Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory

Słowniczek około czterdziestu symboli, z którym przeczytasz każdą definicję w serii Podstawy AI — od indeksów i greckich liter przez ∑ i argmin po ∀ i ∃. Ze ściągą na końcu.

12 minut Matěj Žalmánek 2026-10-15

Seria Podstawy AI Część 4 z 52

1. Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje
2. Krótka historia sztucznej inteligencji: od Turinga do modeli językowych
3. Dane, model, trening, inferencja: podstawowe pojęcia na jednym przykładzie
4. Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory
5. Zbiory i relacje: klocki, z których składają się definicje w AI
6. Funkcje i odwzorowania: dlaczego każdy model AI jest funkcją
7. Logika i dowody: reguły, według których rozumuje AI
8. Grafy i drzewa: struktura, na której opierają się przeszukiwanie i sieci neuronowe
9. Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży
10. Pochodne, gradient i reguła łańcuchowa: jak model ustala, w którą stronę się uczyć
11. Spadek gradientu: jak uczy się model
12. Czym jest prawdopodobieństwo: od rzutu kostką do aksjomatów Kołmogorowa
13. Prawdopodobieństwo warunkowe i twierdzenie Bayesa: jak zmienić ocenę, gdy dowiesz się czegoś nowego
14. Zmienna losowa i dystrybuanta: jedna funkcja, która mówi o rozkładzie wszystko
15. Funkcja gęstości i funkcja prawdopodobieństwa: dlaczego zmienna ciągła ma w punkcie prawdopodobieństwo zero
16. Wartość oczekiwana, wariancja i kowariancja: gdzie leży rozkład, jak jest szeroki i co z czym się wiąże
17. Przegląd rozkładów prawdopodobieństwa: Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy
18. Prawo wielkich liczb i centralne twierdzenie graniczne: dlaczego średnie zachowują się tak przewidywalnie
19. Statystyka i estymacja parametrów: największa wiarygodność, MAP i przedziały ufności
20. Teoria informacji: entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty
21. Przeszukiwanie przestrzeni stanów: BFS, DFS, UCS i A* z animacjami
22. Gry i przeciwnik: minimax, przycinanie alfa-beta i Monte Carlo tree search
23. Spełnianie ograniczeń: backtracking, propagacja ograniczeń i AC-3 na sudoku i mapie czeskich krajów
24. Logika i systemy z bazą wiedzy: wnioskowanie w przód i wstecz, rezolucja i systemy ekspertowe
25. Planowanie: STRIPS, świat klocków, heurystyki z relaksacji i planowanie w agentach AI
26. Przeszukiwanie lokalne i symulowane wyżarzanie: komiwojażer przez czeskie miasta wojewódzkie
27. Algorytmy genetyczne: populacja, krzyżowanie, mutacja i selekcja na plecaku na wycieczkę
28. Strategie ewolucyjne i programowanie genetyczne: od reguły jednej piątej do prawa Keplera
29. Optymalizacja kolonią mrówek: jak ślad feromonowy znajduje krótką drogę
30. Optymalizacja rojem cząstek: bezwładność, własne doświadczenie i doświadczenie roju
31. Neuroewolucja: ewolucja wag i kształtu sieci neuronowych oraz algorytm NEAT
32. Zbiory rozmyte i funkcje przynależności: jak zapisać „trochę ciepło”
33. Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”
34. Logika rozmyta: t-normy, implikacje i reguły JEŻELI–TO
35. Sterowanie rozmyte: Mamdani i Sugeno od wentylatora po wahadło na wózku
36. Klasteryzacja rozmyta: algorytm fuzzy c-means i punkty między skupieniami
37. Systemy neuro-rozmyte (ANFIS): reguły rozmyte, które uczą się z danych
38. Łańcuchy Markowa: macierz przejścia, rozkład stacjonarny i PageRank
39. Ukryte modele Markowa: algorytm Viterbiego i nieuczciwe kasyno
40. Sieci bayesowskie: dlaczego trawa jest mokra i co z tego wynika dla zraszacza
41. Filtr Kalmana: jak z niedokładnych pomiarów oszacować, gdzie jest samochód i jak szybko jedzie
42. Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane, półnadzorowane i inne
43. Prompty, kontekst i RAG: jak dać modelowi właściwe informacje
44. Wariacyjne autoenkodery (VAE): nowe obrazki z ciągłej przestrzeni latentnej
45. Generatywne sieci przeciwstawne (GAN): fałszerz kontra detektyw
46. Modele dyfuzyjne: jak z czystego szumu powstaje obraz
47. Procesy decyzyjne Markowa: stany, akcje, nagrody i równania Bellmana
48. Q-learning i DQN: uczenie się wartości akcji od tabeli po sieć neuronową
49. Policy gradient i PPO: uczenie się bezpośrednio polityki
50. Jak działa agent AI: model językowy w pętli z narzędziami
51. Programowanie z agentami AI: zadanie, testy i kontrola
52. Ocena i bezpieczeństwo systemów AI: jak mierzyć i jak pilnować

Pełny program serii Gotowe: 52 z 83 tematów

Zapis matematyczny wygląda jak szyfr, ale to tylko skrót. Zdanie „dodaj kwadraty wszystkich liczb z listy” można zapisać jako ∑_i x_i² i znaczy dokładnie to samo — tylko jest krótsze i nie da się go zrozumieć na dwa sposoby.

