Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
از نورون تا هوش ◇---<
Kanalga Telegram’da o‘tish
هوش مصنوعی و طبیعی، نظریه پیچیدگی آرشام غواصیه، پژوهشگر پسادکتری ایندیانا
Ko'proq ko'rsatish4 142
Obunachilar
+3724 soatlar
+637 kunlar
+5030 kunlar
Ma'lumot yuklanmoqda...
O'xshash kanallar
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Iyun '26
Iyun '26
+122
0 kanalda
May '26
+18
0 kanalda
Get PRO
Aprel '26
+9
0 kanalda
Get PRO
Mart '26
+10
0 kanalda
Get PRO
Fevral '26
+34
0 kanalda
Get PRO
Yanvar '26
+32
0 kanalda
Get PRO
Dekabr '25
+80
2 kanalda
Get PRO
Noyabr '25
+39
0 kanalda
Get PRO
Oktabr '25
+106
0 kanalda
Get PRO
Sentabr '25
+250
3 kanalda
Get PRO
Avgust '25
+1 300
3 kanalda
Get PRO
Iyul '25
+136
1 kanalda
Get PRO
Iyun '25
+83
5 kanalda
Get PRO
May '25
+148
4 kanalda
Get PRO
Aprel '25
+213
5 kanalda
Get PRO
Mart '25
+134
0 kanalda
Get PRO
Fevral '25
+416
1 kanalda
Get PRO
Yanvar '25
+366
2 kanalda
Get PRO
Dekabr '24
+572
6 kanalda
Get PRO
Noyabr '24
+35
0 kanalda
Get PRO
Oktabr '24
+29
0 kanalda
Get PRO
Sentabr '24
+25
0 kanalda
Get PRO
Avgust '24
+25
0 kanalda
Get PRO
Iyul '24
+66
0 kanalda
Get PRO
Iyun '24
+86
1 kanalda
Get PRO
May '24
+112
4 kanalda
Get PRO
Aprel '24
+89
4 kanalda
Get PRO
Mart '24
+109
3 kanalda
Get PRO
Fevral '24
+93
5 kanalda
Get PRO
Yanvar '24
+139
2 kanalda
Get PRO
Dekabr '23
+60
0 kanalda
Get PRO
Noyabr '23
+37
0 kanalda
Get PRO
Oktabr '23
+38
0 kanalda
Get PRO
Sentabr '23
+89
0 kanalda
Get PRO
Avgust '23
+163
0 kanalda
Get PRO
Iyul '23
+132
0 kanalda
Get PRO
Iyun '23
+243
0 kanalda
Get PRO
May '23
+75
0 kanalda
Get PRO
Aprel '23
+200
0 kanalda
Get PRO
Mart '23
+250
0 kanalda
Get PRO
Fevral '23
+223
0 kanalda
Get PRO
Yanvar '23
+11
0 kanalda
Get PRO
Dekabr '22
+18
0 kanalda
Get PRO
Noyabr '22
+21
0 kanalda
Get PRO
Oktabr '22
+21
0 kanalda
Get PRO
Sentabr '22
+18
0 kanalda
Get PRO
Avgust '22
+18
0 kanalda
Get PRO
Iyul '22
+60
0 kanalda
Get PRO
Iyun '22
+63
0 kanalda
Get PRO
May '22
+35
0 kanalda
Get PRO
Aprel '22
+177
0 kanalda
Get PRO
Mart '22
+70
0 kanalda
Get PRO
Fevral '22
+55
0 kanalda
Get PRO
Yanvar '22
+223
0 kanalda
Get PRO
Dekabr '21
+34
0 kanalda
Get PRO
Noyabr '21
+50
0 kanalda
Get PRO
Oktabr '21
+32
0 kanalda
Get PRO
Sentabr '21
+19
0 kanalda
Get PRO
Avgust '21
+13
0 kanalda
Get PRO
Iyul '21
+26
0 kanalda
Get PRO
Iyun '21
+37
0 kanalda
Get PRO
May '21
+47
0 kanalda
Get PRO
Aprel '21
+441
0 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 19 Iyun | +5 | |||
| 18 Iyun | +39 | |||
| 17 Iyun | +14 | |||
| 16 Iyun | +28 | |||
| 15 Iyun | +2 | |||
| 14 Iyun | +3 | |||
| 13 Iyun | +2 | |||
| 12 Iyun | 0 | |||
| 11 Iyun | +2 | |||
| 10 Iyun | +2 | |||
| 09 Iyun | +3 | |||
| 08 Iyun | +5 | |||
| 07 Iyun | +4 | |||
| 06 Iyun | 0 | |||
| 05 Iyun | +3 | |||
| 04 Iyun | 0 | |||
| 03 Iyun | +2 | |||
| 02 Iyun | +6 | |||
| 01 Iyun | +2 |
Kanal postlari
🔠🔠🔠🔠
کسی که کار علمی میکنه باید یاد بگیره که هم قاضی خوبی باشه و هم وکیل خوبی.
