Reference: LinkedIn, Dr. Faezeh Eshragh on LinkedIn

If there’s one lesson I would like the next generation of developers to learn, it is to spend less time doing hard things and more time making hard things easy. Customers benefit from the former. Customers and peers and we ourselves benefit from the latter.

Kent Beck

بیش از دو هفته است که به دلیل همه‌گیر شدن ویروس کورونا (کووید-19)، کلاس‌ها و جلسه‌های حضوری دانشگاه تعطیل شده است و باید از خانه درس و تحقیق را انجام بدهیم. شرایط زندگی، جدید، عجیب و کاملا دشوار است.

مرز شب و روز از یک طرف و مرز کار دانشگاه و زندگی از طرف دیگر، کاملا برداشته شده است. مغز من که تازه داشت یاد می‌گرفت آخر هفته پنج‌شنبه و جمعه نیست و اولین روز هفته هم شنبه نیست، با این اتفاق کاملا ری‌استارت شد!

تا قبل از اعلام قرنطینه در اینجا، وقتی با خانواده و دوستانم در ایران صحبت می‌کردم به ویژه داداش مظاهر، می‌گفتم که رعایت کنید و بیرون نروید. حالا که خودمان در همان شرایط قرار گرفتیم، برای من قابل لمس است که خانه ماندن و بیرون نرفتن چقدر دشوار است. این جمله کاملا درست است که تا وقتی خودتان شرایطی را تجربه نکرده باشید، نمی‌توانید حس و حال افرادی را که در آن شرایط هستند، به درستی درک کنید.

دو هفته پیش، پنج‌شنبه شب اعلام کردند که جمعه کلاس تعطیل است. شنبه و یکشنبه هم که دانشگاه تعطیل بود. یکشنبه ایمیلی دریافت کردیم که دوشنبه کلاس‌ها تعطیل است. از سه‌شنبه همه‌ی کلاس‌ها و جلسه‌ها آنلاین شد.سرعت عمل مدیران دانشگاه قابل تحسین بود.

کلاس‌ها و جلسه‌های آنلاین هم حال و هوای خودش را دارد. هفته پیش کلاس داشتیم و استاد مشغول صحبت بود که یک‌دفعه صدایی بچه‌ای را شنیدیم و بعد دیدیم که همسر استاد دوان دوان بچه‌ی کوچک‌شان را بغل کرده از اتاق خارج می‌کند. 🙂

یکی از دوستان‌مان که پسر کوچکی دارد می‌گفت که پسر چهارساله‌ام یک پای ثابت جلسه‌های کاری من است و در همه‌ی جلسات من حضور فعال دارد 🙂

از دیدگاه من، یکی از مهم‌ترین دلایلی که باعث شد این طرح قابل انجام باشد، زیرساخت اینترنت اینجاست. اگر اینترنت نبود، این کار شدنی نبود. یکی از آن دست امکاناتی که در ایران از آن بی‌بهره بودیم. یادمان رفته بود که زیرساخت اینترنت مثل زیرساخت حمل و نقل، نقش حیاتی در زندگی دارد و می‌تواند در موقع بحران به کمک ما بیاید.

امیدوارم که هر چه زودتر این بحران جهانی تمام شود و همه در آرامش و آسایش باشند.

Creating a model for machine learning projects is like this: In the morning, you think you will solve the problem with the four basic mathematical operations, and at night you will come to a long list of must-read topics that the simplest one may include multiple integrals.

TensorFlow is called ‘TensorFlow’ because it handles the flow (node/mathematical operation) of Tensors, which are data structures that you can think of as multi-dimensional arrays. Tensors are represented as n-dimensional arrays of base dataypes such as a string or integer — they provide a way to generalize vectors and matrices to higher dimensions.

The shape of a Tensor defines its number of dimensions and the size of each dimension. The rank of a Tensor provides the number of dimensions (n-dimensions) — you can also think of this as the Tensor’s order or degree.

Reference: intro-to-deep-learning

Quote:
If you run into something that seems like it couldn’t possibly happen:
1) 90% of the time, it’s not actually happening; the observation is wrong. Perhaps a caching or sync issue. Perhaps a measurement error.
2) 10% of the time, your entire mental model of the system is wrong.
François Chollet

The neuro-symbolic concept learner designed by the researchers at MIT and IBM combines elements of symbolic AI and deep learning. The idea is to build a strong AI model that can combine the reasoning power of rule-based software and the learning capabilities of neural networks.

In the hybrid AI model, the symbolic component takes advantage of the neural network’s ability to process and analyze unstructured data. Meanwhile, the neural network also benefits from the reasoning power of the rule-based AI system, which enables it to learn new things with much less data.

“Neural networks and symbolic ideas are really wonderfully complementary to each other,” Cox said. “Because neural networks give you the answers for getting from the messiness of the real world to a symbolic representation of the world, finding all the correlations within images. Once you’ve got that symbolic representation, you can do some pretty magical things in terms of reasoning.”

For instance a neuro-symbolic system would use a neural network’s pattern recognition capabilities to identify objects. Then it would rely on symbolic A.I. to apply logic and semantic reasoning to uncover new relationships

Read more here and here.

Quote:
Developing a notebook that trains a model is only a small fraction of any serious ML project. Data collection before that, and deployment after, are usually more difficult and time-consuming.
François Chollet