یادداشتهای تانسوری ۲: SVD برای تانسورها و ضرب t
تانسورها بیش از یک SVD دارند و هرکدام چیزی را فدا میکنند. مروری بر تاکر، CP و ضرب t که پایهٔ t-SVD است، همراه با یک پیادهسازی کوتاه با NumPy.
بکاندهای سریع و قابلاتکا را با C#، ASP.NET Core، SQL Server و Redis میسازم و روی روشهای تجزیهٔ تانسوری برای یادگیری از کلانداده پژوهش میکنم. بیش از ده سال مهندسی در محیط عملیاتی پژوهشم را کاربردی نگه میدارد و ریاضیات، مهندسیام را دقیق.
تجزیهٔ CP: جمع جملههای رتبهیک؛ اینجا فقط یک جمله، T ≈ a ∘ b ∘ c.
سال تجربهٔ ساخت سیستمهای بکاند پرترافیک
دانشآموز روی پلتفرم آزمون تطبیقیای که معماریاش را طراحی کردم
کاربر همزمان در اوج آزمون، روی معماری Redis HA که طراحی کردم
معدل کارشناسی ارشد علوم کامپیوتر (حدود ۵٪ برتر)
مهندس ارشد بکاند داتنت هستم و بیش از ده سال تجربه در ساخت سیستمهای پرترافیک با C#، ASP.NET Core، SQL Server، Redis و Docker دارم. میکروسرویسهای .NET 6/8، بهینهسازی SQL Server و یک معماری Redis با دسترسپذیری بالا را برای پلتفرمهای آزمون آنلاینی تحویل دادهام که به حدود ۸۹ هزار دانشآموز خدمت میدهند و در اوج آزمونها ۴۵ تا ۷۰ هزار کاربر همزمان دارند؛ پیش از آن هم روی سیستمهای بانکی و مالی کار میکردم. در نقش رهبر فنی، خودم مستقیم درگیر کارم: بهینهسازی کارایی، کش توزیعشده، عیبیابی در محیط عملیاتی و منتورینگ تیمهای بکاند.
سمت آکادمیک کارم هم به همان اندازه عمیق است. پس از کارشناسی ریاضی کاربردی، کارشناسی ارشد علوم کامپیوتر را در دانشگاه تربیت مدرس گرفتم و در پایاننامهام با عنوان «یادگیری کلانداده با نمایش تانسوری»، tc-SVD، تجزیهای تانسوری بر پایهٔ ضربی مبتنی بر تبدیل کسینوسی، و روشهای یادگیری مبتنی بر آن را توسعه دادم. دستیار آموزشی دروس یادگیری ماشین پیشرفته و دادهکاوی هم بودهام. این دو دنیا همدیگر را تقویت میکنند: پژوهش مهندسیام را دقیقتر میکند و محیط عملیاتی پژوهشم را واقعبین نگه میدارد.
هم در صنعت کار میکنم و هم در دانشگاه: سیستمهای عملیاتیای میسازم که زیر فشار سریع میمانند و روی ریاضیات دادههای بزرگمقیاس پژوهش میکنم.
مهندس ارشد بکاند · بیش از ۱۰ سال
کارشناسی ارشد علوم کامپیوتر · دانشگاه تربیت مدرس
بیش از یک دهه مهندسی در محیط عملیاتی، بر پایهٔ ریاضیات و پژوهش.
NovaTech · تهران (دورکاری)فعلی
پلتفرم آزمون تطبیقی مبتنی بر IRT برای حدود ۸۹ هزار دانشآموز؛ رهبری تیم میکروسرویسهای داتنت.
.NET 6/8 · EF Core · SQL Server · Redis · Docker · Python
مستقل
فروشگاههای آنلاین چندفروشنده، ابزارهای بانکی، سامانههای کسبوکار و محصولات SaaS، ساختهشده روی داتنت.
.NET · ASP.NET Core · EF Core · SQL Server · PostgreSQL · Redis · RabbitMQ · React · React Native
Noraco · استرالیا (قرارداد دورکاری)
خط پردازش تبدیل PDF به LaTeX و برچسبگذاری با LLM برای بانکی با بیش از ۵٬۰۰۰ سؤال آزمون.
FastAPI · React · LaTeX · APIهای LLM
گزینه دو · تهران
دسترسپذیری بالا با Redis Sentinel برای ۴۵ تا ۷۰ هزار کاربر همزمان؛ تأسیس یک تیم علم داده.
.NET 6 · SQL Server · Redis · RabbitMQ · Docker · Serilog
گزینه دو · تهران
گزارشگیری سریعتر و لاگ ساختیافته برای بررسی مشکلات در محیط عملیاتی.
ASP.NET Core · SQL Server · Redis · Serilog
صرافی بانک رفاه
سامانهٔ بکآفیس حوالههای ارزی که جای حسابداری با صفحهگسترده را گرفت.
ASP.NET Core · EF Core · SQL Server · Serilog
امیدان حضور · تهران
پایدارسازی اپلیکیشنهای React و React Native؛ APIهای REST نسخهدار و مستند.
React · React Native · .NET Core · Swagger
Withem
یک شبکهٔ اجتماعی خصوصی برای بازیگران، ساختهشده روی استک داتنت.
دروس یادگیری ماشین پیشرفته و دادهکاوی
دروس یادگیری ماشین و دادهکاوی، در سال ۲۰۱۸ و دوباره در ۲۰۲۰ تا ۲۰۲۱.
