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.
محتويات الدرس
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
6 مثال محلول خطوة بخطوة
إيجاد N
المسألة: لـ \(a_n = 1/n\) و\(\varepsilon = 0.01\)، أوجد أصغر N صالح.
- نريد \(1/n \lt 0.01\) أي \(n \gt 100\).
النتيجة: \(N = 101\)
متسلسلة هندسية
المسألة: احسب \(\sum_{k=0}^\infty 3(1/2)^k\).
- \(a = 3\) و\(r = 1/2\).
- \(3/(1 - 1/2)\).
النتيجة: \(6\)
العائد المخصوم
المسألة: مكافأة ثابتة 1 في كل خطوة ومعامل خصم \(\gamma = 0.9\). ما العائد الكلي؟
- \(\sum_{t=0}^\infty 0.9^t\).
- \(1/(1 - 0.9)\).
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 الحقيقي9 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.
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.
