های آموزش و تست از هم‌دیگه:سِپُردن کار به FLAML با بودجه زمانیِ تنها ۳۰ ثانیه:بهترین مُدل رو حالا چی می‌گه؟نمی‌شه فهمید واقعاً بهترینه یا نه، تا زمانی که دقتِش رو روی داده‌های تستِ‌مون بِسَنجیمْ:نوبتِ استفاده از کِلاسِ طبقه‌بندیِ فریمْ‌وُرکِ Auto-Sklearn هستش:رهبران ما کُدوم الگوریتم‌ها می‌تونن باشن به ترتیب؟دقت نتایج‌ها به هم آیا نزدیکه؟و تمام! گام بعدی‌ای که می‌تونید انجام بِدید این هست که مُدل‌هاتون رو ذخیره کنید تا برای هربار استفاده مجبور نباشید مجدد تِرِین‌شون کنید... نوت‌بوک رو می‌تونید در گیت‌هاب و کَگِل‌ام پیدا کنید، و یا حتی می‌تونید در یوتیوب ببینید که چطور روش توضیح می‌دم! می‌تونم این مقاله رو از پیچیده‌ترین مقالاتم بدونم... البته ک*ن‌گشادی هم یه بخشِ قضیه شد و این هفته حوصله تحقیق رو ازم گرفته بود! مهم نیست، اگه شما توضیحات بیشتری دارید می‌تونید برای تکمیل این مقاله در قسمت نظرات مطرحِش کنید که به مفیدتر شدنش کمکِ شایانی می‌کنه... :)منابع:https://towardsdatascience.com/what-is-automl-6ddf27040f27https://analyticsindiamag.com/automated-machine-learning/https://youtu.be/fDkmHZ7fm1whttps://youtu.be/SEwxvjfxxmEhttps://youtu.be/ZYkks_MjdpQhttps://youtu.be/Rsg_XzgGqZw آرتین محمدی آرتین محمدی Thu, 08 Sep 2022 20:29:50 +0430 https://virgool.io/@sheikhartin/%D8%B5%D9%81%D8%B1-%D8%AA%D8%A7-%D9%86%D9%8E%D9%88%D8%AF%D9%90-%D9%BE%DB%8C%D8%A7%D8%AF%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C%D9%90-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-%DA%86%D9%86%D8%AF%D9%84%D8%A7%DB%8C%D9%87-nos6kk4sxkoi شبکه‌های عصبی و توانایی یادگیری فوق‌العادشون... همون چیزهایی که احتمالاً ما ازشون می‌ترسیم و به ادعای بسیاری از افراد قراره ما رو نابود کنند! ولی امروز اینجا اومدیم تا با هم یکی خوبش رو بسازیم، و با شعار «پیشرفت و علم ترس‌مرس حالیش نمی‌شه» به کار خودمون ادامه بدیم! تصویر از Ahmed Gadباید و حتماً بخش‌به‌بخش پیش بریم و برای هرکدوم یه توضیحِ ریزی می‌دم تا بهتر درک کنیم قضیه رو... اگه هم حال و حوصله خوندن ادامه مطلب رو ندارید یا فکر می‌کنید که وارد مرحله‌ای شُدید که این چیزها سوسول‌بازی هستش، می‌تونید به اینجا برید و فقط کد رو نگاه بندازید!بخش صفرم: نحوه کاربه زبان بسیــــــــار ساده اگه توضیح بدم، شبکه‌های عصبی در واقع مجموعه‌ای از لایه‌ها هستن که هِی توشون یه سری مقادیر که بهشون می‌گیم وزن تغییر می‌کنه و انتظار داریم بعد از تمرین به درجه‌ای برسه که نیازهامون رو برطرف کنه...واستون سوال پیش نیومد که چرا در عنوان این مقاله نوشته شده صفر تا نَود؟ اگه با دقت به تصویر ابتدای صفحه نگاه بندازید، می‌بینید که چند نورون گوگولی داریم و هر یک از اون‌ها یک یا چندتا شاخه رفته توشون (غیر از لایه اول که ورودی هست) و به تمام نورون‌های جلوی خودشون وصلن (سَوا از لایه خروجی). ما انواع و اقسام حالت‌های شبکه داریم در دنیای یادگیری عمیق، و به این شکل از شبکه عصبی می‌گن پِرسِپترون. داستان پشت هر یک از این شبکه‌ها ممکنه فرق کنه و فلسفه خودشون رو داشته باشند، اما در نهایت چند لایه هستند که با وزن‌ها بازی می‌کنند.