تازهواردها در برابر دومی مقاومت دارند.
اگه منظور رو گرفتید: ❤️
اگه لازمه مثال بزنم: 👍🏻
@physics_daily
| 2 | مثالی که بدونید میتونید از رندوم واک (ولگشت) استفاده ابزاری هم بکنید. 😌 | 423 |
| 3 |  اینفومپ: الگوریتمی برای کردن کلاسترها (گروههای عضو که به هم متصلترند) در شبکهها.
این الگوریتم از رندوم واک (ولگشت) استفاده میکنه. ایده اینه که رندوم واکر وقتی توی یه کلاستر قرار میگیره اونجا گیر میکنه و سخت ازش خارج میشه. این گیر کردن باعث میشه مسیرهای تکراری بره. مسیرهای تکراری رو میتونید با نظریه اطلاعات فشردهسازی کنید. و به این ترتیب کلاسترها رو پیدا کنید.
تجربه خودم این بوده که یکی از بهترین روشهاست. اگر بهترین نباشه.
مقالاتی در موردش و کدهاش
@physics_daily | 446 |
| 4 |  تایم لپس رشد باکتری:
دست شسته و نشسته---
در ۱۵۰ ساعت.
کاش توضیحات و جزئیات بیشتری داشت. ولی علیالحساب دستها را بشویید.
رشد باکتری هم مدلهای تصادفی جذابی داره که شاید در ادامه بهش پرداختیم.
@physics_daily | 530 |
| 5 | برگردیم به علم. 😁 | 500 |
| 6 |  +1یه برجام دیگه یا بدترش؟
کانالی این مقایسه رو گذاشته.
سوال اینه که اگه همچین آفر خوبی روی میز بوده، و مشکوک هم نبوده، چرا جا انقدر سخت بهش تن داد؟
چرا سران کشور دارن کنار میکشن و میاندازندش گردن پزشکیان (همون بازی نخنما)؟
شب دراز است و قلندر بیدار.
@physics_daily | 525 |
| 7 | 📚 گروه مطالعاتی: چپِ فرهنگی (کاروان خرد)
🎙 مدرس/تسهیلگر: مهدی نادعلی
با همفکری و مشارکت اعضای کاروان خرد
در این گروه به شناخت، بررسی تاریخی، تحلیل و نقد جریان چپِ فرهنگی میپردازیم. تلاش میکنیم با مطالعه منابع اصلی و گفتوگوهای جمعی، تصویری دقیقتر از مبانی نظری، تحولات تاریخی و تأثیرات اجتماعی و فرهنگی این جریان فکری به دست آوریم.
📖 سرفصل جلسات و منابع مطالعاتی در گروه تلگرامی در دسترس اعضا قرار میگیرد.
❓ اعضا میتوانند پرسشها، نقدها و دیدگاههای خود را در گروه مطرح کنند و در مباحث مشارکت داشته باشند.
🎥 فایل ویدئویی تمامی جلسات پس از برگزاری در کانال یوتیوب کاروان خرد بارگذاری خواهد شد تا علاقهمندان بتوانند به آرشیو جلسات نیز دسترسی داشته باشند.
🔗 لینک پیوستن به گروه:
https://t.me/+ZwBl4R7cUuo4MDJk
از دانشجویان، پژوهشگران، متخصصان و تمامی علاقهمندان به علوم انسانی، فلسفه، جامعهشناسی و مطالعات فرهنگی دعوت میکنیم به جمع ما بپیوندند. | 506 |
| 8 | یکی از عزیزان پرسید چطور
p = n/N
احتماله؟ دربارهش مینویسم.
