نقشه راه جبر خطی برای هوش مصنوعی: از بردار تا مقدار ویژه
اگر تا امروز از جبر خطی فرار کرده‌اید چون «فقط یک درس ریاضی انتزاعی» به‌نظر می‌رسد، این صفحه دقیقاً برای شماست. تقریباً هر مدل یادگیری ماشین - از رگرسیون خطی ساده تا بزرگ‌ترین مدل‌های زبانی - در نهایت به چند عملیات جبر خطی خلاصه می‌شود: ضرب بردار در ماتریس. این نقشه‌راه سه درس موجود در کتابخانه‌ی درسی ما را به ترتیب منطقی به‌هم وصل می‌کند تا با کمترین سردرگمی، مسیر «بردار تا مقدار ویژه» را طی کنید.
۱. بردارها و فضای برداری
همه‌چیز از اینجا شروع می‌شود: یک بردار، ساده‌ترین راه برای نمایش یک نقطه‌ی داده (مثلاً پیکسل‌های یک تصویر یا ویژگی‌های یک کاربر) به‌صورت یک آرایه‌ی عددی در فضا است. یادگیری جمع/تفریق بردار، ضرب اسکالر، و مفهوم فضای برداری، پیش‌نیاز مطلق هر مبحث بعدی است.
رفتن به درس ←۲. ماتریس‌ها و عملیات ماتریسی
اگر بردار یک «وضعیت» را نشان دهد، ماتریس ابزاری است که آن وضعیت را تغییر می‌دهد - چرخش، مقیاس‌دهی، یا تبدیل کامل فضا. هر لایه‌ی یک شبکه‌ی عصبی، در سطح ریاضی، چیزی جز یک ضرب ماتریسی به‌همراه یک تابع غیرخطی نیست.
رفتن به درس ←۳. مقادیر ویژه و بردارهای ویژه
وقتی یک ماتریس را روی فضا اعمال می‌کنید، بیشتر بردارها هم کشیده می‌شوند و هم می‌چرخند - اما تعداد کمی بردار خاص فقط کشیده می‌شوند (بدون چرخش). این بردارهای خاص و ضریب کشیدگی‌شان (مقدار ویژه) پایه‌ی تکنیک‌هایی مثل کاهش بعد و تحلیل مؤلفه‌های اصلی (PCA) هستند.
رفتن به درس ←۴. قدم بعدی: تجزیه‌ی مقادیر منفرد (SVD)
تجزیه‌ی ویژه فقط برای ماتریس‌های مربعی کار می‌کند؛ SVD همان ایده را به هر ماتریسی (حتی غیرمربعی، مثل یک ماتریس کاربر-محصول در سیستم پیشنهادگر) تعمیم می‌دهد - یکی از پرکاربردترین ابزارهای عملی جبر خطی در صنعت.
رفتن به درس ←آماده‌اید شروع کنید؟
این مسیر در نقشه‌ی دانش کامل ما زنده و قابل‌ردیابی است - با تمرین‌های تعاملی و ردیابی واقعی پیشرفت.
شروع درس اول: بردارها ← دیدن کل نقشه‌راه بصری