100% found this document useful (3 votes)
48 views

Download full Introduction to Deep Learning Using R: A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R Taweh Beysolow Ii ebook all chapters

Learning

Uploaded by

ramozzjayhbs
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
100% found this document useful (3 votes)
48 views

Download full Introduction to Deep Learning Using R: A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R Taweh Beysolow Ii ebook all chapters

Learning

Uploaded by

ramozzjayhbs
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 62

Download the full version of the textbook now at textbookfull.

com

Introduction to Deep Learning Using R: A


Step-by-Step Guide to Learning and
Implementing Deep Learning Models Using R
Taweh Beysolow Ii
https://textbookfull.com/product/introduction-to-
deep-learning-using-r-a-step-by-step-guide-to-
learning-and-implementing-deep-learning-models-
using-r-taweh-beysolow-ii/

Explore and download more textbook at https://textbookfull.com


Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Applied Natural Language Processing with Python:


Implementing Machine Learning and Deep Learning Algorithms
for Natural Language Processing 1st Edition Taweh Beysolow
Ii
https://textbookfull.com/product/applied-natural-language-processing-
with-python-implementing-machine-learning-and-deep-learning-
algorithms-for-natural-language-processing-1st-edition-taweh-beysolow-
ii/
textbookfull.com

Deep Learning with Python Develop Deep Learning Models on


Theano and TensorFLow Using Keras Jason Brownlee

https://textbookfull.com/product/deep-learning-with-python-develop-
deep-learning-models-on-theano-and-tensorflow-using-keras-jason-
brownlee/
textbookfull.com

R Deep Learning Essentials 1st Edition Wiley

https://textbookfull.com/product/r-deep-learning-essentials-1st-
edition-wiley/

textbookfull.com

Principles of Diabetes Mellitus 3rd Edition Leonid


Poretsky (Eds.)

https://textbookfull.com/product/principles-of-diabetes-mellitus-3rd-
edition-leonid-poretsky-eds/

textbookfull.com
Falling for the Mountain Man Mechanic Curvy Instalove at
First Sight 2 1st Edition Kate Weiss

https://textbookfull.com/product/falling-for-the-mountain-man-
mechanic-curvy-instalove-at-first-sight-2-1st-edition-kate-weiss/

textbookfull.com

Program Evaluation and Performance Measurement: An


Introduction to Practice James C Mcdavid

https://textbookfull.com/product/program-evaluation-and-performance-
measurement-an-introduction-to-practice-james-c-mcdavid/

textbookfull.com

A Ghostly Grave Ghostly Southern Mystery 2 Tonya Kappes

https://textbookfull.com/product/a-ghostly-grave-ghostly-southern-
mystery-2-tonya-kappes/

textbookfull.com

A Brief Introduction to the New Testament Bart D. Ehrman

https://textbookfull.com/product/a-brief-introduction-to-the-new-
testament-bart-d-ehrman/

textbookfull.com

The Emotional Foundations of Personality A Neurobiological


and Evolutionary Approach Kenneth L. Davis

https://textbookfull.com/product/the-emotional-foundations-of-
personality-a-neurobiological-and-evolutionary-approach-kenneth-l-
davis/
textbookfull.com
Discovering the Life Span, 5th edition Robert S. Feldman

https://textbookfull.com/product/discovering-the-life-span-5th-
edition-robert-s-feldman/

textbookfull.com
Introduction
to Deep Learning
Using R
A Step-by-Step Guide to
Learning and Implementing
Deep Learning Models Using R

Taweh Beysolow II
Introduction to Deep
Learning Using R
A Step-by-Step Guide to
Learning and Implementing
Deep Learning Models Using R

Taweh Beysolow II
Introduction to Deep Learning Using R
Taweh Beysolow II
San Francisco, California, USA
ISBN-13 (pbk): 978-1-4842-2733-6 ISBN-13 (electronic): 978-1-4842-2734-3
DOI 10.1007/978-1-4842-2734-3
Library of Congress Control Number: 2017947908
Copyright © 2017 by Taweh Beysolow II
This work is subject to copyright. All rights are reserved by the Publisher, whether the whole
or part of the material is concerned, specifically the rights of translation, reprinting, reuse of
illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical
way, and transmission or information storage and retrieval, electronic adaptation, computer
software, or by similar or dissimilar methodology now known or hereafter developed.
Trademarked names, logos, and images may appear in this book. Rather than use a trademark
symbol with every occurrence of a trademarked name, logo, or image we use the names, logos,
and images only in an editorial fashion and to the benefit of the trademark owner, with no
intention of infringement of the trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms, even if
they are not identified as such, is not to be taken as an expression of opinion as to whether or not
they are subject to proprietary rights.
While the advice and information in this book are believed to be true and accurate at the
date of publication, neither the authors nor the editors nor the publisher can accept any legal
responsibility for any errors or omissions that may be made. The publisher makes no warranty,
express or implied, with respect to the material contained herein.
Cover image designed by Freepik
Managing Director: Welmoed Spahr
Editorial Director: Todd Green
Acquisitions Editor: Celestin Suresh John
Development Editor: Laura Berendson
Technical Reviewer: Somil Asthana
Coordinating Editor: Sanchita Mandal
Copy Editor: Corbin Collins
Compositor: SPi Global
Indexer: SPi Global
Artist: SPi Global
Distributed to the book trade worldwide by Springer Science+Business Media New York,
233 Spring Street, 6th Floor, New York, NY 10013. Phone 1-800-SPRINGER, fax (201)
348-4505, e-mail orders-ny@springer-sbm.com, or visit www.springeronline.com. Apress
Media, LLC is a California LLC and the sole member (owner) is Springer Science + Business
Media Finance Inc (SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation.
For information on translations, please e-mail rights@apress.com, or visit
http://www.apress.com/rights-permissions.
Apress titles may be purchased in bulk for academic, corporate, or promotional use.
eBook ­versions and licenses are also available for most titles. For more information, reference
our Print and eBook Bulk Sales web page at http://www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the author in this book is
available to readers on GitHub via the book's product page, located at the following link:
https://github.com/TawehBeysolowII/AnIntroductionToDeepLearning.
For more detailed information, please visit http://www.apress.com/source-code.
Printed on acid-free paper
Contents at a Glance

About the Author���������������������������������������������������������������������������� xiii


About the Technical Reviewer��������������������������������������������������������� xv
Acknowledgments������������������������������������������������������������������������� xvii
Introduction������������������������������������������������������������������������������������ xix


■Chapter 1: Introduction to Deep Learning�������������������������������������� 1

■Chapter 2: Mathematical Review������������������������������������������������� 11

■Chapter 3: A Review of Optimization and Machine Learning������� 45

■Chapter 4: Single and Multilayer Perceptron Models������������������� 89

■Chapter 5: Convolutional Neural Networks (CNNs)��������������������� 101

■Chapter 6: Recurrent Neural Networks (RNNs)�������������������������� 113
■■Chapter 7: Autoencoders, Restricted Boltzmann Machines,
and Deep Belief Networks���������������������������������������������������������� 125

■Chapter 8: Experimental Design and Heuristics������������������������� 137

■Chapter 9: Hardware and Software Suggestions������������������������ 167

■Chapter 10: Machine Learning Example Problems��������������������� 171

■Chapter 11: Deep Learning and Other Example Problems���������� 195

■Chapter 12: Closing Statements������������������������������������������������� 219

Index���������������������������������������������������������������������������������������������� 221

iii
Contents

About the Author���������������������������������������������������������������������������� xiii


About the Technical Reviewer��������������������������������������������������������� xv
Acknowledgments������������������������������������������������������������������������� xvii
Introduction������������������������������������������������������������������������������������ xix


■Chapter 1: Introduction to Deep Learning�������������������������������������� 1
Deep Learning Models���������������������������������������������������������������������������� 3
Single Layer Perceptron Model (SLP)����������������������������������������������������������������������� 3
Multilayer Perceptron Model (MLP)�������������������������������������������������������������������������� 4
Convolutional Neural Networks (CNNs)�������������������������������������������������������������������� 5
Recurrent Neural Networks (RNNs)�������������������������������������������������������������������������� 5
Restricted Boltzmann Machines (RBMs)������������������������������������������������������������������ 6
Deep Belief Networks (DBNs)����������������������������������������������������������������������������������� 6
Other Topics Discussed��������������������������������������������������������������������������� 7
Experimental Design������������������������������������������������������������������������������������������������� 7
Feature Selection������������������������������������������������������������������������������������������������������ 7
Applied Machine Learning and Deep Learning��������������������������������������������������������� 7
History of Deep Learning������������������������������������������������������������������������������������������ 7

Summary������������������������������������������������������������������������������������������������� 9

■Chapter 2: Mathematical Review������������������������������������������������� 11
Statistical Concepts������������������������������������������������������������������������������ 11
Probability��������������������������������������������������������������������������������������������������������������� 11
And vs. Or��������������������������������������������������������������������������������������������������������������� 12

v
 ■ Contents

Bayes’ Theorem������������������������������������������������������������������������������������������������������ 14
Random Variables��������������������������������������������������������������������������������������������������� 14
Variance������������������������������������������������������������������������������������������������������������������ 15
Standard Deviation������������������������������������������������������������������������������������������������� 16
Coefficient of Determination (R Squared)��������������������������������������������������������������� 17
Mean Squared Error (MSE)������������������������������������������������������������������������������������� 17

Linear Algebra��������������������������������������������������������������������������������������� 17
Scalars and Vectors������������������������������������������������������������������������������������������������ 17
Properties of Vectors���������������������������������������������������������������������������������������������� 18
Axioms�������������������������������������������������������������������������������������������������������������������� 19
Subspaces�������������������������������������������������������������������������������������������������������������� 20
Matrices������������������������������������������������������������������������������������������������������������������ 20

Summary����������������������������������������������������������������������������������������������� 43

■Chapter 3: A Review of Optimization and Machine Learning������� 45
Unconstrained Optimization������������������������������������������������������������������ 45
Local Minimizers���������������������������������������������������������������������������������������������������� 47
Global Minimizers��������������������������������������������������������������������������������������������������� 47
Conditions for Local Minimizers����������������������������������������������������������������������������� 48
Neighborhoods�������������������������������������������������������������������������������������� 49
Interior and Boundary Points���������������������������������������������������������������������������������� 50

Machine Learning Methods: Supervised Learning�������������������������������� 50


History of Machine Learning����������������������������������������������������������������������������������� 50
What Is an Algorithm?�������������������������������������������������������������������������������������������� 51

Regression Models�������������������������������������������������������������������������������� 51
Linear Regression��������������������������������������������������������������������������������������������������� 51

Choosing An Appropriate Learning Rate������������������������������������������������ 55


Newton’s Method���������������������������������������������������������������������������������������������������� 60
Levenberg-Marquardt Heuristic������������������������������������������������������������������������������ 61

vi
 ■ Contents

What Is Multicollinearity?���������������������������������������������������������������������� 62
Testing for Multicollinearity������������������������������������������������������������������� 62
Variance Inflation Factor (VIF)��������������������������������������������������������������������������������� 62
Ridge Regression���������������������������������������������������������������������������������������������������� 62
Least Absolute Shrinkage and Selection Operator (LASSO)����������������������������������� 63
Comparing Ridge Regression and LASSO��������������������������������������������������������������� 64
Evaluating Regression Models������������������������������������������������������������������������������� 64
Receiver Operating Characteristic (ROC) Curve������������������������������������������������������ 67
Confusion Matrix���������������������������������������������������������������������������������������������������� 68
Limitations to Logistic Regression�������������������������������������������������������������������������� 69
Support Vector Machine (SVM)������������������������������������������������������������������������������� 70
Sub-Gradient Method Applied to SVMs������������������������������������������������������������������� 72
Extensions of Support Vector Machines����������������������������������������������������������������� 73
Limitations Associated with SVMs�������������������������������������������������������������������������� 73

Machine Learning Methods: Unsupervised Learning���������������������������� 74


K-Means Clustering������������������������������������������������������������������������������������������������ 74
Assignment Step���������������������������������������������������������������������������������������������������� 74
Update Step������������������������������������������������������������������������������������������������������������ 75
Limitations of K-Means Clustering������������������������������������������������������������������������� 75
Expectation Maximization (EM) Algorithm��������������������������������������������� 76
Expectation Step����������������������������������������������������������������������������������������������������� 77
Maximization Step�������������������������������������������������������������������������������������������������� 77

Decision Tree Learning�������������������������������������������������������������������������� 78


Classification Trees������������������������������������������������������������������������������������������������� 79
Regression Trees���������������������������������������������������������������������������������������������������� 80
Limitations of Decision Trees���������������������������������������������������������������������������������� 81

Ensemble Methods and Other Heuristics���������������������������������������������� 82