Symboli, które spotkasz w artykułach o sztucznej inteligencji, jest zaskakująco mało — około czterdziestu. Przejdziemy je tu grupami, przy każdym powiemy, jak się go czyta, a na końcu przeczytamy kilka prawdziwych definicji z innych części serii. Ściągę ze wszystkimi symbolami znajdziesz w ostatnim rozdziale.

1. Dlaczego matematyka używa symboli

Język naturalny jest dwuznaczny. „Każdy student przeczytał jakąś książkę” może znaczyć, że każdy przeczytał inną książkę, albo że wszyscy przeczytali tę samą. W zapisie ∀s ∃k i ∃k ∀s to dwa różne zdania i nikt ich nie pomyli. Zapis jest precyzyjny, krótki i międzynarodowy — wzór z chińskiego podręcznika przeczytasz tak samo jak z polskiego.

2. Zmienne, indeksy i greckie litery

Zmienna to litera, która zastępuje liczbę lub inny obiekt: x, y, n. Pisze się ją kursywą. Gdy wartości jest więcej, rozróżniamy je indeksem — małą liczbą lub literą w prawym dolnym rogu:

• x₁, x₂, x₃ — pierwsza, druga, trzecia wartość („x jeden, x dwa…”),
• x_i — „i-ta” wartość („x i” albo „x z indeksem i”), gdzie i może być dowolną liczbą,
• A_i,j — element w i-tym wierszu i j-tej kolumnie tabeli (macierzy),
• x⁽ⁱ⁾ — i-ty przykład w danych; nawias odróżnia indeks od potęgi x².

Prim lub daszek nad literą robi z jednej zmiennej spokrewnioną: s′ („s prim”) to następny stan po s, ŷ („y z daszkiem”) to oszacowanie prawdziwej wartości y, a x̄ („x z kreską”) to średnia. Gwiazdka oznacza to, co najlepsze: θ* („theta z gwiazdką”) to optymalne parametry, C* optymalny koszt.

Liter łacińskich jest mało, więc matematyka pożycza greckie. W AI niektóre mają utrwalone znaczenie — kiedy je zobaczysz, zwykle wiesz, o co chodzi:

3. Zbiory w zapisie

Zbiór to grupa elementów; zapisuje się go w nawiasach klamrowych: {1, 2, 3} albo {↑, →, ↓, ←}. Wielkimi literami z podwójną kreską oznacza się znane zbiory liczb: ℕ liczby naturalne (1, 2, 3, …), ℤ całkowite, ℝ rzeczywiste. ℝⁿ to wszystkie listy n liczb rzeczywistych — wektory.

• x ∈ S — „x należy do S”, jest jego elementem; x ∉ S — nie należy,
• A ⊆ B — „A jest podzbiorem B”, wszystko z A jest też w B,
• A ∪ B — suma zbiorów (to, co jest w co najmniej jednym), A ∩ B — iloczyn, część wspólna (to, co jest w obu),
• A × B — iloczyn kartezjański: wszystkie pary (a, b),
• ∅ — zbiór pusty, |S| — liczba elementów,
• {x ∈ ℝ : x > 0} — „zbiór wszystkich rzeczywistych x takich, że x > 0”; dwukropek (lub pionowa kreska) czyta się „takich, że”.

Nawiasy okrągłe natomiast oznaczają grupę uporządkowaną, w której liczy się kolejność: (3, 1) to nie to samo co (1, 3). Tak zapisuje się pary, współrzędne i n-ki — na przykład problem przeszukiwania jako szóstkę (S, s₀, A, T, G, c). Zbiorom i relacjom poświęcona jest osobna część serii.

4. Suma i iloczyn: ∑ i ∏

Definicja — suma i iloczyn

∑_i=mⁿ a_i = a_m + a_m+1 + … + a_n,   ∏_i=mⁿ a_i = a_m · a_m+1 · … · a_n.

Zmienna pod znakiem (i) to indeks sumowania; dolna granica m mówi, od czego zacząć, górna granica n, na czym skończyć. Dla m > n suma wynosi 0, a iloczyn 1.

Weźmy listę x = (3, 1, 4, 1, 5), czyli x₁ = 3, x₂ = 1 itd. Wtedy:

Ostatni wiersz to wzór, który spotkasz najczęściej: (1/n) ∑ to średnia. Gdy przy sumie brakuje granic (∑_i), sumuje się po wszystkich i, które mają sens — zwykle po wszystkich przykładach w danych.

