diff --git a/README.md b/README.md index 0a790790..a0c7e3e8 100644 --- a/README.md +++ b/README.md @@ -1,6 +1,6 @@ ## Introduction to Machine Learning Interviews Book -You can read the web-friendly version of the book [here](https://huyenchip.com/ml-interviews-book/). You can find the source code on [GitHub](https://github.com/chiphuyen/ml-interviews-book). The Discord to discuss the answers to the questions in the book is [here](https://discord.gg/XjDNDSEYjh). +You can read the web-friendly version of the book in Farsi [here](https://huyenchip.com/ml-interviews-book/) or read the book in the original language.[here](https://huyenchip.com/ml-interviews-book/). You can find the source code on [GitHub](https://github.com/chiphuyen/ml-interviews-book). The Discord to discuss the answers to the questions in the book is [here](https://discord.gg/XjDNDSEYjh). As a candidate, I’ve been interviewed at a dozen big companies and startups. I’ve got offers for machine learning roles at companies including Google, NVIDIA, Snap, Netflix, Primer AI, and Snorkel AI. I’ve also been rejected at many other companies. diff --git a/README_Farsi(persian).md b/README_Farsi(persian).md new file mode 100644 index 00000000..761cd641 --- /dev/null +++ b/README_Farsi(persian).md @@ -0,0 +1,26 @@ +## کتاب مقدمه ای بر مصاحبه های یادگیری ماشین + +می‌توانید نسخه وب‌پسند کتاب را [اینجا] بخوانید (https://huyenchip.com/ml-interviews-book/). می‌توانید کد منبع را در [GitHub] (https://github.com/chiphuyen/ml-interviews-book) پیدا کنید. Discord برای بحث در مورد پاسخ به سؤالات کتاب [اینجا] (https://discord.gg/XjDNDSEYjh) است. + +به عنوان یک نامزد، با ده ها شرکت بزرگ و استارت آپ مصاحبه کرده ام. من پیشنهادهایی برای نقش‌های یادگیری ماشین در شرکت‌هایی از جمله Google، NVIDIA، Snap، Netflix، Primer AI و Snorkel AI دارم. من همچنین در بسیاری از شرکت های دیگر رد شده ام. + +به‌عنوان مصاحبه‌گر، در طراحی و اجرای فرآیند استخدام در NVIDIA و Snorkel AI شرکت داشته‌ام، از کاندیداهایی که کارشان را دوست دارم ایمیل‌های سرد انجام داده‌ام، بررسی رزومه‌ها، انجام مصاحبه‌های اکتشافی و فنی، بحث درباره استخدام یا عدم استخدام نامزد، تلاش برای متقاعد کردن نامزدها برای انتخاب ما از پیشنهادات رقابتی. + +به عنوان یک دوست و معلم، به بسیاری از دوستان و دانش‌آموزان کمک کرده‌ام تا برای مصاحبه‌های یادگیری ماشینی خود در شرکت‌های بزرگ و استارت‌آپ‌ها آماده شوند. من با آنها مصاحبه های ساختگی می کنم و از روندی که طی کرده اند و همچنین سوالاتی که از آنها پرسیده شده یادداشت می کنم. + +من همچنین با چندین استارتاپ در مورد خطوط لوله استخدام یادگیری ماشین آنها مشورت کرده ام. زمانی که در حال حاضر یک تیم و فرآیند یادگیری ماشین قوی برای کمک به ارزیابی نامزدها ندارید، استخدام برای نقش‌های یادگیری ماشین بسیار دشوار است. از آنجایی که استفاده از یادگیری ماشین در صنعت هنوز بسیار جدید است، بسیاری از شرکت‌ها همچنان در حال پیشبرد آن هستند، که این کار را برای نامزدها آسان نمی‌کند. + +این کتاب حاصل خرد جمعی بسیاری از افرادی است که دو طرف میز نشسته اند و زمان زیادی را صرف فکر کردن به فرآیند استخدام کرده اند. این با در نظر گرفتن نامزدها نوشته شده بود، اما مدیران استخدامی که پیش‌نویس‌های اولیه را دیدند به من گفتند که آموختن نحوه استخدام شرکت‌های دیگر و تجدیدنظر در روند خود مفید است. + +کتاب از دو بخش تشکیل شده است. بخش اول مروری بر فرآیند مصاحبه یادگیری ماشینی، انواع نقش های یادگیری ماشینی در دسترس است، هر نقش به چه مهارت هایی نیاز دارد، نوع سوالاتی که اغلب پرسیده می شود و نحوه آماده شدن برای آنها ارائه می دهد. این بخش همچنین طرز فکر مصاحبه‌کنندگان و نوع سیگنال‌هایی را که آنها به دنبال آن هستند، توضیح می‌دهد. + +بخش دوم شامل بیش از 200 سوال دانشی است که هر کدام با سطح دشواری خود مشخص شده اند - مصاحبه برای نقش های ارشد بیشتر باید منتظر سوالات سخت تری باشد - که مفاهیم مهم و تصورات غلط رایج در یادگیری ماشین را پوشش می دهد. + +پس از اتمام این کتاب، ممکن است بخواهید [30 سوال باز] (https://huyenchip.com/machine-learning-systems-design/toc.html) را بررسی کنید تا توانایی خود را در کنار هم قرار دادن آنچه شما می دانید برای حل چالش های عملی. این سوالات مهارت های حل مسئله و همچنین میزان تجربیات شما را در پیاده سازی و استقرار مدل های یادگیری ماشینی آزمایش می کنند. برخی از شرکت ها به آنها سوالات **طراحی سیستم های یادگیری ماشینی** می گویند. تقریباً تمام شرکت هایی که من با آنها صحبت کرده ام، حداقل سؤالی از این نوع را در فرآیند مصاحبه خود می پرسند، و آنها سؤالاتی هستند که نامزدها اغلب آنها را سخت ترین سؤالات می دانند. + +"طراحی سیستم های یادگیری ماشین" موضوع پیچیده ای است که شایسته کتاب خود است. برای کسب اطلاعات بیشتر در مورد آن، دوره من [**CS 329S: طراحی سیستم های یادگیری ماشین**] (https://stanford-cs329s.github.io/) را در استانفورد بررسی کنید. + +این کتاب نه جایگزینی برای کتاب های درسی یادگیری ماشینی است و نه میانبری برای انجام مصاحبه ها. این ابزاری برای تجمیع دانش نظری و عملی موجود شما در یادگیری ماشین است. سوالات این کتاب همچنین می تواند به شناسایی نقاط کور/ضعیف شما کمک کند. هر موضوع با منابعی همراه است که باید به شما در تقویت درک خود از آن موضوع کمک کند. + +--- +*این کتاب توسط [Chip Huyen](https://huyenchip.com) با کمک دوستان فوق العاده ساخته شده است. برای بازخورد، اشتباهات و پیشنهادات، می‌توانید با نویسنده [اینجا] (https://huyenchip.com/communication/) تماس بگیرید. حق چاپ ©2021 Chip Huyen.* \ No newline at end of file diff --git a/SUMMARY_Farsi(Persian).md b/SUMMARY_Farsi(Persian).md new file mode 100644 index 00000000..74ded911 --- /dev/null +++ b/SUMMARY_Farsi(Persian).md @@ -0,0 +1,58 @@ +# Summary + +* [کتاب مقدمه ای بر مصاحبه های یادگیری ماشین](README.md) + * [مخاطب هدف](contents/0-target-audience.md) + * [در مورد سوالات](contents/0-about-the-questions.md) + * [درباره پاسخ ها](contents/0-about-the-answers.md) + * [بازی کردن فرآیند مصاحبه](contents/0-gaming-the-interview-process.md) + * [تشکرات](contents/0-acknowledgments.md) + * [درباره نویسنده](contents/0-about-the-author.md) +* [Part I. مرور کلی](contents/part-i.-overview.md) + * [Chapter 1. شغلهای ماشین لرنینگ](contents/chapter-1.-ml-jobs.md) + * [1.1 نقش های مختلف یادگیری ماشینی](contents/1.1-different-ml-roles.md) + * [1.1.1 کار در ریسرچ و تولید](contents/1.1.1-working-in-research-vs.-workingin-production.md) + * [1.1.2 تحقیق](contents/1.1.2-research.md) + * [1.1.2.1 تحقیق و تحقیقات کاربردی](contents/1.1.2.1-research-vs.-applied-research.md) + * [1.1.2.2 دانشمند محقق در مقابل مهندس محقق](contents/1.1.2.2-research-scientist-vs.-research-engineer.md) + * [1.1.3 تولید](contents/1.1.3-production.md) + * [1.1.3.1 چرخه تولید](contents/1.1.3.1-production-cycle.md) + * [1.1.3.2 مهندس ماشین لرنینگ و مهندس نرم افزار](contents/1.1.3.2-machine-learning-engineer-vs.-software-engineer.md) + * [1.1.3.3 دیتاساینس و مهندس ماشین لرنینک](contents/1.1.3.3-machine-learning-engineer-vs.-data-scientist.md) + * [1.1.3.4 سایر نقش های فنی در تولیدات ML](contents/1.1.3.4-other-technical-roles-in-ml-production.md) + * [1.1.3.5 درک نقش ها و عناوین](contents/1.1.3.5-understanding-roles-and-titles.md) + * [1.2 انواعی از کمپانی ها](contents/1.2-types-of-companies.md) + * [1.2.1 شرکت های کاربردی در مقابل شرکت های ابزارسازی](contents/1.2.1-applications-companies-vs.-tooling-companies.md) + * [1.2.2 شرکت در مقابل محصولات مصرفی](contents/1.2.2-enterprise-vs.-consumer-products.md) + * [1.2.3 استارتاپ یا شرکت های بزرگ](contents/1.2.3-startups-or-big-companies.md) + * [Chapter 2. فرآیند مصاحبه یادگیری ماشینی](contents/chapter-2.-machine-learning-interview-process.md) + * [2.1 درک طرز فکر مصاحبه کنندگان](contents/2.1-understanding-the-interviewers’-mindset.md) + * [2.1.1 آنچه شرکت ها از نامزدها می خواهند](contents/2.1.1-what-companies-want-from-candidates.md) + * [2.1.1.1 مهارت های تکنیکال](contents/2.1.1.1-technical-skills.md) + * [2.1.1.2 مهارت های غیر تکنیکال](contents/2.1.1.2-non-technical-skills.md) + * [2.1.1.3 فرهنگ مناسب چیست؟](contents/2.1.1.3-what-exactly-is-culture-fit.md) + * [2.1.1.4 نقش های جونیور و سنیور](contents/2.1.1.4-junior-vs-senior-roles.md) + * [2.1.1.5 آیا به دکتری نیاز دارم؟ برای کار در یادگیری ماشین؟](contents/2.1.1.5-do-i-need-a-ph.d.-to-work-in-machine-learning.md) + * [2.1.2 چگونه شرکت ها نامزدها را تامین می کنند](contents/2.1.2-how-companies-source-candidates.md) + * [2.1.3 سیگنال هایی که شرکت ها در کاندیداها دنبال می کنند](contents/2.1.3-what-signals-companies-look-for-in-candidates.md) + * [2.2 خط لوله مصاحبه](contents/2.2-interview-pipeline.md) + * [2.2.1 فرمت های رایج مصاحبه](contents/2.2.1-common-interview-formats.md) + * [2.2.2 فرمت های جایگزین مصاحبه](contents/2.2.2-alternative-interview-formats.md) + * [2.2.3 مصاحبه در شرکت های بزرگ در مقابل شرکت های کوچک](contents/2.2.3-interviews-at-big-companies-vs.-at-small-companies.md) + * [2.2.4 مصاحبه برای کارآموزی در مقابل موقعیت های تمام وقت](contents/2.2.4-interviews-for-internships-vs.-for-full-time-positions.md) + * [2.3 انواعی از سوالات](contents/2.3-types-of-questions.md) + * [2.3.1 سوالات رفتاری](contents/2.3.1-behavioral-questions.md) + * [2.3.1.1 بیوگرافی و رزومه](contents/2.3.1.1-background-and-resume.md) + * [2.3.1.2 علایق ](contents/2.3.1.2-interests.md) + * [2.3.1.3 ارتباطات](contents/2.3.1.3-communication.md) + * [2.3.1.4 شخصیت](contents/2.3.1.4-personality.md) + * [2.3.2 سوالاتی که باید از مصاحبه کنندگان خود بپرسید](contents/2.3.2-questions-to-ask-your-interviewers.md) + * [2.3.3 سوالات بد مصاحبه](contents/2.3.3-bad-interview-questions.md) + * [2.4 پرچم های قرمز](contents/2.4-red-flags.md) + * [2.5 جدول زمانی](contents/2.5-timeline.md) + * [2.6 درک شانس شما](contents/2.6-understanding-your-odds.md) + * [Chapter 3. بعد از یک پیشنهاد](contents/chapter-3.-after-an-offer.md) + * [3.1 بسته جبرانی](contents/3.1-compensation-package.md) + * [3.1.1 حقوق پایه](contents/3.1.1-base-salary.md) + * [3.1.2 کمک های مالی](contents/3.1.2-equity-grants.md) + * [3.1.3 جوایز](contents/3.1.3-bonuses.md) + \ No newline at end of file diff --git a/Translation/Farsi/contents/2.2.2-alternative-interview-formats.md b/Translation/Farsi/contents/2.2.2-alternative-interview-formats.md new file mode 100644 index 00000000..e69de29b diff --git a/Translation/Farsi/contents/2.2.3-interviews-at-big-companies-vs.-at-small-companies.md b/Translation/Farsi/contents/2.2.3-interviews-at-big-companies-vs.-at-small-companies.md new file mode 100644 index 00000000..d0f59393 --- /dev/null +++ b/Translation/Farsi/contents/2.2.3-interviews-at-big-companies-vs.-at-small-companies.md @@ -0,0 +1,7 @@ +### 2.2.3 مصاحبه در شرکت های بزرگ در مقابل شرکت های کوچک + +استخدام در یک شرکت کوچک با استخدام در یک شرکت بزرگ بسیار متفاوت است. یکی از دلایل این است که شرکت های بزرگ تعداد زیادی استخدام می کنند، بنابراین آنها باید فرآیند خود را استاندارد کنند. شرکت‌های کوچک فرآیند را در حین پیشبرد اصلاح می‌کنند. دلیل دیگر این است که شرکت‌های بزرگ می‌توانند گهگاهی استخدام‌های بدی را انجام دهند، در حالی که چند نفر از استخدام‌های بد می‌توانند یک شرکت کوچک را به زمین بزنند. + +در نتیجه، فرآیندها در شرکت های کوچکتر می توانند با هر نقش و هر نامزد سازگار شوند. فرآیندها در شرکت‌های بزرگ می‌تواند سفت و سخت و بوروکراتیک باشد و ممکن است شامل سوالاتی بی‌ربط به نقش یا نامزد باشد. استانداردسازی در شرکت‌های بزرگ همچنین به این معنی است که این فرآیند قابل هک‌تر است - آماده‌سازی کامل می‌تواند شانس شما را به میزان قابل توجهی افزایش دهد. + +تفاوت مهم دیگر این است که شرکت های بزرگ می توانند متخصصانی را استخدام کنند که فقط در یک منطقه کوچک عالی هستند. استارت‌آپ‌ها غیرقابل پیش‌بینی هستند و دائماً در حال تغییر هستند، بنابراین ممکن است کمتر به کاری که شما بهترین انجام می‌دهید اهمیت دهند و بیشتر به اینکه آیا می‌توانید فوری‌ترین نیازهای آنها را برطرف کنید، اهمیت می‌دهند. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.2.4-interviews-for-internships-vs.-for-full-time-positions.md b/Translation/Farsi/contents/2.2.4-interviews-for-internships-vs.-for-full-time-positions.md new file mode 100644 index 00000000..c38f8053 --- /dev/null +++ b/Translation/Farsi/contents/2.2.4-interviews-for-internships-vs.-for-full-time-positions.md @@ -0,0 +1,13 @@ +### 2.2.4 مصاحبه برای دوره های کارآموزی در مقابل موقعیت های تمام وقت + +معمولاً مصاحبه برای یک دوره کارآموزی و سپس دریافت پیشنهاد بازگشت به عنوان یک کارمند تمام وقت بسیار ساده تر از مصاحبه مستقیم برای یک موقعیت تمام وقت است. فرآیند مصاحبه یک پروکسی برای پیش بینی میزان عملکرد شما در کار است. اگر قبلاً در یک تیم کارآموزی کرده اید، آنها توانایی و تناسب شما را می دانند و بنابراین ممکن است شما را به یک نامزد ناشناس ترجیح دهند. + +در شرکت های بزرگ فناوری، برنامه های کارآموزی وجود دارد تا منبعی ثابت و قابل اعتماد برای استعدادهای تمام وقت فراهم کند. یک کارآموز متوسط در فیس بوک ماهانه 8000 دلار درآمد دارد، تقریباً دوبرابر میانگین یک کارگر تمام وقت آمریکایی[^43]، و فیس بوک حتی بالاترین پیشنهاد را هم ندارد[^44]. توجیه این حقوق دشوار است مگر اینکه بتواند هزینه های استخدام را بعدا جبران کند. + +فرآیند مصاحبه برای کارآموزان پیچیدگی کمتری دارد زیرا کارآموزی تعهد کمتری دارد. اگر شرکتی یک کارآموز را دوست نداشته باشد، آن کارآموز سه ماه دیگر می رود. اما اگر یک کارمند تمام وقت را دوست نداشته باشند، اخراج آن فرد گران است. تعداد موقعیت‌های تمام‌وقت تحت یک شمارش سختگیرانه است، اما تعداد کارآموزان اغلب اینطور نیست. حتی زمانی که یک شرکت فرآیند استخدام را متوقف می کند، مانند کاهش هزینه ها، ممکن است همچنان کارآموز استخدام کند. + +اگر دوره کارآموزی شما خیلی اشتباه پیش نرود و شرکت در حال استخدام باشد، احتمالاً یک پیشنهاد کارآموزی تا تمام وقت دریافت خواهید کرد. در NVIDIA، اکثر پیشنهادات تمام وقت برای فارغ التحصیلان جدید به کارآموزان آنها می رسد. راشل گوپتا، استخدام کننده سابق گوگل و گیت هاب، در یکی از پاسخ های خود در Quora نوشت: + +«_محدوده [نرخ تبدیل کارآموز] بین 60 درصد بالا است و می تواند تا 90 درصد پایین در شرکت های فناوری برتر باشد. من تبدیل را به معنای «واجد شرایط تبدیل به استخدام تمام وقت» تعریف می کنم و نه فقط واجد شرایط برای کارآموزی در سال آینده. در Google، وقتی یک تیم کارآموزی می‌گیرد، نقشی تمام وقت دارد که کارآموز می‌تواند آن را به_ تبدیل کند.[^45]” + +اگر دانشجو هستید، برای شروع به دنبال کارآموزی هرگز زود نیست. کارآموزی به عنوان دانش‌آموز دبیرستانی غیرمعمول نیست. با این حال، اگر قبلاً آن مرحله را پشت سر گذاشته اید، نگران نباشید. این کتاب برای کمک به شما در این فرآیند است. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3-types-of-questions.md b/Translation/Farsi/contents/2.3-types-of-questions.md new file mode 100644 index 00000000..2966c977 --- /dev/null +++ b/Translation/Farsi/contents/2.3-types-of-questions.md @@ -0,0 +1,3 @@ +## 2.3 انواع سوالات + +در این بخش، انواع اصلی سوالات در فرآیند مصاحبه برای نقش های ML را بررسی خواهیم کرد. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.1-behavioral-questions.md b/Translation/Farsi/contents/2.3.1-behavioral-questions.md new file mode 100644 index 00000000..985fae33 --- /dev/null +++ b/Translation/Farsi/contents/2.3.1-behavioral-questions.md @@ -0,0 +1,5 @@ +### 2.3.1 سوالات رفتاری + +هر مصاحبه کننده احتمالاً با یک مقدمه کوتاه و یک یا دو سؤال در مورد سابقه شما شروع می کند. این سوالات برای این است که بفهمید که چه کسی هستید و شاید برای اینکه راحت‌تر شوید. برای شرکت هایی که یک دور رفتاری اختصاصی دارند، این قسمت باید در طول مصاحبه فنی کوتاه باشد. دور رفتاری ممکن است در طول ناهار باشد یا نباشد، که معمولاً توسط مدیر استخدام یا یک مصاحبه گر رفتاری تعیین شده برگزار می شود. + +سوالات رفتاری برای ارزیابی اینکه آیا ارزش های شما با ارزش های شرکت همخوانی دارد و اینکه آیا شرکت می تواند محیطی را برای پیشرفت شما فراهم کند یا خیر است. آنها را می توان در چهار موضوع اصلی دسته بندی کرد: پیشینه/رزومه شما، علایق شما، سبک ارتباطی شما و شخصیت شما. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.1.1-background-and-resume.md b/Translation/Farsi/contents/2.3.1.1-background-and-resume.md new file mode 100644 index 00000000..01029073 --- /dev/null +++ b/Translation/Farsi/contents/2.3.1.1-background-and-resume.md @@ -0,0 +1,13 @@ +#### 2.3.1.1 سابقه و رزومه + +یکی از سوالات متداول که بسیاری از مصاحبه کنندگان با آن شروع می کنند این است که "در مورد خودت به من بگو". شما باید یک پاسخ کمتر از یک دقیقه داشته باشید و از قبل آن را تمرین کنید. پاسخ شما باید هم شخصی باشد (شما هستید و هیچ کس دیگری) و هم حرفه ای (چرا برای این نقش مناسب هستید). پاسخ شما ممکن است بقیه مصاحبه را راهنمایی کند. + +مصاحبه‌کنندگان همچنین ممکن است سطح عمومی تخصص شما را با این سؤال آزمایش کنند: «چه سطحی از مشارکت با [ML|بینایی رایانه|پردازش زبان طبیعی|و غیره] داشته‌اید؟» بلوف نزنید اگر وانمود کنید که باتجربه تر از آنچه هستید، مصاحبه کننده متوجه خواهد شد. + +شرکت ها می خواهند در مورد تاریخچه شغلی شما بدانند. آنها احتمالاً در مورد سوابق تحصیلی، مشاغل قبلی و پروژه های گذشته شما سؤال خواهند کرد. شما باید دو چیز را برجسته کنید. ** یکی از آنها تصمیماتی است که در هر موقعیتی گرفته اید که تأثیر مثبت و منفی داشته است. دلیل دیگر این است که چرا تصمیم گرفتید یک شرکت را ترک کنید و به شرکت بعدی بپیوندید.** + +مصاحبه کننده سعی می کند ببیند آیا آنچه را که در رزومه خود ادعا می کنید انجام داده اید یا خیر. اگر دارید، چقدر مالکیت گرفتید. تشخیص سخنرانان از انجام دهندگان فقط با پرسیدن جزئیات بسیار آسان است. آنها ممکن است یک پروژه را از رزومه شما انتخاب کنند و از شما بخواهند هر انتخابی را که در آن انجام داده اید توضیح دهید. اگر ادعا می کنید با TensorFlow آشنایی دارید، آماده باشید تا در مورد اجرای مشتاقانه، tf.estimator و آموزش توزیع شده در TensorFlow صحبت کنید. + +مطمئناً کارفرمایان می خواهند در مورد جستجوی شغل فعلی شما بدانند: چرا به دنبال آن هستید و به دنبال چه چیزی هستید. سوالی که هر شرکتی می پرسد این است که آیا پیشنهاد/مهلت قریب الوقوعی دارید که آنها باید از آن آگاه باشند. برخی از کاندیداها از ترس اینکه شرکت کمتر به آنها فکر کند، اعتراف می کنند که هنوز هیچ پیشنهادی ندارند، احساس ناخوشایندی می کنند. برخی به دروغ گویی متوسل می شوند و به استخدام کنندگان می گویند که در محل یا پیشنهادات قریب الوقوع دارند در حالی که ندارند. + +ممکن است بتوانید از آن دور شوید -- برخی حتی استدلال می کنند که از آنجایی که شرکت ها به طور مرتب از کاربران و کارمندان خود سوء استفاده می کنند، ما هیچ تعهد اخلاقی برای صادق بودن با آنها نداریم. با این حال، این یک شیب لغزنده است. من نمی‌خواهم کسی باشم که برای پیشرفت دروغ می‌گوید، اما این یک تصمیم شخصی است که هر یک از ما باید برای خود بگیریم. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.1.2-interests.md b/Translation/Farsi/contents/2.3.1.2-interests.md new file mode 100644 index 00000000..9e199513 --- /dev/null +++ b/Translation/Farsi/contents/2.3.1.2-interests.md @@ -0,0 +1,21 @@ +#### 2.3.1.2 علایق + +این به نفع مالی شرکت‌ها است که کارکنانشان به شغلشان علاقه داشته باشند. آنها می خواهند مطمئن شوند که علایق شما همسو هستند. چند نمونه سوال عبارتند از: + + + +* چرا به ML علاقه دارید؟ + +* چه چیزی در این سمت مورد علاقه شماست؟ + +* امیدوارید در شغل بعدی خود چه چیزی یاد بگیرید؟ + +* در سمت فعلی خود، برای چه نوع مشکلاتی پیشرو هستید؟ اگر از سایر اعضای تیم شما این سوال را بپرسم، آنها چه خواهند گفت؟ + +جاشوا لوی، یک مهندس موسس در شرکت بلوم ریچ SaaS با هوش مصنوعی، گفت: سوال مورد علاقه او این است: «_به دوره ای فکر کنید که برای رفتن به محل کار هیجان زده و هیجان زده بودید. چه چیزی شما را هیجان زده کرد؟_» آیا این مشکلی بود که می‌خواستید حل کنید، تأثیری که می‌توانید ایجاد کنید، فناوری‌هایی که به آن‌ها دسترسی داشتید، افرادی که با آنها کار می‌کردید، منحنی یادگیری شما یا چیز دیگری بود؟ + +یکی از سؤالات حیوان خانگی برای بسیاری از مصاحبه کنندگان این است که "مقاله ای را که واقعا دوست دارید توضیح دهید". این پاسخ نه تنها نوع مشکلاتی که به آنها علاقه دارید را نشان می دهد، بلکه نشان می دهد که تا چه حد می خواهید برای درک یک مشکل پیش بروید و چقدر مفاهیم فنی را به خوبی منتقل می کنید. مهم نیست چه کاغذی را انتخاب می کنید، تا زمانی که آن را به اندازه کافی درک کرده باشید که در مورد آن صحبت کنید. قبل از مصاحبه، هر مقاله ای را انتخاب کنید، آن را از درون بخوانید و خودتان آن را اجرا کنید تا تمام ظرافت ها را درک کنید. + +مورد علاقه شخصی من این است: "_چه کاری انجام داده ای که به آن افتخار می کنی؟_" پاسخ به این سوال حتی نباید فنی باشد. یک بار به مصاحبه‌کننده‌ای گفتم که به سازمان غیرانتفاعی که در دبیرستان برای تشویق جوانان به کاوش در خارج از منطقه امن خود راه‌اندازی کردم، افتخار می‌کنم. من یک پیشنهاد دریافت کردم. + +مصاحبه‌کنندگان می‌خواهند درک کنند که شما چه کسی هستید: چه چیزی شما را برای انجام بهترین کارتان انگیزه می‌دهد، چگونه با موانع برخورد می‌کنید. کارفرمایان از شما می خواهند که بر موانع غلبه کنید و بهترین کار خود را در شرکت آنها انجام دهید. شرکت ها افراد پرشور می خواهند، بنابراین در مورد چیزهایی صحبت کنید که می توانند آتش را در چشمان شما روشن کنند. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.1.3-communication.md b/Translation/Farsi/contents/2.3.1.3-communication.md new file mode 100644 index 00000000..f7690d65 --- /dev/null +++ b/Translation/Farsi/contents/2.3.1.3-communication.md @@ -0,0 +1,17 @@ +#### 2.3.1.3 ارتباطات + +ارتباط بدون شک مهمترین مهارت نرم برای یک شغل است. اگر اعضای تیم نتوانند یا نتوانند با یکدیگر ارتباط برقرار کنند، کار تیمی غیرممکن است. هر شرکتی می خواهد نه تنها میزان ارتباط شما را ارزیابی کند، بلکه همچنین می خواهد که آیا می توانید با سبک ارتباطی شرکت سازگار شوید یا خیر. به عنوان مثال، اگر شرکتی به‌روزرسانی‌های روزانه وضعیت را سنگین می‌کند و شما ترجیح می‌دهید برای روزها ناپدید شوید تا روی یک پروژه تمرکز کنید و فقط پس از اتمام کار ظاهر شوید، ممکن است مناسب نباشد. + +سبک ارتباطی و مهارت‌های شما در طول کل فرآیند ارزیابی می‌شود، از نامه پوششی شما، نحوه پاسخ دادن به ایمیل‌های آن‌ها تا نحوه پاسخ دادن به هر سؤال مصاحبه. شرکت ها همچنین ممکن است سؤالات صریحی در مورد نحوه ارتباط شما بپرسند. در اینجا برخی از سوالاتی است که باید در مورد آنها فکر کنید: + +* از زمانی برایم بگویید که باید انتقاد سازنده ای می کردید. + +* درباره زمانی که بازخورد انتقادی دریافت کردید به من بگویید. + +* آیا تا به حال با مدیر خود اختلاف نظر داشته اید؟ چگونه به آن پرداختید؟ + +* همکارانتان سبک ارتباطی شما را چگونه توصیف می کنند؟ + +* مبهم ترین پروژه ای که در آن حضور داشته اید چه بوده است؟ چگونه این را مدیریت کردی؟ + +* چه نوع سبک مدیریتی بهترین ها را در شما به نمایش می گذارد؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.1.4-personality.md b/Translation/Farsi/contents/2.3.1.4-personality.md new file mode 100644 index 00000000..ccdf10d2 --- /dev/null +++ b/Translation/Farsi/contents/2.3.1.4-personality.md @@ -0,0 +1,15 @@ +#### 2.3.1.4 شخصیت + +شرکت‌ها می‌خواهند در مورد شما، شخصیت، استعداد، نقاط قوت و ضعف‌تان بدانند. پرسیدن مستقیم نقاط قوت و ضعف از یک نامزد اغلب نتایج ضعیفی به همراه دارد - بیشتر مردم تمایلی به اعتراف به عیوب خود ندارند و از اینکه در مورد نقاط قوت خود ببالند خجالتی هستند. بنابراین، مصاحبه‌کنندگان ممکن است سؤالات را به گونه‌ای متفاوت طرح‌بندی کنند. + +در اینجا برخی از سوالاتی است که ممکن است یک مصاحبه کننده بپرسد. + +* همکارانتان شما را چگونه توصیف می کنند؟ +* اگر با یک هم تیمی احتمالی مصاحبه می کردید، به دنبال چه ویژگی هایی بودید؟ +* اگر برای حل یک مشکل برنامه نویسی به یک شریک نیاز داشتید، شریک ایده آل خود را چگونه توصیف می کنید؟ +* اگر بتوانید به پنج سال قبل برگردید، چه مهارتی را یاد می گرفتید؟ +* درباره زمانی که با چالشی به ظاهر غیرقابل عبور روبرو شدید و چگونه بر آن غلبه کردید بگویید. + +مصاحبه‌گران ارشد معمولاً یک سؤال اساسی دارند که معتقدند بیشترین سؤال را در مورد یک شخص نشان می‌دهد. پیتر تیل در کتاب خود _صفر تا یک_ فاش کرد که از هرکسی که با او مصاحبه کرده بود پرسید: "_تعداد کمی از مردم در مورد چه حقیقت مهمی با شما موافق هستند؟_" پاسخ به این سوال سخت است زیرا ابتدا باید بدانید که اکثر مردم در مورد چه چیزی موافق هستند. ، بتواند مستقل فکر کند و برای بیان آن اعتماد به نفس کافی داشته باشد. + +خودت باش، اما دمدمی مزاج نباش. سیلیکون ولی به خاطر تحمل تند و تیزهای درخشان - افراد با عملکرد بالا که کار کردن با آنها بی ادب و ناخوشایند است - معروف است که به فرهنگ سمی ادعایی صنعت فناوری کمک می کند. با این حال، در سال‌های اخیر، بسیاری از شرکت‌های فناوری، از جمله نتفلیکس، متعهد شده‌اند که افراد تند و تیز را هر چقدر هم که باهوش باشند، استخدام نکنند. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.2-questions-to-ask-your-interviewers.md b/Translation/Farsi/contents/2.3.2-questions-to-ask-your-interviewers.md new file mode 100644 index 00000000..6730d42a --- /dev/null +++ b/Translation/Farsi/contents/2.3.2-questions-to-ask-your-interviewers.md @@ -0,0 +1,19 @@ +### 2.3.2 سوالاتی که باید از مصاحبه کنندگان بپرسید + +معمولاً در پایان هر مصاحبه 5 تا 10 دقیقه و در طول دوره رفتاری بسیار بیشتر فرصت دارید تا سؤال بپرسید. گاهی اوقات، شما می‌توانید از پرسش‌های کسی بیشتر از پاسخ‌های او یاد بگیرید. + +فرآیند مصاحبه یک خیابان دو طرفه است - نه تنها یک شرکت ارزیابی می کند که آیا شما مناسب هستید یا خیر، بلکه شما همچنین ارزیابی می کنید که آیا می خواهید برای آن شرکت کار کنید یا خیر. شما باید از هر فرصتی که برای پرسیدن سوال در مورد شرکت دارید استفاده کنید - ماموریت، چشم انداز، ارزش ها، رقبا، برنامه های آینده، چالش هایی که با آن ها روبرو هستند، مسیر شغلی احتمالی، سیاست هایی که باید در مورد آنها بدانید، سلسله مراتب داخلی و سیاست شرکت های موجود + +باید در مورد تیمی که با آن مصاحبه می کنید یاد بگیرید: ترکیب و پویایی تیم، رویدادهای تیم، سبک مدیریتی، نوع افرادی که می خواهند به تیم بیاورند. همچنین باید سعی کنید در مورد پروژه هایی که قرار است روی آنها کار کنید و اینکه عملکرد شما چگونه ارزیابی می شود، درک کنید. + +اگر به دیده شدن کار خود اهمیت می دهید - که مخصوصاً برای کسانی که در ابتدای کار خود هستند مهم است - باید در مورد خط مشی انتشار شرکت بپرسید: آیا آنها مقالات خود را منتشر می کنند و کد خود را منبع باز می کنند؟ اگر شرکتی اصلاً منتشر نکند، شما می‌پیوندید و ناپدید می‌شوید - دنیای بیرون هیچ ایده‌ای ندارد که روی چه چیزی کار می‌کنید. + +اخیراً کارمندان شرکت‌های فناوری بزرگ در اعتراض به دخالت کارفرمایان خود با برخی از شاخه‌های دولت دست از کار کشیده‌اند. اگر این چیزی است که شما به آن اهمیت می دهید، قطعاً باید از کارفرمای بالقوه خود در مورد موضع آنها در مورد همکاری با دولت بخواهید. + +دیدگاه شغلی مصاحبه کننده شما به خوبی نشان می دهد که اگر به شرکت بپیوندید، دیدگاه شما چگونه خواهد بود، بنابراین باید سعی کنید بفهمید که آنها چه کاری انجام می دهند و چرا/چگونه این کار را انجام می دهند. چرا این شرکت را انتخاب کردند؟ در مقایسه با کارفرمایان قبلی آنها چگونه است؟ آنها چه چیزی را در شغل خود چالش برانگیز می دانند؟ آنها چقدر در انتخاب اینکه روی چه چیزی کار کنند آزادی دارند؟ + +اگر به سؤالات بیشتری نیاز دارید، جولیا ایوانز [لیست] بسیار خوبی دارد (https://jvns.ca/blog/2013/12/30/questions-im-asking-in-interviews/). + + + هرگز از مصاحبه کنندگان خود در مورد غرامت نپرسید ⚠