Gradient Boosting��������������������������������������������������������������������������������������������������� 82
Gradient Boosting Algorithm����������������������������������������������������������������������������������� 82

vii
 ■ Contents

Random Forest������������������������������������������������������������������������������������������������������� 83
Limitations to Random Forests������������������������������������������������������������������������������� 83

Bayesian Learning��������������������������������������������������������������������������������� 83
Naïve Bayes Classifier�������������������������������������������������������������������������������������������� 84
Limitations Associated with Bayesian Classifiers��������������������������������������������������� 84
Final Comments on Tuning Machine Learning Algorithms�������������������������������������� 85

Reinforcement Learning������������������������������������������������������������������������ 86
Summary����������������������������������������������������������������������������������������������� 87

■Chapter 4: Single and Multilayer Perceptron Models������������������� 89
Single Layer Perceptron (SLP) Model���������������������������������������������������� 89
Training the Perceptron Model������������������������������������������������������������������������������� 90
Widrow-Hoff (WH) Algorithm���������������������������������������������������������������������������������� 90
Limitations of Single Perceptron Models���������������������������������������������������������������� 91
Summary Statistics������������������������������������������������������������������������������������������������ 94

Multi-Layer Perceptron (MLP) Model����������������������������������������������������� 94


Converging upon a Global Optimum����������������������������������������������������������������������� 95
Back-propagation Algorithm for MLP Models:�������������������������������������������������������� 95
Limitations and Considerations for MLP Models���������������������������������������������������� 97
How Many Hidden Layers to Use and How Many Neurons Are in It������������������������ 99

Summary��������������������������������������������������������������������������������������������� 100

■Chapter 5: Convolutional Neural Networks (CNNs)��������������������� 101
Structure and Properties of CNNs������������������������������������������������������� 101
Components of CNN Architectures������������������������������������������������������ 103
Convolutional Layer���������������������������������������������������������������������������������������������� 103
Pooling Layer�������������������������������������������������������������������������������������������������������� 105
Rectified Linear Units (ReLU) Layer���������������������������������������������������������������������� 106
Fully Connected (FC) Layer����������������������������������������������������������������������������������� 106
Loss Layer������������������������������������������������������������������������������������������������������������ 107

viii
 ■ Contents

Tuning Parameters������������������������������������������������������������������������������ 108


Notable CNN Architectures������������������������������������������������������������������ 108
Regularization������������������������������������������������������������������������������������� 111
Summary��������������������������������������������������������������������������������������������� 112

■Chapter 6: Recurrent Neural Networks (RNNs)�������������������������� 113
Fully Recurrent Networks�������������������������������������������������������������������� 113
Training RNNs with Back-Propagation Through Time (BPPT)�������������� 114
Elman Neural Networks����������������������������������������������������������������������� 115
Neural History Compressor����������������������������������������������������������������� 116
Long Short-Term Memory (LSTM)������������������������������������������������������� 116
Traditional LSTM���������������������������������������������������������������������������������� 118
Training LSTMs������������������������������������������������������������������������������������ 118
Structural Damping Within RNNs�������������������������������������������������������� 119
Tuning Parameter Update Algorithm��������������������������������������������������� 119
Practical Example of RNN: Pattern Detection�������������������������������������� 120
Summary��������������������������������������������������������������������������������������������� 124
■■Chapter 7: Autoencoders, Restricted Boltzmann Machines,
and Deep Belief Networks���������������������������������������������������������� 125
Autoencoders�������������������������������������������������������������������������������������� 125
Linear Autoencoders vs. Principal Components Analysis (PCA)���������� 126
Restricted Boltzmann Machines���������������������������������������������������������� 127
Contrastive Divergence (CD) Learning������������������������������������������������� 129
Momentum Within RBMs��������������������������������������������������������������������� 132
Weight Decay�������������������������������������������������������������������������������������� 133
Sparsity����������������������������������������������������������������������������������������������� 133
No. and Type Hidden Units������������������������������������������������������������������������������������ 133

ix
 ■ Contents

Deep Belief Networks (DBNs)�������������������������������������������������������������� 134


Fast Learning Algorithm (Hinton and Osindero 2006)������������������������� 135
Algorithm Steps���������������������������������������������������������������������������������������������������� 136

Summary��������������������������������������������������������������������������������������������� 136

■Chapter 8: Experimental Design and Heuristics������������������������� 137
Analysis of Variance (ANOVA)�������������������������������������������������������������� 137
One-Way ANOVA��������������������������������������������������������������������������������������������������� 137
Two-Way (Multiple-Way) ANOVA��������������������������������������������������������������������������� 137
Mixed-Design ANOVA�������������������������������������������������������������������������������������������� 138
Multivariate ANOVA (MANOVA)������������������������������������������������������������������������������ 138

F-Statistic and F-Distribution�������������������������������������������������������������� 138


Fisher’s Principles������������������������������������������������������������������������������������������������ 144

Plackett-Burman Designs������������������������������������������������������������������� 146


Space Filling���������������������������������������������������������������������������������������� 147
Full Factorial���������������������������������������������������������������������������������������� 147
Halton, Faure, and Sobol Sequences��������������������������������������������������� 148
A/B Testing������������������������������������������������������������������������������������������ 148
Simple Two-Sample A/B Test�������������������������������������������������������������������������������� 149
Beta-Binomial Hierarchical Model for A/B Testing������������������������������������������������ 149

Feature/Variable Selection Techniques����������������������������������������������� 151


Backwards and Forward Selection����������������������������������������������������������������������� 151
Principal Component Analysis (PCA)��������������������������������������������������������������������� 152
Factor Analysis����������������������������������������������������������������������������������������������������� 154
Limitations of Factor Analysis������������������������������������������������������������������������������� 155

Handling Categorical Data������������������������������������������������������������������� 155


Encoding Factor Levels���������������������������������������������������������������������������������������� 156
Categorical Label Problems: Too Numerous Levels���������������������������������������������� 156
Canonical Correlation Analysis (CCA)�������������������������������������������������������������������� 156

x
Visit https://textbookfull.com
now to explore a rich
collection of eBooks, textbook
and enjoy exciting offers!
 ■ Contents

Wrappers, Filters, and Embedded (WFE) Algorithms��������������������������� 157


Relief Algorithm���������������������������������������������������������������������������������������������������� 157

Other Local Search Methods��������������������������������������������������������������� 157


Hill Climbing Search Methods������������������������������������������������������������������������������ 158
Genetic Algorithms (GAs)�������������������������������������������������������������������������������������� 158
Simulated Annealing (SA)������������������������������������������������������������������������������������� 159
Ant Colony Optimization (ACO)������������������������������������������������������������������������������ 159
Variable Neighborhood Search (VNS)������������������������������������������������������������������� 160

Reactive Search Optimization (RSO)��������������������������������������������������� 161


Reactive Prohibitions�������������������������������������������������������������������������������������������� 162
Fixed Tabu Search������������������������������������������������������������������������������������������������ 163
Reactive Tabu Search (RTS)���������������������������������������������������������������������������������� 164
WalkSAT Algorithm����������������������������������������������������������������������������������������������� 165
K-Nearest Neighbors (KNN)���������������������������������������������������������������������������������� 165

Summary��������������������������������������������������������������������������������������������� 166

■Chapter 9: Hardware and Software Suggestions������������������������ 167
Processing Data with Standard Hardware������������������������������������������ 167
Solid State Drives and Hard Drive Disks (HDD)����������������������������������� 167
Graphics Processing Unit (GPU)����������������������������������������������������������� 168
Central Processing Unit (CPU)������������������������������������������������������������� 169
Random Access Memory (RAM)���������������������������������������������������������� 169
Motherboard���������������������������������������������������������������������������������������� 169
Power Supply Unit (PSU)��������������������������������������������������������������������� 170
Optimizing Machine Learning Software���������������������������������������������� 170
Summary��������������������������������������������������������������������������������������������� 170

xi
 ■ Contents


■Chapter 10: Machine Learning Example Problems��������������������� 171
Problem 1: Asset Price Prediction������������������������������������������������������� 171
Problem Type: Supervised Learning—Regression����������������������������������������������� 172
Description of the Experiment������������������������������������������������������������������������������ 173
Feature Selection�������������������������������������������������������������������������������������������������� 175
Model Evaluation��������������������������������������������������������������������������������� 176
Ridge Regression�������������������������������������������������������������������������������������������������� 176
Support Vector Regression (SVR)�������������������������������������������������������������������������� 178
Problem 2: Speed Dating�������������������������������������������������������������������������������������� 180
Problem Type: Classification��������������������������������������������������������������������������������� 181
Preprocessing: Data Cleaning and Imputation������������������������������������������������������ 182

Feature Selection�������������������������������������������������������������������������������� 185


Model Training and Evaluation������������������������������������������������������������ 186
Method 1: Logistic Regression����������������������������������������������������������������������������� 186
Method 3: K-Nearest Neighbors (KNN)����������������������������������������������������������������� 189
Method 2: Bayesian Classifier������������������������������������������������������������������������������ 191

Summary��������������������������������������������������������������������������������������������� 194

■Chapter 11: Deep Learning and Other Example Problems���������� 195
Autoencoders�������������������������������������������������������������������������������������� 195
Convolutional Neural Networks����������������������������������������������������������� 202
Preprocessing������������������������������������������������������������������������������������������������������� 204

Model Building and Training���������������������������������������������������������������� 206


Collaborative Filtering������������������������������������������������������������������������������������������� 214

Summary��������������������������������������������������������������������������������������������� 218

■Chapter 12: Closing Statements������������������������������������������������� 219

Index���������������������������������������������������������������������������������������������� 221

xii
About the Author

Taweh Beysolow II is a Machine Learning Scientist


currently based in the United States with a passion for
research and applying machine learning methods to
solve problems. He has a Bachelor of Science degree in
Economics from St. Johns University and a Master of
Science in Applied Statistics from Fordham University.
Currently, he is extremely passionate about all matters
related to machine learning, data science, quantitative
finance, and economics.

xiii
About the Technical
Reviewer

Somil Asthana has a BTech from IITBHU India and


an MS from the University of Buffalo, US, both in
Computer Science. He is an Entrepreneur, Machine
Learning Wizard, and BigData specialist consulting
with fortune 500 companies like Sprint, Verizon, HPE,
Avaya. He has a startup which provides BigData
solutions and Data Strategies to Data Driven Industries
in ecommerce, content / media domain.

xv
Acknowledgments

To my family, who I am never grateful enough for. To my grandmother, from whom much
was received and to whom much is owed. To my editors and other professionals who
supported me through this process, no matter how small the assistance seemed. To my
professors, who continue to inspire the curiosity that makes research worth pursuing.
To my friends, new and old, who make life worth living and memories worth keeping. To
my late friend Michael Giangrasso, who I intended on researching Deep Learning with.
And finally, to my late mentor and friend Lawrence Sobol. I am forever grateful for your
friendship and guidance, and continue to carry your teachings throughout my daily life.

xvii
Introduction

It is assumed that all readers have at least an elementary understanding of statistical or


computer programming, specifically with respect to the R programming language. Those
who do not will find it much more difficult to follow the sections of this book which give
examples of code to use, and it is suggested that they return to this text upon gaining that
information.

xix
CHAPTER 1

Introduction to Deep
Learning

With advances in hardware and the emergence of big data, more advanced computing
methods have become increasingly popular. Increasing consumer demand for better
products and companies seeking to leverage their resources more efficiently have
also been leading this push. In response to these market forces, we have recently seen
a renewed and widely spoken about interest in the field of machine learning. At the
cross-section of statistics, mathematics, and computer science, machine learning refers
to the science of creating and studying algorithms that improve their own behavior in
an iterative manner by design. Originally, the field was devoted to developing artificial
intelligence, but due to the limitations of the theory and technology that were present
at the time, it became more logical to focus these algorithms on specific tasks. Most
machine learning algorithms as they exist now focus on function optimization, and the
solutions yielded don’t always explain the underlying trends within the data nor give
the inferential power that artificial intelligence was trying to get close to. As such, using
machine learning algorithms often becomes a repetitive trial and error process, in which
the choice of algorithm across problems yields different performance results. This is fine
in some contexts, but in the case of language modeling and computer vision, it becomes
problematic.
In response to some of the shortcomings of machine learning, and the significant
advance in the theoretical and technological capabilities at our disposal today, deep
learning has emerged and is rapidly expanding as one of the most exciting fields of
science. It is being used in technologies such as self-driving cars, image recognition on
social media platforms, and translation of text from one language to others. Deep learning
is the subfield of machine learning that is devoted to building algorithms that explain
and learn a high and low level of abstractions of data that traditional machine learning
algorithms often cannot. The models in deep learning are often inspired by many sources
of knowledge, such as game theory and neuroscience, and many of the models often
mimic the basic structure of a human nervous system. As the field advances, many
researchers envision a world where software isn’t nearly as hard coded as it often needs to
be today, allowing for a more robust, generalized solution to solving problems.

