ریشه — خودآموز ریاضی از چهار عمل تا هوش مصنوعی

فصل ۹ از ۹

پیشرفت ترم
۰٪

ترم ۴ · تابع و نمودار: ریاضی که می‌بینی

پروژه: یک دادهٔ واقعی را مدل کن

فصل ۹رایگان

در این فصل چه یاد می‌گیری#

هشت فصل تابع ساختی و کشیدی. حالا کارِ معکوس: داده جلویت است و باید تصمیم بگیری کدام تابع توصیفش می‌کند.

این دقیقاً همان کاری است که یادگیری ماشین انجام می‌دهد — با این تفاوت که آنجا کامپیوتر بینِ میلیون‌ها احتمال می‌گردد و اینجا تو بینِ سه خانواده. ولی سؤال یکی است، و قضاوتش هم: کدام مدل داده را توضیح می‌دهد، و از کجا می‌دانی؟

سه مجموعهٔ نقطه با الگوهای متفاوت، هرکدام با منحنی متناسبِ خودش

آخر این فصل می‌توانی:

  • از روی یک جدولِ داده تشخیص بدهی خطی است، درجه دو، یا نمایی
  • مدلت را بسازی و با داده مقایسه کنی
  • بگویی مدلت کجا معتبر است و کجا نیست

قبل از شروع#

  • از فصل ۳: تابعِ خطی — تفاوت‌های ثابت.
  • از فصل ۶: سهمی — رأس، و تغییرِ جهتِ رشد.
  • از فصل ۷: تابعِ نمایی — نسبت‌های ثابت، و آزمونِ تشخیص از روی جدول.

کاغذ و مداد، و یک مجموعه‌دادهٔ کوچکِ واقعی.

۱. داده پیدا کن#

دنبالِ چیزی بگرد که دو ستون داشته باشد و حداقل پنج ردیف. مثال‌های خوب:

  • قیمتِ یک کالا در پنج سالِ گذشته
  • تعدادِ دنبال‌کننده‌های یک صفحه در چند ماه
  • دمای یک فنجان چای در هر پنج دقیقه (خودت می‌توانی اندازه بگیری)
  • مصرفِ برقِ خانه در ماه‌های مختلف

💡 نکته: دادهٔ خودساخته بهتر از دادهٔ اینترنتی است، چون می‌دانی چطور جمع شده — و از ترم ۲ فصل ۹ می‌دانی «چطور جمع شده» نیمی از قصه است.

۲. اول نگاه کن، بعد حساب کن#

قبل از هر محاسبه‌ای، نقطه‌ها را روی صفحه بگذار.

🤔 اول حدس بزن: با نگاه‌کردن به نقطه‌ها، به‌نظرت کدام خانواده است؟

سه شکلِ اصلی:

  • تقریباً روی یک خط → خطی.
  • بالا می‌رود و بعد پایین می‌آید (یا برعکس) → درجه دو. تغییرِ جهت، امضای سهمی است؛ هیچ تابعِ خطی یا نمایی این کار را نمی‌کند.
  • اول آرام، بعد به‌شدت تند → احتمالاً نمایی.

این نگاه اجباری است. اگر مستقیم سراغِ محاسبه بروی، ممکن است یک الگویِ کاملاً واضح را از دست بدهی.

🔧 اگر گیر کردی: داده‌ات فقط سه ردیف دارد؟ از هر سه نقطه‌ای یک سهمی می‌گذرد، پس سه نقطه چیزی را ثابت نمی‌کنند. دستِ‌کم پنج ردیف لازم است تا تشخیص معنی داشته باشد.

۳. آزمونِ عددی#

حالا آزمونی که از فصل ۷ داری، ولی کامل‌تر:

تفاوت‌ها را حساب کن. اگر ثابت بودند → خطی.

اگر ثابت نبودند، تفاوتِ تفاوت‌ها را حساب کن. اگر آن ثابت بود → درجه دو.

نسبت‌ها را حساب کن. اگر ثابت بودند → نمایی.

مثال:

x y تفاوت تفاوتِ تفاوت
۱ ۳ — —
۲ ۷ ۴ —
۳ ۱۳ ۶ ۲
۴ ۲۱ ۸ ۲
۵ ۳۱ ۱۰ ۲

تفاوت‌ها ثابت نیستند ولی تفاوتِ تفاوت‌ها ثابت است → درجه دو.