+مگر اینکه موضوع به صراحت توسط مصاحبه کنندگان مطرح شود. برخی از مدیران استخدام، این را یک پرچم قرمز می دانند زیرا نشان می دهد که نامزد فقط به پول اهمیت می دهد و به محض اینکه پیشنهاد بهتری ارائه شود، ارسال خواهد شد. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.3.3-bad-interview-questions.md b/Translation/Farsi/contents/2.3.3-bad-interview-questions.md new file mode 100644 index 00000000..70ebcfb7 --- /dev/null +++ b/Translation/Farsi/contents/2.3.3-bad-interview-questions.md @@ -0,0 +1,52 @@ +### 2.3.3 سوالات بد مصاحبه + +اکثر مصاحبه‌کنندگانی که ملاقات می‌کنید، مصاحبه‌کنندگان بدی خواهند بود. تعداد کمی از شرکت ها برنامه های آموزشی مناسب برای مصاحبه دارند. مصاحبه‌گران جوان تجربه کافی برای دانستن سیگنال‌ها را ندارند و فاقد عمق فنی برای ارزیابی تخصص شما هستند. مصاحبه‌گران ارشد ممکن است با فهرستی از سؤالات مربوط به حیوانات خانگی مواجه شوند و حتی در پرتو شواهد متناقض از شایستگی تکنیک‌های خود تا حد مرگ دفاع کنند. + +مصاحبه کنندگان بد سوالات بدی می پرسند. حتی مصاحبه کنندگان خوب هم گاهی سوالات بد می پرسند. در اینجا چند نمونه از سوالات بد مصاحبه آورده شده است. + + +1. **سوالاتی که خواستار حفظ دانش هستند و به راحتی قابل جستجو هستند** + + مثال: "معادله بهینه ساز Adam را بنویسید." + + این سؤالات به کسانی که اتفاقاً قبل از مصاحبه این دانش را مرور می کنند یا کسانی که یادگیری را در اولویت قرار می دهند، پاداش می دهد. کاندیداهای خوب ممکن است در نهایت بتوانند معادله ای را حل کنند، اما احتمالا بهترین استفاده از زمان مصاحبه نیست. دانشی که به راحتی به دست می‌آید ارزش امتحان کردن را ندارد. + +2. **سوالاتی که مهارت های نامربوط را ارزیابی می کنند** + + مثال: «فهرست پیوندی بنویسید». + + مصاحبه‌کنندگانی که این سؤال‌ها را می‌پرسند با بیان اینکه برای مهندسان ML مهم است که مهارت‌های کدنویسی خوبی داشته باشند، از تصمیم خود دفاع می‌کنند. این بر این فرض استوار است که توانایی نوشتن لیست های پیوندی توانایی کدگذاری را نشان می دهد، اما اغلب فقط نشان می دهد که یک نامزد برای یک مصاحبه استاندارد مهندسی نرم افزار تمرین کرده است. یک رویکرد بهتر این است که از داوطلبان بخواهید راه حل هایی برای کارهای عملی مانند حذف نمونه های تکراری در مجموعه داده ای که در حافظه جا نمی شود بنویسند. + +3. **سوالاتی که راه حل آنها متکی بر یک بینش واحد است** + + مثال: "مشتق $$ x^x $$ را بگیرید." + + حل این سوالات متکی به دیدن آنها از قبل یا یک لحظه بینش درخشان است. چیزی در مورد توانایی فرد نمی گوید. + +4. **سوالاتی که سعی می کنند چندین مهارت را همزمان ارزیابی کنند** + + مثال: "PCA را به مادربزرگ خود توضیح دهید." + + اگر نامزدی ضعیف عمل کند، نمی‌دانید به این دلیل است که PCA را نمی‌داند یا نمی‌داند چگونه با مادربزرگ‌ها صحبت کند. یک مصاحبه‌گر خوب، مهارت‌هایی را که می‌خواهند ارزیابی کنند، جدا می‌کند. برای مثال، مصاحبه‌کنندگان می‌توانند ابتدا مشکلی را به نامزدها بدهند که می‌تواند با PCA حل شود (مثلاً یک مجموعه داده دارای ویژگی‌های بسیار بیشتری نسبت به نمونه‌ها است). اگر نامزدها PCA را مطرح کنند، مصاحبه کنندگان از آنها می خواهند که PCA را به طور مستقیم توضیح دهند. + +5. **سوالاتی که از نام های خاصی استفاده می کنند که به سختی به خاطر می آیند **. + + مثال: سوالاتی درباره «معکوس مور– پنروز» یا «هنجار فروبنیوس». + + نامزدها ممکن است هنجار شبه معکوس یا ماتریس را بدانند بدون اینکه بدانند مور-پنروز و فروبنیوس نامیده می شوند. این امر به ویژه برای انگلیسی زبانان غیر بومی که به زبان دیگری تحصیل می کنند می تواند سخت باشد. اگر در طول مصاحبه با اصطلاحی مواجه شدید که با آن آشنا نیستید، مثال بخواهید. + +6. **سوالات باز با یک پاسخ مورد انتظار** + + برخی از مصاحبه‌کنندگان سؤالات باز می‌پرسند که پاسخ‌های متعددی دارند. با این حال، از آنجایی که آنها فقط یک پاسخ را می دانند، از نامزدها انتظار دارند که به همان راه حل دقیق دست پیدا کنند. این می تواند برای نامزدها ناامید کننده باشد. + +7. **سوالات آسان** **در دورهای بعدی مصاحبه** + + مثال: "طولانی ترین دنباله مشترک را پیدا کنید." + + پس از حل شدن این سوالات، جای زیادی برای بهبود وجود نخواهد داشت. پاسخ ضعیف به آنها به این معنی است که یک نامزد صلاحیت ندارد، اما خوب پاسخ دادن به آنها به معنای خوب بودن یک نامزد نیست. این سوالات در طول غربالگری برای اطمینان از اینکه یک نامزد می تواند از یک میله عبور کند خوب است، اما برای دورهای مصاحبه بعدی که می خواهید بدانید یک نامزد چقدر می تواند بالا بپرد بد است. + +وقتی سوالی از شما پرسیده می شود که فکر می کنید بد است، آیا باید به مصاحبه کننده خود بگویید که بد است؟ این احتمال وجود دارد که مصاحبه‌گر شما از بازخورد صریح شما قدردانی کند، اما از نظر آماری، ممکن است آزرده خاطر شود و شما را به‌عنوان فردی که نمی‌خواهد با او کار کند، بنویسد. + +در عوض، شما باید توضیح بخواهید. اگر گیر کرده اید، توضیح دهید که چرا گیر کرده اید و برای غلبه بر آن به چه اطلاعاتی نیاز دارید. اگر در مورد قصد مصاحبه کننده مطمئن نیستید، بپرسید. "برای پاسخ بهتر به سوال شما، آیا این برای ارزیابی درک من از X است؟" باید کافی باشد + +--- diff --git a/Translation/Farsi/contents/2.4-red-flags.md b/Translation/Farsi/contents/2.4-red-flags.md new file mode 100644 index 00000000..6b77dedd --- /dev/null +++ b/Translation/Farsi/contents/2.4-red-flags.md @@ -0,0 +1,17 @@ +## 2.4 پرچم قرمز + +ممکن است بخواهید از شرکت هایی که پرچم های قرمز زیر را نشان می دهند اجتناب کنید. + +1. شرکت کمتر به تخصص شما علاقه مند است و بیشتر به این علاقه مند است که آیا می توانید فوری ترین نیازهای آنها را برآورده کنید -- ممکن است بپرسند که آیا شما می توانید به جای کاوش در دانش و تجربه خود این کار را انجام دهید یا آن را. اگر آنها شما را فقط برای نیازهای فوری خود می‌خواهند، ممکن است وقتی از این نیازها فراتر رفته‌اند، شما را رها کنند. +2. شرکت به وقت شما احترام نمی گذارد، به عنوان مثال. در آخرین لحظه مصاحبه خود را لغو کنید یا آن‌قدرها علاقه‌ای به استخدام شما ندارند[^46]، یا یک آشفتگی سازمانی هستند. +3. اکثر سوالات بد هستند. این بدان معنی است که شرکت زمان زیادی را صرف فکر کردن در مورد خط لوله استخدام خود نکرده است، که منجر به تصمیمات استخدام ضعیف می شود، که به نوبه خود می تواند شرکت را خراب کند. +4. شرکت شما را تحت فشار قرار می دهد یا تهدید می کند که پیشنهادات آنها را قبول کنید. به عنوان مثال، آنها فقط یک روز به شما فرصت می دهند تا پیشنهاد خود را بررسی کنید[^47]. شرکت ها باید حداقل یک هفته به شما فرصت دهند و اگر به زمان بیشتری برای منتظر ماندن برای نتایج مصاحبه در شرکت های دیگر نیاز دارید، معمولا مهلت خود را تمدید می کنند. شرکت‌ها باید تنها افرادی را استخدام کنند که می‌خواهند پس از بررسی همه گزینه‌ها به آنها بپیوندند، در غیر این صورت، ممکن است در اولین فرصتی که به دست می‌آورند به تعجب ادامه دهند و ترک کنند. +5. شرکت فرهنگی ناسازگار با ارزش های شما را به نمایش می گذارد. اگر بچه‌های کوچک دارید، ممکن است بخواهید از شرکت‌هایی که انتظار دارند کارمندان ساعت ۸ شب به ایمیل‌ها پاسخ دهند، اجتناب کنید. اگر طرفدار ملایم تری هستید، ممکن است نخواهید به شرکتی بپیوندید که فعالیت های تیم سازی آن شامل مسابقات آبجو پنگ یا پرتاب تبر است. + +---- + +[^46]: + DeepMind همچنین به دلیل لغو مصاحبه ها در لحظه آخر معروف است. آنها این کار را با من و همچنین با یکی از دوستانم انجام دادند که در نهایت به آنها پیوست. فقط ممکن است آنها از پیوستن ما به شدت هیجان زده نباشند. + +[^47]: + یکی از نامزدها به من گفت که یک بار توسط یک محقق معروف ML تهدید شده بود که اگر پیشنهاد او را نپذیرد، نمی تواند در هیچ یک از سازمان های مختلفی که این محقق در آن مشارکت دارد شغل پیدا کند. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.5-timeline.md b/Translation/Farsi/contents/2.5-timeline.md new file mode 100644 index 00000000..f49bbc52 --- /dev/null +++ b/Translation/Farsi/contents/2.5-timeline.md @@ -0,0 +1,9 @@ +## 2.5 Timeline + +Hiring speed varies wildly from company to company. On the long end of the spectrum, Google and DeepMind processes typically take between six weeks and three months. The long process is partly because of their recurring influx of candidates, and partly because they make hiring decisions at the company-level. Every two weeks, the hiring committee at Google meets to look at all the candidates that have passed the interview process and decide on who to hire. If you’ve made it to the hiring committee, your odds look good. + +On the short end of the spectrum, we have startups and big companies with flat organizational structures. The entire process at a startup can take days if they really want you. Big companies like NVIDIA and Netflix are fast, as they make hiring decisions at the team-level. A team manager can make hiring decisions on the spot. The whole process for my internship at NVIDIA took less than a week. I talked to my manager about converting to full-time in the afternoon and got my offer the next morning. + +The rest of the companies fall somewhere in the middle. The timeline depends a great deal on your availability for interviews, companies’ availability for interviewing spots, how much they want you, and how much they need you. You should ask your recruiter about the expected timeframe if they haven’t told you already, and inform them of any time constraints you have. + +If it’s been at least a week after your interviews and you haven’t heard from your recruiter, it’s okay to send a short and respectful check-in. Let them know that you’re excited about the company and would love to hear any updates as you have to consider other opportunities. \ No newline at end of file diff --git a/Translation/Farsi/contents/2.6-understanding-your-odds.md b/Translation/Farsi/contents/2.6-understanding-your-odds.md new file mode 100644 index 00000000..d82051a5 --- /dev/null +++ b/Translation/Farsi/contents/2.6-understanding-your-odds.md @@ -0,0 +1,40 @@ +## 2.6 درک شانس خود + +هنگام درخواست برای یک نقش، ممکن است تعجب کنید که شانس شما برای آن نقش چقدر است. اگر تصمیمات استخدام از توزیع تصادفی یکنواخت پیروی می کرد، شانس در شرکت های بزرگ فناوری بسیار بد خواهد بود. هر سال، [Google چندین میلیون رزومه دریافت می‌کند و هزاران نفر را استخدام می‌کند](https://www.cnbc.com/2019/04/17/heres-how-many-google-job-interviews-it-takes-to-hire -a-googler.html)، که شانس را حدود 0.2٪ می کند. + +با این حال، شانس به طور یکسان برای افرادی که برای یک نقش در همان شرکت درخواست می کنند توزیع نمی شود. این بستگی به مشخصات شما دارد، اینکه آیا شما ارجاع شده اید و چه کسی شما را معرفی کرده است، چقدر شرکت به این نقش نیاز دارد، چه کسی رزومه شما را بررسی می کند، چه کسانی در حال حاضر در خط لوله خود هستند، و سایر متقاضیان چقدر جدی هستند. + +شرکت‌ها فلسفه‌های غربالگری بسیار متفاوتی دارند - برخی به هر نامزدی که به وضوح رد صلاحیت نشده‌اند یک صفحه نمایش تلفن می‌دهند، در حالی که برخی فقط به متقاضیان برتر پاسخ می‌دهند. + +همه این عوامل، همراه با این واقعیت که تعداد کمی از شرکت‌ها تعداد رزومه‌هایی را که دریافت می‌کنند یا تعداد استخدام‌ها را در هر سال منتشر می‌کنند، تخمین شانس از ارسال درخواست تا دریافت پیشنهاد را غیرممکن می‌سازد. + +با این حال، با استفاده از 15897 بررسی مصاحبه برای نقش‌های مرتبط با مهندسی نرم‌افزار در 27 شرکت بزرگ فناوری در Glassdoor تا آگوست 2019، می‌توان نسبت حضور در محل به پیشنهاد، درصد سایت‌هایی را که منجر به پیشنهادات می‌شوند، تخمین زد. این نسبت با نرخ بازده -- درصد نامزدهایی که پیشنهادات خود را در یک شرکت می پذیرند. حتی اگر تخمین برای نقش‌های مهندسی نرم‌افزار باشد، به عنوان نشانه‌ای برای نقش‌های ML عمل می‌کند. سوگیری‌های زیادی در این داده‌ها وجود دارد، اما امیدواریم که تعداد زیادی از بررسی‌ها برخی نویزها را هموار کنند[^49]. اگر همه بررسی‌ها از سوگیری‌های یکسانی رنج می‌برند، همچنان برای مقایسه در بین شرکت‌ها مفید هستند. + +داده‌ها نشان می‌دهند که نسبت محل به پیشنهاد از پایین 15% تا بالاترین 70% متغیر است در حالی که نرخ بازده از 50% تا 90% می‌رود. به عنوان مثال، در گوگل، 18.83٪ از سایت ها به پیشنهادات منتهی می شوند و 70٪ پیشنهادات آنها را می پذیرند. + +به دلیل سوگیری بررسی های آنلاین، اعداد واقعی باید کمتر باشد. پس از صحبت با استخدام‌کنندگان و انجام تحقیقات گسترده، متوجه شدم که نسبت‌های موجود در محل به پیشنهاد در اینجا چند درصد بیشتر از اعداد واقعی است. برای مثال، [this](https://www.teamblind.com/article/Whats-the-onsite-to-offer-ratio-at-your-company-MsLHK2xF) و [this](https://www. teamblind.com/article/Acceptance-rate-after-Google-on-site-YUokaj7w) ادعا می کند که نسبت حضور در سایت به پیشنهاد برای Google 10-20٪ و آمازون 20٪ است. + +نرخ بازدهی پیشنهادی نزدیک به 90 درصد غیرقابل شنیده است. استخدام‌کنندگان شرکت‌هایی با نرخ بازدهی بالا به من گفتند که هدفشان این است که این اعداد را تا 80٪ برسانند. چهار شرکت پیشرو در نمودار عبارتند از NVIDIA، Adobe، SAP و Salesforce. با این حال، شرکت‌هایی مانند Salesforce نامزدهایی را که پیشنهادات آنها را می‌پذیرند تشویق می‌کنند تا نظرات خود را در Glassdoor ارسال کنند، که این امر نرخ بازده واقعی آنها را افزایش می‌دهد. + + +![نرخ بازده در پیشنهادات](images/image9.png "image_tooltip") + + +5 شرکتی که کمترین نسبت حضور به پیشنهاد را دارند، همگی غول‌های اینترنتی هستند - Yelp، Google، Snap، Airbnb و Facebook - که به‌شدت انتخاب‌گر شناخته می‌شوند. شرکت‌هایی با نسبت‌های موجود در محل به پیشنهاد بالا لزوماً غیرانتخابی نیستند. آنها ممکن است در طول فرآیند غربالگری گزینشی تر باشند و فقط با نامزدهایی که واقعاً دوست دارند مصاحبه کنند. سایت‌ها پرهزینه هستند، بنابراین هرچه نسبت حضور در محل به پیشنهاد بالاتر باشد، روند کار از نظر مالی سالم‌تر است. + +یک همبستگی قوی (0.81) بین نسبت محل به پیشنهاد و نرخ بازده وجود دارد - هر چه نسبت حضور به پیشنهاد بالاتر باشد، نرخ بازدهی بالاتری خواهد داشت. نامزدی که پیشنهادی از طرف گوگل دریافت می‌کند، نسبت به کاندیدایی که پیشنهادی از شرکتی کمتر انتخابی دریافت می‌کند، احتمال رد آن را بیشتر می‌کند. + +دلایل متعددی وجود دارد. اول، اگر نامزدی در مصاحبه‌های شرکت‌های منتخبی مانند گوگل یا فیس‌بوک موفق شود، احتمالاً پیشنهادات جذاب دیگری برای انتخاب دارد. دوم، شرکت‌های منتخب تمایل به ارائه پیشنهادات رقابتی دارند، که این امر کاندیداها را تشویق می‌کند تا از آنها پیشنهاد دریافت کنند تا با شرکت‌هایی که واقعاً می‌خواهند برای آنها کار کنند مذاکره کنند. سوم، فرآیند در آن شرکت ها معمولاً زمان زیادی می برد. تا زمانی که یک نامزد پیشنهاد را دریافت کند، ممکن است قبلاً در شرکت دیگری مستقر شده باشد. آخرین اما نه کم‌اهمیت، از آنجایی که نامزدهای گوگل و فیس‌بوک تنها پس از دریافت پیشنهادات خود با یک تیم مطابقت پیدا می‌کنند، در صورتی که تیم را دوست نداشته باشند، ممکن است پیشنهادات را رد کنند. + +--- +[^49]: + برخی از سوگیری ها در این داده ها: + + * تعداد کمی از مردم واقعاً برای هر چیزی به صورت آنلاین نظر می گذارند + * کسانی که این کار را انجام می دهند احتمالاً توسط یک تجربه واقعاً خوب یا واقعاً بد مجبور می شوند + * کسانی که پیشنهاد دریافت می کنند بیشتر از کسانی که دریافت نمی کنند، نظر می دهند + * کسانی که پیشنهادات را می پذیرند احتمالاً نسبت به کسانی که قبول نمی کنند، بازبینی می کنند + * کاندیداهای جوان بیشتر از کاندیداهای ارشد نظر می دهند + +--- +*این کتاب توسط [Chip Huyen] (https://huyenchip.com) با کمک won ساخته شده است. \ No newline at end of file diff --git a/Translation/Farsi/contents/3.1-compensation-package.md b/Translation/Farsi/contents/3.1-compensation-package.md new file mode 100644 index 00000000..50faaf97 --- /dev/null +++ b/Translation/Farsi/contents/3.1-compensation-package.md @@ -0,0 +1,20 @@ +## 3.1 بسته جبران خسارت + +دو نوع غرامت وجود دارد: غرامت مستقیم و غرامت غیر مستقیم. برای اکثر شرکت های فناوری، مزایای مستقیم شامل سه جزء اصلی است: + +*حقوق پایه (نقد) +* کمک های مالی (سهام، اختیارات) +* پاداش ها + +مزایای غیرمستقیم متنوع‌تر است و می‌تواند بسیار سخاوتمندانه باشد، اما اغلب در شرکت‌های بزرگ فناوری. در زیر چند نمونه آورده شده است. + +* بیمه سلامت +* تطبیق 401 (k). +* وعده های غذایی، میان وعده ها و نوشیدنی های تهیه شده +* کمک هزینه سلامتی برای عضویت در باشگاه، بازپرداخت تجهیزات ورزشی، ماساژ، فیزیوتراپی، مدیتیشن +* یارانه ایاب و ذهاب، تلفن، طرح تلفن +* تخفیف های شرکتی برای اجاره اتومبیل، پروازها، لوازم الکترونیکی، رویدادها +* بازپرداخت وام دانشجویی +* برنامه های کمک آموزشی مانند بازپرداخت شهریه +* کمک به حضور در کنفرانس +* زمان پرداخت \ No newline at end of file diff --git a/Translation/Farsi/contents/3.1.1-base-salary.md b/Translation/Farsi/contents/3.1.1-base-salary.md new file mode 100644 index 00000000..df3d29ad --- /dev/null +++ b/Translation/Farsi/contents/3.1.1-base-salary.md @@ -0,0 +1,17 @@ +### 3.1 حقوق پایه + +در اوایل سال 2020، level.fyi داده‌های خود را با من به اشتراک گذاشت که شامل جزئیات جبران خسارت مستقیم 18.8 هزار کارگر فناوری است. این داده ها متمرکز بر ایالات متحده است و 80٪ از ورودی ها در ایالات متحده (40٪ از کالیفرنیا، 24٪ از ایالت واشنگتن) و 40٪ از شرکت های FAAAM هستند. 65 درصد از ورودی ها مهندسان نرم افزار هستند. 7 شغل محبوب 88 درصد از کل ورودی ها را تشکیل می دهند. + +بسته های غرامت گزارش شده از یک توزیع غیرعادی پیروی می کند که درصد کمی از آن درآمدهای غیرمجاز به دست می آورد - کارگران فناوری در هند یا روسیه می توانند زیر 20 هزار دلار درآمد داشته باشند، در حالی که مهندسان برتر در گوگل، فیس بوک و OpenAI می توانند میلیون ها دلار در سال درآمد داشته باشند. + +متوسط غرامت سالانه 195000 دلار است در حالی که میانگین آن 225000 دلار است. + +<مرکز> +غرامت در شرکت های فناوری + + +این اعداد بیشتر از نتایج [نظرسنجی StackOverflow در سال 2019] (https://insights.stackoverflow.com/survey/2019#salary) است، که بیان می‌کند در ایالات متحده، متوسط حقوق یک مدیر مهندسی -- پردرآمدترین موقعیت مهندسی در نظرسنجی - 152000 دلار است. این ممکن است به این دلیل باشد که داده های level.fyi متمرکز بر FAAAM است و شامل کل بسته - حقوق پایه، حقوق صاحبان سهام، و پاداش است - در حالی که StackOverflow فقط حقوق را بررسی کرده است. + +
+ Compensations at tech companies on StackOverflow +
\ No newline at end of file diff --git a/Translation/Farsi/contents/3.1.2-equity-grants.md b/Translation/Farsi/contents/3.1.2-equity-grants.md new file mode 100644 index 00000000..b6cb0b74 --- /dev/null +++ b/Translation/Farsi/contents/3.1.2-equity-grants.md @@ -0,0 +1,10 @@ +### 3.2 کمک های مالی + +کمک های مالی را می توان به عنوان وعده درک کرد - یک شرکت به شما وعده مقدار مشخصی از حقوق صاحبان سهام را می دهد اگر برای مدت معینی در آن شرکت بمانید. هنگامی که آن زمان تمام شد و شما سهام خود را دریافت کردید، گفته می شود که آن سهام واگذار شده است. + +کمک های مالی بر اساس برنامه زمانی که برای همه افراد شرکت یکسان است، اعطا می شود. دو برنامه متداول عبارتند از: + +* به طور مساوی در طول چهار سال. به عنوان مثال، اگر 100 سهم به شما داده شود، 25 سهم در پایان هر سال واگذار می شود. +* یک چهارم کمک های مالی شما پس از سال اول و مابقی به طور مساوی در پایان هر ماه برای 3 سال آینده واگذار می شود. + +هرچه بیشتر در یک شرکت بمانید، سهام بیشتری به دست خواهید آورد. کمک های بلاعوض سهام جدید شما نیز از یک برنامه واگذاری تبعیت می کند. به عنوان مثال، هنگام پیوستن به شما 100 اشتراک اعطا می شود. پس از سال اول، شما به 25 سهم دسترسی دارید. از آنجایی که عملکرد خوبی دارید، در 4 سال آینده 80 سهم اضافی نیز به شما تعلق می گیرد. بنابراین، در پایان سال دوم خود، شما دارید: 25 سهم قدیمی + 20 سهم جدید = 45 سهم. هر چه بیشتر در یک شرکت بمانید، کمک های مالی بیشتری برای اعطای آن باقی می ماند. این برنامه برای تشویق کارکنان به ماندن بیشتر در یک شرکت است. \ No newline at end of file diff --git a/Translation/Farsi/contents/3.1.3-bonuses.md b/Translation/Farsi/contents/3.1.3-bonuses.md new file mode 100644 index 00000000..42f34e46 --- /dev/null +++ b/Translation/Farsi/contents/3.1.3-bonuses.md @@ -0,0 +1,5 @@ +### 3.3 جوایز + +انواع مختلفی از جوایز وجود دارد، اما دو مورد از رایج‌ترین آن‌ها، پاداش ورود به سیستم است که هنگام عضویت دریافت می‌کنید و پاداش سالانه. جوایز ثبت نام برای نقش های خردسال می تواند از 0 دلار تا بیش از 100 هزار دلار برسد. برای نقش‌های ارشدتر، می‌توان آنها را نامحدود کرد. من پاداش های ثبت نام را در همسایگی نیم میلیونی دیده ام. + +پاداش های سالانه اغلب بین 10 تا 20 درصد حقوق پایه شما است. با این حال، شرکت‌هایی مانند نتفلیکس به پاداش‌ها اعتقادی ندارند، اما ترجیح می‌دهند پاداش‌ها را به حقوق پایه اضافه کنند، زیرا معتقدند «حقوق پایه ۲۰۰ هزار دلاری با ۱۵ درصد پاداش عملکرد» برای نامزدها جذابیت کمتری نسبت به «حقوق پایه ۲۳۰ هزار دلاری» دارد. \ No newline at end of file diff --git a/Translation/Farsi/contents/3.1.4-compensation-packages-at-different-levels.md b/Translation/Farsi/contents/3.1.4-compensation-packages-at-different-levels.md new file mode 100644 index 00000000..fea74d17 --- /dev/null +++ b/Translation/Farsi/contents/3.1.4-compensation-packages-at-different-levels.md @@ -0,0 +1,8 @@ +### 3.4 بسته های جبرانی در سطوح مختلف + +با افزایش سطح، حقوق پایه و پاداش به آرامی افزایش می یابد، اما حقوق صاحبان سهام بیشترین افزایش را دارد. برای سطوح پایین تر، حقوق پایه بزرگترین بخش از غرامت مستقیم شما را تشکیل می دهد. با بالا رفتن سطح، نسبت حقوق صاحبان سهام بالا می رود - ارزش ویژه بیشتر نشان دهنده مسئولیت های بیشتری در قبال موفقیت شرکت است. + + +
+ Compensations by levels +
