# فصل ۰۹ — پروژه: داده را فشرده کن

<div dir="rtl">

# فصل ۰۹ — پروژه: داده را فشرده کن

## 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](/lesson-assets/t7-s09-pca-project/prompt/01-image-pca.png)

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

1. این نقطه‌ها را بکش و بگو تقریباً روی یک خط‌اند یا نه: $(1,2), (2,4), (3,5), (4,8), (5,9)$.
2. میانگینِ هر مختصات را حساب کن و داده را مرکزی کن.
3. با چشم یک جهتِ اصلی برایش پیدا کن و یک بردارِ یکه در آن جهت بنویس.
4. یکی از نقطه‌های مرکزی‌شده را روی آن جهت تصویر کن (با `dot product`).
5. بردارهای ویژهٔ $\begin{pmatrix} 4 & 0 \\ 0 & 1 \end{pmatrix}$ چیستند؟
6. دترمینانِ $\begin{pmatrix} 2 & 3 \\ 1 & 4 \end{pmatrix}$ چند است؟

⭐ **پروژه:** یک مجموعه‌دادهٔ کوچکِ واقعی با **دو** ویژگیِ عددی پیدا یا جمع‌آوری کن (حداقل هشت ردیف). قدم‌های بخش ۲ را رویش اجرا کن و گزارشِ هفت‌جمله‌ای‌ات را بنویس — با جوابِ صریح به «آیا ارزشش را داشت؟»

## 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.

</div>

---
Source: https://yaadestan.com/courses/risheh/lessons/t7/s09-pca-project (یادستان, Yaadestan)
