uz
Feedback
MatlabTips

MatlabTips

Kanalga Telegram’da o‘tish

آموزش MATLAB با "استفاده از ویدئو و متن" در سطوح مبتدی تا پیشرفته پاسخ به سوالات تخصصی: @roholazandie

Ko'proq ko'rsatish
977
Obunachilar
Ma'lumot yo'q24 soatlar
Ma'lumot yo'q7 kun
Ma'lumot yo'q30 kun

Ma'lumot yuklanmoqda...

O'xshash kanallar
Taglar buluti
Ma'lumot yo'q
Muammo bormi? Iltimos, sahifani yangilang yoki bizning qo'llab-quvvatlash boshqaruvchimizga murojaat qiling>.
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Sentabr '24
Sentabr '240
0 kanalda
Avgust '240
0 kanalda
Get PRO
Iyul '240
0 kanalda
Get PRO
Iyun '24
+2
0 kanalda
Get PRO
May '24
+1
0 kanalda
Get PRO
Aprel '24
+3
0 kanalda
Get PRO
Mart '24
+17
1 kanalda
Get PRO
Fevral '24
+1
0 kanalda
Get PRO
Yanvar '240
0 kanalda
Get PRO
Dekabr '230
0 kanalda
Get PRO
Noyabr '230
0 kanalda
Get PRO
Oktabr '230
0 kanalda
Get PRO
Sentabr '23
+3
0 kanalda
Get PRO
Avgust '23
+7
0 kanalda
Get PRO
Iyul '23
+20
0 kanalda
Get PRO
Iyun '23
+4
0 kanalda
Get PRO
May '23
+1
0 kanalda
Get PRO
Aprel '23
+1
0 kanalda
Get PRO
Mart '23
+12
0 kanalda
Get PRO
Fevral '23
+4
0 kanalda
Get PRO
Yanvar '23
+5
0 kanalda
Get PRO
Dekabr '22
+1
0 kanalda
Get PRO
Noyabr '22
+5
0 kanalda
Get PRO
Oktabr '22
+26
0 kanalda
Get PRO
Sentabr '22
+1
0 kanalda
Get PRO
Avgust '22
+1
0 kanalda
Get PRO
Iyul '22
+2
0 kanalda
Get PRO
Iyun '22
+3
0 kanalda
Get PRO
May '22
+17
0 kanalda
Get PRO
Aprel '22
+23
0 kanalda
Get PRO
Mart '22
+2
0 kanalda
Get PRO
Fevral '22
+2
0 kanalda
Get PRO
Yanvar '22
+19
0 kanalda
Get PRO
Dekabr '21
+14
0 kanalda
Get PRO
Noyabr '21
+6
0 kanalda
Get PRO
Oktabr '21
+13
0 kanalda
Get PRO
Sentabr '21
+5
0 kanalda
Get PRO
Avgust '21
+11
0 kanalda
Get PRO
Iyul '21
+7
0 kanalda
Get PRO
Iyun '21
+7
0 kanalda
Get PRO
May '21
+8
0 kanalda
Get PRO
Aprel '21
+8
0 kanalda
Get PRO
Mart '21
+7
0 kanalda
Get PRO
Fevral '21
+13
0 kanalda
Get PRO
Yanvar '21
+20
0 kanalda
Get PRO
Dekabr '20
+1 082
0 kanalda
Sana
Obunachilarni jalb qilish
Esdaliklar
Kanallar
29 Sentabr0
28 Sentabr0
27 Sentabr0
26 Sentabr0
25 Sentabr0
24 Sentabr0
23 Sentabr0
22 Sentabr0
Kanal postlari
