PL9fwy3NUQKwY229s7FFto_DG4Gk-imNVi/-eOFQEPf89w.srt

1
00:00:21,450 --> 00:00:25,390
بسم الله الرحمن الرحيم. اليوم، إن شاء الله، بدنا

2
00:00:25,390 --> 00:00:30,590
نستمر في موضوع الـ data mining. بدنا .. كنا حاكينا

3
00:00:30,590 --> 00:00:34,970
في أول شيء في decision trees وخلصناها، وبعد كده

4
00:00:34,970 --> 00:00:40,710
أرجعنا على بداية الـ lecture هذه، علشان ناخد

5
00:00:40,710 --> 00:00:44,870
المواضيع من الأول، من البداية. فحكينا في

6
00:00:44,870 --> 00:00:47,690
introduction عن الـ data mining، وإيش هو.

7
00:00:50,880 --> 00:00:54,080
وحكينا عن الـ process of data mining، مصمم من الـ

8
00:00:54,080 --> 00:00:59,720
process of data mining، وهي عملية بناء knowledge

9
00:00:59,720 --> 00:01:05,100
-based system باستخدام أسلوب الـ data mining. الآن

10
00:01:05,100 --> 00:01:08,580
الـ steps تبعتها، اللي هو data selection والـ fusion

11
00:01:08,580 --> 00:01:13,100
والـ transformation، وبعدها العملية الأساسية تبعت

12
00:01:13,100 --> 00:01:16,700
الـ data mining، باستخدام الـ data mining techniques

13
00:01:16,700 --> 00:01:21,800
أو الـ artificial techniques in general، والمراحل

14
00:01:21,800 --> 00:01:27,720
الأخيرة، الـ Interpretation، يعني أن عرض نتائج الـ Data

15
00:01:27,720 --> 00:01:35,220
Mining على المستخدم، لكي يفهم هذه المعرفة، ويبني

16
00:01:35,220 --> 00:01:42,840
على أساسها قراراته. تقنيات

17
00:01:42,840 --> 00:01:48,840
Data Mining في هذا الأمر، ممكن تبقى decision trees، وممكن

18
00:01:48,840 --> 00:01:52,220
ممكن تجد neural networks و fuzzy systems techniques

19
00:01:52,220 --> 00:01:56,540
اللي إحنا شفناها خلال الفصل هذا، وفي موضوع الـ OLAP،

20
00:01:56,540 --> 00:01:59,600
اللي هو online analytical processing، الـ online

21
00:01:59,600 --> 00:02:04,800
analytical processing، ما هو إلا تطبيق للتكنيكس

22
00:02:04,800 --> 00:02:08,440
هذه على الـ data، من أجل استخلاص اللي هو knowledge

23
00:02:08,440 --> 00:02:11,580
هذا.

24
00:02:11,580 --> 00:02:16,540
الـ OLAP يعني أنسب أن إحنا ندرس في مادة مخصصة للـ

25
00:02:16,540 --> 00:02:20,340
data mining. إحنا ركزنا هنا في الـ AI على الـ

26
00:02:20,340 --> 00:02:25,940
techniques نفسها، توظف في ايه؟ هذه القضايا بتعتمد

27
00:02:25,940 --> 00:02:33,400
على الإحصائيات المختلفة. فإحنا الآن بنسير على اعتبار

28
00:02:33,400 --> 00:02:37,900
اللي هو الـ statistical methods and data

29
00:02:37,900 --> 00:02:41,620
visualization. الـ statistical methods هي عبارة عن

30
00:02:42,370 --> 00:02:47,230
بنقدر نعتبرها مجموعة من الـ statistics operations،

31
00:02:47,230 --> 00:02:52,410
عمليات إحصائية زي الـ average، standard deviation،

32
00:02:52,410 --> 00:02:56,610
الـ maximum، الـ median، الـ mean، الأمور هذه اللي أيضاً

33
00:02:56,610 --> 00:03:04,470
ممكن توظف فيها أثناء عملية الـ data mining. فعندك أنتَ

34
00:03:04,470 --> 00:03:06,350
لأن هنا money

35
00:03:12,830 --> 00:03:16,230
Graphical Data Exploration Techniques. Graphical

