ریشه — خودآموز ریاضی از چهار عمل تا هوش مصنوعی

فصل ۹ از ۹

پیشرفت ترم
۰٪

ترم ۷ · جبرِ خطی: زبانِ داده

پروژه: داده را فشرده کن

فصل ۹رایگان

در این فصل چه یاد می‌گیری#

داده‌ای با ده ویژگی داری. آیا واقعاً ده چیزِ مستقل در آن هست، یا بعضی‌شان حرفِ هم را تکرار می‌کنند؟

تقریباً همیشه دومی. و اگر بتوانی آن تکرار را پیدا کنی، می‌توانی داده را با ویژگی‌های کمتری بنویسی و تقریباً هیچ اطلاعاتی از دست ندهی.

اسمِ این کار PCA است و در این فصل با دست انجامش می‌دهی — روی داده‌ای کوچک، با همان بردارهای ویژهٔ فصل ۸.

ابری از نقاط داده که در یک جهت کشیده شده، با محور اصلی‌اش مشخص

آخر این فصل می‌توانی:

  • جهتِ اصلیِ یک ابرِ داده را پیدا کنی
  • داده را روی آن جهت تصویر کنی و بُعدش را کم کنی
  • بگویی چقدر اطلاعات از دست رفته و آیا ارزشش را داشته

قبل از شروع#

  • از فصل ۸: بردارِ ویژه و مقدارِ ویژه؛ جهتِ بیشترین پراکندگی.
  • از فصل ۳: dot product به‌عنوان «چقدر در آن جهت امتداد دارد».
  • از ترم ۶ فصل ۶ و ۸: پراکندگی، انحرافِ معیار، همبستگی.

کاغذِ شطرنجی و مداد.

۱. مسئله: افزونگی#

جدولِ زیر را در نظر بگیر — قد و وزنِ چند نفر:

قد (cm) وزن (kg)
۱۶۰ ۵۵
۱۷۰ ۶۵
۱۸۰ ۷۵
۱۶۵ ۶۰
۱۷۵ ۷۰

🤔 اول حدس بزن: اگر این نقطه‌ها را روی صفحه بکشی، چه شکلی می‌سازند؟

تقریباً یک خطِ راست. قد و وزن به‌شدت همبسته‌اند (ترم ۶ فصل ۸).

و این یعنی: دو عدد داری، ولی تقریباً یک اطلاعات. اگر قد را بدانی، وزن را تقریباً می‌دانی.

پس می‌شود هر نفر را با یک عدد توصیف کرد — جایش روی آن خط — به‌جای دو عدد. این کلِ ایدهٔ PCA است.

۲. قدم‌ها#

۱. داده را مرکزی کن. میانگینِ هر ستون را حساب کن و از همهٔ مقادیرِ آن ستون کم کن. حالا ابرِ داده حولِ مبدأ می‌نشیند.

چرا؟ چون از فصل ۶ می‌دانی هیچ ماتریسی نمی‌تواند مبدأ را جابه‌جا کند. ابزارهای این ترم فقط حولِ مبدأ کار می‌کنند، پس باید داده را به آنجا بیاوری.

۲. جهتِ اصلی را پیدا کن. جهتی که داده در آن بیشترین پراکندگی را دارد. در این پروژه با چشم و خط‌کش پیدایش می‌کنی — خطی که از وسطِ ابر می‌گذرد و در امتدادِ کشیدگی‌اش است.

۳. هر نقطه را روی آن جهت تصویر کن. از فصل ۳ می‌دانی dot product دقیقاً همین را می‌دهد: «این نقطه چقدر در آن جهت امتداد دارد».

🔧 اگر گیر کردی: جهتِ اصلی را با چشم پیدا نمی‌کنی؟ خطی بکش که مجموعِ فاصله‌های نقطه‌ها تا آن کمترین باشد. چند خطِ مختلف امتحان کن و فاصله‌ها را تقریبی مقایسه کن.

🔧 اگر گیر کردی: واحدهای دو ویژگی خیلی متفاوت‌اند (مثلاً قد به سانتی‌متر و درآمد به میلیون)؟ آن‌وقت ویژگیِ با عددهای بزرگ‌تر بر همه‌چیز غلبه می‌کند. قبل از کار، هر ستون را بر انحرافِ معیارش تقسیم کن (ترم ۶ فصل ۶) — همان نرمال‌کردنِ فصل ۲، این بار ستون‌به‌ستون. این یکی از رایج‌ترین اشتباهاتِ واقعی در تحلیلِ داده است، و ریشه‌اش دقیقاً همان چیزی است که در فصل ۳ دربارهٔ dot product گفتیم: بدونِ نرمال‌کردن، بزرگ‌بودن با مهم‌بودن اشتباه گرفته می‌شود.

