الدرس 1 من 2 · التحليل الحقيقي

المتتاليات والمتسلسلات وتعريف ε–N Sequences, Series and the ε–N Definition

المتتالية تتقارب إلى L إذا أمكن لكل ε موجبة إيجاد N تبقى بعده كل الحدود ضمن ε من L؛ والمتسلسلة تتقارب إذا تقاربت مجاميعها الجزئية، وشرط aₙ → 0 لازم غير كافٍ كما تبين المتسلسلة التوافقية.

الرياضيات المتقدمة للذكاء الاصطناعي الصعوبة: خبير زمن الدراسة: 50 دقيقة
محتويات الدرس
  1. مقدمة
  2. لماذا ندرس هذا الموضوع؟
  3. الشرح النظري
  4. التعريفات الرياضية
  5. المعادلات
  6. مثال محلول
  7. التطبيق في الذكاء الاصطناعي
  8. المختبر التفاعلي
  9. تمارين تدريبية
  10. الملخص
  11. اختبار قصير
  12. دروس مرتبطة

1 مقدمة

عبارة «الخسارة تقترب من الصفر» أو «الخوارزمية تتقارب» تحتاج معنى دقيقاً قبل أن نبرهن عليها. التحليل الحقيقي يعطي هذا المعنى: تعريف ε–N للنهاية هو الأداة التي تُكتب بها كل براهين التقارب في التحسين ونظرية التعلم.

الأهداف التعليمية

  • تطبيق تعريف ε–N لإثبات نهاية متتالية بسيطة
  • حساب مجموع المتسلسلة الهندسية وتمييز تقاربها
  • استخدام اختبار النسبة واختبار المقارنة و p-متسلسلات
  • ربط شروط معدل التعلم في SGD بتقارب المتسلسلات

2 لماذا ندرس هذا الموضوع؟

شروط روبنز–مونرو لمعدل التعلم في SGD (\(\sum \eta_t = \infty\) و\(\sum \eta_t^2 \lt \infty\)) عبارات عن تقارب متسلسلات وتباعدها. والعائد المخصوم في التعلم المعزز \(\sum \gamma^t r_t\) متسلسلة هندسية محدودة لأن \(\gamma \lt 1\). وفهم الفرق بين «الحدود تصغر» و«المجموع محدود» يمنع أخطاء شائعة في التحليل.

3 الشرح النظري

تعريف النهاية

\[\lim_{n\to\infty} a_n = L \iff \forall\varepsilon \gt 0\;\exists N \;\forall n \ge N:\; |a_n - L| \lt \varepsilon\]

أي أن كل شريط حول L مهما ضاق يحتوي كل الحدود بعد موقع ما. مثال: لـ \(a_n = 1/n\) و\(\varepsilon = 0.01\) يكفي \(N = 101\)، وعموماً \(N \gt 1/\varepsilon\).

خصائص مهمة

  • المتتالية المتقاربة محدودة.
  • النهاية وحيدة إن وجدت.
  • المتتالية الرتيبة المحدودة متقاربة (مبرهنة التقارب الرتيب).
  • قاعدة الحصر: إذا كان \(b_n \le a_n \le c_n\) و\(b_n, c_n \to L\) فإن \(a_n \to L\)؛ ومنها \(\sin(n)/n \to 0\).

المتسلسلات

المتسلسلة \(\sum a_n\) تتقارب إذا تقاربت المجاميع الجزئية \(S_N = \sum_{n=1}^N a_n\).

\[\sum_{k=0}^\infty a r^k = \frac{a}{1-r}\quad (|r| \lt 1)\]

وp-متسلسلة \(\sum 1/n^p\) تتقارب إذا وفقط إذا \(p \gt 1\)؛ مثلاً \(\sum 1/n^2 = \pi^2/6\) (مسألة بازل).

لازم لا كافٍ

إذا تقاربت \(\sum a_n\) فإن \(a_n \to 0\). العكس خاطئ: المتسلسلة التوافقية \(\sum 1/n\) حدودها تؤول إلى صفر لكنها تتباعد ببطء شديد (\(S_{100} \approx 5.187\) وتنمو مثل \(\ln N\)). أما المتناوبة \(\sum (-1)^{n+1}/n\) فتتقارب إلى \(\ln 2\).

اختبار النسبة

إذا كان \(\lim |a_{n+1}/a_n| = \rho\): التقارب عندما \(\rho \lt 1\)، والتباعد عندما \(\rho \gt 1\)، ولا حكم عندما \(\rho = 1\) (كما في p-متسلسلات).

صلة بالتعلم الآلي

شرطا روبنز–مونرو لجدول معدل التعلم في SGD:

\[\sum_t \eta_t = \infty,\qquad \sum_t \eta_t^2 \lt \infty\]

الجدول \(\eta_t = 1/t\) يحققهما: الأول توافقي متباعد (يكفي للوصول إلى أي مكان) والثاني بازل متقارب (الضوضاء تخمد).

