PL9fwy3NUQKwY229s7FFto_DG4Gk-imNVi/F5rU_T4XbF4.srt

1
00:00:21,310 --> 00:00:23,570
بسم الله الرحمن الرحيم. اليوم، إن شاء الله،

2
00:00:23,570 --> 00:00:28,510
نكمل الموضوع الذي كنا فيه، ونبقى معاً، ونبدأ الـ

3
00:00:28,510 --> 00:00:33,510
chapter الجديد، الموضوع الجديد الذي كنا قد وصلنا

4
00:00:33,510 --> 00:00:37,390
إليه في المحاضرة الماضية. طبعاً، حسب الترتيب الذي لدينا

5
00:00:37,390 --> 00:00:42,510
هنا، كنا قد وصلنا إلى الـ forecast example. آه، هذا هو

6
00:00:42,510 --> 00:00:46,950
عبارة عن rule-based expert system يعتمد على الـ

7
00:00:46,950 --> 00:00:52,810
Bayesian reasoning. الآن، وقفنا في المحاضرة الماضية عند

8
00:00:53,940 --> 00:00:57,260
الملاحظات، هؤلاء الذين هم الملاحظات على أداء الـ

9
00:00:57,260 --> 00:01:01,120
Bayesian method، وعلى أيضاً مقارنة ما بينهما وبين الـ

10
00:01:01,120 --> 00:01:04,620
certainty factor method. يعني، لأنَّ الذي هو bias of

11
00:01:04,620 --> 00:01:07,680
the system of the Bayesian method. لأنه ثانياً،

12
00:01:07,680 --> 00:01:11,320
comparison، مقارنة ما بين الـ Bayesian reasoning و الـ

13
00:01:11,320 --> 00:01:15,900
certainty factor. فبدأنا نتحدث عن هذا الكلام، ولكن ليس من

14
00:01:15,900 --> 00:01:22,570
هذه الشرائح، ليس من هذه الـ PowerPoint. PowerPoint

15
00:01:22,570 --> 00:01:28,670
file أو شرائح مختلفة، وهي الشرائح التي أصلاً

16
00:01:28,670 --> 00:01:33,070
موجودة عندكم مع الكتاب. تمام. فسننتقل على طول إلى الـ

17
00:01:33,070 --> 00:01:35,790
bias of the Bayesian method و certainty factors

18
00:01:35,790 --> 00:01:41,410
theory and evidential reasoning. الـ comparison. طيب،

19
00:01:41,410 --> 00:01:42,010
الـ bias.

20
00:01:50,970 --> 00:01:56,570
نحن كل الكلام الذي رأيناه، انتهينا منه. الـ bias هذا

21
00:01:56,570 --> 00:02:00,110
في Bayesian method، المقصود به؟ ماذا تعني كلمة bias؟

22
00:02:00,110 --> 00:02:05,550
الـ bias يعني انحياز، أليس كذلك؟ يعني، عندما نقول إنسان

23
00:02:05,550 --> 00:02:10,810
biased، يعني منحاز. فهنا، الـ bias المقصود به انحياز

24
00:02:10,810 --> 00:02:17,410
أو تحيز. ما هو المقصود بالضبط بالـ bias هذا؟ أنه لو

25
00:02:17,410 --> 00:02:23,230
أنا جئت قارنت ما بين الأرقام التي آخذها من خلال الـ

26
00:02:23,230 --> 00:02:27,370
statistics، وجدتها غير مطابقة تماماً لما يعطيني إياه

27
00:02:27,370 --> 00:02:30,480
الـ human expert. The human expert، قد يعطينا

28
00:02:30,480 --> 00:02:35,040
تقديرات مختلفة عن التقديرات التي آخذها من الـ

29
00:02:35,040 --> 00:02:37,940
بناءً على الـ statistics. تتذكرون لو قلنا كل الـ

30
00:02:37,940 --> 00:02:41,860
probabilities التي تأتي في الـ Bayesian reasoning تأتي

31
00:02:41,860 --> 00:02:45,200
بناءً على الـ statistics. أحياناً، يأتي فيه نقص في

32
00:02:45,200 --> 00:02:50,780
هذا في هذه الـ probabilities، فيأتي الـ human expert

33
00:02:50,780 --> 00:02:56,040
هو الذي يُوفي هذا النقص بناءً على خبرته. لو نحن

34
00:02:56,040 --> 00:03:01,090
اطلعنا على البيانات التي يعطينا إياها الـ human

35
00:03:01,090 --> 00:03:06,550
expert، قد نجدها غير مطابقة لما نستنتجه من خلال

36
00:03:06,550 --> 00:03:10,250
الـ statistics. على سبيل المثال، أنا عندي هنا rule

37
00:03:10,250 --> 00:03:14,210
تقول: if the symptom is odd noises, then the starter