(ممنون از صبر دوستانی که ریاضی بیشتری خوندن) | 513 |
| 9 | درباره میانگین (برای کسانی که زیاد ریاضی نخوندن)
اینجا نشون میدم میانگین رو میتونید با محاسبه احتمال حالات هم حساب کنید. بدون یادگیری این روش درکمون از متغیرهای تصادفی در حد جمع و تقسیم بر کل محدود میمونه.
فرض کنید در پژوهش شما یک جمعیت وجود داره که بهش دارویی چیزی دادید.
ساده بگیم، این جمعیت دو بخش شده. بخش اول حالشون بهتر شده که با عدد +۱ نشون میدید. بخش دوم حالشون بدتر شده که با عدد -۱ نشونشون میدید.
اگر کسی بپرسه مداخله شما چقدر سودمند بوده، اولین چیزی که نگاه میکنید طبیعتا میانگینه (حالا ذهنتون میپره روی روشهای پیشرفتهتر، ولی یواش یواش).
بیاید به میانگین نگاه کنیم.
روی تمام اعدادی که نوشتید (مثبت و منفی یک) جمع میزنید:
۱ + ۱ + ۱ + ... -۱ -۱ -۱ -...
و تقسیم بر تعداد افراد (N) میکنید:
(۱ + ۱ + ۱ + ... -۱ -۱ -۱ -... )/N
که میشه، مثلا:
(۱ + ۱ + ۱ + ... -۱ -۱ -۱ -... )/N = +۱/۲
یعنی به طور میانگین مثبت بوده. با اندازه نیم. عددش فرضیه.
اگر تعداد مثبتها رو با n و تعداد منفیها رو با m نشون بدیم، همین جمع رو میشه خلاصه کرد:
(۱ + ۱ + ۱ + ... -۱ -۱ -۱ -... )/N =
( n × (1) + m × (-1) )/N
حالا تعداد مثبتها تقسیم به کل میشه چی؟ احتمال مثبت بودن:
p = n/N
و احتمال منفی بودن میشه:
q = m/N
و میانگین میشه:
p × (1) + q × (-1) = +1/2
خیلی وقتها پیش از جمعآوری داده میشه درباره احتمال حالات استدلال کرد. و حدسهای خوبی درباره نتایج زد. همین کمک میکنه پیشبینیهای بهتر و تنظیمات بهتری توی مطالعهتون داشته باشید.
@physics_daily | 598 |
| 10 | دو گونه پستاندار در زورآزمایی هوشی: | 563 |
| 11 |  +1۷۱ سال از مرگ انیشتین میگذره.
1️⃣ اکثریت میدونند که اون نسبیت خاص و عام رو ساخت.
2️⃣ یه عده میدونند که اثر فوتو-الکتریک رو توضیح داد، که نشون داد نور رفتار ذرهای هم داره.
3️⃣ کمتر کسی میدونه که اون نشون داد دنیا از اتمها تشکیل شده.
مورد سوم به همین رندوم واک (ولگشت) ربط داره.
---طبیعتا در تمام موارد، به خصوص مورد سوم، دانشمندان بزرگ دیگری هم دخیل و موثر بودند---
@physics_daily | 712 |
| 12 |  زیبایی پدیده تصادفی
احتمال بالا رفتن و پایین رفتنش در هر لحظه برابره. احتمالا چپ یا راست رفتنش در هر لحظه برابره. بنابرین شاید انتظار داشته باشید کنید زیاد جابجا نشه.
اما ببینید بعد از ۴۵ ثانیه چقدر از نقطه شروعش فاصله میگیره.
همون رندوم واک (ولگشت) در دو بعده که بالاتر توضیحش دادم.
انباشتِ اثر متغیر تصادفی شوخی نیست.
@physics_daily | 816 |
| 13 |  رندوم واک یا ولگشت راهی برای مدل کردن و درک کردن آثار تصادفی تجمعیه (آثار تصادفی که طی زمان انباشته میشن).
تصویر سادهترین مدل ولگشت رو نشون میده. چون روی یک خطه، بهش میگن ولگشت یک بعدی. مثلا میتونست روی یک صفحه یا حجم باشه.
