🔍 همبستگی vs علیت

📌 همبستگی (Correlation)
همبستگی یعنی دو چیز با هم تغییر می‌کنند؛ اما دلیلش لزوماً این نیست که یکی باعث دیگری شده.
مثال:
- هر وقت فروش بستنی زیاد می‌شود، غرق‌شدگی هم زیاد می‌شود.
این دو با هم بالا و پایین می‌روند، اما دلیلش گرمای هواست، نه اینکه بستنی مردم را به دریا پرت کند.

📌 علیت (Causation)
علیت یعنی یک چیز واقعاً باعث وقوع چیز دیگر می‌شود.
مثال:
- فشار دادن پدال گاز → افزایش سرعت.
اینجا رابطه‌ی علت و معلول واقعی وجود دارد.
تفاوت کلیدی
- همبستگی = همراهی
- علیت = دلیل
- هر علیتی همبستگی ایجاد می‌کند، اما هر همبستگی علیت نیست.
#math_ideas
@mathloopinfinite

مثلا من هر بار که چایی می‌خورم ایده‌ی جدید به ذهنم می‌رسه…
این همبستگیه یا علیت؟ هنوز مطمئن نیستم، ولی هرگز چایی رو قطع نمی‌کنم!

🔎برتینی Bertini یک نرم‌افزار رایگان و کم حجم

نرم‌افزارهای زیادی برای حل یا مطالعهٔ پرسش‌های (مسأله‌های) گوناگون ریاضی تولید شده‌اند. مانند Maple، Mathematica، Matlab که احتمالا دست‌کم اسم یکی از این سه را شنیده‌اید ولی خیلی از این نرم‌افزارهای مشهور پولی هستند. ولی روند ایجاد نرم‌افزارهای رایگان نیز هر روز رایج‌تر می‌شود. در بخش هندسهٔ جبری، می‌توانید از Singular، Macauly 2، CoCoA و غیره نام ببرید. یکی از نرم‌افزارهای رایگانی که در هندسهٔ جبری عددی برای خودش جایگاهی دارد Bertini برتینی نام دارد. این نرم‌افزار بوسیلهٔ ۴ استاد ریاضی آمریکایی طراحی شده‌است. حجم بسیار کمی دارد (کمتر از ۴ مگابایت) و از روش‌های هموتوپی عددی برای حل یک دستگاه برابری‌های چندجمله‌ای (معادلات چندجمله‌ای) یا مطالعهٔ تکینگی و چند ویژگی دیگر آنها استفاده می‌کند.
#math_ideas
#application
@mathloopinfinite

🔍مقایسه کارایی مختصات قطبی و دکارتی❗️

همگی با مختصات دکارتی( همان مولفه‌های x و y ) آشنایی دارید. بسیاری از توابع مهم و منحنی‌ها بر روی این صفحه مختصاتی تعریف و شناخته شده‌اند. از ساده‌ترین توابع گرفته تا توابع چند ضابطه‌ای، مشتق ناپذیر و...
اما این مختصات تنها بر مولفه‌های عمودی و افقی تعریف می‌شوند، بنا به تعبیری، حرکت در این مختصات فقط عمودی و افقی است. حال اگر یک منحنی پیچ در پیچ داشتیم چه؟ اگر قصد رسم یک حلزونی و سایر خم‌های غیر تابعی را داشتیم چه؟ یا قصد حرکت دورانی و نه صرفاً عمودی یا افقی؟
در این هنگام است که ایده مختصات قطبی به کارمان می‌آید. این ایده(مختصات قطبی در سه بعد) اولین بار توسط الکسی کلرو شروع شد، ولی کسی که آن را واقعاً توسعه داد، لئونارد اویلر معروف بود. با تنها دو مولفه r (پاره خطی جهت دار) و تِتا( زاویه مرکزی) خم‌هایی که در مختصات دکارتی ضابطه‌هایی پیچیده داشتند، به راحتی قابل رسم بودند!
از نمودار‌های قطبی معروف می‌توان به موارد زیر اشاره کرد:

🐌حلزونی‌ها یا به لفظ فرانسوی لیماسان(limaçon)

❤دلگون‌ها

🦋پروانه‌ای‌ها

🥚خاگی یا تخم مرغی

🌺رز‌ها
و....
#math_facts
#historical_math
@mathloopinfinite

❌️شرط عجیب پاسکال❗️

پاسکال که ریاضی‌دان و دانشمندی خبره بود تصمیم گرفت ارزش پذیرفتن مسیحیت را به عنوان یک ناجی بررسی کند. مسئله پاسکال بدین شرح بود:
برای برگزیدن مسیحی یا ملحد بودن، دو انتخاب داریم(مثل انتخاب دو شکلات از یک جعبه). پس احتمال انتخاب هر کدام از آن‌ها 1/2 است. به نوعی احتمال وجود خدا را ۵۰ درصد در نظر می‌گیریم. حال اگر فرد مسیحی معتقد باشد و بعد از مرگ خدایی در کار نباشد، تنها به نیستی می‌رسد ولی اگر خدایی باشد به پاداش اخروی، که این دو را پاسکال به شکل زیر تعبیر کرد.

بودن خدا:
1/2×مثبت بی‌نهایت=مثبت بی‌نهایت
(پاسکال بودن آخریت را مثبت بی‌نهایت در نظر گرفته و پوچی و نیستی را صفر)
نبودن خدا: 0×1/2=0
حال اگر ملحد باشید چه؟
اگر خدایی نباشد و پوچی باشد: 1/2×0=0
اگر خدایی باشد و ملحد از دنیا رفته باشید:
1/2×منفی بی‌نهایت= منفی بی‌نهایت

حتی اگر احتمال وجود خدا را هم یک هزارم در نظر بگیریم باز هم گفته‌های بالا برقرارند.ولی اگر احتمال وجود خدا را صفر در نظر بگیریم استدلال پاسکال هیچ معنایی ندارد چون 0×بی‌نهایت مبهم است.

