The renormalization transformation for the 1D #IsingModel is illustrated as an iterative flow diagram in the 2D parameter space. The absence of any interaction on this scale means that there is no phase transition in the 1D Ising model. https://t.co/OcbLa80SQv

🔻 Take a look at this #PhD #Fellowship in #LivingMatter #Physics offered at MPI for Dynamics and Self-Organization

https://t.co/QjwgRmYKcY #PhDGermany #TheoreticalPhysics #AppliedMathematics

یادگیری ماشینی در اقتصاد انرژی

با همکارانم - هرمان کریمر و نیما رفیع‌زاده - اولین مقاله مروری (Review Paper) نوشته شده در مورد «کاربردهای یادگیری ماشینی در اقتصاد انرژی» را تهیه کردیم.

ما در این مقاله نزدیک ۱۵۰ مقاله منتشر شده در ژورنال‌های مرتبط با اقتصاد انرژی، اقتصادسنجی، تحقیق در عملیات و فاینانس را که به موضوع اقتصاد انرژی مربوط بودند به صورت انتقادی مرور کردیم. با این که چندین مقاله مروری خوب روی کاربردهای یادگیری ماشینی در حوزه «مهندسی انرژی» - در مواردی مثل پیش‌بینی تابش خورشیدی، بهینه‌سازی تولید، بار شبکه و امثال آن - وجود دارد ولی تقریبا هیچ مقاله‌ای در مورد کاربردهای یادگیری ماشینی در حوزه اقتصاد و مالیه انرژی وجود ندارد و ما تصمیم گرفتیم قدم اول را در این زمینه برداریم.

نتیجه مرور ما نشان می‌دهد که:

۱) از بین روش‌های مختلف یادگیری ماشینی، SVM و شبکه‌های عصبی خیلی محبوب هستند و بیش‌تر مقالات یکی از دو روش یا ترکیبی از آن‌ها با روش‌های سنتی را استفاده می‌کنند. ضمنا الگوریتم ژنتیک و PSO هم جزو روش‌های محبوب محاسبات نرم در این حوزه هستند.

۲) درصد بزرگی از مقالات روی سه مساله پیش‌بینی تقاضای برق، قیمت نفت خام و قیمت برق متمرکز هستند.

۳) اکثریت مطلق مقالات، از داده‌های ساختاریافته (مثل سری زمانی قیمت) استفاده می‌کنند که قابل پردازش با روش‌های کلاسیک آمار و اقتصادسنجی هم هستند.

۴) ضمنا متوجه شدیم که ایرانی‌ها بسیار در این حوزه فعال هستند و اسامی ایرانی خیلی زیادی مشاهده کردیم :)

۵) از مواردی که خیلی مشاهده نشد و جای کار دارد می‌توانیم به این‌ها اشاره کنیم:

- یادگیری عمیق (DL): با وجود کاربرد آن در «مهندسی انرژی»، در حوزه «اقتصاد انرژی» بسیار کم استفاده شده است.

- داده‌های غیرساختاریافته یا ترکیب کمی/کیفی مثل تحلیل متنی، تحلیل شبکه‌های اجتماعی، استفاده از داده‌های تصویری، نقشه و امثال آن در این حوزه خیلی استفاده نشده و جای کار زیادی دارد. روش‌های یادگیری ماشینی اتفاقا در این نوع داده‌ها مزیت خود را نشان می‌دهند.

- مقالات خیلی کمی روی مدیریت ریسک و تخمین تلاطم (Volatility) وجود دارد.

- تقریبا مقاله‌ای که «بهینه‌سازی مبتنی بر یادگیری ماشینی» را به کار برده باشد مشاهده نکردیم.

۶) مقاله را با توصیه‌هایی برای موضوعات پژوهشی آینده مثل موارد زیر به پایان بردیم:

- تاثیر یادگیری ماشینی روی پیش‌بینی خروجی و به‌بود یک‌پارچه‌سازی فناوری‌های نو
- اثر یادگیری ماشینی روی گسترش خودروهای خودران و تاثیر آن روی تقاضای انرژی
- تاثیر یادگیری ماشینی روی تغییر اقلیم از طریق افزایش تقاضای برق برای پردازش یارانه‌ای
- تاثیر یادگیری ماشینی روی بهینه‌سازی مصرف روزانه مشتریان
- ترکیب مدل‌های نظریه-محور و مدل‌های یادگیری ماشینی برای فرا رفتن از ماهیت جعبه سیاهی روش‌های ML

در مقاله هم تذکر دادیم که این روزها «کاربرد» یک روش یادگیری ماشینی بسیار آسان است و فقط نیاز به بارگذاری یک کتاب‌خانه جدید در محیطی مثل پایثون یا R دارد. در نتیجه عجیب نیست که به زودی با حجم عظیمی از مقالات که انواع مختلف این نوع تکنیک‌ها را به کار می‌گیرند مواجه شویم. قدم بعدی احتمالا باید این باشد که پس از دست‌یابی به نتایج زودرس، به کاربردهای چالش‌برانگیزتر و غیربدیهی‌تر فکر شود.

