AIA

a = [1, 2, 3, 4, 5]
b = a
b[0] = 0
print(a)

1. ایجاد لیست a:

   a = [1, 2, 3, 4, 5]
   

در این مرحله، لیستی به نام a با مقادیر [1, 2, 3, 4, 5] ایجاد می‌شود. 2. اختصاص b به a:

   b = a
   

در اینجا، متغیر b به همان لیستی که a اشاره می‌کند، اشاره داده می‌شود. در پایتون، لیست‌ها قابل تغییر هستند و با ارجاع انتقال می‌یابند، به این معنی که هر دو a و b به همان مکان حافظه اشاره می‌کنند. 3. تغییر مقدار b[0]:

   b[0] = 0
   

اینجا، مقدار اولین عنصر لیست b به 0 تغییر می‌کند. از آنجایی که a و b به همان لیست اشاره می‌کنند، این تغییر در a نیز منعکس می‌شود. 4. چاپ لیست a:

   print(a)
   

در این مرحله، لیست a تغییرات ایجاد شده در b را منعکس می‌کند و خروجی به این صورت خواهد بود:

   [0, 2, 3, 4, 5]
   

خروجی نهایی: [5, 4, 3, 2, 0] مفهوم کلیدی: در پایتون، لیست‌ها اشیاء قابل تغییر هستند و با ارجاع (reference) انتقال می‌یابند. بنابراین هر تغییری که در یک متغیر ایجاد شود، در تمامی ارجاعات به آن شیء منعکس می‌شود. در این مثال، هر دو a و b به همان لیست در حافظه اشاره می‌کنند، بنابراین هر تغییری در b در a نیز ظاهر می‌شود.

a = [1, 2, 3, 4, 5]
b = a
b[0] = 0
print(a)

توضیحات: 1. **ایجاد لیست a:**

   a = [1, 2, 3, 4, 5]
   

در این مرحله، لیستی به نام a با مقادیر [1, 2, 3, 4, 5] ایجاد می‌شود. 2. **اختصاص b به a:**

   b = a
   

در اینجا، متغیر b به همان لیستی که a اشاره می‌کند، اشاره داده می‌شود. در پایتون، لیست‌ها قابل تغییر هستند و با ارجاع انتقال می‌یابند، به این معنی که هر دو a و b به همان مکان حافظه اشاره می‌کنتغییر مقدار b[0]: b[0]:**

   b[0] = 0
   

اینجا، مقدار اولین عنصر لیست b به 0 تغییر می‌کند. از آنجایی که a و b به همان لیست اشاره می‌کنند، این تغییر در a نیز منعکس می‌شچاپ لیست a:یست a:**

   print(a)
   

در این مرحله، لیست a تغییرات ایجاد شده در b را منعکس می‌کند و خروجی به این صورت خواهد بود:

   [0, 2, 3, 4, 5]
   

**خروجی نهایی:** [0, 2, 3, 4, 5] **مفهوم کلیدی:** در پایتون، لیست‌ها اشیاء قابل تغییر هستند و با ارجاع (reference) انتقال می‌یابند. بنابراین هر تغییری که در یک متغیر ایجاد شود، در تمامی ارجاعات به آن شیء منعکس می‌شود. در این مثال، هر دو a و b به همان لیست در حافظه اشاره می‌کنند، بنابراین هر تغییری در b در a نیز ظاهر می‌شود.

یه موقعیت پست داک در زمینه هوش مصنوعی روباتیک و پرینت سه بعدی در دانشکده معماری دانشگاه میشیگان. اگه مناسبه براتون اپلای کنید. https://careers.umich.edu/job_detail/260358/postdoctoral-research-associate-artificial-intelligence-robotics-and-3d-printing

دانشکده حقوق دانشگاه تهران پذیرایی جلسه دفاع را ممنوع کرد. اعلام کردند فقط آب و چای این اولین ممنوعیته که باهاش موافقم. مگه مهمونیه اخه. شده ادابازی و توقع ایجاد کرده که جلسه دفاع باید این شکلی باشه. شاید یکی نداشت. به نظرم از بین آب و چایی هم یکیش بسه.:) امیدوارم بقیه دانشکده ها و دانشگاها هم این کارو بکنن

تا بیست و سوم فوریه فرصت دارید دوره‌های دیتا کمپ رو رایگان دریافت کنید. https://www.datacamp.com

«ما همه جوان می‌میریم.» ‏‌ ‏- سیاوش‌خوانی؛ بهرام بیضایی. ‏برای ⁧ #امیر_محمد_خالقی⁩ و جان و جوانی هدر رفته‌اش. @monadchannel