36
00:03:16,230 --> 00:03:19,550
Data Exploration Techniques هي بالأساس

37
00:03:19,550 --> 00:03:23,790
Visualization. إحنا حاطين الموضوع هذا، الـ

38
00:03:23,790 --> 00:03:27,750
statistical methods والـ visualization في نفس الـ

39
00:03:27,750 --> 00:03:31,330
band أو في نفس الـ title. ليش؟ لأن الـ visualization

40
00:03:31,330 --> 00:03:35,870
يعتمد على الـ statistical methods المختلفة. يعني كما

41
00:03:35,870 --> 00:03:38,710
إحنا بنحسب الـ mean والـ median والـ mode والـ

42
00:03:38,710 --> 00:03:41,820
range والـ standard deviation، في الآخر هذا الـ cover

43
00:03:41,820 --> 00:03:50,420
بدنا نظهره على الـ user، عشان الـ user يشوفه ويستفيد

44
00:03:50,420 --> 00:03:54,180
منه في اتخاذ قرارات.

45
00:04:02,800 --> 00:04:06,220
بنطلع على أمثلة Graphical Representation. Graphical

46
00:04:06,220 --> 00:04:08,780
يعني Visual، هنا الموضوع Visual Data Visualization،

47
00:04:08,780 --> 00:04:12,800
يعني استخدام Graphical Data Representation Tools،

48
00:04:12,800 --> 00:04:18,620
أو تقنيات من بعض، من هذه الأمور، الـ scatter plots، الـ

49
00:04:18,620 --> 00:04:22,500
dot diagrams، الـ stem plots والـ histograms والـ

50
00:04:22,500 --> 00:04:26,260
box plots. هنطلع على scatter plots بالأساس.

51
00:04:29,250 --> 00:04:33,790
نشوف إيش اللي ممكن نستفيده من scatter plot. Scatter

52
00:04:33,790 --> 00:04:36,850
plot عبارة عن two dimensional graph. Two

53
00:04:36,850 --> 00:04:43,550
dimensional، مش الـ three dimensional، بيوضح

54
00:04:43,550 --> 00:04:47,430
represents الـ correlation between two variables.

55
00:04:47,430 --> 00:04:53,170
يعني ببساطة شديد، هو عبارة عن إيش؟ ها هي الـ variable

56
00:04:53,170 --> 00:04:56,170
الأولى، وها هي الـ variable الثانية، والعلاقة ما بينها

57
00:04:56,170 --> 00:04:59,450
ممكن تدرسها، كيف هي اللي بتغير، وبيعتمد عليها الـ

58
00:04:59,450 --> 00:05:02,970
variable الثانية. فمن هنا اسم scatter plot، لأنه كل

59
00:05:02,970 --> 00:05:06,510
واحدة من الـ patterns أو من العينة، من بيانات الـ data

60
00:05:06,510 --> 00:05:12,170
بتمثل على شكل نقطة. النقطة هذه، النقطة هذه، عادةً لأنّه

61
00:05:12,170 --> 00:05:16,010
في علاقة ما بين الـ X وما بين الـ Y، فالنقطة هذه

62
00:05:16,010 --> 00:05:23,610
دائماً تيجي، إما يعني مثلاً تيجي

63
00:05:24,270 --> 00:05:32,410
مع بعض، و ماشية في اتجاه تصاعدي أو تنازلي، أو ممكن تبقى

64
00:05:32,410 --> 00:05:38,750
ما فيش أي علاقة ما بينهم. التكتل هذا يوحي بوجود علاقة

65
00:05:38,750 --> 00:05:45,630
ما بين الـ X والـ Y. كيف؟ أن كل نقطة .. كل نقطة .. إذا

66
00:05:45,630 --> 00:05:50,850
الـ value تبعها، الـ X value تبع الـ pattern يبقى كبير،

67
00:05:50,850 --> 00:05:57,700
يبقى الـ Y value كبير. هو صغير، وبقى صغير. هنا نفس

68
00:05:57,700 --> 00:06:03,760
الشيء، بس عكسي. لما نيبقى الـ X كبير، والـ Y منخفض، ففي

69
00:06:03,760 --> 00:06:06,700
نوع من الـ correlation ما بين الـ X وما بين الـ Y، بس

70
00:06:06,700 --> 00:06:09,860
كانت الـ plot. إذا في correlation بنشوفها visually.