اما نقدی که به این ادعای پاسکال وارد است، این است که نماد گذاری‌های عجیبی انجام داده. احتمال ملحد بودن را ضرب در منفی بی‌نهایت کرده! پاسکال برای خودش قردادی نوشته که اگر ملحد باشید و خدایی وجود داشته باشد پس باید به قعر جهنم رفت، پس احتمالا بخاطر این در منفی‌ بی‌نهایت ضرب کرده، نسبت دادن اعداد و نماد ها! در صورتی که اگر نماد‌ها را برعکس در نظر بگیریم نتیجه‌ کار نیز کاملا برعکس می‌شود!
گویا پاسکال برای این ادعای خود ریاضیات را کنار گذاشته بود.
منبع:کتاب بیوگرافی صفر، یک ایده خطرناک
از چارلز سیف
#historical_math
#math_facts
@mathloopinfinite

🔎تتریشن چیست؟

می‌دانیم که در ریاضیات برای خلاصه کردن ضرب، از توان استفاده می‌شود. برای مثال، به‌جای اینکه بنویسیم 2⋅2⋅2⋅2
، می‌توانیم بنویسیم: 2⁴
. اما آیا تا به‌حال با خود فکر کرده‌اید که اگر مثلاً داشته باشیم دو به توان دو به توان ۲(به عبارتی n بار به توان ۲ برسانیم)، آیا عملی وجود دارد که مانند ضرب، بتواند توان را خلاصه کند؟ پاسخ "بله" است!

نوعی اَبَر عمل در ریاضیات وجود دارد به‌نام "تتریشن" (Tetration) یا "هایپر-۴" (hyper-4) که به عبارتی نمایی گفته می‌شود که به‌صورت برگشتی و تکراری محاسبه می‌شود. تتریشن را به‌صورت (تصویر) می‌نویسند.
(تعداد a ها برابر با b است).
خوانده می‌شود: (a به اَبَر توان b)

#math_ideas
@mathloopinfinite

⚠️ سرنوشت بعضی معادلات، با خون نوشته می‌شود❗️

📜 فصل سوم: وصیت‌نامه‌ای آغشته به اشک

پاریس، ۱۸۳۲. خیابان‌های سنگفرش‌شده بوی باروت و انقلاب می‌دادند.
در یکی از اتاق‌های محقر پاریس، جوانی بیست ساله پشت میز چوبی نشسته بود.
قلم در دست، کاغذ در برابر، اما این یک نامه‌ی معمولی نبود.
این یک وصیت‌نامه بود.
اسمش اواریست گالوا بود.
تا حالا اسمش را شنیده‌ای؟ احتمالاً نه.
چون کتاب‌های درسی، نابغه‌ها را بعد از مرگشان جشن می‌گیرند،
نه آن لحظه که تنها، ترسان و عاشق، منتظر طلوع آخرین صبح زندگی‌شان هستند.

گالوا اما از اول هم مثل بقیه نبود.
دو بار در امتحان ورودی بهترین دانشگاه فرانسه (پلی‌تکنیک) رد شد.
یک بار، چون ممتحن سوال احمقانه‌ای پرسید،
گالوا تخته‌پاک‌کن را پرت کرد طرف صورتش!
اما مغزش... مغزش چیزی فراتر از نبوغ بود.
در هفده سالگی، نظریه‌ای می‌نوشت که بزرگترین ریاضیدانان اروپا قدرت فهمش را نداشتند.
کاغذهایش را برای فرهنگستان علوم فرانسه فرستاد.
گم شد.
دوباره فرستاد.
پاره کردند.
انگار سرنوشت نمی‌خواست او را به رسمیت بشناسد.

و بعد، انقلاب فرانسه از راه رسید.
گالوا یک جمهوری‌خواه دوآتشه شد. توی راهپیمایی‌ها شعار می‌داد، علیه شاه زنده باد می‌گفت.
نتیجه؟ زندان.

⚠️ عشقی که زهر بود

در زندان بود که ماجرا پیچید.
گالوا عاشق شد. عاشق دختر پزشک زندان.
دختری به نام استفانی.
عشقی که گویا یک طرفه بود. یا شاید هم یک تله.
کسی درست نمی‌داند. اما نتیجه‌اش این شد:
گالوا خود را درگیر یک دوئل با شمشیر یافت.
دوئلی بر سر ناموس. اما چه کسی واقعاً ترتیبش را داده بود؟
مأموران شاه؟ جاسوس‌های مخفی؟ یا عشقی که از اول هم واقعی نبود؟

تاریخ هنوز در این مورد سکوت کرده.

اما آنچه می‌دانیم این است:
گالوا فهمید فردا صبح خواهد مُرد.
او بیست ساله بود. و فقط یک شب فرصت داشت.
شبی که کاغذها گریه کردند!
شب ۲۹ مه ۱۸۳۲.
بیرون، پاریس در تاریکی فرو رفته بود.
داخل آن اتاق محقر، شمعی می‌سوخت و جوانی دیوانه‌وار می‌نوشت.
نه نامه‌ی خداحافظی.
نه التماس برای بخشش.
بلکه... ریاضیات.
او تمام آنچه را که در ذهن نابغه‌اش انباشته شده بود،
روی کاغذ می‌ریخت.
نظریه‌ای که بعدها "نظریه گروه‌ها" نام گرفت.
اساس ریاضیات مدرن.
اساس رمزنگاری، فیزیک کوانتوم، و حتی ساختار جهان.
صفحات پشت صفحات.
دستخطش شتابزده و آشفته بود.
در حاشیه‌ی برگه‌ها، جملاتی نوشت که هنوز روح دارند:
"وقت ندارم. وقت ندارم."
صبح آمد.
گالوا قلم را زمین گذاشت.
کاغذها را جمع کرد و برای دوستش فرستاد:
"از ریاضیدانان بزرگ بخواه این نوشته‌ها را بخوانند. شاید روزی بفهمند."
بعد، به سوی مرگ قدم برداشت.
در یک چمن‌زار دورافتاده، روبه‌روی حریف ایستاد.
سی ثانیه بعد، شلیکی در سکوت صبح پیچید.
گالوا روی زمین افتاد.
گلوله شکمش را دریده بود.
ساعت‌ها بعد، برادرش بالای سرش رسید.
گالوا درحالی که اشک می‌ریخت، آخرین کلماتش را گفت:
"برای من گریه نکن... در بیست سالگی، تمام شهامتم را خرج کردم."
و مُرد.
بیست سال و هفت ماه از عمرش گذشته بود.
سال‌ها بعد، ریاضیدانان بزرگ بالاخره دست‌نوشته‌های آن شب را خواندند.
مغزشان از کار افتاد.
پسری بیست ساله، در یک شب،
چیزی را کشف کرده بود که بشریت پنجاه سال بعدتر هم نمی‌توانست تصورش را بکند.
اگر آن شب زنده می‌ماند، امروز جهان چه شکلی بود؟
بعضی از مورخ‌ها می‌گویند لکه‌های اشک روی کاغذهای گالوا هنوز هم زیر نور فرابنفش دیده می‌شود.
اشک پسری که می‌دانست قرار است بمیرد،
اما ریاضی را رها نکرد.
#راز_های_مگو_تاریخ_مخفی_ریاضیات
#فصل_سوم
#اواریست_گالوا
#وصیت_نامه_خونین
#historical_math
#math_facts
@mathloopinfinite