© Taweh Beysolow II 2017 1


T. Beysolow II, Introduction to Deep Learning Using R, DOI 10.1007/978-1-4842-2734-3_1
Chapter 1 ■ Introduction to Deep Learning

Although it originally started in a space similar to machine learning, where the


primary focus was constraint satisfaction to varying degrees of complexity, deep
learning has now evolved to encompass a broader definition of algorithms that are able
to understand multiple levels of representation of data that correspond to different
hierarchies of complexity. In other words, the algorithms not only have predictive and
classification ability, but they are able to learn different levels of complexity. An example
of this is found in image recognition, where a neural network builds upon recognizing
eyelashes, to faces, to people, and so on. The power in this is obvious: we can reach a level
of complexity necessary to create intelligent software. We see this currently in features
such as autocorrect, which models the suggested corrections to patterns of speech
observed, specific to each person’s vocabulary.
The structure of deep learning models often is such that they have layers of non-linear
units that process data, or neurons, and the multiple layers in these models process different
levels of abstraction of the data. Figure 1-1 shows a visualization of the layers of neural
networks.

Figure 1-1. Deep neural network

Deep neural networks are distinguished by having many hidden layers, which
are called “hidden” because we don’t necessarily see what the inputs and outputs of
these neurons are explicitly beyond knowing they are the output of the preceding layer.
The addition of layers, and the functions inside the neurons of these layers, are what
distinguish an individual architecture from another and establish the different use cases
of a given model.
More specifically, lower levels of these models explain the “how,” and the higher-levels
of neural networks process the “why.” The functions used in these layers are dependent
on the use case, but often are customizable by the user, making them significantly more
robust than the average machine learning models that are often used for classification and
regression, for example. The assumption in deep learning models on a fundamental level is
that the data being interpreted is generated by the interactions of different factors organized

2
Chapter 1 ■ Introduction to Deep Learning

in layers. As such, having multiple layers allows the model to process the data such that it
builds an understanding from simple aspects to larger constructs. The objective of these
models is to perform tasks without the same degree of explicit instruction that many
machine learning algorithms need. With respect to how these models are used, one of the
main benefits is the promise they show when applied to unsupervised learning problems,
or problems where we don’t know prior to performing the experiment that the response
variable y should be given a set of explanatory variables x. An example would be image
recognition, particularly after a model has been trained against a given set of data. Let’s say
we input an image of a dog in the testing phase, implying that we don’t tell the model what
the picture is of. The neural network will start by recognizing eyelashes prior to a snout,
prior to the shape of the dog’s head, and so on until it classifies the image as that of a dog.

Deep Learning Models


Now that we have established a brief overview of deep learning, it will be useful to discuss
what exactly you will be learning in this book, as well as describe the models we will be
addressing here.
This text assumes you are relatively informed by an understanding of mathematics
and statistics. Be that as it may, we will briefly review all the concepts necessary to
understand linear algebra, optimization, and machine learning such that we will form
a solid base of knowledge necessary for grasping deep learning. Though it does help to
understand all this technical information precisely, those who don’t feel comfortable with
more advanced mathematics need not worry. This text is written in such a way that the
reader is given all the background information necessary to research it further, if desired.
However, the primary goal of this text is to show readers how to apply machine learning
and deep learning models, not to give a verbose academic treatise on all the theoretical
concepts discussed.
After we have sufficiently reviewed all the prerequisite mathematical and machine
learning concepts, we will progress into discussing machine learning models in detail.
This section describes and illustrates deep learning models.

Single Layer Perceptron Model (SLP)


The single layer perceptron (SLP) model is the simplest form of neural network and
the basis for the more advanced models that have been developed in deep learning.
Typically, we use SLP in classification problems where we need to give the data
observations labels (binary or multinomial) based on inputs. The values in the input
layer are directly sent to the output layer after they are multiplied by weights and a bias
is added to the cumulative sum. This cumulative sum is then put into an activation
function, which is simply a function that defines the output. When that output is above
or below a user-determined threshold, the final output is determined. Researchers
McCulloch-Pitts Neurons described a similar model in the 1940s (see Figure 1-2).

3
Chapter 1 ■ Introduction to Deep Learning

Figure 1-2. Single layer perceptron network

Multilayer Perceptron Model (MLP)


Very similar to SLP, the multilayer perceptron (MLP) model features multiple layers
that are interconnected in such a way that they form a feed-forward neural network.
Each neuron in one layer has directed connections to the neurons of a separate layer.
One of the key distinguishing factors in this model and the single layer perceptron model
is the back-propagation algorithm, a common method of training neural networks.
Back-propagation passes the error calculated from the output layer to the input layer
such that we can see each layer’s contribution to the error and alter the network
accordingly. Here, we use a gradient descent algorithm to determine the degree to
which the weights should change upon each iteration. Gradient descent—another
popular machine learning/optimization algorithm—is simply the derivative of a
function such that we find a scalar (a number with magnitude as its only property)
value that points in the direction of greatest momentum. By subtracting the gradient,
this leads us to a solution that is more optimal than the one we currently are at until
we reach a global optimum (see Figure 1-3).

Figure 1-3. MultiLayer perceptron network

4
Visit https://textbookfull.com
now to explore a rich
collection of eBooks, textbook
and enjoy exciting offers!
Chapter 1 ■ Introduction to Deep Learning

Convolutional Neural Networks (CNNs)


Convolutional neural networks (CNNs) are models that are most frequently used for
image processing and computer vision. They are designed in such a way to mimic the
structure of the animal visual cortex. Specifically, CNNs have neurons arranged in three
dimensions: width, height, and depth. The neurons in a given layer are only connected
to a small region of the prior layer. CNN models are most frequently used for image
processing and computer vision (see Figure 1-4).

Figure 1-4. Convolutional neural network

Recurrent Neural Networks (RNNs)


Recurrent neural networks (RNNs) are models of Artificial neural networks (ANNs) where
the connections between units form a directed cycle. Specifically, a directed cycle is a
sequence where the walk along the vertices and edges is completely determined by the
set of edges used and therefore has some semblance of a specific order. RNNs are often
specifically used for speech and handwriting recognition (see Figure 1-5).

Figure 1-5. Recurrent neural network

5
Chapter 1 ■ Introduction to Deep Learning

Restricted Boltzmann Machines (RBMs)


Restricted Boltzmann machines are a type of binary Markov model that have a unique
architecture, such that there are multiple layers of hidden random variables and a
network of symmetrically coupled stochastic binary units. DBMs are comprised of a set
of visible units and series of layers of hidden units. There are, however, no connections
between units of the same layer. DMBs can learn complex and abstract internal
representations in tasks such as object or speech recognition (see Figure 1-6).

Figure 1-6. Restricted Boltzmann machine

Deep Belief Networks (DBNs)


Deep belief networks are similar to RBMs except each subnetwork’s hidden layer is in fact
the visible layer for the next subnetwork. DBNs are broadly a generative graphical model
composed of multiple layers of latent variables with connections between the layers but
not between the units of each individual layer (see Figure 1-7).

Figure 1-7. Deep belief networks

6
Chapter 1 ■ Introduction to Deep Learning

Other Topics Discussed


After covering all the information regarding models, we will turn to understanding the
practice of data science. To aid in this effort, this section covers additional topics of
interest.

Experimental Design
The emphasis of this text ultimately is to give the reader a theoretical understanding of
the deep learning models such that they feel comfortable enough to apply them. As such,
it is important to discuss elements of experimental design to help the reader understand
proper ways to structure their research so it leads to actionable insights and not a waste
of time and/or energy. Largely, I will draw upon Fisher’s principles in addition to defining
best practices given the problems often utilized by deep learning.

Feature Selection
A component of experimental design, but ultimately entirely a subtopic of research unto
itself, I will cover the concept of variable selection and multiple methods used often by
data scientists to handle high dimensional data sets. Specifically, I will speak in depth
about principal components analysis as well as genetic algorithms. All the algorithms
discussed are available in the R statistical language in open source packages. For those
who want to research this area of research further, I’ll reference papers relevant to this
topic. From a deep learning perspective, we will discuss in depth how each model
performs its own specific methods of feature selection by design of the layer architecture
in addition to addressing recent discoveries in the field.

Applied Machine Learning and Deep Learning


For the final section of the text, I will walk the reader through using packages in the R
language for machine learning and deep learning models to solve problems often seen
in professional and academic settings. It is hoped that from these examples, readers will
be motivated to apply machine learning and deep learning in their professional and/
or academic pursuits. All the code for the examples, experiments, and research uses the
R programming language and will be made available to all readers via GitHub (see the
appendix for more). Among the topics discussed are regression, classification, and image
recognition using deep learning models.

History of Deep Learning


Now that we have covered the general outline of the text, in addition to what the reader
is expected to learn during this period, we will see how the field has evolved to this
stage and get an understanding of where it seeks to go today. Although deep learning
is a relatively new field, it has a rich and vibrant history filled with discovery that is still
ongoing today. As for where this field finds its clearest beginnings, the discussion brings
us to the 1960s.

7
Chapter 1 ■ Introduction to Deep Learning

The first working learning algorithm that is often associated with deep learning
models was developed by Ivakhenenko and Lapa. They published their findings in a
paper entitled “Networks Trained by the Group Method of Data Handling (GMDH)” in
1965. These were among the first deep learning systems of the feed-forward multilayer
perceptron type. Feed-forward networks describe models where the connections between
the units don’t form a cycle, as they would be in a recurrent neural network. This model
featured polynomial activation functions, and the layers were incrementally grown and
trained by regression analysis. They were subsequently pruned with the help of a separate
validation set, where regularization was used to weed out superfluous units.
In the 1980s, the neocognitron was introduced by Kunihio Fukushima. It is a
multilayered artificial neural network and has primarily been used for handwritten
character recognition and similar tasks that require pattern recognition. Its pattern
recognition abilities gave inspiration to the convolutional neural network. Regardless,
the neocognitron was inspired by a model proposed by the neurophysiologists Hubel
and Wiesel. Also during this decade, Yann LeCun et al. applied the back-propagation
algorithm to a deep neural network. The original purpose of this was for AT&T to
recognize handwritten zip codes on mail. The advantages of this technology were
significant, particularly right before the Internet and its commercialization were to occur
in the late 1990s and early 2000s.
In the 1990s, the field of deep learning saw the development of a recurrent neural
network that required more than 1,000 layers in an RNN unfolded in time, and the
discovery that it is possible to train a network containing six fully connected layers and
several hundred hidden units using what is called a wake-sleep algorithm. A heuristic,
or an algorithm that we apply over another single or group of algorithms, a wake-sleep
algorithm is a unsupervised method that allows the algorithm to adjust parameters in
such a way that an optimal density estimator is outputted. The “wake” phase describes
the process of the neurons firing from input to output. The connections from the inputs
and outputs are modified to increase the likelihood that they replicate the correct activity
in the layer below the current one. The “sleep” phase is the reverse of the wake phase,
such that neurons are fired by the connections while the recognitions are modified.
As rapidly as the advancements in this field came during the early 2000s and the
2010s, the current period moving forward is being described as the watershed moment
for deep learning. It is now that we are seeing the application of deep learning to a
multitude of industries and fields as well as the very devoted improvement of the
hardware used for these models. In the future, it is expected that the advances covered in
deep learning will help to allow technology to make actions in contexts where humans
often do today and where traditional machine learning algorithms have performed
miserably. Although there is certainly still progress to be made, the investment made
by many firms and universities to accelerate the progress is noticeable and making a
significant impact on the world.

8
Chapter 1 ■ Introduction to Deep Learning

Summary
It is important for the reader to ultimately understand that no matter how sophisticated
any model is that we describe here, and whatever interesting and powerful uses it may
provide, there is no substitute for adequate domain knowledge in the field in which these
models are being used. It is easy to fall into the trap, for both advanced and introductory
practitioners, of having full faith in the outputs of the deep learning models without
heavily evaluating the context in which they are used. Although seemingly self-evident,
it is important to underscore the importance of carefully examining results and, more
importantly, making actionable inferences where the risk of being incorrect is most
limited. I hope to impress upon the reader not only the knowledge of where they can
apply these models, but the reasonable limitations of the technology and research as it
exists today.
This is particularly important in machine learning and deep learning because
although many of these models are powerful and reach proper solutions that would be
nearly impossible to do by hand, we have not determined why this is the case always. For
example, we understand how the back-propagation algorithm works, but we can’t see it
operating and we don’t have an understanding of what exactly happened to reach such
a conclusion. The main problem that arises from this situation is that when a process
breaks, we don’t necessarily always have an idea as to why. Although there have been
methods created to try and track the neurons and the order in which they are activated,
the decision-making process for a neural network isn’t always consistent, particularly
across differing problems. It is my hope that the reader keeps this in mind when moving
forward and evaluates this concern appropriately when necessary.