گرفته‌شده از وب‌سایت permanent365.gqبخش اول: لایه‌ها و وزن‌هابرای شروع می‌خوام خود ماهیت لایه رو توضیح بدم تا تَرسِتون بریزه... یک لایه در شبکه عصبی می‌تونه حتی چند صَد به اصطلاح نورون (گِره هم بهشون می‌گن) رو توی خودش نگهداری کنه و به قولی بُلوک‌های سازه ما هستند. این نکته رو بدونید که این لایه‌ها از خودشون مغز ندارند و باید توسط یه بالاسری فراخوانی بشند تا شروع به کار کنند. احتمالاً به این نتیجه رسیدید که خروجی هر لایه می‌شه ورودی لایه بعدی، نه؟! اشکال نداره، حداقل الان می‌دونید...حالا وزن‌ها چی هستند؟! تقریباً همه‌چیزی که داریم و قدرت یه شبکه عصبی به اون‌ها وابسطه هست... وزن نشان‌دهنده قدرت اتصال بین واحدها هستش. به‌فرض اگه وزن گِره شماره ۱ از گِره شماره ۲ مقدار بیشتری داشته باشه، به این معنی هست که نورون اولی تأثیر بیشتری نسبت به نورون دوم ما داره. این‌طوری‌عه که مثلاً وقتی وزن نورون هفتم (از بین ده‌تا) در لایه خروجی سنگین‌تر از بقیه هست متوجه می‌شیم که شبکه عصبی ما که کارش تشخیص ارقام دست‌نوشته هست به ما می‌فهمونه کدوم رو حدس زده... (هفتمی در واقع می‌شه عدد ۶، چون از صفر شروع کردیم :)) دو یو آندراِستَند؟! تصویر از James Loyبخش دوم: توابع فعال‌سازیسوالی نیست از بخش قبل؟! مثلاً‌ چه چیزی تصمیم می‌گیره که یه نورون فعال‌تر باشه و یه نورون ساکت‌تر باشه؟! خب، این کار بر عهده توابع فعال‌ساز هست کَسَگَم! به بیان دیگه اگه توضیح بدم این توابع که طبق معمول ده‌هاتا ازشون موجوده و حق انتخاب داریم توشون، تصمیم‌گیرنده این هستن که یه نورون از شبکه طَرد بشه یا نه. باز هم اینجا نکته‌ای وجود داره که باید بدونی! این طَرد شدن یه دفعه انجام نمی‌شه و در فرآیند تمرین دادن صورت می‌گیره... شما شدت ضربه رو با این حال می‌تونید تغییر بدید و کاری کنید که اولین خطا، آخرین خطای اون نورون بشه! (ولی نباید اِنقدر بی‌رحم بود، چون در مقابل شبکه وقتی می‌بینه با بچه‌هاش این‌طوری رفتار می‌کنید بازخورد خوبی به شما نمی‌ده) راستی، در زبان تخصصی به این شدت ضربه، نرخ یادگیری یا Learning Rate می‌گن.بخش سوم: مَغزِ مُتَفَکِرخود این بخش رو می‌شه به دو بخش کوچیک‌تر تقسیم کرد: انتشارِ رو به جلو، و پَسْ انتشار یا انتشارِ رو به عقب. در ادامه به صورت مجزا در موردشون توضیح مختصری می‌دم، و انتظار می‌ره به این دو بخش خوب توجه کنید که موقع پیاده‌سازی خیلی باهاشون درگیر می‌شیم.انتشارِ رو به جلو (Forward Propagation):در اینجا باید داده‌های خودمون رو از چپ‌ترین لایه یعنی لایه ورودی (با فرض اینکه موقع مصورسازی از چپ به راست می‌کِشیمِشون) به راست‌ترین لایه که لایه خروجی محسوب می‌شه بفرستیم تا ببینیم شبکه عصبی ما براساس وضعیت کُنونی‌اش چه حدسی می‌زنه... به همین سادگی، کار دیگه‌ای هم لازم نیست کنیم! برای پیش‌بینی کلاً باید این عمل رو انجام بدیم، پس محاسباتی انجام نمی‌ده تا وضعیت خودش رو آپدیت کنه.