🌱 ریشه‌اش کجاست: چرا این آزمون کار می‌کند؟ چون «تفاوت» در واقع همان شیبِ فصل ۴ است، فقط گسسته. برای یک خط، شیب ثابت است. برای سهمی، شیب به‌طورِ خطی عوض می‌شود، پس تفاوتِ شیب‌ها ثابت می‌شود. در ترم ۸ همین ایده به مشتق تبدیل می‌شود، و مشتقِ مشتق دقیقاً همان ستونِ چهارمِ این جدول است.

⚠️ دامِ رایج: انتظارِ عددهای دقیقاً ثابت. دادهٔ واقعی نویز دارد؛ اگر تفاوت‌ها ۴، ۳٫۹، ۴٫۲، ۳٫۸ بودند، آن خطی است. دنبالِ ثباتِ تقریبی بگرد، نه تساویِ کامل — و اگر یک ردیف کاملاً بیرون زد، اول به خودِ آن داده شک کن نه به مدل.

🔧 اگر گیر کردی: هیچ‌کدام از سه آزمون جواب نداد؟ ممکن است داده‌ات ترکیبی باشد یا فصلی (بالا و پایین شود). بنویس «هیچ‌یک از سه خانواده برازش نمی‌کند» و بگو چه الگویی می‌بینی — این یک نتیجهٔ کامل است، نه شکست.

۴. مدل را بساز#

بسته به خانواده:

خطی: دو نقطه بردار و مثلِ فصل ۳ شیب و عرض از مبدأ را حساب کن.

نمایی: نسبتِ ثابت را پیدا کن (آن b است) و مقدارِ اولیه را (آن a).

درجه دو: رأس را از روی نمودار تخمین بزن و فرمِ را از فصل ۵ به‌کار ببر، بعد a را با یک نقطهٔ دیگر حساب کن.

💡 نکته: مدلت هیچ‌وقت از همهٔ نقطه‌ها دقیقاً رد نمی‌شود، و نباید هم بشود. مدلی که از تک‌تکِ نقطه‌ها رد شود، احتمالاً نویز را هم مدل کرده. هدف توصیفِ الگو است، نه بازتولیدِ داده.

۵. وارسی کن، و مرزش را بگو#

مدلت را با داده مقایسه کن: برای هر x، پیش‌بینی را با مقدارِ واقعی بسنج.

بعد، مهم‌ترین بخشِ پروژه: بگو مدلت کجا معتبر نیست.

🤔 اول حدس بزن: اگر مدلی از داده‌های ۵ سالِ گذشته ساختی، برای ۵۰ سالِ آینده هم معتبر است؟

تقریباً هرگز. سه دلیلِ رایج:

۱. برون‌یابی. مدل در بازه‌ای که داده داشتی خوب کار می‌کند؛ بیرونِ آن حدس است، نه محاسبه.

۲. رشدِ نامحدود. یک مدلِ نماییِ جمعیت می‌گوید اگر صبر کنی، آدم‌ها از حجمِ زمین بیشتر می‌شوند. هیچ رشدِ نمایی‌ای در دنیای واقعی برای همیشه ادامه پیدا نمی‌کند — همیشه چیزی محدودش می‌کند.

۳. دامنه. از فصل ۱ می‌دانی مدل ممکن است ریاضی جواب بدهد ولی معنی ندهد — دمای منفی، جمعیتِ اعشاری، زمانِ قبل از شروع.

⚠️ دامِ رایج: اعتماد به مدل فقط چون «خوب برازش شد». برازشِ خوب فقط می‌گوید مدل داده‌های گذشته را توصیف می‌کند. هیچ‌چیز دربارهٔ آینده تضمین نمی‌کند — و این دقیقاً همان اشتباهی است که در یادگیری ماشین بزرگ‌ترین دامِ حرفه‌ای است.

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

ترم ۴ تمام شد. حالا می‌توانی رابطه‌ها را ببینی، نه فقط حساب کنی.

ترم ۵ به فضا می‌رود: زاویه، فاصله، مساحت. در نگاهِ اول موضوعِ جداگانه‌ای به‌نظر می‌رسد، ولی نیست — فاصله در صفحهٔ مختصات همان فیثاغورس است، و از همان فاصله است که در ترم ۷ طولِ بردار ساخته می‌شود. ریشهٔ چیزی که در هوش مصنوعی به آن norm می‌گویند، یک مثلثِ قائم‌الزاویه است.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.