الگوریتم اقلیدس
روشی موسوم به روش نردبانی برای یافتن بزرگ‌ترین مقسوم‌علیه مشترک (ب. م. م) دو عدد است. ساده‌ترین نسخۀ الگوریتم اقلیدس، بر این واقعیت استوار است که ب. م. م دو عدد، با ب. م. م عدد کوچک‌تر و تفاضل آن دو عدد، یکسان است.

نسخۀ سادۀ الگوریتم اقلیدس:

در نسخۀ سادۀ الگوریتم اقلیدس، برای به‌دست آوردن ب. م. م دو عدد مثلاً a
و b ابتدا b را از a کم میکنیم. فرض میکنیم b از a بزرگتر است.
مثلاً حاصلش برابر با عددی مثل cمی‌شود.
سپس حاصل (یعنی c) را از bکم می‌کنیم و حاصل برابر با عدد دیگر مثل d می‌شود: b−c=d و بعد dرا از c کم می‌کنیم و حاصل برابر با عدد دیگری مثل eمی‌شود: c−d=e و این عمل را تا جایی که تفاضل صفر شود ادامه می‌دهیم، حاصل آخرین تفاضل غیرصفر، برابر با ب. م. م a
و b است.

#math_ideas
#math_facts
@mathloopinfinite

🧩 وقتی ماشین می‌خواد اثبات بنویسه ریاضی بعد از انسان

اثبات ریاضی در ظاهر استدلال منطقیه،

اما از منظر محاسباتی، میشه اون رو به صورت زنجیره‌ای از گام‌های قابل بررسی مدل کرد.

اگر بتونی هر گام رو با منطق صوری (formal logic) بنویسی،

اون وقت کامپیوتر می‌تونه درست یا غلط بودنش رو تأیید کنه.

به همین دلیل پروژه‌هایی مثل Lean, Coq, و Isabelle ساخته شدن:

زبان‌هایی که توش‌ها ریاضی‌دان‌ها قضیه‌ها و اثبات‌هاشون رو طوری می‌نویسن
که هر سطرش توسط ماشین بررسی بشه.

قبلاً ماشین فقط می‌تونست چِک کنه اثبات درسته یا نه،

الان داره تلاش می‌کنه خودش پیشنهاد بده چه مسیری برای اثبات بهتره.

پروژهٔ DeepMind – AlphaProof و سیستم‌هایی مثل GPT-f یا Leaner،

در حال یاد گرفتن از میلیون‌ها اثبات انسانی هستن تا حدس بزنن

“گام بعدی منطقیِ مفید” در مسیر اثبات چیه.

درواقع همین الگوریتم‌ها دارن ریاضی رو از زبان طبیعی (natural language)

به زبان فرمولی و رسمی ترجمه می‌کنن — برعکس ChatGPT که عمل زبان رو انسانی‌تر می‌کنه.
🔹یک مسئلهٔ فلسفی
اگر ماشین یه قضیه رو اثبات کنه که هیچ انسانی نفهمه،

آیا این “دانش” محسوب میشه؟

آیا “اثبات” یعنی درک شدن، یا فقط “قابل‌تأیید بودن”؟

اینجاست که مرز بین ریاضی، منطق و فلسفهٔ ذهن محو میشه.
⚙️ نتیجه‌گیری
هوش مصنوعی می‌تونه اثبات تولید کنه، اما هنوز نمی‌فهمه چرا درسته.
ریاضی‌دان هنوز نقش “قاضی معنا” رو داره، نه فقط “تاییدکننده صحت”.
و شاید روزی، اولین قضیه‌ای که هیچ انسان توان درکش رو نداره اما کاملاً صحیحه،
به اسم یه ماشین ثبت بشه.
@mathloopinfinite

🎭 هوش مصنوعی و نظریه بازی‌ها: وقتی ماشین‌ها باهم مذاکره می‌کنن‼️

ریاضی فقط دنبال جواب نیست؛
گاهی دنبال تصمیم درسته.

اینجا جاییه که نظریهٔ بازی‌ها (Game Theory) وارد میشه.

نظریه بازی‌ها شاخه‌ای از ریاضیه که بررسی می‌کنه وقتی چند بازیگر (انسان یا ماشین) تصمیم‌هایی می‌گیرن که روی هم اثر می‌ذاره، نتیجه نهایی چطور شکل می‌گیره.یک «بازی» در این نظریه یعنی سیستمی که در اون:

بازیکن‌ها (Players): تصمیم‌گیرنده‌ها هستن (ممکنه انسان، شرکت یا الگوریتم باشن)،
استراتژی‌ها (Strategies): مجموعه انتخاب‌های ممکن،
نتایج (Payoffs): سود یا ضرر ناشی از ترکیب تصمیم‌ها.
هدف نظریه بازی‌ها اینه که بفهمه تعادل سیستم وقتی هر بازیکن بهترین کار ممکن برای خودش رو انجام میده چی میشه.
تعادل نش (Nash Equilibrium)
تعادلی که اگر همه بهش برسن،

هیچ‌کس با تغییر تصمیم خودش وضعیت بهتری پیدا نمی‌کنه.

یعنی نقطه‌ای که «هیچ‌کس انگیزه‌ای برای خیانت نداره» چون همه دقیق‌ترین واکنش ممکن رو انتخاب کردن.