9
Random documents with unrelated
content Scribd suggests to you:
hozott elő, melyben buza, lencse, bab, zezamfü, rizs, továbbá nagy
adag czukor és két ujveretü pénzdarab volt, mig a miniszterek és
országnagyok friss sütésű kenyeret nyujtottak át. Miután a Sah
mindent megizlelt volna, a maradékokat elosztá a jelenlévők közt,
mondva: »Ez az uj idő ujévének uj napja, hol minden létező
megujul.«
A mi ez alkalommal a királyi palotában történik, némi
változatokkal az országnagyjai palotájában ismétlődik, mig
magánkörökben, az ünnepi ruhába öltözött család gazdagon
megrakott asztalnál foglal helyet. Annak közepén – (megjegyzendő,
hogy itt csak a földön felteritett szőnyegről s nem tulajdonképeni
asztalról van szó), vizzel telt tál áll, melyre minden szem irányul.
Azon perczben t. i. midőn a nap a kos jelébe jut, a föld egy halk
megrendülése következtében a viz állitólagosan megbodrosul, s e
pillanat adja a jelt kölcsönös üdvözletekre. »Idi suma mubarek bad!«
(Ünnepetek boldog legyen!) E köszöntés hangzik fel az nap
mindenütt, házon kivül és házon belül, a város minden utczáin, a
merre emberek csak találkoznak egymással. A Noruz-zal t. i. az
állami, üzleti, ipari, és mezőgazdasági életben uj fejezet kezdődik. A
fagy, eső és borus ég évszaka helyet ád a tavasznak, az azurkék
mennyboltnak, a balzsamos légnek s virágok édes illatának. Nem
csoda tehát, ha az ünnepélyek szakadatlanul folytattatnak 13 napon
keresztül, s még a pénztárát oly aggályosan őrző fejedelem sem
képes magát kivonni belőle hogy a nyilvános mulatságokhoz
bizonyos összeggel hozzá ne járuljon. S még ott is, hol az irán
kultura az ó parz eszmék befolyása alatt már egy évezreddel ezelőtt
fanatikus arábok és turáni hordák által erőszakosan kiküszöböltetett,
még ott is, t. i. Közép-Ázsiában is a Noruz még mindig antik
formájában és bájában tovább virágzik.
Sajátságos, hogy az ős Kharezm, a parszi-kulturának ezer év előtt
még hires székhelye, hivebb maradt e szokáshoz, mint Turkesztán
egyéb részei. Khiva özbeg népségénél a tavasz beköszöntése nem
kevésbbé fontos szerepet játszik mint Persiában. Állitólag e napon
hangzanak fel először a szilfák sürű lombozatu ágairól, a csalogány
busongó, édes dalai. Az Oxus drága nedve, ezen ünnepély
érdekében a legtávolabb csatornákba is bebocsájtatik; a város
nyilvános térein kosviadalok és lóversenyek rendeztetnek, s a kinek
csak módjában áll, ezen időtájt elhagyja lakását hogy nehány napot
sátorokban, valamely kövér mező szélén töltsön el. A szigoruan
moszlim Bokharában, ugyan szinte ünnepeltetik a Noruz, azonban
nem oly pompával, mint az iszlam legszélsőbb keleti határszélén, t. i.
Keleti-Turkesztánban. A természet szép ünnepének e kiváló
dicsőitése nem lehet meglepő, mert az iszlam ünnepei egyáltalán
számra igen kevesek s azonfelül a gyász és elkeseredés érzelmeivel
tartatnak meg; jelentőségük elvileg, az Istenségbe való, őszinte
elmélyedésen s a próféta rajongó dicsőitésén alapul, s ennélfogva
magától értetődik, hogy a lélek örömteli hangulatát kizárják.
Zarándokok és zarándokolások.

