در این فصل چه یاد میگیری#
با ۲۴ متر حصار، بزرگترین مساحتِ ممکن را محصور کن. این تمرینِ ستارهدارِ ترم ۵ فصل ۵ بود و آنجا با آزمونوخطا یا با رأسِ سهمی حلش کردی.
حالا ابزارِ عمومیاش را داری. و ابزارش یک جملهٔ ساده است: در بالاترین و پایینترین نقطههای یک منحنی، مماس افقی است — یعنی مشتق صفر است.
این تمامِ بهینهسازی است. و بهینهسازی همان کاری است که آموزشِ هر مدلِ هوش مصنوعی انجام میدهد.

آخر این فصل میتوانی:
- نقطههای بحرانیِ یک تابع را پیدا کنی
- کمینه را از بیشینه تشخیص بدهی
- یک مسئلهٔ بهینهسازیِ واقعی را حل کنی
قبل از شروع#
- از فصل ۳ و ۴: مشتق و قواعدش؛ مشتقِ دوم.
- از ترم ۴ فصل ۴: شیبِ صفر یعنی تخت — و اینکه تخت لزوماً «ته» نیست.
- از ترم ۳ فصل ۷: حلِ معادلهٔ درجه دو.
۱. نقطهٔ بحرانی#
جایی که است، نقطهٔ بحرانی نامیده میشود.
مثال: .
توجه کن چه کردی: مشتق را گرفتی (فصل ۴) و بعد یک معادله حل کردی (ترم ۳). هیچ ابزارِ تازهای لازم نبود.
و از ترم ۴ فصل ۶ میدانی رأسِ این سهمی هم دقیقاً در است. ✓ دو روشِ کاملاً متفاوت، یک جواب.
✅ چک کن: نقطهٔ بحرانیِ کجاست؟ — ، پس .
۲. کمینه یا بیشینه؟#
از ترم ۴ فصل ۴ میدانی شیبِ صفر لزوماً «ته» نیست — قله هم شیبِ صفر دارد.
دو راهِ تشخیص:
راهِ اول — علامتِ مشتق در دو طرف.
- اگر قبلش منفی و بعدش مثبت باشد: پایین میآمده و بالا رفته → کمینه.
- اگر قبلش مثبت و بعدش منفی: بیشینه.
راهِ دوم — مشتقِ دوم. از فصل ۴ میدانی میگوید شیب چطور عوض میشود:
- : شیب در حالِ زیادشدن، منحنی رو به بالا باز است → کمینه.
- : بیشینه.
- : آزمون جواب نمیدهد؛ باید از راهِ اول بروی.
برای مثالِ بالا: ، پس کمینه است.
⚠️ دامِ رایج: فرضِ اینکه هر نقطهٔ بحرانی کمینه یا بیشینه است. گاهی هیچکدام نیست — تابعِ در مشتقِ صفر دارد ولی نه قله است و نه دره؛ فقط لحظهای صاف میشود و ادامه میدهد. همان «فلاتِ وسطِ راه» که در ترم ۴ فصل ۴ هشدارش را دادیم.
✅ چک کن: برای ، نقطهٔ بحرانی کجاست و چه نوعی است؟ — پس ؛ و ، پس بیشینه.
۳. محلی در برابر سراسری#
کمینهٔ محلی: از همسایههایش پایینتر است.
کمینهٔ سراسری: از همهجا پایینتر است.
مشتق فقط محلی را پیدا میکند — چون فقط اطرافِ نقطه را میبیند. برای یافتنِ سراسری باید همهٔ نقاطِ بحرانی را پیدا کنی و مقایسهشان کنی (و مرزهای بازه را هم بررسی کنی، اگر دامنه محدود باشد).
🌱 ریشهاش کجاست: این تمایز در یادگیری ماشین یک مسئلهٔ عملیِ بزرگ است. تابعِ هزینهٔ یک شبکهٔ عصبی هزاران کمینهٔ محلی دارد، و الگوریتم ممکن است در یکی از آنها گیر کند بیآنکه بهترین را پیدا کرده باشد. فصل ۸ نشان میدهد چرا این در عمل کمتر از آنچه بهنظر میرسد فاجعهبار است.
۴. یک مسئلهٔ واقعی#
مسئلهٔ حصار را حل کن. ۲۴ متر حصار، مستطیل، بیشترین مساحت.
۱. متغیر را انتخاب کن (ترم ۳ فصل ۹): یک ضلع را بگیر.
۲. رابطه را بنویس: محیط ۲۴ است، پس دو ضلع با هم ۱۲ میشوند و ضلعِ دیگر است.
۳. تابعِ هدف را بساز:
۴. مشتق بگیر و صفر کن:
۵. نوعش را بررسی کن: ، پس بیشینه. ✓
۶. به دنیای مسئله برگرد: ضلعها ۶ و ۶ — یعنی مربع، با مساحتِ ۳۶.
💡 نکته: جوابِ مربع اتفاقی نیست: از میانِ همهٔ مستطیلهای هممحیط، مربع بیشترین مساحت را دارد. و اگر شکل را آزاد بگذاری، دایره از مربع هم بهتر است — دلیلی که چرا حبابها گِردند.
⚠️ دامِ رایج: پرش به مشتقگرفتن قبل از ساختنِ تابعِ هدف. قدمهای ۱ تا ۳ سختترین بخشاند، نه قدمِ ۴ — دقیقاً همان چیزی که در ترم ۳ فصل ۹ دربارهٔ مدلسازی گفتیم.
۵. چرا این قلبِ یادگیری ماشین است#
آموزشِ یک مدل یعنی این:
۱. تابعی بساز که بگوید مدل چقدر بد کار میکند — تابعِ هزینه (فصل ۹).
۲. پارامترهایی پیدا کن که آن تابع را کمینه کنند.
قدمِ دوم دقیقاً همین فصل است. تنها تفاوتها با مثالِ حصار اینهاست:
- بهجای یک متغیر، میلیونها پارامتر (فصل ۷).
- بهجای حلِ بهصورتِ جبری — که برای میلیونها متغیر ناممکن است — قدمبهقدم به سمتِ پایین حرکت میکنی (فصل ۸).
💡 نکته: آن نکتهٔ دوم مهم است. در دنیای واقعی تقریباً هیچوقت معادلهٔ را حل نمیکنند — نه چون بلد نیستند، بلکه چون برای توابعِ واقعی جوابِ بسته ندارد. بهجایش سرازیری را دنبال میکنند، همان کاری که در ترم ۴ فصل ۴ چشمبسته روی تپه کردی.
تمرینها
اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.
در فصل بعد#
تا اینجا هر تابع یک ورودی داشت. ولی مدلهای واقعی میلیونها پارامتر دارند. فصل بعد نشان میدهد وقتی چند ورودی داری «شیب» چه معنایی پیدا میکند — و از دلش برداری بیرون میآید که جهتِ بیشترین شیب را نشان میدهد: gradient.
به آخر این فصل رسیدی!
اگر ساختی و جواب داد، این دکمه مال توست.