ਲਾਭ:
- ਮੈਟਪਲੋਟਲਿਬ ਕੋਡ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ 'ਤੇ ਛਾਪਣ ਅਤੇ ਕੋਡ ਨੂੰ ਚਲਾ ਕੇ ਫੰਕਸ਼ਨਾਂ, ਇੰਟਰਸੈਕਸ਼ਨਾਂ ਅਤੇ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ, ਅਤੇ ਉਦੇਸ਼ ਲਈ ਉਚਿਤ ਗ੍ਰਾਫ ਕਿਸਮ ਦੀ ਚੋਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਧੁਰੀ ਰੇਂਜ, ਅਸੈਂਪਟੋਟਸ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਗਣਨਾ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਇਹ ਜਾਂਚ ਕਰਨ ਦੀ ਯੋਗਤਾ ਕਿ ਕੀ ਇੱਕ ਗ੍ਰਾਫ ਗਣਿਤ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ।
- ਇੱਕ ਤਸਦੀਕ ਟੂਲ ਵਜੋਂ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਤੇ ਸੰਖਿਆਤਮਕ ਤਰੀਕਿਆਂ ਲਈ ਸਹੀ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਪ੍ਰਦਾਨ ਕਰਕੇ ਜੜ੍ਹਾਂ ਅਤੇ ਚੌਰਾਹੇ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਰੂਪ ਵਿੱਚ ਲੱਭਣ ਦੀ ਸਮਰੱਥਾ
ਇੱਕ ਗ੍ਰਾਫ਼ ਇੱਕ ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਸਮੀਕਰਨਾਂ ਨੂੰ ਦੱਸਦਾ ਹੈ। ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਇਹ ਦੇਖਣਾ ਕਿ ਕੋਈ ਫੰਕਸ਼ਨ ਕਿਵੇਂ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ, ਇਸ ਦੀਆਂ ਜੜ੍ਹਾਂ ਕਿੱਥੇ ਹਨ, ਕਿੱਥੇ ਦੋ ਕਰਵ ਇਕ ਦੂਜੇ ਨੂੰ ਕੱਟਦੇ ਹਨ, ਜਾਂ ਡੇਟਾ ਕਿਵੇਂ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ ਗਣਿਤ ਨੂੰ ਸਮਝਣ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਗਣਿਤਿਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਗਰਾਫਿਕਸ ਦੇ ਨਾਲ ਗਣਿਤਿਕ ਵਸਤੂਆਂ (ਫੰਕਸ਼ਨ, ਡੇਟਾ, ਜਿਓਮੈਟ੍ਰਿਕ ਆਕਾਰ) ਦੀ ਵਿਜ਼ੂਅਲ ਪੇਸ਼ਕਾਰੀ ਹੈ। ਪਾਈਥਨ ਵਿੱਚ ਇਸਦੇ ਲਈ ਸਟੈਂਡਰਡ ਟੂਲ ਮੈਟਪਲੋਟਲਿਬ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ AI ਨੂੰ ਇੱਕ ਸਹਾਇਕ ਵਜੋਂ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ ਜੋ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ ਅਤੇ, ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਇਹ ਕਿਵੇਂ ਜਾਂਚਣਾ ਹੈ ਕਿ ਗ੍ਰਾਫ ਗਣਿਤ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ।
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਵੀ ਇੱਕ ਤਸਦੀਕ ਸਾਧਨ ਹੈ। ਅਸੀਂ ਪਿਛਲੀ ਇਕਾਈ ਵਿੱਚ ਦੇਖਿਆ ਸੀ: ਕਿਸੇ ਸਮੀਕਰਨ ਦੇ ਰੂਟ ਨੂੰ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਲੱਭਣ ਤੋਂ ਪਹਿਲਾਂ ਗ੍ਰਾਫਿੰਗ ਕਰਨਾ ਮੋਟੇ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਰੂਟ ਕਿੱਥੇ ਹੈ ਅਤੇ ਇੱਕ ਸਹੀ ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਅਟੁੱਟ ਗਣਨਾ ਤੋਂ ਪਹਿਲਾਂ ਫੰਕਸ਼ਨ ਦੇ ਗ੍ਰਾਫ਼ ਨੂੰ ਵੇਖਣਾ ਤੁਹਾਨੂੰ ਇਹ ਸਮਝਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਕਿ ਕੀ ਨਤੀਜੇ ਦਾ ਚਿੰਨ੍ਹ (ਸਕਾਰਾਤਮਕ/ਨਕਾਰਾਤਮਕ ਖੇਤਰ) ਅਰਥ ਰੱਖਦਾ ਹੈ। ਗ੍ਰਾਫ ਪੁੱਛਦਾ ਹੈ "ਕੀ ਇਹ ਨਤੀਜਾ ਅਰਥ ਰੱਖਦਾ ਹੈ?" ਇਹ ਸਵਾਲ ਦਾ ਵਿਜ਼ੂਅਲ ਜਵਾਬ ਹੈ।
