Quant Way

🔵🔴«سفر اژدها به صحرا، بخاطر یک پاپاسی بیشتر»  دیر زمانی #مائو رهبر حزب کمونیست چین، وقتی که می‌خواست باب گفتگو را با فردی بگشاید این تعبیر را بکار می‌برد: «بیایید درباره هر چیز، از جنوب کوهها تا شمال دریاها سخن بگوییم» اکنون نیز گویا رهبران خلف او به کمتر از بلعیدن منابع دریایی و معدنی کشورهای حوزه نفتخیز جنوب غرب آسیا راضی نیستند. پیش‌بینی ناظران اقتصادی این است که در فرایند انتقال قدرت، تا سال ۲۰۳۰ بازتوزیع قدرت اقتصادی به سمت شرق متمایل خواهد شد. در همین خصوص، ابتکار «یک کمربند یک‌ راه» (Belt and Road Initiative) برنامه‌ای عملیاتی است که از سال ۲۰۱۳ از سوی دولت چـین بـرای شکل‌دهی به نوعی از همگرایی میان دولتی در پهنه جهانی به ویـژه در اوراسـیا، بـه تدریج در حال اجرایی شدن است. چین با این طرح، اهداف بزرگی را در زمینه رشد اقتصادی، به خصوص امنیت انرژی، گسترش حوزۀ نفوذ، دسترسی به بازارهای جهانی و نیز ایجاد راه‌های ارتباطی دنبال می کند.۱ از طرفی انتقال مرکز ثقل قدرت جهان از آتلانتیک به پاسفیک موجب شد، آمریکا از مراکز سنتی حضور و نفوذ خود کاسته و متمرکز بر پاسفیک شود. خروج ایالات متحده آمریکا از عراق و افغانستان و کمرنگ‌شدن حضور در خلیج فارس، ترجمه عملی استراتژی جدید آمریکا برای تمرکز بر پاسفیک است.۲ با معطوف‌شدنِ سیاست‌های آمریکایی به شرقِ دور، چین درصدد برآمد تا از خلاء موجود استفاده کرده و همچون خالدبن ولید، کوه احد خاورمیانه را دور بزند و هژمونی خود را در این منطقه بسط دهد.۳ چینی‌ها نیز با ایده‌های بزرگ ولی با آرامش و مگااستراتژی صعود صلح‌آمیز Peaceful Rise و صلح جهان برای نیم‌قرن، اژدهای خفته‌ای بود که به پاخاست و به‌عنوان قدرت دوم اقتصادی جهان، سودای تبدیل شدن به یک ابرقدرت و هماوردی با آمریکا را دارد.۴ سیاست چین در قبال مسائل منطقه خلیج فارس و خاورمیانه عموماً محافظه‌کارانه و نوعی بی‌طرفانه بوده است؛ اما سردی روابط عربستان سعودی و دولت بایدن، چینی‌ها را به سوی شاهزاده‌های متمول سعودی متمایل کرد. آنچه در سفر شی به عربستان رخ داد، از اظهارات و مغازله‌های او و امضای سند راهبردی جامع تا فحوای بیانیه‌های مشترک چین با عربستان و شورای همکاری نشان از آن دارد که چین به احتمال زیاد تحت تاثیر الزامات گره خوردن بی‌سابقه منافعش در سطح منطقه با بازیگران عرب در جبهه مخالف ایران، در آینده‌ای نه چندان دور از محافظه‌کاری دیرینه خود در منطقه خاورمیانه به نفع این جبهه فاصله خواهد گرفت.