به زودی نسخه کامل مقاله را به صورت برخط منتشر می‌کنیم.

@hamed_ghoddusi تماس با نویسنده
@hamedghoddusi

🔻 http://rreusser.github.io/multiscale-turing-pattern-gallery/

Python in 90 minutes https://t.co/2N5Z4VKyCG #python

🧐 “Perhaps there is no such thing as an easy or hard discipline. Maybe there are only easy and hard questions. Biology only seems so hard because it has been defined by a set of very hard questions. Physics only seems easy because centuries of effort by deeply insightful thinkers have produced a set of answerable questions.”

“We don’t know if black holes are simpler than forests. We can’t know, until we have a general effective theory that explains the existence of forests or until we can observe the most detailed dynamics of black-hole collapse and evaporation. A statement of relative complexity cannot be made without thoroughly defining the type of questions we are asking for each system.”

“Observing the strange similarity of phenomena across disciplines might incline us to search for brand new mechanisms and principles. This will sometimes demand a less detailed, more abstract perspective.”

- SFI Prof Chris Kempes & External Prof Van Savage in their new piece on the #limits of knowledge and what #hardscience means, at Aeon Magazine:

https://aeon.co/ideas/when-science-hits-a-limit-learn-to-ask-different-questions

🌀 "Spectral Methods for Complex Systems"

to learn about broad applications of spectral methods, to exchange new ideas and to record lectures, which will available online if the speaker agrees.

https://sites.google.com/view/cssm/home

List of basic topics to be covered:

Graph Theory
Linear Algebra: from spectra to matrix functions
Advanced Linear Algebra: from Matrix equations to probabilistic methods for graphs and eigenvalues
Introduction to Spectral and Pseudospectral Theory of Linear operators
Random Walks: discrete and continuous
Iterative Methods for linear systems
Eigenvalue inequalities
Transfer operator theory
Random Matrices

Out today in #PhysicsReports: "Fundamentals of spreading processes in single and multilayer complex networks". An in-depth review of theoretical and computational approaches to disease-like dynamics. PDF available at https://t.co/YSAe4GA4sU

In the two minutes that it takes you to read this essay, I am going to try and rewire your basic thinking about causality.

Nigel Goldenfeld
Physicist, University of Illinois at Urbana-Champaign

https://www.edge.org/response-detail/11829

C

omplex systems, such as financial markets or the Earth's biosphere, do not seem to obey causality...

〽️ 24 Ultimate Data Science Projects To Boost Your Knowledge and Skills (& can be accessed freely)

🌐 https://www.analyticsvidhya.com/blog/2018/05/24-ultimate-data-science-projects-to-boost-your-knowledge-and-skills/

🎲 @ComplexSys

Leveraging the benefits of Git is crucial whether you are working in industry or in academia. The following resource is a great guide that gathers pretty much everything
http://rogerdudler.github.io/git-guide/

⭕️ «پیچیدگی برای همه!»
http://www.sitpor.org/complex-systems/

سه چهارسالی می‌شود که حیطه‌ی کاریم مربوط به سیستم‌های پیچیده، خصوصا شبکه‌ها، شده است. طی این سال‌ها منابع بسیار زیادی شامل مقالات مروری، کتاب‌ها، کورس‌های آنلاین و مجموعه سخنرانی‌های بسیار خوبی به زبان انگلیسی منتشر شده که به سادگی برای همگان قابل دسترس هستند. با این وجود، در دنیای فارسی‌زبانان هنوز حتی یک کتاب آموزشی استاندارد برای شروع مطالعه سیستم‌های پیچیده وجود ندارد و کلاس‌های درس هم بسیار محدود به قشری از دانشجویان یک رشته خاص هستند! «سیستم‌های پیچیده» در دانشگاه‌های ما مانند طفل نوپایی است که تلاش می‌کند هرچه زودتر دویدن بلد شود تا در مسیر پژوهش هم‌گام با جامعه جهانی حرکت کند. به همین خاطر، تمام هم و غم دانشگاهیانی که روی این موضوع کار می‌کنند، پژوهش است و دیگر فرصتی برای پرداختن به مقوله آموزش و روایتگری در علم باقی نمی‌ماند. البته حق هم دارند! یک استاد نمی‌تواند هم تدریس کند، هم دانشجو تربیت کند و هم پژوهش دست اول انجام دهد و از او انتظار تولید محتوای آموزشی استاندارد هم داشت!