۳ موقعیت شغلی در زمینه‌ی مهندسی نرم‌افزار وین 🔗https://jobs.smartrecruiters.com/Entain/744000042284885-software-development-engineer-ii-m-f-d 🔗https://jobs.smartrecruiters.com/Entain/744000027829286-software-engineer-i-platform 🔗https://jobs.smartrecruiters.com/Entain/744000042284037-software-development-engineer-in-test-ii-m-f-d

پوزیشن #ماشین_لرنینگ ساینتیست در کمپانی اپل کالیفرنیا https://jobs.apple.com/en-us/details/200590563/machine-learning-scientist-personalization-science-apple-media-products

برای شفاف‌سازی پست قبلی، در این مثال، دیتاست ورودی شامل 8 ویژگی به شرح زیر است: X1 - Relative Compactness (تراکم نسبی) X2 - Surface Area (مساحت سطح) X3 - Wall Area (مساحت دیوار) X4 - Roof Area (مساحت سقف) X5 - Overall Height (ارتفاع کلی) X6 - Orientation (جهت‌گیری ساختمان) X7 - Glazing Area (ناحیه شفاف) X8 - Glazing Area Distribution (توزیع منطقه شفاف) و هدف (Target) مدل Heating Load (بار گرمایی) ساختمان است. الگوریتم پس از شناسایی ارتباطات بین ویژگی‌ها و هدف، دو خروجی اصلی شامل وزن و بایاس را تولید می‌کند. با استفاده از این مقادیر و کامپوننت پیش‌بینی (Prediction Component)، می‌توان به راحتی و تنها با وارد کردن ویژگی‌های مناسب، بار گرمایی ساختمان را پیش‌بینی کرد، بدون نیاز به نرم‌افزار خاص یا ابزارهای اضافی. این یکی از کاربردهای بسیار موثر الگوریتم‌های #یادگیری_ماشین در معماری است که به بهینه‌سازی مصرف انرژی و طراحی پایدار کمک می‌کند.

رگرسیون خطی یک الگوریتم یادگیری ماشین است که رابطه بین متغیرها را با یک خط مستقیم مدل‌سازی می‌کند. این الگوریتم برای پیش‌بینی مقادیر عددی بر اساس داده‌های ورودی استفاده می‌شود. فاصله کم بین تست و ترین در خروجی نشان دهنده این است که الگوریتم به خوبی کار میکند

پروژه جدیدی را آغاز کرده‌ام که به بررسی کاربردهای هوش مصنوعی و یادگیری ماشین در معماری می‌پردازد. این پروژه شامل چندین فاز است و در فاز اول، الگوریتم‌های یادگیری ماشین را به‌صورت شخصی‌سازی‌شده برای معماران، در محیط گرسهاپر پیاده‌سازی کرده‌ام. این راهکار باعث می‌شود که معماران بدون نیاز به درک عمیق مباحث ریاضی پشت الگوریتم‌ها، بتوانند به‌سادگی از یادگیری ماشین استفاده کنند. تنها کافی است فایل CSV حاوی اطلاعات معماری شخصی خود را وارد کنند؛ سپس تمامی مراحل آموزش مدل، به‌طور خودکار و در عرض چند ثانیه انجام خواهد شد. در نهایت، دقت الگوریتم نیز در خروجی نمایش داده می‌شود. در چند ماه آینده، فاز اول این پروژه شامل الگوریتم‌های رگرسیون، دسته‌بندی و خوشه‌بندی منتشر خواهد شد و معماران می‌توانند آن را دانلود و استفاده کنند. #Food4Rhino #ComputationalDesign #سی_شارپ #ParametricDesign

پروژه جدیدی را آغاز کرده‌ام که به بررسی کاربردهای هوش مصنوعی و یادگیری ماشین در معماری می‌پردازد. این پروژه شامل چندین فاز است و در فاز اول، الگوریتم‌های یادگیری ماشین را به‌صورت شخصی‌سازی‌شده برای معماران، در محیط گرسهاپر پیاده‌سازی کرده‌ام. این راهکار باعث می‌شود که معماران بدون نیاز به درک عمیق مباحث ریاضی پشت الگوریتم‌ها، بتوانند به‌سادگی از یادگیری ماشین استفاده کنند. تنها کافی است فایل CSV حاوی اطلاعات معماری شخصی خود را وارد کنند؛ سپس تمامی مراحل آموزش مدل، به‌طور خودکار و در عرض چند ثانیه انجام خواهد شد. در نهایت، دقت الگوریتم نیز در خروجی نمایش داده می‌شود. در چند ماه آینده، فاز اول این پروژه شامل الگوریتم‌های رگرسیون، دسته‌بندی و خوشه‌بندی منتشر خواهد شد و معماران می‌توانند آن را دانلود و استفاده کنند. #Food4Rhino #ComputationalDesign #ParametricDesign #csharp #plugin