یک سمفونی از منافع متضاد؛ اما با نظم ریاضی.
🧩 کاربرد واقعی
در اقتصاد، تحلیل تصمیم شرکت‌ها که قیمت‌گذاری می‌کنن.
در سیستم‌های AI، وقتی چند مدل با هم تعامل دارن (مثل ربات‌هایی که مذاکره یا رقابت می‌کنن).
در زیست‌شناسی تکاملی، برای تبیین رفتارهایی مثل همکاری یا رقابت بین گونه‌ها.
در سیاست و جنگ، برای طراحی استراتژی‌های بازدارندگی (Deterrence).
⚗️ مثال کلاسیک: بازی زندانی (Prisoner’s Dilemma)
دو مظنون بازداشت شدن. اگر هر دو سکوت کنن، هر کدوم یک‌سال زندان می‌رن.

اگه یکی خیانت کنه و اون یکی سکوت، خائنه آزاد میشه و اون یکی ۵ سال میره زندان.

اگه هر دو خیانت کنن، هر دو ۳ سال می‌رن زندان.

هرچند همکاری نتیجه بهتری میده، ولی تعادل نش جاییه که هر دو خیانت می‌کنن!

چون از نظر ریاضی، تغییر انفرادی وضعیت هیچ‌کدوم رو بهتر نمی‌کنه.

⚙️ در دنیای هوش مصنوعی
الگوریتم‌های یادگیری تقویتی چندعاملی (Multi-Agent Reinforcement Learning)

اغلب با تکیه بر نظریه بازی‌ها پیش میرن:

هر عامل (Agent) سعی می‌کنه واکنش بهینه به رفتار بقیه یاد بگیره.

به‌عبارتی، ماشین‌ها دارن نظریه بازی‌ها رو “زندگی می‌کنن”.

💬 جمع‌بندی
نظریه بازی‌ها فقط مدل‌سازی رفتار نیست،

بلکه پلیه بین منطق و روان‌شناسی.

نشون میده که «عقلانیتِ عددی» همیشه منجر به بهترین نتیجه جمعی نمی‌شه.

گاهی ریاضی با دقت تمام ثابت می‌کنه
که بهترین تصمیم‌های فردی،
می‌تونه بدترین نتیجه‌ی جمعی رو بسازه!
@mathloopinfinite

دنیای آشفته: وقتی نظم در دل بی‌نظمی پنهان است! 🌪️
تا حالا به این فکر کردید که چرا پیش‌بینی آب و هوا در بلندمدت انقدر سخته؟ یا چرا بازارهای مالی همیشه پر از نوسان هستن؟ شاید جواب در “نظریه آشوب” باشه!

نظریه آشوب چیه؟

به زبان ساده، این نظریه به مطالعه سیستم‌های پیچیده‌ای می‌پردازه که به شدت به شرایط اولیه‌شون حساس هستن. یعنی چی؟ یعنی یه تغییر خیلی خیلی کوچیک در نقطه شروع، می‌تونه در آینده نتایج کاملاً متفاوتی رو رقم بزنه.

اثر پروانه‌ای 🦋
معروف‌ترین مثالش همون “اثر پروانه‌ای” هست: بال زدن یه پروانه در یک گوشه دنیا، ممکنه باعث ایجاد طوفان در گوشه دیگه بشه! (البته این یه مثال شاعرانه‌ست، ولی اصل مطلب رو خوب نشون میده). این یعنی پیش‌بینی دقیق رفتار این سیستم‌ها در بلندمدت تقریباً غیرممکنه، حتی اگه قوانین حاکم بر اون‌ها کاملاً مشخص و قطعی باشه!

پس چرا باید بهش فکر کنیم؟

چون خیلی از پدیده‌های طبیعی و حتی اجتماعی از این قوانین پیروی می‌کنن:

هواشناسی: پیش‌بینی دقیق آب و هوا بعد از چند روز
اقتصاد: نوسانات بازار سهام
زیست‌شناسی: الگوهای رشد جمعیت یا حتی ضربان قلب
نظریه آشوب به ما نشون می‌ده که حتی در دل بی‌نظمی ظاهری، می‌تونه یک نظم پنهان و پیچیده وجود داشته باشه. دنیای ما شاید اونقدرها هم که فکر می‌کنیم قابل پیش‌بینی نباشه، اما همین غیرقابل پیش‌بینی بودن، جذابیت‌هاش رو دوچندان می‌کنه! ✨

#نظریه_آشوب #ریاضیات
#نظریه_های_جالب_ریاضی

@mathloopinfinite

خب بیاید فرض کنیم برنامه که قراره ب.م.م دو تا عدد مثل a و b رو حساب کنه. خب حالت عادی تو ذهنمون میایم برای هر دو عدد شمارنده‌هاش رو بررسی می‌کنیم و از بین اشتراک‌شون بزرگترین رو انتخاب می‌کنیم. همین قضیه رو باید یه جوری پیاده کنیم که کامپیوتر بفهمه. در نتیجه عملا به چندین حلقه و یک حلقه تو در تو و آرایه نیازه، که من برای اینکه راحت‌تر باشه آرایه رو توcpp با وکتور رفتم چون به صورت آرایه‌ای محض حتی مشکل‌تره. که نتیجه نهایی میشه همچین چیزی:

#include<iostream> //gcd the hard way :D
#include <vector>
using namespace std;
int main()
{
int a;
int b;
vector<int> r;
vector<int> m;
cin >> a >> b;
for (int i = 1; i <= a; i++)
{
if (a % i == 0)
{
r.push_back(i);
}
}
for (int i = 1; i <= b; i++)
{
if (b % i == 0)
{
m.push_back(i);
}
}
// for finding the max ---->
int gcd = 1;
for (int i = 0; i < r.size(); i++)
{
for (int j = 0; j < m.size(); j++)
{
if (r[i] == m[j])
{
if (r[i] > gcd)
{
gcd = r[i];
}
}
}
}
cout << "the gcd is: " << gcd;
return 0;
}

🥸حالا اگر بخوایم الگوریتم اقلیدسی بریم کارمون خیلی راحت‌تر میشه و تو کمتر از بیست خط کار جمعه. البته اینجا از روش تفریق استفاده نکردیم چون کار با باقیمانده راحت‌تره.

