نقشه راه پیش‌نیازهای ریاضی برای هوش مصنوعی (بدون سانسور!)

سلام رفقا! من امیر آویژه هستم از آکادمی آی‌ویژه. قراره تو این مقاله (که در واقع جلسه اول از دوره جامع ریاضیات برای هوش مصنوعی و دیتا ساینس هست) با هم یه گپ خودمونی بزنیم و ببینیم اصلاً قضیه این ریاضیات چیه و چرا اینقدر تو هوش مصنوعی مهمه.

قبل از هر چیزی بگم که این دوره کاملاً رایگانه و داره تو کانال یوتیوب آی‌ویژه منتشر میشه. پس اگه جایی دیدید کسی داره این آموزش‌ها رو بهتون می‌فروشه، بدونید کار قشنگی نمی‌کنه و ما هم اصلاً رضایت نداریم!

چرا بدون ریاضیات لنگ می‌زنیم؟

ببینید بچه‌ها، سوال اصلی خیلیا اینه که اصلاً ما چقدر ریاضی نیاز داریم؟ خیلیا فکر می‌کنن می‌تونن فقط با کپی کردن دو خط کد پایتون از ChatGPT بشن متخصص هوش مصنوعی. اما بذارید یه مثال براتون بزنم:

اگه ریاضیات هوش مصنوعی رو بلد نباشید، دقیقاً مثل یه نوزادی هستید که هنوز راه رفتن یاد نگرفته، ولی ما مجبورش کردیم بره تو مسابقه دوی ماراتن شرکت کنه! آیا می‌تونه؟ معلومه که نه!

وقتی یه مقاله جدید میاد بیرون، شما چطوری می‌خواید بفهمید این فرمول‌های ریاضی اصلاً دارن چیکار می‌کنن؟ ما اینجا داریم کاری می‌کنیم که وقتی یه مقاله آپدیت تو دنیای هوش مصنوعی خوندید، دقیقاً بفهمید اون پشت داره چه اتفاقی میفته و بتونید خلاقیت خودتون رو نشون بدید، نه اینکه فقط یه مصرف‌کننده کد باشید.

ما به چه ریاضیاتی نیاز داریم؟ (۳ ضلع اصلی)

قرار نیست بریم کل ریاضیات رو که ۴۵۰ ساعت زمان می‌بره شخم بزنیم! ما تو این دوره فقط می‌ریم سراغ چیزهایی که تو یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning) و دیتا ساینس واقعاً کاربرد دارن. این پیش‌نیازها به سه بخش اصلی تقسیم میشن:

۱. جبر خطی (قلب تپنده هوش مصنوعی)

آقا رُک بگم، اگه جبر خطی بلد نباشید، کارتون تو دیتا ساینس کاملاً لنگه! جبر خطی همون چیزیه که به ما اجازه میده داده‌ها رو به زبون کامپیوتر ترجمه کنیم. اما کجاهای جبر خطی برامون مهمه؟

سرفصل‌هایی که باید یاد بگیریم	اصلاً به چه دردمون می‌خوره؟
اسکالرها، بردارها و ماتریس‌ها	پایه و اساس نگهداری داده‌ها (مثل عکس یا متن) تو کامپیوتر
عملیات روی ماتریس‌ها	پردازش اطلاعات تو لایه‌های مختلف شبکه‌های عصبی
توابع، تبدیلات خطی و تابع معکوس	تغییر شکل و جابه‌جا کردن داده‌ها تو فضاهای مختلف
مقدار ویژه و بردار ویژه (Eigenvectors)	درک الگوریتم‌های خفنی مثل PCA برای کاهش ابعاد داده‌ها

۲. آمار و احتمال (چشمِ بینای مدل‌ها)

خیلیا فکر می‌کنن آمار مهم نیست؛ مثلاً طرف Power BI کار می‌کنه، ۴ تا نمودار می‌ندازه کنار هم و فکر می‌کنه تموم شد! اما شما باید بتونید از اون نمودارها یه اطلاعاتی استخراج کنید. آمار ابزاریه که به ما کمک می‌کنه از دل دیتاست‌های بزرگ، مدل‌های هوشمند بسازیم.

کدوم بخش آمار؟	شامل چه مباحثی میشه؟
آمار توصیفی	میانگین، میانه، مُد، شاخص‌های پراکندگی و انواع توزیع‌ها (Distribution)
آمار استنباطی	آزمون فرض، P-Value، تست Z، تست T، تست آنووا (ANOVA) و کای-اسکوئر

۳. حساب دیفرانسیل (موتور بهینه‌سازی)

این یکی یه مقدار مهجوره و خیلیا توش ضعف دارن، ولی به شدت مهمه! چرا؟ چون حساب دیفرانسیل، موتور بهینه‌سازی مدل‌های ماست. وقتی می‌خوایم خطای یه مدل رو کم کنیم، باید از مشتق کمک بگیریم.

سرفصل‌های دیفرانسیل	کاربرد خفنش کجاست؟
مشتقات و خطوط مماس	پیدا کردن کمترین میزان خطا تو مدل‌ها
مشتق عبارت‌های چندجمله‌ای و مثلثاتی	کار با توابع فعال‌ساز تو شبکه‌های عصبی
قاعده مشتق زنجیره‌ای (Chain Rule)	به شدت حیاتی برای درک Deep Learning و شبکه‌های عصبی (ANN)

حرف آخر…

می‌دونم شرکت‌ها و دوره‌هایی هستن که ۶۰-۷۰ میلیون تومن ازتون پول می‌گیرن ولی اصلاً اشاره‌ای به ریاضیات نمی‌کنن چون می‌ترسن فرار کنید! اما هدف من تو این دوره اینه که این مفاهیم رو به راحت‌ترین و شیرین‌ترین شکل ممکن و از صفرِ صفر بهتون بفهمونم. نیازی نیست پیش‌نیاز عجیب غریبی داشته باشید، فقط با من همراه بشید.