لغة الفضاء
الـ linear algebra (الجبر الخطي) هو رياضيات الخطوط والمستويات والـ transformations (التحويلات). هو اللي شغّال ورا كل حاجة، من الجرافيكس الـ 3D لحد الـ machine learning (تعلّم الآلة). لو الـ calculus (التفاضل والتكامل) هو رياضيات التغيّر، فالـ linear algebra هو رياضيات البنية — بيدّينا أدوات نوصف بيها الفضاء ونتعامل معاه بالرياضة.
في الأساس، الـ linear algebra بيدور حوالين تلات حاجات: الـ vectors (المتجهات)، والـ matrices (المصفوفات)، والـ transformations. الـ vectors بتوصف الأماكن والاتجاهات. والـ matrices بتشيل جواها الـ transformations. والتفاعل بينهم هو اللي بيخلّينا نحل أنظمة معادلات، ونلفّ أجسام 3D، ونضغط صور، وندرّب neural networks (شبكات عصبية).
كلمة "linear" معناها إن العمليات اللي بندرسها بتحترم قاعدتين أساسيتين: إنك تجمع حاجات على بعض، وإنك تضربها في ثوابت. لو ضاعفت الـ input، الـ output بيتضاعف. ولو جمعت اتنين input، الـ outputs بتتجمع هي كمان. البساطة دي هي اللي مخلّية الـ linear algebra قوي أوي ومستخدم في كل حتة.
f(ax + by) = a·f(x) + b·f(y) — مبدأ الـ linearity (الخطية)الـ vectors: الاتجاه والمقدار
الـ vector (المتجه) هو أهم وأبسط حاجة في الـ linear algebra. اعتبره سهم ليه اتجاه وطول (magnitude، المقدار). في بُعدين، الـ vector ببساطة هو رقمين: المركّبة الأفقية والمركّبة الرأسية.
تقدر تجمع الـ vectors على بعض (راس على ديل)، وتضربها في أرقام (فتمطّها أو تصغّرها). العمليتين دول — الجمع والـ scalar multiplication (الضرب القياسي) — هما الطوب اللي كل حاجة في الـ linear algebra مبنية بيه. وأي vector في الفضاء الـ 2D تقدر تكتبه كـ combination من الـ standard basis vectors (متجهَي الأساس القياسيين) الاتنين.
الـ matrices: الـ transformations
الـ matrix (المصفوفة) هي جدول أرقام مستطيل. بس هي أكتر بكتير من جدول — الـ matrix بتمثّل transformation. لما تضرب matrix في vector، إنت بتحوّل الـ vector ده لـ vector جديد. وعلى حسب الـ matrix، ده ممكن يبقى دوران، أو تكبير، أو انعكاس، أو shear (قص).
حلاوة الـ matrices إن الـ transformations المعقدة تقدر تركّبها بإنك تضرب الـ matrices في بعض. دوران وبعده تكبير؟ ده كله ضربة matrix واحدة. وعشان كده محركات الجرافيكس، ومحاكاة الفيزياء، وخوارزميات الـ machine learning كلهم معتمدين أوي على عمليات الـ matrices.
أنظمة المعادلات
من أهم استخدامات الـ linear algebra إنه بيحل أنظمة المعادلات الخطية. لما يبقى عندك كذا معادلة فيهم كذا مجهول، الـ linear algebra بيدّيك طرق منظمة توصل بيها للحل — أو تعرف إن مفيش حل أصلًا.
المعادلة Ax = b هي المسألة المركزية في الـ linear algebra. هنا A هي matrix المعاملات، وx هو vector المجاهيل، وb هو vector النتايج. وطرق زي الـ Gaussian elimination (الحذف الغاوسي)، وعكس الـ matrices، والـ factorization (التحليل) كلها بتهاجم المسألة الأساسية دي.
ليه الـ linear algebra مهم
الـ linear algebra مش فضول نظري — ده العمود الفقري الحسابي للتكنولوجيا الحديثة. الجرافيكس بيستخدم matrices في كل frame بيترسم على شاشتك. والـ machine learning بيستخدم matrices عشان يخزّن البيانات ويعدّيها جوا الـ neural networks. والفيزياء بتستخدم vectors وmatrices عشان توصف القوى والدورانات والحالات الكمية.
والـ signal processing (معالجة الإشارات)، والإحصاء، والـ optimization (التحسين)، والروبوتات، ونظرية التحكم، كلهم معتمدين على الـ linear algebra. لو عايز تفهم التكنولوجيا شغّالة إزاي من جوا بجد، فالـ linear algebra هو اللغة اللي محتاجها.
الـ linear algebra في الدنيا الحقيقية
Google PageRank بيرتّب كل صفحة على النت باستخدام matrix ضخمة فيها علاقات اللينكات بين الصفحات، وطريقة من الـ linear algebra اسمها الـ eigenvalue decomposition (تحليل القيم الذاتية). وخوارزميات ضغط الصور زي JPEG بتستخدم تحليل الـ matrices عشان تصغّر حجم الملفات من غير ما الجودة اللي بتشوفها تبوظ.
الـ neural networks — المحركات اللي ورا الـ AI الحديث — في الآخر هي سلسلة من ضرب matrices وactivations غير خطية. والـ quantum computing (الحوسبة الكمية) بيوصف حالة الـ qubits بـ vectors، وبيحوّلها بـ matrices (اسمها unitary operators، المؤثرات الوحدوية).
- الـ vectors بتمثّل الاتجاه والمقدار في الفضاء — وهي الحاجة الأساسية في الـ linear algebra.
- الـ matrices بتحوّل الـ vectors — الدوران والتكبير والانعكاس وغيرهم كلهم بيتكتبوا كعمليات matrices.
- Ax = b هي المسألة المركزية في الـ linear algebra — حل أنظمة المعادلات هو قلب المجال ده.
- الـ linear algebra أساسي للجرافيكس، والـ machine learning، والفيزياء، والهندسة، وعلم البيانات.