#include <iostream>//الگوریتم اقلیدسی
using namespace std;
int main()
{
int a,b;
cin>>a>>b;
int x=a, y=b;
int temp;
while(y != 0)
{
temp = y;
y = x%y;
x = temp;
}
cout<<"the gcd is: "<<x<<endl;

return 0;
}

البته یک روش دیگه هم وجود داره که با استفاده از عامل‌های اول اعداد ب‌م‌‌م رو پیدا کنیم که باز هم به بهینه بودن الگوریتم اقلیدسی نیست🥸
#math_ideas
#math_facts
#coding
@mathloopinfinite

📍به نام مریم میرزاخانی ، اوکه مرزهای دانش را درنوردید.
ریاضیات، زبان جهان و کلید فهم هستی است؛ و این درک، خود، آزادی‌بخش است.
به مناسبت سالروز تولد مریم میرزاخانی، نابغهٔ ایرانی که نخستین زن و تا به امروز تنها زن برندهٔ مدال فیلدز، کسی که یاد و نام او الهام‌بخش نسلی از زنان و دخترانی است که با اندیشه، خلاقیت و پشتکار، مرزهای دانش را گسترش می‌دهند و آیندهٔ علم را می‌سازند، این روز به عنوان روز جهانی زنان در ریاضیات گرامی داشته میشود.

روز جهانی زنان در ریاضیات گرامی باد💐.

🎲🌀 زنجیره‌های مارکف: وقتی آینده فقط به «الان» بستگی دارد!

آیا تا به حال فکر کرده‌اید بعضی سیستم‌ها طوری رفتار می‌کنند که انگار گذشته اصلاً برایشان مهم نیست؟ فقط «لحظه فعلی» است که آینده را می‌سازد.

به این نوع رفتار می‌گوییم خاصیت بی‌حافظگی — و همین نقطه شروع زنجیره‌های مارکف است؛ یکی از مفاهیم کلیدی در احتمال، علوم داده، اقتصاد، یادگیری ماشین و حتی فیزیک.

زنجیره مارکف چیست؟
زنجیره مارکف مدلی است که در آن:

احتمال رخ دادن وضعیت بعدی، فقط به وضعیت فعلی وابسته است — نه قبل‌تر از آن.

به بیان ساده‌تر:

اگر الان «A» هستی، احتمال اینکه «B» یا «C» بشوی فقط بستگی به همین وضعیت کنونی دارد.

گذشته؟ مهم نیست!

این جمله کلیدی است:

P(next | present, past) = P(next | present)

🔹 یک مثال ساده : آب و هوا
فرض کن هوای امروز «آفتابی» است. در یک مدل مارکفی، پیش‌بینی فردا فقط به امروز وابسته است:

اگر امروز آفتابی باشد:

احتمال ۷۰٪ فردا هم آفتابی

احتمال ۳۰٪ فردا بارانی

اگر امروز بارانی باشد:

احتمال ۴۰٪ فردا آفتابی

احتمال ۶۰٪ فردا بارانی
این جدول احتمالات همان چیزی است که به آن می‌گوییم ماتریس انتقال.

کاربردها: از گوگل تا ژنتیک
زنجیره‌های مارکف همه جا هستند:

PageRank گوگل: رتبه‌بندی صفحات با یک زنجیره مارکف غول‌پیکر.
مدل‌های زبان: حدس کلمه بعدی در متن.
اقتصاد: تحلیل بازارها و ریسک.
زیست‌شناسی: مدل‌سازی جهش ژنی.
فیزیک و شیمی: مدل‌سازی حرکت مولکول‌ها.
هوش مصنوعی و یادگیری ماشین: هسته اولیه HMMها (مدل‌های مارکف پنهان).
مارکف را همه جا خواهی دید!

🔥آیا می‌دانستی⁉️
آندری مارکف، ریاضیدان روسی، این نظریه را برای مقابله با ادعاهای سیاسی درباره «تصادفی بودن» رفتار زبان ابداع کرد.
او می‌خواست ثابت کند که توالی حروف در شعرهای پوشکین کاملاً تصادفی نیستند—و همین کار زمینه‌ساز یکی از زیباترین مدل‌های احتمال شد!

#زنجیر_های_مارکف
@mathloopinfinite

📝زنجیره‌های مارکوف در عمل: چطور AI با ما حرف می‌زنه و ما رو درک می‌کنه؟

قبلاً در مورد زنجیره‌های مارکوف و اون خاصیت جالب “فقط وابسته بودن به وضعیت فعلی” صحبت کردیم.امروز می‌خوام بریم سراغ اصل مطلب: این زنجیره‌ها چطور در دنیای واقعی هوش مصنوعی به کار میان و چه کارهایی انجام می‌دن؟ بیا با چند مثال کاربردی ببینیم چطور این ابزار ریاضی، مغز متفکر پشت خیلی از قابلیت‌های AI هست!

۱. صحبت کردن ماشین‌ها (پردازش زبان طبیعی - NLP) 🗣️✍️
حدس کلمه‌ی بعدی: وقتی در گوشی یا کامپیوترتون تایپ می‌کنید و اون کلمه بعدی رو پیشنهاد می‌ده؟ خیلی وقت‌ها پای یک مدل مارکوفی (یا مدل‌های پیشرفته‌تر مبتنی بر اون) در میونه! این مدل‌ها یاد می‌گیرن که بعد از هر کلمه یا توالی کلمات، کدوم کلمه با بیشترین احتمال میاد.
مدل یاد گرفته که بعد از “من امروز…”، کلماتی مثل “خسته”، “شاد”، “گرسنه” یا “به کلاس می‌روم” احتمال بیشتری دارن.
با همین مکانیزم، می‌شه متن‌های جدیدی رو شبیه‌سازی کرد. مثلاً یک ربات چت می‌تونه با استفاده از الگوهای مارکوفی، جملاتی رو بسازه که لحن و ساختار متون آموزشی که بهش داده شده رو تقلید کنه.

فهمیدن صدای شما (تشخیص گفتار) 🎙️
تبدیل صدا به متن: وقتی با دستیار صوتی گوشی یا اسپیکرهای هوشمند صحبت می‌کنید، صدای شما به توالی کلمات تبدیل می‌شه. مدل‌های مخفی مارکوف (Hidden Markov Models - HMMs) که یک نوع پیشرفته‌تر از زنجیره مارکوف هستند، در این فرآیند نقش کلیدی دارند. اون‌ها با مقایسه الگوی صوتی شما با الگوهای شناخته شده‌ی کلمات، بهترین و محتمل‌ترین توالی کلمات رو حدس می‌زنند.