71
00:06:09,860 --> 00:06:18,280
الآن، إيه شغلة الـ visual visualization بموضوع

72
00:06:18,280 --> 00:06:21,020
الـ data mining، وبموضوع الـ AI، وبموضوع الـ decision

73
00:06:21,020 --> 00:06:27,560
making، لأن هو بيساعد الـ decision maker. لما إحنا

74
00:06:27,560 --> 00:06:31,080
بنعطيله الـ data visual، طبعاً الـ data بعد ما نكون

75
00:06:31,080 --> 00:06:34,000
عملنا عليها عمليات aggregation و statistical

76
00:06:34,000 --> 00:06:39,780
analysis، وصفيّناله إياها في متغيرين معينين، الـ X والـ

77
00:06:39,780 --> 00:06:44,980
الـ Y، وعرضناله إياها على شكل plot، يجد هو يستطيع

78
00:06:44,980 --> 00:06:48,900
أنه يشوف العلاقة visually، ويفهم أنه فعلاً فيها

79
00:06:48,900 --> 00:06:56,770
علاقة، وعلى هذا الأساس يقرر إيش اللي بيعملة. إحنا

80
00:06:56,770 --> 00:07:00,390
لأن هنا لما تكون العلاقة طبيعية، نسميها positive

81
00:07:00,390 --> 00:07:04,050
correlation. لما تكون عكسية، نسميها negative

82
00:07:04,050 --> 00:07:08,090
correlation. لما ما يكونش فيه أي نوع من العلاقة،

83
00:07:08,090 --> 00:07:15,130
نسميها non-correlation. نرجع مرة ثانية للـ scatter

84
00:07:15,130 --> 00:07:18,950
plot. قلنا عبارة عن إيش؟ two dimensional graph for

85
00:07:18,950 --> 00:07:21,950
representing the degree of correlation between

86
00:07:21,950 --> 00:07:26,430
representing، هو مش هو اللي بيحسبها، ما بحسبش الـ

87
00:07:26,430 --> 00:07:29,430
correlation قد إيش، بس هو بيوريني إياها، represents الـ

88
00:07:29,430 --> 00:07:32,770
correlation between two variables. الـ data is

89
00:07:32,770 --> 00:07:36,310
represented as a collection of points. كل point

90
00:07:36,310 --> 00:07:42,710
إلها a coordinate في الـ board هذا أو الـ board الآخر، الـ

91
00:07:42,710 --> 00:07:46,230
X أو الـ Y. The position of each point on the

92
00:07:46,230 --> 00:07:49,370
horizontal axis is determined by one variable, and

93
00:07:49,370 --> 00:07:55,750
on the vertical axis by another variable. هذه

94
00:07:55,750 --> 00:07:59,230
المثال اللي شفناه، عبارة عن الـ core، عبارة عن plot

95
00:07:59,230 --> 00:08:08,890
ده علاقة الـ height تبع الأشخاص مع الـ weight. الكل

96
00:08:08,890 --> 00:08:14,920
عارف أن الـ weight والـ height متناسبين مع بعض، مظبوط؟

97
00:08:14,920 --> 00:08:30,900
لأن كل ما زاد الإنسان طوله، بيزيد وزنه، وكذا. كلها

98
00:08:30,900 --> 00:08:35,260
مختلفة عن بعضها، ممكن

99
00:08:35,260 --> 00:08:40,860
تكون positive أو negative أو non-correlation.

100
00:08:47,020 --> 00:08:53,000
هذا بالنسبة لـ Scatter Plots. الخط الأزرق المعمول

101
00:08:53,000 --> 00:08:57,980
لو

102
00:08:57,980 --> 00:09:04,040
حسبنا معادلة الخط المعمول، تخيلوا

103
00:09:04,040 --> 00:09:08,760
أنه راح يمر بِـ مشارف الـ scattering، ورسم الخط

104
00:09:08,760 --> 00:09:13,400
بطريقة مخصصة. لكن نحسبه، لو حسبنا معادلته،

105
00:09:18,440 --> 00:09:26,840
بيفيدنا بشيء، بيفيدنا بشيء أن أنا أرسم الخط هذا.