38
00:03:14,210 --> 00:03:18,810
is bad. يعني، أفتَرض أن في سيارة معطلة، والعرض الذي

39
00:03:18,810 --> 00:03:22,910
أمامي أن السيارة هذه تطلق أصواتاً غريبة عندما آتي

40
00:03:22,910 --> 00:03:27,150
لإشغالها، فهي لا تعمل. تماماً، عندما آتي لإشغالها تطلق صوتاً

41
00:03:27,660 --> 00:03:33,780
أصوات غريبة. فالـ rule هنا تقول: إذا الـ symptom هو odd

42
00:03:33,780 --> 00:03:36,680
noises, then the starter is bad. المشكلة تكون في

43
00:03:36,680 --> 00:03:39,760
الـ starter. ما هو الـ starter؟ ما هو الـ

44
00:03:39,760 --> 00:03:43,140
starter؟ أيضاً، الـ motor تبع السيارة. فيه الـ starter

45
00:03:43,140 --> 00:03:48,320
motor يحرك المكابس لكي تبدأ دورة الـ cycle

46
00:03:48,320 --> 00:03:53,360
تماماً. فالـ probability هنا، أو العلاقة السببية بين

47
00:03:53,360 --> 00:04:00,250
الـ odd noises، وما بين أن الـ starter هو bad، 70

48
00:04:00,250 --> 00:04:08,790
%. صحيح، 70% أنه إذا العرض هو odd noises، فيكون السبب

49
00:04:08,790 --> 00:04:15,770
bad starter. لأن بناءً على هذا الكلام، الـ 70% هذه

50
00:04:15,770 --> 00:04:23,870
بإمكاني أيضاً استنتج أن الـ 30% الأخرى قد تكون في في

51
00:04:23,870 --> 00:04:28,080
الـ odd noises، أو في الـ odd noises، ويبقى الـ starter غير

52
00:04:28,080 --> 00:04:32,360
bad. أليس كذلك؟ كلامي صحيح أم لا؟ آه، يعني، إذا كان

53
00:04:32,360 --> 00:04:36,620
70% من الحالات التي يكون فيها odd noises يكون الـ

54
00:04:36,620 --> 00:04:39,880
starter معطلاً، فيبقى في حالات يكون فيها odd noises، و

55
00:04:39,880 --> 00:04:43,700
يبقى الـ starter غير معطل، وهي الـ 30% الأخرى. okay.

56
00:04:43,700 --> 00:04:50,000
تمام. فأنا، هذا الكلام، الـ probability of starter

57
00:04:50,000 --> 00:04:55,460
is good، good، يعني not bad، عكس ذلك. حتى على الرغم من

58
00:04:55,460 --> 00:04:58,940
وجود الـ event أو الـ evidence، وهو الـ odd noises،

59
00:04:58,940 --> 00:05:04,020
فكيف حسبنا الـ probability هذه؟  ذهبنا إلى الـ probability

60
00:05:04,020 --> 00:05:12,400
تبع الـ bad من الواحد، فطلع الذي هو 0.3، صحيح؟

61
00:05:12,400 --> 00:05:15,220
الآن، أفرض، الآن، أذكر هذا الكلام

62
00:05:18,490 --> 00:05:23,090
النقطة الأخرى هنا، الـ rule هذه: if the starter is

63
00:05:23,090 --> 00:05:29,030
bad, then the symptom is.  أُعِيدُ هنا، الموضوع في الأول كنا

64
00:05:29,030 --> 00:05:34,690
نقول: الـ symptom كذا، فالاستنتاج

65
00:05:34,690 --> 00:05:38,910
أن الـ starter is bad. هنا، العكس، عندما يكون الـ

66
00:05:38,910 --> 00:05:44,790
starter bad، فيصاحب هذا الأمر، يصاحب هذا

67
00:05:44,790 --> 00:05:49,750
الخلل الذي هو starter bad، يصاحبه أصوات، أصوات

68
00:05:49,750 --> 00:05:56,550
غريبة، أو أصوات غير طبيعية في 85% من الحالات، و الـ 15

69
00:05:56,550 --> 00:06:05,210
% أنه قد تصدر، يمكن أن يكون starter bad، ولا تطلع

70
00:06:05,210 --> 00:06:08,930
أصوات،  قد لا تطلع أصوات، حتى حين يكون starter bad.

71
00:06:09,970 --> 00:06:15,490
هذا الكلام منطقي جداً، أن الـ starter is bad، وفي 85%

72
00:06:15,490 --> 00:06:19,550
من الحالات، الـ starter يكون مصحوباً بأصوات غريبة، و

73
00:06:19,550 --> 00:06:26,270
بالتالي، الـ 15% التي لم يظهر فيها،  أخذنا الأرقام

74
00:06:26,270 --> 00:06:30,290
منها. الـ 15% والـ 85%. لأن لو أنا جئت أريد أن أحسب

75
00:06:30,290 --> 00:06:34,170
probability of أن الـ starter is bad، هاي الـ event

76
00:06:34,170 --> 00:06:37,970
أي الـ hypothesis أن الـ starter is bad،

77
00:06:41,000 --> 00:06:46,420
والـ evidence الآن، هي الـ odd noises.