در طول چند دهه ی اخیر فیزیکدانان حالت های جدیدی از ماده را بررسی می کنند که قوانین فرآیندهای تصادفی مخصوص به خودشان را دارند. این حالت های جدید در واقع همان حرکتهایی است که در «مقیاس» های مختلف موجودات زنده مشاهده شده است. به صورت کلاسیک فرآیند های تصادفی مانند حرکت مولکول ها در هوا یا مایع از قانون حرکت براونی (Brownian motion) پیروی می کند. یک مثال معروف آن حرکت قطرات جوهر است وقتی در آب ریخته می شوند. این نوع از حرکت بسیار مطالعه شده و ویژگی ها آن استخراج شده است. به طور مثال در حرکت براونی حالت سیستم در هر لحظه تنها به لحظه ی قبل تر آن وابسته است. این حقیقت از ویژگی خطی بودن پخش (diffusion) می آید. چنین ویژگی ای منجر به معادلات درجه ی اول در زمان برای پخش می شود. اما مطالعه ی حرکت ذرات تشکیل دهنده ی حیات به طور مثال پروتئین ها در سلول یا سلول های در بدن، حیوانات در زیست بوم نشان می دهند حرکت آنها تابع قوانین تصادفی پیچیده تری است. یکی از مهمترین ویژگی این نوع دینامیک این است که لزوما فقط به یک لحظه ی قبل وابسته نیست بلکه به لحظات قبل تر هم وابسته است. به نوعی در این گونه دینامیک نوعی از حافظه وجود دارد که باعث می شود سیستم در تعامل با خودش باشد. لازم نیست به چیزهای پیچیده فکر کنیم وقتی توپ های روی یک میز بیلیارد را هم حرکت دهیم می توان دید که حرکات سیستم به حرکات آن از زمان های بسیار قبل تر هم وابسته است. به طور مثال یک توپ ممکن است جهتی دیگر برود و به توپ دیگری که از زمان قبل کنار هم بوده اند برخورد کند. چنین چیزی بسیار ساده بنظر می رسد اما ویژگی مهمی است که امکان ایجاد خوشه و شکل های پیچیده تری را به وجود می اورد که پیش زمینه های وجود حیات است.

2
مشتق کسری قسمت دوم بر روی ویرگول بخوانید https://vrgl.ir/0PQio
233
3
ویدیویی که میبینید ساخته ی گرافیک کامپیوتری (CGI) نیست!‌ این یکی از کارهای یک هنرمند است که فقط با استفاده از مواد شیمیایی مخ
ویدیویی که میبینید ساخته ی گرافیک کامپیوتری (CGI) نیست!‌ این یکی از کارهای یک هنرمند است که فقط با استفاده از مواد شیمیایی مختلف بخصوص ferrofluid یا فروسیال که خاصیت مغناطیسی دارند چنین الگوهای عجیب و «زنده» life like میسازد. جالبترین نکته ی این ویدیوها نظم و پیچیدگی عجیبی ساختارهایی است که از قوانین فیزیکی ساده ای پیروی می کنند. برخی از این سیستم ها مانند ising model در فیزیک بررسی شده اند و شباهت های بسیار بنیادی با حیات و ساختارهای پیچیده تر زیست شناسی کشف شده اند. بطور مثال چنین سیستم هایی از اساس خود سازمانده ‌self organized هستند یعنی برای ایجاد و نگه داری خود نیاز به خالق یا یک کنترل مرکزی ندارند. اطلاعات را با کارایی بسیار بالا پردازش میکنند و برخلاف سیستم های مهندسی مقاومت زیادی در برابر تغییر دارند و تابع قوانین فرگشت (evolution) هستند. در مورد چنین سیستم هایی بیشتر صحبت خواهیم کرد. منبع
308
4