» E s z s a f r k i t a t u n m i n e s z s z a k r « (az utazgatás egy


darab pokol) állítja egy arab s egész Keleten elterjedt régi
közmondás, mely sokak előtt a keleti kényelem-érzék kifejezésének
fog tetszeni, voltaképen azonban semmi egyéb parodiánál, vagy
ártatlan szójátéknál.7) Az utazás tudvalevőleg egész Keleten
kellemetes időtöltésnek, az egészségre nézve jóhatásunak tekintetik,
sőt bizonyos népeknél valóságos szenvedélylyé vált, mely
különféleképen érvényesül s legvilágosabban nyilvánúl a
zarándokolások utáni mohó, fékevesztett vágyban. Ha a persának
vagy közép-ázsiainak kiválóan jól megy dolga, ha magának vagy
élettársának rendkivüli élvezetet kiván nyujtani, akkor a moszlim-
Ázsiában zarándokolást határoznak el, olyformán, mint a hogy
nálunk Olaszországba vagy Svájczba tervezünk kéjutazást. E czélra
jó eleve, megtakarított kis összegek tétetnek félre, ruhát és utazó-
készleteket készítenek s már előre gyönyörködnek az élvezetben,
melyet az idegen országokon és városokon keresztűl teendő út, s a
tartózkodás annyi nagyfontosságú, a próféta által szentesített
helyeken, nyujtani fog, be sem számítva az előnyt, hogy e szent
helyek látogatása az örök üdvösséget biztosítja az utazó számára.
A zarándokolások közt a Mekka és Medinába való utazás, az
iszlam e legszenteltebb helyeinek látogatása, természetesen
legkiválóbb szerepet játszik. E » H a d s - z a r á n d o k o l á s « néven
nevezett búcsújárás után következik a próféta egyes családtagjai
sírjainak látogatása, p. a siiták részéről, Kerbela és Nedschef sírjai
Meshedben, Kumban s más helyeken, továbbá az Eszhaboknak, – a
próféta társai, a vallás-épület megalapitásában, – s más szentek és
írástudók nyughelyei, s ámbár mathematikai pontossággal ki van
mutatva, hogy 7 búcsújárás ezen, s más 21 másik Veli-Ullah sírjához,
hasonértékű egy mekkai zarándokolással, mégis a sivár, köves,
homokos Arábiába való vándorlás, a moszlim keletinél a vallás örve
alatt nyilvánuló utazási vágyának legfőbb ideálját képezi.
Mindenekelőtt tehát a »Hads«-ról, a p a r excellence
zarándoklásról fogunk szólani.
Habár a kórán azt mondatja a prófétával: »Zarándokoljanak
házamhoz,« azért a későbbi magyarázók, a túlságos búcsújárás,
azaz, útazási kedvet korlátozni óhajtván, a zarándokolást mégis csak
a következő föltételek mellett engedélyezték: 1) Elegendő
pénzösszeggel kell ellátva lenni, 2) testileg egészségesnek és 3)
nőtlennek kell lenni. 4) Nem szabad adósságokat hátra hagyni
otthon, 5) csak béke idején szabad útra kelni, 6) inkább
szárazföldön, mint tengeren kell útazni (minthogy az első kevésbbé
veszélyes) s végre 7) teljes korúnak, azaz legalább 15 évesnek kell
lenni. E szabályok szigorú betartása, gazdasági szempontból igen
előnyös volna a moszlim társaságra nézve, de a szeretett vallás sok
kibúvóval bír, s egyetlenegy látomány vagy álom elegendő arra, hogy
az egész rendszert irgalom nélkül feldöntse. Mindenesetre érdekes
marad a tény, hogy minél távolabb esik egy ország a moszlim világ e
vallási központjától, annál nagyobb hévvel vágynak annak lakói a
»Hadsi« tiszteletczím elnyerésére. Az ok valószinüleg, az Iszlam
legszélső keleti és nyugati határain t. i. egyrészt Fez és Marokkóban,
másrészt Kelet-Turkesztánban s a három Khanságban uralgó
bensőbb és szívósabb hiterélyben rejlik, minthogy e vidékeken a
rajongás sokkal jobban elharapódzott, mint magában Arábiában;
valamint a fénytorony lábánál sötétség uralg, mig tetejének
szétáradó fénysugarai a messze távolt megvilágitják. Elvitázhatatlan,
hogy a Hadsi eszmében jó adag romantika rejlik, sőt azt
mondhatnám, költői lelkesültség, mely a vallási rajongások daczára,
melyeken alapul, mégis már századok óta gyakorlati eredményekre is
vezetett.
Ha emlékemben felmerülnek számtalan ismerőseim a moszlim
világ különböző országaiból, s magam elé varázsolom azon
személyiségeket, kikkel a Hadsra való készülődés alkalmával
ismerkedtem meg, még ma sem vagyok képes bizonyos csodálkozást
leküzdeni. Ilyen emberek hetekkel, sőt hónapokkal azelőtt, az
elhatározott terv következtében teljesen megváltoznak, s a mily
mértékben közeleg az elindulás ideje, ép oly mértékben növekszik
náluk a lázas, hevült állapot. Szegényebb s kevésbbé ismert
egyéniségek, feltünés nélkül, észrevétlenül szoktak eltávozni
ismerőik köréből; rendesen mások költségen utaznak, kik aztán a
rájok költött pénzért t a n t i é m e -et remélnek nyerni az isteni
elégedettségből; sőt volt egy társam, ki életében nyolczszor tette
meg mások c o n t ó j á r a a tavafot (a Kaaba körüljárása) és ép
annyiszor Hadsi lett, anélkül hogy bizományozói e czímmel
ékeskedhettek volna. Utóbbiak ezért csak a másvilágon várhatnak
jutalmat, itt alant azonban, egyedüli joguk abból áll, hogy azon
I h r a m -ban (ingszerü zarándokruha) melyet a Hadsi megbizott
búcsújárása alatt hordott, temettethetik el magukat.
A zarándokútra készülők elindulása gazdagoknál bizonyos
ünnepélyességgel jár. Az illető tetőtől talpig újba öltözik, szintúgy
szolgái és kísérői is, a legjobb lovakat, legjobb nyeregszerszámokat
viszi el magával s elutazása előtt végrendeletet csinál, oly
elővigyázat, mely, a mint később látni fogjuk, korántsem felesleges.
A családbarátok és rokonoktóli búcsú, komoly, megindító színezetet
ölt, a mennyiben sok száz, sőt ezer mértföldnyi útnak néznek elébe,
éghajlati nehézségekkel, emberi gonoszsággal és elemi bajokkal
kellend megküzdeniök, mielőtt a Kaaba eléretnék.
Képzelj magadnak kedves olvasó, egy vagy több zarándokot, kik
Khokandban vagy Kelet-Turkesztanban a hosszú s fárasztó útra
kelnek Arábia felé s a legkedvezőbb viszonyok közt utazásuk czélját
9, de gyakran csak 12 hónap alatt érhetik el. Ezen emberek előtt a
Hads, minden tapasztalatok, végtelen nélkülözések, szenvedések és
mindennemű veszélyek öszlete. Ily körülmények alatt természetes,
hogy az egyes utasok lassanként összecsoportosulnak s a barátság,
sőt rokonság erős kötelékével fűződnek egymáshoz. A távol észak-
keleti mohammedán országokból jövők, többnyire Bokharában, Herát
és Orenburgban egyesűlnek, míg a délkeletiek Bombay- vagy
Karsiban képeznek nagyszámú utazó-társaságot. Ott, hol az út nagy
részét vizen kell megtenni, az utazási fáradalmak aránylag csekélyek,
ámbár szűk helyre összeszorítva, a Hadsi-k itt sem élveznek valami
különös comfortot. Azonban rendkivüli és valódi fáradalmakkal jár az
Istennek inkább tetsző szárazföldi utazás, akár – itt az Iszlamvilág
végéről beszélek – Persiát kerülve Dél-Oroszországnak, vagy
egyenesen délnyugatnak tartva haladnak a szent városok felé.
A szunnita Turkesztánra nézve, a siita Irán oly ország, hol a
zarándokok mindennemü veszélyeknek vannak kitéve, hol folyvást
kínoztatnak, gyakran ki is raboltatnak s ily viszonyok között
természetes, hogy Bagdad elérésével már a czélhoz közel érzik
magukat. Bagdadtól, másrészt még Konstantinápolytól, valamint
Áfrika igazhitűire nézve Kairó és Alexandriától kezdve, a karavánok
nagy mérvet öltenek, azon zarándokkaravánok, melyeknek ős typusa
mégis csak a régi Ázsia földjein tünnek fel a vallási költészet valódi
fényében. Itt egyes csoportokkal találkozunk, kik vörös vagy zöld
zászlót lobogtató csatlós által vezettetnek. Minden csoportnak
megvan saját papja ki egyúttal biróként is szerepel, ha felmerülő
viszályokat kell kiegyenlíteni; továbbá saját külön muezzinjával bír, ki
szabad ég alatt, vagy a karaván-szerailban imádságra hí. Egy
csoportban sem hiányzik a hajnyiró és a bohócz, ki a hosszu ut alatt,
ha a »Telkin« éneklése már kifárasztotta a torkokat, vastag tréfáival
igyekszik az ájtatos vándorokat megnevettetni. Ily csoportok gyakran
egymás mellett utazgatnak, anélkül hogy azért elegyednének
egymással. Hisz ez nem is lenne lehetséges. Amazok eretnek siiták,
kiket egészen különböző gondolkozás és törekvés vezet a szent
helyekre; emezek ellenben, ronda kinézésü tatárok rézsent álló
szemekkel, idegen szokásokkal, idegen nyelvvel, végkép elütők a
büszke arabtól, ki honfitársa s prófétája sírjához vándorol s
amazokkal távolról és semmiben sem kiván érintkezni. »Az
igazhitüek mind testvérek!« A mire Mohammed törekszik ez csak
elméletileg szép – de Keleten mint Nyugaton, az elmélet csak
elmélet marad.
A Tigris melletti nagy Khalifaváros után Damaszkus tekintetik a
második nagy állomásnak, Damaszkus, hol tényleg össze is folynak
az Északról Keletről, s Nyugatról jövő zarándokok seregei. A
Bagdadtól odáig vezető út sohasem volt igen biztos, s a számos
mellék-állomások daczára nem is volt valami igen kellemes, elannyira
hogy igen érthető, ha a vizgazdag fakert, melynek közepén díszlik az
Omejjádok székvárosa, a távol messzeségről jött utazót bámulatra
ragadja. Persákat, Indusokat, Khinaiakat és Közép-Ázsiaiakat
hallottam Damaszkusról beszélni s mindannyian földi paradicsomnak
írták le. – A termékeny szyriai völgytől kezdve, a zarándokkaraván
hivatalos jelleget ölt, a mennyiben Damaszkusban, a »Szure Emini«
(a konstantinápolyi zarándokkaraván felügyelője) hozzá csatlakozik.
Az út már most délnyugoti irányban, többnyire sivár vidékeken
keresztűl, az ugynevezett szyriai zarándokúton Hedsaz, t. i. a köves
Arábia felé vezet. A több mint ezerévnyi frequenczia s híres moszlim
fejedelmek és fejedelemnők részéről rá pazarolt gondoskodás
daczára, ezen út még mindig tele van kellemetlenségekkel, melyek a
sivár könyörületlen tenyészet következményei. Az út igen gyéren
népesített völgyeken, majd köves lapályokon, kopár
hegygerinczeken, és forró homoksivatagokon visz keresztűl; az
állomáshelyek többnyire csak nyomorúlt agyagviskókból, vagy
hajdankori kastélyok romjaiból állanak. De mit törődik a Kaabá-ért és
próféta sírérrajongó moszlim a múltnak imitt-amott felmerülő szép
emlékeivel, Rabati Ammón-nal az ó-római Philadelphia, Gerazá-val,
(a mai Dserras), pompás oszlop maradványaival, kapuival,
vízvezetékeivel és fürdőivel? Gondolatjai víztartók s iható víz körül
járnak, melyek mind gyérebben kerülnek elő; ő pázsitos
legelőhelyekre vágyik, melyeket azonban hiába keres; leginkább
pedig védelmet óhajtana a nomádok támadásai ellen, mit azonban
sem a Szultán, sem szent szándékainak kegyeletteljes méltatása
nem biztosíthatnak neki. Akár a Beni-Harb, akár az Eneze, vagy más
arab törzsök legyenek – mindannyian mohó szemmel lesik
honfitársuk rajongó tisztelőit s a Hadsi-kat kirabolják s a hol csak
szerit tehetik halomra verik agyon.
A rabló beduinok előli folytonos rettegéshez még az ijjedelem is
hozzá járúl, melyet a vallási mondák és mythószok idéznek elő. Majd
kisértetekről van szó, melyek ezen út több helyén leszögeztettek;
majd Themad puszta sziklaüregeiről, melyekben egy egész nép
rögtöni tönkremenéssel bűnhödött Mohammedbeni megátalkodott
kételyeiért s melyeknek porladozó kőhalmazaiból lelket rázó
jajkiáltások hangzanak ki, – természetesen csak a Hadsi-k fülei
hallják; – majd meg az istentelen A d óriás nép emlékére
reszketnek, melynek fejedelme a hirhedett Seddad, Istennek jelenté
magát, egész városokat épittetett aranyból, ezüstből s e vétkes
képzelgésért természetesen iszonyúan megbűnhödött. Csak
Maannál, hol Paläsztina felé ágazódik el az út, kezd a sivár természet
egyhangusága gyéren felmerülő kertek és szántóföldek által
felvidúlni s valóban rendkivüli vallás-rajongás szükségeltetik hozzá,
hogy elragadtatást érezzen az ember, ha 30 napos kin- és
fáradalomtejes vándorlás után, végre maga előtt látja a vulkánnemü
katlant, melynek közepén a prófétasír városa fekszik, s melynek
keleti végén a Ohod nevü fekete bazalt hegy kisértetiesen emelkedik
ki. E hegy látásakor a keletieket valóságos fogfájás rohanja meg,
mert ennek közelében vívatott ama híres hasonnevü csata, melyben
a prófétának két első fogát kiütötték; ama fogak, melyek legbecsesb
ereklyeképen Konstantinápolyban a szerail csúcson drágakövekkel
kirakott tokban őriztetnek s mély kegyelettel tiszteltetnek.
A Medina Jattrib keleti részén egy egyszerű, igénytelen épület, ép
oly igénytelen zöld kupolával emelkedik; ez a próféta sírja fölötti
épület, melynek láttára, a messzetávolból ide utazott sok százezer
zarándok szíve lelkesűlten feldobog.
Egyszerűnek nevezem az épületet, mert más, p. a Meshedben és
Nedsefben látható mohammedán díszépületekkel összehasonlítva,
Medina világcsodája alig méltó említésre, s úgyszólván a próféta
szerénységét s egyszerűségét jellemzi az utókor előtt. Az épület
szabálytalan négyszögből áll, melynek külső falaihoz számtalan
magánház támaszkodik, s csak homlokzatán láttatott el utóbbi
időben, nagy bemeneti csarnokkal. A belső tért oszlopos folyosó
futja körül, mely részint márvány és porfírból, részint azonban csak
művakolattal bevont közönséges kövekből emeltettek. A délkeleti
sarkot foglalja el a próféta madárkalitkaszerü mauzoléuma, még
pedig csak nehány lépésnyire azon helytől hol Mahommed maga az
első mecsetet alapította s szeretett neje Aisa karjaiban lehelte ki
nemes lelkét. Ha e legszentebb szentély belsejébe lépünk, egy
ágyszerü hely előtt állunk, melyet világos zöld, arany feliratokkal és
kis nézőkével ellátott rács vesz körül. E rács rendkivül sürű s a
tulajdonképeni sírtól csak keskeny sötét kis folyosó által választatik
el, melyben a templomszolgák, a próféta úgynevezett utódai
tartózkodnak s a fenntemlített kandi ablakocskán át a dicső ősük
számára átnyujtott ajándékokat a zarándokok kezéből átveszik, s
magától értetődik, hogy azok javukra szolgálnak. A belépés e sötét
titokzatos szentélybe, a templomszolgák által szigorúan elleneztetik,
s annak kieszközlése csak nagyszerü adakozások következtében
sikerül olykor a leggazdagabb Hadsi-knak.
A rács körül, de leginkább a sír fejoldala táján, a zarándokok
égfelé emelt kezekkel a következő imát mondják el: »Béke legyen
veled ó próféta, Allah és Allah kegyelme és minden áldása. Béke
legyen veled ó barátja Allahnak. Béke legyen veled, o legjobbja Allah
minden teremtése közt. Bizonyságot teszek, hogy nincs Isten Allahon
kivül, s azt vallom, hogy Te vagy prófétája és utódja; Tanuságot
teszek, Allah prófétája, hogy hivatásodat híven betöltéd, hitedet
bevallád s Istenedet imádtad, míg meggyőződést nyertél a halál
órájában. És mi barátaid, o Allah prófétája, megjelenünk előtted,
messze országok, távol éghajlatokról jövő vándorok, veszedelmek és
nehézségek közepette, a sötétség idejében és a nap óráiban, azon
vágytól vezéreltetve, hogy megadjuk neked a kellő tiszteletet s
megnyerjük közbenjárásod áldását; mert bűneink megtörték
hátunkat s Te képviselsz Annál, ki bennünket meggyógyít. Ó Allah
prófétája, közbenjárásodat, közbenjárásodat kérjük.«
Ezen ima folytonos sírás, kiabálás, s nyöszörgés közt mondatik el,
elannyira hogy saját hangját sem hallja az ember. Az írás nem-tudók,
kik egy felolvasó szavait hallgatják ugyan, de azokat követni