ਗਣਿਤ ਵਿੱਚ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਮੁੱਖ ਵਰਤੋਂ
- ਫੰਕਸ਼ਨ ਵਿਵਹਾਰ: ਵਧਣਾ/ਘਟਣਾ ਖੇਤਰ, ਅਧਿਕਤਮ/ਘੱਟੋ-ਘੱਟ, ਇੱਕ f(x) ਦੇ ਲੱਛਣ।
- ਜੜ੍ਹਾਂ ਅਤੇ ਇੰਟਰਸੈਕਸ਼ਨਾਂ ਨੂੰ ਲੱਭਣਾ: ਉਹ ਸਥਾਨ ਜਿੱਥੇ ਵਕਰ x-ਧੁਰੇ (ਜੜ੍ਹਾਂ) ਨੂੰ ਕੱਟਦਾ ਹੈ, ਦੋ ਵਕਰਾਂ ਦਾ ਇੰਟਰਸੈਕਸ਼ਨ।
- ਖੇਤਰ/ਇੰਟੀਗਰਲ ਇਨਟਿਊਸ਼ਨ: ਕਰਵ ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੀ ਵਿਜ਼ੂਅਲ ਪ੍ਰਤੀਨਿਧਤਾ।
- ਡਾਟਾ ਵੰਡ: ਹਿਸਟੋਗ੍ਰਾਮ, ਸਕੈਟਰ ਪਲਾਟ, ਬਾਕਸ ਪਲਾਟ।
- ਜਿਓਮੈਟਰੀ: ਤਿਕੋਣ, ਚੱਕਰ, ਪਰਿਵਰਤਨ।
- ਕੋਰਸ ਸਮੱਗਰੀ: ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਰੂਪ ਵਿੱਚ ਇੱਕ ਸੰਕਲਪ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ।
ਕਦਮ ਦਰ ਕਦਮ: ਏਆਈ ਨਾਲ ਸਹੀ ਗ੍ਰਾਫਿਕਸ ਤਿਆਰ ਕਰਨਾ
1. ਤੁਸੀਂ ਕੀ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ ਇਸ ਬਾਰੇ ਸਪੱਸ਼ਟ ਰਹੋ। "ਪਾਪ ਖਿੱਚੋ(x)" ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ; "ਖੇਤਰ sin(x) ਰੇਂਜ ਵਿੱਚ [−2π, 2π], ਲੇਬਲ ਵਾਲੇ ਧੁਰੇ ਅਤੇ ਗਰਿੱਡ ਦੇ ਨਾਲ" ਬਿਹਤਰ ਹੈ।
2. AI ਨੂੰ Matplotlib ਕੋਡ ਲਿਖੋ। ਕੋਡ ਲਈ ਪੁੱਛੋ, ਆਉਟਪੁੱਟ ਚਿੱਤਰ ਨਹੀਂ; ਤੁਸੀਂ ਕੋਡ ਚਲਾਓ ਅਤੇ ਗ੍ਰਾਫ ਦੇਖੋ।
3. ਗ੍ਰਾਫ ਦੀ ਗਣਿਤ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਕੀ ਗ੍ਰਾਫ ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ? sin(x) ਨੂੰ −1 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਓਸੀਲੇਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ; ਇੱਕ ਪੈਰਾਬੋਲਾ ਸਮਮਿਤੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ; ਇੱਕ ਘਾਤਕ ਫੰਕਸ਼ਨ ਤੇਜ਼ੀ ਨਾਲ ਵਧਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਚਾਰਟ ਇਹਨਾਂ ਨੂੰ ਨਹੀਂ ਦਿਖਾਉਂਦਾ, ਤਾਂ ਕੋਡ ਵਿੱਚ ਇੱਕ ਤਰੁੱਟੀ ਹੈ।
4. ਧੁਰੀ ਰੇਂਜ ਦੀ ਜਾਂਚ ਕਰੋ। ਗਲਤ ਵਿੱਥ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੂਟ ਜਾਂ ਵਿਵਹਾਰ ਨੂੰ ਲੁਕਾ ਸਕਦੀ ਹੈ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਇਹ ਫੰਕਸ਼ਨ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।
5. ਲੇਬਲ ਅਤੇ ਸਕੇਲ ਦੀ ਜਾਂਚ ਕਰੋ। ਕੀ ਕੁਹਾੜੇ ਲੇਬਲ ਕੀਤੇ ਗਏ ਹਨ? ਕੀ ਪੈਮਾਨਾ (ਲੀਨੀਅਰ/ਲੌਗ) ਸਹੀ ਹੈ? ਇੱਕ ਗੁੰਮਰਾਹਕੁੰਨ ਪੈਮਾਨਾ ਗਲਤ ਪ੍ਰਭਾਵ ਦਿੰਦਾ ਹੈ.