۵ عوامل متعددی در شتاب عربستان در جهت تقویت مناسبات خود با چین در دوران حکمرانی بن سلمان نقش دارند، اولاً به نظر می‌رسد که بن سلمان با نگاهی معطوف به درک جایگاه اقتصاد در میان عناصر شکل دهنده قدرت ملی، بر خلاف اسلاف خود، اقتصاد را به متن سیاست خارجی آورده و آن را مبنای پویایی سیاست خارجی قرار داده است. او با طرح‌های کلان اقتصادی در چارچوب چشم انداز 2030 و در راستای رهایی از اقتصاد نفتی به دنبال هژمونی اقتصادی در منطقه است. ازاین رو، طبیعی است که ریاض مناسبات خود با کانون‌های اقتصاد جهانی به ویژه چین به عنوان قدرت اقتصادی دوم جهان را گسترش دهد. اما پر واضح است که در پس بازتعریف سیاست خارجی عربستان بر مبنای اولویت‌دهی به مولفه اقتصاد اهدافی ژئوپلیتیک و ژئواستراتژیک آینده نگرانه نهفته است که تا حدود زیادی معطوف به تحولات تاریخی دو دهه اخیر در خاورمیانه و حرکت این تحولات در جهت پی‌ریزی نظم منطقه‌ای دیگری است. ۶ برخی از نویسندگان در حوزه‌ی کشورهای کمونیستی و توتالیتر، از این دگردیسی شگفت‌زده شده‌اند، حال آن‌که، اقتضائاتِ حاکم بر مناسبات بین‌الملل، هرگز مجال چنین حیرت‌زدگی را نمیدهد. بیژن اشتری در این خصوص چنین نوشت: کشوری که[ایران] از حیث اقتصادی هیچ حرفی برای گفتن ندارد و بی اعتنا به همه پرنسیپ‌ها و اتیکت‌های سیاسی و انسانی‌ست و بدترین روابط را با همسایگانش دارد و‌ به جای ایجاد ثبات و صلح در منطقه صرفاً موشک‌ها و پهپادهایش را به رخ می‌کشد و جز رجزخوانی کار دیگری بلد نیست باید هم که به چنین درجه نازلی سقوط کند. ۷ در حال حاضر، حجم مبادلات تجاری میان چین و مجموع کشورهای عربی ۳۳۰ میلیارد دلار از جمله ۱۸۰ میلیارد دلار با شش کشور عربی حوزه خلیج فارس است؛ این در حالی است که تراز مناسبات تجاری پکن با تهران شدیداً افت کرده و به ۱۴ میلیارد دلار رسیده است. چین در واقع «کشور چین» نیست، بلکه «حزب کمونیست حاکم بر چین» است. برای این حزب دو چیز مهم است: زدن هر تک‌دلاری روی هوا و تزریق به آن قفس طلایی که برای مردم چین ساخته و دوم زیر سوال بردن «دموکراسی» به عنوان یک الگوی حکمرانی. ۹ 📝این تحلیل، از تلفیق یادداشت‌های چند تحلیلگر حاصل آمده است: غلامرضا علیزاده (۱ و۳) سیدعلی طباطبایی (۲و ۴)، صابر گل‌عنبری (۵و ۶)، بیژن اشتری(۷) و مهدی تدینی (۹)/تحلیل و رصد T.me/bestdiplomacy