۴. همان یک عدد را نگه دار. حالا هر نفر یک عدد دارد به‌جای دو تا.

💡 نکته: آن قدمِ دوم در عمل با محاسبهٔ بردارِ ویژهٔ ماتریسِ کوواریانسِ داده انجام می‌شود — که همان جهتِ فصل ۸ است. در این پروژه با چشم انجامش می‌دهی و همان شهود را می‌گیری؛ کامپیوتر همان کار را دقیق‌تر می‌کند.

۳. چقدر از دست رفت#

مهم‌ترین بخش، و چیزی که این را از یک ترفند به یک تحلیل تبدیل می‌کند.

وقتی نقطه‌ای را روی خط تصویر می‌کنی، فاصله‌اش تا خط از بین می‌رود. اگر همهٔ نقطه‌ها تقریباً روی خط باشند، آن فاصله‌ها کوچک‌اند و ضرری نکرده‌ای. اگر ابر پهن باشد، اطلاعاتِ زیادی دور ریخته‌ای.

سنجشش: برای هر نقطه فاصله تا خط را اندازه بگیر (ترم ۵). اگر آن فاصله‌ها نسبت به گسترهٔ خودِ خط کوچک باشند، فشرده‌سازی موفق بوده.

⚠️ دامِ رایج: کاهشِ بُعد فقط برای «ساده‌تر شدن». هدف حذفِ افزونگی است، نه حذفِ اطلاعات. اگر دو ویژگی واقعاً مستقل باشند (ابر گِرد باشد، نه کشیده)، هیچ جهتِ اصلی‌ای وجود ندارد و فشرده‌سازی فقط داده را خراب می‌کند.

✅ چک کن: ابرِ داده‌ای کاملاً گِرد است. جهتِ اصلی‌اش کدام است؟ — هیچ‌کدام. همهٔ جهت‌ها یکسان‌اند، پس مقادیرِ ویژه برابرند و PCA چیزی برای گفتن ندارد. این خودش یک یافته است: ویژگی‌ها مستقل‌اند.

۴. چرا در یادگیری ماشین مهم است#

۱. سرعت و حافظه. دادهٔ صدبُعدی که به ده بُعد کاهش یافته، بسیار سریع‌تر پردازش می‌شود.

۲. نویز. جهت‌هایی که کمترین پراکندگی را دارند اغلب نویزند، نه سیگنال. دور ریختنشان گاهی مدل را بهتر می‌کند، نه بدتر.

۳. تصویرسازی. داده‌ای با ده ویژگی را نمی‌شود کشید؛ همان داده در دو بُعد قابلِ دیدن است.

۴. نفرینِ ابعاد. از فصل ۲ به‌یاد بیاور که در فضای پرُبُعد، همه‌چیز از همه‌چیز دور است و فاصله‌ها معنایشان را از دست می‌دهند. کاهشِ بُعد آن‌ها را دوباره معنادار می‌کند — و این دلیلِ عمیق‌ترِ کارِ امروزت است.

۵. گزارشت#

هفت تا نُه جمله:

  1. داده چه بود و چند ویژگی داشت.
  2. نقطه‌ها را کشیدی — چه شکلی داشتند؟
  3. جهتِ اصلی را چطور پیدا کردی.
  4. نتیجهٔ تصویرکردن: هر نقطه حالا چه عددی دارد.
  5. چقدر اطلاعات از دست رفت (فاصله‌ها تا خط).
  6. آیا ارزشش را داشت؟ و چرا.
  7. اگر ابر گِرد بود، بگو چرا فشرده‌سازی مناسب نبود.

بندِ ششم اجباری است. کاهشِ بُعد همیشه کارِ درستی نیست، و تشخیصِ اینکه کِی نیست، خودِ مهارت است.

تمرین‌ها

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

در فصل بعد#

ترم ۷ تمام شد. حالا زبانِ داده را داری: بردار، فاصله، شباهت، تبدیل، و جهت‌های اصلی.

ترم ۸ آخرین قطعه را می‌آورد: تغییر. تا اینجا هر چیزی که دیدی ثابت بود — یک تبدیلِ معیّن، یک دادهٔ معیّن. ولی یادگیری یعنی بهتر شدن، و بهتر شدن یعنی تغییر در جهتِ درست. ابزارش مشتق است، و ریشه‌اش همان شیبِ ترم ۴ فصل ۴ — همان تپه‌ای که چشم‌بسته از آن پایین می‌آمدی.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.