نقشه‌بردار پیش‌نیاز: دقیقاً بفهمید چه چیزی را پیش از پرداختن به یک موضوع سخت کم دارید
چرا این پرامپت اهمیت دارد
Most self-directed learners respond to a stuck point by either giving up on the resource entirely or re-reading the same confusing paragraph five times — both of which waste hours, because the actual fix is usually one or two specific prerequisite concepts, not a full remedial course.
ما از آن برای چه استفاده می‌کنیم
You're three chapters into a machine learning textbook and hit a section on backpropagation that assumes you're comfortable with the chain rule and Jacobian matrices — but it's been eight years since your last calculus class and you're not sure exactly what you're missing or where to start filling the gap.
پرامپت
Role: Act as an expert curriculum designer who specializes in diagnosing prerequisite gaps for self-directed learners. Context: I'm trying to learn [TARGET TOPIC], and I'm stuck on [SPECIFIC RESOURCE, e.g. book/course/paper title]. I got lost specifically at [WHERE EXACTLY I GOT LOST — the section, term, or step]. My relevant background is: [WHAT I ALREADY KNOW RELATED TO THIS FIELD]. Task: Identify the specific prerequisite concepts I'm missing that are causing me to get stuck at this exact point, order them by dependency (what must come before what), and for each one give a one-line test I can use to check whether I actually know it well enough to move on. Constraints: Do not recommend a generic "start from the basics" full curriculum — assume I have the background I described and only flag genuine gaps. Do not pad the list with prerequisites I've indicated I already know. Be specific about WHY each prerequisite is needed for the exact sticking point I described, not just generically related to the topic. Output Format: 1. Diagnosis (what specifically is causing me to get stuck, in plain terms) 2. Prerequisite Chain (ordered list — each with: concept name, why it's needed here, a one-line self-test) 3. Fastest Path (which 1-2 prerequisites to tackle first for the most unlock, if I'm short on time) 4. Resource Type Suggestion (what KIND of resource — not a real link — would best teach each gap, e.g. "a worked-example problem set," "a visual/interactive explainer," "a primary source paper")
نتیجه
DIAGNOSIS: You're not actually stuck on backpropagation itself — you're stuck because backpropagation is explained using compact calculus notation (partial derivatives via the chain rule, expressed as Jacobians) that assumes fluency you haven't used in years. The concept of "work backward through a computation graph" is intuitive; the notation is the actual blocker.
PREREQUISITE CHAIN:
- Single-variable chain rule — Why: backpropagation is the chain rule applied repeatedly. Self-test: can you differentiate f(g(x)) by hand without looking up the rule? If not, start here.
- Partial derivatives — Why: neural network weights are one of many inputs, so you need derivatives with respect to one variable while others are held constant. Self-test: given z = x²y + 3y, can you find ∂z/∂x and ∂z/∂y without hesitating?
- Basic matrix/vector notation — Why: Jacobians are just organized collections of partial derivatives — the intimidating part is the notation, not new math. Self-test: can you explain what a 3x2 matrix represents and multiply it by a vector?
- Computation graphs — Why: this is the actual new concept — how a network's forward pass can be drawn as a graph so backprop becomes "chain rule applied along graph edges." Self-test: can you draw the graph for y = (x+2) * (x-1) and label each node?
FASTEST PATH: If you're short on time, prioritize #1 (chain rule) and #4 (computation graphs) — together they cover 80% of what makes backpropagation click. Partial derivatives (#2) can often be picked up implicitly while working through computation graph examples, and matrix notation (#3) is more about getting comfortable with symbols than learning new concepts.
RESOURCE TYPE SUGGESTION: For the chain rule, a worked-example problem set beats a video — you need to practice the mechanical step, not just watch it. For computation graphs specifically, a visual/interactive explainer (something that lets you click through a graph node by node) will click faster than a textbook diagram. For partial derivatives, a short primer with 5-10 practice problems is enough — you don't need a full multivariable calculus course.
گیر کردن در یک موضوع سخت به‌ندرت به این معناست که محتوا بد نوشته شده. بیشتر اوقات، یک کتاب درسی یا دوره فرض می‌کند شما در چیزی مسلط هستید که سال‌هاست به آن دست نزده‌اید — و بخش ناامیدکننده این است که همیشه نمی‌توانید بگویید دقیقاً کدام بخش گم شده. فقط می‌دانید که گم شده‌اید.
این پرامپت طراحی شده تا مستقیماً آن شکاف را تشخیص دهد، به‌جای اینکه شما را به «از پایه شروع کن» بازگرداند که وقت شما را با مرور دوباره چیزهایی که از قبل می‌دانید هدر می‌دهد. این پرامپت نقطه دقیق گیر افتادن — نه فقط موضوع — را می‌پرسد، زیرا راه‌حل برای «backpropagation را نمی‌فهمم» کاملاً بسته به اینکه مانع نماد است، یک مفهوم ریاضی گم‌شده است، یا واقعاً یک ایده جدید، متفاوت است.
چرا زنجیره پیش‌نیاز مرتب‌شده است، نه فقط فهرست
یک فهرست تخت از «چیزهایی که ممکن است ندانید» تقریباً بی‌فایده است — به شما نمی‌گوید از کجا شروع کنید یا اجزا چگونه به هم وابسته‌اند. مرتب کردن زنجیره بر اساس وابستگی یعنی پیش‌نیازها را به ترتیبی که واقعاً مسدودشدگی شما را برطرف می‌کند دنبال می‌کنید.
چرا هر پیش‌نیاز یک خودآزمون یک‌خطی دارد
اکثر یادگیرندگان یا به‌شدت آنچه را به‌خاطر می‌آورند دست‌بالا می‌گیرند یا دست‌پایین. یک خودآزمون سریع و مشخص آن حدس‌وگمان را جایگزین می‌کند — اگر بتوانید فوراً پاسخ دهید، آن پیش‌نیاز را رد کنید و به بعدی بروید.
چرا «سریع‌ترین مسیر» بخش جداگانه‌ای دارد
هر یادگیرنده‌ای وقت کافی برای رفع همه شکاف‌ها قبل از ادامه ندارد. جدا کردن یک یا دو پیش‌نیاز با بیشترین تأثیر یعنی کسی که وقت محدودی دارد یک میان‌بر واقعی می‌گیرد، نه سازش در دقت.
نقطه دقیق گیر افتادن خود را به این پرامپت بدهید تا یک راه‌حل هدفمند دریافت کنید — نه یک برنامه درسی جبرانی کامل برای موضوعی که اکثراً از قبل می‌فهمید.