\ No newline at end of file diff --git a/Translation/Farsi/contents/3.2-negotiation.md b/Translation/Farsi/contents/3.2-negotiation.md new file mode 100644 index 00000000..7ed8d5b3 --- /dev/null +++ b/Translation/Farsi/contents/3.2-negotiation.md @@ -0,0 +1,17 @@ +## 3.2 مذاکره + +شرکت ها از شما انتظار دارند که مذاکره کنید. پیشنهادهای اولیه به گونه ای طراحی شده اند که فضا را برای آن باز کنند. آنها کوچکترین مبلغی را که شما قبول می کنید ارائه می دهند، نه آن چیزی که منصفانه است. من کاندیداهایی را دیده ام که پیشنهاداتشان از طریق مذاکره دو برابر شده است. من همچنین افرادی را دیده ام که 100 هزار دلار در سال کمتر از همتایان خود دستمزد دریافت می کنند زیرا این کار را نکرده اند. + +مذاکره استرس زا است. "چقدر باید بخواهم؟" "آیا در حال پایین آمدن هستم؟" "اگر آنها پیشنهاد را پس بگیرند چون فکر می کنند من حریص هستم چه؟" اگر در مورد سوال آخر نگران هستید، آرام باشید. اگر در طول مذاکره محترمانه رفتار کنید، شرکت‌ها پیشنهادات خود را لغو نخواهند کرد. اگر این کار را انجام دهند، این شرکتی نیست که بخواهید در آن کار کنید. + +هنگام مذاکره، مهم است که بدانید دیگران چقدر حقوق می گیرند و شما چقدر باید حقوق بگیرید. کارفرما این اطلاعات را دارد زیرا قبلاً با نامزدهای زیادی مذاکره کرده است، اما اکثر ما در طول زندگی خود فقط با تعداد کمی از کارفرمایان مذاکره می کنیم. این عدم تعادل اطلاعات به کارفرمایان اهرم بیشتری می دهد. این امر به‌ویژه به نامزدهای گروه‌های کم‌نماینده آسیب می‌زند که به افرادی که می‌توانند آنها را در این فرآیند راهنمایی کنند دسترسی ندارند. + +چندین راه برای جمع آوری اطلاعات بیشتر وجود دارد: + +1. از همتایان خود بپرسید، به خصوص آنهایی که کار کرده اند یا پیشنهادهایی برای موقعیت های مشابه در شرکت های مشابه دریافت کرده اند. در بسیاری از جوامع، ننگی علیه بحث پول وجود دارد. اگر از دوستانتان می‌پرسید، برای ارضای کنجکاوی خود نپرسید. توضیح دهید که چگونه پاسخ های آنها می تواند به شما در تصمیم گیری های مهم کمک کند. شما همچنین می توانید نظرات آنها را بدون اینکه از آنها بپرسید که چقدر درآمد دارند، بپرسید. به عنوان مثال: از آنها برای سطح X در شرکت Y بخواهید، محدوده غرامتی که باید انتظار داشته باشید چقدر است، یا پیشنهاد خود را به آنها بگویید و از آنها بپرسید که آیا فکر می کنند منصفانه است یا خیر. +2. بررسی کنید که افراد دیگر چه پولی آنلاین دریافت می کنند. تلاش‌های متعددی برای دموکراسی‌سازی اطلاعات غرامت انجام شده است، قابل توجه‌ترین آنها level.fyi است که در آن افراد می‌توانند جزئیات غرامت خود را به صورت ناشناس به اشتراک بگذارند و شما می‌توانید محدوده غرامت برای سطوح خاصی را در شرکت‌های خاص مشاهده کنید. همچنین برنامه هایی مانند Blind وجود دارد که به شما امکان می دهد به صورت ناشناس به اشتراک بگذارید و در مورد پیشنهادات خود بازخورد دریافت کنید. +3. ببینید شرکت های دیگر چقدر به شما پیشنهاد می دهند. یکی از دلایل شروع زودهنگام جستجوی کار این است که زمان بیشتری برای خرید پیشنهادات خواهید داشت. اگر می توانید یک پیشنهاد دریافت کنید، می توانید پیشنهاد دیگری دریافت کنید. پس از سه پیشنهاد، باید یک ایده تقریبی داشته باشید. داشتن پیشنهادات رقیب کمک زیادی به مذاکره می کند. شرکت ها همیشه پیشنهادات را مطابقت می دهند، حتی اگر بگویند که این کار را نمی کنند. + +هنگام مذاکره با شرکت های بزرگ، مذاکره در مورد کمک های مالی و پاداش ها آسان تر از حقوق پایه است. + +فراتر از غرامت های مستقیم نگاه کنید. می‌توانید برای روزهای مرخصی با حقوق بیشتر، انعطاف‌پذیری بیشتر در محل کار، عنوان بهتر، کنفرانس‌های بیشتری که از شما حمایت مالی می‌کنند، مذاکره کنید. \ No newline at end of file diff --git a/Translation/Farsi/contents/3.2.1-compensation-expectations.md b/Translation/Farsi/contents/3.2.1-compensation-expectations.md new file mode 100644 index 00000000..554c613b --- /dev/null +++ b/Translation/Farsi/contents/3.2.1-compensation-expectations.md @@ -0,0 +1,17 @@ +### 3.2.1 انتظارات جبران خسارت + +کاندیداها از این سوال می ترسند: "انتظارات جبران خسارت شما چیست؟" یکی از راه های پاسخ دادن این است که از استخدام کننده بخواهید ابتدا یک شماره به شما بدهد. در اینجا مثالی از نحوه پاسخگویی به این سوال آورده شده است. + +_"من از این فرصت هیجان زده هستم و معتقدم اگر بازی خوبی باشد، در مورد جزئیات غرامت به توافق خواهیم رسید. من می خواهم در مورد آنچه که این موقعیت مستلزم چیست تا انتظاری واقع بینانه داشته باشم، بیشتر بدانم. همچنین اگر بتوانید آن را با من در میان بگذارید، برای من مفید خواهد بود که بدانم چه میزان جبرانی را می توان در این موقعیت انتظار داشت."_ + +این پاسخ جواب می دهد زیرا نشان می دهد که شما آماده مذاکره هستید اما همچنین می خواهید آن را به نتیجه برسانید. + +یکی از مشکلات درخواست از استخدام کننده برای دادن شماره این است که مذاکره حول آن لنگر می اندازد. اگر آنها به شما عددی خیلی کم بدهند، ممکن است احساس ناخوشایندی داشته باشید که آن را به میزان قابل توجهی افزایش دهید. + +راه دیگر برای پاسخ دادن این است که بدون تعهد به آن محدوده ای به آنها بدهید. عددی را که می خواهید بیاورید، \~20% را به آن اضافه کنید و آن را به عنوان محدوده پایین تر در نظر بگیرید. به عنوان مثال، اگر قصد دارید 200 هزار دلار در سال داشته باشید، می توانید چیزی شبیه به این بگویید. + +_«محدوده من منعطف است. با این حال، من مایلم به خاطر تجربه، مجموعه مهارت های منحصر به فردم و آنچه که شغل مستلزم آن است، به طور عادلانه جبران شود. درک من این است که برای این موقعیت در این زمینه، شما می توانید سالانه بین 220 تا 240 هزار دلار انتظار داشته باشید. + +وقتی عددی را دادید، فقط می‌تواند پایین بیاید، نه بالا، بنابراین حتما عددی را بدهید که بعداً پشیمان نشوید. + +برای نکات بیشتر در مورد مذاکره، [15 قانون برای مذاکره با یک پیشنهاد شغلی] (https://hbr.org/2014/04/15-rules-for-negotiating-a-job-offer) را بررسی کنید (Harvard Business Review, 2014) و [ده قانون برای مذاکره با پیشنهاد شغلی] (https://haseebq.com/my-ten-rules-for-negotiating-a-job-offer/) (حسیب قریشی، 1395). \ No newline at end of file diff --git a/Translation/Farsi/contents/3.3-career-progression.md b/Translation/Farsi/contents/3.3-career-progression.md new file mode 100644 index 00000000..bd1ddcaf --- /dev/null +++ b/Translation/Farsi/contents/3.3-career-progression.md @@ -0,0 +1,31 @@ +## 3.3 پیشرفت شغلی + +> ⚠ این بخش فقط برای شرکت های بزرگ اعمال می شود. در استارت آپ ها، سلسله مراتب مسطح است و سطوح به خوبی تعریف نشده اند. ⚠
+ +برای هر پیشنهاد، باید به سطح نیز نگاه کنید. اکثر شرکت‌ها سطوح کاملاً مشخصی برای نقش‌های مهندسی نرم‌افزار خود دارند که نقش‌های ML را در بر می‌گیرد. سطوح بالاتر نشان دهنده غرامت بالاتر، قدرت تصمیم گیری بیشتر و مسئولیت های بیشتر است. + + +
+ Career progression +
+ + +شرکت های بزرگ فناوری از نردبان های بسیار متفاوتی پیروی می کنند. به عنوان مثال، نقش‌های مهندسی در Google دارای سطوح از L3 تا L10 هستند، در حالی که فیس‌بوک E3 تا E9، مایکروسافت از 59 تا 80. این سطوح همچنین به یک نردبان استانداردتر نشان داده می‌شوند که شامل: + + +1. سطح ورودی (کاردانی/جونیور) مهندس +2. مهندس +3. مهندس ارشد +4. مهندس کارکنان +5. مهندس اصلی +6. مهندس برجسته + +معمولاً فارغ التحصیلان اخیر کالج از پایین ترین سطح، فارغ التحصیلان کارشناسی ارشد در سطح بالا و Ph.D. فارغ التحصیلان سطح بعدی تفاوت زیادی در حقوق پایه برای همان سطح در همان شرکت وجود ندارد، زیرا حقوق پایه معمولاً برای هر سطح محدود می شود. اما تفاوت های بسیار بیشتری در کمک های مالی وجود دارد که می تواند به طور قابل توجهی از طریق مذاکره تغییر کند. + +غیر معمول نیست که می بینیم به نامزدهای قوی سطوح بالاتر از همتایان خود پیشنهاد می شود. گاهی اوقات، ممکن است یک شرکت سطح شما را افزایش دهد تا به شما حقوق پایه بالاتری بدهد تا با پیشنهاد دیگری که ممکن است داشته باشید مطابقت داشته باشد. با این حال، شرکت‌ها ممکن است تمایلی به افزایش سطح استخدام جدید نداشته باشند، زیرا سطح بالاتر به معنای انتظارات بالاتر است، که بسیاری استدلال می‌کنند که می‌تواند بر توانایی آنها برای موفقیت در شرکت تأثیر منفی بگذارد. + +تعداد کمی از شرکت ها در نامه های پیشنهادی خود سطوحی را قرار می دهند. اگر بپرسید، استخدام‌کنندگان باید به شما بگویند، زیرا به هر حال متوجه خواهید شد که آیا به آن ملحق می‌شوید یا خیر. این مد است که افراد در فن آوری چیزهایی مانند "عناوین مهم نیست" را بگویند، اما آنها این کار را می کنند. در غیاب یک روش عالی برای ارزیابی توانایی حرفه ای واقعی یک فرد، جامعه به خوبی به عنوان ها پاسخ می دهد. داشتن سطح بالاتر نه تنها به معنای پاداش بیشتر است، بلکه آزادی بیشتر در تصمیم گیری برای کار کردن و قدرت مذاکره بیشتر اگر می خواهید شغل خود را تغییر دهید. + +در تئوری، شرکت‌ها باید فکر زیادی برای طراحی سطوح خود داشته باشند و کارمندان باید بتوانند بفهمند که در هر سطح چه انتظاری می‌رود و چه کاری می‌توانند انجام دهند تا از نردبان بالا بروند. اگر نمی دانید، با مدیر خود صحبت کنید. می‌توانید آن را به سادگی بیان کنید: «_من می‌خواهم حرفه‌ام را اینجا بسازم و مسئولیت‌های بیشتری را در شرکت بپذیرم. برای در نظر گرفتن من برای سطح بعدی چه چیزی از من نیاز دارید؟_" + +برای اطلاعات بیشتر در مورد سطوح مهندسی، [چیزهایی که درباره سطوح مهندسی باید بدانید] (https://charity.wtf/2020/09/14/useful-things-to-know-about-engineering-levels/) را بررسی کنید (رشته های خیریه، 2020). \ No newline at end of file diff --git a/Translation/Farsi/contents/4.1-how-long-do-i-need-for-my-job-search.md b/Translation/Farsi/contents/4.1-how-long-do-i-need-for-my-job-search.md new file mode 100644 index 00000000..09aea9e5 --- /dev/null +++ b/Translation/Farsi/contents/4.1-how-long-do-i-need-for-my-job-search.md @@ -0,0 +1,19 @@ +## 4.1 چه مدت برای جستجوی شغلم نیاز دارم؟ + +جستجوی کار یک فرآیند طولانی، استرس زا و گاهاً تضعیف کننده است. جدول زمانی بسته به جایی که هستید و جایی که می خواهید کار کنید متفاوت است. در ایالات متحده، جستجوی شغل شما باید سه تا شش ماه قبل از شروع کار جدید شروع شود. برای دانش آموزان، ممکن است از ابتدای سال آخر مدرسه شروع شود. اگر لازم است قبل از ترک اخطار بدهید - برای مثال در آلمان، کارمندان ترک باید سه ماه اخطار بدهند - این روند باید خیلی زودتر شروع شود. اگر به ویزا نیاز دارید، باید زمان دریافت ویزا را در نظر بگیرید. + +اگر قصد دارید در یک سال شغلی پیدا کنید، ممکن است بتوانید در اوقات فراغت خود، تمام آن منابع را مرور کنید و حضور آنلاین خود را تقویت کنید. هنگام رفتن به یک دوره آنلاین، حتماً تکالیفی را در کنار تماشای سخنرانی ها انجام دهید. می‌توانید مقالاتی را که به نظرتان جالب است، دوباره پیاده‌سازی کنید، آنها را بهبود ببخشید و در GitHub قرار دهید. سعی کنید حداقل در چند مسابقه Kaggle شرکت کنید. + +سه ماه قبل از مصاحبه، ممکن است وقت داشته باشید که دو تا سه دوره آموزشی بگذرانید و سه کتاب بخوانید. برای دوره ها، من یک دوره عملی مانند fast.ai _Practical Deep Learning for Coders_ و یک دوره نظری مانند _Machine Learning_ توسط Coursera را توصیه می کنم. همچنین ممکن است بخواهید دوره من را در استنفورد بررسی کنید:_ [طراحی سیستم های یادگیری ماشین](http://cs329s.stanford.edu/)_ زیرا این دوره چالش ها و راه حل های عملی برای ML در تولید را پوشش می دهد. برای کتاب‌ها، «آموزش عمیق» اثر گودفلو و همکاران، ام‌آچین یادگیری: دیدگاه احتمالی نوشته کوین پی مورفی را توصیه می‌کنم. + +یک هفته قبل از مصاحبه، یادداشت های _[CS231N: شبکه های عصبی کانولوشن برای تشخیص بصری](http://cs231n.stanford.edu/)_ را مرور کنید، به ویژه بخش هایی در مورد نزول گرادیان، فعال سازی ها، و بهینه سازی ها و همچنین تماشای مجدد سخنرانی های _Full Stack Deep Learning_، به ویژه آنهایی که در مورد _راه اندازی پروژه های یادگیری ماشینی_ و _زیرساخت و ابزار_. ممکن است بخواهید دوباره سؤالات قسمت 2 و بخش 3 این کتاب را مرور کنید. شما همچنین باید پروژه های قبلی خود را بررسی کنید تا مصاحبه کنندگان شما بخواهند همه چیز را در مورد آنها بدانند. + +یک روز قبل از مصاحبه، مطمئن شوید که خواب کافی دارید. اشتباه من را تکرار نکنید که تا دیروقت بیدار ماندم و نیمه خواب در مصاحبه هایم حاضر شدم. 10 دقیقه قبل وارد شوید تا زمانی برای استقرار داشته باشید. + +اگر کار را پیدا کردید اما در آینده شغل بهتری می خواهید، این بار زودتر آماده شوید. اگر کار را انجام ندادید، آبکشی کنید و تکرار کنید. + + +> ⚠ چگونه در 3 ماه یک متخصص یادگیری ماشین شوید ⚠
+شما نمی توانید. متخصص شدن در هر کاری سال ها طول می کشد، اگر نه دهه ها. از هر کسی که ادعا می کند می تواند به شما یک میانبر برای تبدیل شدن به یک متخصص یادگیری ماشین بدهد، دوری کنید. در بهترین حالت، آنها به شما یادگیری ماشینی بد را آموزش می دهند. در بدترین حالت، این یک کلاهبرداری است. + +> پیتر نورویگ، مدیر جستجو در Google، یک پست وبلاگ فوق العاده در مورد مدت زمان یادگیری برنامه نویسی نوشت: [Teach Yourself Programming in Ten Years] (https://norvig.com/21-days.html). توصیه او در مورد ML قابل اجرا است. \ No newline at end of file diff --git a/Translation/Farsi/contents/4.2-how-other-people-did-it.md b/Translation/Farsi/contents/4.2-how-other-people-did-it.md new file mode 100644 index 00000000..6b0b51a2 --- /dev/null +++ b/Translation/Farsi/contents/4.2-how-other-people-did-it.md @@ -0,0 +1,18 @@ +## 4.2 چگونه دیگران این کار را انجام دادند + +برای من مفید است که افرادی را که شغلشان را تحسین می کنم دنبال کنم و یاد بگیرم که چگونه به آنجا رسیده اند. هیچ راهی برای هیچ شغلی وجود ندارد -- همه محققان ML مدرک دکترای خود را گذرانده‌اند و همه مهندسان ML در دانشگاه علوم کامپیوتر را مطالعه نکرده‌اند یا اصلاً به کالج نرفتند. اغلب، نامزدهایی با پیشینه غیر متعارف تر مطلوب تر هستند زیرا می توانند دیدگاه های تازه ای را به تیم ارائه دهند. + +بسیاری از افراد در مورد مسیر شغلی خود نوشته اند. در اینجا برخی از داستان هایی وجود دارد که برای من الهام بخش بود. + + +1. [تغییر مشاغل به وسایل نقلیه خودران: چگونه از جمع آوری بدهی به خودروهای خودران منتقل شدم](https://towardsdatascience.com/how-i-found-my-current-job-3fb22e511a1f) + + ولادیمیر ایگلوویکوف، مهندس ارشد بینایی کامپیوتر در Lyft در مورد اینکه چگونه در گوگل و انویدیا رد شد و پیشنهاد تسلا او لغو شد زیرا او NDA خود را نقض کرد. او در مورد ناامیدی های مهاجرتی صحبت کرد که هرکسی که مایل به کار در کشور دیگری است می تواند با آن ارتباط برقرار کند. + +2. جان واشام در مورد چگونگی [او به مدت 8 ماه تمام وقت برای مصاحبه با گوگل مطالعه کرد] (https://www.freecodecamp.org/news/why-i-studied-full-time-for-8-months-for -a-google-interview-cc662ce9bb13/) و قبل از [پیشنهادی از آمازون] (https://startupnextdoor.com/ive-been-acquired-by-amazon/?src=ciu) رد شد. +3. پس از اخراج، [Emma Ding](https://towardsdatascience.com/how-i-got-4-data-science-offers-and-doubled-my-income-2-months-after-being- laid-off-b3b6d2de6938) فهرست مشاغل علوم داده را تجزیه و تحلیل کرد، آنها را بر اساس نیازهایشان به سه گروه تقسیم کرد: "تجزیه و تحلیل محصول"، "مدل سازی، و "مهندسی داده". او تصمیم گرفت رزومه و تمرین خود را برای نقش های تجزیه و تحلیل محصول ارتقا دهد. در پایان دو ماه دیوانه‌وار، او در مجموع 10 مصاحبه، 4 مصاحبه در محل و 4 پیشنهاد شغلی در توییتر، Lyft، Airbnb و یک استارت‌آپ مراقبت‌های بهداشتی دریافت کرد. +4. امیل والنر، یکی از ساکنان Google Arts & Culture درباره [چگونه خود آموخته است تا محقق یادگیری ماشین شود] (https://blog.floydhub.com/emils-story-as-a-self-taught-ai- محقق/). برنامه درسی ایده آل او این است: «_ دانستن نحوه کدنویسی یک پیش نیاز است. سپس، 1-2 ماه را صرف تکمیل دوره Fast.ai V3 می کنم و 4-5 ماه دیگر را صرف تکمیل پروژه های شخصی یا شرکت در مسابقات یادگیری ماشین می کنم._" + +
+ Self-taught ML researcher +
\ No newline at end of file diff --git a/Translation/Farsi/contents/4.3-resources.md b/Translation/Farsi/contents/4.3-resources.md new file mode 100644 index 00000000..e8df67f1 --- /dev/null +++ b/Translation/Farsi/contents/4.3-resources.md @@ -0,0 +1,13 @@ +## 4.3 منابع + +با توجه به انبوهی از منابع موجود آنلاین، تلاش برای فهمیدن اینکه روی کدام منابع باید تمرکز کنید می‌تواند باعث سردرگمی شود. نظرسنجی وضعیت علم داده و یادگیری ماشین Kaggle در سال 2017 از پاسخ دهندگان در مورد روش های یادگیری که آنها را مفیدتر می دانستند، پرسید. در اینجا یک [تجسم پاسخ‌ها] (https://towardsdatascience.com/how-to-become-a-data-scientist-8c0ea546ab81) است که توسط همکار قبلی من [جک کوک] (https://jackcook.com) ایجاد شده است. /). + + +<مرکز> +چگونه مهندس ML شویم + + + +مؤثرترین روش‌های یادگیری، انجام پروژه‌ها، شرکت در دوره‌ها و صرف زمان زیادی برای StackOverFlow (SO) است. مسابقات Kaggle در رتبه های بالایی در لیست قرار دارند، اما از آنجایی که پاسخ دهندگان کاربران Kaggle هستند، پاسخ های آنها مغرضانه است. تحصیلات دانشگاهی کمی مفیدتر از تماشای آموزش های یوتیوب و خواندن وبلاگ ها تلقی می شود. کم کاربردترین روش ها در این نظرسنجی پادکست ها، خبرنامه ها و کنفرانس ها هستند. + +شرکت در کنفرانس ها ممکن است برای ایجاد مجموعه مهارت های شما مفید نباشد، اما برای ایجاد شبکه شما بسیار مفید است. انتشار در کنفرانس ها یک راه عالی برای نشان دادن نام خود و نشان دادن این است که دانش شما در این زمینه به اندازه کافی عمیق است که می توانید ایده های تحقیقی اصلی را ارائه دهید. \ No newline at end of file diff --git a/Translation/Farsi/contents/4.3.1-courses.md b/Translation/Farsi/contents/4.3.1-courses.md new file mode 100644 index 00000000..1af1f800 --- /dev/null +++ b/Translation/Farsi/contents/4.3.1-courses.md @@ -0,0 +1,71 @@ +### 4.3.1 دوره ها + +دوره ها به ترتیبی که باید طی شوند فهرست شده اند. در آگوست 2019 ترکیب شد، بنابراین برخی از پیوندها ممکن است قدیمی شده باشند، اما برنامه درسی همچنان می تواند مفید باشد تا درک کنید که چه حوزه هایی از دانش را باید به دست آورید و راه های دیگری برای کسب آنها پیدا کنید، به عنوان مثال. دوره ها یا کتاب های دیگر[^51]. + +**1. احتمال و آمار توسط Stanford Online** + +[به مطالب دوره مراجعه کنید](https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics) (دوره آنلاین رایگان) + +این دوره آموزشی خودگام، مفاهیم اولیه احتمال و آمار را پوشش می دهد که شامل چهار جنبه اساسی یادگیری ماشین می شود: تجزیه و تحلیل داده های اکتشافی، تولید داده، احتمال و استنتاج. + +از طرف دیگر، ممکن است بخواهید این دوره عالی در یادگیری آماری را بررسی کنید: [مقدمه ای بر یادگیری آماری با برنامه های کاربردی در R](https://www.r-bloggers.com/in-depth-introduction-to-machine-learning -در-15-ساعت-فیلم-های-کارشناسی/). + +**2. 18.06: جبر خطی توسط MIT** + +کتاب درسی: _مقدمه ای بر جبر خطی_ (ویرایش پنجم) نوشته گیلبرت استرنگ + +[به مطالب دوره مراجعه کنید](https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/) (ویدئوها موجود است) + +بهترین درس جبر خطی که من دیده ام، توسط پروفسور افسانه ای گیلبرت استرنگ تدریس شده است. من شنیده ام که دانش آموزان این را به عنوان "تغییر زندگی" توصیف می کنند. + +**3. CS231N: شبکه های عصبی کانولوشن برای تشخیص بصری توسط استنفورد** + +[به سخنرانی‌های ویدیویی (2017) مراجعه کنید ](https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq) + +[به مطالب دوره مراجعه کنید](http://cs231n.github.io/) + +CS231N بهترین دوره آموزشی عمیقی است که من با آن برخورد کردم. این نظریه ها را با عملکردها متعادل می کند. یادداشت‌های سخنرانی به خوبی با تجسم‌سازی و مثال‌هایی نوشته شده‌اند که مفاهیم دشواری مانند انتشار پس‌پشتی، نزول گرادیان، تلفات، منظم‌سازی‌ها، ترک تحصیل، دسته‌بندی و غیره را توضیح می‌دهند. + +**4. آموزش عمیق عملی برای کدنویس ها توسط fast.ai** + +[به مطالب دوره مراجعه کنید] (https://course.fast.ai/) (دوره آنلاین رایگان) + +با رئیس سابق Kaggle به عنوان یکی از بنیانگذاران آن، این دوره عملی بر راه اندازی و راه اندازی کارها متمرکز است. این یک انجمن با بحث های مفید در مورد بهترین شیوه های فعلی در ML دارد. + +**5. CS224N: پردازش زبان طبیعی با یادگیری عمیق توسط استنفورد**[^52] + +[به سخنرانی‌های ویدیویی (2017) مراجعه کنید](https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_) + +[به مطالب دوره مراجعه کنید](http://web.stanford.edu/class/cs224n/syllabus.html) + +این دوره آموزشی که توسط یکی از تأثیرگذارترین (و سربلندترین) محققین، کریستوفر منینگ تدریس می شود، برای هر کسی که علاقه مند به NLP است، ضروری است. این دوره به خوبی سازماندهی شده، به خوبی آموزش داده شده و با آخرین تحقیقات NLP به روز است. تکالیف، اگرچه مفید هستند، اما گاهی اوقات می توانند خسته کننده باشند زیرا آموزش مدل های NLP زمان بر است. + +**6. یادگیری ماشین توسط Coursera** + +[به مطالب دوره مراجعه کنید](https://www.coursera.org/learn/machine-learning) (دوره آنلاین رایگان) + +دوره Andrew Ng که در ابتدا در استانفورد تدریس می شد، احتمالاً محبوب ترین دوره آموزشی ML است. در زمان نگارش، نسخه Coursera آن توسط بیش از 2.5 میلیون نفر ثبت نام شده است. این دوره تئوری است، بنابراین دانش آموزان پس از دوره های عملی بیشتری مانند CS231N، CS224N و آموزش عمیق عملی برای کدنویس ها از آن بهره بیشتری خواهند برد. + +**7. تخصص مدل های گرافیکی احتمالی توسط Coursera** + +کتاب درسی: _مدل های گرافیکی احتمالی: اصول و تکنیک ها_ نوشته دافنه کولر و نیر فریدمن + +[به مطالب دوره مراجعه کنید](https://www.coursera.org/specializations/probabilistic-graphical-models) (دوره های آنلاین رایگان) + +برخلاف اکثر دوره‌های هوش مصنوعی که مفاهیم کوچک را یکی یکی معرفی می‌کنند یا یک لایه را روی لایه دیگر اضافه می‌کنند، این تخصص با هوش مصنوعی از بالا به پایین مقابله می‌کند، زیرا از شما می‌خواهد در مورد روابط بین متغیرهای مختلف فکر کنید، چگونه آن روابط را نشان می‌دهید، چه استقلالی دارید. با فرض اینکه وقتی می گویید یادگیری ماشینی دقیقاً می خواهید چه چیزی را یاد بگیرید. این تخصص آسان نیست، اما رویکرد شما به ML را تغییر خواهد داد. همچنین می‌توانید به یادداشت‌های دقیق نوشته شده توسط TAهای Stanford CS228 [اینجا] (https://ermongroup.github.io/cs228-notes/) مراجعه کنید. + +**8. مقدمه ای بر یادگیری تقویتی توسط DeepMind** + +[به ویدیوهای سخنرانی مراجعه کنید](https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ) + +یادگیری تقویتی سخت است. این دوره با توضیحات شهودی و مثال های سرگرم کننده که توسط یکی از متخصصان برجسته RL جهان، دیوید سیلور، تدریس می شود، مقدمه ای عالی برای RL ارائه می دهد. + +**9. بوت کمپ آموزش عمیق کامل استک **[^53] + +[به ویدیوهای سخنرانی مراجعه کنید] (https://course.fullstackdeeplearning.com/) + +بیشتر دوره ها فقط به شما یاد می دهند که چگونه مدل های خود را آموزش دهید و تنظیم کنید. این اولین موردی است که من می بینم که به شما نشان می دهد چگونه می توانید مدل ها را از A تا Z طراحی کنید، آموزش دهید، و به کار ببرید. این منبع عالی برای کسانی است که در مصاحبه ها با سوالات طراحی سیستم یادگیری ماشینی دست و پنجه نرم می کنند. + +**10. چگونه در یک مسابقه علم داده برنده شویم: از کاگلرهای برتر توسط Coursera بیاموزیم** + +[به مطالب دوره مراجعه کنید](https://www.coursera.org/projects/ml-bas \ No newline at end of file diff --git a/Translation/Farsi/contents/4.3.2-books-&-articles.md b/Translation/Farsi/contents/4.3.2-books-&-articles.md new file mode 100644 index 00000000..d6e0cdc7 --- /dev/null +++ b/Translation/Farsi/contents/4.3.2-books-&-articles.md @@ -0,0 +1,17 @@ +### 4.3.2 کتاب و مقاله + + + +1. _ساختارها و الگوریتم های داده در پایتون_ توسط Michael T. Goodrich یا _Introduction to Algorithms_ توسط Thomas Cormen و همکاران. +2. _A First Course in Probability_ اثر شلدون راس. +3. _ یادگیری ماشینی: دیدگاه احتمالی _ کوین پی مورفی +4. _نظریه اطلاعات، استنتاج و الگوریتم های یادگیری_ اثر دیوید مک کی. نسخه آنلاین رایگان [اینجا] (http://www.inference.org.uk/itprnn/book.html). +5. _Deep Learning_ توسط یان گودفلو، یوشوا بنجیو و آرون کورویل. نسخه آنلاین رایگان [اینجا] (https://www.deeplearningbook.org/). +6. _مقدمه ای بر بازیابی اطلاعات_ نوشته کریستوفر دی. منینگ، پرابهاکار راگاوان و هینریش شوتزه. برای هر کسی که علاقه مند به پردازش زبان طبیعی است ضروری است. نسخه آنلاین رایگان [اینجا] (https://nlp.stanford.edu/IR-book/information-retrieval-book.html). +7. _آموزش تقویتی: مقدمه_ توسط ریچارد اس. ساتون و اندرو جی بارتو. برای یادگیری تقویتی ضروری است. نسخه آنلاین رایگان [اینجا] (http://incompleteideas.net/book/the-book-2nd.html). +8. [OpenAI Spinning up in Deep Reinforcement Learning](https://spinningup.openai.com/en/latest/): مجموعه ای از مقالات که شهودی عالی برای بسیاری از الگوریتم های RL می دهد. به شدت برای هر کسی که به RL علاقه دارد توصیه می شود. +9. _Convex Optimization_ توسط Stephen Boyd و Lieven Vandenberghe. فوق العاده مفید اما در عین حال بسیار سخت - استیون بوید اساساً یک خداست. نسخه آنلاین رایگان [اینجا] (https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf). +10. _Mining of Massive Datasets_ توسط Jure Leskovec، Anand Rajaraman و Jeff Ullman. این کتاب بسیار مرتبط است زیرا یادگیری ماشینی به سمت مدل‌های بزرگ‌تری می‌رود که از حجم عظیمی از محاسبات و داده استفاده می‌کنند. نسخه آنلاین رایگان [اینجا] (http://www.mmds.org/). +11. یادگیری عمیق با Hadoop & Apache Spark + + هیچ کتابی در این زمینه وجود ندارد که بتوانم پیدا کنم، اما چند مقاله مفید [اینجا] وجود دارد (https://towardsdatascience.com/deep-learning-with-apache-spark-part-1-6d397c16abd). \ No newline at end of file diff --git a/Translation/Farsi/contents/4.3.3-other-resources.md b/Translation/Farsi/contents/4.3.3-other-resources.md new file mode 100644 index 00000000..3413619d --- /dev/null +++ b/Translation/Farsi/contents/4.3.3-other-resources.md @@ -0,0 +1,21 @@ +### 4.3.3 سایر منابع + + + +1. آموزش های رسمی از TensorFlow، PyTorch، یا Keras همگی عالی هستند. +2. هسته های Kaggle. +3. StackOverflow و StackExchange. +4. ویکی پدیا +5. [distill.pub](http://distil.pub). +6. Google Colab[^54] seedbank. + + +7. [rooftopslushie.com] (http://rooftopslushie.com): شرح مفصل فرآیندهای مصاحبه در شرکت های بزرگ. +8. [مصاحبه‌های هوش مصنوعی Acing] (https://medium.com/acing-ai/acing-ai-interviews/home): مجموعه‌ای از سؤالات مطرح شده در مصاحبه‌های هوش مصنوعی در شرکت‌های بزرگ. با این حال هیچ پاسخی وجود ندارد. +9. [interviewing.io](http://interviewing.io): مصاحبه های فنی ناشناس بگیرید و مصاحبه های فنی ناشناس را تماشا کنید. +10. [خبرنامه‌های NLP سباستین رودر.](http://ruder.io/nlp-news/) حیرت‌انگیز است که سباستین چقدر اطلاعات را در هر خبرنامه قرار می‌دهد. برای پیگیری چگونگی پیشرفت میدان مفید است. +11. [Advice for Applying to Data Science Jobs] (https://hookedondata.org/advice-for-applying-to-data-science-jobs/) توسط امیلی رابینسون، 2018. + +--- +[^54]: + از سال 2021، می‌توانید به GPU رایگان در Colab دسترسی داشته باشید. \ No newline at end of file diff --git "a/Translation/Farsi/contents/4.4-do\342\200\231s-and-don\342\200\231ts-for-ml-interviews.md" "b/Translation/Farsi/contents/4.4-do\342\200\231s-and-don\342\200\231ts-for-ml-interviews.md" new file mode 100644 index 00000000..c6fbf09f --- /dev/null +++ "b/Translation/Farsi/contents/4.4-do\342\200\231s-and-don\342\200\231ts-for-ml-interviews.md" @@ -0,0 +1,3 @@ +## 4.4 بایدها و نبایدها برای مصاحبه های ML + +به طور خلاصه، در زیر برخی از بایدها و نبایدهایی که باید در طول جستجوی شغل به خاطر داشته باشید آورده شده است. \ No newline at end of file diff --git "a/Translation/Farsi/contents/4.4.1-do\342\200\231s.md" "b/Translation/Farsi/contents/4.4.1-do\342\200\231s.md" new file mode 100644 index 00000000..79690479 --- /dev/null +++ "b/Translation/Farsi/contents/4.4.1-do\342\200\231s.md" @@ -0,0 +1,33 @@ +### 4.4.1 انجام دهید + +1. آماده سازی خود را زود شروع کنید، حتی قبل از اینکه شروع به جستجوی اولین شغل خود کنید. +2. از کسی بخواهید که شما را معرفی کند. جهان با سرمایه اجتماعی اداره می شود. بسیاری از شرکت‌ها دارای رزومه‌های پشت سر هم هستند و احتمال اینکه یک رزومه