78
00:06:46,420 --> 00:06:51,000
لأن لو أنا أحسب ما هو الـ probability أن الـ starter

79
00:06:51,000 --> 00:06:59,800
is bad في ظل الـ odd noises، ماذا أفعل؟ الـ probability

80
00:06:59,800 --> 00:07:04,580
of odd noises عندما يكون الـ starter bad، أضرب الـ

81
00:07:04,580 --> 00:07:09,500
probability of أن الـ starter is bad، على ماذا؟

82
00:07:12,440 --> 00:07:17,820
ماذا تحت في المقام؟ ماذا أجمع؟

83
00:07:17,820 --> 00:07:23,940
هذا يعني، قلنا، هذا لأ، the probability of

84
00:07:47,410 --> 00:07:51,710
طبعاً، هذا الكلام، ماذا يقول؟ أنه probability

85
00:07:51,710 --> 00:07:58,810
of أن يكون الـ starter bad، ومصحوباً بـ odd noises، و

86
00:07:58,810 --> 00:08:02,430
هذه الـ probability of الـ starter not bad، ومصحوب

87
00:08:02,430 --> 00:08:09,550
بـ odd noises. okay. starter is not bad.  ليست هذه الـ

88
00:08:09,550 --> 00:08:11,170
rules التي تعطيني هذا الكلام.

89
00:08:15,240 --> 00:08:19,040
starter is bad، مصحوب بـ odd noises، و starter is

90
00:08:19,040 --> 00:08:25,720
bad، مصحوب بـ not odd noises. فماذا يعني؟ يعني الـ

91
00:08:25,720 --> 00:08:39,440
85 ضرب P of H، زائد الثانية التي هي 15 ضرب P of not

92
00:08:39,440 --> 00:08:49,640
H. هذا المقام بالضبط فوق. the probability of 85 ضرب P

93
00:08:49,640 --> 00:08:55,220
of H.  طيب، P of H هذه من أين آخذها؟ من أين آخذها؟

94
00:08:55,220 --> 00:09:04,920
الـ rule هذه، الاثنتان لا تعطيني، صحيح، P of H. الـ rule

95
00:09:04,920 --> 00:09:12,620
التي قبل أيضاً، هذه لا تعطيني P of H، صحيح؟  صحيح. هذه

96
00:09:12,620 --> 00:09:21,450
تعطيني إذا، وهو الـ evidence، الـ P

97
00:09:21,450 --> 00:09:27,830
of H، هو

98
00:09:27,830 --> 00:09:32,000
الـ P of E، وكذلك الـ P of not H. يعني، إذا جئت إلى الـ P

99
00:09:32,000 --> 00:09:38,200
of H، أحصل على الـ P of not H. هنا، إذا الـ statistics غير

100
00:09:38,200 --> 00:09:41,620
معطيني هذا الكلام، ماذا أفعل؟  ما هو هذا الكلام؟ ماذا نفعل؟

101
00:09:41,620 --> 00:09:45,860
الـ starter. ما هي احتمالية أن يكون الـ starter معطلاً؟ يعني،

102
00:09:45,860 --> 00:09:51,360
عندي سيارة معطلة، في كل حالات السيارات، السيارة تكون

103
00:09:51,360 --> 00:09:57,230
معطلة هكذا. نسبة أن تكون معطلة بسبب الـ starter، هو

104
00:09:57,230 --> 00:10:01,530
هذا الـ P of H. أليس هذا هو معنى الـ P of H؟ يأتي لأنه

105
00:10:01,530 --> 00:10:04,870
الـ human expert هو الذي قد، إذا الـ statistics هذه غير

106
00:10:04,870 --> 00:10:09,310
متوفرة، يأتي الـ human expert ويعطيني إياها. فمن الممكن أن الـ

107
00:10:09,310 --> 00:10:14,050
human expert يأتي ويقول لي: 5%، 5% من الحالات أن السيارة

108
00:10:14,050 --> 00:10:20,390
لا تعمل يكون بسبب الـ، بسبب الـ starter.  فـ 5%،

109
00:10:20,390 --> 00:10:26,800
ثم، ماذا أضع هنا؟ ماذا أضع هنا؟ أضع الـ

110
00:10:26,800 --> 00:10:33,400
ماذا أضع؟ عكسها، لأ، عكسها. هنا أضع الـ

111
00:10:33,400 --> 00:10:38,700
5%، وهنا، غير مرتبطة به، تقدر وتُسرّي أحوالها، غير

112
00:10:38,700 --> 00:10:50,360
بسبب الـ starter، 95%. الباقي، أليس كذلك؟ أنا أضع… 5

113
00:10:50,360 --> 00:10:51,480
صحيح، صحيح.