🔵مشتق کسری!🔵 در گذشته در مورد مفاهیم عجیب و غریب ریاضی و اینکه از جاهای غیر منتظره ای سر در می آورند صحبت کردیم. بخش گسترده (شاید در واقع تمام) ریاضیات پر است از جهش هایی در جهات عجیب و غیر قابل فهم. هر مفهوم ریاضی در زمان خودش بی معنا بوده است. گسترش سیستم های عددی مهم ترین مثال آن است. از اعداد طبیعی به اعداد کسری و منفی و در نهایت اعداد مختلط! خیلی اوقات ما به چنین جهش هایی فکر نمیکنیم چون صرفا آن ها را بی معنی تلقی می کنیم. یا حتی بدتر آن ها به پارادوکس منجر می شوند! یک مثل کهن در مورد چنین تناقض هایی به مفهوم پیوستگی بر میگردد که قدمتی بسیار طولانی دارد. گفته می شود اولین تناقض کشف شده در مورد مفهوم پیوستگی توسط زنو ارايه شد. زنو مثال معروف مسابقه ی خرگوش و لاک پشت را دارد. سوال این است که کدام می برد. همه می گویند خرگوش. اما خرگوش برای اینکه تمام مسیر را ببرد نیاز دارد نصف ان را برود و برای آنکه نصف آن را برود باز هم نیاز دارد نصف آن را ببرد و الی اخر! انگار خرگوش نگون بخت هرگز نمی تواند شروع کند چون هیچ قدم بی نهایت کوچکی وجود ندارد! با این حال میبینم که جهان ما پیوسته است و چنین مشکلاتی وجود ندارد!‌ بیش تر از ۱۷ قرن طول کشید تا این مساله توسط نیوتون و لایبنیتز حل شود. نیوتون و لایبنیتز حساب دیفرانسیل و انتگرال را معرفی کردند که عملا حساب بی نهایت کوچک ها بود. آن ها نشان دادند که گاهی ضرب بی نهایت کوچک (زمان یک قدم) در ضرب بی نهایت بزرگ (تمام بازه ها) می تواند یک عدد متناهی باشد. چنین چیزی را هر کس که حد های بی نهایت حل کرده باشد می داند. در عمل پارادوکس همواره موتور محرکه ی کشفیات جدید ریاضیات بوده است و بیشتر اوقات دغدغه ی ریاضیدان کاربرد عملی نظریه اش نیست بلکه رفع آن پارادوکس ها و سوالات است. اما از طرف دیگر تاریخ نشان داده گسترش مفاهیم ریاضی همواره کاربرد های جدید پیدا کرده است. انگار ریاضیات به ما ابزارهای جدید برای شکافتن حتی حقایق فیزیکی را هم می دهند. اخیرا با یکی از همین جهش های عجیب آشنا شدم که من را بسیار با خود درگیر کرده است. در درس حسابان با مفهوم مشتق آشنا می شویم مشتق در ساده ترین حالت خود چیزی جز زاویه ی خط در یک نقطه نیست. مشتق دوم میزان تحدب و تعقر را اندازه می گیرد و مشتق های بالاتر اطلاعات بیشتر (هرچند تفسیر آن ها سخت است) مشتق گرفتن همواره یک عملیات عدد درست تلقی می شد: یعنی مثلا مشتق اول و دوم و سوم داریم اما مشتق سه چهارم نداریم! چنین چیزی بی معنی است! اما آیا واقعا بی معناست؟ جالب است که این سوال را خود لایبنیتز پرسید که خودش مشتق را کشف کرد. با این حال لایبنتیز متوجه پارادوکس هایی در مورد این مساله شد. با این حال نوشت: مشتق کسری منجر به پارادوکس می شود اما روزی نتایج مفیدی از آن استخراج می شود. اما پارادوکس مشتق کسری چیست؟ ابتدا بیایید ببینیم چطور چنین چیزی استخراج می شود. (ادامه دارد..)