تصادفی از آن عبور کند بسیار کم است. داشتن یک ارجاع به شما کمک نمی کند شغلی پیدا کنید که برای آن واجد شرایط نیستید، اما به سرعت شما را در خط لوله ردیابی می کند. برای راهنمایی در مورد چگونگی وادار کردن افراد برای ارجاع به شما، به _ضمیمه: ایجاد شبکه شما_ مراجعه کنید. +3. با افراد در شبکه خود تماس بگیرید تا آنها را از جستجوی شغل خود مطلع کنید و فرصت ها را کشف کنید. +4. گروهی از افرادی را پیدا کنید که در حال مصاحبه هستند و یکدیگر را در جریان پیشرفت خود قرار دهید. برای درک آنچه صنعت به آن اهمیت می دهد، دانستن چه چیزی از شما خواسته می شود مفید است. دانستن اینکه شما تنها نیستید نیز اطمینان بخش است. +5. از دوستان بخواهید مصاحبه های ساختگی با شما داشته باشند. شما می توانید سوالات فنی و غیر فنی را از این کتاب برای آن جلسات انتخاب کنید. +6. روی پروژه های متن باز سرمایه گذاری کنید و کد خود را در GitHub منتشر کنید. این کار رزومه شما را تقویت می کند و به دیگران کمک می کند شما را پیدا کنند. +7. لینکدین خود را به روز کنید. +8. با فناوری های جدید و بهترین شیوه ها به روز باشید. دوره ها را بگذرانید. کتاب ها و پست های فنی عمیق وبلاگ را بخوانید. +9. پست های وبلاگ فنی عمیق بنویسید. +10. به مسابقات Kaggle بپیوندید و هسته های Kaggle را بخوانید تا بفهمید تیم های برنده چگونه این کار را انجام می دهند. می‌تواند به شما درک تقریبی از ابزارها و تکنیک‌هایی که برای حل مشکلات عملی استفاده می‌شوند، بدهد. در اینجا [راهنمای مفیدی در مورد نحوه شروع مسابقات Kaggle] (https://towardsdatascience.com/machine-learning-kaggle-competition-part-one-getting-started-32fb9ff47426) توسط ویل کوهرسن (2018) آمده است. +11. در StackExchange و StackOverflow سوال بپرسید. این وب سایت ها شگفت انگیز هستند. شما می توانید تصادفی ترین سوالات را پست کنید و یک سامری خوب احتمالاً یک شب را صرف نوشتن یک پاسخ مفصل 3000 کلمه ای برای آن خواهد کرد. +12. بررسی های Glassdoor را برای هر شرکتی که درخواست می دهید بخوانید. +13. تمام کارهای قبلی خود را مرور کنید، حداقل آنچه را که در رزومه خود قرار داده اید. مصاحبه‌کنندگان ممکن است بخواهند همه جزئیات را بدانند. +14. قبل از مصاحبه، چند تمرین کدنویسی انجام دهید تا مغز خود را وارد حالت حل مسئله کنید. +15. از استخدام کننده خود اطلاعاتی در مورد مصاحبه کنندگان خود بخواهید تا بتوانید زمینه های مورد علاقه آنها را جستجو کنید. همه شرکت‌ها از قبل به شما اطلاع نمی‌دهند، اما اگر شما بپرسید تعداد کمی از آنها رد می‌کنند. +16. چیزی را که نمی توانید نسبت به آن پاسخگو باشید، ذکر نکنید. هر چیزی که در مصاحبه ذکر می‌کنید برای مصاحبه‌گر عادلانه خواهد بود. برای مثال، اگر بگویید که دوره ای را گذرانده اید که LDA را پوشش می دهد، ممکن است مصاحبه کننده از شما بخواهد LDA را توضیح دهید. +17. با صدای بلند فکر کنید. کارفرمایان نه تنها به راه حل های شما بلکه به نحوه برخورد شما با یک مشکل نیز علاقه مند هستند. +18. اگر در طول مصاحبه با اصطلاحی مواجه شدید که با آن آشنایی ندارید، مثال بخواهید. +19. سوال بپرسید. فرآیند مصاحبه یک خیابان دو طرفه است - نه تنها یک شرکت ارزیابی می کند که آیا شما مناسب هستید یا خیر، بلکه شما همچنین ارزیابی می کنید که آیا می خواهید برای آن شرکت کار کنید یا خیر. اگر سوالی نپرسید، شرکت‌ها ممکن است فکر کنند که شما علاقه‌ای ندارید. +20. به بازخورد مصاحبه کننده گوش دهید و کمک او را بپذیرید. مصاحبه کنندگان می خواهند بدانند که چقدر خوب با دیگران (در این مورد، مصاحبه کننده) کار می کنید. +21. از مصاحبه کننده خود بپرسید که چه مهارت هایی را می خواهند ارزیابی کنند تا بتوانید پاسخ های خود را تنظیم کنید. +22. مراجع خود را بررسی کنید[^55]. +23. با بسیاری از شرکت ها مصاحبه کنید تا قبل از مصاحبه برای شغل رویایی خود تمرین کنید. +24. بهترین زمان برای مصاحبه زمانی است که به شغلی نیاز ندارید. حتی اگر هیچ برنامه فوری برای ترک شغل فعلی خود ندارید، برنامه ریزی مصاحبه با چند شرکت مفید است تا ببینید چه چیزی وجود دارد و مهارت های مصاحبه خود را تقویت کنید. +25. پیشنهادهای رقابتی داشته باشید. +26. به مصاحبه به عنوان بخشی از فرآیند یادگیری فکر کنید. رد شدن با اشتباه گرفتن یک سوال تفاوت چندانی ندارد. شما الان اشتباه می کنید به این معنی نیست که همیشه اشتباه می کنید. +27. از مصاحبه کنندگان برای وقت گذاشتن و درخواست بازخورد تشکر کنید. + +--- +[^55]: +یک نامزد در مصاحبه ها عالی بود اما رد شد زیرا همه مراجع او به این اشاره داشتند که او یک بازیکن تیم بد است. \ No newline at end of file diff --git "a/Translation/Farsi/contents/4.4.2-don\342\200\231ts.md" "b/Translation/Farsi/contents/4.4.2-don\342\200\231ts.md" new file mode 100644 index 00000000..41c5483c --- /dev/null +++ "b/Translation/Farsi/contents/4.4.2-don\342\200\231ts.md" @@ -0,0 +1,17 @@ +### 4.4.2 نباید + +1. وانمود نکنید که چیزی می دانید. توضیحات موج دار ندهید یا سوالی را بی اهمیت ندانید. اگر یک مصاحبه کننده از شما سوالی بپرسد، برای او مهم است. +2. پاسخ‌های قطعی ندهید. اگر مصاحبه‌کننده‌ای می‌پرسد که چرا به هوش مصنوعی علاقه‌مند هستید، از گفتن «هوش مصنوعی برق جدید است» خودداری کنید. این شانس شما برای درخشش سفر و شخصیت شماست. +3. گفتگو را به سمت موضوعاتی که خوب می دانید هدایت نکنید. اشکالی ندارد که این کار را با ظرافت انجام دهید، اما سوالات مصاحبه کننده را نادیده نگیرید. موضوع را عوض نکنید یک مصاحبه کننده خوب در نهایت مصاحبه را به مناطقی که شما می دانید هدایت می کند.[^56] +4. از کارفرمایان قبلی یا فعلی خود انتقاد نکنید. در واقع، در طول مصاحبه های خود از کسی انتقاد نکنید. می‌توانید در مورد چالش‌هایی که هنگام کار با آن‌ها با آن‌ها روبرو هستید صحبت کنید، اما نمی‌خواهید فردی باشید که در همه افراد ایراد می‌گیرد. این ضرب المثل وجود دارد: اگر همه اطرافیان شما مشکل دارند، شما مشکل دارید. +5. از مصاحبه کننده خود نترسید. +6. از مخالفت با مصاحبه کنندگان خود نترسید - برخی ممکن است عمداً چیزی اشتباه بگویند تا ببینند متوجه آن می شوید یا خیر. +7. به مصاحبه کننده خود نیز از حقارت نگاه نکنید. غیر معمول نیست که مصاحبه کننده از نامزد کوچکتر باشد. آنها ممکن است اعتبار یا تجربیات شما را نداشته باشند، اما هنوز چیزهایی می دانند که شما نمی دانید. +8. در مورد سن، وضعیت تأهل، مذهب، وابستگی سیاسی خود صحبت نکنید. مصاحبه‌کنندگان اجازه ندارند این نوع اطلاعات را بپرسند زیرا به شغل بی‌ربط است و پتانسیل سوگیری دارد. +9. درباره حقوق و دستمزد با مصاحبه کنندگان خود صحبت نکنید، مگر اینکه صریحاً از شما خواسته شود. در بیشتر سازمان‌ها، پیشنهادات را با مصاحبه‌کنندگان خود مذاکره نمی‌کنید، بلکه با استخدام‌کننده یا کارکنان عملیات شرکت مذاکره می‌کنید. +10. وقتی سؤالات آسانی برایتان پیش می آید خوشحال نباشید. شما باید نگران این باشید که سوالاتی کمتر از توانایی خود دریافت کنید زیرا ممکن است شرکت شما را برای موقعیتی بدون فرصت های یادگیری زیاد تحت فشار قرار دهد. +11. وقتی سؤالات سختی برایتان پیش می آید ناراحت نشوید. اگر برای شما سخت است، برای همه سخت است. +12. آن را عرق نکنید. اگر مصاحبه را رد کردید، ادامه دهید. تعداد زیادی شرکت دیگر وجود دارد. اگر این شرکت رویایی شماست، یک سال یا بیشتر بعد با آنها تماس بگیرید. + +--- +[^56] من چند نامزد داشته ام که این کار را با من کرده اند و آزاردهنده است. به عنوان مثال، من سعی می‌کنم دانش آنها را در مورد انصراف از RNN بسنجم و آنها می‌گویند: "افت تحصیلی مشکل بزرگی برای RNN نیست، شیب ناپدید شدن مشکل بزرگی نیست" و در عوض در مورد شیب ناپدید صحبت می‌کنند. \ No newline at end of file diff --git a/Translation/Farsi/contents/5.1-algebra-and-calculus.md b/Translation/Farsi/contents/5.1-algebra-and-calculus.md new file mode 100644 index 00000000..218596e3 --- /dev/null +++ b/Translation/Farsi/contents/5.1-algebra-and-calculus.md @@ -0,0 +1,3 @@ +### 5.1 جبر و حساب دیفرانسیل و انتگرال (کم). + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ \ No newline at end of file diff --git a/Translation/Farsi/contents/5.1.1-vectors.md b/Translation/Farsi/contents/5.1.1-vectors.md new file mode 100644 index 00000000..8e2a193c --- /dev/null +++ b/Translation/Farsi/contents/5.1.1-vectors.md @@ -0,0 +1,18 @@ +#### 5.1.1 بردارها + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +1. محصول نقطه + 1. [E] تفسیر هندسی حاصلضرب نقطه ای دو بردار چیست؟ + 2. [E] با توجه به یک بردار $$u$$، بردار $$v$$ را با طول واحد پیدا کنید به طوری که حاصلضرب نقطه‌ای $$u$$ و $$v$$ حداکثر باشد. + +2. محصول بیرونی + 1. [E] با توجه به دو بردار $$a = [3, 2, 1]$$ و $$b = [-1, 0, 1]$$. محصول بیرونی $$a^Tb$$ را محاسبه کنید؟ + 1. [M] مثالی بزنید که چگونه محصول بیرونی می تواند در ML مفید باشد. + +3. [E] مستقل بودن خطی دو بردار به چه معناست؟ +4. [M] با توجه به دو مجموعه بردار $$A = {a_1، a_2، a_3، ...، a_n}$$ و $$B = {b_1، b_2، b_3، ...، b_m}$$. چگونه بررسی می کنید که آنها مبنای یکسانی دارند؟ +5. [M] با توجه به بردارهای $$n$$، هر یک از ابعاد $$d$$. ابعاد دهانه آنها چقدر است؟ +6. هنجارها و معیارها +1. [E] یک هنجار چیست؟ $$L_0، L_1، L_2، L_{norm}$$ چیست؟ +1. [M] هنجار و متریک چگونه متفاوت هستند؟ با توجه به یک هنجار، یک متریک ایجاد کنید. با توجه به یک متریک، آیا می توانیم یک هنجار ایجاد کنیم؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/5.1.2-matrices.md b/Translation/Farsi/contents/5.1.2-matrices.md new file mode 100644 index 00000000..f4a9bb94 --- /dev/null +++ b/Translation/Farsi/contents/5.1.2-matrices.md @@ -0,0 +1,35 @@ +#### 5.1.2 ماتریس + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +1. [E] چرا می گوییم ماتریس ها تبدیل های خطی هستند؟ +2. [E] معکوس یک ماتریس چیست؟ آیا همه ماتریس ها معکوس دارند؟ آیا معکوس یک ماتریس همیشه منحصر به فرد است؟ +3. [E] تعیین کننده یک ماتریس چه چیزی را نشان می دهد؟ +4. [E] اگر یکی از سطرهای ماتریس را در اسکالر $$t \times R$$ ضرب کنیم چه اتفاقی برای تعیین کننده ماتریس می افتد؟ +5. [M] یک ماتریس $$4 \times 4$$ دارای چهار مقدار ویژه $3, 3, 2, -1$$ است. در مورد ردیابی و تعیین کننده این ماتریس چه می توانیم بگوییم؟ +6. [M] با توجه به ماتریس زیر:
+$$ +\begin{bmatrix} +1 و 4 و -2 \\ +-1 و 3 و 2 \\ +3 و 5 و -6 +\end{bmatrix} +$$ + +بدون استفاده صریح از معادله برای محاسبه دترمینان، چه می توانیم در مورد تعیین کننده این ماتریس بگوییم؟ + +**نکته**: برای تعیین تعیین کننده آن به خاصیت این ماتریس تکیه کنید. +7. [M] تفاوت بین ماتریس کوواریانس $$A^TA$$ و ماتریس گرم $$AA^T$$ چیست؟ +8. با توجه به $$A \in R^{n \times m}$$ و $$b \در R^n$$ +1. [M] $$x$$ را طوری پیدا کنید که: $$Ax = b$$. +1. [E] چه زمانی این یک راه حل منحصر به فرد دارد؟ +1. [M] چرا وقتی A ستون‌های بیشتری نسبت به ردیف دارد، $$Ax = b$$ چندین راه‌حل دارد؟ +1. [M] با توجه به ماتریس A بدون معکوس. چگونه معادله $$Ax = b$$ را حل می کنید؟ شبه معکوس چیست و چگونه آن را محاسبه کنیم؟ + +9. مشتق، ستون فقرات نزول گرادیان است. +1. [E] مشتق چه چیزی را نشان می دهد؟ +1. [M] تفاوت بین مشتق، گرادیان و ژاکوبین چیست؟ +10. [H] فرض کنید که وزن‌های $$w \در R^{d \times m}$$ و یک دسته کوچک $$x$$ از عناصر $$n$$ داریم، هر عنصر به شکل $ است. $1 \times d$$ به طوری که $$x \در R^{n \times d}$$. ما خروجی $$y = f(x; w) = xw$$ داریم. ابعاد ژاکوبین $$\frac{\delta y}{\delta x}$$ چقدر است؟ +11. [H] با توجه به یک ماتریس متقارن بسیار بزرگ A که در حافظه جا نمی‌شود، بگویید $$A \in R^{1M \times 1M}$$ و یک تابع $$f$$ که می‌تواند به سرعت $$ را محاسبه کند. f(x) = Ax$$ برای $$x \in R^{1M}$$. بردار واحد $$x$$ را پیدا کنید تا $$x^TAx$$ حداقل باشد. + +**نکته**: آیا می توانید آن را به عنوان یک مسئله بهینه سازی قاب بندی کنید و از شیب نزول برای یافتن یک راه حل تقریبی استفاده کنید؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/5.1.3-dimensionality-reduction.md b/Translation/Farsi/contents/5.1.3-dimensionality-reduction.md new file mode 100644 index 00000000..59b4f3a1 --- /dev/null +++ b/Translation/Farsi/contents/5.1.3-dimensionality-reduction.md @@ -0,0 +1,23 @@ +#### 5.1.3 کاهش ابعاد + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +1. [E] چرا به کاهش ابعاد نیاز داریم؟ +2. [E] Eigendecomposition یک تکنیک فاکتورسازی رایج است که برای کاهش ابعاد استفاده می شود. آیا تجزیه ویژه یک ماتریس همیشه منحصر به فرد است؟ +3. [M] برخی از کاربردهای مقادیر ویژه و بردارهای ویژه را نام ببرید. +4. [M] ما می خواهیم PCA را روی مجموعه داده ای از ویژگی های متعدد در محدوده های مختلف انجام دهیم. به عنوان مثال، یکی در محدوده 0-1 و یکی در محدوده 10 - 1000 است. آیا PCA روی این مجموعه داده کار می کند؟ +5. [H] تحت چه شرایطی می توان تجزیه ویژه را اعمال کرد؟ SVD چطور؟ + 1. رابطه بین SVD و eigendecomposition چیست؟ + 1. چه رابطه ای بین PCA و SVD وجود دارد؟ +6. [H] t-SNE (T-distributed Stochastic Neighbor Embedding) چگونه کار می کند؟ چرا ما به اون احتیاج داریم؟ + + +> **در صورت نیاز به رفرش در PCA، در اینجا یک توضیح بدون هیچ گونه ریاضی وجود دارد.** + +> فرض کنید مادربزرگ شما شراب را دوست دارد و دوست دارد ویژگی هایی پیدا کند که بطری های شراب نشسته در انبار او را به بهترین شکل توصیف کند. ویژگی‌های زیادی وجود دارد که می‌توانیم برای توصیف یک بطری شراب از آن استفاده کنیم، از جمله سن، قیمت، رنگ، محتوای الکلی، شیرینی، اسیدیته، و غیره. بسیاری از این ویژگی‌ها مرتبط هستند و در نتیجه زائد هستند. آیا راهی وجود دارد که بتوانیم ویژگی های کمتری را برای توصیف شراب خود انتخاب کنیم و به سوالاتی مانند این که کدام دو بطری شراب بیشتر با هم تفاوت دارند پاسخ دهیم؟ + +> PCA تکنیکی است برای ساختن ویژگی های جدید از ویژگی های موجود. به عنوان مثال، یک مشخصه جدید ممکن است به عنوان "سن - اسیدیته + قیمت" یا چیزی شبیه به آن محاسبه شود که ما آن را ترکیب خطی می نامیم. + +> برای متمایز کردن شراب‌هایمان، می‌خواهیم ویژگی‌هایی را پیدا کنیم که بین شراب‌ها به شدت متفاوت است. اگر مشخصه جدیدی پیدا کنیم که برای اکثر شراب ها یکسان باشد، چندان مفید نخواهد بود. PCA به دنبال ویژگی هایی است که تا آنجا که ممکن است در بین شراب ها، از همه ترکیبات خطی ویژگی های موجود، تنوع بیشتری را نشان می دهد. این ویژگی های ساخته شده اجزای اصلی شراب های ما هستند. + +> اگر می‌خواهید توضیح دقیق‌تر و شهودی‌تری درباره PCA همراه با تجسم ببینید، [پاسخ آمیب در StackOverflow] (https://stats.stackexchange.com/questions/2691/making-sense-of-principal-component- را ببینید) تجزیه و تحلیل-بردارهای ویژه-مقدارهای ویژه/140579#140579). این احتمالاً بهترین توضیح PCA است که تا به حال خوانده ام. \ No newline at end of file diff --git a/Translation/Farsi/contents/5.1.4-calculus-and-convex-optimization.md b/Translation/Farsi/contents/5.1.4-calculus-and-convex-optimization.md new file mode 100644 index 00000000..61c5e1ee --- /dev/null +++ b/Translation/Farsi/contents/5.1.4-calculus-and-convex-optimization.md @@ -0,0 +1,63 @@ +#### 5.1.4 بهینه سازی حساب دیفرانسیل و انتگرال و محدب + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +1. توابع متمایز + 1. [E] وقتی یک تابع قابل تفکیک است به چه معناست؟ + 1. [E] زمانی که یک تابع در نقطه ای مشتق ندارد مثال بزنید. + 1. [M] نمونه ای از توابع غیر قابل تمایز را که اغلب در یادگیری ماشین استفاده می شود، بیاورید. اگر آن توابع قابل تمایز نباشند، چگونه انتشار پس‌انداز را انجام دهیم؟ +2. تحدب + 1. [E] محدب یا مقعر بودن یک تابع به چه معناست؟ بکشش. + 1. [E] چرا تحدب در یک مسئله بهینه سازی مطلوب است؟ + 1. [M] نشان دهید که تابع از دست دادن آنتروپی متقاطع محدب است. +3. با توجه به یک طبقه بندی تفکیک کننده لجستیک: + + $$ + p(y=1|x) = \sigma (w^Tx) + $$ + + که در آن تابع سیگموئید به صورت زیر داده می شود: + + $$ + \sigma(z) = (1 + \exp(-z))^{-1} + $$ + + ضرر لجستیک برای یک نمونه آموزشی $$x_i$$ با برچسب کلاس $$y_i$$ توسط: + + $$ + L(y_i، x_i;w) = -\log p(y_i|x_i) + $$ + + 1. نشان دهید که $$p(y=-1|x) = \sigma(-w^Tx)$$. + 1. نشان دهید که $$\Delta_wL(y_i، x_i؛ w) = -y_i(1-p(y_i|x_i))x_i$$. + 1. نشان دهید که $$\Delta_wL(y_i, x_i; w)$$ محدب است. + +4. اکثر الگوریتم‌های ML که امروزه استفاده می‌کنیم از مشتقات مرتبه اول (gradients) برای ساختن تکرار آموزشی بعدی استفاده می‌کنند. + 1. [E] چگونه می توانیم از مشتقات مرتبه دوم برای مدل های آموزشی استفاده کنیم؟ + 1. [M] مزایا و معایب بهینه سازی مرتبه دوم. + 1. [M] چرا در عمل شاهد بهینه سازی مرتبه دوم بیشتری نیستیم؟ +5. [M] چگونه می توانیم از Hessian (ماتریس مشتق دوم) برای آزمایش نقاط بحرانی استفاده کنیم؟ +6. [E] نابرابری جنسن اساس بسیاری از الگوریتم‌های استنتاج احتمالی، از جمله انتظار-بیشینه‌سازی و استنتاج متغیر را تشکیل می‌دهد. توضیح دهید که نابرابری جنسن چیست. +7. [ه] قاعده زنجیره را توضیح دهید. +8. [M] اجازه دهید $$x \در R_n$$، $$L = متقاطع(softmax(x)، y)$$ که در آن $$y$$ یک بردار یک داغ است. مشتق $$L$$ را با توجه به $$x$$ بگیرید. +9. [M] با توجه به تابع $$f(x, y) = 4x^2 - y$$ با محدودیت $$x^2 + y^2 =1$$. مقادیر حداکثر و حداقل تابع را پیدا کنید. + +---- +> در بهینه سازی محدب + +بهینه سازی محدب مهم است زیرا تنها نوع بهینه سازی است که ما کم و بیش درک می کنیم. برخی ممکن است استدلال کنند که از آنجایی که بسیاری از توابع هدف رایج در یادگیری عمیق محدب نیستند، ما نیازی به دانستن بهینه سازی محدب نداریم. با این حال، حتی زمانی که توابع محدب نیستند، تجزیه و تحلیل آنها به گونه‌ای که گویی محدب هستند، اغلب کران‌های معنی‌داری به ما می‌دهد. اگر یک الگوریتم با فرض محدب بودن یک تابع ضرر کار نکند، وقتی تابع ضرر غیرمحدب باشد قطعاً کار نخواهد کرد. + +تحدب استثناست نه قاعده. اگر از شما بپرسند که آیا تابعی محدب است و قبلاً در لیست توابع محدب رایج شناخته شده نیست، احتمال زیادی وجود دارد که محدب نباشد. اگر می‌خواهید درباره بهینه‌سازی محدب بیاموزید، [کتاب درسی استفن بوید] (http://cs229.stanford.edu/section/cs229-cvxopt.pdf) را بررسی کنید. + +---- +> در ماتریس Hessian + +ماتریس Hessian یا Hessian یک ماتریس مربعی از مشتقات جزئی مرتبه دوم یک تابع با مقدار اسکالر است. + +تابع $$f داده می شود: ℝn → ℝ$$. اگر تمام مشتقات جزئی دوم f وجود داشته باشند و در دامنه تابع پیوسته باشند، ماتریس هسی H از f یک ماتریس nn مربع است به طوری که: $$H_{ij}=\frac{\delta f}{\delta x_i\delta x_j}$$. + +<مرکز> + ماتریس Hessian + + +Hessian برای مسائل بهینه سازی در مقیاس بزرگ در روش های نوع نیوتن و روش های شبه نیوتنی استفاده می شود. همچنین معمولاً برای بیان عملگرهای پردازش تصویر در پردازش تصویر و بینایی کامپیوتری برای کارهایی مانند تشخیص لکه و نمایش سیگنال چند مقیاسی استفاده می شود. \ No newline at end of file diff --git a/Translation/Farsi/contents/5.2-probability-and-statistics.md b/Translation/Farsi/contents/5.2-probability-and-statistics.md new file mode 100644 index 00000000..f63e86c7 --- /dev/null +++ b/Translation/Farsi/contents/5.2-probability-and-statistics.md @@ -0,0 +1,3 @@ +### 5.2 احتمال و آمار + +یک [کاربر Reddit](https://www.reddit.com/r/statistics/comments/91f4wm/how_is_the_transition_from_pure_math_to_stats/e2xu2x2?utm_source=share&utm_medium=web2x&context=3) یک بار گفت: "انجام علم داده در مک فقط یک آمار است. ” دانش احتمالات و آمار در ML و علم داده بسیار مهم است. اگر آنتروپی متقاطع، واگرایی KL یا فقط توزیع احتمال عمومی را درک نکنید، بیشتر توابع هدف در ML از نظر آماری معنی کمی خواهند داشت. \ No newline at end of file diff --git a/Translation/Farsi/contents/5.2.1-probability.md b/Translation/Farsi/contents/5.2.1-probability.md new file mode 100644 index 00000000..decf7430 --- /dev/null +++ b/Translation/Farsi/contents/5.2.1-probability.md @@ -0,0 +1,3 @@ +#### 5.2.1 احتمال + +یک سوال محتمل این است که هر یک از توزیع های رایج را توضیح دهید و معادله آن را بنویسید، تابع جرم احتمال آن (PMF) را اگر گسسته است و تابع چگالی احتمال (PDF) را اگر پیوسته است ترسیم کنید. بررسی همه توزیع‌های رایج مفید خواهد بود. \ No newline at end of file diff --git a/Translation/Farsi/contents/5.2.1.1-basic-concepts-to-review.md b/Translation/Farsi/contents/5.2.1.1-basic-concepts-to-review.md new file mode 100644 index 00000000..63983a26 --- /dev/null +++ b/Translation/Farsi/contents/5.2.1.1-basic-concepts-to-review.md @@ -0,0 +1,86 @@ +##### 5.2.1.1 مفاهیم اساسی برای مرور + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +###### متغیر تصادفی +به طور رسمی، یک متغیر تصادفی یک تابع قابل اندازه گیری $$X است: \Omega \rightarrow E$$ از مجموعه ای از نتایج ممکن $$\Omega$$ به یک فضای قابل اندازه گیری $$E$$. احتمال اینکه $X$$ مقداری را در یک مجموعه قابل اندازه گیری $$S \subseteq E$$ بگیرد به صورت زیر نوشته می شود: + +$$P(X \in S) = P({\omega \in \Omega | X(\omega) \in S})$$، که در آن $$P$$ اندازه‌گیری احتمال روی $$(\Omega، F) $$. + +تصادفی بودن از تصادفی بودن نتایج در $$\Omega$$ ناشی می شود. + +به طور غیررسمی، متغیر تصادفی متغیری است که به طور احتمالی مقادیر متفاوتی به خود می گیرد. شما می توانید یک متغیر تصادفی را مانند یک متغیر در یک زبان برنامه نویسی در نظر بگیرید. آنها مقادیر می گیرند، انواع دارند و دامنه هایی دارند که در آنها قابل اعمال هستند. + +_متغیر تصادفی_ یک مفهوم کلی است. تقریباً همه چیز در زندگی را می توان با استفاده از یک متغیر تصادفی توصیف کرد. زمانی که برای رفت و آمد به محل کار شما طول می کشد یک متغیر تصادفی عادی است. تعداد افرادی که قبل از پیدا کردن شریک زندگی خود قرار می گذارید، یک متغیر تصادفی هندسی است. + +###### توزیع احتمال +توزیع احتمال تابعی است که نتایج احتمالی یک متغیر تصادفی را همراه با احتمالات مربوط به آن توصیف می کند. + +###### متغیر تصادفی عادی +همچنین به عنوان متغیر تصادفی گاوسی شناخته می شود، این مهم ترین متغیر تصادفی است. با یک متغیر تصادفی پارامتر شده، با میانگین $$\mu$$ و واریانس $$\sigma^2$$ پارامتر می شود. + +$$ +X \sim N(\mu، \sigma^2) \\ +f(x) = \frac{1}{\sigma\sqrt{2\pi}}\exp(-\frac{(x-\mu)^2}{2\sigma^2}) +$$ + +اصطلاحی که می خواهیم در این تابع به آن بپردازیم $$-\frac{(x-\mu)^2}{2\sigma^2}$$ است. به طور شهودی، مقدار را بسیار دور از میانگین مجازات می کند، اما زمانی که واریانس بالا باشد، مجازات کمتر است. عبارت $$\frac{1}{\sigma\sqrt{2\pi}}$$ عادی سازی است به طوری که در 1 ادغام می شود. + +$$ +E[X] = \mu \\ +Var(X) = \sigma^2 +$$ + +در اینجا PDF توزیع نرمال با پارامترهای مختلف است. + +<مرکز> +PDF توزیع‌های عادی + + +###### توزیع طبقه بندی شده +توزیع مقوله ای که با نام توزیع چند نولی نیز شناخته می شود، تعمیم توزیع برنولی است. نتایج احتمالی یک متغیر تصادفی را توصیف می‌کند که می‌تواند یکی از $$k$$ دسته‌های ممکن را با احتمال هر دسته به طور جداگانه مشخص کند. + +$$ +X \in \text{Cat}(\phi); \phi = (p_1، p_2، ...، p_k) \text{ و }\sum_{i=1}^kp_i = 1 +$$ + +###### متغیر تصادفی دو جمله ای +یک متغیر تصادفی دوجمله ای تعداد موفقیت ها را در n آزمایش مستقل متوالی نشان می دهد که هر کدام با احتمال $$p$$ موفق بوده و با احتمال $$1-p$$ شکست می خورند. یک مثال، تعداد هدها در ورق زدن سکه $n$n$ است که هر کدام با احتمال 0.5 فرود سر هستند. توزیع دو جمله ای مبنایی برای آزمون دو جمله ای برای معناداری آماری است. هنگامی که تنها 1 آزمایش وجود دارد، به عنوان توزیع برنولی شناخته می شود. +$$ +X \sim \text{Bin}(n، p) \\ +P(X=k) = {n \انتخاب k} p^k(1-p)^{n-k} \\ +E[X] = np \\ +Var(X) = np(1-p) +$$ + +در زیر PMF توزیع دوجمله ای با پارامترهای مختلف آورده شده است. + +<مرکز> +PMF توزیع‌های دوجمله‌ای + + +###### متغیر تصادفی چند جمله ای +متغیر تصادفی چند جمله ای تعمیم توزیع دو جمله ای است. به جای اینکه فقط دو نتیجه داشته باشد مانند یک چرخش سکه، می تواند چندین نتیجه داشته باشد مانند یک قالب k طرفه. وقتی تعداد آزمایش‌ها 1 باشد، توزیع طبقه‌بندی است. +$$ +X \sim \text{Multi}(n, \pi) \text{ با } \pi = (p_1,p_2, ..., p_k ) \text{ و }\sum_{i=1}^kp_i = 1 \ \ +P(X=(x_1، x_2، ...، x_k)) = \frac{n!}{x_1!x_2! ... x_k!} \prod_{i=1}^kp_i{x_i} \text{ با } n = \sum_i^kx_i \\ +E[X_i] = np_i \\ +Var(X_i) = np_i (1-p_i) +$$ + +###### متغیر تصادفی پواسون +توزیع پواسون، به نظر من، در میان توزیع‌های جالب‌تر است. احتمال وقوع تعداد معینی از رویدادها در یک بازه زمانی ثابت را بیان می کند اگر این رویدادها با نرخ ثابت شناخته شده رخ دهند. این نرخ به عنوان $$\lambda$$ نشان داده می شود. توجه داشته باشید که توزیع پواسون _Memoryless_ است، به این معنی که احتمال وقوع یک رویداد مستقل از زمان پس از آخرین رویداد است. + +یک دیدگاه بسیار دقیق این است که توزیع پواسون را تقریبی از دوجمله ای ببینیم که در آن $$n$$ بزرگ است، $$p$$ کوچک است، و $$\lambda = np$$. به عنوان مثال، یک متغیر تصادفی دوجمله ای از 10000 آزمایش با میزان موفقیت 0.01 را می توان به عنوان یک متغیر تصادفی پواسون از رویدادهایی که هر 100 آزمایش * 0.01 = 10000 اتفاق می افتد مشاهده کرد. + +$$ +X \sim \text{Poi}(\lambda) \\ +P(X=i) = \frac{\lambda^i}{i!}e^{-\lambda} \\ +E[X] = \لامبدا \\ +Var(X) = \lambda \\ +$$ + +در زیر PMF توزیع پواسون با مقادیر مختلف $$\lambda$$ است که توسط Skbkekas ساخته شده است. + +<مرکز> + + Stats joke + + + +از [xkcd](https://xkcd.com/552/). برای منحرف کردن حواس خود از مصاحبه با استرس، [اینجا] (https://stats.stackexchange.com/questions/1337/statistics-jokes) جوک های آماری بیشتری هستند. + +1. [E] آمار فراوانی در مقابل بیزی را توضیح دهید. +2. [E] با توجه به آرایه $$[1، 5، 3، 2، 4، 4]$$، میانگین، میانه، واریانس و انحراف استاندارد آن را بیابید. +3. [M] چه زمانی باید به جای میانگین از میانه استفاده کنیم؟ چه زمانی به جای میانه از میانگین استفاده کنیم؟ +4. [M] یک لحظه تابع چیست؟ معانی لحظه صفر تا چهارم را توضیح دهید. +5. [M] آیا استقلال و کوواریانس صفر یکسان هستند؟ اگر نه مثال متقابل بزنید. +6. [E] فرض کنید که 100 توله نوزاد تصادفی را می گیرید و تعیین می کنید که وزن متوسط 1 پوند با انحراف استاندارد جمعیت 0.12 پوند است. با فرض اینکه وزن توله های تازه متولد شده از توزیع نرمال پیروی می کند، فاصله اطمینان 95 درصد را برای میانگین وزن تمام توله های تازه متولد شده محاسبه کنید. +7. [M] فرض کنید که ما 100 توله سگ تازه متولد شده را بررسی می کنیم و فاصله اطمینان 95% برای میانگین وزن آنها $$[0.9، 1.1]$$ پوند است. کدام یک از عبارات زیر صحیح است؟ + 1. با توجه به یک توله سگ تازه متولد شده تصادفی، وزن آن 95 درصد احتمال دارد که بین 0.9 تا 1.1 پوند باشد. + 1. اگر 100 توله سگ تازه متولد شده دیگر را بررسی کنیم، میانگین آنها 95 درصد احتمال دارد که در آن فاصله باشد. + 1. ما 95% مطمئن هستیم که این بازه میانگین وزن واقعی را ثبت کرده است. + + نکته: این نکته ظریفی است که بسیاری از مردم آن را اشتباه می دانند. اگر با پاسخ مشکل دارید، آکادمی خان [مقاله بسیار خوبی در مورد آن دارد](https://www.khanacademy.org/math/ap-statistics/estimating- trust-ap/introduction- trust-intervals/a/interpreting- سطوح اطمینان و فواصل اطمینان). +8. [H] فرض کنید ما یک متغیر تصادفی $$X$$ داریم که روی $$[0, 1]$$ پشتیبانی می‌شود و می‌توانیم از آن نمونه‌هایی بگیریم. چگونه می توانیم به یک تخمین بی طرفانه از میانه $$X$$ دست پیدا کنیم؟ +9. [H] آیا همبستگی می تواند بیشتر از 1 باشد؟ چرا و چرا نه؟ چگونه یک مقدار همبستگی 0.3 را تفسیر کنیم؟ +10. وزن توله سگ های تازه متولد شده تقریباً متقارن با میانگین 1 پوند و انحراف معیار 0.12 است. توله سگ تازه متولد شده مورد علاقه شما 1.1 پوند وزن دارد. + 1. [E] امتیاز z توله سگ خود را محاسبه کنید (امتیاز استاندارد). + 1. [E] توله سگ تازه متولد شده شما چقدر باید وزن داشته باشد تا از نظر وزن جزو 10 درصد برتر باشد؟ + 1. [M] فرض کنید وزن توله های تازه متولد شده از توزیع کج پیروی می کند. آیا محاسبه امتیازهای z هنوز منطقی است؟ +11. [ح] ده بار انداختن یک سکه 10 سر و 5 دم داشت. چگونه تحلیل می کنید که آیا یک سکه منصفانه است؟ +12. اهمیت آماری. + 1. [E] چگونه اهمیت آماری یک الگو را ارزیابی می کنید که آیا یک الگوی معنی دار است یا تصادفی؟ + 1. [E] توزیع مقادیر p چیست؟ + 1. [H] اخیراً، بسیاری از دانشمندان جنگی را علیه اهمیت آماری آغاز کردند. هنگام استفاده از p-value و معناداری آماری چه چیزی را باید در نظر داشته باشیم؟ +13. همبستگی متغیر. + 1. [M] چه اتفاقی برای یک مدل رگرسیون می‌افتد اگر دو متغیر ظاهراً مستقل آن‌ها به شدت همبستگی داشته باشند؟ + 1. [M] چگونه استقلال بین دو متغیر طبقه بندی را آزمایش کنیم؟ + 1. [H] چگونه استقلال بین دو متغیر پیوسته را آزمایش کنیم؟ +14. [E] تست A/B روشی برای مقایسه دو نسخه از یک راه حل با یکدیگر است تا مشخص شود کدام یک عملکرد بهتری دارد. برخی از مزایا و معایب تست A/B چیست؟ +15. [M] شما می خواهید آزمایش کنید که کدام یک از دو قرار دادن تبلیغات در وب سایت شما بهتر است. به چند بازدیدکننده و/یا چند بار کلیک روی هر تبلیغ نیاز داریم تا بتوانیم 95% مطمئن باشیم که یک مکان بهتر است؟ +16. [M] شرکت شما یک شبکه اجتماعی را اداره می کند که درآمد آن از نمایش تبلیغات در خبرنامه به دست می آید. برای دوبرابر کردن درآمد، همکارتان پیشنهاد می‌کند که فقط باید تعداد تبلیغات نشان داده شده را دو برابر کنید. آیا ایده ی خوبی است؟ چگونه متوجه می شوید؟ +17. تصور کنید که قیمت 10000 سهم در 24 ماه گذشته را دارید و فقط قیمت را در پایان هر ماه دارید، یعنی برای هر سهم 24 امتیاز قیمت دارید. پس از محاسبه همبستگی های 10000 * 99992 جفت سهام، جفتی پیدا کردید که همبستگی آن بالای 0.8 است. + 1. [E] احتمال اینکه این اتفاق به طور تصادفی رخ دهد چقدر است؟ + 1. [M] چگونه از این نوع الگوهای تصادفی اجتناب کنیم؟ + + **نکته**: [نفرین داده های بزرگ] (https://www.analyticbridge.datasciencecentral.com/profiles/blogs/the-curse-of-big-data) را بررسی کنید. +18. [H] چگونه از آمار کافی و اصل تنگنای اطلاعات در یادگیری ماشین استفاده می شود؟ + +--- +*این کتاب توسط [Chip Huyen](https://huyenchip.com) با کمک دوستان فوق العاده ساخته شده است. برای بازخورد، اشتباهات و پیشنهادات، می‌توانید با نویسنده [اینجا] (https://huyenchip.com/communication/) تماس بگیرید.* \ No newline at end of file diff --git a/Translation/Farsi/contents/6.1-algorithms.md b/Translation/Farsi/contents/6.1-algorithms.md new file mode 100644 index 00000000..5276e57b --- /dev/null +++ b/Translation/Farsi/contents/6.1-algorithms.md @@ -0,0 +1,22 @@ +### 6.1 الگوریتم ها + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +نمونه‌هایی از الگوریتم‌های کلاسیک که باید بدانید شامل الگوریتم‌های مرتب‌سازی مختلف (مرتب‌سازی سریع، مرتب‌سازی ریشه)، الگوریتم‌های کوتاه‌ترین مسیر (Dijkstra's، A\*)، الگوریتم‌های درختی (پیمایش قبل، درون، پس از سفارش)، و راه‌حل‌هایی برای مسائل رایج مانند به عنوان مشکل ازدواج پایدار و مشکل فروشنده دوره گرد. احتمالاً هرگز مجبور نخواهید شد آنها را پیاده سازی کنید زیرا در حال حاضر پیاده سازی های کارآمد زیادی وجود دارد، اما درک اصول اساسی طراحی و مبادلات پیاده سازی آنها در صورتی که مجبور به اتخاذ تصمیمات مشابه در شغل خود هستید، مهم است. + +همچنین تکنیک های برنامه نویسی وجود دارد که باید با آنها راحت باشید، مانند برنامه نویسی پویا، بازگشت، دستکاری رشته، ضرب ماتریس، بیان منظم و تخصیص حافظه. در زیر تعدادی از سوالاتی وجود دارد که ممکن است بخواهید برای تجدید حافظه خود به آنها بپردازید. + + +1. یک تابع پایتون برای خواندن بازگشتی یک فایل JSON بنویسید. +2. یک الگوریتم مرتب سازی $$O(N\log N)$$، ترجیحا مرتب سازی سریع یا مرتب سازی ادغام را پیاده سازی کنید. +3. طولانی ترین دنباله افزایشی را در یک رشته پیدا کنید. +4. طولانی ترین زیر دنباله مشترک بین دو رشته را پیدا کنید. +5. یک درخت را به ترتیب قبلی، به ترتیب و پس از سفارش طی کنید. +6. با توجه به یک آرایه از اعداد صحیح و یک عدد صحیح k، تعداد کل زیرآرایه های پیوسته که مجموع آنها برابر $$k$$ است را پیدا کنید. راه حل باید زمان اجرا $$O(N)$$ داشته باشد. +7. دو آرایه مرتب شده $$nums1$$ و $$nums2$$ به ترتیب با عناصر $$m$$ و $$n$$ وجود دارد. میانه دو آرایه مرتب شده را پیدا کنید. راه حل باید زمان اجرا $$O(\log(m+n))$$ داشته باشد. +8. برنامه ای بنویسید تا با پر کردن سلول های خالی، پازل سودوکو را حل کنید. اندازه تخته 9$ \ برابر 9$$ است. فقط شامل 1-9 عدد است. سلول های خالی با * نشان داده می شوند. هر تخته یک راه حل منحصر به فرد دارد. +9. با توجه به یک بلوک حافظه که توسط یک آرایه خالی نمایش داده می شود، برنامه ای بنویسید تا تخصیص پویا آن بلوک حافظه را مدیریت کند. این برنامه باید از دو روش پشتیبانی کند: «malloc()» برای تخصیص حافظه و «free()» برای آزادسازی یک بلوک حافظه. +10. با توجه به یک رشته از عبارت ریاضی، مانند '10 * 4 + (4 + 3) / (2 - 1)'، آن را محاسبه کنید. باید از چهار عملگر «+»، «-»، «:»، «/» و براکت‌های «()» پشتیبانی کند. +11. با توجه به یک مسیر دایرکتوری، وارد آن دایرکتوری شوید و تمام فایل های دارای محتوای تکراری را پیدا کنید. +12. در Google Docs، گزینه «Justify alignment» را دارید که متن شما را با هر دو حاشیه چپ و راست تراز می کند. تابعی بنویسید تا یک متن داده شده را خط به خط (به جز خط آخر) در قالب تراز Justify چاپ کند. طول یک خط باید قابل تنظیم باشد. +13. شما 1 میلیون فایل متنی دارید که هر کدام یک مقاله خبری است که از سایت های خبری مختلف حذف شده است. از آنجایی که سایت های خبری اغلب اخبار یکسان و حتی مقالات مشابهی را گزارش می کنند، بسیاری از فایل ها دارای محتوایی بسیار شبیه به یکدیگر هستند. برنامه ای بنویسید تا این فایل ها را فیلتر کند تا نتیجه نهایی فقط شامل فایل هایی باشد که به زبان مورد نظر شما به اندازه کافی با یکدیگر متفاوت هستند. شما آزاد هستید که معیاری را برای تعریف «شباهت» محتوا بین فایل‌ها انتخاب کنید. \ No newline at end of file diff --git a/Translation/Farsi/contents/6.2-complexity-and-numerical-analysis.md b/Translation/Farsi/contents/6.2-complexity-and-numerical-analysis.md new file mode 100644 index 00000000..d6eb6d85 --- /dev/null +++ b/Translation/Farsi/contents/6.2-complexity-and-numerical-analysis.md @@ -0,0 +1,39 @@ +### 6.2 پیچیدگی و تحلیل عددی + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +با توجه به اینکه بیشتر پیشرفت‌های اخیر در یادگیری ماشینی از مدل‌های بزرگ‌تری می‌آیند که به حافظه و قدرت محاسباتی عظیم نیاز دارند، مهم است که نه تنها نحوه پیاده‌سازی یک مدل، بلکه نحوه مقیاس‌سازی آن را نیز بدانید. برای مقیاس‌بندی یک مدل، باید بتوانیم نیاز به حافظه و هزینه محاسباتی را تخمین بزنیم، و همچنین بی‌ثباتی عددی را هنگام آموزش و ارائه مدل‌های یادگیری ماشینی کاهش دهیم. در اینجا برخی از سوالاتی است که می توان برای ارزیابی درک شما از ثبات عددی و مقیاس پذیری پرسید. + + +1. ضرب ماتریسی + 1. [E] شما سه ماتریس دارید: $$A \in R^{100 \times 5}، B \in R^{5 \times 200}، C \in R^{200 \times 20}$$ و شما باید محصول $$ABC$$ را محاسبه کنید. ضرب را به چه ترتیبی انجام می دهید و چرا؟ + 1. [M] اکنون باید حاصل ضرب ماتریس های $$N$$ $$A_1A_2...A_n$$ را محاسبه کنید. چگونه ترتیب انجام ضرب را تعیین می کنید؟ +2. [E] برخی از دلایل بی ثباتی عددی در یادگیری عمیق چیست؟ +3. [E] در بسیاری از تکنیک‌های یادگیری ماشین (مانند نرم‌افزار دسته‌ای)، اغلب می‌بینیم که یک عبارت کوچک $$\epsilon$$ به محاسبه اضافه می‌شود. هدف از آن اصطلاح چیست؟ +4. [E] چه چیزی GPU ها را برای یادگیری عمیق محبوب کرد؟ آنها در مقایسه با TPU ها چگونه هستند؟ +5. [M] وقتی می گوییم مشکل حل نشدنی است به چه معناست؟ +6. [H] پیچیدگی زمانی و مکانی برای انجام پس انتشار در یک شبکه عصبی مکرر چقدر است؟ +7. [H] آیا دانستن معماری یک مدل و فراپارامترهای آن برای محاسبه حافظه مورد نیاز آن مدل کافی است؟ +8. [H] مدل شما روی یک GPU خوب کار می کند، اما وقتی آن را روی 8 GPU آموزش می دهید، نتایج ضعیفی به دست می دهد. علت این امر چه می تواند باشد؟ برای رسیدگی به آن چه کاری انجام می دهید؟ +9. [H] از کاهش دقت مدل خود چه مزایایی به دست می آوریم؟ ممکن است به چه مشکلاتی برسیم؟ چگونه این مشکلات را حل کنیم؟ +10. [H] چگونه می توان میانگین 1M اعداد ممیز شناور را با حداقل از دست دادن دقت محاسبه کرد؟ +11. [H] چگونه باید نرمال سازی دسته ای را اجرا کنیم اگر یک دسته در چندین GPU پخش شده است؟ +12. [M] با توجه به قطعه کد زیر. چه مشکلی ممکن است با آن باشد؟ چگونه آن را بهبود می دهید؟ **نکته**: این یک سوال واقعی است که در [StackOverflow] (https://stackoverflow.com/questions/39667089/python-vectorizing-nested-for-loops/39667342) پرسیده شده است. + +``` +numpy را به عنوان np وارد کنید +import numpy as np + +def within_radius(a, b, radius): + if np.linalg.norm(a - b) < radius: + return 1 + return 0 + +def make_mask(volume, roi, radius): + mask = np.zeros(volume.shape) + for x in range(volume.shape[0]): + for y in range(volume.shape[1]): + for z in range(volume.shape[2]): + mask[x, y, z] = within_radius((x, y, z), roi, radius) + return mask +``` \ No newline at end of file diff --git a/Translation/Farsi/contents/6.3-data.md b/Translation/Farsi/contents/6.3-data.md new file mode 100644 index 00000000..ecb61b4a --- /dev/null +++ b/Translation/Farsi/contents/6.3-data.md @@ -0,0 +1,9 @@ +### 6.3 داده ها + +در یک محیط آکادمیک یا تحقیقاتی، شما احتمالا فقط با مجموعه داده های تمیز و در دسترس کار می کنید و بنابراین می توانید بیشتر وقت خود را صرف مدل سازی کنید. در تولید، این احتمال وجود دارد که بیشتر وقت خود را روی خط لوله داده صرف کنید. توانایی مدیریت، پردازش و نظارت بر داده ها شما را برای کارفرمایان بالقوه جذاب می کند. + +در مصاحبه‌هایتان، ممکن است سوالاتی از شما پرسیده شود که میزان راحتی شما را در کار با داده‌ها ارزیابی می‌کند. در سطح بالا، شما باید با خواندن، نوشتن و سریال سازی انواع مختلف داده ها آشنا باشید. برای دستکاری قاب دیتا باید کتابخانه ای داشته باشید: «pandas» برای برنامه های عمومی داده محبوب است و «dask» گزینه خوبی است اگر می خواهید چیزی سازگار با GPU باشد. شما باید حداقل با یک کتابخانه تجسمی مانند «seaborn»، «matplotlib»، «Tableau» یا «ggplot» راحت باشید. + +اگر می خواهید با داده های بزرگ کار کنید، آشنایی با سیستم های مدیریت داده های توزیع شده مانند Spark و Hadoop ضرری ندارد. + +فراتر از پایتون، SQL هنوز برای همه برنامه‌هایی که به پایگاه‌های داده دائمی نیاز دارند، وجود دارد، و اگرچه R جذاب‌ترین زبان نیست، اما برای تجزیه و تحلیل سریع داده‌ها مفید است. \ No newline at end of file diff --git a/Translation/Farsi/contents/6.3.1-data-structures.md b/Translation/Farsi/contents/6.3.1-data-structures.md new file mode 100644 index 00000000..116cc047 --- /dev/null +++ b/Translation/Farsi/contents/6.3.1-data-structures.md @@ -0,0 +1,23 @@ +#### 6.3.1 ساختارهای داده + +اگر دنیای ما توسط داده ها اداره می شود، پس ساختارهای داده چیزی هستند که ما را از سقوط به سمت هرج و مرج باز می دارند. از آغاز عصر دیجیتال، بهترین ذهن‌های علوم رایانه شب‌ها به فکر راه‌های کارآمد برای ذخیره و دستکاری داده‌ها بودند. ساختارهای داده حتی در یادگیری ماشین اهمیت بیشتری دارند زیرا این زمینه توسط داده های بزرگ تغذیه می شود. + +در حالی که ساختارهای داده کلاسیکی وجود دارند که امتحان خود را پس داده‌اند، توسعه ساختارهای داده جدید و بهبود ساختارهای موجود، نبردهای پایان ناپذیری هستند، زیرا قالب‌های جدید معرفی می‌شوند و داده‌های جدید در مقیاسی که قبلاً دیده نشده است تولید می‌شوند. آشنایی شما با ساختارهای داده موجود، درک نحوه پیاده سازی آنها، و درک درستی از اینکه از چه ساختارهای داده ای استفاده کنید و چه زمانی از آنها استفاده کنید بسیار ارزشمند خواهد بود. + +برخی از ساختارهای داده ای که باید پیچیدگی های زمان اجرا آنها را بدانید و بتوانید حداقل به یک زبان پیاده سازی کنید: + + +* درختان: درخت جستجوی دودویی، پشته، trie (پیشوند و درخت پسوند) +* صف ها، پشته ها، صف های اولویت +* لیست های مرتبط +* HashMap و HashTable + +ما در اینجا سؤالی در مورد آن ساختارهای داده نداریم، اما باید سعی کنید خودتان آنها را پیاده سازی کنید، چه در یک وب سایت تمرین کدنویسی یا به صورت محلی، و با پیاده سازی شناخته شده مقایسه کنید. + +شما باید با دستکاری فرمت های داده محبوب مانند فرمت CSV همه جا حاضر و فرمت JSON مناسب برای وب و سریال سازی راحت باشید. هر دو CSV و JSON نمونه‌هایی از فرمت‌های فایل مبتنی بر ردیف سنتی هستند: داده‌ها ذخیره می‌شوند و اغلب ردیف به ردیف ایندکس می‌شوند. + +در سال های اخیر، فرمت مبتنی بر ستون بیشتر و بیشتر رایج شده است، زیرا به برنامه های کاربردی داده های بزرگ اجازه می دهد تا با فراخوانی ستون مربوط به آن ویژگی، به سرعت یک ویژگی را از تمام نقاط داده استخراج کنند. چارچوب‌های داده محبوب برای یادگیری ماشین شامل «pandas» و «dask» برای عملیات‌های مبتنی بر ستون بهینه‌سازی شده‌اند. دو فرمت رایج فایل مبتنی بر ستون عبارتند از Parquet که توسط Apache Hadoop حمایت می شود و ORC که توسط Apache Hive پشتیبانی می شود. + +فرمت‌های داده مبتنی بر ردیف برای نوشتن کارآمدتر هستند در حالی که قالب‌های مبتنی بر ستون برای خواندن کارآمدتر هستند. اگر داده‌های شما نوشتن-یک بار خواندن-تعدادی است، از ستون-مبتنی استفاده کنید. اگر به بازنویسی منظم نیاز دارد، بر اساس ردیف را انتخاب کنید. + +برای جزئیات بیشتر در مورد مهندسی داده برای یادگیری ماشین، [یادداشت سخنرانی در مورد مهندسی داده برای دوره طراحی سیستم های یادگیری ماشین] (https://docs.google.com/document/d/1b9iuZiDEGVLHyMmnf6w2y1aN6yWQhAyqk3GHlpI9q6M) را بررسی کنید. . \ No newline at end of file diff --git a/Translation/Farsi/contents/7.1-basics.md b/Translation/Farsi/contents/7.1-basics.md new file mode 100644 index 00000000..b7514e38 --- /dev/null +++ b/Translation/Farsi/contents/7.1-basics.md @@ -0,0 +1,30 @@ +### 7.1 مبانی + +1. [E] یادگیری تحت نظارت، بدون نظارت، ضعیف نظارت، نیمه نظارت و فعال را توضیح دهید. +2. به حداقل رساندن ریسک تجربی. + 1. [E] ریسک در به حداقل رساندن تجربی ریسک چیست؟ + 2. [E] چرا تجربی است؟ + 3. [E] چگونه این خطر را به حداقل برسانیم؟ +3. [E] تیغ Occam بیان می کند که وقتی توضیح ساده و توضیح پیچیده هر دو به یک اندازه خوب کار می کنند، توضیح ساده معمولاً صحیح است. چگونه این اصل را در ML اعمال کنیم؟ +4. [E] چه شرایطی باعث شد تا یادگیری عمیق در دهه گذشته محبوبیت پیدا کند؟ +5. [M] اگر یک NN گسترده و یک NN عمیق با تعداد پارامترهای یکسان داشته باشیم، کدام یک گویاتر است و چرا؟ +6. [H] قضیه تقریب جهانی بیان می‌کند که یک شبکه عصبی با 1 لایه پنهان می‌تواند هر تابع پیوسته را برای ورودی‌های یک محدوده خاص تقریبی کند. پس چرا یک شبکه عصبی ساده نمی تواند به یک خطای مثبت دلخواه کوچک برسد؟ +7. [E] نقاط زین و مینیمم های محلی چیست؟ تصور می شود کدامیک برای آموزش NN های بزرگ مشکلات بیشتری ایجاد می کنند؟ +8. فراپارامترها. + 4. [E] تفاوت بین پارامترها و فراپارامترها چیست؟ + 5. [E] چرا تنظیم فراپارامتر مهم است؟ + 6. [M] الگوریتم تنظیم فراپارامترها را توضیح دهید. +9. طبقه بندی در مقابل رگرسیون. + 7. [E] چه چیزی یک مسئله طبقه بندی را با یک مشکل رگرسیونی متفاوت می کند؟ + 8. [E] آیا می توان یک مسئله طبقه بندی را به یک مسئله رگرسیونی تبدیل کرد و بالعکس؟ +10. روش های پارامتریک در مقابل ناپارامتریک. + 9. [E] تفاوت بین روش های پارامتری و روش های ناپارامتریک چیست؟ از هر روش یک مثال بزنید. + 10. [H] چه زمانی باید از یکی و چه زمانی از دیگری استفاده کنیم؟ +11. [M] چرا مجموعه مدل‌های آموزش‌دیده مستقل عموماً عملکرد را بهبود می‌بخشد؟ +12. [M] چرا منظم‌سازی L1 به پراکندگی منجر می‌شود در حالی که منظم‌سازی L2 وزن‌ها را به 0 نزدیک‌تر می‌کند؟ +13. [E] چرا عملکرد یک مدل ML در تولید کاهش می یابد؟ +14. [M] هنگام استقرار مدل های بزرگ یادگیری ماشینی ممکن است با چه مشکلاتی مواجه شویم؟ +15. مدل شما در مجموعه تست عملکرد بسیار خوبی دارد اما در تولید ضعیف است. + 11. [م] فرضیه های شما در مورد علل چیست؟ + 12. [H] چگونه صحت فرضیه های خود را تأیید می کنید؟ + 13. [M] تصور کنید فرضیه های شما در مورد علل درست است. برای رسیدگی به آنها چه می کنید؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/7.2-sampling-and-creating-training-data.md b/Translation/Farsi/contents/7.2-sampling-and-creating-training-data.md new file mode 100644 index 00000000..20b11374 --- /dev/null +++ b/Translation/Farsi/contents/7.2-sampling-and-creating-training-data.md @@ -0,0 +1,57 @@ +### 7.2 نمونه برداری و ایجاد داده های آموزشی + +1. [E] اگر 6 پیراهن و 4 جفت شلوار دارید، چند راه برای انتخاب 2 پیراهن و 1 جفت شلوار وجود دارد؟ +2. [M] تفاوت بین نمونه برداری با بدون جایگزینی چیست؟ مثالی را نام ببرید که چه زمانی از یکی به جای دیگری استفاده می کنید؟ +3. [M] نمونه برداری از زنجیره مارکوف مونت کارلو را توضیح دهید. +4. [M] اگر نیاز به نمونه برداری از داده های با ابعاد بالا داشته باشید، کدام روش نمونه گیری را انتخاب می کنید؟ +5. [H] فرض کنید ما یک کار طبقه بندی با کلاس های زیادی داریم. یک مثال زمانی است که باید کلمه بعدی را در یک جمله پیش بینی کنید -- کلمه بعدی می تواند یکی از بسیاری از کلمات ممکن باشد. اگر بخواهیم احتمالات را برای همه کلاس ها محاسبه کنیم، بسیار گران خواهد بود. در عوض، می‌توانیم احتمالات را برای مجموعه کوچکی از کلاس‌های کاندید محاسبه کنیم. به این روش نمونه گیری کاندید می گویند. برخی از الگوریتم های نمونه گیری نامزد را نام برده و توضیح دهید. + + **نکته**: این [مقاله] عالی (https://www.tensorflow.org/extras/candidate_sampling.pdf) را در مورد نمونه گیری نامزد توسط تیم TensorFlow بررسی کنید. + +6. فرض کنید می خواهید مدلی بسازید تا طبقه بندی کند که آیا نظر Reddit قوانین وب سایت را نقض می کند یا خیر. شما 10 میلیون نظر بدون برچسب از 10 هزار کاربر در 24 ماه گذشته داشته اید و می خواهید 100 هزار مورد از آنها را برچسب گذاری کنید. + 1. [M] چگونه 100 هزار نظر را برای برچسب گذاری نمونه برداری می کنید؟ + 1. [M] فرض کنید 100 هزار نظر برچسب گذاری شده از 20 حاشیه نویس دریافت کرده اید و می خواهید برای تخمین کیفیت برچسب ها به برخی از برچسب ها نگاه کنید. به چند برچسب نگاه می کنید؟ چگونه آنها را نمونه می گیرید؟ + + **نکته**: این [مقاله](https://www.cloudresearch.com/resources/guides/sampling/pros-cons-of-different-sampling-methods/) در مورد روش های مختلف نمونه برداری و موارد استفاده از آنها ممکن است کمک کند . + +7. [M] فرض کنید برای یک سایت خبری کار می کنید که از نظر تاریخی فقط 1٪ از تمام مقالات خود را ترجمه کرده است. همکار شما استدلال می کند که ما باید مقالات بیشتری را به چینی ترجمه کنیم زیرا ترجمه ها به خوانندگان کمک می کند. به طور متوسط، مقالات ترجمه شده شما دو برابر بیشتر از مقالات ترجمه نشده شما بازدید دارند. این استدلال ممکن است چه اشکالی داشته باشد؟ + + **نکته**: به تعصب انتخاب فکر کنید. + +8. [M] چگونه می توان تعیین کرد که آیا دو مجموعه از نمونه ها (به عنوان مثال تقسیم قطار و آزمایش) از یک توزیع می آیند؟ +9. [H] چگونه می دانید که نمونه های کافی برای آموزش مدل ML خود جمع آوری کرده اید؟ +10. [M] چگونه می توان مقادیر پرت را در نمونه داده های خود تعیین کرد؟ با اینا چیکار کنیم؟ +11. تکثیر نمونه + 1. [M] چه زمانی باید نمونه های آموزشی تکراری را حذف کنید؟ چه زمانی نباید؟ + 1. [M] چه اتفاقی می افتد اگر به طور تصادفی هر نقطه داده را در مجموعه قطار یا مجموعه آزمایشی شما کپی کنیم؟ +12. داده های از دست رفته + 1. [H] در مجموعه داده شما، دو متغیر از 20 متغیر بیش از 30 درصد مقادیر گمشده دارند. شما چکار انجام خواهید داد؟ + 1. [M] چگونه ممکن است تکنیک هایی که داده های از دست رفته را مدیریت می کنند سوگیری انتخاب را بدتر کنند؟ چگونه با این تعصب برخورد می کنید؟ +13. [M] چرا تصادفی سازی هنگام طراحی آزمایش ها (طراحی آزمایشی) مهم است؟ +14. عدم تعادل طبقاتی. + 1. [E] عدم تعادل طبقاتی چگونه بر مدل شما تأثیر می گذارد؟ + 1. [E] چرا عملکرد مدل های ML روی داده ها با عدم تعادل کلاس دشوار است؟ + 1. [M] تصور کنید می خواهید مدلی بسازید تا لژیون های پوست را از روی تصاویر تشخیص دهد. در مجموعه داده آموزشی شما، تنها 1٪ از تصاویر شما نشانه هایی از لژیون را نشان می دهد. بعد از آموزش، به نظر می رسد مدل شما منفی های کاذب بسیار بیشتری نسبت به مثبت های کاذب ایجاد می کند. برخی از تکنیک هایی که برای بهبود مدل خود استفاده می کنید چیست؟ +15. نشت داده های آموزشی. + 1. [M] تصور کنید در حال کار با یک کار باینری هستید که در آن کلاس مثبت تنها 1٪ از داده های شما را تشکیل می دهد. شما تصمیم می گیرید که از کلاس کمیاب بیش از حد نمونه برداری کنید و سپس داده های خود را به تقسیم بندی قطار و آزمایش تقسیم کنید. مدل شما در تقسیم تست عملکرد خوبی دارد اما در تولید ضعیف است. چه اتفاقی ممکن است افتاده باشد؟ + 1. [M] شما می خواهید مدلی بسازید تا طبقه بندی کنید که آیا نظر هرزنامه است یا نه. شما مجموعه داده ای متشکل از یک میلیون نظر در مدت 7 روز دارید. شما تصمیم می‌گیرید که به‌طور تصادفی تمام داده‌های خود را به تقسیم‌بندی قطار و آزمایش تقسیم کنید. همکار شما اشاره می کند که این می تواند منجر به نشت اطلاعات شود. چگونه؟ + + **نکته**: شاید بخواهید توضیح دهید که نمونه برداری بیش از حد در اینجا به چه معناست. نمونه برداری بیش از حد می تواند به سادگی تکرار نمونه های کلاس کمیاب باشد. + +16. [M] چگونه پراکندگی داده ها بر مدل های شما تأثیر می گذارد؟ + + **نکته**: داده های پراکنده با داده های از دست رفته متفاوت است. + +17. نشت ویژگی + 26. [E] برخی از دلایل نشت ویژگی چیست؟ + 27. [E] چرا عادی سازی به جلوگیری از نشت ویژگی کمک می کند؟ + 28. [M] چگونه نشت ویژگی را تشخیص می دهید؟ +18. [M] فرض کنید می خواهید مدلی بسازید تا طبقه بندی کند که آیا یک توییت اطلاعات نادرست را منتشر می کند یا خیر. شما در 24 ماه گذشته 100 هزار توییت برچسب دار داشته اید. شما تصمیم می‌گیرید به‌طور تصادفی داده‌های خود را به هم بزنید و 80 درصد را به عنوان تقسیم قطار، 10 درصد را به عنوان تقسیم معتبر و 10 درصد را به عنوان تقسیم آزمایشی انتخاب کنید. مشکل این روش پارتیشن بندی چی میتونه باشه؟ +19. [M] شما در حال ساختن یک شبکه عصبی هستید و می خواهید از هر دو ویژگی عددی و متنی استفاده کنید. چگونه آن ویژگی های مختلف را پردازش می کنید؟ +20. [H] مدل شما در هکتار +20. [H] مدل شما فقط با استفاده از زیرمجموعه ای از ویژگی های موجود در داده های شما، عملکرد نسبتاً خوبی داشته است. رئیس شما تصمیم گرفت که به جای آن از همه ویژگی های موجود استفاده کنید. چه اتفاقی ممکن است برای خطای آموزشی بیفتد؟ چه اتفاقی ممکن است برای خطای تست بیفتد؟ + + **نکته**: به نفرین ابعاد فکر کنید: هرچه از ابعاد بیشتری برای توصیف داده های خود استفاده می کنیم، فضا کم تر می شود و نقاط داده از یکدیگر دورتر می شوند. + +--- +*این کتاب توسط [Chip Huyen](https://huyenchip.com) با کمک دوستان فوق العاده ساخته شده است. برای بازخورد، اشتباهات و پیشنهادات، می‌توانید با نویسنده [اینجا] (https://huyenchip.com/communication/) تماس بگیرید. حق چاپ ©2021 Chip Huyen.* \ No newline at end of file diff --git a/Translation/Farsi/contents/7.3-objective-functions,-metrics,-and-evaluation.md b/Translation/Farsi/contents/7.3-objective-functions,-metrics,-and-evaluation.md new file mode 100644 index 00000000..7283fbfd --- /dev/null +++ b/Translation/Farsi/contents/7.3-objective-functions,-metrics,-and-evaluation.md @@ -0,0 +1,86 @@ +### 7.3 توابع هدف، معیارها و ارزیابی + +1. همگرایی. + 1. [E] وقتی می گوییم یک الگوریتم همگرا می شود، همگرایی به چه معناست؟ + 1. [E] چگونه بفهمیم که یک مدل چه زمانی همگرا شده است؟ +1. [E] منحنی‌های تلفات را برای بیش‌برازندگی و عدم تناسب رسم کنید. +1. مبادله سوگیری-واریانس + 1. [E] مبادله بایاس واریانس چیست؟ + 1. [M] این مبادله چگونه به بیش از حد و کم تناسب مرتبط است؟ + 1. [M] از کجا می دانید که مدل شما واریانس بالا، تعصب کم است؟ در این مورد چه می کنید؟ + 1. [M] چگونه می دانید که مدل شما واریانس کم، سوگیری زیاد است؟ در این مورد چه می کنید؟ +1. اعتبار متقابل. + 1. [E] روش های مختلف برای اعتبارسنجی متقابل را توضیح دهید. + 1. [M] چرا ما اعتبار متقاطع بیشتری را در یادگیری عمیق نمی بینیم؟ +1. آموزش، معتبر، تقسیم آزمون. + 1. [E] چه اشکالی دارد با آموزش و آزمایش یک مدل بر روی داده های مشابه؟ + 1. [E] چرا به یک مجموعه اعتبار سنجی در بالای یک مجموعه قطار و یک مجموعه آزمایشی نیاز داریم؟ + 1. [M] منحنی‌های تلفات مدل شما در قطار، مجموعه‌های معتبر و آزمایشی به این شکل هستند. علت این امر چه می توانست بوده باشد؟ شما چکار انجام خواهید داد؟ + + <مرکز> + منحنی های از دست دادن مشکل ساز + + +1. [E] تیم شما در حال ساختن سیستمی برای کمک به پزشکان در پیش بینی سرطان یا نبودن یک بیمار از اسکن اشعه ایکس است. همکار شما اعلام می کند که اکنون مشکل حل شده است که آنها سیستمی ساخته اند که می تواند با دقت 99.99 درصد پیش بینی کند. چگونه به آن ادعا پاسخ می دهید؟ +1. امتیاز F1. + 1. [E] مزیت F1 نسبت به دقت چیست؟ + 1. [M] آیا همچنان می‌توانیم از F1 برای مشکلی با بیش از دو کلاس استفاده کنیم؟ چگونه؟ +1. با توجه به یک طبقه بندی باینری که خروجی ماتریس سردرگمی زیر است. + <جدول> + + + + + درست پیش بینی شد + + نادرست پیش بینی شده است + + + + واقعی است + + 30 + + 20 + + + + واقعی نادرست + + 5 + + 40 + + + + + 1. [E] دقت مدل، فراخوانی و F1 را محاسبه کنید. + 1. [M] برای بهبود عملکرد مدل چه کاری می توانیم انجام دهیم؟ +1. طبقه بندی را در نظر بگیرید که در آن 99٪ داده ها متعلق به کلاس A و 1٪ از داده ها متعلق به کلاس B هستند. + 1. [M] اگر مدل شما 100% مواقع A را پیش بینی کند، امتیاز F1 چقدر خواهد بود؟ **نکته**: امتیاز F1 زمانی که A به 0 و B به 1 ترسیم می شود با امتیاز F1 زمانی که A به 1 و B به 0 نگاشت می شود متفاوت است. + 1. [M] اگر مدلی داشته باشیم که A و B را به صورت تصادفی (یکنواخت) پیش بینی می کند، F1 مورد انتظار چقدر خواهد بود؟ +1. [M] برای رگرسیون لجستیک، چرا از دست دادن گزارش بیش از MSE (میانگین مربع خطا) توصیه می شود؟ +1. [M] چه زمانی باید از RMSE (ریشه میانگین مربعات خطا) نسبت به MAE (میانگین مطلق خطا) و بالعکس استفاده کنیم؟ +1. [M] نشان دهید که احتمال ورود به سیستم منفی و آنتروپی متقاطع برای کارهای طبقه بندی باینری یکسان است. +1. [M] برای کارهای طبقه‌بندی با بیش از دو برچسب (مانند MNIST با 10 برچسب)، چرا آنتروپی متقابل تابع ضرر بهتری نسبت به MSE است؟ +1. [E] زبانی را با الفبای 27 کاراکتر در نظر بگیرید. حداکثر آنتروپی این زبان چقدر خواهد بود؟ +1. [E] بسیاری از مدل‌های یادگیری ماشینی با هدف تقریبی توزیع‌های احتمالی هستند. فرض کنید P توزیع داده ها و Q توزیعی است که توسط مدل ما آموخته شده است. چگونه می توان اندازه گیری کرد که Q چقدر به P نزدیک است؟ +1. MPE (محتمل ترین توضیح) در مقابل MAP (حداکثر A پسینی) + 1. [E] MPE و MAP چگونه متفاوت هستند؟ + 1. [H] مثالی از زمانی که آنها نتایج متفاوتی را تولید می کنند، بیاورید. +1. [E] فرض کنید می‌خواهید مدلی برای پیش‌بینی قیمت سهام در 8 ساعت آینده بسازید و قیمت پیش‌بینی‌شده هرگز نباید بیش از 10 درصد از قیمت واقعی کاهش یابد. از کدام معیار استفاده می کنید؟ + + **نکته**: MAPE را بررسی کنید. + +--- +> در صورتی که به تجدید آنتروپی اطلاعات نیاز دارید، در اینجا توضیحی بدون هیچ گونه ریاضی وجود دارد. + +> بالاخره والدینت به تو اجازه می دهند حیوان خانگی را به فرزندی قبول کنی! آنها تمام آخر هفته را برای یافتن حیوان خانگی شما را به پناهگاه های حیوانات خانگی مختلف می برند. + +> پناهگاه اول فقط سگ دارد. وقتی پدرت برایت حیوانی را انتخاب می کند، مادرت چشمانت را می پوشاند. برای اینکه بدانید این حیوان یک سگ است نیازی نیست چشمان خود را باز کنید. حدس زدنش سخت نیست + +> پناهگاه دوم هم سگ دارد و هم گربه. دوباره مادرت چشمانت را می پوشاند و پدرت یک حیوان را انتخاب می کند. این بار باید بیشتر فکر کنید تا حدس بزنید کدام حیوان است. شما حدس می زنید که سگ است و پدرتان می گوید نه. پس حدس می زنید که گربه است و حق با شماست. برای اینکه مطمئن شوید چه حیوانی است باید دو حدس بزنید. + +> پناهگاه بعدی بزرگترین پناهگاه از همه آنهاست. آنها انواع مختلفی از حیوانات دارند: سگ، گربه، همستر، ماهی، طوطی، خوک کوچک ناز، خرگوش، موش خرما، جوجه تیغی، مرغ، حتی اژدهای ریشدار عجیب و غریب! باید نزدیک به صد نوع مختلف حیوان خانگی وجود داشته باشد. حالا واقعا برای شما سخت است که حدس بزنید پدرتان کدام یک را برایتان آورده است. برای حدس زدن حیوان مناسب ده ها حدس لازم است. + +> آنتروپی معیاری برای "گسترش" در غواصان است \ No newline at end of file diff --git a/Translation/Farsi/contents/8.1-classical-machine-learning.md b/Translation/Farsi/contents/8.1-classical-machine-learning.md new file mode 100644 index 00000000..84e68991 --- /dev/null +++ b/Translation/Farsi/contents/8.1-classical-machine-learning.md @@ -0,0 +1 @@ +### 8.1 یادگیری ماشین کلاسیک \ No newline at end of file diff --git a/Translation/Farsi/contents/8.1.1-overview b/Translation/Farsi/contents/8.1.1-overview new file mode 100644 index 00000000..e69de29b diff --git a/Translation/Farsi/contents/8.1.2-questions.md b/Translation/Farsi/contents/8.1.2-questions.md new file mode 100644 index 00000000..1dbca8e0 --- /dev/null +++ b/Translation/Farsi/contents/8.1.2-questions.md @@ -0,0 +1,108 @@ +#### 8.1.2 سوالات + +1. [E] مفروضات اساسی برای رگرسیون خطی چیست؟ +2. [E] اگر مقیاس بندی ویژگی را برای رگرسیون لجستیک اعمال نکنیم چه اتفاقی می افتد؟ +3. [E] الگوریتم هایی که هنگام توسعه نمونه اولیه یک مدل تشخیص تقلب استفاده می کنید چیست؟ +4. انتخاب ویژگی. + 1. [E] چرا از انتخاب ویژگی استفاده می کنیم؟ + 2. [M] برخی از الگوریتم‌های انتخاب ویژگی کدامند؟ مزایا و معایب هر کدام. +5. k-به معنای خوشه بندی. + 1. [E] چگونه مقدار k را انتخاب می کنید؟ + 1. [E] اگر برچسب ها شناخته شده باشند، عملکرد الگوریتم خوشه بندی k-means خود را چگونه ارزیابی می کنید؟ + 1. [M] اگر برچسب‌ها مشخص نباشند چگونه این کار را انجام می‌دهید؟ + 1. [H] با توجه به مجموعه داده زیر، آیا می توانید پیش بینی کنید که خوشه بندی K-means چگونه روی آن کار می کند؟ توضیح. + + <مرکز> + k-means clustering + +6. k-نزدیکترین همسایه طبقه بندی. + 1. [E] چگونه مقدار k را انتخاب می کنید؟ + 1. [E] وقتی مقدار k را کم یا زیاد می کنید چه اتفاقی می افتد؟ + 1. [M] چگونه مقدار k بر بایاس و واریانس تأثیر می گذارد؟ +7. k-means و GMM هر دو الگوریتم های خوشه بندی قدرتمندی هستند. + 1. [M] این دو را مقایسه کنید. + 1. [M] چه زمانی یکی را بر دیگری انتخاب می کنید؟ + + **نکته**: در اینجا نمونه ای از نحوه عملکرد الگوریتم های K-means و GMM در مجموعه داده های مصنوعی ماوس آورده شده است. + + <مرکز> + k-means خوشه بندی در مقابل مدل مخلوط گاوسی
+ تصویر از دوره آموزشی محمد قسانی در یادگیری ماشین + +8. کیسه کشی و بوستینگ دو روش محبوب ترکیبی هستند. جنگل تصادفی یک نمونه کیسه ای است در حالی که XGBoost یک مثال تقویت کننده است. + 1. [M] برخی از تفاوت های اساسی بین الگوریتم های بسته بندی و تقویت چیست؟ + 1. [M] چگونه در یادگیری عمیق استفاده می شود؟ +9. با توجه به این نمودار جهت دار. + <مرکز> + Adjacency matrix
+ + 1. [E] ماتریس مجاورت آن را بسازید. + 1. [E] اگر نمودار اکنون بدون جهت باشد، این ماتریس چگونه تغییر می کند؟ + 1. [M] در مورد ماتریس مجاورت دو گراف هم شکل چه می توانید بگویید؟ +10. تصور کنید ما یک سیستم فیلتر اشتراکی کاربر-محصول بسازیم تا به هر کاربر اقلامی شبیه به اقلامی که قبلاً خریده است توصیه کنیم. + 1. [M] شما می توانید یک ماتریس کاربر-مورد یا یک ماتریس آیتم-آیتم بسازید. مزایا و معایب هر رویکرد چیست؟ + 1. [E] با کاربر جدیدی که در گذشته خریدی انجام نداده است چگونه رفتار می کنید؟ +11. [E] آیا مقیاس بندی ویژگی برای متدهای هسته ضروری است؟ +12. طبقه بندی کننده ساده لوح بیز. + 19. [E] طبقه بندی کننده Naive Bayes چگونه ساده است؟ + 20. [M] بیایید سعی کنیم یک طبقه‌بندی کننده ساده‌لوح بیز بسازیم تا طبقه‌بندی کنیم که آیا یک توییت دارای احساسات مثبت یا منفی است. ما چهار نمونه آموزشی داریم: + + <جدول> + + + توئیت + + برچسب + + + + این من را خیلی ناراحت می کند + + منفی + + + + این توله سگ مرا خوشحال می کند + + مثبت + + + + به این همستر شاد نگاه کنید + + مثبت + + + + همستر در خانه من مجاز نیست + + منفی + + + + + با توجه به طبقه بندی کننده شما، جمله "همستر از توله سگ ناراحت است" چیست؟ + +13. دو الگوریتم محبوب برای برنده شدن راه حل های Kaggle Light GBM و XGBoost هستند. آنها هر دو الگوریتم های تقویت کننده گرادیان هستند. + 1. [E] تقویت گرادیان چیست؟ + 1. [M] تقویت گرادیان برای چه مشکلاتی خوب است؟ +14. SVM. + 1. [E] جداسازی خطی چیست؟ چرا وقتی از SVM استفاده می کنیم مطلوب است؟ + 1. [M] وانیلی SVM چقدر روی این مجموعه داده کار می کند؟ + + <مرکز> + Adjacency matrix
+ + + 1. [M] وانیلی SVM چقدر روی این مجموعه داده کار می کند؟ + + <مرکز> + Adjacency matrix
+ + + 1. [M] وانیلی SVM چقدر روی این مجموعه داده کار می کند؟ + <مرکز> + Adjacency matrix
+ + +*این کتاب توسط [Chip Huyen](https://huyenchip.com) با کمک دوستان فوق العاده ساخته شده است. برای بازخورد، اشتباهات و پیشنهادات، می‌توانید با نویسنده [اینجا] (https://huyenchip.com/communication/) تماس بگیرید. حق چاپ ©2021 Chip Huyen.* \ No newline at end of file diff --git a/Translation/Farsi/contents/8.2-deep-learning-architectures-and-applications.md b/Translation/Farsi/contents/8.2-deep-learning-architectures-and-applications.md new file mode 100644 index 00000000..ae4015b6 --- /dev/null +++ b/Translation/Farsi/contents/8.2-deep-learning-architectures-and-applications.md @@ -0,0 +1,9 @@ +### 8.2 معماری ها و برنامه های کاربردی یادگیری عمیق + +سه زیر شاخه اصلی در یادگیری ماشینی وجود دارد: پردازش گفتار و زبان طبیعی (NLP)، بینایی کامپیوتر و یادگیری تقویتی. NLP با موفقیت در هوش تجاری، دستیار صوتی، ترجمه ماشینی، تکمیل خودکار و تصحیح خودکار، خدمات مشتری خودکار و غیره استفاده شده است. + +بینایی کامپیوتری فناوری اصلی در خودروهای خودران، امنیت (دوربین های نظارتی، تشخیص چهره)، تولید عکس/فیلم (که به طرز وحشتناکی خوب هستند) و سایر خدمات سرگرمی مانند ویرایش عکس، فیلترهای عکس، تعویض چهره است. + +به کارگیری یادگیری تقویتی دشوارتر است زیرا محیط دنیای واقعی بسیار پیچیده تر از شبیه سازی است، اما ما شاهد استفاده از RL در بهینه سازی مناقصه تبلیغاتی، وسایل نقلیه هوایی بدون سرنشین (مانند هواپیماهای بدون سرنشین) و برنامه های رباتیک مختلف مانند انبار بوده ایم. و روبات های تولیدی + +یک شرکت یا یک تیم ممکن است روی یک زیر شاخه تمرکز کند. به عنوان مثال، تیم سیری در اپل ممکن است بر درک گفتار و زبان طبیعی تمرکز کند و تیم خلبان خودکار در تسلا ممکن است بیشتر به بینایی کامپیوتری علاقه داشته باشد. با این حال، تکنیک‌های یک زیرشاخه را می‌توان برای دیگری استفاده کرد و وظایفی وجود دارند که اجزایی از زیرفیلدهای مختلف دارند. بدون شک داشتن یک متخصص در سطح جهانی در زیر شاخه خود ارزشمند است، اما برای رسیدن به آن، ممکن است نیاز به دانش در زمینه های فرعی دیگر داشته باشید. \ No newline at end of file diff --git a/Translation/Farsi/contents/8.2.1-natural-language-processing.md b/Translation/Farsi/contents/8.2.1-natural-language-processing.md new file mode 100644 index 00000000..dc80b71c --- /dev/null +++ b/Translation/Farsi/contents/8.2.1-natural-language-processing.md @@ -0,0 +1,30 @@ +#### 8.2.1 پردازش زبان طبیعی + +1. RNN ها + 1. [E] انگیزه RNN چیست؟ + 1. [E] انگیزه LSTM چیست؟ + 1. [M] چگونه ترک تحصیل را در RNN انجام می دهید؟ +2. [E] تخمین چگالی چیست؟ چرا می گوییم یک مدل زبان تخمینگر چگالی است؟ +3. [M] مدل های زبان اغلب به عنوان یادگیری بدون نظارت نامیده می شوند، اما برخی می گویند مکانیسم آن با یادگیری نظارت شده تفاوت چندانی ندارد. نظر شما چیست؟ +4. جاسازی کلمات. + 1. [M] چرا به جاسازی کلمات نیاز داریم؟ + 1. [M] تفاوت بین جاسازی کلمات مبتنی بر شمارش و پیش‌بینی چیست؟ + 1. [H] بیشتر الگوریتم‌های جاسازی کلمه بر این فرض استوارند که کلماتی که در زمینه‌های مشابه ظاهر می‌شوند معانی مشابهی دارند. برخی از مشکلات جاسازی کلمات مبتنی بر زمینه چیست؟ +5. با توجه به 5 سند: +D1: اردک عاشق خوردن کرم است +D2: کرم از پرنده اولیه خوشش نمی آید +D3: پرنده دوست دارد زود بیدار شود تا کرم را بگیرد +D4: پرنده کرم را از اردک اولیه می گیرد +D5: اردک و پرندگان بسیار متفاوت از یکدیگر هستند، اما یک چیز مشترک آنها این است که هر دو به کرم مبتلا می شوند. + 1. [M] با توجه به پرسش Q: "پرنده اولیه کرم را دریافت می کند"، دو سند دارای رتبه برتر را بر اساس رتبه TF/IDF با استفاده از معیار تشابه کسینوس و عبارت مجموعه {bird, duck, worm, زودرس بیابید. ، دریافت ، عشق }. آیا اسناد دارای رتبه برتر مربوط به پرس و جو هستند؟ + 1. [M] فرض کنید که سند D5 بیشتر در مورد اردک و پرنده توضیح می دهد و به جای یک بار، سه بار از "پرنده" نام می برد. رتبه D5 چه می شود؟ آیا این تغییر در رتبه بندی D5 ویژگی مطلوب TF/IDF است؟ چرا؟ +6. [E] مشتری شما از شما می خواهد که یک مدل زبان را بر روی مجموعه داده خود آموزش دهید، اما مجموعه داده آنها بسیار کوچک است و تنها حدود 10000 توکن دارد. آیا از مدل زبان n-gram یا عصبی استفاده می کنید؟ +7. [E] برای مدل‌های زبان n-gram، آیا افزایش طول متن (n) عملکرد مدل را بهبود می‌بخشد؟ چرا و چرا نه؟ +8. [M] هنگام استفاده از softmax به عنوان آخرین لایه برای مدل‌های زبان سطح کلمه چه مشکلاتی ممکن است مواجه شویم؟ ما چگونه این را درست کنیم؟ +9. [E] فاصله لونشتاین دو کلمه "دکتر" و "بطری" چقدر است؟ +10. [M] BLEU یک معیار محبوب برای ترجمه ماشینی است. مزایا و معایب BLEU چیست؟ +11. [H] در همان مجموعه آزمایشی، مدل A LM دارای آنتروپی در سطح کاراکتر 2 است در حالی که LM مدل A دارای آنتروپی در سطح کلمه 6 است. کدام مدل را برای استقرار انتخاب می کنید؟ +12. [M] تصور کنید باید یک مدل NER را بر روی مجموعه متن A آموزش دهید. +13. [M] چرا حذف کلمات توقف گاهی به مدل تحلیل احساسات آسیب می رساند؟ +14. [M] بسیاری از مدل ها از جاسازی موقعیت نسبی به جای جاسازی موقعیت مطلق استفاده می کنند. چرا اینطور است؟ +15. [H] برخی از مدل‌های NLP از وزن‌های یکسانی برای لایه جاسازی و لایه درست قبل از softmax استفاده می‌کنند. هدف از این کار چیست؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/8.2.2-computer-vision.md b/Translation/Farsi/contents/8.2.2-computer-vision.md new file mode 100644 index 00000000..fa41083f --- /dev/null +++ b/Translation/Farsi/contents/8.2.2-computer-vision.md @@ -0,0 +1,24 @@ +#### 8.2.2 بینایی کامپیوتر + +1. [M[ برای شبکه‌های عصبی که با تصاویری مانند VGG-19، InceptionNet کار می‌کنند، اغلب تصویری از نوع ویژگی‌هایی که هر فیلتر ثبت می‌کند، مشاهده می‌کنید. این تجسم ها چگونه ایجاد می شوند؟ + + **نکته**: این پست Distill را در [Feature Visualization] (https://distill.pub/2017/feature-visualization/) بررسی کنید. +1. اندازه فیلتر. + 1. [M] وقتی اندازه فیلتر آن را کاهش یا افزایش می‌دهید، دقت و کارایی محاسباتی مدل شما چگونه تحت‌تاثیر قرار می‌گیرد؟ + 1. [E] چگونه اندازه فیلتر ایده آل را انتخاب می کنید؟ +1. [M] لایه های کانولوشن به عنوان "محلی متصل" نیز شناخته می شوند. معنی آن را توضیح دهید. +1. [M] وقتی از CNN برای داده های متنی استفاده می کنیم، تعداد کانال ها برای اولین لایه تبدیل چقدر خواهد بود؟ +1. [E] نقش بالشتک صفر چیست؟ +1. [E] چرا ما به نمونه برداری نیاز داریم؟ چگونه انجامش بدهیم؟ +1. [M] یک لایه کانولوشنال 1x1 چه می کند؟ +1. ادغام. + 1. [E] وقتی از max-pooling به جای میانگین pooling استفاده می کنید چه اتفاقی می افتد؟ + 1. [E] چه زمانی باید از یکی به جای دیگری استفاده کنیم؟ + 1. [E] چه اتفاقی می‌افتد وقتی جمع‌آوری به طور کامل حذف شود؟ + 1. [M] چه اتفاقی می‌افتد اگر لایه 2 x 2 max pool را با لایه conv از گام 2 جایگزین کنیم؟ +1. [M] هنگامی که یک لایه کانولوشن معمولی را با یک لایه کانولوشن قابل جداسازی در عمق جایگزین می کنیم، تعداد پارامترها می تواند کاهش یابد. چگونه این اتفاق می افتد؟ برای روشن شدن این موضوع یک مثال بزنید. +1. [M] آیا می توانید از یک مدل پایه آموزش داده شده در ImageNet (اندازه تصویر 256 در 256) برای طبقه بندی اشیاء در تصاویر با اندازه 320 x 360 استفاده کنید؟ چگونه؟ +1. [H] چگونه می توان یک لایه کاملا متصل را به یک لایه کانولوشن تبدیل کرد؟ +1. [H] مزایا و معایب کانولوشن مبتنی بر FFT و کانولوشن مبتنی بر وینوگراد. + + **نکته**: [Read Fast Algorithms for Convolutional Neural Networks](https://arxiv.org/pdf/1509.09308.pdf) (اندرو لاوین و اسکات گری، 2015) \ No newline at end of file diff --git a/Translation/Farsi/contents/8.2.3-reinforcement-learning.md b/Translation/Farsi/contents/8.2.3-reinforcement-learning.md new file mode 100644 index 00000000..4f2fd522 --- /dev/null +++ b/Translation/Farsi/contents/8.2.3-reinforcement-learning.md @@ -0,0 +1,24 @@ +#### 8.2.3 یادگیری تقویتی + +> 🌳 **نکته** 🌳
+برای تازه کردن دانش خود در مورد RL عمیق، [Spinning Up in Deep RL] (https://spinningup.openai.com/en/latest/) را بررسی کنید (OpenAI) + + +28. [E] معاوضه اکتشاف و بهره برداری را با مثال توضیح دهید. +29. [E] چگونه یک افق متناهی یا نامتناهی بر الگوریتم های ما تأثیر می گذارد؟ +30. [E] چرا به عبارت تخفیف برای توابع هدف نیاز داریم؟ +31. [E] دایره های خالی را با استفاده از الگوریتم minimax پر کنید. + +<مرکز> +الگوریتم Minimax + + +32. [M] مقادیر آلفا و بتا را با عبور از درخت مینیمکس از چپ به راست پر کنید. + + <مرکز> +alpha-beta pruning + + +33. [E] با توجه به یک سیاست، تابع پاداش را استخراج کنید. +34. [M] جوانب مثبت و منفی سیاست داخلی در مقابل خارج از سیاست. +35. [M] تفاوت بین مدل مبتنی بر و بدون مدل چیست؟ کدام یک از نظر داده کارآمدتر است؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/8.2.4-other.md b/Translation/Farsi/contents/8.2.4-other.md new file mode 100644 index 00000000..aae13346 --- /dev/null +++ b/Translation/Farsi/contents/8.2.4-other.md @@ -0,0 +1,18 @@ +#### 8.2.4 سایر + +36. [M] رمزگذار خودکار یک شبکه عصبی است که یاد می گیرد ورودی خود را در خروجی خود کپی کند. چه زمانی این مفید خواهد بود؟ +37. توجه به خود. + 15. [E] انگیزه برای توجه به خود چیست؟ + 16. [E] چرا معماری توجه به خود را به جای RNN یا CNN انتخاب می کنید؟ + 17. [M] چرا به جای توجه فقط به یک سر نیاز به توجه چند سر دارید؟ + 18. [M] چگونه تغییر تعداد سرها در توجه چند سر بر عملکرد مدل تأثیر می گذارد؟ +38. انتقال یادگیری + 19. [E] شما می خواهید یک طبقه بندی برای پیش بینی احساسات در توییت ها بسازید اما داده های برچسب گذاری شده بسیار کمی دارید (مثلا 1000). چه کار میکنی؟ + 20. [M] یخ زدایی تدریجی چیست؟ چگونه ممکن است به انتقال یادگیری کمک کند؟ +39. روش های بیزی. + 21. [M] روش های بیزی چه تفاوتی با رویکرد یادگیری عمیق جریان اصلی دارد؟ + 22. [M] مزایا و معایب شبکه های عصبی بیزی در مقایسه با شبکه های عصبی اصلی چگونه است؟ + 23. [M] چرا می گوییم که شبکه های عصبی بیزی مجموعه های طبیعی هستند؟ +40. GANs. + 24. [E] GAN ها به چه چیزی همگرا می شوند؟ + 25. [M] چرا آموزش GAN ها بسیار سخت است؟ \ No newline at end of file diff --git a/Translation/Farsi/contents/8.3-training-neural-networks.md b/Translation/Farsi/contents/8.3-training-neural-networks.md new file mode 100644 index 00000000..4817627a --- /dev/null +++ b/Translation/Farsi/contents/8.3-training-neural-networks.md @@ -0,0 +1,68 @@ +### 8.3 آموزش شبکه های عصبی + +> 🌳 **نکته** 🌳
+برای نکات بیشتر در مورد آموزش شبکه های عصبی، بررسی کنید: +- [یک دستور العمل برای آموزش شبکه های عصبی] (http://karpathy.github.io/2019/04/25/recipe/) (Karpathy 2019) +- [NLP's Clever Hans Moment has Arrived] (https://thegradient.pub/nlps-clever-hans-moment-has-arrived/) (Heinzerling 2019): نوشته ای عالی در تلاش برای درک آنچه شبکه عصبی شما دقیقاً می آموزد، و تکنیک هایی برای اطمینان از اینکه مدل شما به درستی با داده های متنی کار می کند. +- [مروری بر الگوریتم‌های بهینه‌سازی گرادیان نزول](http://ruder.io/optimizing-gradient-descent/index.html) (Ruder 2016) + +41. [E] هنگام ساختن یک شبکه عصبی، آیا باید ابتدا آن را بیش از حد نصب کرد یا کمتر؟ +42. [E] بروزرسانی گرادیان وانیلی را بنویسید. +43. شبکه عصبی در Numpy ساده. + 26. [E] گذر رو به جلو و عقب را برای یک شبکه عصبی پیشروی دولایه با یک لایه ReLU در بین آن به صورت NumPy بنویسید. + 27. [M] برای پاس رو به جلو و عقب در NumPy حذف وانیلی را اجرا کنید. +44. توابع فعال سازی. + 28. [E] نمودارهای سیگموئید، tanh، ReLU، و ReLU نشتی را رسم کنید. + 29. [E] جوانب مثبت و منفی هر تابع فعال سازی. + 30. [E] آیا ReLU قابل تمایز است؟ وقتی قابل تمایز نیست چه باید کرد؟ + 31. [M] مشتقات تابع سیگموید $$\sigma(x)$$ را زمانی که $$x$$ یک بردار است استخراج کنید. +45. [E] انگیزه رد شدن از اتصال در کارهای عصبی چیست؟ +46. ناپدید شدن و انفجار شیب. + 32. [E] چگونه می دانیم که گرادیان ها در حال انفجار هستند؟ چگونه از آن جلوگیری کنیم؟ + 33. [E] چرا RNN ها به ویژه در برابر ناپدید شدن و انفجار شیب حساس هستند؟ +47. [M] نرمال سازی وزن، هنجار بردار وزن را از گرادیان آن جدا می کند. چگونه به آموزش کمک می کند؟ +48. [M] هنگام آموزش یک شبکه عصبی بزرگ، مثلاً یک مدل زبان با یک میلیارد پارامتر، مدل خود را بر اساس مجموعه اعتبارسنجی در پایان هر دوره ارزیابی می کنید. متوجه می شوید که تلفات اعتبارسنجی شما اغلب کمتر از ضرر قطار شما است. چه اتفاقی ممکن است رخ دهد؟ +49. [E] از چه معیارهایی برای توقف زودهنگام استفاده می کنید؟ +50. [E] نزول گرادیان در مقابل SGD در مقابل مینی دسته ای SGD. +51. [H] آموزش مدل‌های یادگیری عمیق با استفاده از دوره‌ها یک روش معمول است: ما از داده‌ها نمونه‌برداری می‌کنیم **بدون** جایگزین. چرا به جای نمونه برداری از داده ها **با ** جایگزین از دوره ها استفاده کنیم؟ +52. [M] وزن مدل شما در طول تمرین بسیار نوسان می کند. چگونه بر عملکرد مدل شما تأثیر می گذارد؟ در مورد آن چه باید کرد؟ +53. میزان یادگیری. + 34. [E] نمودار تعداد دوره های آموزشی در مقابل خطای آموزش را برای زمانی که نرخ یادگیری است رسم کنید: + 1. خیلی بالا + 2. خیلی کم + 3. قابل قبول + 35. [E] گرم کردن میزان یادگیری چیست؟ چرا ما به اون احتیاج داریم؟ +54. [E] هنجار دسته ای و هنجار لایه را مقایسه کنید. +55. [M] چرا هنجار مربع L2 گاهی اوقات برای منظم کردن شبکه های عصبی به هنجار L2 ترجیح داده می شود؟ +56. [E] برخی از مدل ها از کاهش وزن استفاده می کنند: پس از هر به روز رسانی گرادیان، وزن ها در ضریب کمی کمتر از 1 ضرب می شوند. این برای چه چیزی مفید است؟ +57. کاهش نرخ یادگیری در طول آموزش یک روش معمول است. + 36. [E] انگیزه چیست؟ + 37. [M] چه مواردی ممکن است استثنا باشند؟ +58. اندازه دسته. + 38. [E] وقتی اندازه دسته را به 1 کاهش می دهید، چه اتفاقی برای آموزش مدل شما می افتد؟ + 39. [E] وقتی از کل داده های آموزشی به صورت دسته ای استفاده می کنید چه اتفاقی می افتد؟ + 40. [M] چگونه باید نرخ یادگیری را با افزایش یا کاهش اندازه دسته تنظیم کنیم؟ +59. [M] چرا Adagrad گاهی اوقات در مشکلات با گرادیان های پراکنده مورد علاقه است؟ +60. آدم در مقابل SGD. + 41. [M] در مورد توانایی همگرایی و تعمیم Adam در مقابل SGD چه می توانید بگویید؟ + 42. [M] چه چیز دیگری می توانید در مورد تفاوت بین این دو بهینه ساز بگویید؟ +61. [M] با موازی سازی مدل، می توانید وزن مدل خود را با استفاده از گرادیان های هر ماشین به صورت ناهمزمان یا همزمان به روز کنید. مزایا و معایب SGD ناهمزمان در مقابل SGD سنکرون چیست؟ +62. [M] چرا نباید دو لایه خطی متوالی در یک شبکه عصبی داشته باشیم؟ +63. [M] آیا یک شبکه عصبی تنها با RELU (غیر خطی) می تواند به عنوان یک طبقه بندی خطی عمل کند؟ +64. [M] کوچکترین شبکه عصبی را طراحی کنید که می تواند به عنوان یک دروازه XOR عمل کند. +65. [E] چرا ما فقط تمام وزن ها را در یک شبکه عصبی به صفر مقداردهی نمی کنیم؟ +66. تصادفی. + 43. [M] برخی از منابع تصادفی در یک شبکه عصبی چیست؟ + 44. [M] گاهی اوقات تصادفی بودن هنگام آموزش شبکه های عصبی مطلوب است. چرا اینطور است؟ +67. نورون مرده. + 45. [E] نورون مرده چیست؟ + 46. [E] چگونه آنها را در شبکه عصبی خود تشخیص دهیم؟ + 47. [M] چگونه از آنها جلوگیری کنیم؟ +68. هرس. + 48. [M] هرس یک تکنیک محبوب است که در آن وزن های خاصی از یک شبکه عصبی روی 0 تنظیم می شود. چرا مطلوب است؟ + 49. [M] چگونه انتخاب می کنید که چه چیزی را از شبکه عصبی هرس کنید؟ +69. [H] تحت چه شرایطی امکان بازیابی اطلاعات تمرینی از پست های بازرسی وزن وجود دارد؟ +70. [H] چرا سعی می کنیم به جای آموزش یک مدل کوچک از ابتدا، اندازه یک مدل بزرگ آموزش دیده را از طریق تکنیک هایی مانند تقطیر دانش کاهش دهیم؟ + +--- +*این کتاب \ No newline at end of file diff --git a/Translation/Farsi/contents/a.-for-interviewers.md b/Translation/Farsi/contents/a.-for-interviewers.md new file mode 100644 index 00000000..2067fac4 --- /dev/null +++ b/Translation/Farsi/contents/a.-for-interviewers.md @@ -0,0 +1,16 @@ +## A. برای مصاحبه کنندگان + +کاندیداها از فرآیند استخدام ناامید هستند -- این خارج از کنترل آنها است. اما به نظر می رسد مدیران استخدام نیز از فرآیندهای خود ناامید هستند زیرا نمی توانند یا نمی دانند چگونه آنها را تغییر دهند. هر مدیر استخدامی که با آنها صحبت کرده ام ابراز علاقه کرده اند که این کتاب را بخوانند تا از شرکت های دیگر یاد بگیرند. من امیدوار نیستم با یک کتاب سیستمی را تغییر دهم. فقط امیدوارم داربستی را فراهم کند که بتوانیم گفتگو را روی آن شروع کنیم و شیوه های مصاحبه خوبی را ایجاد کنیم. + +استخدام برای نقش های ML رقابتی است. نامزدهای قوی همیشه گزینه هایی دارند، اما نامزدهای قوی در ML گزینه های بسیار بیشتری دارند. فرآیند استخدام با در نظر گرفتن تجربه کاندیداها به نامزدها تصور بهتری از شرکت شما می دهد و احتمال پذیرش پیشنهاد شما را افزایش می دهد. یک فرآیند بهتر می تواند به شما کمک کند تا نامزدهای مناسب تری جذب کنید، استخدام های بهتری ایجاد کنید، که در زمان شما صرفه جویی می کند. حتی اگر بدون استخدام باشد، باز هم می خواهید وفاداری آنها را به دست آورید. ممکن است بخواهید در آینده با آنها مصاحبه مجدد کنید، آنها ممکن است شما را به شبکه خود توصیه کنند و می توانند مدافع محصولات شما شوند. + +مصاحبه های ML هنوز یک جعبه سیاه هستند. برای حوزه‌ای که با روش‌های کیفی وسواس زیادی دارد، شگفت‌آور است که تحقیقات کیفی کمی در مورد فرآیند استخدام برای نقش‌های ML انجام شده است. تعداد کمی از شرکت ها می توانند با قطعیت ارتباط بین تکنیک های مصاحبه خود و کیفیت استخدام ها را بیان کنند. برخی از چالش ها عبارتند از: + + +1. افرادی که مصاحبه می کنند همان افرادی نیستند که عملکرد را در کار ارزیابی می کنند. +2. هیچ معیار مشخصی برای نتایج مصاحبه و نتایج عملکرد، یا همبستگی بین آنها وجود ندارد[^57]. +3. بدون گروه کنترل. شرکت ها افرادی را که در مصاحبه های خود شکست می خورند استخدام نمی کنند تا عملکرد شغلی خود را با عملکرد افرادی که قبول می شوند مقایسه کنند. + +یک میوه کم آویزان خط لوله شما را روی افراد موجود در سازمان شما آزمایش می کند. ببینید آنها چگونه این فرآیند را دوست دارند و آیا عملکرد آنها در مصاحبه ها با عملکرد آنها در مشاغل مرتبط است یا خیر. دیگری فعالانه بازخورد از نامزدها را درخواست می کند. به جای ارسال لینک های نظرسنجی که هیچ کس روی آن کلیک نمی کند، پس از هر بار در محل، از شخصی که در فرآیند استخدام دخالتی ندارد بخواهید 15 دقیقه با نامزد صحبت کند. اطمینان حاصل کنید که نامزد می داند که بازخورد آنها به هیچ وجه بر تصمیم استخدام تأثیر نمی گذارد. + +اگر قبلاً برنامه آموزشی برای مصاحبه‌گران ندارید، لطفاً برنامه‌ای تنظیم کنید. مصاحبه کنندگان هم دروازه بان و هم چهره سازمان شما هستند. اجازه دادن به استخدام های جدید برای چند مصاحبه کافی نیست. استخدام‌های جدید هیچ ایده‌ای ندارند که چه کار می‌کنند، و شرکت‌ها هیچ راهی برای استانداردسازی بازخورد بین تیم‌ها، مصاحبه‌کنندگان و نامزدها ندارند. \ No newline at end of file diff --git a/Translation/Farsi/contents/appendix.md b/Translation/Farsi/contents/appendix.md new file mode 100644 index 00000000..6e49209b --- /dev/null +++ b/Translation/Farsi/contents/appendix.md @@ -0,0 +1 @@ +# ضمیمه \ No newline at end of file diff --git a/Translation/Farsi/contents/b.