رفتن به نوشته‌ها

ماه: جولای 2021

در اهمیت مسئله حل کردن!

  • چرا اصلی‌ترین راه یادگیری دست‌ورزی با اون موضوعه؟!
  • چرا مهم‌ترین چیز برای یک دانشجوی علوم پایه مسئله حل کردنه؟!
  • چرا بهترین کتاب، اونیه که مسئله‌های بهتری و مسیر بهتری برای فکر کردن پیشنهاد می‌کنه؟
  • چرا خوندن چندین کتاب پیشنهاد نمیشه، اما خوندن یه کتاب یا رفتن سر یه کلاس کافیه و مهم اینه که تعداد مناسبی مسئله حل کنیم؟

همه این سوال‌ها به این برمی‌گرده که یادگرفتن یک مسیر کشف و شهود شخصیه! هر آدمی باید خودش بکوشه تا درک درستی رو «از آن» خودش کنه و این فقط با تمرین حل کردن ممکنه. گاهی ما فکر می‌کنیم که با خوندن کتاب‌های مختلف یا دیدن کورس‌های دانشگاه‌های معروف دیگه بعضی مطالب رو به درستی فهمیدیم. در حالی که معمولا این حس خوشایند فهمیدن نوعی توهمه! در واقع احساس موقتی در ما شکل می‌گیره که به خاطر بیشتر شدن درکمون نسبت به ناآگاهی کامله. برای همین این دلیل نمیشه که به میزان کافی یادگیری حاصل شده باشه. به‌خاطر همین، مسئله حل کردن به ما کمک می‌کنه که دونه دونه چک کنیم چه چیز‌هایی رو خوب متوجه شدیم و چه چیزهایی رو نیاز به بازآموزی داریم. همیشه یادگیری و درکمون از مطلبی رو با حل مسئله پیرامون اون موضوع باید بسنجیم.

این عکس نشون میده که خوندن کتاب‌های درسی یا سر کلاس رفتن فقط نقاطی رو در ذهن ما روشن می‌کنه در صورتی که این خود ما هستیم که باید اون نقاط رو به هم وصل کنیم تا الگوی درستی رو به خاطر بسپاریم.

علت این که خیلی وقتا دانشجوها مطالب سال‌های قبل رو یادشون می‌ره به این برمی‌گرده که تعداد کمی مسئله حل کردن. معمولا آدمایی که زیاد تمرین حل می‌کنن با یک مرور کوتاه خیلی سریع می‌تونن چیزهایی که توی ذهنشون در حال حاضر نیست رو به خاطر بیارن و ازشون استفاده کنند.

با کتاب خوندن و کورس دیدن میشه نمره خوبی گرفت، حتی شب یک امتحان. کافیه شما به میزان کافی باهوش باشین و مطالعه خوبی قبل از امتحان بکنید. اما این یادگیری نیست! در حقیقت شما برای مقطع کوتاهی از زمان یک سری اطلاعات رو به حافظه کوتاه مدت سپردین! اطلاعاتی که شامل یک‌سری رویه و دانستنی مربوط به موضوع علمیه. اما با مسئله حل کردن شما دانش بیرونی رو تبدیل به دانش شخصی می‌کنید. برای همینه که خیلی‌ها نمره‌های خوبی می‌گیرن و کنکور هم رتبه‌های خوبی می‌گیرن از کارشناسی تا دکتری اما هیچ موقع پژوهشگر‌های خوبی نمیشن! ذهن نیاز داره به تمرین همیشگی، پس تا جایی که می‌تونید تمرین حل کنید و خودتون رو با چالش‌های فکری بیشتری درگیر کنید.

طراحی مدادی دون کیشوت

«تدریس به صورت دنباله‌ای از اعمال و تعاملات و دنباله‌ای از تصمیمات گرفته شده توسط معلم، در زمان اتفاق می‌افتاد. در عوض، یادگیری، به عنوان فرایند بلوغ، حتی در زمان خواب، طی زمان اتفاق می‌افتد. لیکن تنها زمانی یادگیری رخ می‌دهد که یادگیرندگان را به جای این که همیشه تسلیم و موافق باشند به ادعا کردن، حدسیه‌سازی  دفاع از حدسیه‌ها و استفاده از توانایی‌های دیگرشان دعوت کنیم.»