پَسْ انتشارِ (Back Propagation):پَس انتشار، انتشارِ رو به عقب، که بهش انتشار معکوس خطاها هم می‌گن در واقع می‌آد و براساس میزان خطای بدست اومده از مرحله انتشار رو به جلو، وزن‌ها رو در هر لایه بالا و پایین (تنظیم) می‌کنه. این کار برای این انجام می‌شه که نِرخ زیان (همون خطا) رو هِی کم‌تر و کم‌تر کنه.بخش چهارم: پیاده‌سازیموضوع پَس انتشار پُتانسیِل این رو داره که به یه مقاله مجزا تبدیل بشه... ماهیت ساده‌ای داره، اما ریزنُکاتی داره (مخصوصاً در موقع پیاده‌سازی) که اون رو دشوار می‌کنه برای توضیح... به هر حال... من برای پیاده‌سازی از فِریم‌وُرکِ کِراس (Keras) الهام گرفتم، اما قطعاً نباید انتظار اون کیفیت رو داشته باشید ازش... سه کِلاسِ اصلی رو تنها اینجا قرار می‌دم تا از شلوغی غیرضَروری جُلوگیری بشه... به این سه نقطه‌ها گاهی دقت کنید، مُمْکنه حرف‌های زیادی پُشتِشون نِشَسْته باشه...توابع فعال‌سازی: https://gist.github.com/sheikhartin/5bdd3546c108cc8d119717569ba7b9bd لایه یا بلوک شبکه عصبی: https://gist.github.com/sheikhartin/7852228534a21835ffb237ddadfb6f68 خودِ خودِ خودِ شبکه عصبی: https://gist.github.com/sheikhartin/12431941dc9c70a095328bb101e138aa حالا برای تست می‌خوایم باهاش بریم سراغ گِیتِ XOR که خیلــــی رایجه... حالا این گِیت چطور کار می‌کنه؟ ساده‌ست، هر وقت ورودی‌ها شبیه به هم باشند خروجی می‌شه صفر، وگرنه می‌شه یک. https://gist.github.com/sheikhartin/4a7246f8085698e5ec52114491a41e92 می‌دونم، انتظار داشتید وقتی دارید نتایج رو می‌بینید بگه صفر یا یک، اما با یه ماتریس ۲ در ۱ مواجه شُدید! ما می‌خواستیم که شبکه عصبی روی داده‌های تست به ترتیب این نتایج رو بدن: صفر، یک، یک و در آخر باز صفر. حالا باز به خروجی نگاه بندازید، و اون اعدادی که بیشتر از آستانه مد نظر شما برای قبولی هستند (مثلا ۰.۵ خوبه) رو با عدد ۱ جایگزین کنید و بقیه رو با ۰. تامام تامام!یه نکته برای کسایی که کُد کِلاسِ شبکه عصبی رو نخوندن (یا هنوز بلد نیستن که بخونن)، وزنی که در طِی تمرین نوشته شده، تنها برای به لایه اول هست، شما می‌تونید همه رو چاپ کنید اصلاً، ولی برای شبکه‌های گُنده خوب نیست و نمی‌شه چیزی فهمید. در اینجا هم بیشتر جنبه زیبایی داره تا کاربرد، اما مقدار Loss یا نِرخِ زیان مفیده دیدنش. (اگه می‌بینید نِرخ زیان داره زیاد می‌شه تعجب نکنید، معیار سنجش دقت رو R2 گذاشتم که به ما یه عددی بین ۱- تا ۱ می‌ده و هرچقدر به عدد یک نزدیک‌تر باشیم یعنی کارمون داره درست‌تر انجام می‌شه)این فایل‌ها رو چند جا آپلود کردم و لینک نوت‌بوکِش رو هم در ابتدای مقاله قرار دادم، اما باز برای اینکه همه رو با هم داشته باشید اینجا می‌ذارم:توابع فعال‌سازیمعیار‌ها برای محاسبه میزان دقتپیش‌پردازش