6. ਇੱਕ ਅੰਕੀ ਬਿੰਦੀ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ। ਜੇਕਰ ਗ੍ਰਾਫ਼ f(2)≈3 ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਗਣਨਾ ਦੁਆਰਾ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਗ੍ਰਾਫ਼ ਝੂਠ ਹੋ ਸਕਦਾ ਹੈ (ਜੇ ਗਲਤ ਫੰਕਸ਼ਨ ਖਿੱਚਿਆ ਗਿਆ ਹੈ)।
ਸੰਕੇਤ: ਇੱਕ ਗ੍ਰਾਫ ਖਿੱਚਣ ਤੋਂ ਬਾਅਦ, ਇਸ 'ਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਦੀ ਸੁਤੰਤਰ ਗਣਨਾ ਕਰਕੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਜੇਕਰ ਗ੍ਰਾਫ਼ x=0 'ਤੇ y=1 ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਹੱਥੀਂ f(0) ਦੀ ਗਣਨਾ ਕਰੋ। ਜੇਕਰ ਉਹ ਮੇਲ ਖਾਂਦੇ ਹਨ, ਤਾਂ ਸ਼ਾਇਦ ਸਹੀ ਫੰਕਸ਼ਨ ਖਿੱਚਿਆ ਗਿਆ ਹੈ; ਜੇਕਰ ਇਹ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ, ਤਾਂ AI ਨੇ ਇੱਕ ਗਲਤ ਸਮੀਕਰਨ ਐਨਕੋਡ ਕੀਤਾ ਹੋ ਸਕਦਾ ਹੈ।
ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ ਨਮੂਨਾ: ਜਿੱਥੇ ਗ੍ਰਾਫ ਪਿਆ ਹੈ
ਇੱਕ ਮੈਟਪਲੋਟਲਿਬ ਪਲਾਟ ਅਸਲ ਵਿੱਚ ਇੱਕ ਨਿਰੰਤਰ ਵਕਰ ਨਹੀਂ ਹੈ; ਇਹ ਬਿੰਦੂਆਂ ਦੀ ਇੱਕ ਸੀਮਤ ਸੰਖਿਆ 'ਤੇ ਫੰਕਸ਼ਨ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹਨਾਂ ਬਿੰਦੂਆਂ ਨੂੰ ਸਿੱਧੀਆਂ ਰੇਖਾਵਾਂ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਇਹਨਾਂ ਬਿੰਦੂਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਸੈਂਪਲਿੰਗ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਘੱਟ ਹੈ (ਜਿਵੇਂ ਕਿ NumPy ਵਿੱਚ ਲਿਨਸਪੇਸ ਨਾਲ ਸਿਰਫ਼ 10 ਪੁਆਇੰਟ ਜਨਰੇਟ ਕੀਤੇ ਗਏ ਹਨ), ਤਾਂ ਇੱਕ ਤੇਜ਼ ਓਸੀਲੇਟਿੰਗ ਫੰਕਸ਼ਨ (ਜਿਵੇਂ ਕਿ sin(50x)) ਗ੍ਰਾਫ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਲੱਗ ਸਕਦਾ ਹੈ — ਜ਼ਿਆਦਾਤਰ ਚੋਟੀਆਂ ਅਤੇ ਟੋਏ ਦੋ ਨਮੂਨਾ ਬਿੰਦੂਆਂ ਦੇ ਵਿਚਕਾਰ ਡਿੱਗਦੇ ਹਨ ਅਤੇ ਅਲੋਪ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਨੂੰ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਅਲਿਆਸਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। AI ਕਈ ਵਾਰੀ ਕੋਡ ਲਿਖਦਾ ਹੈ ਜੋ ਥੋੜ੍ਹੇ ਜਿਹੇ ਅੰਕ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਨਤੀਜਾ ਇੱਕ ਤਰਲ ਪਰ ਗੁੰਮਰਾਹਕੁੰਨ ਗ੍ਰਾਫ ਹੈ।