جان میسون

منابع مفید و جالب برای سیستم‌های پیچیده

توی این ویدیو به منابع خوبی که به سیستم‌های پیچیده مربوط هستن اشاره می‌کنم.

سایت‌هایی که اشاره شد:
🔗 complexity.sitpor.org
🔗 twitter.com/abbas_k_rizi
🔗 complexityexplorer.org
🔗 complexity-explorables.org
🔗 ccl.northwestern.edu/netlogo

یک سری مطلب فارسی خوب هم اینجا وجود داره:
🔗 facultymembers.sbu.ac.ir/jafari/farsi/topics

در اینستاگرام ببینید

🎞 گفت‌وگو در مورد علم شبکه و علم داده

این برنامه به منظور آشنایی بیشتر با علم شبکه و علم داده در قالب یک گفت‌وگوی زنده اینستاگرامی برگزار شد. در این برنامه به این کتاب‌ها و مطالب اشاره شد:

میهمانان

مژگان خانجانیان پاک 🇮🇷
دانشجوی دکتری فیزیک سیستم‌های پیچیده، انتشار بیماری در شبکه‌های پیچیده، دانشگاه تحصیلات تکمیلی زنجان

سارا حیدری 🇫🇮
دانشجوی دکتری سیستم‌های پیچیده، جامعه‌شناسی محاسباتی، دانشکده علوم کامپیوتر، دانشگاه آلتو

سینا سجادی 🇦🇹
دانشجوی دکتری علم شبکه، علوم اجتماعی محاسباتی، مرکز علوم پیچیدگی وین

پرسش‌های اصلی که در این برنامه دنبال شد به شرح زیر است:

  • اسم دقیق این گرایش چیست؟
  • هدف و پرسش‌های معروف در این گرایش چیست؟ متخصصان به چه نوع از مسائل علاقه دارن؟
  • به نظر شما چه تصویر رایج غلطی در ذهن عوام در مورد این گرایش وجود دارد؟
  • چگونه با این رشته آشنا شدین؟ 
  • چه‌طور متوجه شدید که این گرایش مناسب شماست؟
  • محیط کار شما چه شکلی است؟ (آزمایشگاه، رصدخانه، پشت میز، کار با کامپیوتر و …)
  • یک روز عادی در زندگی حرفه‌ای شما چگونه سپری می‌شود؟
  • آیا از انتخابتان راضی هستید؟
  • سختی‌های زندگی شما شامل چه چیزهایی می‌شود؟
  • آیا به سایر علاقه‌مندان به این گرایش توصیه می‌کنید که به‌طور حرفه‌ای به این گرایش بپردازند؟
  • مقدمات علمی و فنی لازم برای ورود به این گرایش
  • درس‌های اصلی (ارائه شده و نشده در مقطع کارشناسی)
  • مهارت‌های جانبی (توانایی محاسباتی و کار کردن با نرم‌افزارهای خاص)
  • کدام دانشگاه و یا مراکز تحقیقاتی در ایران به این گرایش می‌پردازند؟
  • بازار کار در ایران و خارج چگونه است؟
  • امکان تحصیل در خارج از کشور و پذیرش گرفتن در این گرایش چگونه است؟
  • آینده کاری و وضعیت رفاهی خود را چگونه می‌بینید؟ در ایران/خارج

در اینستاگرام ببینید:

در یوتیوب بینید:

اطلاعات بیشتر:

فیزیک آماری و سیستم‌های پیچیده

یادگیری آمار به صورت آدمیزادی!

کتاب «استنباط آماری در عصر کامپیوترها» نوشته بردلی افرون و ترور هستی یک کتاب مدرنِ عمیق در مورد الگوریتم‌ها، ماشین لرنینگ و علم داده است. کتاب برای دانشجویان تحصیلات تکمیلی رشته آمار و هر کسی که دانش کافی و علاقه وافی برای خوندنش داشته باشه طبیعتا مناسبه!