داده‌هالایه‌ها (یه نوع لایه بیشتر پیاده نکردم، وگرنه می‌شد انواع دیگری هم اضافه کرد)خودِ شبکه عصبینوت‌بوک کامل در کَگِل (به قول بِلادِ غرب All-in-One)واقعاً نباید انتظار داشته باشید وقتی در سطح مبتدی هستید تمامی مطالب بالا رو درک کنید، پله‌پله پیش برید و لقمه بزرگ‌تر از دهنتون رو یهو برندارید... وب‌سایت کَگِل یه دوره خوب (و نسبتاً جامع) در زمینه یادگیری عمیق داره که به‌نظرم نیازهای یه مبتدی رو پوشش می‌ده، اگه دوست داشتید یه سری بهش بزنید از این لینک.بدون شَک این پروژه من باگ و ایرادهایی داره، که کم‌کم گَندِش در می‌آد در طول زمان، با این حال اگه شما می‌خواید امتحانش کنید، برید یه گِیتِ دیگه رو باهاش بِسنجید و اگه هم قَصدِ تغییر دادنش رو دارید، مستقیم برید سراغ تابِعِ train و علی‌الخُصوصْ قسمت پَس انتشار و آپدِیتِ وزن‌های شبکه.منابع:https://hackernoon.com/everything-you-need-to-know-about-neural-networks-8988c3ee4491https://python-course.eu/machine-learning/neural-networks-structure-weights-and-matrices.phphttps://towardsdatascience.com/building-neural-network-from-scratch-9c88535bf8e9https://www.mlglossary.irhttps://www.kaggle.com/code/vitorgamalemos/multilayer-perceptron-from-scratch/notebookhttps://mlfromscratch.com/neural-network-tutorial/https://medium.com/analytics-vidhya/neural-network-mnist-classifier-from-scratch-using-numpy-library-94bbcfed7eae آرتین محمدی آرتین محمدی Mon, 25 Jul 2022 23:05:22 +0430 https://virgool.io/@sheikhartin/%D9%85%D9%82%D8%A7%DB%8C%D8%B3%D9%87-%D8%B4%D8%B1%D8%A7%DB%8C%D8%B7-%D9%88-%D8%B6%D9%88%D8%A7%D8%A8%D8%B7-%DA%A9%D8%A7%D8%B1-%D8%AF%D8%B1-%D9%85%D9%88%D9%82%D8%B9%DB%8C%D8%AA-%DB%8C%DA%A9-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%DA%AF%D8%B1-%D8%AF%D8%A7%D8%AF%D9%87-%DB%8C%D8%A7-%D8%AF%D8%A7%D9%86%D8%B4%D9%85%D9%86%D8%AF-%D8%AF%D8%A7%D8%AF%D9%87-%D8%AF%D8%B1-%D8%B4%D8%B1%DA%A9%D8%AA-%D9%87%D8%A7%DB%8C-mamaa-sszirmfmsnpq در این مقاله سعی می‌شه به سادگی و با ارائه جزئیات نسبی ذکر بشه که شما به چه چیزهایی نیاز دارید تا به عضو یکی از شرکت‌های غول تکنولوژی یعنی MAMAA یا همون FAANG سابق (تقریباً سابق) دربیاید. برای هر شرکت یه توضیح کوتاهی داده‌ می‌شه تا برای دوستان تازه‌وارد که فقط جنبه ظاهری رو مثل موتور جستجو یا شبکه‌های اجتماعی در نظر دارند چندان غریبی ایجاد نشه. در ضمن توضیحات از ویکی‌پدیا گرفته‌شده و برداشت شخصی بنده نیست، از همین بابت ممکنه بخش‌هایی مثل «شرکت فلان، یک شرکت چندملیتی آمریکایی هست» چندان خوشایند به‌نظر نرسه (نه از روی نژادپرستی و نفرت قبلی، بلکه زده‌شدن از روی تکرار مداوم یک چیز). تصویر از وب‌سایت proyecta.gtمتا (Meta)متا پلتفرمز که به عنوان متا تجارت می‌کند با نام سابق فیسبوک نیز شناخته می‌شود، یک شرکت فناوری چندملیتی آمریکایی مستقر در منلو پارک در ایالت کالیفرنیا است. این شرکت مالک فیسبوک، اینستاگرام و واتس‌اَپ و سایر محصولات و خدمات است.