321
5
بوستون داینامیکز از ۱۹۸۳ تا ۲۰۲۲
بوستون داینامیکز از ۱۹۸۳ تا ۲۰۲۲
589
6
جملاتی که در ابتدای آهنگ می‌شنوید، مربوط به آخرین لحظات زندگی هفت فضانورد فضاپیمای آمریکایی «شاتل فضایی کلمبیا» و مکالمهٔ آن‌ها با ایستگاه کنترل مأموریت است. این هفت فضانورد که از کشورهای آمریکا، اسرائیل و هند بودند، پس از اتمام ماموریت STS 107 در فضا و در حال بازگشت به جو زمین، در روز یکم فوریه 2003 به دلیل انفجار فضاپیما، جان خود را از دست دادند. نام قطعه (تایجین کیوفوشو/Taijin Kyofusho) نام ژاپنی یک اختلال روانی است؛ افراد مبتلا به این اختلال، ترس شدیدی از این دارند که موجب آسیب یا آزار دیگران شوند و به همین دلیل ترجیح می‌دهند روابط اجتماعی خود را به حداقل برسانند تا احتمال چنین وقایعی به حداقل برسد./
293
7
رای اندازه گیری رزولوشن در تصویر تعاریف درستی داریم اما در زبان چه؟ اصلا رزولوشن در زبان را میتوان تعریف کرد؟ به نظر من بهترین تعریف برای رزولوشن با مفهوم perplexity گره خورده است که در عمل cross entropy بین توزیع احتمال تولید شده توسط شبکه و توزیع احتمال واقعی (که با داده ها تخمین زده می شود empirical distribution) است. زمانی که این فاصله (که از نوع اطلاعات است) به صفر برسد تفاوتی بین واقعیت و توزیع نیست و رزولوشن بی نهایت است. بنابراین می توان رزولوشن مدل را به صورت معکوس perplexity تعریف کرد LM_resolution = 1/perplexity Perplexity = 2^ H(p, q) که در آن H(p,q) کراس آنتروپی بین توزیع احتمال مدل زبانی p و توزیع احتمال واقعی q است. حالتی که رزولوشن بی نهایت است یک حد است که هیچ گاه نمی توان به آن رسید چون توزیع احتمال مقصد علاوه به ظرافت بی نهایت (؟) همواره در حال تغییر است. چون زبان یک پدیده ی دینامیک است.
383
8
🔵رزولوشون زبان!🔵 در بزرگ کردن مدل های زبانی دقیقا چه اتفاقی می افتد؟ چطور شده که هر چه این مدل ها را بزرگ تر میکنیم و حجم محاسباتی بیشتری را مصرف میکنیم به نتایج بهتری میرسیم. نتایج شگفت انگیزی که از محصول اخیر openai یعنی chatgpt میبینیم از کجا نشات می گیرد؟ در حالی که تنها چیزی که مدل در عمل یاد میگیرید پیش بینی کلمه ی بعدی با داشتن کلمات قبلی است. چطور به انجام رساندن چنین کار به نسبت ساده ای می تواند راه حل مشکلات دیرپای هوش مصنوعی در حوزه ی زبان مانند مساله استدلال متعارفی )commonsense reasoning) ترجمه متن، خلاصه و حتی مسائل ریاضی و برنامه نویسی باشد؟ برای درک چنین چیزی نیاز است به موضوع تقریبا به ربطی فکر کنیم: گرافیک کامپیوتری! از زمانی که ما شروع به تصویر کردن جهان خارج و فیزیک در کامپیوتر بوده ایم راه درازی طی شده است. از مدل های ساده ی اولیه که تنها یک توپ را مدل می کردند و موتور های گرافیکی ساده تا موتور های گرافیکی امروزی که به سختی می توان خروجی آن ها را از ویدیو واقعی تشخیص داد چندین اتفاق مهم افتاده است اما شاید بتوان همه را در یک موضوع خلاصه کرد:‌افزایش توان محاسباتی از طریق کارت های گرافیکی و افزایش رزولوشن تصویر! نکته ی مهم آن است که متوجه شویم دلیل استفاده از کارت گرافیک برای محاسبات ماتریسی و تانسوری در هوش مصنوعی مثل مدل های زبانی و حتی مدل های صوتی و تصویری فراتر از یک ابزار محاسبه است! در مدل سازی های هوش مصنوعی هم ما کاری به جز افزایش رزولوشن داده ی