114
00:10:56,420 --> 00:11:01,700
هذا الكلام، ماذا يعطيني؟ يعطيني الـ parameter of H

115
00:11:01,700 --> 00:11:11,700
given E، يساوي، ما هي الحسبة النهائية؟ 0.23، تقريباً 23%.  ولكن هذا الكلام أجبناه على ماذا؟ ليس

116
00:11:11,700 --> 00:11:19,880
كله statistics. أجبناه على statistics مع تقدير. طيب،

117
00:11:19,880 --> 00:11:25,380
ماذا تقول؟ أن هذا الكلام يتعارض مع الـ rules التي

118
00:11:25,380 --> 00:11:31,160
موجودة في الـ system. هذه الـ rules ليست

119
00:11:31,160 --> 00:11:37,980
تفسيرها هو probability of H given E.  الـ probability الـ

120
00:11:37,980 --> 00:11:44,580
70% هذه هي احتمالية أن هذا الـ hypothesis، الـ

121
00:11:44,580 --> 00:11:51,480
starter bad، بسبب، أو إذا ظهر في حالة الـ event هذا، odd

122
00:11:51,480 --> 00:11:57,780
noises، يكون هذا الـ hypothesis صحيحاً، وهو ماذا؟

123
00:11:57,780 --> 00:12:01,700
starter is bad. وهي التي أنا كتبتها هنا. طيب، هي ليست هي

124
00:12:05,720 --> 00:12:10,480
أيضاً، هذه التي حسبناها هنا، ولكن هنا هي سبعة، وهنا

125
00:12:10,480 --> 00:12:18,300
ثلاثة وعشرون. اختلاف، هذا اختلاف كبير. هنا الـ rule هذه، الـ

126
00:12:18,300 --> 00:12:21,770
rule هذه جاءت بناءً على الـ Bayesian reasoning، جاءت

127
00:12:21,770 --> 00:12:27,250
بناءً على الـ statistics. قدرت لي الـ probability of الـ

128
00:12:27,250 --> 00:12:31,530
hypothesis هذا في ظل الـ evidence هذا، بـ 70%.

129
00:12:31,530 --> 00:12:36,610
بينما عندما جئنا حسبنا من الـ rules الأخرى، وهو الـ

130
00:12:36,610 --> 00:12:41,070
rules الأخرى التي أيضاً صحيحة، ولكن دخل فيها ماذا؟ دخل

131
00:12:41,070 --> 00:12:45,290
في حسابها تقدير الـ human expert لجزئية واحدة، وهي

132
00:12:45,290 --> 00:12:51,210
الـ P of H، طلع عندي نتائج مختلفة.  هنا، هذا الذي هو

133
00:12:51,210 --> 00:12:55,930
الذي نقول عنه الـ bias تبع الـ، الـ، الـ Bayesian

134
00:12:55,930 --> 00:13:01,150
reasoning. الـ Bayesian reasoning قد يختلف، يكون

135
00:13:01,150 --> 00:13:04,870
فيه فرق ما بينه وما بين تقدير الـ، تقدير الـ

136
00:13:04,870 --> 00:13:09,850
human expert. الـ human expert قدر هذا بناءً على

137
00:13:09,850 --> 00:13:13,770
خبرته.  المفروض هو يفحص أكثر، المفروض أن تكون أكثر من

138
00:13:13,770 --> 00:13:18,450
ذلك لكي تقترب من الـ 70%، التي هي من statistics.

139
00:13:18,450 --> 00:13:27,650
فهذه النقطة الأولى، التي هي الـ bias of the number

140
00:13:27,650 --> 00:13:32,610
obtained. هذا الرقم is significantly lower than the

141
00:13:32,610 --> 00:13:38,610
expert estimate of 70 given at the beginning of، في

142
00:13:38,610 --> 00:13:39,730
المثال السابق.

143
00:13:45,190 --> 00:13:48,090
فهذه هي النقطة الأولى، التي هي اختلاف ما بين

144
00:13:48,090 --> 00:13:52,270
التقديرات التي تأتي من الـ based reasoning، وما بين

145
00:13:52,270 --> 00:13:59,750
خبرة الـ expert.  وقد

146
00:13:59,750 --> 00:14:04,150
تكون، على فكرة، وقد تكون العكس، بمعنى أن هذا

147
00:14:04,150 --> 00:14:07,870
الـ rule، هو أصلاً الـ human expert هو الذي وضع هذه النسبة

148
00:14:07,870 --> 00:14:12,130
ووضعها أيضاً بناءً على تقديره، وكانت عالية كثيراً، أعلى

149
00:14:12,130 --> 00:14:20,440
من تقديره نفسه. في هذه النقطة، الخمسة في المئة منخفضة