شما رو بهتر شناختن (سیستم‌های توصیه‌گر) 🛍️💡
پیش‌بینی علاقه شما: تصور کنید در یک فروشگاه آنلاین می‌چرخید. هر کلیک و بازدید شما یک “وضعیت” جدیده. الگوریتم‌های توصیه‌گر می‌تونن رفتار شما رو مثل یک زنجیره مارکوف مدل کنن. اون‌ها با دیدن اینکه شما الان در چه “حالتی” (مثلاً صفحه موبایل رو دیدید) هستید، پیش‌بینی می‌کنن که در “وضعیت بعدی” (قدم بعدی شما) به احتمال زیاد به چه محصولی (مثلاً هندزفری) علاقه نشون می‌دید و همون رو به شما پیشنهاد می‌دن.

تحلیل رفتار ربات‌ها و عامل‌های هوشمند (یادگیری تقویتی) 🤖🎮
تصمیم‌گیری هوشمندانه: در مسائلی مثل بازی کردن یک ربات یا کنترل یک سیستم خودکار، رفتار ربات رو می‌شه به صورت یک فرآیند تصمیم‌گیری مارکوفی (Markov Decision Process - MDP) مدل کرد. اینجا “حالت‌ها” وضعیت‌های مختلف بازی یا سیستم هستند و “تصمیم‌ها” باعث تغییر حالت می‌شن. هدف اینه که ربات یاد بگیره چطور در هر حالت تصمیم درست بگیره تا در نهایت بیشترین پاداش رو کسب کنه (مثلاً در بازی برنده بشه).

پردازش تصاویر و ویدئوها (بینایی ماشین) 👁️📹
تحلیل توالی تصاویر: در تحلیل ویدئوها، هر فریم می‌تونه یک “حالت” باشه. زنجیره‌های مارکوف می‌تونن برای تشخیص حرکات، دنبال کردن اشیاء در طول زمان، یا طبقه‌بندی سکانس‌های ویدئویی به کار برن.

همونطور که می‌بینید، زنجیره‌های مارکوف فقط یک مفهوم تئوری ریاضی نیستند، بلکه ابزارهای بسیار کاربردی هستند که در قلب بسیاری از فناوری‌های هوش مصنوعی که روزانه باهاشون سر و کار داریم، قرار دارند. از پیشنهاد دادن فیلم مورد علاقه‌تون گرفته تا کمک به دستیار صوتی برای فهمیدن حرف‌هاتون!

شما از کدوم یکی از این کاربردها بیشتر شگفت‌زده شدید؟ یا کاربرد دیگه‌ای از این مدل‌ها به ذهنتون می‌رسه؟ توی کامنت‌ها بنویسید! 👇

https://t.me/littlelogician/90

در این لینک راجب زنجیر های مخفی مارکوف صحبت شده.

#کاربرد_هوش_مصنوعی #زنجیره_مارکوف #یادگیری_ماشین_کاربردی

@mathloopinfinite

🚀 دو الگوریتم کلیدی در HMM: فوروارد و ویتربی!

. الگوریتم فوروارد (Forward Algorithm): محاسبه‌ی احتمالات مشاهدات! 📊
هدف فوروارد چیه؟

این الگوریتم به ما می‌گه که اگر یک مدل HMM داشته باشیم، احتمال اینکه یک توالی خاص از مشاهدات (Observations) رخ بده چقدره؟
خیلی ساده:

فرض کن یه مسیر مارکوفی داریم (مثلاً آب و هوای فردا). ما می‌خوایم ببینیم احتمال اینکه توالی مشاهدات “آفتابی، بعد ابری، بعد بارانی” اتفاق بیفته، چقدره؟

چطور کار می‌کنه؟
از ابتدا شروع می‌کنه.
در هر مرحله، تمام حالت‌های پنهانی که ممکنه در اون لحظه در اون باشیم رو در نظر می‌گیره.
احتمال رسیدن به هر حالت از تمام مسیرهای ممکن قبلی رو محاسبه می‌کنه.
این احتمالات رو با احتمال مشاهده‌ی فعلی ضرب می‌کنه.
این کار رو تا انتهای توالی مشاهدات ادامه می‌ده.
کاربرد فوروارد:
محاسبه‌ی احتمال کلی یک توالی: برای اینکه بفهمیم چقدر یک مدل HMM، داده‌های ما را خوب توضیح می‌دهد (مثلاً در آموزش مدل).
انجام مقایسه بین مدل‌ها: کدام مدل HMM، داده‌های ما را بهتر توصیف می‌کند؟

. الگوریتم ویتربی (Viterbi Algorithm): پیدا کردن محتمل‌ترین مسیر پنهان! 🗺️
هدف ویتربی چیه؟

این الگوریتم به ما می‌گه که اگر یک توالی از مشاهدات رو دیدیم، محتمل‌ترین توالی از حالت‌های پنهان که منجر به این مشاهدات شده، چیست؟
به زبان ساده:

ما توالی صداها رو شنیدیم (مشاهدات). حالا می‌خوایم بدونیم محتمل‌ترین توالی کلماتی که باعث تولید این صداها شده، چی بوده؟ (این همون کاربرد اصلی در تشخیص گفتاره).

چطور کار می‌کنه؟
شبیه فوروارد، از ابتدا شروع می‌کنه.
اما به جای جمع کردن احتمالات تمام مسیرها، بهترین و محتمل‌ترین مسیر تا هر حالت رو پیدا می‌کنه.
در هر مرحله، فقط مسیری رو نگه می‌داره که بیشترین احتمال رو داشته.
این کار رو تا انتها ادامه می‌ده و در نهایت، محتمل‌ترین مسیر کل رو به دست میاره.

کاربرد ویتربی:

تشخیص گفتار: پیدا کردن محتمل‌ترین توالی کلمات از روی صدا.
برچسب‌گذاری اجزای کلام (POS Tagging): پیدا کردن محتمل‌ترین نقش دستوری برای هر کلمه در جمله.
تحلیل توالی DNA: پیدا کردن محتمل‌ترین توالی ژن‌ها.