ورودی نمیکنیم! همچنان که با افزایش رزولوشن در گرافیک کامپیوتری شما تصویر بهتر و بهتری بدست می آورید تا در نقطه ای دیگر خروجی گرافیکی از واقعیت قابل تشخیص نیست چنین اتفاقی هم برای زبان می افتد. مدل های autoregressive زبانی که مبتنی بر مکانیزم attention هستند دقیقا آموزش می بینند تا با آموزش روی متن های زیاد ریزترین ارتباطات ممکن زبانی را بدست بیاورند که در نهایت منجر به تولید کلمه بعد و بعدی می شود تا بتواند یک مساله ی ریاضی یا لطیفه یا ترجمه را انجام دهد. به عبارتی این شبکه ها آنقدر بزرگ شده اند که تمام ظرافت های زبان را در خود بازنمایی کرده اند. توجه کنید «ظرافت» دقیقا کلمه ای است که می تواند برای تصویر و گرافیک بکار برود و از طرفی برای زبان هم قابل استفاده است! همه ی ما میدانیم که تشخیص مثلا کنایه یا طنز کار ساده ای نیست و نیاز به ظریف ترین ارتباط های بین کلمات و مفاهیم در زبان است. اما اگر مدل زبانی من آنقدر بزرگ شده باشد که بتواند تمام این جزییات را مدل کرده و مهم تر از آن عمومی سازی (generalize) کند کاری که شبکه های عصبی بخوبی انجام میدهند می تواند «رفتار» زبان را هم شبیه سازی کند به طرزی که با متن واقعی مو نزند! بنابراین از این دیدگاه مدل های زبانی بزرگ زبان را شبیه سازی میکنند و این کار را با چنان دقتی انجام می دهند که از واقعیت فاصله ی زیادی ندارد. شما این موضوع را بهتر درک می کنید وقتی سری به مدل های کوچکتر بزنید تا متوجه بشوید همچنان که مدل های گرافیکی ساده خنده دار و زمخت هستند و مثلا نمیتوانند به دقت موهای مژه یا رگ های یک برگ را نشان دهند مدل های زبانی کوچکتر هم زمخت بوده و به راحتی میتوان خروجی های کم کیفیت آن ها که فقط کلی ترین ویژگی های زبان را (مانند تقدم فاعل مفعول و فعل در انگلیسی ) را رعایت کرده ولی جملات مهمل و بی معنی تولید می کنند. برای اندازه گیری رزولوشن در تصویر تعاریف درستی داریم اما در زبان چه؟ اصلا رزولوشن در زبان را میتوان تعریف کرد؟ به نظر من بهترین تعریف برای رزولوشن با مفهوم perplexity گره خورده است که در عمل cross entropy بین توزیع احتمال تولید شده توسط شبکه و توزیع احتمال واقعی (که با داده ها تخمین زده می شود empirical distribution) است. زمانی که این فاصله (که از نوع اطلاعات است) به صفر برسد تفاوتی بین واقعیت و توزیع نیست و رزولوشن بی نهایت است. بنابراین می توان رزولوشن مدل را به صورت معکوس perplexity تعریف کرد LM_resolution = 1/perplexity Perplexity = 2^ H(p, q) که در آن H(p,q) کراس آنتروپی بین توزیع احتمال مدل زبانی p و توزیع احتمال واقعی q است. حالت رزولوشن بی نهایت یک حد است که هیچ گاه نمی توان به آن رسید چون توزیع احتمال مقصد علاوه به ظرافت بی نهایت (؟) همواره در حال تغییر است. چون زبان یک پدیده ی دینامیک است.
231
9
تکامل Transformers ها
تکامل Transformers ها
286
10
محصول جدید شرکت Adobe به نام FireFly که کار خلاقانه دستکاری و ساخت تصویر را به سطحی غیرقابل مقایسه با تمامی ابزارهای قبلی که
محصول جدید شرکت Adobe به نام FireFly که کار خلاقانه دستکاری و ساخت تصویر را به سطحی غیرقابل مقایسه با تمامی ابزارهای قبلی که داشت می رساند! اکنون استفاده از فوتوشاپ برای تعداد بیشتری در دسترس قرار می گیرد و فرآیند خلاقیت سرعت بیشتری پیدا میکند!