لایبرری Data Formulator یک ابزار مبتنی بر هوش مصنوعیه که برای درست کردن انواع visualization کاربرد داره و به تحلیلگران کمک می‌کنه تا به صورت تعاملی، visualization های غنی ایجاد کنند. برخلاف اکثر ابزارهای چت هوش مصنوعی که کاربرها باید همه چیز رو خودشون به زبان طبیعی توصیف کنند، Data Formulator تعاملات رابط کاربری (UI) و ورودی‌های زبان طبیعی (NL) رو برای تعامل آسون‌تر ترکیب می‌کنه. این رویکرد ترکیبی، توصیف طرح‌های نمودار رو برای کاربر راحت‌تر می‌کنه در حالی که تبدیل داده‌ها رو به هوش مصنوعی واگذار کرده. Credit: Mahdi Allahyari 🔗https://github.com/microsoft/data-formulator

Our Plugin "Orchid" showcases the beauty of mathematics through stunning geometric forms generated from mathematical equations. Each equation is displayed alongside its corresponding shape, allowing users to appreciate the mathematical foundations behind the visuals. Additionally, the plugin features dedicated tabs for creating intricate fractal geometries. Download Orchid from: https://lnkd.in/djWfj32y explore the harmony of math and design! #csharp #plugin_development #orchid #grasshopper پلاگین " ارکید" زیبایی ریاضیات را از طریق اشکال هندسی خیره‌کننده‌ای که بر اساس معادلات ریاضی تولید شده‌اند، به نمایش می‌گذارد. هر معادله به‌طور همزمان در کنار شکل مربوطه نمایش داده می‌شود تا ارتباط میان ریاضیات و فرم را به‌خوبی درک کنید. علاوه بر این، این پلاگین شامل تب‌هایی برای ایجاد هندسه‌های فراکتالی پیچیده است. پلاگین Orchid را از Food4Rhino دانلود کنید و هماهنگی شگفت‌انگیز بین ریاضیات و طراحی را تجربه کنید!

اما اگه دارید از DeepSeek استفاده می‌کنید برای حفظ امنیت خودتون بهتره که از ایمیل ناشناس و vpn استفاده کنید و دیتای زیادی از خودتون به دولت چین ندید. چون ظاهرا اعتقاد زیادی به پرایوسی ندارن و در جواب این سوال که اطلاعات کاربرها رو چقدر نگهداری میکنن جوابی دادن شبیه به این که «تا هر چقدر که دوست داریم!»

