الـ scalars والـ vectors والـ matrices | LA-101

الطوب الأساسي

قبل ما نعمل أي حاجة ليها معنى في الـ linear algebra (الجبر الخطي)، لازم نفهم التلات حاجات الأساسية اللي فيه: الـ scalars (الأعداد القياسية)، والـ vectors (المتجهات)، والـ matrices (المصفوفات). دول ذرّات الموضوع — كل فكرة وكل عملية وكل تطبيق في الـ linear algebra معمول من المكوّنات التلاتة دول.

بص عليهم كسُلّم. الـ scalar رقم واحد. والـ vector قايمة أرقام مترتبة. والـ matrix جدول أرقام مستطيل. تعريفات بسيطة، بس بتفتح باب لقوة رياضية مش عادية. يلا نتعرّف على كل واحد فيهم.

الـ scalars: مجرد رقم

الـ scalar هو أبسط حاجة في الـ linear algebra — هو رقم واحد وخلاص. ممكن يبقى رقم صحيح زي 5، أو رقم حقيقي زي 3.14، أو حتى رقم مركّب. الـ scalars ليها مقدار بس — بتقولك "قد إيه"، بس مش بتقولك "في أنهي اتجاه".

ورغم إنها بسيطة، الـ scalars ليها دور مهم جدًا. هي بتشتغل كـمعاملات تكبير: لما تضرب vector في scalar، إنت بتمطّه أو بتصغّره. ولما تضرب matrix في scalar، إنت بتكبّر كل عنصر فيها. وكلمة "scalar" نفسها جاية من "scale" (يكبّر أو يصغّر) — الأرقام دي هي اللي بتتحكم في الحجم.

الـ scalars في الحياة

درجة الحرارة، والكتلة، والسرعة، والطاقة — دي كلها كميات scalar. ليها قيمة بس ملهاش اتجاه في حد ذاتها. قارن ده بالـ velocity (السرعة المتجهة)، والقوة، والإزاحة، ودي كميات vector لأنها شايلة المقدار والاتجاه مع بعض.

الـ vectors: الاتجاه والمقدار

الـ vector هو قايمة أرقام مترتبة. في بُعدين، الـ vector ليه مركّبتين. في تلات أبعاد، تلاتة. وفي الـ machine learning (تعلّم الآلة)، الـ vectors ممكن يبقى فيها آلاف أو حتى ملايين المركّبات. اللي بيميّز الـ vector إنه شايل الاتجاه والمقدار الاتنين.

عادةً بنكتب الـ vectors كأعمدة بين أقواس. العناصر اسمها components (مركّبات)، وبتوصف الإزاحة على كل محور. الـ vector الـ 2D بيقولك تمشي قد إيه أفقي وقد إيه رأسي. والـ vector الـ 3D بيزوّد العمق.

طريقة كتابة الـ vector

\mathbf{v} = \begin{bmatrix} v_1 \\ v_2 \end{bmatrix}, \quad \mathbf{w} = \begin{bmatrix} w_1 \\ w_2 \\ w_3 \end{bmatrix}, \quad \mathbf{u} = \begin{bmatrix} u_1 \\ u_2 \\ \vdots \\ u_n \end{bmatrix}

vector في بُعدين بمركّبتين x وy، وامتداده لـ n بُعد

الـ vectors ليها عمليتين أساسيتين. جمع الـ vectors بيجمع اتنين vector مركّبة بمركّبة — وهندسيًا، دي قاعدة الراس على الديل. والـ scalar multiplication (الضرب القياسي) بيمطّ الـ vector أو بيصغّره بمعامل ثابت. ولو ضربته في scalar سالب، اتجاه الـ vector بيتقلب.

جمع الـ vectors

\begin{bmatrix} a_1 \\ a_2 \end{bmatrix} + \begin{bmatrix} b_1 \\ b_2 \end{bmatrix} = \begin{bmatrix} a_1+b_1 \\ a_2+b_2 \end{bmatrix}

بنجمع المركّبات اللي قصاد بعض

الضرب في scalar

c \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} = \begin{bmatrix} cv_1 \\ cv_2 \end{bmatrix}

بنضرب كل مركّبة في c

الـ matrices: جداول مستطيلة

الـ matrix هي جدول أرقام مستطيل مترتب في صفوف وأعمدة. الـ matrix اللي مقاسها m × n فيها m صف وn عمود. وبنشاور على كل عنصر لوحده بالـ subscripts: a_ij هو العنصر اللي في الصف i والعمود j.