Computer Age Statistical Inference
Algorithms, Evidence, and Data Science
Bradley Efron Trevor Hastie

این کتاب به شما کمک می‌کنه تا هم یادبگیرین از الگوریتم‌ها استفاده کنید و هم بفهمین که چرا این کارو انجام می‌دین! کتاب با پرداختن به استنباط آماری کلاسیک شروع می‌کنه، سراغ مکاتب فراوانی‌گرایانه (frequentism) و مکتب بیزی (bayesian) و در بخش دومش به الگوریتم‌ها روش‌های جدید کامپیوتری می‌پردازه. آخر سر هم میره سراغ مباحث روز مثل لاسو، جنگل تصادفی، بوستینگ، شبکه‌های عصبی و یادگیری عمیق!

🎞 در یوتیوب ببینید.

این کتاب توسط دکتر میرصادقی در دانشکده ریاضی شریف تدریس شده و ویدیو کلاس‌هاش موجوده.

📱در اینستاگرام ببینید

از «اثر امپمبا» جدیدا چی می‌دونیم؟!

شاید در مورد اثر امپمبا (Mpemba effect) تا حالا چیزی شنیده باشین. ماجرا این بوده که پسربچه‌‌ای به اسم امپمبا موقع بستنی درست کردن متوجه میشه که هر چی مخلوط شیر رو داغ‌تر بذاره توی فریزر، زودتر بستنی درست میشه و این چیز عجیبیه چون مایع «گرم‌» نسبت به مایع «گرم‌تر»، «دیرتر» سرد میشه! پس صورت مسئله اینه:

سیستم گرمی که با یک منبع سرد در تماس سریع است (quenched) زودتر از یک سیستم سرد به تعادل گرمایی با آن منبع می‌رسد!

بیان اثر امپمبا
نمایش اثر امپمبا – نگاره از Nature
خم قرمز که نماینده تحویل سیستم داغ است نشان می‌دهد که این سیستم در زمان th به تعادل رسیده در حالی که سیستم سرد (آبی) در زمان th<tw به تعادل رسیده که زمان بیشتری است! محور عمودی در واقع فاصله هر آن از سیستم تا تعادل است که به عنوان نماینده‌‌ای برای دما در سیستم‌های غیرتعادلی استفاده می‌شود. نمودار بالا-راست پتاسیل دو‌چاهه‌ای را نشان می‌دهد که یک وضعیت پایدار و یک وضعيت شبه‌پایدار با اختلاف انرژی ΔE ایجاد می‌کند. نیرویی که به ذره‌ای در مکان x وارد می‌شود به جزئیات این چاه پتانسیل بستگی دارد. جزئیات بیشتر در اینجا.
DOI: https://doi.org/10.1038/s42254-021-00349-8

سال‌هاس که سر این ماجرا بحثه که چرا و چگونه!؟ یکی از مشکلات عمده هم طراحی آزمایش‌هایی هست که بشه چندین بار این پدیده رو با دقت مناسبی مشاهده کرد. مشکل دیگه اینه که آیا نظریه خوبی برای توجیه این مسئله میشه پیدا کرد؟! و در صورت پیدا شدن آیا این فقط مختص یک سیستم خاصه یا فهمیدن جواب این پرسش درک ما رو از چیزهای دیگه هم بیشتر می‌کنه؟

چند ماه گذشته آقای کومار به همراه استادش در دانشگاه سایمون فریزر کانادا مقاله‌ای در مجله نیچر منتشر کردن حاکی از این که توی یک سیستم‌ چسب‌سان موفق شدن که اثر امپمبا رو به کرات آزمایش کنند. ایده آزمایش هم اینه که می‌خوایم یه سیستم رو از دو حالت با دماهای مختلف ببریم به یک حالت سرد به این امید که سیستمی که از حالت داغ‌تر شروع کرده، با اینکه از حالت سردتر هم می‌گذره ولی در نهایت زودتر به حالت سرد نهایی می‌رسه. کاری هم که در عمل انجام دادن اینه که بارها گذاشتن یک ذره در یک پتانسیل با شکل خاصی ول‌بگرده (Brownian particle). نتیجه این بوده که برخلاف باور قدیمی‌تر، این پدیده نیاز به یک «گذار فاز» نداره و سازوکار غنی‌تری وجود داره که این پدیده عضوی از اونه.

توی این ویدیو در مورد این اثر و چالش‌هاش نظری و آزمایشگاهی مربوط بهش حرف می‌زنیم و می‌گیم که در حال حاضر چقدر این پدیده رو درک می‌کنیم.

اگه حوصله دیدن این ویدیو رو ندارین، اینجا رو بخونید.