150
00:14:20,440 --> 00:14:28,420
كثيراً عن تقديره للسبعين في المئة. طيب،

151
00:14:28,420 --> 00:14:31,660
ماشي. هذه هي النقطة الأولى. النقطة الثانية التي هي

152
00:14:31,660 --> 00:14:38,820
نحن الآن نريد أن ننظر إلى مقارنة سريعة ما بين الـ، الـ

153
00:14:41,380 --> 00:14:43,680
Bayesian Reasoning، و الـ Certainty Factor

154
00:14:43,680 --> 00:14:46,520
Reasoning. تذكرون الـ Certainty Factors؟ كنا

155
00:14:46,520 --> 00:14:54,700
نضع Certainty Factors مع الـ rules. الـ

156
00:14:54,700 --> 00:14:57,620
Bayesian Reasoning، نحن نعتمد على الـ statistical

157
00:14:57,620 --> 00:15:05,020
data التي جمعناها، وعلى أساسها نحسب الـ hypothesis

158
00:15:05,020 --> 00:15:10,280
المختلفة. لكل hypothesis، ما هي الـ probability الخاصة بها؟

159
00:15:10,830 --> 00:15:17,210
فالـ probability theory هي الأساس لمن؟ لـ Bayesian

160
00:15:17,210 --> 00:15:23,690
reasoning. وبالتالي، الـ Bayesian reasoning يُحسّن، أو

161
00:15:23,690 --> 00:15:29,390
works well، في المجالات التي يكون فيها، مثل، مثلاً، الـ

162
00:15:29,390 --> 00:15:33,450
forecasting، و الـ planning، التي يكون فيها

163
00:15:33,450 --> 00:15:36,910
statistical data usually available. ماذا يعني أن يكون

164
00:15:36,910 --> 00:15:40,110
في الـ forecasting و الـ planning، يكون فيه

165
00:15:40,110 --> 00:15:42,970
statistical data available؟ لأنه كل سنة، في الـ

166
00:15:42,970 --> 00:15:46,510
forecasting، يعني، التنبؤ بالطقس، كل

167
00:15:46,510 --> 00:15:49,850
سنة، نجمع البيانات. نسجل مقدار الأمطار، ونسجل

168
00:15:49,850 --> 00:15:53,730
مقدار سرعة الرياح، ونسجل البيانات كلها، فيكون لدينا

169
00:15:53,730 --> 00:15:58,650
historical data available.  لكي نستطيع أن نتوقع ما هو

170
00:15:58,650 --> 00:16:06,370
الـ… غداً، أو الأيام التي بعد ذلك. كيف؟

171
00:16:06,370 --> 00:16:11,610
حال كونها بيانات تاريخية. وبالتالي، عندما يكون لدينا

172
00:16:11,610 --> 00:16:15,790
statistical data، أستطيع أن أعتمد على الـ Bayesian، ولكن

173
00:16:15,790 --> 00:16:20,850
هذا الكلام ليس متوفراً دائماً. قلت هذه النقطة قبل قليل، أنه

174
00

223
00:20:11,830 --> 00:20:15,670
بالكيفية هذه الأولي ثم الـ rule الثاني ثم الـ rule

224
00:20:15,670 --> 00:20:18,110
الثالثة وبالتالي الـ approach of certain factors

225
00:20:18,110 --> 00:20:24,350
بيقدر بيعطي better explanation of the control flow

226
00:20:24,350 --> 00:20:28,690
الـ control flow يعني اللي هو تسلسل الـ rules اللي

227
00:20:28,690 --> 00:20:33,130
على أساسها وصلنا لاستنتاجه

228
00:20:37,290 --> 00:20:41,230
فخلص هذا الكلام أصبح بديهياً جداً أن الـ method is

229
00:20:41,230 --> 00:20:47,010
likely to be most appropriate if الـ method more

230
00:20:47,010 --> 00:20:52,530
appropriate إذا الـ data exist و الـ knowledge

231
00:20:52,530 --> 00:20:55,230
engineer اللي هو الشخص اللي بيصمم الـ expert system

232
00:20:55,230 --> 00:21:01,830
بيستطيع أن يأخذ هذه الـ statistical data ويصمم على

233
00:21:01,830 --> 00:21:07,470
أساسها، يصمم على أساسها الـ system بينما in the

234
00:21:07,470 --> 00:21:14,370
absence of في حالة غياب الـ statistical data

235
00:21:14,370 --> 00:21:21,750
فبيكون الأفضل اللي هو الـ certainty

236
00:21:21,750 --> 00:21:26,870
factor method بالإضافة إلى هذا كله أن الـ Bayesian

237
00:21:26,870 --> 00:21:32,810
reasoning يحتاج إلى calculations أكثر بكثير من اللي

238
00:21:32,810 --> 00:21:36,430
بتعمل في الـ certainty factor method، صح الكلام ولا