تفاوت کلیدی فوروارد و ویتربی:
فوروارد: احتمال کل یک توالی مشاهده را حساب می‌کند. (مثلاً: احتمال دیدن “آفتابی، ابری، بارانی” چقدر است؟)
ویتربی: محتمل‌ترین توالی حالت‌های پنهان را برای یک توالی مشاهده پیدا می‌کند. (مثلاً: اگر دیدیم “آفتابی، ابری، بارانی”، محتمل‌ترین آب و هوای پشت صحنه چه بوده؟)

مدل_مخفی_مارکوف #HMM #الگوریتم_فوروارد #الگوریتم_ویتربی #هوش_مصنوعی

قضیۀ بزو:
فرض کنید a و b دو عدد صحیح باشند که دست کم یکی از آن‌ها مخالف صفر است. در این صورت دو عدد صحیح r و s را می‌توان یافت به‌طوری که: d=ra+sb
(dب. م. م a و b است).
به‌عبارت دیگر حداقل یک ترکیب خطی از دو عدد صحیح a و b مساوی ب. م. م آن‌ها خواهد بود.

این قضیه را نخستین بار ریاضی‌دان فرانسوی اتین بزو در کتابش «نظریۀ عمومی معادله‌های جبری» اثبات کرد.

@mathloopinfinite

قضیه بزو (Bézout’s identity) یکی از قضایای بنیادی در نظریه اعداد است که کاربردهای فراوانی در ریاضیات و علوم کامپیوتر دارد.
کاربردهای قضیه بزو:📝

الگوریتم اقلیدس
(Euclidean Algorithm):
قضیه بزو ارتباط تنگاتنگی با الگوریتم اقلیدس دارد. در واقع، الگوریتم اقلیدس روشی کارآمد برای یافتن بزرگترین مقسوم‌علیه مشترک (ب.م.م) دو عدد است و اثبات الگوریتم اقلیدس به طور مستقیم از قضیه بزو بهره می‌برد. با استفاده از قضیه بزو، می‌توانیم ضرایب x و y را نیز به طور موثر محاسبه کنیم. این الگوریتم در بسیاری از محاسبات رمزنگاری کاربرد دارد.

رمزنگاری (Cryptography):
رمزنگاری کلید عمومی (Public-Key Cryptography): قضیه بزو نقشی حیاتی در الگوریتم‌های رمزنگاری کلید عمومی مانند RSA ایفا می‌کند. در این الگوریتم‌ها، محاسبه معکوس ضربی در پیمانه (Modular Multiplicative Inverse) یک گام اساسی است. برای یافتن معکوس a-¹ (modm) , ما به دنبال عددی هستیم که
a.a-¹ ≡1(modm)
. این معادل یافتن 𝑥 وy در معادله ax+my=1 است، که اگرgcd(a,m)=1 باشد، طبق قضیه بزو، چنین 𝑥 و 𝑦 وجود دارند و 𝑥 همان معکوس ضربی 𝑎 به پیمانه 𝑚 خواهد بود.

تولید اعداد شبه تصادفی: برخی از مولدهای اعداد شبه تصادفی از خواص اعداد صحیح و ب.م.م برای تولید دنباله‌هایی از اعداد استفاده می‌کنند که کاربرد در شبیه‌سازی‌ها و رمزنگاری دارند.

نظریه کدگذاری
(Coding Theory):
قضیه بزو در طراحی و تحلیل برخی از کدها، به ویژه کدهای تصحیح خطا، کاربرد دارد. استفاده از خواص ب.م.م و ترکیبات خطی می‌تواند به ایجاد ساختارهایی کمک کند که قادر به تشخیص و تصحیح خطا در داده‌ها باشند.
و.......

جمع‌بندی:
قضیه بزو، با وجود سادگی ظاهری، یکی از ابزارهای قدرتمند در جعبه ابزار ریاضیات است. از مباحث نظری عمیق گرفته تا کاربردهای عملی در دنیای دیجیتال و رمزنگاری، این قضیه نشان می‌دهد که چگونه مفاهیم پایه‌ای نظریه اعداد می‌توانند پایه‌های فناوری‌های مدرن را تشکیل دهند. درک قضیه بزو و کاربردهای آن، به ویژه در زمینه الگوریتم اقلیدس و رمزنگاری، برای هر کسی که به ریاضیات کاربردی و علوم کامپیوتر علاقه‌مند است، ضروری است.

@mathloopinfinite

قضیه فلووکمینه‌برش: پل ارتباطی بین شبکه‌ها و بهینه‌سازی! 🚀

آیا تا به حال فکر کرده‌اید که چگونه می‌توان بیشترین مقدار داده را از یک نقطه به نقطه دیگر در یک شبکه منتقل کرد؟ یا چگونه می‌توان شبکه‌ای را به گونه‌ای تقسیم کرد که کمترین هزینه را داشته باشد؟ پاسخ در قضیه اساسی فلو و کمینه‌برش (Max-Flow Min-Cut Theorem) نهفته است.

📝مفهوم فلو (Flow) چیست؟
تصور کنید شبکه‌ای داریم که مانند لوله‌کشی آب یا خطوط انتقال برق عمل می‌کند. هر لوله (یال) ظرفیت مشخصی دارد که حداکثر مقداری را که می‌تواند از خود عبور دهد، تعیین می‌کند.

منبع (Source): نقطه‌ای که فلو از آنجا شروع می‌شود.
مقصد (Sink): نقطه‌ای که فلو به آن ختم می‌شود.
ظرفیت (Capacity): حداکثر مقدار مجاز عبور از هر یال.
فلو (Flow): مقداری که واقعاً از هر یال عبور می‌کند، که هرگز از ظرفیت آن تجاوز نمی‌کند.هدف در مسائل Max-Flow این است که بیشترین مقدار فلو ممکن را از منبع به مقصد برسانیم.

✂️ مفهوم کمینه‌برش (Min-Cut) چیست؟

حالا تصور کنید می‌خواهیم شبکه را به دو بخش تقسیم کنیم، به طوری که منبع در یک بخش و مقصد در بخش دیگر قرار بگیرد. این تقسیم‌بندی را برش (Cut) می‌نامیم.

برش (Cut): مجموعه‌ای از یال‌ها که اگر آن‌ها را حذف کنیم، مسیر بین منبع و مقصد قطع می‌شود.
ظرفیت برش (Capacity of a Cut): مجموع ظرفیت یال‌هایی که در آن برش قرار دارند.هدف در مسائل Min-Cut این است که برشی پیدا کنیم که مجموع ظرفیت یال‌های آن کمترین مقدار ممکن باشد.