دانشگاه تربیت مدرس · تهران
معدل ۱۸٫۸ از ۲۰ (حدود ۵٪ برتر). پایاننامه دربارهٔ نمایش تانسوری برای یادگیری کلانداده.
تجزیهٔ تانسوری · یادگیری ماشین · کلانداده
دانشگاه ارومیه · ارومیه
پایهٔ ریاضیای که هر دو مسیر بر آن بنا شدهاند.
تجزیهٔ تانسوری، t-SVD، ضربهای تانسوری و ماتریسیسازی، در کاربرد برای طبقهبندی و خوشهبندی کلانداده.
خلاصهٔ پایاننامه را بخوانیدآنچه با آن میسازم و آنچه با آن پژوهش میکنم.
APIهای C# و ASP.NET Core، سرویسهای پسزمینه و دسترسی به داده، تنظیمشده برای ترافیک بالا.
مرزهای روشن و طراحیهای تابآوری که در اوج روزهای آزمون سرپا میمانند.
بهینهسازی SQL Server، کش توزیعشده و پیامرسانی، پشت ۴۵ تا ۷۰ هزار کاربر همزمان.
کانتینرها، CI/CD، مشاهدهپذیری و تست، از سطح واحد تا تست بار.
روشهای تانسوری، یادگیری ماشین و دادهکاوی، بهعلاوهٔ هوش مصنوعی کاربردی و نظریهٔ سؤال–پاسخ.
رابطهای کاربری وب و موبایل با React و React Native، و APIهای Python با FastAPI.
دو زبان مادری، و دو زبان دیگر در سطح حرفهای.
سیستمهای عملیاتیای که ساختهام و رهبری کردهام، و پژوهشی که پشتوانهٔ مسیر آکادمیک من است.
انتخاب سؤال مبتنی بر IRT برای سنجش شخصیسازیشده، با فرایندهای نمرهدهی، گزارشگیری و تحلیل که برای پایداری در اوج آزمونها ساخته شدهاند.
معماری Redis Sentinel بههمراه بهینهسازی SQL Server و APIها، که پیش از اوج آزمونها با تست بار Locust محک خورد.
خط پردازش PDF به LaTeX با برچسبهای موضوع، مهارت و سختی که LLM تولید میکند، و یک کنسول React برای کنترل کیفیت و انتشار آنلاین.
شاخصهای زندهٔ بازار و بانکی در یک رابط کاربری، ساختهشده روی میکروسرویسهای .NET Core، پخش زنده با SignalR و کامپوننتهای نمودار قابل استفادهٔ مجدد.
سامانهٔ بکآفیسی که جای حسابداری حوالههای ارزی با صفحهگسترده را گرفت: حوالهها، کارمزدها، ماندههای طرف حسابها و گزارشها، بههمراه ابزاری برای انتقال دادههای قدیمی.
tc-SVD، تجزیهای تانسوری بر پایهٔ ضربی مبتنی بر تبدیل کسینوسی که داده را برای طبقهبندی و خوشهبندی به فضای ویژگی فشردهای میبرد.
tc-SVD و t-SVD در MATLAB، همراه با طبقهبندی و خوشهبندی تانسوری و بهروزرسانی افزایشی، برگرفته از پژوهش کارشناسی ارشدم.
بکاند مدیریت مالی برای حسابها، تراکنشها و وامها، با ساختار Clean Architecture، DDD و CQRS.
نوتبوکهای Mathematica که آزمایشهای مقالههای آنالیز عددی دربارهٔ معادلات انتگرالی، روشهای موجک و طرحهای رونگه–کوتا را بازتولید میکنند.
برنامهنویسی رقابتی و یادگیری ماشین، در رقابت با هزاران شرکتکننده.
از بیش از ۵۰ هزار شرکتکننده
از بیش از ۲٬۰۰۰ شرکتکننده
از بیش از ۵٬۰۰۰ شرکتکننده
یادگیری ماشین
نوشتههایی دربارهٔ روشهای تانسوری، کلانداده و مهندسی بکاند.
تانسورها بیش از یک SVD دارند و هرکدام چیزی را فدا میکنند. مروری بر تاکر، CP و ضرب t که پایهٔ t-SVD است، همراه با یک پیادهسازی کوتاه با NumPy.
پلیر ویدیو رویدادهای پخش، مکث، جابهجایی نشانگر و ضربان میفرستد و بعضی از آنها هیچوقت نمیرسند. این یادداشت میگوید چطور این دادههای پرنویز را با .NET 10 و SQL Server به زمان تماشای قابلاتکا برای هر یادگیرنده تبدیل کردم.
سامانههای آزمون هفتهها آراماند و بعد همه با هم میآیند. فیلاوور خودکار با Redis Sentinel، تنظیم StackExchange.Redis، کش بدون هجوم همزمان و تست بار با Locust، از ساختاری که ۴۵٬۰۰۰ تا ۷۰٬۰۰۰ کاربر همزمان را تحمل میکرد.
بیشتر روشهای یادگیری ماشین تصویر و ویدیو را به بردارهای بلند تبدیل میکنند و ساختار داده در این مسیر گم میشود. معرفی سادهای از تانسورها: مُدها، فیبرها، اسلایسها و اینکه چرا حفظ شکل داده ارزشش را دارد.