337
11
این کتابخانه با استفاده از ChatGPT بسیاری از کارهای معمول پردازش متن را اتوماتیک میکند، به طور مثال بدون داشتن هیچ دیتاستی بر روی تعدادی برچسب میتوان برچسب ها را تعریف و دسته بندی بدون هیچ آموزشی انجام داد https://github.com/iryna-kondr/scikit-llm
320
12
معرفی یک افزونه ی گوگل کروم این افزونه با استفاده از chatgpt مقالات arxiv را خلاصه کرده و نکات اصلی آن را به شما می گوید. سوالاتی از نویسنده ها می سازد و حتی پیشنهاداتی در مورد مسیرهای پژوهشی بر اساس آن مقاله به شما می دهد. https://chrome.google.com/webstore/detail/arxivgpt/fbbfpcjhnnklhmncjickdipdlhoddjoh
453
13
"neural networks need to be adversarially robust like the human visual cortex. like you shouldn't be able to change a few pix
"neural networks need to be adversarially robust like the human visual cortex. like you shouldn't be able to change a few pixels and completely change the semantic meaning of an image" the human visual cortex:
354
14
در حالی به عصر هوش مصنوعی صنعتی وارد می شویم و این تکنولوژی به زندگی عموم مردم وارد می شود، به ابزارهای شناختی ای دسترسی پیدا میکنیم که پیش از این قابل تصور نبود. این ابزارها مستقیما به ما در «فکر کردن» و فعالیت های شناختی کمک می کنند این کمک چیزی فراتر از ذخیره، بازیابی، جستجو و دسته بندی اطلاعات است. با این حال وقتی در مورد «هوش» این سیستم ها صحبت می کنیم باید با احتیاط بیشتری در مورد آن صحبت کنیم تا سو تعبیر های معمولی که در مورد «آگاه بودن»، «حیات داشتن» و «زنده بودن» وجود دارد، پیش نیاید. فارسی https://vrgl.ir/4C1VK انگلیسی https://hilbert-cantor.medium.com/the-era-of-gpt-4-c27879ede156
250
15
این تعریف از بی نظمی به همه جا از جمله تصویر بالا قابل تعمیم است!
353
16
Matn yo'q...
317
17
حالا چطور میتوان ازین مفهوم به بی نظمی رسید؟ شنون بی نظمی رو میانگین غافلگیری ما از حالت های یک سیستم تعریف میکنه! اینجا نیاز داریم یکم صبر کنیم و به این جمله بیشتر فکر کنیم. فرض کنید شما در یک سیستم سیاسی زندگی میکنید که کاملا بی نظم و بی در پیکره! در چنین سیستمی شما هر روز غافلگیر میشوید. به عبارتی هر چیزی هر روز اتفاق میفته! از طرفی یک سیستم سیاسی پایدار به طور میانگین کمتر شما را غافلگیر می کند بنابراین سرمایه گذاری و برنامه ریزی برای آینده ساده تر است. بخش های غافلگیر کننده ی سیستم (I بالا یعنی p کم) احتمال رخ دادنشان کم است و قسمت های کمتر غافلگیر کننده (I کم یعنی p زیاد) احتمال رخ دادنشان بیشتر است! بنابراین میانگین کم تر خواهد بود! از طرف دیگر در سیستم بی نظم همه چیز به یک اندازه (=یک احتمال) غافلگیر کننده است (I بالا برای همه زمانی که همه احتمال ها مساوی می شوند!) بنابراین کافی است که میانگین غافلگیری ها را حساب کنیم تا به بنظمی برسیم!
320
18
Matn yo'q...
299
19
اما آیا میشه بی نظمی رو باز هم به اجزای سازنده ش شکست به چیزی که ساده تر بشه درکش کرد؟ اینجاست که اساسی ترین بخش (اتم)‌ نظریه شنون رو میبینیم. شنون مفهوم «غافلگیری» (surprisal) را اساسی ترین بخش نظریه خودش می دونه!‌ اگر چیزی احتمال ۱۰۰ درصد باشه اصلا غافلگیر کننده نیست بنابراین مقدار غافلگیری اون صفره. از طرفی هر چه احتمال چیزی کمتر باشه بسیار غافلگیر کننده تره! در واقع احتمال چیزی و غافلگیری اون تقریبا به یک معنا هستند و فقط واحدشون فرق داره. چیزی که احتمالش صفر باشه بی نهایت غافلگیر کننده ست!! یک تابع مطلوب برای تبدیل احتمال به غافلگیری لگاریتمه
279
20
Matn yo'q...
277