4 التعريفات الرياضية

نهاية المتتالية
العدد L الذي تبقى الحدود ضمن أي مسافة ε منه بعد موقع ما.
\[\forall\varepsilon\gt 0\;\exists N:\;n\ge N\Rightarrow|a_n-L|\lt\varepsilon\]
المجموع الجزئي
مجموع أول N حد من المتسلسلة.
\[S_N=\sum_{n=1}^N a_n\]
المتسلسلة المتقاربة
متسلسلة مجاميعها الجزئية متقاربة إلى عدد منته.
المتتالية الرتيبة
متتالية متزايدة دائماً أو متناقصة دائماً.
تعريف ε–N للنهاية (Epsilon–N Definition of a Limit)
لكل ε موجبة يوجد N تبقى بعده كل الحدود ضمن ε من النهاية.
\[|a_n-L|\lt\varepsilon\;\forall n\ge N\]
تقارب المتسلسلات (Series Convergence)
المتسلسلة تتقارب إذا تقاربت مجاميعها الجزئية؛ وaₙ → 0 شرط لازم غير كافٍ.
\[S_N=\sum_{n\le N}a_n\]
المتسلسلة الهندسية (Geometric Series)
متسلسلة نسبة حدودها ثابتة r، ومجموعها a/(1 − r) عندما |r| أصغر من 1.
\[\sum_k ar^k=\frac{a}{1-r}\]

5 المعادلات

\[\lim a_n = L \iff \forall\varepsilon\gt 0\;\exists N\;\forall n\ge N:\;|a_n - L|\lt\varepsilon\]
تعريف ε–N
\[\sum_{k=0}^\infty ar^k = \frac{a}{1-r},\;|r|\lt 1\]
المتسلسلة الهندسية
\[\sum_t\eta_t = \infty,\quad\sum_t\eta_t^2\lt\infty\]
شرطا روبنز–مونرو

6 مثال محلول خطوة بخطوة

إيجاد N

المسألة: لـ \(a_n = 1/n\) و\(\varepsilon = 0.01\)، أوجد أصغر N صالح.

  1. نريد \(1/n \lt 0.01\) أي \(n \gt 100\).

النتيجة: \(N = 101\)

متسلسلة هندسية

المسألة: احسب \(\sum_{k=0}^\infty 3(1/2)^k\).

  1. \(a = 3\) و\(r = 1/2\).
  2. \(3/(1 - 1/2)\).

النتيجة: \(6\)

العائد المخصوم

المسألة: مكافأة ثابتة 1 في كل خطوة ومعامل خصم \(\gamma = 0.9\). ما العائد الكلي؟

  1. \(\sum_{t=0}^\infty 0.9^t\).
  2. \(1/(1 - 0.9)\).

النتيجة: \(10\)

7 تطبيق عملي في الذكاء الاصطناعي

  • جداول معدل التعلم: شرطا روبنز–مونرو يضمنان تقارب SGD نظرياً، والجداول العملية (الاضمحلال الأسي، الجيبي) تحاكي روحهما.
  • العائد المخصوم: في التعلم المعزز يُجعل العائد اللانهائي منتهياً بالخصم \(\gamma \lt 1\)، وهو متسلسلة هندسية محدودة بـ \(r_{\max}/(1-\gamma)\).
  • براهين التقارب: تحليل خوارزميات التحسين يكتب الخطأ متتالية ويثبت أنها تؤول إلى صفر بمعدل معين.

8 مختبر تفاعلي مرتبط بالدرس

تعريف النهاية بـ ε وN مع شريط ε على الرسم، والمتسلسلات ومجاميعها الجزئية، وتكرار النقطة الثابتة مع مخطط العنكبوت ومبرهنة الانكماش.

افتح مختبر التحليل الحقيقي

9 تمارين تدريبية

أسئلة مراجعة للتفكير

  • لماذا تتباعد المتسلسلة التوافقية رغم أن حدودها تؤول إلى صفر؟
  • لماذا يحقق \(\eta_t = 1/t\) شرطي روبنز–مونرو بينما لا يحققهما \(\eta_t = 1/\sqrt t\)؟

أخطاء شائعة

  • الاستنتاج من \(a_n \to 0\) أن \(\sum a_n\) متقاربة.
  • جعل N يعتمد على n بدلاً من ε في التعريف.
  • تطبيق صيغة المتسلسلة الهندسية عندما \(|r| \ge 1\).
  • الحكم بالتقارب من حساب عددي لعدد منته من الحدود.

تدرب على 9 أسئلة من بنك الأسئلة لهذا الدرس

10 ملخص الدرس

  • النهاية: لكل ε يوجد N.
  • المتسلسلة تتقارب إذا تقاربت مجاميعها الجزئية.
  • \(a_n \to 0\) شرط لازم غير كافٍ.
  • p-متسلسلة تتقارب عندما \(p \gt 1\).

11 اختبار قصير

5 أسئلة · 10 دقائق · النجاح من 60% — اجتيازه يُكمل الدرس.