بند آخرش مشکل داره یعنی کسی که بدهکار باشه بقیه دارند براش کار می کنند اینجا هر چی آقا زاده است میره وام میلیاردی میگیره و میره سکه و ارز می خره با تورم 80% اش صاف می شه اون 20% هم که باید بده را نمیده بانکا میرند رو به ورشکستی ریال یک صفر میره جلو بعدش فشار میاد به مردم می ریزند تو خیابون سیکل معیوب بعدش که ما میگیم مشکل ابربدهکارا هستند بعضیا بدشون میاد! وقتی هم که لیستشون افشا می شه یکبار کشور آشوب می شه!

طلا پول پادشاهان است. نقره پول آقایان است. مبادله، پول دهقانان است، اما بدهی، پول بردگان است. @TMSCGC

قطار self-supervised به ایستگاه tabular data رسید! قطعا در مدح self-supervied  learning زیاد شنیدید و در این پست (https://t.me/nlp_stuff/298) هم روش‌هاش در NLP رو مرور کردیم. یکی از محدودیت‌های اصلی self-supervised learning اینه که خیلی وابسته به دامین و مودالیتیه. مثلا روش‌های حوزه تصویر به سختی برای حوزه متن قابل انجامه. حالا مردانی مرد از google research به پا خاسته‌اند و سعی کردند روشی عمومی برای self supervised learning ارایه کنند که حتی بر روی tabular data هم بتونه جواب بده. معماری کلی این روش رو در تصویر زیر می‌تونید ببینید. مانند همه روش‌های SSL که در NLP بررسی کردیم، طبیعتا اینجا هم فاز pre-training و fine-tuning داریم که اساسا وجود همین پارادایم هم باعث میشه در محیط‌هایی که داده لیبل‌دار کمتری وجود داره بهتر عمل بکنه. ایده اصلی در فاز pre-training هست که از denoising auto encoderها الهام گرفته شده. در این روش به ازای یه batch از داده ترین به صورت رندم یک زیرمجموعه‌ای از فیچرها انتخاب میشه و این فیچرها رو corrupt می‌کنند. روش corruption هم به این صورته که به صورت رندم با همون فیچرها از سمپل‌های دیگه جایگزین میشه. حالا همون‌طور که در قسمت بالای تصویر می‌بینید دیتای سالم و دیتای corruptشده به ‌طور همزمان (تعریف همزمان اینه که دو تا شبکه داریم که full parameter sharing انجام دادند) به یک شبکه انکودر f داده می‌شه که داده رو به فضای بزرگتری می‌برند و سپس به یک شبکه g داده می‌شه که داده رو به فضای کوچکی میبره و بعد با استفاده از InfoNCE که یه loss function مشهور در عرصه SSL هست تفاوت خروجی شبکه به ازای دیتای corruptشده و دیتای سالم به دست میاد و کار ترینینگ انجام میشه (InfoNCE عملا شبیه یه categorical cross entropy عمل می‌کنه که به ازای نمونه‌های شبیه به هم مقدار کمی خروجی می‌ده و به ازای نمونه‌های negative که دور از هم هستند هم مقدار زیادی رو خروجی میده). در فاز fine tuning عملا شبکه g  کنار گذاشته میشه و یک classifier head بر روی شبکه f گذاشته میشه و کل شبکه fine tune میشه. برای تست این روش هم از دیتاست OpenML-CC18 استفاده شده که ۷۲ تسک دسته‌بندی داره و چون این مساله برای tabular data بوده ۳ تا از دیتاست‌هاش رو (CIFAR , MNIST, Fashion MNIST) کنار گذاشتند و عملا بر روی ۶۹ دیتاست تست گرفتند که روی برخی حتی با داده کمتر، بهبود هم داشته. مقاله خیلی جمع و جور و به زبان ساده و با جزییات تکنیکال نوشته شده و توصیه می‌کنیم حتما بخونید. لینک مقاله: https://arxiv.org/abs/2106.15147 لینک گیت‌هاب: https://github.com/clabrugere/pytorch-scarf #read #paper @nlp_stuff

رکورد 10 ساله چاپ پول شکست❗️ 🚨 هشدار تورمي بانك مركزي؛ آمار‌های تازه بانک مرکزی نشان می‌دهد سهم «پول» از نقدینگی در پایان تابستان امسال به حدود 23 درصد رسیده است. این بالاترین رقمی است که طی یک دهه اخیر رقم خورده است. اتفاقی هشدارآمیز که در 6 ماه دوم سال اثرات خود را در تورم‌های بالا بروز خواهد داد.