ਐਂਟੀਡੋਟ ਸਧਾਰਨ ਹੈ: ਤੇਜ਼ੀ ਨਾਲ ਬਦਲਣ ਵਾਲੇ ਫੰਕਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ np.linspace(a, b, 1000)) ਵਿੱਚ ਸੈਂਪਲਿੰਗ ਪੁਆਇੰਟਸ ਦੀ ਸੰਖਿਆ ਨੂੰ ਉੱਚਾ ਰੱਖੋ। ਨਾਲ ਹੀ, ਜੇਕਰ ਇੱਕ ਗ੍ਰਾਫ ਵਿੱਚ ਕੋਣੀ, ਦੰਦਾਂ ਵਾਲਾ, ਜਾਂ ਅਨਿਯਮਿਤ ਦਿੱਖ ਹੈ ਜਿਸਦੀ ਤੁਸੀਂ ਉਮੀਦ ਨਹੀਂ ਕਰਦੇ, ਤਾਂ ਇਹ ਅਕਸਰ ਘੱਟ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦਾ ਇੱਕ ਮਾੜਾ ਪ੍ਰਭਾਵ ਹੁੰਦਾ ਹੈ ਨਾ ਕਿ ਫੰਕਸ਼ਨ ਦੇ ਅਸਲ ਵਿਹਾਰ ਦਾ; ਪੁਆਇੰਟਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਓ ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਗ੍ਰਾਫ ਬਦਲਦਾ ਹੈ। ਜੇਕਰ ਬਿੰਦੂਆਂ ਦੀ ਸੰਖਿਆ ਦੇ ਨਾਲ ਗ੍ਰਾਫ ਮਹੱਤਵਪੂਰਨ ਰੂਪ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਅਜੇ ਤੱਕ ਫੰਕਸ਼ਨ ਦੀ ਅਸਲੀ ਸ਼ਕਲ ਨਹੀਂ ਦੇਖ ਰਹੇ ਹੋ।
ਸਾਵਧਾਨ: ਇੱਕ ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲਾ ਗ੍ਰਾਫ਼ ਇੱਕ ਤੇਜ਼-ਓਸੀਲੇਟਿੰਗ ਫੰਕਸ਼ਨ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਗਲਤ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ — ਜਾਂ ਇੱਕ ਪੈਟਰਨ ਨੂੰ ਫਿੱਟ ਵੀ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਇੱਕ ਨਾਜ਼ੁਕ ਗ੍ਰਾਫ਼ ਖਿੱਚਦੇ ਸਮੇਂ, ਜਾਣਬੁੱਝ ਕੇ ਨਮੂਨਾ ਲੈਣ ਵਾਲੇ ਬਿੰਦੂਆਂ ਦੀ ਉੱਚ ਸੰਖਿਆ ਚੁਣੋ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਜਦੋਂ ਤੁਸੀਂ ਪੁਆਇੰਟਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਂਦੇ ਹੋ ਤਾਂ ਗ੍ਰਾਫ ਸਥਿਰ ਰਹਿੰਦਾ ਹੈ।
ਚਾਰਟ ਕਿਸਮ ਦੀ ਚੋਣ
ਮਕਸਦ
ਅਨੁਕੂਲ ਗ੍ਰਾਫਿਕ
Matplotlib ਫੰਕਸ਼ਨ
ਫੰਕਸ਼ਨ ਕਰਵ
ਲਾਈਨ ਚਾਰਟ
ਪਲਾਟ()
ਡਾਟਾ ਪੁਆਇੰਟ
ਸਕੈਟਰ ਪਲਾਟ
ਸਕੈਟਰ()
ਵੰਡ
ਹਿਸਟੋਗ੍ਰਾਮ
ਹਿਸਟ()
ਦੋ ਪਰਿਵਰਤਨਸ਼ੀਲ ਸਬੰਧ
ਸਕੈਟਰ + ਕਰਵ
