ریشه — خودآموز ریاضی از چهار عمل تا هوش مصنوعی

فصل ۵ از ۹

پیشرفت ترم
۰٪

ترم ۶ · احتمال و آمار: ریاضیِ عدمِ قطعیت

قضیهٔ بیز: باور را به‌روز کن

فصل ۵رایگان

در این فصل چه یاد می‌گیری#

در فصل قبل یک جمعیتِ میلیونی را شمردی و به جوابِ درست رسیدی. کار کرد، ولی هر بار یک جدولِ جدید لازم داشت.

قضیهٔ بیز همان کار است، فشرده‌شده در یک خط. چیزِ تازه‌ای نمی‌گوید؛ فقط دیگر لازم نیست جمعیت بسازی.

و مهم‌تر از فرمول، طرزِ فکری که پشتش است: باورِ قبلی‌ات را داری، شواهدِ تازه می‌بینی، و باورت را به‌اندازه به‌روز می‌کنی — نه از صفر شروع می‌کنی و نه بی‌تفاوت می‌مانی.

یک باور اولیه که با ورود شواهد به یک باور به‌روزشده تبدیل می‌شود

آخر این فصل می‌توانی:

  • قضیهٔ بیز را بنویسی و بگویی هر جزئش چیست
  • با آن مسئلهٔ فصل قبل را بدونِ شمردنِ جمعیت حل کنی
  • بگویی «پیشین» و «پسین» یعنی چه

قبل از شروع#

  • از فصل ۴: احتمالِ شرطی؛ اینکه جهت مهم است؛ خطای نرخِ پایه.
  • از فصل ۳: «و» یعنی ضرب؛ استقلال.
  • از ترم ۳ فصل ۸: بازآراییِ فرمول.

۱. از کجا می‌آید#

🤔 اول حدس بزن: احتمالِ «هر دو اتفاق بیفتند» را می‌شود دو جور نوشت — یک بار با شرطِ اولی و یک بار با شرطِ دومی. آیا آن دو باید با هم برابر باشند؟

جوابش بله است، و در فصل ۳ بدونِ نماد دیده‌ای‌اش. آن دو کارت را به‌یاد بیاور: . آن احتمالِ آس‌بودنِ کارتِ اول بود، و آن احتمالِ آس‌بودنِ دومی به شرطِ اینکه اولی آس بوده. یعنی همان ضرب، با نمادِ فصل ۴، این‌طور نوشته می‌شود — و چون فرقی نمی‌کند کدام کارت را «اول» بنامی، دو نوشتهٔ متفاوت به یک مقدار می‌رسند:

هر دو یک مقدارند، پس دو سمتِ راست با هم برابرند. حالا از ترم ۳ فصل ۸ برای بازآرایی کن:

همین است. قضیهٔ بیز یک بازآراییِ ساده است، نه یک کشفِ عمیق — و کلِ قدرتش در این است که جهتِ شرط را برمی‌گرداند: اگر را بدانی، را می‌دهد.

و از فصل ۴ می‌دانی چرا این کارِ مهمی است: آن دو جهت هیچ‌وقت یکی نیستند.

۲. نام‌گذاری#

هر جزء نامی دارد که فهمیدنِ کاربردش را آسان می‌کند:

  • — پیشین: باورت قبل از دیدنِ شواهد. در مثالِ فصل ۴، همان یک در ده هزار.
  • — درست‌نمایی: اگر فرضیه درست باشد، چقدر احتمال دارد این شواهد را ببینی؟ همان ۹۹ درصدِ دقتِ آزمایش.
  • — کلِ شواهد: چقدر احتمال دارد این شواهد را ببینی، از هر راهی. همان ۱۰٬۰۹۸ نفرِ مثبت.
  • — پسین: باورت بعد از دیدنِ شواهد. جوابِ نهایی.

پیشین → شواهد → پسین. این کلِ فرآیند است.

💡 نکته: آن مخرج () معمولاً سخت‌ترین بخش است، ولی همیشه یک راهِ مطمئن دارد: همهٔ راه‌هایی که آن شواهد ممکن است رخ دهند را جمع کن — از مسیرِ فرضیهٔ درست، و از مسیرِ فرضیهٔ نادرست. دقیقاً همان کاری که در فصل ۴ با کردی.