106
00:09:26,840 --> 00:09:32,080
الخط هذا عبارة عن إيش؟ بتقدر

107
00:09:32,080 --> 00:09:41,900
تقول يمثل اتجاه الـ correlation. لو حسبنا معادلة

108
00:09:41,900 --> 00:09:47,460
الخط هذا، بيفيدنا بشيء، بفيدنا، مش بنقدر، أستطيع بعد

109
00:09:47,460 --> 00:09:51,420
هيك، أن إحنا لو عندي أي data point من غير المجموعة

110
00:09:51,420 --> 00:09:57,120
هذه، وعندي الـ X value تبعها، مش ممكن أقدر أُتوقع الـ Y

111
00:09:57,120 --> 00:10:02,940
value. لو أنا أجى لي واحد يقول أن، افترض أن هذا هو الـ

112
00:10:02,940 --> 00:10:09,920
correlation بين الوزن والـ height، تمام؟ هدول عبارة

113
00:10:09,920 --> 00:10:15,390
عن data أنا جمعتها، ورسمت الـ plot، وبعدها طلّعت الخط

114
00:10:15,390 --> 00:10:22,270
هذا. بعدها جِبنا وزن لواحد جديد، جِبنا الوزن تبعه، مش

115
00:10:22,270 --> 00:10:30,050
بنقدر. لو واحد كان الـ .. بقول مثلاً .. بقول هنا مثلاً

116
00:10:30,050 --> 00:10:39,050
الوزن تبعه، plot، بس افترض أن في عندنا بيانات، بيانات

117
00:10:39,050 --> 00:10:43,410
أخرى، ووجدنا في correlation ما بينهم. والآن رصدنا

118
00:10:43,410 --> 00:10:46,990
الخط، مش بيصير بعدها كأنه أنا أقدر أُتوقع، لو اجتني

119
00:10:46,990 --> 00:10:51,610
عينة جديدة، ومعايا بس جزء من المعلومة، شقة منها، بقدر

120
00:10:51,610 --> 00:10:55,450
أعرف الشقة الأخرى. وهذا هو موضوع الـ regression، موضوع

121
00:10:55,450 --> 00:10:58,850
الـ linear regression. الـ linear regression اللي هو

122
00:10:58,850 --> 00:11:06,610
أنا أقدر أحسب الـ Y قيمة بناءً على الـ X، بس لازم

123
00:11:06,610 --> 00:11:12,670
أعرف الـ beta 0 والـ beta 1، لأنهم هما بالضبط الـ

124
00:11:12,670 --> 00:11:16,430
اللي

125
00:11:16,430 --> 00:11:22,250
بيحددولي اللي هو معادلة الخط. من خلالهم أنا بعرف

126
00:11:22,250 --> 00:11:29,070
معادلة الخط. مرّ عليكوا linear regression قبل هيك؟

127
00:11:29,070 --> 00:11:32,250
regression سواء linear أو non-linear، مرّ عليكوا

128
00:11:32,250 --> 00:11:36,510
قبل هيك؟ خلينا نطلع على الطريقة تبع الـ linear

129
00:11:36,510 --> 00:11:39,510
regression، بس في الأول بدنا ناخد نتعرف على شوية

130
00:11:39,510 --> 00:11:44,160
إصلاحات. الآن، لما أنا بحسب، لما نكون بعين الـ X و

131
00:11:44,160 --> 00:11:48,580
بتحسب الـ Y، مين منهم بيعتمد على مين؟ الـ Y بيعتمد على

132
00:11:48,580 --> 00:11:52,320
الـ X، صح؟ الـ X هو بيكون dependent ولا independent؟

133
00:11:52,320 --> 00:11:58,360
بيكون independent، تمام؟ والـ X is independent، و

134
00:11:58,360 --> 00:12:01,640
هناك بيعتمد عليه، الـ Y بيعتمد عليه، فهو independent

135
00:12:01,640 --> 00:12:07,820
أو إحنا بنسميه regressant، أو

136
00:12:07,820 --> 00:12:11,650
الـ output variable. output variable، صح؟ لأن هذا هو

137
00:12:11,650 --> 00:12:14,390
الـ input اللي أنا معايا، وأنا بدي أحسب من خلاله الـ Y.

