در این فصل چه یاد میگیری#
سه فصل است که میگوییم ماتریس یک تبدیل است. این فصل نشانش میدهد — و بعد از آن، نگاهت به کلِ ترم عوض میشود.
ایدهٔ کلیدی یک جمله است: دو ستونِ یک ماتریسِ ۲ در ۲ دقیقاً میگویند دو محورِ صفحه به کجا میروند. و همین کافی است تا بدانی هر نقطهٔ دیگری کجا میرود.
این فصلِ آزمایشگاهمحورِ ترم است؛ دیدنِ حرکتِ شبکه در لحظهٔ عوضشدنِ یک عدد، چیزی است که هیچ توضیحی جایش را نمیگیرد.

آخر این فصل میتوانی:
- از روی ستونهای یک ماتریس بگویی چه تبدیلی است
- ماتریسِ چرخش، کشیدگی و انعکاس را بنویسی
- بگویی چرا این تبدیلها «خطی» نامیده میشوند
قبل از شروع#
- از فصل ۵: ضربِ ماتریس در بردار؛ ماتریسِ همانی.
- از ترم ۴ فصل ۵: تبدیلهای نمودار — جابهجایی، کشیدن، برگرداندن.
- از ترم ۵ فصل ۷: سینوس و کسینوس روی دایرهٔ واحد.
۱. ستونها همهچیز را میگویند#
دو بردارِ پایه را در نظر بگیر: روی محورِ افقی و روی محورِ عمودی.
حالا ماتریسی را در ضرب کن:
که دقیقاً ستونِ اولِ ماتریس است. و اگر در ضرب کنی، ستونِ دوم را میگیری.
🤔 اول حدس بزن: اگر بدانی این دو بردارِ پایه به کجا میروند، آیا میتوانی بگویی هر بردارِ دیگری به کجا میرود؟
میتوانی. چون هر بردار ترکیبی از آن دو است:
و تبدیل این ترکیب را حفظ میکند: خروجی میشود ۴ برابرِ ستونِ اول بهاضافهٔ ۵ برابرِ ستونِ دوم.
پس یک ماتریسِ ۲ در ۲ چیزی جز «محورها به کجا میروند» نیست. همهٔ اطلاعاتش در همان دو ستون است.
💡 نکته: این بهترین راهِ خواندنِ یک ماتریس است. به ستونهایش نگاه کن و آنها را بهعنوان دو فلش تصور کن — همان دو فلش، کلِ تبدیل را میسازند.
۲. چهار تبدیلِ آشنا#
کشیدگی: هر محور در عددی ضرب میشود.
افقی دو برابر، عمودی سه برابر. مثلِ کشیدگیِ ترم ۴ فصل ۵، ولی این بار در دو جهتِ مستقل.
انعکاس حولِ محورِ افقی: عمودی قرینه میشود.
چرخش بهاندازهٔ : از ترم ۵ فصل ۷ میدانی نقطهٔ روی دایرهٔ واحد در زاویهٔ ، مختصاتِ دارد. و دقیقاً به همانجا میرود:
ستونِ اول از همینجا آمد. و ستونِ دوم؟ بعد از چرخش هم باید طولش ۱ بماند و هم بر چرخیده عمود بماند — چون چرخش نه طولها را عوض میکند نه زاویهها را. بردارِ هر دو شرط را دارد و خودت میتوانی هر دو را وارسی کنی: طولش است که از ترم ۵ فصل ۷ میدانی ۱ میشود، و dot productاش با برابرِ است، یعنی صفر — و از فصل ۳ میدانی صفربودنِ dot product یعنی عمود.
ماتریسِ همانی: هیچچیز عوض نمیشود — محورها سرِ جایشان میمانند.
✅ چک کن: ماتریسِ چرخشِ ۹۰ درجه را بنویس. — و ، پس . ستونِ اول است: محورِ افقی به عمودی رفت. درست.