شما از نقطه صفر شروع میکنید. با احتمال p میرید راست و با احتمال q = 1 - p میرید چپ.
وقتی یک قدم رفتید، دوباره این فرایند رو تکرار میکنید. با احتمال p میرید راست و با q میرید چپ.
میتونید با این فرایند هر تعداد قدم که خواستید برید جلو. مثلا T قدم.
این سه حالت رو در نظر بگیرید و سعی کنید توی ذهنتون تصور کنید ولگشت در هر کدوم چه مسیری رو طی میکنه.
الف) p=1
ب) p = 1/4
ج) p = 1/2
به نظرتون بعد از تعداد زیادی قدم، پیشبینی اینکه کجای خط هستید، در کدوم یکی از سه حالت سختتره؟
بهش میپردازیم.
@physics_daily | 779 |
| 14 | به دوست املاکیم میگفتم فعلا دنیا دست شما املاکیهاست...
@physics_daily | 767 |
| 15 | 🔎 در بسیاری سیستمهای طبیعی و مصنوعی، اثر متغیر تصادفی جمع و انباشت میشه.
همین میتونه پیشبینی سیستم رو خیلی دشوار کنه. و در مواردی ریسک رو ببره بالا.
🟢 تصور کنید با هم شرطی میبندیم. یک سکه به هوا پرتاب میکنیم. اگر شیر اومد، شما یک تومن به من میدید. اگر خط اومد، شما یک تومن از من میگیرید.
موجودی حساب شما بعد از شرط بندی
+۱
یا
-۱
تومان میشه.
که مبلغ زیادی نیست. از برنده شدن چندان به شوق نمیاید. از بازنده شدن هم اونقدرها نمیترسید.
🔴 حالا اگر بارها این شرطبندی رو تکرار کنیم چی میشه؟ مثلا تصور کنید ۱۰۰ بار تکرارش کنیم.
انباشت متغیر تصادفی (مبلغ حاصل از شرطبندیها) میتونه خیلی بزرگ بشه.
حتی ممکنه شما ۱۰۰ تومن بدهکار یا طلبکار بشید.
🫱🏼🫲🏻 یک پرسش مهم همیشگی اینه: آیا در مساله مورد بررسی من، اثر متغیر تصادفی تجمعی (انباشتی) است؟
@physics_daily | 835 |
| 16 | صبح بخیر،
با مقاله آموزشی در موضوع
مدلهای انرژیمحور دینامیکی برای محاسبات عصبی، یادگیری و بهینهسازی
از همکاران خودم در دانشگاه نورثوسترن.
مبحث شیرینیه و درک خوبی از از محاسبات عصبی میده.
@physics_daily | 811 |
| 17 | دوستان، چیزایی که مینویسم به همدیگه ربط دارهها...
به شکل پستهای جدا و کوتاه و ظاهرا مستقل مینویسم.
ولی روی مبحث عدم قطعیت و تصادفی بودن هستیم.
چندتا مثال دیگه هم میزنم قبل از اینکه بیشتر بریم توی دلش.
مخلص. ❤️ | 829 |
| 18 |  مقاله مروری درباره رندوم واک (ولگشت) در زیستشناسی. سال ۲۰۰۸ چاپ شده. تعداد خیرهکننده ۱۹۲۰ ارجاع گرفته. میخوام بگم صد سال گذشت و ولگشت همچنان با قدرت چیز جذابیه.
برای اینکه بدونید کاربرد ولگشت کجاهای بیولوژیه، ببینید که اول چکیده میگه:
Mathematical modelling of the movement of animals, micro-organisms and cells is of great relevance in the fields of biology, ecology and medicine.
مدلسازی ریاضیاتی حرکت حیوانات، اورگانیسمهای میکروسکوپی و سلولها حائز اهمیت زیادی در زیستشناسی، اکولوژی و پزشکیست.
لینک مقاله
@physics_daily | 872 |
| 19 |  به random walk میگن: ولگشت.
با اختلاف بهترین واژهگزینی به نظرم بود.
ظاهرا چیز جدیدی نیست و در ویکیپدیا هم هست. ولی من تا حالا نشنيده بودم.
از این به بعد به جای
random walk in the hilbert space
میشه گفت: ولگشت در فضای هیلبرت. | 739 |
| 20 |  Matn yo'q... | 988 |