ਪਲਾਟ() + ਸਕੈਟਰ()
ਸ਼੍ਰੇਣੀਗਤ ਤੁਲਨਾ
ਬਾਰ ਚਾਰਟ
ਪੱਟੀ()
ਸਤਹ/3D
3D ਸਤ੍ਹਾ
ਪਲਾਟ_ਸਰਫੇਸ()
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਲੁਕਿਆ ਹੋਇਆ ਰੂਟ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਕੋਲ ਇੱਕ ਬਹੁਪਦ ਦੀਆਂ ਜੜ੍ਹਾਂ ਦੇਖਣ ਲਈ ਇੱਕ ਗ੍ਰਾਫ਼ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਪਰ ਉਸਨੇ YZ ਧੁਰੀ ਰੇਂਜ [−1, 1] ਨੂੰ ਚੁਣਿਆ ਸੀ; ਜਦੋਂ ਕਿ ਜੜ੍ਹਾਂ x=3 ਦੇ ਆਸਪਾਸ ਸਨ ਅਤੇ ਗ੍ਰਾਫ 'ਤੇ ਬਿਲਕੁਲ ਵੀ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦੀਆਂ ਸਨ। ਵਿਦਿਆਰਥੀ ਪੁੱਛਦਾ ਹੈ "ਕੀ ਇਸ ਫੰਕਸ਼ਨ ਦਾ ਕੋਈ ਰੂਟ ਨਹੀਂ ਹੈ?" ਉਹ ਹੈਰਾਨ ਸੀ, ਫਿਰ ਜਦੋਂ ਉਸਨੇ ਸਪੇਸਿੰਗ ਨੂੰ [−5, 5] ਵਿੱਚ ਬਦਲਿਆ, ਤਾਂ ਜੜ੍ਹਾਂ ਦਿਖਾਈ ਦਿੱਤੀਆਂ। ਪਾਠ: ਗਲਤ ਵਿੱਥ ਗਣਿਤ ਨੂੰ ਲੁਕਾਉਂਦੀ ਹੈ।
ਕੇਸ 2 - ਗਲਤ ਫੰਕਸ਼ਨ। ਇੱਕ ਅਧਿਆਪਕ AI ਡਰਾਅ "cos(x²)" ਬਣਾਉਣਾ ਚਾਹੁੰਦਾ ਸੀ, ਪਰ ਕੋਡ ਵਿੱਚ ਗਲਤੀ ਨਾਲ "cos(x)²" (i.e. cos²(x)) ਲਿਖਿਆ ਗਿਆ। ਦੋ ਫੰਕਸ਼ਨ ਬਹੁਤ ਵੱਖਰੇ ਹਨ. ਜਦੋਂ ਅਧਿਆਪਕ ਨੇ x=√π 'ਤੇ ਸੰਭਾਵਿਤ ਮੁੱਲ ਨਾਲ ਗ੍ਰਾਫ ਦੀ ਤੁਲਨਾ ਕੀਤੀ, ਤਾਂ ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਇਹ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ ਅਤੇ ਗਲਤੀ ਨੂੰ ਫੜ ਲਿਆ। ਬਰੈਕਟ ਦੀ ਜਗ੍ਹਾ ਸਭ ਕੁਝ ਬਦਲਦੀ ਹੈ।
ਕੇਸ 3 - ਵਿਜ਼ੂਅਲ ਤਸਦੀਕ ਨੇ ਰੂਟ ਲਿਆ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਨੇ ਪਹਿਲਾਂ ਫੰਕਸ਼ਨ ਦਾ ਗ੍ਰਾਫ਼ ਕੀਤਾ ਅਤੇ ਦੇਖਿਆ ਕਿ ਇਹ x-ਧੁਰੇ ਨੂੰ ਦੋ ਥਾਵਾਂ (~1.2 ਅਤੇ ~4.7) ਵਿੱਚ ਕੱਟਦਾ ਹੈ। ਇਸ ਵਿਜ਼ੂਅਲ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ, ਇਸ ਨੇ ਡਿਜੀਟਲ ਰੂਟ ਖੋਜਕਰਤਾ ਨੂੰ ਸਹੀ ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਦਿੱਤੇ ਅਤੇ ਦੋਵੇਂ ਜੜ੍ਹਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਲੱਭਿਆ। ਗ੍ਰਾਫ਼ ਤੋਂ ਬਿਨਾਂ, ਇਹ ਸਿਰਫ਼ ਇੱਕ ਰੂਟ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ। 5 ਮਿੰਟ ਵਿੱਚ ਦੋ ਜੜ੍ਹ.