⚠️ دامِ رایج: انتظارِ جابهجایی (انتقال) از یک ماتریسِ ۲ در ۲. هیچ ماتریسی نمیتواند صفحه را جابهجا کند، چون هر ماتریسی بردارِ صفر را به بردارِ صفر میبرد (هر چیزی ضرب در صفر صفر میشود، ترم ۱ فصل ۴). مبدأ همیشه سرِ جایش میماند. برای انتقال باید بُعدی اضافه کرد — ترفندی که در گرافیکِ کامپیوتری بهکار میرود.
۳. چرا «خطی»#
این تبدیلها یک نامِ مشترک دارند: تبدیلِ خطی. و دو خاصیت دارند که این نام از آنها میآید:
۱. خطوطِ راست، راست میمانند. هیچ خطی خم نمیشود.
۲. خطوطِ موازی، موازی میمانند و فاصلههایشان یکنواخت میماند.
پس اگر شبکهٔ مربعیِ صفحه را تبدیل کنی، به شبکهای از متوازیالاضلاعهای یکسان تبدیل میشود — کج، کشیده، چرخیده، ولی هرگز منحنی یا نامنظم.
💡 نکته: همین محدودیت است که کارکردن با ماتریسها را ممکن میکند. دنیا پُر از تبدیلهای غیرخطی است، ولی تبدیلِ خطی آنقدر ساده است که بشود با چند عدد کاملاً توصیفش کرد — و آنقدر قدرتمند که بتوان بسیاری از مسائلِ واقعی را با آن تقریب زد. کلِ یادگیری ماشین روی همین توازن ایستاده.
۴. ترکیب، دوباره#
حالا فصل ۵ معنیِ تصویری پیدا میکند.
یعنی «اول تبدیلِ ، بعد تبدیلِ ». و اینکه حالا کاملاً واضح است: اول بچرخان بعد بکِش، با اول بکِش بعد بچرخان یکی نیست.
خودت این را امتحان کن: یک مستطیل بکش. یک بار اول ۹۰ درجه بچرخانش و بعد افقی دو برابرش کن. بار دیگر برعکس. دو شکلِ متفاوت میگیری.
✅ چک کن: ترکیبِ دو انعکاسِ متوالی حولِ یک محور چه میشود؟ — همانی. دو بار قرینهکردن، به حالتِ اول برمیگردد.
۵. کجای هوش مصنوعی#
هر لایهٔ یک شبکهٔ عصبی یک ماتریس است که بردارِ ورودی را به بردارِ خروجی تبدیل میکند. آموزشِ شبکه یعنی پیدا کردنِ درایههای آن ماتریسها — یعنی پیدا کردنِ تبدیلهایی که کارِ درست را انجام میدهند.
و یک نکتهٔ مهم: اگر شبکه فقط از ماتریس ساخته میشد، هر تعداد لایه هم که داشت، حاصلش باز یک تبدیلِ خطیِ واحد بود (چون ترکیبِ چند تبدیلِ خطی، خطی است). به همین دلیل بینِ لایهها یک تابعِ غیرخطی میگذارند — بدونِ آن، عمقِ شبکه هیچ چیزی اضافه نمیکرد.
🌱 ریشهاش کجاست: آن جمله را نگه دار: ترکیبِ چند تبدیلِ خطی، همچنان خطی است. دقیقاً همان چیزی است که فصل ۵ ثابت کرد ( یک ماتریسِ واحد است)، و اینجا یک تصمیمِ معماریِ کلِ یادگیری عمیق را توضیح میدهد.
تمرینها
اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.
در فصل بعد#
حالا که ماتریس یک تبدیل است، دستگاهِ معادلاتِ ترم ۳ فصل ۶ معنیِ تازهای پیدا میکند: «چه ورودیای این خروجی را میسازد؟» فصل بعد آن را میسازد و به عددی میرسد که در یک نگاه میگوید تبدیل برگشتپذیر است یا نه — و آن عدد، ضریبِ تغییرِ مساحت است.
به آخر این فصل رسیدی!
اگر ساختی و جواب داد، این دکمه مال توست.