-building-your-network.md b/Translation/Farsi/contents/b.-building-your-network.md new file mode 100644 index 00000000..e9ba66e4 --- /dev/null +++ b/Translation/Farsi/contents/b.-building-your-network.md @@ -0,0 +1,29 @@ +## ب. شبکه خود را بسازید + +اگر قبلاً فکر نمی‌کردید که داشتن شبکه اهمیت زیادی دارد، امیدوارم این کتاب نظر شما را تغییر داده باشد. داشتن شبکه مناسب می تواند فرصت های جدیدی را در اختیار شما قرار دهد و شما را به مشاغل رویایی خود نزدیک تر کند. + +بهترین مخاطبین افرادی هستند که با آنها مطالعه یا کار کرده اید. ارزش اصلی حضور در یک مدرسه انتخابی یا پیوستن به یک شرکت انتخابی برای شبکه است. دوستان شما از MIT یا استنفورد ممکن است در نهایت به FAAAM بپیوندند و دوستان شما از FAAAM ممکن است در نهایت شرکت خود را راه اندازی کنند. + +اگر یک شبکه یک ویژگی داخلی آموزش شما نیست، باید تلاش کنید. متوجه شدم، شما از شبکه متنفرید. تابع پاداش برای صحبت با غریبه ها تصادفی است. هر چند وقت یک بار با کسی روبرو می شوید که با او برخورد می کنید. اما بیشتر اوقات، خسته کننده است. من از سال اول تحصیلم در کالج به یک رویداد شبکه نرفته ام. چرا یک شب را در یک رویداد شبکه ای در گوشه ای ایستاده در حالی که می توانید روی مبل خود بنشینید، پیتزا بخورید و میم ها را مرور کنید؟ + +اما نیازی نیست که شبکه‌سازی در مورد ملاقات با غریبه‌های تصادفی و ایجاد ارتباط باشد. این می تواند در مورد یافتن افرادی باشد که در علایق شما مشترک هستند و چیزهای جدیدی از آنها یاد بگیرید. به دنبال افرادی باشید که کارهایی را انجام داده اند که از آنها لذت می برید و سعی کنید در مورد کار آنها بحثی سازنده داشته باشید. + +زمانی که من به تازگی در ML شروع به کار کردم، سعی کردم مقالات را دوباره پیاده سازی کنم. وقتی به چیزی برخوردم که متوجه نشدم یا چیزی که فکر می‌کردم می‌توانست به شکل دیگری انجام شود، به نویسندگان ایمیل فرستادم. اکثر مردم پذیرای بحث در مورد کار خود هستند -- همه می خواهند کارشان محبوب تر باشد. در این فرآیند با افراد زیادی آشنا شدم. + +گاهی اوقات، ارسال ایمیل پشت سر هم مؤثر نیست و از مردم می‌خواهم که برای صرف قهوه یا تماس با یکدیگر ملاقات کنند. آنها گاهی پاسخ نمی دهند یا نه می گویند. من هم چنین پیام هایی دریافت می کنم. تا زمانی که فرستنده ها محترم باشند، پیام هایشان مرا خوشحال می کند (کسی کار من را تایید می کند!) و من سعی می کنم برای آنها وقت بگذارم. اگر پاسخ نمی دهم یا نه می گویم، به این دلیل است که مشغول هستم یا فراموشکار هستم. + +کار خود را منتشر کنید تا علاقه مندان به آن با شما تماس بگیرند. من از انجام پروژه‌های جانبی برای ارضای کنجکاوی خودم لذت می‌برم، اما آنها همچنین کمک می‌کنند تا نامم را در آنجا آشکار کنم. من اغلب ایمیل هایی به این مضمون دریافت می کنم: «تحلیل شما از X واقعا عالی است. آیا فکر می‌کنید روی Y کار می‌کند؟» یا "آیا می توانم از آن در پروژه Z خود استفاده کنم؟" گاهی راه‌هایی برای همکاری با هم پیدا می‌کنیم و گاهی آنها با من دوست می‌شوند. من بیش از یک بار از افرادی که تحسینشان می کنم ایمیل دریافت کرده ام اما جرات تماس با آنها را ندارم. + +اگر به نحوه استفاده از آنها توجه داشته باشید، شبکه های اجتماعی کمک زیادی می کنند. افراد ML به طور شگفت انگیزی در توییتر فعال هستند. من افرادی را دنبال می‌کنم که برای نظراتشان ارزش قائل هستم و وقتی چیزهایی برای مشارکت دارم در گفتگوهای عمومی آنها مشارکت می‌کنم. من چیزی را که عمیقاً به آن اهمیت می‌دهم پست می‌کنم تا فقط افرادی را جذب کنم که در علایق من مشترک هستند. اگر کسی مطلبی را که به نظر من مفید است پست کند یا با تفکر به پست من پاسخ دهد، برای او پیام کوتاهی ارسال می کنم تا از تلاشش تشکر کنم. + +کنفرانس های سطح بالا، مانند NeurIPS، ICLR، ICML، CVPR، ACL، SIGGRAPH نیز برای ملاقات با افراد عالی هستند. ممکن است بسیاری در این مورد با من موافق نباشند، اما من معتقدم که از آنجایی که اکثر کنفرانس‌های سطح بالا سخنرانی‌ها و مقالات خود را به صورت آنلاین منتشر می‌کنند، ارزش اصلی رفتن به یک کنفرانس ملاقات با سایر شرکت‌کنندگان است. شما باید برنامه کنفرانس را بررسی کنید و لیست مقالات پذیرفته شده را از قبل مرور کنید تا ببینید چه کسی می رود و با کسانی که می خواهید ملاقات کنید تماس بگیرید. در طول کنفرانس، سعی کنید تا حد امکان با افراد بیشتری در مورد کار آنها (و همچنین شما) صحبت کنید. + +اگر کار خود را چه در کنفرانس اصلی و چه در یکی از کارگاه ها ارائه دهید، از یک کنفرانس سود بسیار بیشتری خواهید برد. البته استثناهایی وجود دارد، اما به طور کلی، پذیرش مقاله در یک کارگاه آسان تر از کنفرانس اصلی است. کنفرانس‌ها و کارگاه‌های اصلی اغلب برای نویسندگان پذیرفته‌شده‌ای که نیاز به کمک مالی دارند، کمک هزینه سفر دارند. + +ساختن یک شبکه یک فرآیند مادام العمر است، نه چیزی که بتوانید آن را در یک آخر هفته «هک کنید». برای ملاقات با افراد جدید آماده باشید و آنچه را که آنها می دانند و شما نمی دانید را کشف کنید. به کسی نزدیک نشوید زیرا می خواهید با او دوست شوید -- نمی توانید به زور دوستی کنید و این ترسناک است. به کسی نزدیک شوید زیرا چیزی وجود دارد که می خواهید با او صحبت کنید. اگر علاقه متقابل وجود داشته باشد، دوستی به طور طبیعی رخ می دهد. + +وقتی برای جستجوی فرصت‌ها آماده هستید، از آگاه کردن افراد مرتبط در شبکه خود نترسید. اکثر مردم از ارجاع نامزدهای قوی خوشحال هستند. آنها می خواهند با افراد باهوش کار کنند و همچنین در صورت استخدام نامزدهایشان، پاداش ارجاع دریافت می کنند. + +همچنین می توانید برای ارجاع با افراد خارج از شبکه خود تماس بگیرید. من بیش از یک بار نامزدهایی را معرفی کرده ام که با ایمیل سرد به من درخواست معرفی کرده اند. مهندسان معمولاً در قضاوت مهارت‌های فنی افراد بهتر از استخدام‌کنندگان هستند. اگر سیگنال‌هایی که استخدام‌کنندگان به دنبال آن هستند را ندارید، ممکن است شانس بیشتری برای تحت تأثیر قرار دادن سایر مهندسان داشته باشید. + +بهترین استراتژی جستجوی کار، ساختن یک راهبرد غیرممکن است \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-1.-ml-jobs.md b/Translation/Farsi/contents/chapter-1.-ml-jobs.md new file mode 100644 index 00000000..fc927773 --- /dev/null +++ b/Translation/Farsi/contents/chapter-1.-ml-jobs.md @@ -0,0 +1,3 @@ +## فصل 1. مشاغل یادگیری ماشینی + +قبل از شروع سفر برای یافتن شغل، ممکن است بدانید که چه نوع مشاغلی وجود دارد. این مشاغل از شرکتی به شرکت دیگر بر اساس تمرکز، مشخصات مشتری و مرحله آنها بسیار متفاوت است، بنابراین در قسمت دوم این فصل به انواع مختلف شرکت ها خواهیم پرداخت. \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-2.-machine-learning-interview-process.md b/Translation/Farsi/contents/chapter-2.-machine-learning-interview-process.md new file mode 100644 index 00000000..8b1ab025 --- /dev/null +++ b/Translation/Farsi/contents/chapter-2.-machine-learning-interview-process.md @@ -0,0 +1 @@ +# فصل 2. فرآیند مصاحبه یادگیری ماشینی \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-3.-after-an-offer.md b/Translation/Farsi/contents/chapter-3.-after-an-offer.md new file mode 100644 index 00000000..0976f102 --- /dev/null +++ b/Translation/Farsi/contents/chapter-3.-after-an-offer.md @@ -0,0 +1,11 @@ +# فصل 3. پس از یک پیشنهاد + +زندگی پس از رد شدن به پایان نمی رسد. پس از دریافت پیشنهاد نیز تمام نمی شود. ممکن است بخواهید با پیشنهاد خود مذاکره کنید، فرصت های دیگر را در نظر بگیرید، چشم انداز شغلی خود را در شرکت یا پس از ترک در نظر بگیرید. + +فکر کردن به ترک یک شرکت قبل از پیوستن احمقانه به نظر می رسد، اما با 13.2٪، صنعت فناوری بالاترین نرخ گردش مالی را در بین تمام بخش های تجاری دارد. میانگین مدت تصدی در آمازون یک سال و گوگل 1.1 سال[^50] است. ممکن است زودتر از آنچه فکرش را بکنید دوباره نامزد شوید. + +در این فصل، جزئیات پاداش و پیشرفت شغلی را مورد بحث قرار می‌دهیم که ممکن است هنگام بررسی گزینه‌های خود مفید باشد. + +---- +[^50]: + [مشکل واقعی با متخصصان فناوری: گردش مالی بالا](https://www.forbes.com/sites/sap/2020/07/09/how-to-better-meet-your-customer-needs-and-do- خیلی سریعتر/). فوربس، 2020. \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-4.-where-to-start.md b/Translation/Farsi/contents/chapter-4.-where-to-start.md new file mode 100644 index 00000000..cc96b6a4 --- /dev/null +++ b/Translation/Farsi/contents/chapter-4.-where-to-start.md @@ -0,0 +1,9 @@ +# فصل 4. از کجا شروع کنیم + +در دنیای بهتر، ما نباید برای مصاحبه آماده شویم. در دنیای ایده آل، اصلاً نباید مصاحبه وجود داشته باشد. متأسفانه، در دنیای ما، برای اینکه توانایی ما به طور مطلوب ارزیابی شود، باید آماده شویم. + +این آمادگی یک فرآیند مادام العمر است و باید قبل از شروع درخواست برای هر شغلی شروع شود. این شامل ایجاد پورتفولیو، تجربه، مجموعه مهارت ها و شبکه شما است. فقط در صورتی می توانید یک رزومه خوب بنویسید که چیزهای خوبی برای قرار دادن در آن رزومه داشته باشید. + +اگر الان فقط به این فکر می کنید که کار می خواهید، هنوز دیر نشده است. صرف نظر از اینکه اکنون چه شغلی انجام می دهید، به آماده سازی ادامه دهید تا بتوانید بهترین قدم خود را برای جستجوی شغل بعدی خود به کار بگیرید. + +این بخش منابعی را برای تقویت برنامه شما پوشش می دهد. آنها شامل دوره های آنلاین رایگان، کتاب ها، مقالات، ابزارهایی برای آشنایی با آنها و غیره می شوند. سطح آمادگی که می توانید به آن متعهد شوید بستگی به جدول زمانی شما دارد. \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-5.-math.md b/Translation/Farsi/contents/chapter-5.-math.md new file mode 100644 index 00000000..c90a4abc --- /dev/null +++ b/Translation/Farsi/contents/chapter-5.-math.md @@ -0,0 +1,20 @@ +## فصل 5. ریاضی + +اگر وسعت کار ML شما فقط شامل اجرای «keras.fit» یا شبیه‌سازی پیاده‌سازی‌های موجود باشد، احتمالاً به ریاضیات نیاز ندارید. دوره ها و کتاب های زیادی وجود دارد که به شما نوید تسلط بر یادگیری ماشینی را با کم یا بدون ریاضی می دهد. اگر این همان چیزی است که شما به دنبال آن هستید، راحت باشید این فصل را نادیده بگیرید. + + +<مرکز> +ریاضی برای ML + + +با این حال، برخی از پیشینه های ریاضی برای موارد زیر مفید خواهد بود. + +1. معاوضه الگوریتم های مختلف را ارزیابی کنید و آنهایی را انتخاب کنید که برای مشکل شما بهترین کار را دارند +2. اگر در طول آموزش مشکلی پیش آمد، مدل های خود را اشکال زدایی کنید +3. تغییراتی را برای بهبود مدل های خود، چه در عملکرد یا کارایی، انجام دهید، حتی اگر مشکلی پیش نیاید +4. جنبه های خاصی از عملکرد مدل خود را توضیح دهید +5. مدل های جدید ایجاد کنید. + +این بخش شاخه‌های ریاضی زیر را که در ML مهم هستند، پوشش می‌دهد: جبر، احتمال و آمار، کاهش ابعاد، و محاسبه بسیار کم و بهینه‌سازی محدب. این فهرست به دور از جامعیت است. به عنوان مثال، نظریه گراف، منطق، توپولوژی و سایر شاخه های ریاضی اغلب در ML رخ می دهند اما در اینجا گنجانده نشده اند. + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-6.-computer-science.md b/Translation/Farsi/contents/chapter-6.-computer-science.md new file mode 100644 index 00000000..f968ddd9 --- /dev/null +++ b/Translation/Farsi/contents/chapter-6.-computer-science.md @@ -0,0 +1,28 @@ +## فصل 6. علوم کامپیوتر + +برای سوالات کدنویسی بهترین راه برای آماده شدن این است که هر روز کد بنویسید. تسلط بر برنامه نویسی نیاز به تمرین مداوم دارد. + +با این حال، نوع کدنویسی که هر روز انجام می‌دهید با نوع کدنویسی درخواست شده در طول مصاحبه متفاوت است، بنابراین ایده خوبی است که کمی تمرین کنید. قبل از مصاحبه، چند سوال معمولی مهندسی نرم افزار انجام دهید تا خود را وارد حالت کدنویسی تخته سفید و حل مسئله کنید. + +اگر مدتی است آنها را ندیده اید، یک کتاب خوب در مورد الگوریتم ها و ساختارهای داده بردارید و آن را مرور کنید. ما کتاب _Data Structures and Algorithms in Python_ اثر Michael T. Goodrich و کتاب کلاسیک _Introduction to Algorithms_ نوشته توماس کورمن و همکاران را توصیه می کنیم. + +ما همچنین تمرین وب سایت هایی مانند LeetCode، CodeSignal و HackerRank را توصیه می کنیم. آن سایت ها مشکلات را بر اساس سختی رتبه بندی می کنند -- شما باید سعی کنید مشکلات متوسط و سخت را حل کنید. در صورتی که بخواهید راه حل های خود را با راه حل های بهینه تر مقایسه کنید، اکثر آنها راه حل هایی در دسترس دارند[^1]. + +این فصل به سه جنبه اصلی علوم کامپیوتر که در مصاحبه‌های یادگیری ماشینی پوشش داده می‌شوند، می‌پردازد: الگوریتم‌ها، پیچیدگی و تجزیه و تحلیل عددی، و داده‌ها که شامل ساختارهای داده می‌شود. + + +> 🌳 **از چه زبان برنامه نویسی در هنگام مصاحبه استفاده کنیم** 🌳 + +> اگر تنها با یک زبان راحت هستید، از استفاده از آن در طول مصاحبه احساس تردید نکنید. اگر با چندین زبان راحت هستید، قبل از انتخاب زبان ابتدا به سؤال گوش دهید. این نشان می‌دهد که شما درک می‌کنید که زبان‌های مختلف برای اهداف متفاوتی ساخته شده‌اند: زبانی که برای یک کار مناسب است ممکن است برای دیگری مطلوب نباشد. + +> تمام زبان هایی را که می دانید در رزومه خود قرار دهید، اما نیازی به نشان دادن آنها در طول مصاحبه ها ندارید. کارفرمایان ترجیح می‌دهند فردی واقعاً در یک زبان را استخدام کنند - به این معنی که شما می‌توانید یاد بگیرید که در زبان‌های دیگر خوب باشید - تا اینکه فردی متوسط را در چندین زبان استخدام کنید. + +> بر اساس زبانی که انتخاب می‌کنید، مصاحبه‌کنندگان ممکن است استنباط کنند که به چه چیزی علاقه دارید. به عنوان مثال، یک مدیر استخدام به من گفت که اگر نامزدی بخواهد ساختارهای داده را در پایتون پیاده‌سازی کند، می‌داند که این نامزد روی عملکرد تمرکز نمی‌کند. + +> پایتون به زبان واقعی یادگیری ماشین تبدیل شده است -- اکثر فریم ورک ها دارای API پایتون هستند و اکثر پروژه های منبع باز به زبان پایتون نوشته شده اند. دانستن این زبان مفید است و اکثر مصاحبه‌کنندگان احتمالاً از آن انتظار دارند، اما احساس نمی‌کنید که مجبورید از آن در طول مصاحبه استفاده کنید. اگر با زبان دیگری راحت تر هستید، از آن استفاده کنید. نوشتن یک مدل پیچیده به زبان دیگری، مثلاً سوئیفت، بسیار تأثیرگذارتر است و به شما کمک می‌کند که برجسته شوید. + +> همچنین اگر حداقل یک زبان عملکرد محور مانند C++ یا Go را بلد باشید کمک می کند. C++ با پشتیبانی بیشتر محبوبیت بیشتری دارد، اما یادگیری و مدیریت Go آسان‌تر است. از آنجایی که مدل‌های یادگیری ماشینی بیشتر و بیشتر به عنوان برنامه‌های کاربردی وب ارائه می‌شوند، بسیاری از استارت‌آپ‌ها به دنبال مهندسین یادگیری ماشین با مهارت‌های مقدماتی هستند. تسلط به TypeScript یا React یک مزیت بزرگ است. + +---- +[^1]: + زمانی که برای مصاحبه آماده می‌شدم، برخی از سوالات متداول الگوریتم و ساختار داده‌های مصاحبه را تمرین کردم و راه‌حل‌های آن‌ها را به GitHub در آدرس زیر ارائه کردم: https://github.com/chiphuyen/coding-exercises. \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-7.-machine-learning-workflows.md b/Translation/Farsi/contents/chapter-7.-machine-learning-workflows.md new file mode 100644 index 00000000..83a9632d --- /dev/null +++ b/Translation/Farsi/contents/chapter-7.-machine-learning-workflows.md @@ -0,0 +1,3 @@ +## فصل 7. گردش کار یادگیری ماشین + +اگرچه به نظر می رسد یادگیری عمیق تنها چیزی است که افراد جامعه تحقیقاتی در مورد آن صحبت می کنند، اکثر مشکلات دنیای واقعی هنوز با الگوریتم های یادگیری ماشین کلاسیک از جمله k-نزدیک ترین همسایه و XGBoost حل می شوند. در این فصل، ما اصولی را که برای درک الگوریتم‌های یادگیری ماشین ضروری هستند، و همچنین الگوریتم‌های یادگیری غیرعمیق را که ممکن است در مشاغل روزمره و مصاحبه‌های خود مفید بیابید، پوشش خواهیم داد. \ No newline at end of file diff --git a/Translation/Farsi/contents/chapter-8.-machine-learning-algorithms.md b/Translation/Farsi/contents/chapter-8.-machine-learning-algorithms.md new file mode 100644 index 00000000..c9ccfe93 --- /dev/null +++ b/Translation/Farsi/contents/chapter-8.-machine-learning-algorithms.md @@ -0,0 +1,5 @@ +## فصل 8. الگوریتم های یادگیری ماشین + + +> 🌳 **نکته** 🌳
+برای تجدید دانش خود در مورد الگوریتم های مختلف ML، ایده خوبی است که به راه حل های برنده مسابقات اخیر Kaggle نگاه کنید. برای فهرستی از الگوریتم‌های یادگیری ماشین و نحوه استفاده از آن‌ها در راه‌حل‌های برنده در Kaggle، واژه‌نامه علم داده در Kaggle را بررسی کنید. \ No newline at end of file diff --git a/Translation/Farsi/contents/notation.md b/Translation/Farsi/contents/notation.md new file mode 100644 index 00000000..b98818cf --- /dev/null +++ b/Translation/Farsi/contents/notation.md @@ -0,0 +1,7 @@ +### نشانه گذاری + +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ + +* همه بردارهای این کتاب بردارهای ستونی با بعد $$n \times 1$$ هستند که $$n$$ تعداد عناصر آن بردار است. +* برای نمایه نمونه از یک بالانویس استفاده می شود. عنصر $$i^{th}$$ در مجموعه داده با $$x^{(i)}$$ نشان داده می شود. +* یک زیرنویس برای بعد استفاده می شود. $$x_1$$ از ماتریس $$n \times n$$ نشان دهنده ردیف اول آن است. \ No newline at end of file diff --git a/Translation/Farsi/contents/part-i.-overview.md b/Translation/Farsi/contents/part-i.-overview.md new file mode 100644 index 00000000..45fe1ffc --- /dev/null +++ b/Translation/Farsi/contents/part-i.-overview.md @@ -0,0 +1 @@ +# قسمت اول. بررسی اجمالی \ No newline at end of file diff --git a/Translation/Farsi/contents/part-ii.-questions.md b/Translation/Farsi/contents/part-ii.-questions.md new file mode 100644 index 00000000..35f19dd6 --- /dev/null +++ b/Translation/Farsi/contents/part-ii.-questions.md @@ -0,0 +1,16 @@ +## قسمت دوم: سوالات + +این بخش شامل بیش از 200 سوال است که پاسخ های کم و بیش قطعی دارند. این نوع سؤال برای آزمایش درک شما از مفاهیم یادگیری ماشین است. در یک مصاحبه یک ساعته، می توانید 10 تا 15 مورد از آن سوالات را پوشش دهید. من سوالات را بر اساس سه سطح دشواری رتبه بندی می کنم: + + + +* **[E]**asy - اساسی، همه باید بدانند. +* **[M]**edium - افرادی که مفهومی فراتر از تعریف را درک می کنند باید بدانند. +* **[H]**ard - افراد با تجربه باید بدانند. + +برخی از سؤالات دانش، سؤالات مصاحبه بد در نظر گرفته می شوند، به ویژه آنهایی که در مورد تعاریف هستند که به راحتی می توان آنها را جستجو کرد. برای مثال، درخواست از کسی برای توضیح PCA برای ارزیابی حفظ PCA خوب است، نه درک آنها از PCA. با این حال، برخی از سؤالات بد مصاحبه هنوز هم می توانند سؤالات خوبی در هنگام تمرین برای مصاحبه ایجاد کنند، بنابراین من برخی از سؤالات تعریف را برای یادآوری خوانندگان که مفاهیم خاصی مهم هستند، اضافه می کنم. + +تکنیک ها وارد مد می شوند و از مد می افتند، اما چالش های اساسی ثابت می مانند. این کتاب به جای درخواست از نامزدها برای نوشتن معادلات پیچیده برای تکنیک‌های خاص، بر چالش‌هایی تمرکز می‌کند که در وهله اول باعث ایجاد آن تکنیک‌ها شد. بیشتر سؤالات این بخش در مورد این است که چرا چیزی مهم است و چگونه کار می کند. + +> 🌳 **نکته: استراتژی برای سوالات «تعریف» ** 🌳
+وقتی از شما خواسته می شود که یک تکنیک را تعریف یا توضیح دهید، همیشه با انگیزه آن تکنیک شروع کنید. به عنوان مثال، اگر از شما خواسته شود که LSTM را برای شبکه های عصبی مکرر توضیح دهید، ابتدا باید مشکلاتی را که در RNN های معمولی ایجاد می شود و اینکه چگونه LSTM ها آن مشکلات را برطرف می کنند، بیان کنید. \ No newline at end of file diff --git a/Translation/Farsi/contents/the-zen-of-interviews.md b/Translation/Farsi/contents/the-zen-of-interviews.md new file mode 100644 index 00000000..a89c0929 --- /dev/null +++ b/Translation/Farsi/contents/the-zen-of-interviews.md @@ -0,0 +1,12 @@ +## ذن مصاحبه ها + +1. هدف از فرآیند استخدام، استخدام افراد است، نه حذف آنها. +2. سؤالات مصاحبه باید برای هر داوطلب تنظیم شود. شرکت هایی که از نامزدهای مختلف برای یک نقش سؤالات مشابه می پرسند، فرآیند محور هستند، نه افراد محور. +3. سؤالات استاندارد مصاحبه منجر به پاسخ های استاندارد می شود که به نوبه خود منجر به افراد استاندارد می شود. +4. اگر کسب دانش آسان است، ارزش امتحان کردن ندارد. +5. سوالاتی با موانع متعدد بپرسید. پس از دادن راهنمایی به نامزد، سؤال کمی آسان‌تر می‌شود، اما هنوز جا برای نشان دادن مهارت‌های داوطلب وجود دارد. +6. سوالات سخت بپرسید. نامزدهای فوق‌العاده می‌توانند یک راه‌حل ساده را ظرف یک ساعت بنویسند، و هیچ حد بالایی در مورد اینکه یک نامزد چقدر می‌تواند راه‌حل را بهبود بخشد وجود ندارد. پرسیدن سؤالات سخت نشان می دهد که شما به مشکلات سخت فکر می کنید و روی آنها کار می کنید و این باعث جذب افرادی می شود که می خواهند مشکلات سخت را حل کنند. +7. مصاحبه خوب سوالی است که تبدیل به گفتگو می شود. +8. برای استخدام های طولانی مدت، مصاحبه ها باید به جای تکنیک ها، بر تفکر انتقادی و مهارت های حل مسئله تمرکز کنند. تکنیک ها در طول زمان تغییر می کنند، اما تفکر انتقادی و مهارت های حل مسئله همیشه مرتبط خواهند بود. +9. هم زمان مصاحبه کنندگان و هم کاندیداها باید رعایت شود. +10. مصاحبه ها باید شفاف باشد. برای هر مصاحبه، نه تنها ارزیابی نهایی، بلکه فهرست سوالات و پاسخ ها نیز باید ارسال شود. \ No newline at end of file diff --git a/contents/2.5-timeline.md b/contents/2.5-timeline.md index f49bbc52..15775989 100644 --- a/contents/2.5-timeline.md +++ b/contents/2.5-timeline.md @@ -1,9 +1,9 @@ -## 2.5 Timeline +## 2.5 جدول زمانی -Hiring speed varies wildly from company to company. On the long end of the spectrum, Google and DeepMind processes typically take between six weeks and three months. The long process is partly because of their recurring influx of candidates, and partly because they make hiring decisions at the company-level. Every two weeks, the hiring committee at Google meets to look at all the candidates that have passed the interview process and decide on who to hire. If you’ve made it to the hiring committee, your odds look good. +سرعت استخدام از شرکتی به شرکت دیگر بسیار متفاوت است. در انتهای طیف طولانی، فرآیندهای Google و DeepMind معمولاً بین شش هفته تا سه ماه طول می کشد. این روند طولانی تا حدی به دلیل هجوم مکرر نامزدها و تا حدودی به این دلیل است که آنها تصمیمات استخدامی را در سطح شرکت می گیرند. هر دو هفته یک‌بار، کمیته استخدام در گوگل تشکیل جلسه می‌دهد تا همه کاندیداهایی را که مراحل مصاحبه را پشت سر گذاشته‌اند بررسی کند و تصمیم بگیرد چه کسی را استخدام کند. اگر به کمیته استخدام راه یافته اید، شانس شما خوب به نظر می رسد. -On the short end of the spectrum, we have startups and big companies with flat organizational structures. The entire process at a startup can take days if they really want you. Big companies like NVIDIA and Netflix are fast, as they make hiring decisions at the team-level. A team manager can make hiring decisions on the spot. The whole process for my internship at NVIDIA took less than a week. I talked to my manager about converting to full-time in the afternoon and got my offer the next morning. +در انتهای طیف کوتاه، ما استارت‌آپ‌ها و شرکت‌های بزرگ با ساختارهای سازمانی مسطح داریم. اگر آنها واقعاً شما را بخواهند، کل فرآیند در یک استارتاپ ممکن است چند روز طول بکشد. شرکت های بزرگی مانند NVIDIA و Netflix سریع هستند، زیرا در سطح تیم تصمیم گیری برای استخدام می کنند. یک مدیر تیم می تواند در محل تصمیم گیری در مورد استخدام بگیرد. کل فرآیند کارآموزی من در NVIDIA کمتر از یک هفته طول کشید. من با مدیرم در مورد تبدیل شدن به تمام وقت بعد از ظهر صحبت کردم و صبح روز بعد پیشنهادم را دریافت کردم. -The rest of the companies fall somewhere in the middle. The timeline depends a great deal on your availability for interviews, companies’ availability for interviewing spots, how much they want you, and how much they need you. You should ask your recruiter about the expected timeframe if they haven’t told you already, and inform them of any time constraints you have. +بقیه شرکت ها جایی در وسط سقوط می کنند. جدول زمانی بستگی زیادی به در دسترس بودن شما برای مصاحبه ها، در دسترس بودن شرکت ها برای مصاحبه، اینکه چقدر شما را می خواهند و چقدر به شما نیاز دارند بستگی دارد. اگر قبلاً به شما نگفته است، باید از استخدام کننده خود در مورد بازه زمانی مورد انتظار بپرسید و هر گونه محدودیت زمانی را که دارید به آنها اطلاع دهید. -If it’s been at least a week after your interviews and you haven’t heard from your recruiter, it’s okay to send a short and respectful check-in. Let them know that you’re excited about the company and would love to hear any updates as you have to consider other opportunities. \ No newline at end of file +اگر حداقل یک هفته از مصاحبه شما گذشته باشد و از استخدام کننده خود خبری نداشته باشید، اشکالی ندارد که یک بررسی کوتاه و محترمانه ارسال کنید. به آنها بگویید که در مورد شرکت هیجان زده هستید و دوست دارید هر گونه به روز رسانی را بشنوید زیرا باید فرصت های دیگر را در نظر بگیرید. \ No newline at end of file diff --git a/contents/5.1-algebra-and-calculus.md