Success Is Not About You | The Laws of Success with Albert-László Barabási

🎬 SFI Community Lecture - Christopher Monroe - Quantum Computers

https://www.dideo.ir/v/yt/ELQ9ofycfMM

https://t.co/YRhfl2GQOe

این جناب مونرو (اگر درست بخونم) یک تجربی‌کار درجه یک است! در مریلند است و رو حرفش مردم حساب می‌کنن.

〽️New Book about Complex systems Just released

📕 “INTRODUCTION TO THE THEORY OF COMPLEX SYSTEMS”

✍🏻 Stefan Thurner, Rudolf Hanel, and Peter Klimek

🏛 Oxford University Press!

🌐 https://www.csh.ac.at/thurner-hanel-klimek-the-book-is-out/


🎲 @ComplexSys

📌وزیر امور خارجه:اعتیاد آمریکا به تحریم از کنترل خارج شده است.

ظریف در توئیتر نوشت:
🔹یک بانک خصوصی ایرانی(بانک پارسیان) که نقش عمده‌ای در واردات غذا و دارو داشته به دلیل ادعای ارتباط آن‌ هم با ۸ واسطه با یک هدف غیرقانونی دیگر تحریم شده است.
🔹 در مقایسه، تمام انسان‌های روی زمین با ۶ واسطه با یکدیگر ارتباط دارند!
@eghtesadonline

یعنی شما ببینید این سیستم پیچیده چه کرده😊

🔸 https://www.edx.org/course/fundamentals-of-neuroscience-part-2-neurons-and-networks?utm_source=email&utm_medium=partner-marketing&utm_content=email-harvardx-neuroscience-2&utm_campaign=harvardx

🌀 patsy is a Python library for describing statistical models, largely compatible with R formulas.
https://github.com/pydata/patsy

🙌 Hands-On Programming with R is now available for free online, https://t.co/GNEGOVeM8h!

Hey, I am starting a research blog! My goal: making economists more aware of complex systems methods and how they are useful, and making interdisciplinary scientists more aware of what economists are really doing and why they do it the way they do.

http://www.marcopangallo.it/blog/2018/10/16/complexity-economics/

#سمینارهای_هفتگی مرکز شبکه‌های پیچیده و مردم‌شناسی دانشگاه شهید بهشتی

⏰ یکشنبه، ۲۹ مهر، ساعت ۱۶:۴۵
🏛 محل برگزاری: سالن ابن هیثم
@mhakim

🔅 http://science.sciencemag.org/content/362/6412/289

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