🔸زندگی بوقلمونی را در نظر بگیرید که میبیند هر روز انسان ها به اون غذا می دهند , هر وعده غذا به او ثابت می کند قانون کلی زندگی این است که انسان ها خوبی را براش می خواهند که هر روز دارند به او غذا می دهند عصر روز شکر گذاری بلایی غیر منتظره بر سر بوقلمون می آید و اورا مجبور می کند در نگرشش نسبت به انسان ها تجدید نظر کند . حالا شما تریدری را در نظر بگیرید که با سود ها کم احساس می کند مسیر بازار را می داند و بازار را می فهمد و بازار برای اون ساخته شده است و در یک خبر NFP در بعد از ظهر جمعه ممکن است نگرشش را نسبت به بازار تغییر دهد 👌

بحر در کوزه این بار با HF! احتمالا تا حالا شده که در مسیر تسک‌های NLP به دیوار سخت و خشن یک دیتاست بزرگ برخورده باشید (مثلا یک دیتاست در اندازه چند ده گیگابایت که شاید حتی جایی برای ذخیره‌سازیش در دیسک نداشته باشید چه برسه به رم). در این حالته که دست‌ها رو به نشانه تسلیم بالا می‌برید. اما هاگینگ‌فیس در کتابخانه Datasets🤗 این مشکل رو حل کرده. در واقع با دو قابلیت memory mapping و streaming که این کتابخانه فراهم کرده بر محدودیت رم و دیسک غلبه می‌کنید. قابلیت memory mapping (که به صورت پیش‌فرض فعاله) به این اشاره داره که با لودکردن هر دیتاستی توسط Datasets🤗 این کتابخانه یه سری cache file از دیتاست می‌سازه که بر روی دیسک ذخیره شدند و عینا همون محتویات دیتاست لود‌شده در RAM هستند. پس یه جور آیینه تمام‌نمای RAM محسوب می‌شه و از این جا به بعد دیگه این کتابخانه یه اشاره‌گر به اول این فایل باز می‌کنه و دیتا به صورت batch داخل رم لود میشه. طبیعتا آموزش مدل از اینجا به بعد I/O bounded خواهد بود اما نگران اون قسمتش هم نباشید چون فرمتی که برای کار با این فایل‌ها استفاده می‌کنه Apache Arrow هست که یه فرمت بهینه‌شده است. از طرفی برای اینکه نعمت رو بر ما تکمیل کرده باشه و حتی نگران کمبود دیسک هم نباشیم قابلیت streaming رو تعریف کرده که ینی می‌تونید از هاب دیتاست هاگینگ‌فیس، دیتاست رو به صورت batch و on the fly دانلود کنید و پردازش انجام بدید (که به صورت پیش‌فرض فعال نیست و باید streaming=True باشه). البته با استفاده از این قابلیت امکان random access به دیتاها رو از دست می‌دید (مثلا نمی‌تونید دستور dataset[2335] رو ران کنید چون آبجکتی که می‌سازه حالت iterable داره و شبیه generatorهای پایتونیه) ولی با دستور next و iterate کردن بر روی دیتاست، دقیقا سمپل‌های یک دیتاست استریم‌نشده رو می‌گیرید. پس دیگه بهونه بسه و پاشید کار با دیتاست‌های بزرگ رو شروع کنید. پ.ن: در تصاویر یه سری نمونه کد‌هایی آوردیم که از فصل ۱۰ کتاب گران‌سنگ NLP with Transformers گرفته شده که اثری جاوید از هاگینگ‌فیسه. #handsOn @nlp_stuff

https://www.smithsonianmag.com/science-nature/bf-skinner-the-man-who-taught-pigeons-to-play-ping-pong-and-rats-to-pull-levers-5363946/#:~:text=During%20World%20War%20II%2C%20the,point%20underneath%20a%20glass%20screen.

ویدیوی پنجم https://ed.ted.com/lessons/a-brief-history-of-numerical-systems-alessandra-king

ویدیوی چهارم https://www.ted.com/talks/terry_moore_why_is_x_the_unknown?quote=1665A

ویدیوی سوم https://ed.ted.com/lessons/marcus-du-sautoy-symmetry-reality-s-riddle

ویدیوی دوم https://ed.ted.com/lessons/peter-donnelly-shows-how-stats-fool-juries

اگر از ریاضیات متنفرید ویدئو های زیر رو ببینید ویدیوی اول https://www.ted.com/talks/dan_meyer_math_curriculum_makeover?language=en