képtelenek, beérik vele, hogy a beszélő ajk- és szájmozdulatait
követik. E mellett mindnyájan megbénitó kegyelettel vannak eltelve,
alig merik ajkaikkal a rácsot érinteni, annál kevésbbé a
tulajdonképeni sírbolt selyem függönyeit, melynek látásában csak
igen kevesen részesűlnek. Egy felvilágosodott mohammedán állitá
előttem, hogy az egyszerüen egy nagy, hosszúdad, közönséges
kövekből összerakott emelvényből áll, mely a multbeli kegyeletes
keresztény utazók képzeletének távolról sem felel meg, miután az
Mohammed aczél koporsóját a padlóhoz s tetőzethez erősített
mágnesek következtében a levegőben akarja lebegtetni.
Ugyanazon helyiségekben vannak Abu Bekir és Omar sírjai is,
mindegyik külön nézőkével az emlitett rácsozatban, mely előtt az
igazhivők megfelelő imádságokkal könnyítenek szenvedő lelkükön.
Miután Omár a siitáknál, a bitorlóknak tekintett Khalifák közt
leginkább gyűlöltetik, sírjának kandiablakából nagy figyelemmel
kisérik a persákat, s a ki az iszlam e nagy hőse ellen valamely
kihágást enged magának, az iszonyúan bünhödik gaz tettéért.
Mindazáltal megszokott történni irániak részéről, hogy a szokásos
»Ja Omár!« (ó Omár) helyett gyors kiejtéssel Ja Khimar!-t (ó
szamár) kiáltanak s otthon erősen dicsekesznek a hőstettel. Hisz
láttam irániakat, kik az Omár nevet czipőik talpára írták, azon kedves
gondolatnak engedve át magukat, hogy egész napon át e
főgazembert lábbal tapodhatják. – Habár a prófétasír látogatása
inkább érdem mintsem kötelezettett, mégis ritkán találkozunk oly
Hadsi-val ki e szent kötelességet elmulasztaná. A rajongó moszlimok
legmagasztosabb vágya oda irányúl, hogy Medinában fejezhessék be
életüket, és sok jómódú s rendkívüli ájtatosságú ember, élete
hanyatló őszkorában oda vonúl vissza. Azokat Mudsavirnak, a
próféta szomszédainak nevezik s már eleve is boldogoknak érzik
magukat, hogy haláluk után a föld ama részében porladozhatnak,
hol legközelebb esnek a próféta földi maradványaihoz s ennek
következtében a feltámadás napján, a próféta közvetlen vezetése
alatt legkönnyebben juthatnak Allah trónja elé.
Körülbelül öt vagy tiznapi tartózkodás után Medinában, mely
rendesen Munevvire-nek (a kivilágított) neveztetik, a zarándok végre
Mekka-felé vonúl, mely város a Mukerrime, (a dicsőített) elnevezést
viseli. Négy különböző úton lehet eljutni oda, melyek közűl
leggyakrabban használtatik a Szultán-út, (Szultán-Joli). A vidék itt is
fővonásaiban kopár és puszta, itt sincs gondoskodva legkevesbbé
sem az utazók kényelméről, s nem egy ájtatos moszlim, – főkép a
szegényebb osztályokból – nyomorúltan elveszni kénytelen, amaz
iszonyú zűrzavarban és tolongásban, mit a végtelen mennyiségű
lovas, öszvér, szamár, teve, hordkosarakban és gyaloghintón utazók
előidéznek, ha rabló beduinok elől menekülve, vad
összevisszaságban tolonganak át a számtalan hegyszoroson, maguk
alá gázolva azt a szegényt, ki mielőtt még megpillanthatta volna az
Istenházát – a mint a Kaabá-t nevezik – szerény sorsának esik
áldozatáúl. Az utolsó előtti állomáson csinálják rendesen a hadsi-
toilettet. Megnyiratják, megborotváltatják magukat, minden ruhát
levetnek, s felveszik az »Ihram«-ot, egy hosszú vászondarabból álló,
könnyedén a testre vetett, s a jóhangzás kedvéért köpenynek
nevezett zsákot, mely két nyilással bír a fej s jobb kar számára. Ezen
Istennek tetsző öltözet nem igen gyakorlati, de annál kártékonyabb,
mert az Ihram által, az északbeliek melegebb ruházathoz szokott
egészsége nagy kárt szenved. Napszúrások napirenden vannak, a
hűvös esték vérhast idéznek elő s ezek s más körülmények
magyarázzák meg a tényt, hogy száz zarándok közűl, ki a Volga,
Oxus, Jaxartes partjairól s a Tian-San alvidékeiről Mekkába
vándorolnak, harmincz, sőt több is a szerencsés hazaérkezés helyett,
Alláhtól az örök álom boldogitó sorsával jutalmaztatik meg. – Az
említett állomástól, még egy napi s egy éjjeli út van hátra, mely
részint fekete sziklafalakon, részint sárga homokon vezet keresztűl,
melyből oázisszerűen emelkedik ki nehány zöld pázsit lapály, míg
végre másnap reggel egy hegyszoros végére érve, egy összevissza
hányt szürke háztenger merül fel, s annak közepében a Kaaba nagy
mecset-udvara a hét minarettel, oly látvány, mely a zarándokokat a
legnagyobb lelkesedésbe, sőt üdvözült elragadtatásba ejti. Ezer meg
ezer torokból száll égfelé az örömreszkető kiáltás »Lebeik, Lebeik, ja
Allah!« (a mint néked tetszik, o Isten!). Mindenki leszáll, idegenek ki
sohasem látták egymást, sohasem szóltak egymáshoz,
összeölelkeznek; mindenki csókolódzik, sír, kiáltoz, ujjong, mintha
váratlanúl földöntúli boldogság kapúi nyiltak volna meg előttűk. S ez
a tüz, e hallatlan felindulás és lelkesedés, mindössze egy a pogány
időkből fennmaradt k ő n e k szól, melynek eredete sem a próféta
tisztelői, sem máshitűek által, nincs ismerve, s mely mégis évről évre
több mint tizenkét század óta, számtalan millió ember lelkében a
legmagasb lelkesedést előidézni képes.
A százféle kellemetlenségről, csalásról s megröviditésről, melynek
a zarándokok az idegen néptől hemzsegő városban ki vannak téve,
hallgatva, egy pillantást akarunk vetni a Kaaba legszentebb
szentélyébe, mely egy nyilt csarnokokkal körülvett egyenszögű udvar
közepén emelkedik. A tompa, alig negyven láb magas torony, a
zarándokolás idejében mindig hosszú selyem függönyökkel van
elfödve. A bemenet északnak fekszik s oly magas, hogy a
templomszolgák segitsége nélkül nem lehet bejutni. Egy egyszerű
lépcső ugyan legkönnyebben segítene e bajon, azonban meghagyják
úgy a mint van, mert a zarándokoknak nyújtott segitség az Isten
szolgáinak igen sokat jövedelmez, s tudvalévő dolog, mily jól fel
tudnak azok mindent használni. Ha végre belebotorkázott az ember
e sötét, félemletes helyiségbe, az oszlopzatokról alácsüngő lámpák
fényénél, jobbra a Makami Ibrahim-ot (Ábrahám lábnyoma) látja,
melynek nagysága szerint itélve a jó patriárka oly lábacskával
birhatott, mint tiz egymás mellé helyezett elefánttalp. Balra van a
szent Zemzem-forrás, egy, valószinüleg földalatt folyó csermely,
kútszerű nyilással, melynek vize a moszlimek által a legbecsesb
nedvképen iratik le, messze el, a legtávolabb régiókba hordatik szét
s csodatévő varázsital gyanánt tekintetik. Azt mondják: ha e viznek
egy csöppje érinti a haldokló ajkát az meg van mentve a pokoltól s
minden kínjától; egyetlen egy csöppe a női szépséget hervadatlanná
teszi s gyermek-áldást biztosít meddő asszonyoknak. A forrásnál
magánál, csak keveset élvezik e vizet s ez igen természetes, mert
langyos, keserűsavas s az ájtatós zarándokoknak gonosz dysenteriát
okoz. Igen, az a jó, drága zemzem! Utazótársaim Közép-Ázsiában
hónapokig hordták öveikben, hitetlen csehek által készitett kerekre
köszörült üvegekben, s ha valami veszedelem környékezte őket,
jobban féltették Zemzem üvegeiket mint becses éltüket.
A legszentebb a Kaabában természetesen, a titokteljes fekete kő,
(Hadsari Aszvad) a keleti sarokban, nem messze az ajtótól négy
lábnyi magasságra befalazva. E kő, mely ma már csak töredék s
aranyozott ezüst karikával van átfogva, nemcsak e kis épületnek
tulajdonképeni fénypontja, de sőt az egész Iszlam-világnak; s csak
félve és remegve közeledik hozzá a zarándok. Már távolról kinyujták
utána ujjaikat, s a szent kő légkörét egyre ájtatosan csókolják.
Százaktól körülvéve, mégis csak keveseknek sikerül, hogy azonnal
hozzáférhessenek, tehát többször ismétlik a Taváfot s végtelen
boldogoknak tekintik magukat, ha órákig tartó várakozás után, végre
jobb kezük három első ujjaival érinthetik a világ legbecsesb kincsét s
szomjas ajkaikkal megcsókolhatják. Ez, a mint már mondám, az
egész zarándokút tetőpontja. – A Kaabá-n kivül, a mecset
előudvarában fekszik a négy Makama, t. i. az orthodox felekezetek,
névleg, a Hanefiták, Saféiták Hambaliták és Malekiták alapitóinak
nyughelyei. E helyek naphosszant tarka néptömegtől, csupasz vállak
és borotvált fejek sürű gombolyagától, valóságos emberchaosztól
környeztetnek, valamennyien egy és ugyanazon eszmétől eltelve s
csak különböző nyelvük által árulva el, hogy csaknem minden égalj
legtávolabb eső tartományaiból zarándokoltak ide. A többire nézve,
az élet a nemes Mekkában is csak olyan mint minden vallási
jelentőséggel biró városban, t. i. végtelen romlott és feslett. A
legájtatosabb imák, mindennemű vétkes kihágásokkal váltakoznak s
az Isten házának legközelében oly orgiák ünnepeltetnek, melyek
minden leirást felülmúlnak. Ez egyébaránt nemcsak Mekkában van
úgy; nehány persa búcsújáró helyen alkalmam volt személyesen
meggyöződhetni ezen istentelen állapotokról. Erre vonatkozólag is
ellehetne mondani: les extremes se touchent, mert az
erkölcstelenség és bűn szégyenteljesebb fészkei mint a persa
Meshed és Kum aligha találhatók valahol a világon.
Eddig a nagy zarándok út két főpontjáról beszéltünk; még csak a
harmadik, úgyszólván, az egész zárkövének leirása hiányzik, t. i. az
Arafa, vagy – a mint a törökök mondják, – Arafat hegységre való
búcsújárás. Itt t. i. a Zil-Hidse hónap 9-én hitszónoklat tartatik, mely
a végtelen nagyszámu hallgatóság következtében, valószinüleg csak
a legkevesebbek által hallatik, melyen jelen lenni, azonban minden
zarándok köteles. Már két nappal azelőtt, ezer meg ezer ihramjába
tekert zarándok siet ki Mekka északi kapuján, fel, az alig nehány száz
lábnyi magas dombnak tartva. Az említett hónap 7–8-án már
rendkivüli a tolongás a Zil-Hidse körül, a kopár szikla egész lejtője
sürűn van elhintve emberekkel, s hogy a 9-dik napot vidáman
bevárhassák, kávéházakat, borbélyműhelyeket és mindenféle
mulatságokat rögtönöznek. E napon már napkeltekor midenki a
legtarkább összevisszaságban tódul fel a dombra, hogy a tetején álló
szónokhoz minél közelébb jusson. Valóban nem csekély feladat!
főkép Arábia izzó napsugarai alatt s csak a nyomorúlt ihramba
burkolva; e mulatság nem csak egynek kerül életébe is, ki jutalmúl
aztán az igazhitüek szemében, vértanunak tekintetik, kinek lelke
egyenesen a paradicsom felé emelkedik. Egyébaránt kétséget sem
szenved, hogy ezen emberekkel borított domb, az nap igen megható
látványt nyújhat. Ezer meg ezer szem tapad a szónokra, s
valahányszor ez imádsága hevében karjait ég felé emeli,
mindannyiszor megmozdúl a lejtőket elfoglaló egész embertömeg,
óriás, ringó tengeri hullámhoz hasonlólag, s messze dörgő Lebeik!
Lebeik!-ot küld fel a fellegetlen éghez. Ez egyszer helyén is van a
Lebeik (= tessék), mert Ábrahám híres szavának ismétlése az, midőn
a patriárka, engedve Isten akaratának, fiát az áldozatkőhöz vezeté.
A mint vége van a prédikácziónak, mindenki, mint az őrült rohan
le a hegyről. E sietség szabályszerinti s valóban irtózatos jelenetté
fejlődik, ha a sok ezer ember részint lóháton, részint gyalog tüskön-
bokron, sátorköteleken és sátorpóznákon át az éj sötétében, vagy
egyes fáklyák gyér világitásánál vad rohanással száguld le az Arafat
lejtőin. E pokoli futásgyakorlat első állomásán imádság végeztetik;
összeölelkeznek s egymást üdvözlik a Hadsi új tekintélyében, melyet
e percztől fogva elértnek tekintenek. A mint ez állomást odahagyni
készül, minden Hads hét követ kénytelen maga mögé dobni, melyek
sátánnak szólnak, ki Ábrahámot kísértetbe akarta vinni. E kövek igen
gyakran a sátán koponyája helyett, valamely ártatlan zarándok
fejéhez röpűlnek, miből aztán természetesen heves verekedések
támadnak, melyek a szent szertartás zárjelenetét képezik. Végre
Mina völgyében, Ábrahám áldozata emlékeül, egy-egy állatot áldoz
minden zarándok. – A szegényebbek beérik egy báránynyal vagy
juhval, gazdagabbak azonban tevéket áldoznak s a leölt állatok
száma gyakran több ezerre rúg. A hús felhasználását az áldozók nem
engedik meg s minthogy annak legnagyobb része a d m a j o r e m
D e i g l o r i a m , szabad ég alatt, Arábia forró napjának kitéve
hagyatik hátra, e büzhödt légben leghamarább fejlődik a koléra első
csirája, mely ezerenként osztogatja a zarándokok közt az öröklétre
szóló útlevelet, s általok, a koléra-bizottság által szervezett szigorú
intézkedések daczára, Európába is átvitetik. – A bucsújárás e
harmadik jelenetének befejeztével, a zarándokok sietősen
összeszedik Zemzem vizüket s egyébb emlékeiket, hogy könnyű
szívvel s még könnyebb erszénynyel hátat fordítsanak Isten
városának, míg Mekkában körülbelül, mint az idény lefolytával
Karlsbadban, igen vígan vannak ezután. Ájtatos egyházszolgák,
kútőrök, szállásadók, hôtelier-k, kereskedők, kávéházbirtokosok,
komédiások és hetärák összeadják az idény jövedelmét. A jó Istenre,
a fekete kőre, Arafatra és Zemzemvizre legkevesebbet gondolnak,
annál többet ellenben a jövő idényre, és Mekka serifje, a próféta e
vérrokonságban lévő ivadéka időnként még imádságokat is rendez,
Istentől minél számosabb zarándoklátogatást esdve.
Hát a zarándokok? Még elég vidám hangulatban kelnek a hosszú,
fáradalmas útra. Visszamenet Mohammed állítólagos lakházától egy
kis porond vitetik el selyemzsacskóban. E »Khaki mubarek« (áldott
vég) legbiztosabb gyógyszer legyen szembajok ellen. Annak idejében
én is tartottam ily selyem zsacskót övemben, azonban sohasem
birtam rávenni magam, hogy egy szenvedőnek oly mértékben
hintsek port a szemébe, mint azt társaim tevék. A hazatérés
egyátalán sokkal gyorsabban történik. A szeretettek viszontlátásának
reménye felvillanyozza az ellankadt tagokat s türelemmel türeti az
utazás fáradalmait. A jutalom, mely a hazaérkezőket várja, fel is ér
aztán a kiállott szenvedésekkel és veszedelmekkel. Rokonok és
barátok több napi távolságra eléjök utaznak s szülővárosukba, vagy
otthonjukba való bevonulásuk mindenféle ünnepélyességgel jár. Egy
újjongó embertömeg diadalmasan hordja őket az utczákon keresztül,
mindenki közelükbe tolakodik, hogy láthassa, ruháikat érinthessék,
azon reményben, hogy a városok legszentebbikének egy láthatatlan
porszeme rájok talál ragadni, s ha jól emlékszem, a hazatérő Hadsi
ölelése és testvéri csókja, az egész Istennek tetsző tett huszadik
részletét képviseli. A Hadsi czím, mely a pecsétnyomó gyürűn
valamint később a sírkövön is díszlik, az illető egyéniséget a tisztelet
és becsület egész sugárkörével övedzi körül. Minden Hadsi
patricziussá válik, a felekezetben vezető szerepet játszik s ezáltal
minden másnál jobban van megvédve a hatóságok zsarnoksága
ellen. S ezen előnyzés nem indokolatlan, mert a ki évekig tartó
utazásra kel, sok idegen országgal és néppel ismerkedik meg s a
legkülönbözőbb tapasztalatokon megy keresztül, nem méltatlan a
polgártársai közötti kiválóbb állásra. De még a Kelet népei szellemi
és erkölcsi életének ismeretére nézve is nagy értékkel bírnak e
zarándok útak; fennállásuk óta közvetíteni szokták, az afrikai
lakosokkal való közlekedést, s évenként úgyszólván internationális
gyűlést hoztak létre az Iszlam követőiből.

