ششمین #ارائه از سلسله ارائه‌های دانشکده برق و کامپیوتر دانشگاه تبریز به مناسبت هفته پژوهش

#آزمایشگاه_سپهر

@cominsys_channel

🔺سخنرانی دکتر #روح_الله_متفکر_آزاد، استاد دانشگاه تبریز در موضوع زبان مادری در مقر سازمان ملل در ژنو

#زبان_ترکی در آذربایجان با اتکا به تاریخ هزاران ساله خود، همچنان چون سهند و ساوالان استوار و چون آراز جاری است.

🔺در مورد #نابودی_زبان_ها در دنیا تحت تاثیر سیاستهای هویت ستیزی و یکسان سازی متاثر از نسخه نظری ملت سازی، هشدار می دهم.

🔺 متاسفم که در اینجا(سازمان ملل) نیز مجبورم برای دفاع از زبان مادری خود، به زبان دیگری سخن بگویم.

نهمین #ارائه از سلسله ارائه‌های دانشکده برق و کامپیوتر دانشگاه تبریز به مناسبت هفته پژوهش

#آزمایشگاه_سپهر

@cominsys_channel

لینک

کامپیوتر تنها کد نوشتن نیست
مصاحبه اختصاصی با مهندس نیکزاد
مدیر فنی تیم آمازون در ونکوور کانادا

@CEA_tbz

با سلام خدمت تمامی همراهان به زودی فیلم ارائه مهندس نیکزاد هم در دسترس قرار خواهد گرفت.

#مقاله

عنوان:
Hybrid multi-objective evolutionary algorithm based on Search Manager framework for big data optimization problems

مجله:
Applied Soft Computing

DOI: 10.1016/j.asoc.2019.105991

لینک دسترسی رایگان به مقاله (مدت محدود)

@cominsys_channel

دهمین #ارائه از سلسله ارائه‌های دانشکده برق و کامپیوتر دانشگاه تبریز به مناسبت هفته پژوهش

#آزمایشگاه_سپهر

@cominsys_channel

#آموزش
Stemming vs Lemmatization

ریشه‌یابی (Stemming)
یک تکنیک نرمال‌سازی متداول واژگان است که عملا اشکال متنوع حاصل از قواعد ساخت‌واژه را به ریشه آن‌ها تقلیل می‌دهد. به عنوان مثال کلمات developing، development، developed و developer (به این کلمه دقت کنید!) به ریشه مشترکشان یعنی develop کاهش پیدا می‌کنند. می‌توان گفت در ریشه‌یابی املاهای متفاوت (حاصل از قواعد ساخت‌واژی) کلمات به یک توکن (ریشه) کاهش پیدا می‌کنند.
از مزایای عمده ریشه یابی، کاهش اندازه Vocabulary، جلوگیری از اتلاف اطلاعات و معنا و همچنین کاهش بُعد در رویکردهای یادگیری ماشین خواهد بود.

Lemmatization یا لِم‌سازی (!)
در عمل بسیاری از کلمات حتی با داشتن املای متفاوت، دارای معانی مرتبط یا یکسانی هستند. براساس یک تکنیک نرمال‌سازی دیگر با عنوان Lemmatization، این کلمات به "ریشه معنایی"مشترکشان، کاهش پیدا می‌کنند. به عنوان مثال am، is و are به لِم be کاهش پیدا می‌کنند؛ یا کلمات see، saw و seen به لِم see کاهش پیدا می کنند (درحالی که در تکنیک ریشه‌یابی saw ممکن است به "s" کاهش پیدا کند).

@cominsys_channel

• در عمل Lemmatization تکنیک نرمال‌سازی بهتری نسبت به ریشه‌یابی است، چرا که معنای کلمات را در نظر می‌گیرد.
• رویکرد ریشه‌یابی برای رسیدن به اهدافش این‌طور است که معمولا با حذف وندها از کلمات (به خصوص پسوندها)، به دنبال رسیدن به ریشه آن‌هاست (حذف اشکال اشتقاقی کلمات). این در حالی است که در Lemmatization با استفاده از دیکشنری لغات و تحلیل‌‎های مورفولوژیکی (ریخت‌شناسی) کلمات در پی رسیدن به اساس یا شکل لغت‌نامه‌ای کلمات (همان لِم) هستیم (Stanford NLP).