احتمالا توی این چندر روز اخبار هوش مصنوعی دیپ سیک و کاهش ارزش سهام کمپانی انویدیا به گوشتون رسیده. بریم به زبان ساده ببینیم که ماجرا از چه قراره: در حال حاضر فرآیند آموزش مدل‌های AI به شدت هزینه‌بره. شرکت‌هایی مثل OpenAI، Anthropic و سایرین بیشتر از ۱۰۰ میلیون دلار تنها برای محاسبات هزینه می‌کنن و به مراکز داده بسیار بزرگ با هزاران GPU گرون‌قیمت نیاز دارن. این چیزی شبیه به ساخت یک نیروگاه برای راه‌اندازی یک کارخونه‌ست. اما DeepSeek میگه: «اگه همه‌ی این کارها رو با ۵ میلیون دلار انجام دادم چی؟» هوش مصنوعی DeepSeek اغراق نکرده و واقعاً این کار رو انجام داده! مدل‌های اونها تو بسیاری از تسک‌ها موفق شدن GPT-4 و Claude رو شکست بدن و این مسئله سبب حیرت دنیای #هوش_مصنوعی شده. چطور این کار رو انجام دادن؟ اون‌ها همه چیز رو از پایه بازاندیشی کردن. مثلا به جای اینکه مثل هوش مصنوعی‌های سنتی هر عدد رو با ۳۲ اعشار بنویسن، DeepSeek گفته:‌ «خب چرا با ۸ تا ننویسیم؟ تقریباً همون‌قدر دقیقه!» بووم! ۷۵٪ کاهش در حافظه مورد نیاز! مرحله‌ی بعد اون‌ها سراغ سیستم Multi-token رفتن. هوش مصنوعی‌های معمولی مثل یک بچه کلاس اولی متن رو کلمه به کلمه می‌خوندن: « آن .... مرد .... در باران.... آمد»، اما DeepSeek جمله رو یک‌جا می‌خونه با دو برابر سرعت و دقتی در حدود ۹۰٪. وقتی نیاز به تحلیل میلیاردها کلمه داریم، این موضوع خیلی مهمه! ولی قسمت هوشمندانه‌شون اینجاست: چیزی به نام «سیستم تخصص» ساختن. به جای اینکه یک AI غول‌آسا همه چیز رو بدونه (مثل کسی که هم دکتر باشه، هم مهندس هم جامعه‌شناس و...)، فقط از متخصصینی استفاده می‌کنن که در مواقع نیاز فراخوانی می‌شن. مدل‌های سنتی ۱.۸ تریلیون پارامتر دارن که همه در لحظه فعال هستند، اما DeepSeek فقط ۶۷۱ بیلیون پارامتر داره که از این تعداد، تنها ۳۷ بیلیون در لحظه فعال هستن. مثل اینکه تیم بزرگی داشته باشی ولی فقط کسی رو صدا بزنی که الان نیاز داری. نتیجه حیرت‌انگیزه: هزینه آموزش مدل: صد میلیون دلار> پنج میلیون دلار تعداد GPU: صدهزار> دو هزار هزینه API: نود و پنج درصد ارزون‌تر که می‌تونه روی کارت گرافیک‌های گیمینگ هم اجرا بشه بدون نیاز به سخت‌افزار مراکز داده. بخش جذاب داستان اینه که همه چیز اوپن سورسه، همه می‌تونن کارشون رو بررسی کنن، کدها عمومیه و دیگه هیچ جادویی در کار نیست، صرفاً هوشمندانه مهندسی کردن. چرا این موضوع اهمیت داره؟ چون این فرض رو که فقط کمپانی‌های بزرگ می‌تونند در عرصه AI بازی کنن رو نابود می‌کنه. برای شرکت‌هایی مثل انویدیا که کل مدل کسب‌وکارشون بر فروش GPUهای فوق‌العاده گرون با مارجین ۹۰٪ بوده، این مسئله ترسناکه، چون اگر همه بتونند با GPUهای گیمینگ مدل AI بسازن، دردسر بزرگی ایجاد می‌کنه! ضربه نهایی اینجاست: DeepSeek این کار رو با تیمی کمتر از ۲۰۰ نفر انجام داده، درحالی‌که هزینه‌هایی که متا برای حقوق کارکنانش می‌پردازه از کل بودجه آموزش DeepSeek بیشتره ولی مدلشون به این اندازه خوب نیست. این یک داستان کلاسیک شکست وضع موجوده: وقتی شرکت‌های بزرگ فرآیند‌های موجودشون رو بهینه‌سازی می‌کنن، بت‌شکن‌ها میان فرآیندها رو از ابتدا بازاندیشی می‌کنن. دیپ سیک پرسید: «چی می‌شه به جای اینکه هی سخت‌افزار اضافه کنیم، این کار رو هوشمندانه‌تر انجام بدیم؟» نتایج چشمگیره: ● دسترسی به توسعه AI بیشتر می‌شه ●رقابت افزایش پیدا می‌کنه ●سنگرهای بزرگ شرکت‌های تکنولوژیک شبیه دست‌انداز‌های کوچیک جلوه می‌کنه ●نیازهای سخت‌افزاری و هزینه‌ها به شدت کاهش پیدا می‌کنه. البته، غول‌هایی مثل OpenAI و Anthropic بیکار نمی‌نشینن و احتمالاً همین حالا به استفاده و به‌کارگیری این ابداعات مشغول هستن، ولی غول بهره‌وری از چراغ جادو بیرون آمده و دیگه نمی‌تونن به دورانی برگردن که هی سخت‌افزار اضافه کنن. به نظر میاد که این لحظه‌ی تاریخی، از اون لحظاتیه که بعدها بهش به عنوان نقطه‌ی عطف نگاه می‌کنیم، شبیه زمانی که PCها کامپیوترهای بزرگ رو از رده خارج کردن یا محاسبات ابری همه چیز رو تغییر داد. حالا هوش مصنوعی قراره با هزینه‌ی بسیار کمتر و به مقدار بیشتری در دسترس باشه. سوال این نیست که آیا این باعث تغییر بازیگران بزرگ عرصه میشه یا نه، بلکه سوال اینه که با چه سرعتی این کار رو انجام می‌ده. Credit: Morgan Brown https://x.com/morganb/status/1883686162709295541?t=Y4bufurDSH2wsqK14O2ivQ&s=19

کاربرد پیشرفته #کامپیوتر در #معماری_دیجیتال دانشجو : شیوا خامی زاده