۳. مسئلهٔ فصل قبل، این بار با فرمول#

بیماری با شیوعِ و آزمایشی با دقتِ .

صورت مسیرِ «مریض و مثبت» است و مخرج جمعِ هر دو مسیرِ رسیدن به مثبت. حساب کن:

همان کمتر از یک درصد — همان جوابِ فصل ۴، بدونِ ساختنِ جمعیت.

⚠️ دامِ رایج: فراموش‌کردنِ مسیرِ دوم در مخرج. اگر فقط را در مخرج بگذاری، جوابت ۱ می‌شود — یعنی «قطعاً مریضی». مخرج باید همهٔ راه‌های رسیدن به آن شواهد را در بر بگیرد، وگرنه بیز دقیقاً همان خطای نرخِ پایه را بازتولید می‌کند که قرار بود جلویش را بگیرد.

✅ چک کن: اگر شیوع ۱۰ درصد بود (به‌جای یک در ده هزار)، جواب چه می‌شد؟ — . حالا جوابِ مثبت واقعاً قابلِ اعتماد است. همان آزمایش، همان دقت — فقط پیشین عوض شد.

۴. طرزِ فکرِ بیزی#

فراتر از فرمول، بیز یک روشِ فکرکردن است:

۱. با یک باورِ اولیه شروع کن، حتی اگر تقریبی باشد.

۲. شواهد را وزن کن، نه اینکه فقط بپذیری‌شان.

۳. به‌اندازه به‌روز کن — نه بی‌تفاوت بمان، نه کاملاً نظرت را عوض کن.

و یک نتیجهٔ مهم: هرچه ادعا غیرمنتظره‌تر باشد، شواهدِ قوی‌تری لازم دارد. اگر پیشین خیلی کوچک است، شواهد باید خیلی محکم باشند تا پسین را بالا ببرند. ریاضی‌اش را در همان محاسبهٔ بالا دیدی.

⚠️ دامِ رایج: به‌روزرسانیِ کامل با یک شاهدِ واحد. اگر با یک خبر نظرت کاملاً عوض می‌شود، یعنی پیشینت را کنار گذاشته‌ای. بیز می‌گوید شواهد باورت را جابه‌جا می‌کنند، نه اینکه جایگزینش شوند.

💡 نکته: همین‌جا نکتهٔ ظریفی هست: اگر پیشینت صفر باشد، هیچ شاهدی نمی‌تواند تکانش بدهد — چون هر چیزی ضرب در صفر صفر می‌شود (ترم ۱ فصل ۴). یعنی «کاملاً مطمئنم که غیرممکن است» یک موضعِ اثبات‌ناپذیر می‌سازد. ریاضی همین‌جا یک درسِ فکری می‌دهد.

۵. چرا در یادگیری ماشین مهم است#

بخش بزرگی از یادگیری ماشین دقیقاً همین کار را می‌کند: مدلی با یک باورِ اولیه شروع می‌کند، داده می‌بیند، و باورش را به‌روز می‌کند.

و طبقه‌بندهای ساده‌ای که ایمیلِ اسپم را تشخیص می‌دهند، مستقیماً از همین فرمول ساخته شده‌اند: پیشین یعنی «چند درصدِ ایمیل‌ها اسپم‌اند» و درست‌نمایی یعنی «اگر اسپم باشد، چقدر احتمال دارد این کلمه در آن باشد».

🌱 ریشه‌اش کجاست: آن‌ها فرض می‌کنند کلمه‌ها از هم مستقلاند — همان فرضی که در فصل ۳ دیدی — تا احتمالِ کل یک ضربِ ساده شود. این فرض تقریباً همیشه کمی غلط است (کلمه‌ها به هم مربوط‌اند) و با این حال روش خوب کار می‌کند. دانستنِ اینکه کجا فرض کرده‌ای، تفاوتِ فهمیدنِ یک مدل با استفاده‌کردن از آن است.

تمرین‌ها

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

در فصل بعد#

تا اینجا با احتمال کار کردی: چه چیزی ممکن است. فصل بعد به آمار می‌رود: چه چیزی اتفاق افتاده. و اولین سؤالش این است که وقتی صد عدد داری، چطور همه‌شان را با یک عدد خلاصه کنی — و چه چیزی در آن خلاصه‌کردن گم می‌شود.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.