حداقل صلاحیت:کارفرما مدرک کارشناسی ارشد را در انفورماتیک، علوم کامپیوتر، اقتصاد، سیستم‌های اطلاعاتی، ریاضیات، آمار یا رشته‌های مرتبط و ۱ سال سابقه کار در شغل پیشنهادی یا در یک شغل مرتبط با تجزیه و تحلیل داده‌ها یا مشاوره را می‌پذیرد. تجربه باید شامل ۶ ماه تجربه در موارد زیر باشد:زبانی برای نوشتن اسکریپت‌ (پایتون، پی‌اچ‌پی یا پرل)استفاده از زبان‌ها و بسته‌هایی مانند R ،Pandas ،MATLAB ،SPSS ،SAS یا Stataآمار (آزمون فرضیه و رگرسیون)مجموعه داده‌های بزرگ و محاسبات توزیع‌شده (Hive/Hadoop)ابزارهای تجسم داده‌ها (به عنوان مثال Tableau)اجرای پروژه‌های استراتژیک با شرکای متقابلراه‌اندازی و تکمیل پروژه‌ها با حداقل راهنماییصلاحیت ترجیحی‌ای ذکر نشده…گوگل (داداش کوچیکه‌ Alphabet)گوگل یک شرکت فناوری چندملیتی آمریکایی است که بر هوش مصنوعی، فناوری موتورهای جستجو، تبلیغات آنلاین، محاسبات ابری، نرم‌افزارهای کامپیوتری، محاسبات کوانتومی، تجارت الکترونیک و لوازم الکترونیکی مصرفی تمرکز دارد.حداقل صلاحیت:مدرک کارشناسی ارشد در یک رشته کمی (مثل آمار، تحقیقات عملیات، بیوانفورماتیک، اقتصاد، زیست‌شناسی محاسباتی، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی برق، مهندسی صنایع) یا تجربه عملی معادل.۲ سال سابقه کار در زمینه تحلیل داده‌هاتجربه با نرم‌افزارهای آماری (مانند R ،MATLAB و یا پایتون با Pandas) و زبان‌های پایگاه‌داده (مثل SQL)صلاحیت ترجیحی:مدرک دکترا در یک رشته کمی (در بخش بالا ذکرشده است)۴ سال سابقه کاری مرتبط شامل تخصص در تحلیل داده‌های آماری مانند مدل‌های خطی، تحلیل چندمتغیره، مدل‌های تصادفی، روش‌های نمونه‌گیری.تجربه کاربردی با یادگیری ماشین در مجموعه داده‌های بزرگنشان دادن رهبری و خویش‌راهبری از خود. تمایل به آموزش به دیگران و یادگیری تکنیک‌های جدید.نشان دادن مهارت در انتخاب ابزار آماری مناسب با توجه به یک مشکل تجزیه و تحلیل داده‌ها. مهارت‌های ارتباط نوشتاری و کلامی موثر.مایکروسافت (Microsoft)شرکت مایکروسافت یک شرکت فناوری چندملیتی آمریکایی است که نرم‌افزار رایانه‌ای، لوازم الکترونیکی مصرفی، رایانه‌های شخصی و خدمات مرتبط را تولید می‌کند که مقر آن در محوطه مایکروسافت ردموند واقع در ردموندِ واشنگتن در ایالات متحده است.حداقل صلاحیت:لیسانس هنر (شامل نوشتن، تاریخ، فلسفه یا دینی)، لیسانس علوم (که معمولاً بیشتر با ریاضیات کار دارند)، علوم کامپیوتر، آمار، ریاضی و یا علوم داده یا مدرک معادل آن.