138
00:12:14,390 --> 00:12:19,190
تمام؟ الآن، الـ beta 0 والـ beta 1 اللي هم الـ

139
00:12:19,190 --> 00:12:22,810
coefficients، الـ regression coefficients، هم اللي

140
00:12:22,810 --> 00:12:25,950
إحنا عاوزين نحسبهم. عاوزين نحسبهم، متى ما حسبناهم،

141
00:12:25,950 --> 00:12:32,770
خلاص، بيصير أنا بقدر أطلع الـ Y والـ .. okay، نعم؟ الـ

142
00:12:32,770 --> 00:12:37,410
الـ .. الـ .. القضية بتبدأ، أو المسألة بتبدأ بالشكل هذا،

143
00:12:37,410 --> 00:12:38,850
اللي هو أن أنا

144
00:12:42,480 --> 00:12:46,580
خليني أفكر بس. عناصر هذه، إحنا في عندنا هنا الـ Y،

145
00:12:46,580 --> 00:12:53,940
هذا في الأول، ناخده من هنا. الـ Y bar اللي هو الـ

146
00:12:53,940 --> 00:12:59,140
average. average، إيش عندي؟

147
00:12:59,140 --> 00:13:04,700
النقط الأولى، النقط هذه أو هذه أو هذه، تخيلوا أنهم

148
00:13:04,700 --> 00:13:11,940
هيبقوا عن جدول، صح؟ هي الـ X وهي الـ Y، هما coordinates.

149
00:13:11,940 --> 00:13:16,580
يعني أنا باخد X وY برة، وأمثلهم بنقطة، صح؟ مظبوط، كل

150
00:13:16,580 --> 00:13:23,140
نقطة لها X ولها Y، فخلاص هذا هيك مجموعهم، الـ Y على

151
00:13:23,140 --> 00:13:27,220
عددهم. Y bar، صح؟ ومثل ذلك الـ X

152
00:13:38,130 --> 00:13:44,490
متوسط اللي هو الـ Y عمود

153
00:13:44,490 --> 00:13:52,530
الـ Y. فهنا ما فيش داعي أكتبها. والـ X bar نفس الشيء.

154
00:13:52,530 --> 00:14:04,130
الآن إحنا بنحسب الـ beta zero والـ beta one. الـ beta

155
00:14:04,130 --> 00:14:09,370
zero بحسبها من خلال الـ beta one. إذا أنا حسبت الـ

156
00:14:09,370 --> 00:14:16,770
beta 1، الـ beta 0 بتساوي المتوسط الـ Y ناقص الـ beta 1

157
00:14:16,770 --> 00:14:23,650
في متوسط الـ X. بدنا نجيب هذا الآن، و خلاص هذه الـ N

158
00:14:23,650 --> 00:14:32,310
هي. حساب الـ beta 1 بتساوي إيش اللي عندك هنا؟ هذا

159
00:14:32,310 --> 00:14:40,870
عبارة عن مضروب هذه، جدول مرة أخرى. كل واحدة مضروبة

160
00:14:40,870 --> 00:14:50,890
في current. كل مجموع مضروب منه. ناخد مجموعة Y لحالها،

161
00:14:50,890 --> 00:14:55,090
مجموعة

162
00:14:55,090 --> 00:15:02,580
Y لحالها، مجموع X لحالها، مضروبين، المجموع المضروب في

163
00:15:02,580 --> 00:15:05,980
الثاني، وبعدين أجمع. لأ هنا بجمع، وبعدين أضرب، و

164
00:15:05,980 --> 00:15:09,120
بجمع، وبعدين أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب.

165
00:15:09,120 --> 00:15:10,100
أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب.

166
00:15:10,100 --> 00:15:11,100
أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب.

167
00:15:11,100 --> 00:15:12,400
أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب.

168
00:15:12,400 --> 00:15:20,260
أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب، أضرب.

169
00:15:20,260 --> 00:15:29,840
أضرب

170
00:15:31,770 --> 00:15:38,310
مرة أخرى، هنا ليش باخد الـ Y ضارب الـ X؟ افترض أنا

171
00:15:38,310 --> 00:15:43,290
استبدلت الـ Y برضه بالـ X، صارت XI XI، يعني XI تربيع.