b/contents/5.1-algebra-and-calculus.md index c4cbb05e..218596e3 100644 --- a/contents/5.1-algebra-and-calculus.md +++ b/contents/5.1-algebra-and-calculus.md @@ -1,3 +1,3 @@ -### 5.1 Algebra and (little) calculus +### 5.1 جبر و حساب دیفرانسیل و انتگرال (کم). -_If some characters seem to be missing, it's because MathJax is not loaded correctly. Refreshing the page should fix it._ \ No newline at end of file +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ \ No newline at end of file diff --git a/contents/8.2.1-natural-language-processing.md b/contents/8.2.1-natural-language-processing.md index a3a0f331..dc80b71c 100644 --- a/contents/8.2.1-natural-language-processing.md +++ b/contents/8.2.1-natural-language-processing.md @@ -1,30 +1,30 @@ -#### 8.2.1 Natural language processing +#### 8.2.1 پردازش زبان طبیعی -1. RNNs - 1. [E] What’s the motivation for RNN? - 1. [E] What’s the motivation for LSTM? - 1. [M] How would you do dropouts in an RNN? -2. [E] What’s density estimation? Why do we say a language model is a density estimator? -3. [M] Language models are often referred to as unsupervised learning, but some say its mechanism isn’t that different from supervised learning. What are your thoughts? -4. Word embeddings. - 1. [M] Why do we need word embeddings? - 1. [M] What’s the difference between count-based and prediction-based word embeddings? - 1. [H] Most word embedding algorithms are based on the assumption that words that appear in similar contexts have similar meanings. What are some of the problems with context-based word embeddings? -5. Given 5 documents: - D1: The duck loves to eat the worm - D2: The worm doesn’t like the early bird - D3: The bird loves to get up early to get the worm - D4: The bird gets the worm from the early duck - D5: The duck and the birds are so different from each other but one thing they have in common is that they both get the worm - 1. [M] Given a query Q: “The early bird gets the worm”, find the two top-ranked documents according to the TF/IDF rank using the cosine similarity measure and the term set {bird, duck, worm, early, get, love}. Are the top-ranked documents relevant to the query? - 1. [M] Assume that document D5 goes on to tell more about the duck and the bird and mentions “bird” three times, instead of just once. What happens to the rank of D5? Is this change in the ranking of D5 a desirable property of TF/IDF? Why? -6. [E] Your client wants you to train a language model on their dataset but their dataset is very small with only about 10,000 tokens. Would you use an n-gram or a neural language model? -7. [E] For n-gram language models, does increasing the context length (n) improve the model’s performance? Why or why not? -8. [M] What problems might we encounter when using softmax as the last layer for word-level language models? How do we fix it? -9. [E] What's the Levenshtein distance of the two words “doctor” and “bottle”? -10. [M] BLEU is a popular metric for machine translation. What are the pros and cons of BLEU? -11. [H] On the same test set, LM model A has a character-level entropy of 2 while LM model A has a word-level entropy of 6. Which model would you choose to deploy? -12. [M] Imagine you have to train a NER model on the text corpus A. Would you make A case-sensitive or case-insensitive? -13. [M] Why does removing stop words sometimes hurt a sentiment analysis model? -14. [M] Many models use relative position embedding instead of absolute position embedding. Why is that? -15. [H] Some NLP models use the same weights for both the embedding layer and the layer just before softmax. What’s the purpose of this? \ No newline at end of file +1. RNN ها + 1. [E] انگیزه RNN چیست؟ + 1. [E] انگیزه LSTM چیست؟ + 1. [M] چگونه ترک تحصیل را در RNN انجام می دهید؟ +2. [E] تخمین چگالی چیست؟ چرا می گوییم یک مدل زبان تخمینگر چگالی است؟ +3. [M] مدل های زبان اغلب به عنوان یادگیری بدون نظارت نامیده می شوند، اما برخی می گویند مکانیسم آن با یادگیری نظارت شده تفاوت چندانی ندارد. نظر شما چیست؟ +4. جاسازی کلمات. + 1. [M] چرا به جاسازی کلمات نیاز داریم؟ + 1. [M] تفاوت بین جاسازی کلمات مبتنی بر شمارش و پیش‌بینی چیست؟ + 1. [H] بیشتر الگوریتم‌های جاسازی کلمه بر این فرض استوارند که کلماتی که در زمینه‌های مشابه ظاهر می‌شوند معانی مشابهی دارند. برخی از مشکلات جاسازی کلمات مبتنی بر زمینه چیست؟ +5. با توجه به 5 سند: +D1: اردک عاشق خوردن کرم است +D2: کرم از پرنده اولیه خوشش نمی آید +D3: پرنده دوست دارد زود بیدار شود تا کرم را بگیرد +D4: پرنده کرم را از اردک اولیه می گیرد +D5: اردک و پرندگان بسیار متفاوت از یکدیگر هستند، اما یک چیز مشترک آنها این است که هر دو به کرم مبتلا می شوند. + 1. [M] با توجه به پرسش Q: "پرنده اولیه کرم را دریافت می کند"، دو سند دارای رتبه برتر را بر اساس رتبه TF/IDF با استفاده از معیار تشابه کسینوس و عبارت مجموعه {bird, duck, worm, زودرس بیابید. ، دریافت ، عشق }. آیا اسناد دارای رتبه برتر مربوط به پرس و جو هستند؟ + 1. [M] فرض کنید که سند D5 بیشتر در مورد اردک و پرنده توضیح می دهد و به جای یک بار، سه بار از "پرنده" نام می برد. رتبه D5 چه می شود؟ آیا این تغییر در رتبه بندی D5 ویژگی مطلوب TF/IDF است؟ چرا؟ +6. [E] مشتری شما از شما می خواهد که یک مدل زبان را بر روی مجموعه داده خود آموزش دهید، اما مجموعه داده آنها بسیار کوچک است و تنها حدود 10000 توکن دارد. آیا از مدل زبان n-gram یا عصبی استفاده می کنید؟ +7. [E] برای مدل‌های زبان n-gram، آیا افزایش طول متن (n) عملکرد مدل را بهبود می‌بخشد؟ چرا و چرا نه؟ +8. [M] هنگام استفاده از softmax به عنوان آخرین لایه برای مدل‌های زبان سطح کلمه چه مشکلاتی ممکن است مواجه شویم؟ ما چگونه این را درست کنیم؟ +9. [E] فاصله لونشتاین دو کلمه "دکتر" و "بطری" چقدر است؟ +10. [M] BLEU یک معیار محبوب برای ترجمه ماشینی است. مزایا و معایب BLEU چیست؟ +11. [H] در همان مجموعه آزمایشی، مدل A LM دارای آنتروپی در سطح کاراکتر 2 است در حالی که LM مدل A دارای آنتروپی در سطح کلمه 6 است. کدام مدل را برای استقرار انتخاب می کنید؟ +12. [M] تصور کنید باید یک مدل NER را بر روی مجموعه متن A آموزش دهید. +13. [M] چرا حذف کلمات توقف گاهی به مدل تحلیل احساسات آسیب می رساند؟ +14. [M] بسیاری از مدل ها از جاسازی موقعیت نسبی به جای جاسازی موقعیت مطلق استفاده می کنند. چرا اینطور است؟ +15. [H] برخی از مدل‌های NLP از وزن‌های یکسانی برای لایه جاسازی و لایه درست قبل از softmax استفاده می‌کنند. هدف از این کار چیست؟ \ No newline at end of file diff --git a/contents/a.-for-interviewers.md b/contents/a.-for-interviewers.md index 12c19bb9..bcda4a15 100644 --- a/contents/a.-for-interviewers.md +++ b/contents/a.-for-interviewers.md @@ -1,16 +1,16 @@ -## A. For interviewers +## A. برای مصاحبه کنندگان -Candidates are frustrated with the hiring process -- it's beyond their control. But hiring managers also seem frustrated with their own processes because they can’t or don’t know how to change them. Every hiring manager I’ve talked to expressed interest in reading this book to learn from other companies. I don't hope to change a system with one book. I just hope it provides a scaffold on which we can start the conversation and establish good interviewing practices. +کاندیداها از فرآیند استخدام ناامید هستند -- این خارج از کنترل آنها است. اما به نظر می رسد مدیران استخدام نیز از فرآیندهای خود ناامید هستند زیرا نمی توانند یا نمی دانند چگونه آنها را تغییر دهند. هر مدیر استخدامی که با آنها صحبت کرده ام ابراز علاقه کرده اند که این کتاب را بخوانند تا از شرکت های دیگر یاد بگیرند. من امیدوار نیستم با یک کتاب سیستمی را تغییر دهم. فقط امیدوارم داربستی را فراهم کند که بتوانیم گفتگو را روی آن شروع کنیم و شیوه های مصاحبه خوبی را ایجاد کنیم. -Hiring for ML roles is competitive. Strong candidates always have options, but strong candidates in ML have a lot more options. A hiring process with the candidates’ experience in mind will give candidates a better impression of your company, making them more likely to accept your offer. A better process can help you attract more suitable candidates, make better hires, which saves you time down the line. Even if it’s a no-hire, you still want to win their allegiance. You might want to reinterview them in the future, they might recommend you to their network, and they can become advocates for your products. +استخدام برای نقش های ML رقابتی است. نامزدهای قوی همیشه گزینه هایی دارند، اما نامزدهای قوی در ML گزینه های بسیار بیشتری دارند. فرآیند استخدام با در نظر گرفتن تجربه کاندیداها به نامزدها تصور بهتری از شرکت شما می دهد و احتمال پذیرش پیشنهاد شما را افزایش می دهد. یک فرآیند بهتر می تواند به شما کمک کند تا نامزدهای مناسب تری جذب کنید، استخدام های بهتری ایجاد کنید، که در زمان شما صرفه جویی می کند. حتی اگر بدون استخدام باشد، باز هم می خواهید وفاداری آنها را به دست آورید. ممکن است بخواهید در آینده با آنها مصاحبه مجدد کنید، آنها ممکن است شما را به شبکه خود توصیه کنند و می توانند مدافع محصولات شما شوند. -ML interviews are still a black box. For a field so obsessed with quantitative methodologies, it’s surprising that there has been so little quantitative research done on the hiring process for ML roles. Few companies can state with any certainty the correlation between their interview techniques and the quality of hires. Some of the challenges include: +مصاحبه های ML هنوز یک جعبه سیاه هستند. برای حوزه‌ای که با روش‌های کیفی وسواس زیادی دارد، شگفت‌آور است که تحقیقات کیفی کمی در مورد فرآیند استخدام برای نقش‌های ML انجام شده است. تعداد کمی از شرکت ها می توانند با قطعیت ارتباط بین تکنیک های مصاحبه خود و کیفیت استخدام ها را بیان کنند. برخی از چالش ها عبارتند از: -1. People who interview aren't the same people who evaluate performance on the job. -2. No established metrics for interview outcomes and performance outcomes, or the correlation between them[^57]. -3. No control group. Companies don’t hire people who fail their interviews to compare their job performances to the performances of those who pass. +1. افرادی که مصاحبه می کنند همان افرادی نیستند که عملکرد را در کار ارزیابی می کنند. +2. هیچ معیار مشخصی برای نتایج مصاحبه و نتایج عملکرد، یا همبستگی بین آنها وجود ندارد[^57]. +3. بدون گروه کنترل. شرکت ها افرادی را که در مصاحبه های خود شکست می خورند استخدام نمی کنند تا عملکرد شغلی خود را با عملکرد افرادی که قبول می شوند مقایسه کنند. -A low hanging fruit is testing your pipeline on existing people within your organization. See how they like the process and whether their performances on the interviews correlate with their performances on the jobs. Another is actively soliciting feedback from candidates. Instead of sending out survey links that nobody clicks on, after each onsite, have someone not involved in the hiring process spend 15 minutes talking to the candidate. Make sure the candidate knows that their feedback won’t affect the hiring decision in any way. +یک میوه کم آویزان خط لوله شما را روی افراد موجود در سازمان شما آزمایش می کند. ببینید آنها چگونه این فرآیند را دوست دارند و آیا عملکرد آنها در مصاحبه ها با عملکرد آنها در مشاغل مرتبط است یا خیر. دیگری فعالانه بازخورد از نامزدها را درخواست می کند. به جای ارسال لینک های نظرسنجی که هیچ کس روی آن کلیک نمی کند، پس از هر بار در محل، از شخصی که در فرآیند استخدام دخالتی ندارد بخواهید 15 دقیقه با نامزد صحبت کند. اطمینان حاصل کنید که نامزد می داند که بازخورد آنها به هیچ وجه بر تصمیم استخدام تأثیر نمی گذارد. -If you don’t have a training program for interviewers already, please set up one. Interviewers are both gatekeepers and faces of your organization. Letting new hires shadow for a few interviews isn’t enough. New hires have no idea what they are doing, and companies have no way of standardizing feedback across teams, interviewers, and candidates. +اگر قبلاً برنامه آموزشی برای مصاحبه‌گران ندارید، لطفاً برنامه‌ای تنظیم کنید. مصاحبه کنندگان هم دروازه بان و هم چهره سازمان شما هستند. اجازه دادن به استخدام های جدید برای چند مصاحبه کافی نیست. استخدام‌های جدید هیچ ایده‌ای ندارند که چه کار می‌کنند، و شرکت‌ها هیچ راهی برای استانداردسازی بازخورد بین تیم‌ها، مصاحبه‌کنندگان و نامزدها ندارند. diff --git a/contents/b.-building-your-network.md b/contents/b.-building-your-network.md index d86a6c9e..e9ba66e4 100644 --- a/contents/b.-building-your-network.md +++ b/contents/b.-building-your-network.md @@ -1,29 +1,29 @@ -## B. Building your network +## ب. شبکه خود را بسازید -If you didn’t think that having a network mattered much before, I hope that this book has changed your mind. Having the right network can open you up to new opportunities and bring you closer to your dream jobs. +اگر قبلاً فکر نمی‌کردید که داشتن شبکه اهمیت زیادی دارد، امیدوارم این کتاب نظر شما را تغییر داده باشد. داشتن شبکه مناسب می تواند فرصت های جدیدی را در اختیار شما قرار دهد و شما را به مشاغل رویایی خود نزدیک تر کند. -The best contacts are people you’ve studied or worked with. The main value of attending a selective school or joining a selective company is for the network. Your friends from MIT or Stanford might eventually join FAAAM, and your friends from FAAAM might eventually start their own companies. +بهترین مخاطبین افرادی هستند که با آنها مطالعه یا کار کرده اید. ارزش اصلی حضور در یک مدرسه انتخابی یا پیوستن به یک شرکت انتخابی برای شبکه است. دوستان شما از MIT یا استنفورد ممکن است در نهایت به FAAAM بپیوندند و دوستان شما از FAAAM ممکن است در نهایت شرکت خود را راه اندازی کنند. -If a network isn’t a built-in feature of your education, you’ll have to make an effort. I get it, you hate networking. The reward function for talking to strangers is stochastic. Once in a while, you meet someone you hit it off with. But most of the time, it’s boring. I haven’t been to a networking event since my first year in college. Why spend an evening standing in a corner at a networking event while you can sit on your couch, eating pizza and browsing memes? +اگر یک شبکه یک ویژگی داخلی آموزش شما نیست، باید تلاش کنید. متوجه شدم، شما از شبکه متنفرید. تابع پاداش برای صحبت با غریبه ها تصادفی است. هر چند وقت یک بار با کسی روبرو می شوید که با او برخورد می کنید. اما بیشتر اوقات، خسته کننده است. من از سال اول تحصیلم در کالج به یک رویداد شبکه نرفته ام. چرا یک شب را در یک رویداد شبکه ای در گوشه ای ایستاده در حالی که می توانید روی مبل خود بنشینید، پیتزا بخورید و میم ها را مرور کنید؟ -But networking doesn’t have to be about meeting random strangers and forcing a connection. It can be about finding people who share your interests and learning new things from them. Seek out people who’ve done things that you enjoy, and try to have a constructive discussion about their work. +اما نیازی نیست که شبکه‌سازی در مورد ملاقات با غریبه‌های تصادفی و ایجاد ارتباط باشد. این می تواند در مورد یافتن افرادی باشد که در علایق شما مشترک هستند و چیزهای جدیدی از آنها یاد بگیرید. به دنبال افرادی باشید که کارهایی را انجام داده اند که از آنها لذت می برید و سعی کنید در مورد کار آنها بحثی سازنده داشته باشید. -When I just started out in ML, I tried to reimplement papers. When I came across something I didn’t understand or something I thought could have been done differently, I emailed the authors. Most people are receptive to discussions about their work -- everyone wants their work to be more popular. I got to know a lot of people in the process. +زمانی که من به تازگی در ML شروع به کار کردم، سعی کردم مقالات را دوباره پیاده سازی کنم. وقتی به چیزی برخوردم که متوجه نشدم یا چیزی که فکر می‌کردم می‌توانست به شکل دیگری انجام شود، به نویسندگان ایمیل فرستادم. اکثر مردم پذیرای بحث در مورد کار خود هستند -- همه می خواهند کارشان محبوب تر باشد. در این فرآیند با افراد زیادی آشنا شدم. -Sometimes, back-and-forth emailing isn’t effective and I ask people to meet for coffee or hop on a call. They sometimes don’t respond or say no. I receive messages like that too. As long as the senders are respectful, their messages make me happy (somebody acknowledges my work!) and I try to make time for them. If I don’t respond or say no, it’s because I’m busy or forgetful. +گاهی اوقات، ارسال ایمیل پشت سر هم مؤثر نیست و از مردم می‌خواهم که برای صرف قهوه یا تماس با یکدیگر ملاقات کنند. آنها گاهی پاسخ نمی دهند یا نه می گویند. من هم چنین پیام هایی دریافت می کنم. تا زمانی که فرستنده ها محترم باشند، پیام هایشان مرا خوشحال می کند (کسی کار من را تایید می کند!) و من سعی می کنم برای آنها وقت بگذارم. اگر پاسخ نمی دهم یا نه می گویم، به این دلیل است که مشغول هستم یا فراموشکار هستم. -Publish your work so that people interested in it can reach out to you. I enjoy doing side projects to satisfy my own curiosity, but they also help put my name out there. I often receive emails along the lines of: “Your analysis of X is really cool. Do you think it’d work on Y?” or “Can I use it in my project Z?” Sometimes, we find ways to work together, and sometimes, they become my friends. I’ve more than once received emails from people I admire but have no courage to reach out to. +کار خود را منتشر کنید تا علاقه مندان به آن با شما تماس بگیرند. من از انجام پروژه‌های جانبی برای ارضای کنجکاوی خودم لذت می‌برم، اما آنها همچنین کمک می‌کنند تا نامم را در آنجا آشکار کنم. من اغلب ایمیل هایی به این مضمون دریافت می کنم: «تحلیل شما از X واقعا عالی است. آیا فکر می‌کنید روی Y کار می‌کند؟» یا "آیا می توانم از آن در پروژه Z خود استفاده کنم؟" گاهی راه‌هایی برای همکاری با هم پیدا می‌کنیم و گاهی آنها با من دوست می‌شوند. من بیش از یک بار از افرادی که تحسینشان می کنم ایمیل دریافت کرده ام اما جرات تماس با آنها را ندارم. -Social networks help a lot if you’re mindful of how you use them. ML people are surprisingly active on Twitter. I follow people whose opinions I value and contribute to their public conversations when I have things to contribute. I post what I care deeply about so that I attract only people who share my interests. If someone posts something I find helpful or thoughtfully responds to my post, I send them a short message to thank them for their effort. +اگر به نحوه استفاده از آنها توجه داشته باشید، شبکه های اجتماعی کمک زیادی می کنند. افراد ML به طور شگفت انگیزی در توییتر فعال هستند. من افرادی را دنبال می‌کنم که برای نظراتشان ارزش قائل هستم و وقتی چیزهایی برای مشارکت دارم در گفتگوهای عمومی آنها مشارکت می‌کنم. من چیزی را که عمیقاً به آن اهمیت می‌دهم پست می‌کنم تا فقط افرادی را جذب کنم که در علایق من مشترک هستند. اگر کسی مطلبی را که به نظر من مفید است پست کند یا با تفکر به پست من پاسخ دهد، برای او پیام کوتاهی ارسال می کنم تا از تلاشش تشکر کنم. -Top-tier conferences, such as NeurIPS, ICLR, ICML, CVPR, ACL, SIGGRAPH, are also great for meeting people. Many might disagree with me on this, but I believe that since most top-tier conferences publish their talks and papers online, the main value of going to a conference is to meet other attendees. You should check out the conference schedule and browse the list of accepted papers in advance to see who is going and reach out to those you want to meet. While at the conference, try to talk to as many people as possible about their work (and yours, too). +کنفرانس های سطح بالا، مانند NeurIPS، ICLR، ICML، CVPR، ACL، SIGGRAPH نیز برای ملاقات با افراد عالی هستند. ممکن است بسیاری در این مورد با من موافق نباشند، اما من معتقدم که از آنجایی که اکثر کنفرانس‌های سطح بالا سخنرانی‌ها و مقالات خود را به صورت آنلاین منتشر می‌کنند، ارزش اصلی رفتن به یک کنفرانس ملاقات با سایر شرکت‌کنندگان است. شما باید برنامه کنفرانس را بررسی کنید و لیست مقالات پذیرفته شده را از قبل مرور کنید تا ببینید چه کسی می رود و با کسانی که می خواهید ملاقات کنید تماس بگیرید. در طول کنفرانس، سعی کنید تا حد امکان با افراد بیشتری در مورد کار آنها (و همچنین شما) صحبت کنید. -You’ll make a lot more out of a conference if you present your work, either at the main conference or at one of the workshops. There are, of course, exceptions but in general, it’s easier getting a paper accepted to a workshop than to the main conference. Major conferences and workshops often have travel grants for accepted authors who need financial assistance. +اگر کار خود را چه در کنفرانس اصلی و چه در یکی از کارگاه ها ارائه دهید، از یک کنفرانس سود بسیار بیشتری خواهید برد. البته استثناهایی وجود دارد، اما به طور کلی، پذیرش مقاله در یک کارگاه آسان تر از کنفرانس اصلی است. کنفرانس‌ها و کارگاه‌های اصلی اغلب برای نویسندگان پذیرفته‌شده‌ای که نیاز به کمک مالی دارند، کمک هزینه سفر دارند. -Building a network is a lifelong process, not something that you can “hack” over a weekend. Be open to meeting new people, discovering what they know that you don’t. Don’t approach someone because you want to be friends with them -- you can’t force friendships and it’s borderline creepy. Approach someone because there’s something you want to talk with them about. Friendships will naturally occur if there’s mutual interest. +ساختن یک شبکه یک فرآیند مادام العمر است، نه چیزی که بتوانید آن را در یک آخر هفته «هک کنید». برای ملاقات با افراد جدید آماده باشید و آنچه را که آنها می دانند و شما نمی دانید را کشف کنید. به کسی نزدیک نشوید زیرا می خواهید با او دوست شوید -- نمی توانید به زور دوستی کنید و این ترسناک است. به کسی نزدیک شوید زیرا چیزی وجود دارد که می خواهید با او صحبت کنید. اگر علاقه متقابل وجود داشته باشد، دوستی به طور طبیعی رخ می دهد. -When you’re ready to look for opportunities, don’t be afraid of letting relevant people in your network know. Most people are happy to put in referrals for strong candidates. They want to work with smart people and they also get a referral bonus if their candidates are hired. +وقتی برای جستجوی فرصت‌ها آماده هستید، از آگاه کردن افراد مرتبط در شبکه خود نترسید. اکثر مردم از ارجاع نامزدهای قوی خوشحال هستند. آنها می خواهند با افراد باهوش کار کنند و همچنین در صورت استخدام نامزدهایشان، پاداش ارجاع دریافت می کنند. -You can reach out to people outside your network for referrals too. I’ve more than once referred candidates who cold-emailed me asking for referrals. Engineers are usually better than recruiters at judging someone’s technical skills. If you lack signals that recruiters look for, you might have better luck impressing other engineers. +همچنین می توانید برای ارجاع با افراد خارج از شبکه خود تماس بگیرید. من بیش از یک بار نامزدهایی را معرفی کرده ام که با ایمیل سرد به من درخواست معرفی کرده اند. مهندسان معمولاً در قضاوت مهارت‌های فنی افراد بهتر از استخدام‌کنندگان هستند. اگر سیگنال‌هایی که استخدام‌کنندگان به دنبال آن هستند را ندارید، ممکن است شانس بیشتری برای تحت تأثیر قرار دادن سایر مهندسان داشته باشید. -The best job search strategy is to build an impossible-to-ignore portfolio. Write in-depth technical blog posts or papers, contribute to open-source projects, do hackathons, compete in coding challenges, and most importantly, publish your work so that the world knows what an amazing engineer you are. \ No newline at end of file +بهترین استراتژی جستجوی کار، ساختن یک راهبرد غیرممکن است \ No newline at end of file diff --git a/contents/notation.md b/contents/notation.md index 70cc6f04..b98818cf 100644 --- a/contents/notation.md +++ b/contents/notation.md @@ -1,7 +1,7 @@ -### Notation +### نشانه گذاری -_If some characters seem to be missing, it's because MathJax is not loaded correctly. Refreshing the page should fix it._ +_اگر برخی از کاراکترها گم شده اند، به این دلیل است که MathJax به درستی بارگذاری نشده است. بازخوانی صفحه باید آن را برطرف کند._ -* All vectors in this book are column vectors of dimension $$n \times 1$$, with $$n$$ being the number of elements in that vector. -* A superscript is used for a sample’s index. The $$i^{th}$$ element in the dataset is denoted $$x^{(i)}$$. -* A subscript is used for dimension. $$x_1$$ of an $$n \times n$$ matrix denotes its first row. \ No newline at end of file +* همه بردارهای این کتاب بردارهای ستونی با بعد $$n \times 1$$ هستند که $$n$$ تعداد عناصر آن بردار است. +* برای نمایه نمونه از یک بالانویس استفاده می شود. عنصر $$i^{th}$$ در مجموعه داده با $$x^{(i)}$$ نشان داده می شود. +* یک زیرنویس برای بعد استفاده می شود. $$x_1$$ از ماتریس $$n \times n$$ نشان دهنده ردیف اول آن است. \ No newline at end of file diff --git a/contents/part-i.-overview.md b/contents/part-i.-overview.md index 2fcd60ff..45fe1ffc 100644 --- a/contents/part-i.-overview.md +++ b/contents/part-i.-overview.md @@ -1 +1 @@ -# Part I. Overview +# قسمت اول. بررسی اجمالی \ No newline at end of file