۳-۵ سال تجربه در علم داده، تجزیه و تحلیل و یا آمارصلاحیت ترجیحی:تکنیک‌های قوی کاوش و تجزیه و تحلیل داده‌ها با استفاده از زبان‌هایی مانند Python ،SQL ،R یا Kustoتوانایی کمک به تعریف فرضیه، الزامات، معیارها و کاربرد با شرکای تجاری و فنیتوانایی کار از طریق ابهام و انعطاف‌پذیری برای کار در زمینه‌ها و پروژه‌های مختلفتوانایی اثبات‌شده برای ایجاد مشارکت‌های موفق و ایجاد همکاری پیچیده بین‌گروهیمهارت‌های استثنایی تصمیم‌گیری و اولویت‌بندی، حل تعارض، ایجاد جامعه (کامیونیتی) و پیگیریآمازون (Amazon.com)آمازون دات‌کام، یک شرکت فناوری چندملیتی آمریکایی است که بر تجارت الکترونیک، محاسبات ابری، جریان دیجیتال (استریمینگ دیجیتال) و هوش مصنوعی تمرکز دارد. از آن به عنوان یکی از تاثیرگذارترین نیروهای اقتصادی و فرهنگی در جهان یاد می‌شود و یکی از با ارزش‌ترین برندهای جهان است.حداقل صلاحیت:مدرک کارشناسی ارشد یا دکترا در رشته‌هایی مانند یادگیری ماشین، علوم، آمار، ریاضیات کاربردی، فیزیک، علوم کامپیوتر یا اقتصاد.تسلط به یک زبان برنامه‌نویسی یا محاسباتی (مانند پایتون، R و غیره)بیش از ۲ سال تجربه کاری مرتبط در نقش تحلیلی شامل استخراج، تجزیه و تحلیل، آمار و ارتباطات.بیش از ۲ سال تجربه با زبان‌های کوئری‌نویسی (مثل Hadoop/Hive)تجربه پردازش، فیلتر کردن و ارائه مقادیر زیاد (میلیون‌ها تا میلیاردها رکورد) از گروه‌های مختلف محصول و عملکردهای تجاری.تجربه کار با یادگیری ماشین و یا یادگیری عمیق برای مشکلات دنیای واقعیصلاحیت ترجیحی:تخصص در یادگیری تقویتی و یا یادگیری عمیقکنجکاوی طبیعی و میل به یادگیری، اشتیاق به حل مسائل دنیای واقعیسابقه کار قابل اثبات در برخورد خوب با ابهامات، اولویت‌بندی نیازها و ارائه نتایج در یک محیط پویامهارت‌های ارتباطی کلامی و نوشتاری برتر با توانایی حمایت موثر از راه‌حل‌های فنی برای افراد، تیم‌های مهندسی و مخاطبان تجاری.عمق و وسعت در دانش، یادگیری ماشینی عالی، تجزیه و تحلیل آماری و مهارت‌های حل مسئلهاپل (Apple)شرکت اپل یک شرکت فناوری چندملیتی آمریکایی است که در لوازم الکترونیکی مصرفی، نرم‌افزار و خدمات آنلاین تخصص دارد که دفتر مرکزی آن در کوپرتینو در ایالت کالیفرنیا است.حداقل صلاحیت:تجربه عملی و درک نظری الگوریتم‌های طبقه‌بندی، رگرسیون، خوشه‌بندی و تشخیص ناهنجاریدانش کاری از پایگاه‌داده‌های رابطه‌ای، از جمله SQL، و سیستم‌های توزیع‌شده در مقیاس بزرگ مانند Hadoop و Sparkامکان پیاده‌سازی خطوط‌لوله و برنامه‌های علوم داده در یک زبان برنامه‌نویسی عمومی مانند پایتون، اسکالا یا جاوا.توانایی درک و اشکال‌زدایی ادغام سیستم‌های پیچیده که زنجیره‌های ابزار و تیم‌ها را در بر می‌گیرد.توانایی استخراج بینش تجاری معنی‌دار از داده‌ها و شناسایی داستان‌های پشت الگوهامهارت‌های ارائه عالی، تجزیه و تحلیل پیچیده و مفاهیم به نکات مختصر متمرکز بر کسب و کارخلاقیت برای مهندسی ویژگی‌ها و سیگنال‌های جدید، و فراتر رفتن از ابزارها و رویکردهای فعلیصلاحیت ترجیحی‌ای گفته‌نشده، و خود وب‌سایت کار اپل (اپل جابز) از موارد بالا به عنوان صلاحیت‌های کلیدی نام می‌بره…نتفلیکس (جایزه برای سمج‌ها)نتفلیکس یک شرکت تولید و خدمات پخش اشتراک آمریکایی است. این مجموعه که در ۲۹ آگوست ۱۹۹۷ (برابر با ۷ شهریور ۱۳۷۶) راه‌اندازی شد، یک کتابخانه فیلم و سریال تلویزیونی را از طریق معاملات توزیع ارائه می‌دهد و همچنین تولیدات خود به نام Netflix Originals منتشر می‌کند.