:: کارگاه جبرخطی تجربی
کارگاه جبرخطی تجربی
Workshop on Experimental Linear Algebra
دکتر فرشید عبدالهی - استاد دانشگاه شیراز
معرفی کارگاه:
ریاضیات تجربی رویکردی به ریاضیات است که در آن از محاسبات برای بررسی ساختارهای ریاضی و شناسایی ویژگیها و الگوهای اساسی آنها استفاده میشود [1]. همانند علوم تجربی، ریاضیات تجربی را میتوان به منظور جمعآوری شواهدی برای حمایت از ادعاهای خاصی که خود ممکن است حاصل شده از محاسبات باشد، استفاده کرد و سپس با استدلال و یا آزمایشهای محاسباتی اضافی آنرا تأیید یا رد کرد. بوروین و بیلی [2] از اصطلاح ریاضیات تجربی به معنای روش شناسی انجام ریاضیات استفاده میکنند که شامل استفاده از محاسبات برای موارد زیر است:
- به دست آوردن بینش و شهود؛
- کشف الگوها و روابط جدید؛
- استفاده از نمایشگرهای گرافیکی برای پیشنهاد اصول اساسی ریاضی؛
- آزمایش و به ویژه رد حدس و گمان؛
- بررسی نتایج بدست آمده و تعیین میزان ارزش اثبات تحلیلی؛
- پیشنهاد رویکردهایی برای اثبات تحلیلی؛
- جایگزینی محاسبات دستی طولانی با محاسبات مبتنی بر رایانه؛
- تایید نتایج تحلیلی به دست آمده.
جبر خطی شاخهای از ریاضیات است که به بررسی و مطالعه ماتریسها، بردارها، فضاهای برداری (فضاهای خطّی)، تبدیلات خطی، و دستگاههای معادلات خطی میپردازد. جبر خطی کاربردهای فراوان و گوناگونی در ریاضیات و محاسبات گسسته دارد. علاوه بر کاربردهای آن در زمینههایی از خود ریاضیات همانند جبر مجرد، آنالیز تابعی، هندسه تحلیلی و آنالیز عددی، جبر خطی استفادههای وسیعی نیز در فیزیک، مهندسی، علوم طبیعی و علوم اجتماعی پیداکرده است. در مباحث جبر خطی مانند معادلات خطی، مسائل مربوط به مقدار ویژه، تجزیۀ مقدارهای منفرد یا تجزیۀ مقدارهای تکین (SVD)، تجزیه ماتریسهای نامنفی (NMF)، تجزیه ماتریسهای دودویی (BMF)، روش تجزیه و تحلیل مولفه اصلی (PCA)، برنامهریزی خطی، بهینه سازی، معادلات دیفرانسیل خطی، روشهای کاهش رتبه ماتریس، روش زیرفضای کرایلف و تقریب ماتریسی و کاربرد آن در فشرده سازی تصاویر، الگوریتم های داده کاوی (متن کاوی و بازیابی اطلاعات، خوشه بندی و بازیابی اطلاعات، جستجو در وب و مرتبه صفحات وب، تجزیه و تحلیل تصاویر) و ... اغلب در عمل توسط برنامههای کاربردی تجزیه و تحلیل دادههای بزرگ استفاده میشود.[3]
به ویژه، الگوریتمهای ماتریسی هسته اصلی تحلیل دادههای بزرگ مدرن را تشکیل میدهند، زیرا ماتریسها ساختار ریاضی مناسبی برای مدلسازی طیف وسیعی از دادههای برنامهها را فراهم میکنند. به عنوان مثال، اطلاعات مربوط به N شی با D ویژگی را می توان به راحتی توسط یک ماتریس N×D توصیف کرد. [4]
ماتریسهای بزرگ در استخراج ویژگی، خوشه بندی و طبقه بندی استفاده میشوند. تجزیه ماتریس در تحلیل مولفههای اصلی برای کاهش بعد استفاده میشود. به طور مشابه، بردارهای ویژه در روش رتبه بندی صفحات گوگل به کار برده میشوند. [5]
هدف از برگزاری این کارگاه آشنا نمودن مخاطب با تعدادی از ابزارهای رایانهای مورد نیاز در جبرخطی تجربی است. در پایان این کارگاه، شرکت کنندگان، علاوه بر آشنایی با بستههای مقدماتی مورد نیاز برای جبرخطی تجربی، با مفاهیمی از جبر خطی مورد استفاده در علم داده- به صورت عملی- آشنا خواهند شد. به طور کلی، این کارگاه فرصت خوبی برای افراد علاقمند به جبرخطی تجربی خواهد بود تا با مفاهیم جبر خطی در متلب و پایتون، یکی از قدرتمندترین زبانهای برنامه نویسی، و استفاده از آن برای جبرخطی تجربی، علم داده، یادگیری ماشین و ... بدست آورند.
سرفصل مطالب:
- مقدمه ای بر جبر خطی و پایتون و متلب
- استفاده از ماتریس در پایتون و متلب
- مقدمه ای بر توابع جبر خطی در پایتون و متلب
- حل معادلات خطی با پایتون و متلب
- استفاده از جبر ماتریسی در پایتون و متلب
- نمونهای عملی از جبرخطی تجربی
- استفاده از معادلات برداری برای مدل سازی دادهها
- نحوه استفاده از پایتون و متلب برای مدل سازی دادههای مختلف
- مقدمه ای بر مجموعه دادههای نمونه
- کار بر روی یک مجموعه داده نمونه با استفاده از معادلات برداری
- برنامههای کاربردی در دنیای واقعی
- مقدمه ای بر جبر خطی برای علم داده با استفاده از پایتون و متلب
مراجع:
[1 ] E. W. Weisstein, Experimental Mathematics, Available: https://mathworld.wolfram.com/ExperimentalMathematics.html.
[ 2 ] J. Borwein و K. Devlin ,The Computer as Crucible: An Introduction to Experimental Mathematics, New York: A K Peters/CRC Press, 2008 .
[ 3 ] E. Tziperman, Applied Mathematics 120: Applied linear algebra and big data, 2016, Available: https://canvas.harvard.edu/courses/4766.
[4 ] J. Yang, Randomized Linear Algebra for Large-Scale Data Applications, Stanford University, 2016, Available: http://purl.stanford.edu/wr092fb7484.
[ 5 ] R. S. A. A. a. D. S. Carl Pettis, Infusion of Big Data Concepts Across the Undergraduate Computer Science Mathematics and Statistics Curriculum, ASEE Annual Conference & Exposition, Salt Lake City, UT, USA, June 24-27, 2018.