| 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 | |