239
00:21:36,430 --> 00:21:42,170
غلط؟ كـ true or false question. Bayesian reasoning

240
00:21:42,170 --> 00:21:49,710
requires أو has a very high computational cost

241
00:21:49,710 --> 00:21:53,810
compared to بالمقارنة مع الـ certainty factor

242
00:21:53,810 --> 00:22:00,140
method، صح ولا غلط؟ صح، أنه في كثير... يعني شوفتي احنا

243
00:22:00,140 --> 00:22:04,020
كنا بنضرب البسط والمقام والأمور هذه، عملية

244
00:22:04,020 --> 00:22:08,380
calculations كثيرة،  بالتبع هذا واحنا كنا بنحكي على

245
00:22:08,380 --> 00:22:12,000
ثلاثة hypotheses وثلاثة evidences، تخيل أنت

246
00:22:12,000 --> 00:22:18,620
knowledge base فيها statistics كثيرة وأنا ب... ب...

247
00:22:18,620 --> 00:22:22,560
... بدي أختبر عشرة أو عشرين hypotheses أشوف مين

248
00:22:22,560 --> 00:22:26,880
أكثر واحد فيهم، أعلى واحد probability و... و يمكن

249
00:22:26,880 --> 00:22:29,780
في عندي عدة events كثيرة، عشرة أو عشرين event أنا

250
00:22:29,780 --> 00:22:34,460
بدي أقيّم الـ hypotheses على أساسها، تخيلوا كمية الـ

251
00:22:34,460 --> 00:22:40,380
calculations، فبتبقى الـ complexity، الـ computational

252
00:22:40,380 --> 00:22:44,620
complexity بتبقى exponential، إيش يعني exponential؟

253
00:22:44,620 --> 00:22:48,620
يعني كل ما زدنا شوية في الـ hypotheses وفي الـ

254
00:22:48,620 --> 00:22:54,480
events، بيزيد الزمن، الـ computational time بيزيد بشكل

255
00:22:54,480 --> 00:23:01,190
عالي جداً، بالإضافة إلى ذلك، لازم الـ knowledge base تبقى

256
00:23:01,190 --> 00:23:06,610
large، مليانة جداً، واللي هي statistical tables، تمام؟

257
00:23:06,610 --> 00:23:11,570
هذا هو نهاية النقطة الثانية، النقطة الأولى كانت الـ

258
00:23:11,570 --> 00:23:21,670
bias of Bayesian reasoning، النقطة

259
00:23:21,670 --> 00:23:27,390
الثانية كانت الـ comparison بين

260
00:23:27,390 --> 00:23:28,410
الـ Bayesian

261
00:23:32,240 --> 00:23:37,500
هذا نهاية كلامنا في هذا الموضوع، الموضوع الـ

262
00:23:37,500 --> 00:23:43,600
uncertainty باستخدام الـ Bayesian و الـ certainty

263
00:23:43,600 --> 00:23:47,890
factor، الموضوع الجاي اللي هو برضه uncertainty بس

264
00:23:47,890 --> 00:23:51,210
باستخدام حاجة اسمها الـ fuzzy reasoning، الـ fuzzy

265
00:23:51,210 --> 00:23:55,990
reasoning بنبدأ فيه الآن، إذا ما حدش عنده سؤال أو مش

266
00:23:55,990 --> 00:23:58,670
عارف، إذا كان الـ homework الأولاني كان بدكوا تسألوا

267
00:23:58,670 --> 00:24:06,890
فيه شيء تبع الـ alpha beta pruning، في سؤال محدد

268
00:24:06,890 --> 00:24:11,010
لأنه مش هحل المسألة الآن كلها، إذا في سؤال محدد أنا

269
00:24:11,010 --> 00:24:12,810
الحين بفتح الـ slide تبع

270
00:24:16,140 --> 00:24:21,880
فَش سؤال محدد، فَش سؤال محدد، طيب خلاص، هي اللي طلع إنك

271
00:24:21,880 --> 00:24:25,260
أشهر الـ form، كويس، طيب أنا دلوقتي بفهمك إياها بعدها

272
00:24:25,260 --> 00:24:32,220
بيصير... بيصير ممكن تحلها، خليني نرجع وين؟ على

273
00:24:32,220 --> 00:24:39,340
الكتاب الأولاني، صح؟ هاي الـ

274
00:24:39,340 --> 00:24:47,600
extra، صح؟ adversarial search في آخره، مظبوط؟ هذه الـ

275
00:24:47,600 --> 00:24:53,280
control and هذه الـ

276
00:24:53,280 --> 00:25:00,840
shift، فقط آخر خمسة، طيب أنا بس أوضح أن المطلوب منها

277
00:25:00,840 --> 00:25:05,560
كان المطلوب

278
00:25:05,560 --> 00:25:08,960
كان أن أول شيء تعمل propagate للـ values، propagate