• نکته تجربی: در عمل هر دو تکنیک ریشه‌یابی و Lemmatization ابهام در متن را افزایش می‌دهند. با این حال Lemmatization عملکرد بهتری نسبت به ریشه‌یابی دارد.
• نکته تجربی: در عمل task موجود تعیین می کند که از این‌دو تکنیک نرمال‌سازی استفاده شود یا نه. اینطور نیست که در همه taskهای مربوط به پردازش زبان طبیعی، لزومی به استفاده از آن‌ها باشد. در به کار گیری از آن‌ها باید محتاط بود.
@cominsys_channel

جلسه چهارم #GeekTalk
با موضوع اهمیت و جایگاه دیتاساینس
ارائه دهنده علیرضا سیفی دانشجوی دانشگاه سپینزا ایتالیا
زمان: اول دی ساعت ۱۲
مکان: دانشکده برق تبریز- کلاس ۲۳۱

این جلسه هم رایگانه ولی از طریق لینک ایوند نام‌نویسی کنید
https://evnd.co/tseDu
#cea_edu
@CEA_tbz

مهارت فکر کردن!

یادم میاید که سر کلاس درس استراتژی که در دانشکده MBA داشتم، استاد درس یک روز سر کلاس آمد و با تاکید بسیار گفت، لطفا قبل از هر کار مشخصی،فکر کنید؛ فکر کنید؛ فکر کنید.


این حرف بسیار ساده استاد، برای من عجیب بود؛ خب معلوم است که همه فکر میکنیم؛ مگر فکر کردن کار سختی است!

بعدها که مطالعات و تجربیاتم بیشتر شد، ارزش آن جمله را بسیار زیاد فهمیدم:

فهمیدم و اعتقاد دارم که ما آدمها سر یک موضوع مشخص، خیلی کم فکر میکنیم.
بنابراین همه چیز را ساده میبنیم و بنابراین قضاوت میکنیم و بنابراین خطا میکنیم و بنابراین ظلم! میکنیم و حال همه را بد میکنیم.



فکر کردن یک مهارت است؛ در برخی منابع گفته اند که شش سطح برای فکر کردن داریم:

🔹 سطوح پایین مهارت فکر کردن به ترتیب شامل مهارت بخاطر سپاری، مهارت فهمیدن و مهارت اعمال کردن است.

کسی که میتواند چیزی را بخاطر بسپارد، کمترین سطح از فکر کردن را دارد و کسی که میفهمد و آنچه را فهمیده میتواند اعمال کند، سطوح بعدی مهارت فکر کردن را دارند.

🔹 سطوح بالای مهارت فکر کردن ارزش بالاتری دارند و به ترتیب از ارزش کم به زیاد شامل تحلیل، ارزیابی(Evaluation) و خلق (Creation) هستند.


اگر شما بتوانید موضوعی را تحلیل کنید، یعنی میتوانید شناخت خود از موضوع را از جهات مختلف (همه جهات) مکتوب و دسته بندی کنید.

اگر شما میتوانید علاوه تحلیل کردن، به صورت مستدل در مورد خوبی یا بدی چیزی نظر دهید، شما توان ارزیابی دارید.

💡اگر بتوانید علاوه بر اینها (دقت کنید علاوه بر اینها!) حرف و روش تازه ای را با تحلیل و ارزیابی، اثبات کنید که بهتر است، شما توان خلق کردن دارید.


بنابراین صرف داشتن یک ایده، در ذهن، بصورت شفاهی، و بصورت توفان فکری، حتما یک خلق جدید نیست.

یک ایده جدید وقتی قابل خلق است که با تحلیل و ارزیابی در مورد بهتر بودن آن بتوان قضاوت کرد.
یک مدیر خوب، باید حداقل توانایی تحلیل خوب را داشته باشد.

@cominsys_channel

ارائه آقای مهندس میثم عسگری دانشجو دکتری دانشگاه تبریز و از اعضای #آزمایشگاه_سپهر در Facebook استانبول

موضوع ارائه: Pytorch

زمان: Dec 28 2019

@cominsys_channel

#ارائه دی‌ماه
#آزمایشگاه_سپهر برگزار می‌کند:
22مین #نشست_تخصصی با موضوع: کاربرد یادگیری عمیق در استخراج کلمات کلیدی
شرکت برای عموم آزاد است.
@cominsys_channel

#پیاده‌سازی

کدهای متلب مقاله "Hybrid multi-objective evolutionary algorithm based on Search Manager framework for big data optimization problems" در صفحه GitHub آزمایشگاه سپهر درج شد.

لینک پیاده‌سازی (Github)

@cominsys_channel