172
00:15:43,290 --> 00:15:51,410
وهنا برضه نفس الشيء، فصار في عندي إيش؟ مجموعة الـ X

173
00:15:51,410 --> 00:15:56,570
بس، ليش باخدها مرة واحدة؟ باخدها مرتين. لأ، بس لأن أنا

174
00:1

223
00:20:41,560 --> 00:20:46,900
نسميها شواذ، هذه outliers  بتأثر على الحساب

224
00:20:46,900 --> 00:20:52,900
تبعنا لأن هنا الـ curve  على هذه النقاط والنقاط في

225
00:20:52,900 --> 00:20:56,700
هذه الشكل من حسب الخط فجأة بالظبط عليها لأنهم

226
00:20:56,700 --> 00:21:03,340
أصلًا جايبة من بعض نفس النقاط، لو فيه نقطة

227
00:21:03,340 --> 00:21:11,420
أكبر نقطة أثرت على الخط، هذا أكبر شد للخط، وفي

228
00:21:11,420 --> 00:21:15,660
الآخر جاء نتيجة أننا أخذنا كل النقاط في عين

229
00:21:15,660 --> 00:21:22,990
الاعتبار، صح؟ فهذا أثر على الحسبة وطلع لنا line مش

230
00:21:22,990 --> 00:21:28,890
هذا، مش جاي على الـ .. يعني لو أنا شيلته، لو كان هو

231
00:21:28,890 --> 00:21:32,910
موجود وشيلته ما بيضر كثير، على العكس، يعني لو أنا

232
00:21:32,910 --> 00:21:37,750
قبل ما أعمل، لو أنا طلعت على الـ data زي... جابت قبل

233
00:21:37,750 --> 00:21:41,590
ما أحسب الخط الأزرق، هو الخط الأحمر هو الوضع

234
00:21:41,590 --> 00:21:46,470
المفترض، لو أنا قبل ما أحسب الخط الأزرق، طلعت ووجدت

235
00:21:46,470 --> 00:21:49,410
المفاتيح كلها جايبة قريبة من بعض، لكن في واحد هنا أو

236
00:21:49,410 --> 00:21:54,490
كمان واحد، أو كمان واحد، ورحت أنا أزيلتُهم، يعني

237
00:21:54,490 --> 00:21:59,730
شيلتهم، الشواذ اللي شيلتها، وحسبت، هأحصل على الخط

238
00:21:59,730 --> 00:22:04,290
الصحيح، والخط الصحيح هذا هيكون يساعدنا في عملية

239
00:22:04,290 --> 00:22:08,370
التنبؤ، فالـ

240
00:22:08,370 --> 00:22:11,770
method هذه، اللي هي robust regression، الـ least

241
00:22:11,770 --> 00:22:16,090
squares اللي استخدمناه، robust regression مش

242
00:22:16,090 --> 00:22:22,370
هدخل فيه الآن، بس هو عبارة عن، إيش هي؟ لا تستثني

243
00:22:22,810 --> 00:22:28,090
الـ outliers، جايب الـ manage لحسبة الـ ..

244
00:22:28,090 --> 00:22:34,090
حسبة الـ fitting هذه، مسمّاة fitting، يعني to fit a

245
00:22:34,090 --> 00:22:44,270
line اللي يجي بالضبط على اللي هو الـ data، فبالتالي

246
00:22:44,270 --> 00:22:47,870
إحنا الآن، يعني، بدنا نرجع على المواضيع، خلينا نطلع

247
00:22:47,870 --> 00:22:54,480
على هذا المثال، بس قبل في الأول، هذا المثال عاملين

248
00:22:54,480 --> 00:22:59,300
الـ plots اللي كنا بنطلع عليها، هذه هي عبارة عن الـ

249
00:22:59,300 --> 00:23:05,260
data هذه، okay، عندي عشرين data item، الأمود الأولاني

250
00:23:05,260 --> 00:23:09,040
هو عبارة عن، يعني في عندك chemicals، و الـ chemicals

251
00:23:09,040 --> 00:23:13,040
بنحسب لكل chemical الـ acidic number أو الـ acid

252
00:23:13,040 --> 00:23:18,760
number، تمام، وفي عندي حاجة ثانية اسمها الـ organic

253
00:23:18,760 --> 00:23:26,590
acid content، هذا في الكيمياء، أنا يعني... النقطة المهمة

254
00:23:26,590 --> 00:23:33,210
في الموضوع هي أهمية الـ regression، أن الـ asset