279
00:25:08,960 --> 00:25:12,200
للـ values، يعني هي عندي أنا هذه الـ values محطوطة بس

280
00:25:12,200 --> 00:25:17,240
لمين؟ للـ leaf nodes، مظبوط؟ أما الـ parent nodes ما عندناش

281
00:25:17,240 --> 00:25:20,540
value، فهو ما عندناش values، فهو المطلوب منك في دقيقة

282
00:25:20,540 --> 00:25:25,620
واحدة، أنه ترحل بناءً على إيش؟ بدك ترحل بناءً على كل

283
00:25:25,620 --> 00:25:30,820
node، هي موجودة في الـ في الـ door تبع مين؟ تبع max

284
00:25:30,820 --> 00:25:38,760
هذا max، فابتدى هذا من max، من max، فواضح جداً نبدأ

285
00:25:38,760 --> 00:25:42,680
مثلاً من هنا الـ zero، السبعة هذا، بدأ تجه الـ zero هذا

286
00:25:42,680 --> 00:25:46,280
بدون pruning، هذا بدون formal حتى الآن، سبعة وثمانية

287
00:25:46,280 --> 00:25:50,380
هذه بتنتقل إيش؟ ثمانية

288
00:25:50,380 --> 00:25:59,680
هذا ثلاثة وخمسة، الـ minimum ثلاثة هنا، هنا، هنا zero

289
00:25:59,680 --> 00:26:05,900
وخمسة، إيش الـ max؟ خمسة، هنا أربعة وثمانية وخمسة

290
00:26:05,900 --> 00:26:12,280
من الـ minimum أربعة، هنا أربعة وثلاثة، إيش الـ maximum؟

291
00:26:12,280 --> 00:26:15,900
أربعة، صح؟ هذا هو الجزء الأولاني من السؤال، الآن

292
00:26:15,900 --> 00:26:18,640
الجزء الثاني اللي بدك تعمل pruning، يعني إنك أنت لو

293
00:26:18,640 --> 00:26:23,500
بدك توفر على الـ system، الـ system إيش بده؟ كيف يوفر؟

294
00:26:23,500 --> 00:26:29,420
هو الآن هذه الثلاثة بعدين الخمسة، لازم يشوف الخمسة

295
00:26:29,420 --> 00:26:32,940
صح؟ لازم يدخل على الخمسة، يعني هنا تبقى الثلاثة هي

296
00:26:32,940 --> 00:26:36,960
beta، ماشي؟

297
00:26:36,960 --> 00:26:41,180
لسه هنا ما في ألفا، ما في alpha اللي أنا أقرب لزكان

298
00:26:41,180 --> 00:26:46,360
الـ beta هذا أكبر ولا أمشي ولا لأ؟ فهذا لازم يشوف

299
00:26:46,360 --> 00:26:51,720
الخمسة، الخمسة أكبر من ثلاثة، فثبتت الآن الثلاثة هي

300
00:26:51,720 --> 00:26:57,740
alpha، تبقى هذا النوع الآن، هذه الثلاثة بتترحل على

301
00:26:57,740 --> 00:27:05,080
أساس أنها alpha، لا، الـ A، نخش هيك الآن، الـ zero، الـ

302
00:27:05,080 --> 00:27:07,560
zero بنتفجر على أنه الـ zero هو الـ minimum، فمن

303
00:27:07,560 --> 00:27:12,100
الجانب اللي شفنا الـ zero فبدنا ما نضمنش أي أي

304
00:27:12,100 --> 00:27:17,800
شيء ثاني، مش ممكن، خلاص مش هتشوفه مباشرةً على فرضية

305
00:27:17,800 --> 00:27:22,060
إذا في السؤال معضلة أنه ما فيش أقل من الـ zero وهذا

306
00:27:22,060 --> 00:27:26,800
مش معضلة السؤال، الآن حُلّ على هذا الأساس، إذا ما فيش

307
00:27:26,800 --> 00:27:31,090
هذا الأساس معناته بدك تكمل الـ zero، إذا الـ zero

308
00:27:31,090 --> 00:27:34,170
ممكن يكون فيه أقل من النمرة فلازم الـ algorithm

309
00:27:34,170 --> 00:27:38,290
تكمل، فاحنا افترضنا إنه ما فيش أقل من الـ zero فحطينا

310
00:27:38,290 --> 00:27:48,630
هنا، فحطينا صفر لأن الـ zero هذا الآن بدأ تترحل لـ

311
00:27:48,630 --> 00:27:59,170
F على أساس أنها alpha، ألفا، لأن الـ alpha هذا من الـ

312
00:27:59,170 --> 00:28:03,020
parent، الـ parent هذا الـ C، الـ C هذا مش معروف لسه

313
00:28:03,020 --> 00:28:09,940
إيش الـ... الـ beta تبقى، تبقى كده مش عارفين، لما نعرف

314
00:28:09,940 --> 00:28:14,600
هذا ونرحلها كـ beta لهذا، الآن هنا الخمسة هذه ممكن

315
00:28:14,600 --> 00:28:20,480
أكمل أنا عشان أشوف، آه احنا كملنا؟ صح؟ لأ، لسه

316
00:28:20,480 --> 00:28:25,540
ما كملناش، فالآن لازم أخش على هذه عشان أشوف إذا كان

317
00:28:25,540 --> 00:28:31,980
ممكن أحصل على أكبر من الـ zero، بالطبع الخمسة أكبر ف...

