# فصل ۰۹ — پروژه: یک دادهٔ واقعی را مدل کن

<div dir="rtl">

# فصل ۰۹ — پروژه: یک دادهٔ واقعی را مدل کن

## 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](/lesson-assets/t4-s09-graph-project/prompt/01-image-fit-the-data.png)

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 $y = a(x-h)^2 + k$ 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

1. این داده کدام خانواده است: $(0,5), (1,8), (2,11), (3,14)$؟ فرمولش را بنویس.
2. و این: $(0,2), (1,6), (2,18), (3,54)$؟
3. و این: $(0,0), (1,1), (2,4), (3,9), (4,16)$؟
4. $\log_3 81$ را حساب کن.
5. نمودارِ $y = 2(x+1)^2 - 3$ را توصیف کن: جهت، رأس، پهنا.
6. جمعیتی سالانه ۴٪ رشد می‌کند. تقریباً چند سال تا دو برابر شدن؟

⭐ **پروژه:** یک مجموعه‌دادهٔ واقعی با حداقل پنج ردیف پیدا یا اندازه‌گیری کن. نقطه‌ها را بکش، آزمونِ عددی را اجرا کن، مدلت را بساز، و یک بندِ کوتاه بنویس که بگوید: چه مدلی انتخاب کردی، چرا، و **در چه بازه‌ای به آن اعتماد می‌کنی و چرا بیرونِ آن نه.**

## 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.

</div>

---
Source: https://yaadestan.com/courses/risheh/lessons/t4/s09-graph-project (یادستان, Yaadestan)