255
00:23:33,210 --> 00:23:38,510
number عمليًا في المعمل بيقدر يحسبه بطرق سهلة وبسيطة،

256
00:23:38,510 --> 00:23:45,790
الـ organic acid content بيأخذ إجراءات أطول، لو ثبت

257
00:23:45,790 --> 00:23:51,340
أن هناك علاقة ما بين هذا، لكل مادة كيميائية في علاقة

258
00:23:51,340 --> 00:23:54,900
ما بين الـ asset number تبعها والـ organic asset

259
00:23:54,900 --> 00:24:00,400
content تبعها، والعلاقة هذه استنبطناها بالـ

260
00:24:00,400 --> 00:24:03,320
regression، المعنى ذلك، لو عندي أنا chemical، أو أنا

261
00:24:03,320 --> 00:24:08,740
عايز أحسب الـ organic، عايز أفحص الـ organic، هذا مش

262
00:24:08,740 --> 00:24:13,100
محتاج أعمل العملية المعقدة، بعمل العملية البسيطة

263
00:24:13,100 --> 00:24:19,170
أُحسب الـ asset number، ومنهم بأستنبط الـ

264
00:24:19,170 --> 00:24:24,370
regression، فالآن هدول عشرين observations لعشرين

265
00:24:24,370 --> 00:24:30,170
chemical، مادة كيميائية، وسجّلت الـ acid number لكل

266
00:24:30,170 --> 00:24:34,270
واحد، الـ acid number تبعه، و organic acid content

267
00:24:34,270 --> 00:24:38,250
والسجل الآن، من هدول العشرين، بدنا نستنبط الـ line

268
00:24:38,250 --> 00:24:42,890
أو الـ relation، يعني على أساس لو في عندنا مادة كيميائية

269
00:24:42,890 --> 00:24:49,050
جديدة، بدل من أن أجري هذه العملية الطويلة، بقى أجري

270
00:24:49,050 --> 00:24:53,390
البسيطة، ومنها بأستنبط القيمة تبع الـ organic، هاي كانت

271
00:24:53,390 --> 00:24:58,070
فكرتي، يعني الـ figures هذه، لأن لو في عندي واحد من

272
00:24:58,070 --> 00:25:02,770
الـ 20 قراءة تبعته مُطرفة كثير، أعتقد مين

273
00:25:02,770 --> 00:25:09,130
اللي هو هذا، أسألنا شوية كده نشوف، هذا فعندي 180، و

274
00:25:09,130 --> 00:25:13,440
بعدين في الـ negative ما ظلّينيش موجود هنا في الجدول، ليس

275
00:25:13,440 --> 00:25:20,920
لدي أحد نيجاتيف، بس نفترض أن هناك واحد من هؤلاء جاء

276
00:25:20,920 --> 00:25:25,280
الـ acidic number تبعه نيجاتيف، المهم هذا هو

277
00:25:25,280 --> 00:25:29,820
سيكون outlier، ممكن نعيده في الأول، نطلعه، أو نستخدم

278
00:25:29,820 --> 00:25:36,360
الـ robust regression، على أساس أنه ما بتأثرش

279
00:25:36,360 --> 00:25:45,030
به، طيب، إحنا هيك الآن بنوقف عند هذا القدر، بنرجع بس

280
00:25:45,030 --> 00:25:50,250
في الأول، إيش هو اللي تمّ؟ اه، اللي إيش اللي غطينا

281
00:25:50,250 --> 00:25:55,430
بالضبط، إحنا

282
00:25:55,430 --> 00:25:59,770
بنكون الآن غطينا هذا، وغطينا هذا البند، بنضلّ...

283
00:25:59,770 --> 00:26:02,410
طبعًا هذا... بيضل هذا الجزء الأخير

284
00:26:06,270 --> 00:26:11,170
lecture 17، تلاحظ أننا قد خلصنا جزء منها وهو ما

285
00:26:11,170 --> 00:26:14,890
يتعلق بالـ decision trees، صح؟ نحن بس نخلص مهارة

286
00:26:14,890 --> 00:26:19,830
جاية، نحكي في الـ principle component analysis، ومن

287
00:26:19,830 --> 00:26:24,930
نخلصه، وبعدها كده بنروح بنكمل اللي ضايل من 17، عشان

288
00:26:24,930 --> 00:26:25,730
أعطيكم ملاحظة