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਫੰਕਸ਼ਨ ਚਾਰਟ:
ਇੱਕ Matplotlib ਕੋਡ ਲਿਖੋ ਜੋ ਫੰਕਸ਼ਨ [f(x)] ਨੂੰ ਰੇਂਜ [a, b] ਵਿੱਚ ਪਲਾਟ ਕਰਦਾ ਹੈ। NumPy ਨਾਲ ਇੱਕ x ਐਰੇ ਬਣਾਓ, ਧੁਰੇ ਨੂੰ ਲੇਬਲ ਕਰੋ, ਇੱਕ ਗਰਿੱਡ ਜੋੜੋ, ਇੱਕ ਸਿਰਲੇਖ ਰੱਖੋ। ਮੈਂ ਕੋਡ ਚਲਾਵਾਂਗਾ; ਚਿੱਤਰ ਦੀ ਪਛਾਣ. ਉਚਿਤ ਵਿੱਥ ਚੁਣੋ ਤਾਂ ਜੋ ਜੜ੍ਹਾਂ/ਵਿਸ਼ੇਸ਼ ਬਿੰਦੂ ਦਿਖਾਈ ਦੇਣ।
2) ਦੋ ਵਕਰਾਂ ਦਾ ਇੰਟਰਸੈਕਸ਼ਨ:
ਇੱਕੋ ਗ੍ਰਾਫ਼ ਉੱਤੇ [a, b] ਰੇਂਜ ਵਿੱਚ [f(x)] ਅਤੇ [g(x)] ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਖਿੱਚੋ। ਉਹਨਾਂ ਨੂੰ ਵੱਖ ਵੱਖ ਰੰਗਾਂ ਵਿੱਚ ਦਿਖਾਓ, ਇੱਕ ਦੰਤਕਥਾ ਜੋੜੋ. ਧੁਰੀ ਸਪੇਸਿੰਗ ਨੂੰ ਐਡਜਸਟ ਕਰੋ ਤਾਂ ਕਿ ਮੈਂ ਮੋਟੇ ਤੌਰ 'ਤੇ ਦੇਖ ਸਕਾਂ ਕਿ ਇੰਟਰਸੈਕਸ਼ਨ ਪੁਆਇੰਟ ਕਿੱਥੇ ਹਨ।
3) ਵਿਜ਼ੂਅਲ + ਸੰਖਿਆਤਮਕ ਤਸਦੀਕ:
ਪਲਾਟ [f(x)] ਅਤੇ ਗ੍ਰਾਫ 'ਤੇ 3 ਨਮੂਨਾ ਬਿੰਦੂਆਂ (x=[ਮੁੱਲ]) ਦੇ ਅਸਲ f ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ। ਇਸ ਲਈ ਮੈਂ ਚਾਰਟ ਦੀ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰ ਸਕਦਾ ਹਾਂ। ਬੱਸ ਕੋਡ ਦਿਓ।
4) ਡਾਟਾ ਹਿਸਟੋਗ੍ਰਾਮ:
ਕੋਡ ਲਿਖੋ ਜੋ ਡੇਟਾ ਦੀ ਹੇਠ ਦਿੱਤੀ ਸੂਚੀ ਦਾ ਇੱਕ ਹਿਸਟੋਗ੍ਰਾਮ ਪਲਾਟ ਕਰਦਾ ਹੈ: [ਡੇਟਾ]। ਰੇਂਜਾਂ (ਬਿਨਾਂ) ਦੀ ਉਚਿਤ ਸੰਖਿਆ ਚੁਣੋ, ਧੁਰਿਆਂ ਨੂੰ ਲੇਬਲ ਕਰੋ। ਮੱਧਮਾਨ ਅਤੇ ਮਿਆਰੀ ਵਿਵਹਾਰ ਨੂੰ ਵੀ ਛਾਪੋ। ਮੈਂ ਕੋਡ ਚਲਾਵਾਂਗਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਫੰਕਸ਼ਨ 1/(x−2) ਨੂੰ ਪਲਾਟ ਕਰੋ।"
ਨਤੀਜਾ: ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਕੋਡ x=2 'ਤੇ ਵਰਟੀਕਲ ਅਸਿੰਪਟੋਟ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੰਭਾਲ ਨਾ ਸਕੇ; ਗ੍ਰਾਫ x=2 'ਤੇ ਇੱਕ ਗੁੰਮਰਾਹਕੁੰਨ ਲੰਬਕਾਰੀ ਲਾਈਨ ਦਿਖਾਉਂਦਾ ਹੈ ਅਤੇ ਫੰਕਸ਼ਨ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਗਲਤ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ।
ਮਜ਼ਬੂਤ: "ਰੇਂਜ [−5, 5] 'ਤੇ ਫੰਕਸ਼ਨ 1/(x−2) ਨੂੰ ਪਲਾਟ ਕਰੋ, ਪਰ x=2 'ਤੇ ਵਰਟੀਕਲ ਐਸਿਮਪੋਟ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦਿਖਾਓ: ਅਸੈਂਪਟੋਟ ਦੇ ਨੇੜੇ ਮੁੱਲ ਸੀਮਤ ਕਰੋ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਵਜੋਂ ਪਲਾਟ ਕਰੋ। ਧੁਰਿਆਂ ਨੂੰ ਲੇਬਲ ਕਰੋ, ਡੈਸ਼ਡ ਲਾਈਨ ਨਾਲ ਅਸਿੰਪਟੋਟ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ।"