حداقل صلاحیت:بیش از ۸ سال تجربه در صنعت و مهارت در ساخت خطوط‌لوله داده توزیع‌شده به صورت دسته‌ای و بلادرنگ (در پشت صحنه کار این شبکه عظیم از Spark ،Flink ،Hive/Iceberg ،Kafka استفاده است، بنابراین تجربه با این فناوری‌ها مفید است، اما به لزوماً مورد نیاز نیست).شما باید حداقل به یک زبان اصلی (مانند جاوا، اسکالا، پایتون) و SQL (از هر مدلی) مسلط باشید. همچین در تلاش باشید که کدهای تمیز و قابل نگهداری بنویسید، و در کنار این موارد، برای کار با فناوری‌های جدید مشکلی نداشته باشید.باید دانش گسترده‌ای در مورد انتقال و پروتکل‌های API مانند gRPC یا GraphQL یا REST در اختیار داشته باشید.شما باید دارای یک طرز فکر محصول برای درک نیازهای کسب و کار و توسعه راه حل‌های مهندسی مقیاس‌پذیر باشید.شما همواره باید به دنبال فرصت‌هایی برای ساده‌سازی، خودکارسازی وظایف، و ساخت اجزای قابل استفاده مجدد در موارد و تیم‌های چندگانه باشید.شما دارای مهارت‌های ارتباطی قوی برای همکاری با شرکای متقابل و هدایت پروژه‌ها هستید. شما کنجکاو و مشتاق به کار در انواع تخصص‌های مهندسی هستید (به عنوان مثال، علم داده، مهندسی داده و یادگیری ماشین).شما به جزئیات توجه دارید و دوست دارید با محصولات داده با کیفیت بالا که به خوبی مستند‌شده و به راحتی قابل درک هستند، شادی را در میان شرکای خود ایجاد کنید.کار کردن در چابک‌ترین (اَجایل‌ترین) محیط‌ها با الزامات مبهم و تکرارهای سریع راحت هست برای شما. شما زیرک هستید و هوشمندانه ریسک می‌کنید.صلاحیت ترجیحی خاصی نداره، فقط بهتره تجربه کار فریمورک‌های ساخت مایکروسرویس‌ها نظیر Spring Boot رو داشته باشید. از نحوه نوشتار ۳ شرط آخر هم در حداقل صلاحیت‌های این شرکت تعجب نکنید، در توصیف شغل با لحن مستقیم به شما صحبت می‌شه.در انتها توجه داشته باشید که تمامی موارد بالا که براتون آماده کردم مربوط به یه شغلی نزدیک به انگولک کردن داده‌ها بود و لزوماً‌ شما نباید دو خط کد برای خوشگل‌سازی و نمایش‌ داده‌ها بزنید یا از AutoML برای خودکارسازی فرآیند کار استفاده کنید. معمولاً شرکت‌های کوچیک و بزرگ از شما انتظار دارن که به مسائل بیزنسی هم آشنایی داشته باشید.سوا از نکته بالایی و بحث‌های پشتش، به‌نظرتون کدوم یکی از این شرکت‌ها سخت‌گیرتر بود؟ به‌نظر خودم نتفلیکس اون بچه پروئه هست! :)منابع:https://www.metacareers.com/v2/jobs/1871076386421953https://careers.google.com/jobs/results/103340634112172742-data-scientist-engineeringhttps://careers.microsoft.com/us/en/job/1375969/senior-data-analysthttps://www.amazon.jobs/en/jobs/904513/data-scientisthttps://jobs.apple.com/en-us/details/200237900/data-scientist-strategic-data-solutionshttps://jobs.netflix.com/jobs/205741244 آرتین محمدی آرتین محمدی Wed, 13 Jul 2022 20:27:43 +0430