به نظر من در ایران، تا زمانی که محتوای مناسب به زبان فارسی وجود نداشته باشد، نمی‌توانیم تقاضایی برای شروع کارهای بین‌رشته‌ای در مقیاس قابل قبولی را داشته باشیم! باید قبول کنیم که هم‌صحبت شدن با کسانی که عمری در دانشگاه جواب سلامشان را به زور داده‌ایم یا متقاعد کردن مسئولین بالادستی برای حمایت از طرح‌ها و پروژه‌ها بدون وجود یک مطالبه عمومی کار ساده‌ای نیست! ما نیاز داریم که مردم، دست کم دانشگاهیانمان، بدانند که چرا سیستم‌های پیچیده مهم است!

برای همین تصمیم گرفتم تا جایی که می‌توانم، مسیر یادگیری سیستم‌های پیچیده را برای علاقمندانی که جرات یادگرفتن و شهامت حرکت کردن بیرون از مرزهای تعریف شده علوم را دارند را فراهم کنم. برای شروع قصد دارم چند جلسه کلاس/سمینار در دانشگاه شهید بهشتی (تهران) برگزار کنم. ایده اصلی این جلسات لکچرهایی پیرامون مفاهیم اصلی سیستم‌های پیچیده است بی‌آن‌که وارد جزئیات ریز آن شوم. می‌خواهم طی این جلسات افراد با پیش‌زمینه‌های مختلف با ایده‌های اصلی آشنا شوند. در مورد جزئیات این برنامه‌ها به زودی می‌نویسم.

اگر استاد دانشگاه هستید یا دانشجوی تحصیلات تکمیلی و علاقمند هستید که هم‌قطار شویم، قدمتان رو چشم است! هر کس که می‌تواند محتوای مناسب تولید کند، در این سفر جایش خالی است! برای هر مشارکت علمی یا غیرعلمی، آغوش ما به روی شما باز است. اگر مترجم خوبی یا متخصص کارهای چند-رسانه‌ای هستید، اگر در ضبط، تدوین و انتشار ویدیو کلاس‌ها می‌توانید مشارکت کنید به کمک شما نیاز داریم! و اگر فقط این آرمان را دوست دارید می‌توانید حامی (اسپانسر) ما شوید. راستی اگر یک مسئول هستید، همین که سنگی را از جلوی پایمان بردارید،‌ ممنونیم!

عباس کریمی

💡 جزئیات بیشتر:
🔗 http://www.sitpor.org/complex-systems/

📝 Fundamentals of spreading processes in single and multilayer complex networks

🌐 https://www.sciencedirect.com/science/article/abs/pii/S0370157318301492
🎲 @ComplexSys

🔖 Multilayer Networks in a Nutshell

Alberto Aleta, Yamir Moreno

🔗 https://arxiv.org/pdf/1804.03488

📌 Complex systems are characterized by many interacting units that give rise to emergent behavior. A particularly advantageous way to study these systems is through the analysis of the networks that encode the interactions among the system's constituents. During the last two decades, network science has provided many insights in natural, social, biological and technological systems. However, real systems are more often than not interconnected, with many interdependencies that are not properly captured by single layer networks. To account for this source of complexity, a more general framework, in which different networks evolve or interact with each other, is needed. These are known as multilayer networks. Here we provide an overview of the basic methodology used to describe multilayer systems as well as of some representative dynamical processes that take place on top of them. We round off the review with a summary of several applications in diverse fields of science.

🎞 “The Data Science of Culture: from the French Revolution to String Theory”

Simon DeDeo
Carnegie Mellon University and the Santa Fe Institute


https://www.dideo.ir/v/yt/S7MYdqzOcy4

Abstract: Governments, non-profits, and citizen scientists are putting more and more of the world’s cultural heritage online in digital form, opening a new frontier in the science of society and giving us an unprecedented window, complementary to traditional psychological sciences, onto how the human species created the modern world. I’ll present new results from studies at the Laboratory for Social Minds: a study of 40,000 speeches from the French Revolution that shows how individual revolutionaries both competed and cooperated to create some of the basic features of parliamentary democracy, and a parallel study of the Serbian parliament in the post-Milosevic era shows the continuing challenges faced by democratic governments. I’ll present an analysis of the first two hundred years of the Royal Society’s Philosophical Transactions, that reveals the bursts of innovation and Kuhnian revolutions from its founding in 1665 to the late industrial age. And I’ll show an analysis of the 70,000 papers in the international high-energy physics archive shows the previously invisible threads of combination and creativity that characterize the cutting edge of twenty-first century science. Some very simple mathematical tools, drawn from information theory, take us beyond foundational work in cultural evolution to provide a new theory of how we create, compete and thrive in the societies and institutions we create.

〽️ https://twitter.com/stevenstrogatz/status/1055841371389595648