قضیه جادویی‼️: Max-Flow Min-Cut Theorem
این قضیه، که یکی از ستون‌های اصلی نظریه گراف و بهینه‌سازی است، بیان می‌کند:
بیشترین مقدار فلو ممکن از منبع به مقصد در یک شبکه، برابر است با کمترین ظرفیت یک برش که منبع و مقصد را از هم جدا می‌کند.
این قضیه خارق‌العاده است چون:

ارتباط دوگانگی: بین دو مسئله کاملاً متفاوت (حداکثر کردن جریان و حداقل کردن هزینه قطع) یک رابطه عمیق برقرار می‌کند.

الگوریتم‌ها: امکان حل مسئله Max-Flow را با استفاده از الگوریتم‌هایی که Min-Cut را پیدا می‌کنند (و برعکس) فراهم می‌آورد. الگوریتم‌های معروفی مانند Ford-Fulkerson و Edmonds-Karp بر اساس این قضیه کار می‌کنند.
💡 کاربردها در دنیای واقعی

این قضیه فقط یک مفهوم تئوری نیست، بلکه کاربردهای بسیار وسیعی دارد:

شبکه‌های کامپیوتری: تعیین حداکثر پهنای باند قابل انتقال بین سرورها، مسیریابی داده‌ها.
حمل و نقل و لجستیک: بهینه‌سازی مسیرها، تعیین ظرفیت حمل و نقل.
تخصیص منابع: تخصیص بهینه ماشین‌آلات به وظایف، برنامه‌ریزی تولید.
بینایی ماشین: در مسائلی مانند تصویربرداری پزشکی (segmentation) برای جدا کردن اشیاء از پس‌زمینه.
تحلیل شبکه‌های اجتماعی: شناسایی گروه‌های با ارتباطات ضعیف.
دینامیک جمعیت: مدل‌سازی جریان جمعیت بین مناطق مختلف.

چرا این قضیه مهم است؟
Max-Flow Min-Cut Theorem
یک ابزار قدرتمند برای حل طیف وسیعی از مسائل بهینه‌سازی است. درک آن به شما کمک می‌کند تا الگوریتم‌های کارآمدتری طراحی کرده و پیچیدگی‌های دنیای واقعی را بهتر مدل سازی کنید.

@mathloopinfinite

🔢 اعداد آرمسترانگ؛ اعدادی که عاشق خودشان هستند!📚

عدد آرمسترانگ (یا Narcissistic Number) عددی است که اگر هر یک از رقم‌هایش را به توان تعداد رقم‌های عدد برسانیم و جمع کنیم، دوباره خودِ عدد به دست می‌آید.
مثال:

153 = 1³ + 5³ + 3³ = 153

این اعداد نوعی «خودارجاعی» دارند؛ یعنی ویژگی آن‌ها مستقیماً به رقم‌های خودشان وابسته است. به همین دلیل در نظریه اعداد و علوم کامپیوتر مورد توجه قرار گرفته‌اند.

🔎آیا اعداد آرمسترانگ مثل اعداد اول بی‌شمارند؟

در نگاه اول ممکن است فکر کنیم بی‌نهایت عدد آرمسترانگ وجود دارد، اما ریاضیدانان ثابت کرده‌اند که در مبنای ۱۰ تعداد آن‌ها محدود است!
دلیلش این است که با زیاد شدن تعداد رقم‌ها، خودِ عدد بسیار سریع‌تر از مجموع توان رقم‌هایش رشد می‌کند و از یک جایی به بعد دیگر هیچ عدد آرمسترانگی نمی‌تواند وجود داشته باشد، که اثبات آن در پایین پشت نشان داده شده. یک تابع نمایی در نهایت از خطی بزرگتر است.

📚 کاربرد اصلی آن‌ها:
• آموزش برنامه‌نویسی
• نظریه اعداد تفریحی
• بررسی نقاط ثابت توابع روی ارقام
• طراحی و آزمایش الگوریتم‌ها
#number_theory
#math_facts
#math_ideas
#numbers
@mathloopinfinite

🔢 یک عدد معمولی؟ نه، یک عدد جادویی‼️

تصور کنید تمام اعداد طبیعی را پشت سر هم بنویسید:

0.123456789101112131415…

این عدد را «ثابت چمپرنون» می‌گویند. اسمش پیچیده است، اما ایده‌اش ساده و شگفت‌انگیز.
✨ چرا جالب است؟

۱. همه چیز در آن هست
هر عددی که به آن فکر کنید، در این اعشار پیدا می‌شود:
سال تولدتان ، رمز عبور ، حتی شماره تلفنتان (اگر خیلی بلند نباشد).
بله، همه‌جای این عدد بی‌پایان است!

۲. آمارش کاملاً عادلانه است
در این عدد، رقم ۰ تا ۹ همگی به یک اندازه ظاهر می‌شوند. این خاصیت را «نرمال» می‌نامند.
مثل یک تاس سالم که همه اعداد را مساوی می‌آورد.

۳. با دست خودتان می‌سازیدش
فقط بنویسید: ۱، بعد ۲، بعد ۳، ... تا بینهایت، یک ممیز جلویش بگذارید. همین!
اگر این عدد را با دقت نگاه کنید، هیچ الگوی تکراری ندارد. اما باز هم از روی قانون ساده‌ای ساخته شده است.
مثل بسیاری از چیزهای زیبا در جهان: ساده به نظر می‌آیند، اما بی‌نهایت عمیق‌اند.

🔧 کاربردها (خلاصه)

· نمونه استاندارد برای آزمون نرمال بودن اعداد (مقایسه با π و e)
· تست الگوریتم‌های شبه‌تصادفی در رمزنگاری و فشرده‌سازی
· آموزش مفاهیم عدد گنگ، دنباله، نظریه اعداد
· ایده برای بحث فلسفی اطلاعات در برابر تصادف.
برای ذهن های کنجکاو🔎:
دیوید چمپرنون این عدد را در ۱۴ سالگی معرفی کرد. بعدها اقتصاددان شد، اما نامش در ریاضیات ماندگار شد.
#math_facts
#number
@mathloopinfinite