الـ matrices أكتر بكتير من جداول بيانات. هي بتمثّل linear transformations (تحويلات خطية)، وأنظمة معادلات، وdatasets، وشبكات اتصال. لما تضرب matrix في vector، إنت بتحوّل الـ vector ده. ولما تضرب اتنين matrix في بعض، إنت بتركّب اتنين transformation في واحد.

طريقة كتابة الـ matrix

A = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \end{bmatrix}

matrix مقاسها m × n وعناصرها a_ij — الصف i والعمود j

matrices ليها أسامي

فيه matrices بتظهر كتير لدرجة إن ليها أسامي خاصة بيها. الـ identity matrix (مصفوفة الوحدة) I هي square matrix فيها وحايد على القطر وأصفار في أي حتة تانية. لو ضربت أي vector أو matrix في I بيفضل زي ما هو — هي الـ transformation اللي "مبيعملش حاجة".

الـ zero matrix (المصفوفة الصفرية) كل عناصرها أصفار — بتودّي أي vector للـ zero vector. والـ diagonal matrix (المصفوفة القُطرية) فيها عناصر مش صفر على القطر الرئيسي بس، وبتكبّر كل محور لوحده. والـ symmetric matrix (المصفوفة المتماثلة) بتساوي الـ transpose بتاعها: A = A^T، يعني نصّها مراية للنص التاني حوالين القطر.

الـ identity matrix

I = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}, \quad I\mathbf{v} = \mathbf{v}

الـ identity matrix — وحايد على القطر وأصفار في الباقي. I·v = v لأي vector v.

عمليات الـ matrices

الـ matrices ليها كذا عملية أساسية. الجمع بيشتغل عنصر بعنصر، زي جمع الـ vectors بالظبط — بس لازم الاتنين يبقوا بنفس الأبعاد. والـ scalar multiplication بيكبّر كل عنصر بثابت.

الـ transpose (المنقولة) بتاع matrix، وبنكتبه A^T، بيقلب الـ matrix حوالين القطر بتاعها — الصفوف تبقى أعمدة والأعمدة تبقى صفوف. لو A مقاسها m × n، يبقى A^T مقاسها n × m. والـ transpose أساسي في الإحصاء والـ optimization (التحسين)، وفي أي حتة فيها علاقات symmetric.

الـ transpose

A = \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{bmatrix} \;\Rightarrow\; A^T = \begin{bmatrix} 1 & 4 \\ 2 & 5 \\ 3 & 6 \end{bmatrix}

الـ transpose بيبدّل الصفوف بالأعمدة — (A^T)_ij = A_ji

ليه الطوب ده مهم

الـ scalars والـ vectors والـ matrices مش مجرد حاجات نظرية — دي اللغة الأساسية للهندسة والعلوم. في الـ signal processing (معالجة الإشارات)، الـ signal عبارة عن vector. في الـ machine learning، الـ dataset عبارة عن matrix. وفي الفيزياء، القوى vectors والـ transformations matrices.

إنك تفهم الطوب ده كويس أوي حاجة ضرورية، لأن كل موضوع متقدم في الـ linear algebra — الـ eigenvalues (القيم الذاتية)، والـ decompositions (التحليلات)، والـ least squares (المربعات الصغرى)، والـ singular value decomposition (تحليل القيم المفردة) — بيتقال بلغة الـ scalars والـ vectors والـ matrices. اتقنهم دلوقتي، وكل فكرة جاية هتحسّها طبيعية.

في الدرس الجاي، هنتكلم عن الـ vector spaces (فضاءات المتجهات) والـ linear independence (الاستقلال الخطي) — القواعد اللي بتتحكم في الـ vectors بتتركّب مع بعض إزاي، وفكرة الـ dimension (البُعد) اللي بتطلع من القواعد دي.

أهم النقط

الـ scalar رقم واحد ليه مقدار بس — بيكبّر ويصغّر الـ vectors والـ matrices.
الـ vector قايمة أرقام مترتبة شايلة الاتجاه والمقدار — الحاجة الأساسية في الـ linear algebra.
الـ matrix جدول أرقام مستطيل بيمثّل transformations وأنظمة وبيانات.
الـ matrices الخاصة زي الـ identity والـ zero والـ diagonal والـ symmetric بتظهر في كل حتة في العلوم والهندسة.
الـ transpose بيقلب الـ matrix حوالين القطر، والصفوف تبقى أعمدة — عملية أساسية في الـ optimization والإحصاء.