Mekka és Medina igen távol esnek, az utiköltség odáig, akár


vizen, akár száraz földön igen jelentékeny s a koldus tarisznyára s
botra támaszkodó zarándokok száma aránylag csekélynek bizonyúl;
minthogy azonban az egész világ utazni, azaz zarándokolni akar, az
ájtatos szellem azon mesterkélt, hogy az Arábiától távol eső
tartományokban is vonzó búcsújáróhelyeket puhatoljon ki. A szent
sírok feltalálása soha, semmi időben és egy vallásban sem volt
különös nehézségekkel egybekötve. Az igazhivő moszlim az éj
sötétében tűzoszlopot, a keresztény egy Madonnaképet lát
felragyogni, itt Lourdes dicsőíti magát, amott meg Imamzade N. N. s
minthogy a papok akár Keleten akár Nyugaton gondoskodni tudnak
róla, hogy e csodahelyek kellőleg látogattassanak és
méltányoltassanak, könnyen érthető, hogy mindenkor s az
Iszlamvilág minden hitfelekezetében nem hiányzottak a szent sírok.
Nem feladatunk hogy e sírokról kimerítőleg szóljunk, ámbár a
számos »Teszkeret-ul-Evlia«-ban (szentek története) igen bőséges
források állanának rendelkezésünkre; azonban, itt csak arra akarunk
utalni, hogy Mekkán és Medinán kivül még számos búcsújáróhely
létezik, mely nagy hírnek örvend. Ezekhez tartoznak a keleti Szunnita
tartományokban a Szent Apak sírja Kasgav-ban, Ahmed Jeszevi-é
Turkesztánban és Bahaeddiné Bokharában. A Siita világnak megvan
Meshedje, Kum- és Kerbelá-ja. Az utóbbi három inkább nemzet-
gazdászati mint vallási tekintetből emeltetett vértanúvá. Irán nehány
okos fejedelme, t. i. gátat akart emelni, a sok pénznek Arábiába való
évenkénti kivándorlása ellen s ájtatos alattvalóik nagyobb
kényelmére három nemzeti Szentet teremtett, melyeknek imádása és
tisztelete valósággal ép oly sikeresnek bizonyult a
nemzetgazdászatra mint nemzetvallásra nézve. E három siita
búcsújáróhely gazdagsága és pompája már gyakran iratott le; én is
körülményesen foglalkoztam velök »Vándorlásaim Persiában« czimü
munkámban, s miután én nem csak látogatóképen, hanem inkább
mint zarándok tartózkodtam több hasonló helyen, tanuságot tehetek
róla, hogy a Meshed és Kumbeli zarándokok, látszólagos
ájtatosságban, lelkesedésben, sőt töredelmességben csak igen
keveset engednek a Medina zarándokoknak. A siita Szentek
nyughelyei kápráztató fényükben, aranynyal, ezüsttel és
drágakövekkel túlterhelve, a jámbor megtekintőt bámuló
csodálkozásra ragadják. Az ékszertárgyak többnyire kegyeletes
adakozások, melyek által, mint az a földi nagyoknál szokás,
jóindulatra igyekszenek hangolni az istenieket. Hisz még a
példabeszéd is mondja: »O deris, o Szent, pénz nélkül még a
menyországban is szegény ördög vagy!« E sirok már mint épületek is
nagyszerűek. A meshedi Imam Riza kupolája több centiméter
vastagságú aranylemezzel van bevonva, mely a felkelő s lenyugvó
nap sugaraiban csodálatosan felragyog; sőt egy sugár torony egész
külfala is vastag arany lemezzel van borítva s a síremlék rácsozata,
Meshedben valamint Kumban is, tömör ezüstpálczákból áll, nehéz
arany ékítménynyel. Hatalmas vastag ezüst táblákkal fedett kapukon
át lép be az ember e síremlékek belsejébe, melyben mesés fény és
pompa uralg; száz meg száz fülke környezi a nyughelyet, a falak
arany alapon azurkék zománcz díszszel ékítvék, s könynyen
megfogható, hogy a szegény moszlim zarándok, ha e csarnokba lép,
a szent egyéniséget környező hallatlan, kápráztató gazdagságtól
elvakítva, annak isteni tulajdonai által elragadtatva érzi magát. Az
egy vagy másik sír ezüst rácsait körűl tolongó zarándok nép képe,
zokogásuk, sírásuk és kiáltozásuk a kiaggatott táblákról leolvasott
imádságok alatt, az aggályos mohóság, melylyel az olvasni nem
tudók a mollák ajkairól hangzó szavakat lesik, mindez örökre
feledhetetlen lesz előttem. Könyzáport láttam végig omlani gyermek
arczokon, holló fekete és hófehér szakállakon; szemtanúja valék,
midőn még nők is oly hatalmasan ütve mellüket, hogy a bolthajtásos
falak viszhangzottak tőle, bűnbánólag mondák el a p a t e r
p e c c a v i -t. Kétségtelen, hogy a mély töredelmességnek alapja
valódi ájtatosság volt. Azonban, mért titkolnám? Mindazáltal sok
tettetést, hazugságot és csalást is találtam e búcsújáró helyeken.
Meshedben történt, hogy egy olvasni nem tudó zarándok, egy
valóságos fösvény, ki a hivatalos sírboltőröknek a felolvasásért járó
tiszteletdíjt sokallta, tőlem kérte ki magának e szíves szolgálattételt.
Mellém állt s én lelkiismeretesen leolvastam neki az illető kórán-
szúrákat és arab imádságokat. Eleinte utánam dadogott egyet-mást,
de nemsokára a következő párbeszédet hallám hátam mögött. A.
»Öt aranynál ugyancsak nem ér többet ez a ló.« B. »A Szent
Abbaszra! magam tizenkét aranyat adtam érte,« stb… Elképedve
hátra néztem s jövendőbeli Meshedimet egy ismerősével
lóvásárlásba találtam elmerülve; mindenesetre sajátságos
foglalkozás a Szent Imam Riza sírjánál.
Hasonlót állíthatok Kumról, mely p a r e x c e l l e n c e a nők
búcsújáró helye. E városban t. i. aranyozott kupola alatt nyugszik
Imam Riza, az Ali-vértanú nővére, Fatima, kit rendesen Meeszum-ei
Fátimá-nak (a szeplőtlen Fatimá-nak) neveznek. Ravatalának
érintése, a hagyomány szerint elegendő arra, hogy meddő nőket –
Persíában a meddőség iszonyú szerencsétlenségnek tartatik,
gyermekkel áldjon meg, elveszett szerelmet visszaszerezzen, testi
bájakat hervadatlanokká varázsoljon s mi több, az elkövetett
hűtlenségért a más világon bűntelenséget biztosítson. E szent
mohammedánnő nyughelye körül fél mértföldnyire óriás sírkert terűl
el. E temetőben Irán legtávolabb vidékeiről idehozott nők
nyugszanak, valószinüleg vétkes lelkek, kik a házasság-törés súlyos
vétkének tudatában, a Feltámadás napján a szeplőtlen Szűz
közvetlen vezetése alatt akarnak megjelenni Isten trónja előtt. S tán
Meeszumei Fatima oka annak, hogy Kum bájos leányai mai napság
oly könnyen eltántoríthatók a női hűségtől, mert nem ösmerek persa
várost, melyben annyi kéjhölgy léteznék, mint épen Kumban, a nők e
búcsújáró helyén. E szomorú állapotok híre a távolba is elhatott, s
mégis évről-évre ezer meg ezer nő zarándokol e szentelt hölgy
sírhantjához, sőt a jelenlegi dynasztia fejedelemnői is ezen
aranyozott kupola alatt emeltették sírboltjukat. Még két Kadsár is
nyugszik ottan; életükben igen kedvelték a hölgyeket, s az egyik,
Feth-Ali sah, 800 megesketett feleséggel bírt – nem csoda tehát, ha
halála után is női társaságban óhajtott nyugodni.
Meshed és Kum után a siita irániak tekintete legszívesebben
Kerbela és Nedsef felé irányúl, a hol a nagy Ali és vértanú fia
Huszein vannak eltemetve. Az út e szent városok felé ellenséges
Szunnita terűleten vezet keresztűl s azonfelül rabló beduinok által is
fenyegettetik. Az odajutás ennélfogva rendkívül veszedelmes és
fáradságos; de mire nem vállalkozik a siita, hithőseinek kedvéért, kik
elárúlva s megkínoztatva, gyilkos tőrök alatt s a szomjhalál
gyötrelmei közepette, a sivatag izzó homoktengerében életükkel
áldoztak a Sia-hitnek! Ennélfogva az utazás a Bagdadtól fekvő
sivatagba kiválóan érdemteljesnek tekintetik, s a ki oda zarándokolt,
a »Kerbe lai« prädicatumnak örvend, míg Meshed látagatói,
Meshediknek, neveztetnek. 50 búcsújárni vágyó persa közűl
legfeljebb öt megy el Mekkába, a többi mind az utóbb említett
helyeken teljesíti zarándoklási kötelességeit, s a kinek nem sikerül
életében oda jutni, az holtan szállítatja el magát oda. Mindenki
zarándokolni, utazni kiván s nem csalódunk, ha a persának e
fékevesztett zarándokolási és utazási szenvedélyének tulajdonítjuk
szellemi tevékenységét s kiváló felsőbbségét, mely őtet többi
hitsorsosai fölé emeli.
Dervisek.

