Penulis: admin

Panduan Pemrograman Bahasa C dari Beej. https://beej.us/guide/bgc/html/split/index.html

Panduan pemrograman C ini lumayan lengkap. Membahas fitur-fitur bahasa C secara detail. Gratis pula!

Belajar deep learning nggak terlalu rumit. Modal dasarnya mengerti matematika SMA, komputer juga nggak harus yang mahal-mahal. Alamat kursusnya: “Practical Deep Learning“

Ada beberapa bahan yang biasa dipakai untuk membuat alat masak, yaitu:

• Stainless steel (baja tahan karat)
• Gelas
• Besi cor
• Teflon
• Aluminium
• Tembaga
• Keramik

Stainless steel kualitasnya sangat baik. Panas dari kompor mudah menyebar merata. Dapat dipakai untuk berbagai macam cara. Tidak lengket jika sudah di’seasoning’. Perawatan mudah. Material dari wajan relatif tidak masuk ke makanan, kecuali chromium yang bisa bereaksi dengan makanan kalau dipakai memasak yang asam.

Wajan besi ada yang menggunakan besi saja, ada yang dilapis enamel. Besi bereaksi jika dipakai memasak makanan yang mengandung asam. Besi dari wajan dapat masuk ke makanan.

Wajan enamel adalah wajan besi yang dilapis dengan enamel.

Gelas bagus, namun mudah pecah. Konduktivitas panas kurang bagus dibandingkan wajan logam.

Tembaga sangat mudah menghantar panas. Kelemahannya adalah tembaga cukup reaktif dengan makanan.

Keramik tidak lengket. Kurang baik untuk panas tinggi. Tidak reaktif. Namun kadang diberi lapisan anti lengket teflon.

Teflon berpotensi melepas mikroplastik ke alam

Aluminium bersifat racun.

Carbon steel: lebih mudah berkarat dibandingkan baja stainless steel

Titanium lebih kuat dari baja dan lebih ringan. Namun harganya mahal sekali.

LLMTune: LLMTune allows finetuning LLMs (e.g., the largest 65B LLAMA models) on as little as one consumer-grade GPU.

Finetuning LLM on a single GPU card

Sumber: https://github.com/bytedance/pasa

Q: How did DeepSeek get around export restrictions? A: They didn’t. They just tinkered around with their chips to make sure they handled memory as efficiently as possibly. They lucked out, and their perfectly optimized low-level code wasn’t actually held back by chip capacity.

Q: How did DeepSeek train so much more efficiently? A: They used the formulas below to “predict” which tokens the model would activate. Then, they only trained these tokens. They need 95% fewer GPUs than Meta because for each token, they only trained 5% of their parameters.

Q: How is DeepSeek’s inference so much cheaper? A: They compressed the KV cache. (This was a breakthrough they made a while ago.)

Q: How did they replicate o1? A: Reinforcement learning. Take complicated questions that can be easily verified (either math or code). Update the model if correct.

Reference: https://x.com/wordgrammer/status/1883712727073607859

Link: https://lunar-joke-35b.notion.site/Deepseek-v3-101-169ba4b6a3fa8090a7aacaee1a1cefaa

Alamat: https://apic.id/jurnal/index.php/jsc/index

Jurnal Sistem Cerdas with eISSN: 2622-8254 is a peer-reviewed journal serving as a publication medium for research findings that support the research and development of cities, villages, sectors, and other systems. The Intelligent Systems Journal is published by the Smart Indonesia Initiative Association (APIC) and is released every four months (April, August, and December). This journal is expected to serve as a platform for publishing research findings from practitioners, academics, authorities, and related communities.

The purpose of the Intelligent Systems Journal is to contribute to the intellectual life of the nation by the mandate contained in the preamble of the 1945 Constitution. This journal also serves as a platform for the publication of innovations, technologies, and policies of the APIC community, related to education and the intelligence of large-scale system components.

The scope of the systems discussed is attached but not limited to;

1. System engineering
2. Artificial Intelligence Technology (AI) and Machine Learning
3. Internet of Things
4. Big Data
5. Systems and components for urban, rural or other Smart areas
6. Smart mobility and transportation systems and components
7. Systems and Smart energy components
8. Smart tourism systems and components
9. Systems and components of smart city security and comfort
10. Smart infrastructure systems and components
11. Smart health systems and components
12. Smart Education systems and components
13. Robots and Smart Systems.

Sumber: “Climbing the Ivory Tower: How Socio-Economic Background Shapes Academia” https://www.nber.org/papers/w33289

Studi ini mengeksplorasi bagaimana latar belakang keluarga dan status sosial ekonomi seseorang membentuk karier akademis mereka, mulai dari menjadi dosen di universitas hingga jenis penelitian yang mereka lakukan dan pengakuan yang mereka terima.

1. Orang-orang dari latar belakang sosio-ekonomi yang lebih tinggi sangat banyak terwakili di antara para dosen di universitas, dimana sekitar 50% berasal dari 20% teratas dalam distribusi pendapatan.
2. Pilihan bidang akademik seorang dosen sangat erat kaitannya dengan pekerjaan ayahnya, dan anak-anak sering kali menekuni bidang yang serupa dengan pekerjaan ayahnya.
3. Meskipun rata-rata profesor yang berlatar belakang sosio-ekonomi rendah memiliki produktivitas yang sama, mereka cenderung tidak memiliki publikasi atau termasuk dalam 1% teratas yang paling produktif. Mereka juga memperkenalkan lebih banyak konsep ilmiah baru dalam karya mereka.
4. Para profesor yang berlatar belakang sosio-ekonomi rendah menerima lebih sedikit sitasi dan kecil kemungkinannya untuk dinominasikan atau memenangkan Hadiah Nobel, bahkan ketika memperhitungkan catatan publikasi dan sitasi mereka.