5. Funkcje, strzałki i argmin

f(x) czytamy „f od x” — wartość funkcji f dla wejścia x. Zapis f : X → Y („f z X w Y”) mówi, skąd funkcja bierze wejścia i dokąd należą wyjścia: f : ℝ² → {0, 1} bierze parę liczb i zwraca 0 lub 1 — to klasyfikator punktów na płaszczyźnie.

• x ↦ x² — „x przechodzi na x kwadrat”; opis funkcji bez nazwy,
• f_θ(x) — funkcja, której zachowanie wyznaczają parametry θ („f z parametrami theta”),
• g ∘ f — złożenie: najpierw f, potem g, czyli g(f(x)),
• θ ← θ − η ∇J — strzałka w lewo to przypisanie w algorytmie: „nowa wartość θ to…”; := znaczy „definiujemy jako”.

Definicja — min, max, argmin, argmax

min_{x ∈ X} f(x) to najmniejsza wartość, jaką f przyjmuje na zbiorze X.

argmin_{x ∈ X} f(x) to to x (lub zbiór wszystkich takich x), dla którego f przyjmuje tę najmniejszą wartość. Analogicznie max i argmax.

6. Spójniki logiczne i kwantyfikatory

Definicja — negacja kwantyfikatorów

¬(∀x : P(x)) ⇔ ∃x : ¬P(x)   i   ¬(∃x : P(x)) ⇔ ∀x : ¬P(x).

Uwaga na implikację ⇒: twierdzi tylko tyle, że gdy zachodzi P, zachodzi też Q. O sytuacji, w której P nie zachodzi, nie mówi nic. Z x > 2 ⇒ x² > 4 nie wynika, że x² > 4 ⇒ x > 2 — wystarczy wziąć x = −3.

7. Inne znaki, które spotkasz

• |x| — wartość bezwzględna (|−3| = 3); ‖x‖ — długość wektora (norma),
• ⌊x⌋, ⌈x⌉ — zaokrąglenie w dół i w górę, podłoga i sufit (⌊2,7⌋ = 2, ⌈2,1⌉ = 3),
• ≈ — w przybliżeniu równe; ∝ — proporcjonalne („rośnie tak samo jak”); ≫ — dużo większe,
• ∞ — nieskończoność; [0, 1] — przedział razem z końcami, (0, 1) — bez nich,
• ∇f („nabla f”) — gradient, kierunek najszybszego wzrostu; ∂f/∂x — pochodna cząstkowa,
• O(n²) — „rzędu n kwadrat”: jak szybko rośnie czas lub pamięć algorytmu,
• P(A | B) — prawdopodobieństwo A, gdy wiemy, że zaszło B; 𝔼[X] — wartość oczekiwana,
• w^⊤ — transpozycja: z wiersza robi się kolumna i odwrotnie; w^⊤x to iloczyn skalarny.

8. Przeczytaj całą definicję

Teraz złożymy wszystko razem. To jest definicja trenowania modelu z części o rodzajach uczenia maszynowego. Kolorowe liczby odnoszą się do objaśnień pod nią:

1. θ* — „theta z gwiazdką”: najlepsze parametry modelu, których szukamy.
2. argmin_θ — „ta θ, dla której następujące wyrażenie jest najmniejsze”.
3. (1/n) ∑_i=1ⁿ — średnia po wszystkich n przykładach w danych.
4. L( … ) — funkcja straty: ile kosztuje jeden błąd.
5. f_θ(x_i) — co model z parametrami θ odpowie na i-te wejście.
6. y_i — poprawna odpowiedź dla i-tego wejścia.

I jeszcze jedna, z części o przeszukiwaniu — funkcja priorytetu algorytmu A*:

Czyta się „f od n równa się g od n plus h od n”: oszacowanie kosztu całej ścieżki przez stan n to koszt, który już zapłaciliśmy, żeby dojść do n (g), plus oszacowanie, ile jeszcze zostało (h). Ten sam sposób działa dla każdej definicji: znaleźć główną relację (=, ≤, ⇔), rozłożyć obie strony na części i każdą przetłumaczyć na słowa.

9. Ściąga

10. Podsumowanie

• Zapis matematyczny to skrót zdania: czyta się go od lewej do prawej, symbol po symbolu.
• Indeksy rozróżniają wartości, greckie litery mają w AI utrwalone znaczenia (θ parametry, η współczynnik uczenia, γ dyskonto).
• ∑ to pętla, która dodaje; (1/n) ∑ to średnia; argmin szuka miejsca, nie wartości.
• ∀ i ∃ robią z własności precyzyjne twierdzenia; do obalenia „dla wszystkich” wystarczy jeden kontrprzykład.

Z tym słowniczkiem przeczytasz wszystkie definicje w serii. Jeśli trafisz na symbol, którego tu brakuje, napisz do nas — dopiszemy go.

Masz inne zdanie? Napisz na support@coden-app.com.