Az előszeretettel tulzás felé hajló keleti természetnek, mindjárt


eleinte sokkal jobban eshetett a mély rejtélyekkel és sajátságos
formaságokkal egybekapcsolt istenitan, mint a száraz, ha mindjárt
még oly meggyőző szó. A szerzet-világhoz s annak képviselőihez a
nép már korán szeretettel s bámulattal közeledett, mig a papok s
theologusok csak tiszteletében részesültek; s innen ered a századok
óta heves elkeseredettséggel folytatott harcz az ulemák és dervisek
közt, oly pap-harcz, melyről a kereszténység története is sokkal
többet tudna beszélni, ha az ájtatos és számitó szent-atyák a
barátokat oltalmuk és hatalmuk alá nem keritik, egyuttal engedékeny
eszközökül használva fel őket. Hogy a moszlim világ valásszelleme ily
irányt vett, aligha lesz meglepő; a dervist épen ismerni kell,
ruházatában, melynek miden egyes részlete, sőt minden gombja
egy-egy eszmét jelképez; látni kell őt istentiszteletében, az
ugrálásnál, tánczolásnál, gyors forgásnál, mely isteni szeretete által
felhevült képzeletének megtestesülését ábrázolja, s csak akkor
foghatjuk fel, mikép épen az ily ember s ez az eljárás képes a
keletinek rajongó észjárásának megfelelni. Az ájtatos pap Nyugaton
beéri egy alkotójához intézett buzgó imádsággal, Isten iránti
szeretettel és tisztelettel akar eltelve lenni, s ezen érzelmeket
gondosan ápolva, azon van, hogy minél mélyebb gyökeret verjenek
szivében. A keletinek ezen eljárás hidegnek tetszik, ő az isteni
tiszteletet ihlett rajongásokban, fékevesztett kitörésekben akarja
nyilvánitani, esztelenné akar válni, s a testtől ideiglenesen
elválasztott szellemben, a teremtmény számára a legjobb utat látja,
melyen alkotójához közeledhessék, s a legbiztosabbat, hogy az
istenséggel összeköttetésbe léphessen. Ez, és csak ez látszott nekem
a Dervis-lét alapja lenni, alapja e sajátlagos vonásnak, mely a keleti
erkölcsök képét jellemzi, s melynek magyarázatát és leirását, már oly
kitünő tollak kisérlették meg, s miután darab ideig magam is tagja
voltam egyik szerzetnek, az elméleti magyarázatoktól eltekintve mert
a dervisek élethű leirását fogok igyekezni olvasóimmal
megismertetni.
Észreveszed-e kedves olvasóm ama férfit ott, egy társaság
körében, kinek ruházata társaiétól elüt, kinek merev tekintete s
ideges modora félemletes benyomást tesz, kinek taglejtései ülés,
járás vagy állás közben az elmebetegéire emlékeztetnek? – ez egy
dervis, élethű személyesitése mindazon furcsa különczségeknek,
melyeket csak a vallásrajongó ázsiainak felhevült képzelete képes
előidézni. Lengyel vagyis kerekformáju kalapja vagy nemezbül,
valamely áldozó-teve vagy áldozó-juh szőréből készült, vagy
posztóból való s ez esetben három foszlányból összevarrt. E
posztósapkán, mely rendesen vörös szinü, fekete himzésben az illető
szerzet nehány kedvelt verse olvasható, vagy nehány rejtélyes
jelentőségü betü és szó; a széle rojtszegélylyel van ellátva, nem
annyira a napsugarak elleni védelem tekintetéből, mint inkább azért,
hogy a felpillantást megakadályozza, mert a földi szülött tekintete
mindig a földre legyen irányulva. Ha a dervis rangra nézve
előrehaladt, mi a különböző időközökben történik, egyházi főnöke,
(Pir) által megengedtetik neki a kalapszélét kendővel körülcsavarni. E
tekervények száma 7. és 9. közt váltakozik s nevök »Terk« a
szószerinti értelemben » e l h a g y o t t « s jelképileg mind oly tettet
jelentenek, mely által bizonyos földi szenvedélyek, leigéztetnek, vagy
jobban mondva, leköttetnek. Az első csavarásnál, pl. azt mondja a
dervis: »Ezzel lekötöm az önzést;« a másodiknál: »Ezzel lekötöm a
kapzsiságot;« a harmadiknál »Ezzel lekötöm a haragot;« stb., s a ki
a turbán kilencz csavarásában a kilencz főszenvedélyt lebilincselte,
bizton hiszi, hogy minden bün ellen vértezve van. A dervisfelfogások
a turbánt illetőleg, a molláh-k valamivel költőibb értelmezésétől
nagyon elütő. Az utóbbiak a turbánban a halotti lepelt látják, melyet
az Istenfélő egyházfiak m e m e n t o m o r i képen magukkal
hordani kénytelenek. A közönséges moszlim 2–3 halotti lepel
hosszuságu vásznat hord, a kegyeletteljes azonban 7. hosszuságut, s
minthogy én annak idejében utóbbiak egyikének tartattam, nem
különös gyönyörüséggel emlékszem vissza az eleinte szokatlan
fejdiszre.
A Dervis-toilettéhez a K u l a h -on (kalap) kivül még a K h i r k a
(köpeny) is hozzá tartozik. Ezen öltönynek egy darabból is szabad
állnia, azonban tetszetősebb Istennek, ha több tarka-barka ringy-
rongyból van összetákolva. A foszlányok tarka szabálytalanságban
rakatnak egymásra s folt hátán folt, vastag spárgával vagy czérnával,
nagy öltésekkel varródik össze, s hogy e Khirkai-Dervisan, a
koldusruházat leghivebb képét nyujtsa, alsó végének nem szabad
sem beszegetnie, sem egyenesen vágódnia, hanem zig-zegesen
hosszu foszlányokban kell lelógnia. » E l f a k r u f a k h r i « (a
szegénység büszkeségem) mondá a próféta, ama próféta, kiről a
rosz hir azt regéli, hogy hallatlan kincseknek volt birtokában, s
valamint ő, szintugy cselekesznek és beszélnek tanitványai is. Közép-
Ázsiában egykor egy szerzetfőnök vendége valék, aki bár több ház
és jószágnak volt birtokosa, mégis a Khirkaj-Dervisant, mindenféle
foszlányokkal és ringy-rongyal ellátva hordá, de csak kivülről, mert
belül az öltöny finom atlaszból készült s a szükséghez képest, tetszés
szerint forditgatta ruházatát. Néhány szerzet felső ruha gyanánt
ujjanélküli kabátot hord, melynek neve, hajdari. Hajdár tudvalevőleg
Ali egyik mellékneve, mely állitólag szinte ily ruhát viselt. E hajdari
olykor különböző szinü csikokkal bir, néha 12-vel, melyekkel a 12
Imámera utalnak. Egy Indiában létező szerzet felsőruhaképen tigris
vagy leopárd bőrt használ, ezt azonban nem szabad más ruha fölé
felvenni, de csak a meztelen testen viselhető, s vallási szabály szerint
csakugyan, e kedves szerzetesek egyedüli öltözékét képezi.
Nem csekély szerepet játszik a Kemer (öv); vagy taibendnek
hiják, ha valami szőrszövetből áll, vagy kamberie-nek, ha többszinü
csombékos kötelekből készült. E csombékok egyikével, Dil-Bagi
(nyelv-csombék) a rosz beszéd, az ugynevezett Bel-Bagival (ágyék-
csombék) az érzéki vágyak kötetnek le. Az utóbbi parancsolatra
nézve az öv nagy fontossággal bir, miután ágyék és virilitás azonos;
innen a szó: »ágyékomból ugrott, ki,« a bibliai irásmód szerint, vagy
a mint a törökök mondják: ágyékhűsitő. Ezen öv gyakran csattal
erősittetik meg, melybe a jellemző Kanaat-tasi (elégedettségikő)
néven nevezett kő van foglalva emlékezésül azon kövekre, melyeket
szegény dervisek éhségük csillapitására maguknál szoktak hordani. A
fentemlitett koldusköpeny humbug pendantjául láttam derviseket,
kik lucullusi lakomákon laktak jól s mégis az övben tartogatott
kavicsokat semmiért a világon sem adták volna ide. Különben az
övben tartott kavicsokkal, még egész máskép áll a dolog. Ha t. i.
szabály szerint Isten nevét 1001-szer kell elmondani, ez többnyire
hat vagy tiz dervis társaságában történik, kinek mindegyike 25
kavicsot hord övében, melyeket maga elé rak, s hogy az olvasásban
meg ne csalódjék, minden felmondás után egy-egy kavicsot tesz
félre. Ha tehát tiz dervis társaságában mindegyik négyszer hadarta
le 25 kavicsát, a 1000 szám el van érve. Még meg kell emliteni, hogy
e kövek a Begtasi szerzetnél a »Peleng« (léopard) nevet viselik és
hétszögletüek, czélzásul a 7 földre, 7 mennyre, 7 tengerre és 7
bolygó csillagra. Bizonyos alkalmakkal e szerzet főnöke az ily övet
hétszer szokta felkötni s hétszer leoldani, mialatt következőket kell
elmondania:

1. Lekötöm a fukarságot s feloldom a bőkezüséget,


2. Lekötöm a haragot és feloldom a szelidséget,
3. Lekötöm a fösvénységet és feloldom az ájtatosságot,
4. Lekötöm a tudatlanságot és feloldom az Istenfélést,
5. Lekötöm a szenvedélyt és feloldom az isteni szeretetet,
6. Lekötöm az éhséget és feloldom a szellemi ellégültséget,
7. Lekötöm az ördöngösséget és feloldom az Istenit.

Hogy a dervisruházatról lehető legtökéletesebb képet adjak, még


a »Tads«-ról (korona) is meg kell emlékeznünk, a hogy a főnök
sapkáját nevezik. Valamint a sáh-t és kedáh-t (fejedelem és koldus),
mint a társaság két szélsőségét gyakran szokták egymással
szembesiteni, ugy a dervis korona és fejedelmi korona szinte igen
kedvelt parabolául szolgál. Az elsőben a világ megvetésének n o n
p l u s u l t r á j a tükröződik, utóbbiban ellenben a földi nagyság
netovábbja, s minthogy minden földi fénynek mulandósága, s a sors
változékonysága tekintetéből a koldusnak époly kevéssé kell
szégyenelnie sapkáját, mint a mily büszkének szabad lennie a
fejedelemnek koronájára, a kettő között bizonyos neme az
egyenlőségnek létezzék, s az tényleg is létezik, mert a dervisnek
jogában áll, egyenesen a fejedelemnek tartani s annak meghivása
nélkül is oldalán helyet foglalni.
A dervis bizonyos tárgyakat, vagy ha ugy fejezhetem ki
magamat, bizonyos jelvényeket mindig magával hordani kénytelen,
melyek részint nélkülözhetetlen V a d e m e c u m gyanánt, részint
szymbolizált eszközekül szolgálnak neki. Ezek, 1. a Te b e r , a fejsze,
valóságos bárd, rövid nyéllel, mely mindenféle mysztikus feliratokkal
van ellátva s a szenvedélyek legyőzésére szolgáljon, melyek az isteni
rajongónak néha megtestesült alakban is megjelennek, ugy hogy
álomlátó, rajongó állapotában a bárddal hadonázva, felkiált: »Most
ezt vagy amazt a bünt, ez vagy ama szenvedélyt vágtam agyon!« 2.
Te s z b i h , az olvasó, mely 99 szemből állva, mindenkor az övben
hordatik. E 99 szem moszlim felfogás szerint Istennek idecsatolt 99
tulajdonát képviseli.

1. Isten.
2. Kegyteljes.
3. Könyörületes.
4. Szent.
5. Birtokos.
6. Megváltó.
7. Hitadó.
8. Pártfogó.
9. Magasztos.
10. Hatalmas.
11. Tekintélyt-kölcsönző.
12. Teremtő.
13. Élesztő.
14. Alakitó.
15. Megbocsájtó.
16. Gazdag.
17. Adakozó.
18. Tápláló.
19. Megnyitó.
20. Mindentudó.
21. Felmagasztaló.
22. Megörvendeztető.
23. Megszeliditő.
24. Felemelő.
25. Megtisztelő.
26. A mindent eltemető.
27. A mindent halló.
28. A mindent látó.
29. A biró.
30. Az igazságos.
31. A bájos.
32. Az értesült.
33. A szende.
34. A nagy.
35. A sajnálkozó.
36. A hálás.
37. A magas.
38. A legnagyobb.
39. A védő.
40. A gondoskodó.
41. A felelősséget vivő.
42. A diadalmas.
43. A kegyes.
44. A figyelő.
45. Az imádságot elfogadó.
46. A kiterjedő.
47. Az itélethozó.
48. A szerető.
49. A legmagasztosabb.
50. Minden lételnek oka.
51. A bevalló.
52. Az igaz.
53. A szerző.
54. Az erős.
55. A tartós.
56. A barát.
57. A méltányos.
58. A számitó.
59. A kezdő.
60. Az ébresztő.
61. Az éltető.
62. Az ölő.
63. Az örökké való.
64. Az örökké tartó.
65. A feltaláló.
66. A fényteli.
67. Az egyetlen.
68. A mulhatatlan.
69. A hatalomteli.
70. A hatalmat adományozó.
71. A megelőző.
72. A következő.
73. Az első.
74. Az utolsó.
75. A látható.
76. A rejtett.
77. Az uralkodó.
78. A leghatalmasabb.
79. A jóindulatu.
80. A bünbánatot ébresztő.
81. A boszuálló.
82. A bünbocsátó.
83. A jóságos.
84. Birtok ura.
85. Czimek és méltóságok ura.
86. A rendbehozó.
87. Az alkotó.
88. A leggazdagabb.
89. A gazdagitó.
90. A megakadályozó.
91. A megkárositó.
92. A hasznothozó.
93. A világosság.
94. A vezető.
95. A kezdeményező.
96. A befejező.
97. Az örökös.
98. Az inditó.
99. A türelmes.

A harmadik tárgy a fésü (Sáne vagy Tarak), melylyel némely


szerzetnél a hosszan aláhullámzó hajzatot szabály szerint kell fésülni;
hosszura növesztett haj, a világról való lemondás jeléül tekintetik. A
fésü, melyet a szerzetfőnök bizonyos időben ünnepélyesen
átnyujtott, talizmánszerü, a szellemi közvetitő egy neme; gyakran
bámultam, ha e bükkfából készült s többnyire igenronda toiletteczikk
kegyeletesen az ajkakhoz emeltetett és megcsókoltatott. 4) A s z a
vagy Te k i e , egy rövid, felül félholddal ellátott bot, mely bizonyos
állásoknál a karnak támaszul szolgál leginkább pedig a bóditószerek
élvezete alatt; de még akkor is, az Isten embere csak rövid ideig
használhatja, mert a halálos méreg által legyőzetve, csakhamar
Tekie-jével együtt a földre rogy. 5. K e s k u l , a koldustál, egy
félkókoszdió, vagy fél tök alaku csésze, mely lánczra erősitve,
utazáskor a hátra vettetik, rendesen azonban kézben hordatik.
Ebben tartják az összekoldult eledelt, édeset és savanyut, meleget
és hideget, higat és szárazat, egy épenséggel nem étvágy gerjesztő
tutti-frutti. Végre 6. az övről alálogó vakaró, K a s a k , egy lapos,
kanál alaku eszköz, melynek tulsó oldala haránt egymásbafutó
bevágásokkal van ellátva s arra szolgál, hogy segitségével bizonyos
kellemetlen, apró élősdi állatoktól menekülhessen, minthogy a
vándor dervis azoknak kiváló ragaszkodásának tárgya.

You might also like