ਨਤੀਜਾ: ਅਸਿੰਪਟੋਟ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰਦਰਸ਼ਿਤ ਹੁੰਦਾ ਹੈ, ਗ੍ਰਾਫ ਫੰਕਸ਼ਨ ਦੇ ਅਸਲ ਵਿਹਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਗਲਤ ਧੁਰੀ ਰੇਂਜ। ਉਹ ਰੇਂਜ ਜੋ ਫੰਕਸ਼ਨ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ (ਜੜ੍ਹਾਂ, ਸਿਰਿਆਂ) ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੀ ਹੈ, ਗਣਿਤ ਨੂੰ ਅਸਪਸ਼ਟ ਕਰਦੀ ਹੈ।
- ਲੱਛਣਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। 1/x ਵਰਗੇ ਫੰਕਸ਼ਨਾਂ ਵਿੱਚ ਵਰਟੀਕਲ ਅਸੈਂਪਟੋਟਸ ਗੁੰਮਰਾਹਕੁੰਨ ਲਾਈਨਾਂ ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ; ਵਿਸ਼ੇਸ਼ ਪਰਬੰਧਨ ਦੀ ਲੋੜ ਹੈ.
- ਬਰੈਕਟ/ਨੋਟੇਸ਼ਨ ਗਲਤੀ। cos(x²) ਅਤੇ cos²(x) ਵਰਗੇ ਅੰਤਰ ਕੋਡ ਵਿੱਚ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਪਾਸ ਕੀਤੇ ਗਏ ਹਨ; ਗ੍ਰਾਫ ਇੱਕ ਹੋਰ ਫੰਕਸ਼ਨ ਦਿਖਾਉਂਦਾ ਹੈ।
- ਲੇਬਲ ਰਹਿਤ ਧੁਰੇ। ਕੀ ਖਿੱਚਿਆ ਗਿਆ ਹੈ ਅਸਪਸ਼ਟ ਰਹਿੰਦਾ ਹੈ; ਇਹ ਕੋਰਸ ਸਮੱਗਰੀ ਵਿੱਚ ਇੱਕ ਗੰਭੀਰ ਕਮੀ ਹੈ.
- ਚਾਰਟ ਦੀ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਜੇਕਰ ਗ੍ਰਾਫ਼ ਗਲਤ ਫੰਕਸ਼ਨ ਨੂੰ ਪਲਾਟ ਕਰਦਾ ਹੈ, ਤਾਂ ਸਿਰਫ਼ ਬਿੰਦੂ ਕੈਲਕੂਲਸ ਇਸ ਨੂੰ ਫੜੇਗਾ।
- ਗੁੰਮਰਾਹ ਕਰਨ ਵਾਲਾ ਪੈਮਾਨਾ। ਲਘੂਗਣਕ/ਲੀਨੀਅਰ ਸਕੇਲ ਉਲਝਣ ਗਲਤ ਪ੍ਰਭਾਵ ਦਿੰਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਇੱਕ ਚਾਰਟ "ਸੁੰਦਰ ਦਿਸਦਾ ਹੈ" ਇਸ ਨੂੰ ਸਹੀ ਨਹੀਂ ਬਣਾਉਂਦਾ। AI ਇੱਕ ਅਜਿਹਾ ਗ੍ਰਾਫ਼ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸੁਹਜ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਸੰਨ ਹੁੰਦਾ ਹੈ ਪਰ ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਗਲਤ-ਉਦਾਹਰਨ ਲਈ, ਇਹ ਗਲਤ ਫੰਕਸ਼ਨ, ਗਲਤ ਰੇਂਜ ਵਿੱਚ, ਜਾਂ ਇੱਕ ਵਿਗਾੜਿਤ ਅਸਿੰਪਟੋਟ ਨਾਲ ਖਿੱਚ ਸਕਦਾ ਹੈ। ਹਮੇਸ਼ਾਂ ਗ੍ਰਾਫ ਦੀ ਤੁਲਨਾ ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਕਰੋ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਗਣਨਾ ਨਾਲ।
ਸੰਖੇਪ ਵਿੱਚ
