# فصل ۰۶ — کمینه و بیشینه

<div dir="rtl">

# فصل ۰۶ — کمینه و بیشینه

## 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.

![یک منحنی با یک قله و یک دره که در هر دو مماس افقی است](/lesson-assets/t8-s06-min-max/prompt/01-image-critical-points.png)

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 $f'(x) = 0$ است، **نقطهٔ بحرانی** نامیده می‌شود.

مثال: $f(x) = x^2 - 6x + 5$.

</div>

$$
f'(x) = 2x - 6 = 0 \quad \Rightarrow \quad x = 3
$$

<div dir="rtl">

**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 $x=3$ است. ✓ دو روشِ کاملاً متفاوت، یک جواب.

> ✅ **چک کن:** نقطهٔ بحرانیِ $f(x) = x^2 + 8x$ کجاست؟ — $2x+8=0$، پس $x=-4$.

## 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 $f''$ می‌گوید شیب چطور عوض می‌شود:

- $f''>0$: شیب در حالِ زیادشدن، منحنی رو به بالا باز است → **کمینه**.
- $f''<0$: **بیشینه**.
- $f''=0$: **آزمون جواب نمی‌دهد**؛ باید از راهِ اول بروی.

برای مثالِ بالا: $f''(x) = 2 > 0$، پس $x=3$ کمینه است.

> ⚠️ **دامِ رایج:** فرضِ اینکه هر نقطهٔ بحرانی کمینه یا بیشینه است. **گاهی هیچ‌کدام نیست** — تابعِ $f(x)=x^3$ در $x=0$ 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 $f(x) = -x^2 + 4x$، نقطهٔ بحرانی کجاست و چه نوعی است؟ — $-2x+4=0$ پس $x=2$؛ و $f''=-2<0$، 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 $x$ بگیر.

**۲. رابطه را بنویس:** محیط ۲۴ است، پس دو ضلع با هم ۱۲ می‌شوند و ضلعِ دیگر $12-x$ است.

**۳. تابعِ هدف را بساز:**

</div>

$$
A(x) = x(12 - x) = 12x - x^2
$$

<div dir="rtl">

**۴. مشتق بگیر و صفر کن:**

</div>

$$
A'(x) = 12 - 2x = 0 \quad \Rightarrow \quad x = 6
$$

<div dir="rtl">

**۵. نوعش را بررسی کن:** $A'' = -2 < 0$، 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 $f'=0$ 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 $f'=0$ 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.

> 🧪 **آزمایشگاه:** [نقطهٔ بحرانی را پیدا کن](/lab/embed/risheh/term-8-calculus-ml/session-06-min-max) — تابعی می‌سازی و ابزار نقاطِ بحرانی را علامت می‌زند و نوعشان را می‌گوید. اول تابعی بساز که یک نقطهٔ بحرانی داشته باشد که نه کمینه است نه بیشینه.

## تمرین‌ها

1. نقطهٔ بحرانیِ $f(x) = x^2 - 10x + 3$ را پیدا کن و نوعش را بگو.
2. نقاطِ بحرانیِ $f(x) = x^3 - 3x$ را پیدا کن و هر کدام را دسته‌بندی کن.
3. جعبه‌ای بدونِ درب از مقوایی ۲۰ در ۲۰ می‌سازی، با بریدنِ مربع‌های $x$ در $x$ از چهار گوشه. حجم را بر حسبِ $x$ بنویس. (حلش را برای تمرینِ ستاره‌دار نگه دار.)
4. برای $f(x) = -2x^2 + 8x - 1$، بیشترین مقدارِ تابع چند است؟
5. مشتقِ $(4x-3)^3$ را حساب کن.
6. مشتقِ دومِ $x^4 - 2x^2$ را حساب کن.

⭐ تمرینِ ۳ را کامل کن: مشتقِ حجم را بگیر، صفرش کن، و $x$ بهینه را پیدا کن. حواست باشد کدام جواب‌ها در دنیای مسئله معنی می‌دهند.

## 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`.

</div>

---
Source: https://yaadestan.com/courses/risheh/lessons/t8/s06-min-max (یادستان, Yaadestan)