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਇੱਕ ਸਮੀਕਰਨ ਅਤੇ ਇੱਕ ਪੁਸ਼ਟੀਕਰਨ ਟੂਲ ਹੈ: ਕਿਸੇ ਫੰਕਸ਼ਨ ਦੇ ਵਿਵਹਾਰ, ਇਸਦੇ ਜੜ੍ਹਾਂ ਅਤੇ ਇੰਟਰਸੈਕਸ਼ਨਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਦੇਖਣਾ, ਗਲਤੀਆਂ ਨੂੰ ਫੜਨ ਅਤੇ ਸਹੀ ਸੰਖਿਆਤਮਕ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂਆਂ ਨੂੰ ਲੱਭਣ ਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ। AI ਤੇਜ਼ੀ ਨਾਲ Matplotlib ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਕੋਡ ਚਲਾਉਂਦੇ ਹੋ, ਗ੍ਰਾਫ ਦੀ ਤੁਲਨਾ ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਕਰਦੇ ਹੋ, ਐਕਸਿਸ ਰੇਂਜ ਅਤੇ ਅਸੈਂਪਟੋਟਸ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ, ਅਤੇ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹੋ। ਇੱਕ ਸੁੰਦਰ ਗ੍ਰਾਫ਼ ਇੱਕ ਸਹੀ ਗ੍ਰਾਫ਼ ਨਹੀਂ ਹੈ; ਹਮੇਸ਼ਾ ਗਣਿਤ ਨਾਲ ਤੁਲਨਾ ਕਰੋ.
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਦਿਲਚਸਪ ਫੰਕਸ਼ਨ ਚੁਣੋ (ਜਿਵੇਂ ਕਿ 1/(x−2), ਜਿਸਦਾ ਲੰਬਕਾਰੀ ਅਸਿੰਪਟੋਟ ਹੋਵੇ, ਜਾਂ ਕਈ ਜੜ੍ਹਾਂ ਵਾਲਾ ਬਹੁਪਦ)। AI ਨੂੰ 1st ਅਤੇ 3rd ਟੈਂਪਲੇਟਸ ਦੇ ਨਾਲ ਗ੍ਰਾਫ ਖਿੱਚਣ ਅਤੇ ਕੁਝ ਬਿੰਦੂਆਂ ਦੇ ਅਸਲ ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਨ ਲਈ ਕਹੋ। ਕੋਡ ਚਲਾਓ ਅਤੇ ਗ੍ਰਾਫ਼ ਦੇਖੋ। ਫੰਕਸ਼ਨ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਗਣਿਤ ਨਾਲ ਗ੍ਰਾਫ (ਜੜ੍ਹਾਂ, ਅਸਿੰਪਟੋਟ, ਸਿਰਲੇਖ) ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਹੱਥੀਂ ਜਾਂ SymPy ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ। ਧੁਰੀ ਰੇਂਜ ਨੂੰ ਬਦਲੋ ਅਤੇ ਦੇਖੋ ਕਿ ਕੀ ਕੋਈ ਲੁਕਿਆ ਹੋਇਆ ਵਿਵਹਾਰ ਉਭਰਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਿਆ ਕਿ ਮੈਂ ਸਪੇਸਿੰਗ ਅਤੇ ਲੇਬਲਾਂ ਨਾਲ ਕੀ ਖਿੱਚਣਾ ਚਾਹੁੰਦਾ ਸੀ।
- [ ] ਮੈਂ ਕੋਡ ਚਲਾਇਆ ਅਤੇ ਅਸਲ ਵਿੱਚ ਗ੍ਰਾਫ ਦੇਖਿਆ।
- [ ] ਮੈਂ ਗ੍ਰਾਫ ਦੀ ਤੁਲਨਾ ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਕੀਤੀ।
- ਮੈਂ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ ਕਿ [ ] ਧੁਰੀ ਰੇਂਜ ਦਿਲਚਸਪ ਖੇਤਰ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ।
- [ ] ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਕਿ ਅਸਿੰਪਟੋਟ/ਅਪਰਿਭਾਸ਼ਿਤ ਪੁਆਇੰਟ ਸਹੀ ਢੰਗ ਨਾਲ ਦਿਖਾਏ ਗਏ ਹਨ।
- [ ] ਮੈਂ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।