318
00:28:31,980 --> 00:28:37,860
فبتصير هي الـ alpha، ما فيش other children، يقول خلاص

319
00:28:37,860 --> 00:28:42,940
فبتثبت الخمسة لأن أنا هنا الخمسة هذه بدأت ترحل

320
00:28:42,940 --> 00:28:50,940
إلى هنا، على أساس إيش؟ أساس إيش؟ beta، الآن الـ beta هذه

321
00:28:50,940 --> 00:28:57,380
أكبر من الـ alpha والـ parent تبعها، صح أو لا؟ معناته؟

322
00:29:00,220 --> 00:29:09,580
هذه مثال جديد، معناته إيش؟ بقدر أوقف؟ بقدر أسأل

323
00:29:09,580 --> 00:29:12,780
مش مفروض غير مقارنة من فوق، مفروض غير مقارنة من

324
00:29:12,780 --> 00:29:15,320
اللي بتحكم فيها، مفروض، صح؟ أكمل، أول مقارنة... ما لك

325
00:29:15,320 --> 00:29:18,420
أنا الآن هنا مبدئيًا أن الـ node هي دي، قرفت واحدة من

326
00:29:18,420 --> 00:29:24,060
الـ children تبعها هنا صح؟ و... وصار مرشح الخمسة

327
00:29:24,060 --> 00:29:27,460
مرشحها اللي هتكون هي الـ value، فبقى هذا الـ node صح؟

328
00:29:27,460 --> 00:29:33,380
مش هي كمان الـ beta؟ طيب هلأ أكمل؟ أكمل... أكمل ليش؟

329
00:29:33,380 --> 00:29:36,960
ما بتطبقش الـ rule، الـ rule طبعاً بتتطبق لما نكون إجالي

330
00:29:36,960 --> 00:29:39,400
إجالي عارفة، يعني إجالي يعني أنا اللي بدي أستمر

331
00:29:39,400 --> 00:29:42,440
عشان أجيب إجالي، طب ليش أستمر أجيب إجالي إذا جال الـ

332
00:29:42,440 --> 00:29:46,380
pruning تبقى هيك؟ بده أكثر فأنا هنا بكمل، بأخش على

333
00:29:46,380 --> 00:29:50,880
الـ G، الـ G، المهم تلقائيًا لازم أشوف الـ K، صح؟ الـ K

334
00:29:50,880 --> 00:29:57,310
سبعة، فهذه الـ alpha، بالسبعة، سبعة، okay، الآن الـ alpha

335
00:29:57,310 --> 00:30:02,810
أكبر من الـ beta تبع الـ parent، إيش

336
00:30:02,810 --> 00:30:08,170
أقول؟ بتقول لي مين معروف؟ وإذا أنا واقف على قدر من

337
00:30:08,170 --> 00:30:13,570
node، والـ beta تبعته، آسف، أنا واقف هنا، أنا واقف على

338
00:30:13,570 --> 00:30:17,530
max node، والـ alpha تبعته أكبر من الـ beta تبع

339
00:30:17,530 --> 00:30:24,000
parent، أستمر؟ لا، ما أستمرش، أحط slash هنا، طبعاً حطيت الـ

340
00:30:24,000 --> 00:30:27,260
slash هنا يعني ما جفتش، ممكن سبّت السبعة هنا، سبّت

341
00:30:27,260 --> 00:30:34,040
ممكن بترحل هنا، صراحة ما برحلش

342
00:30:34,040 --> 00:30:39,640
بس ما برحلش، ما برحلش، طيب ما جفتش هنا، الآن بده أخش هنا، آه

343
00:30:39,640 --> 00:30:43,920
بده أخش هنا على أساس إيش عندي أنا؟ على أساس أنا

344
00:30:43,920 --> 00:30:47,840
أشوف الـ node هذا، الـ node هذا أربعة طبعاً، فالـ أربعة

345
00:30:47,840 --> 00:30:52,020
هذا ما بينها وما بين الخمسة والسبعة

346
00:31:13,690 --> 00:31:17,330
القضية هي لو أنا جيت هوفر حاجة أكثر ولا لو جيت من

347
00:31:17,330 --> 00:31:23,290
اليمين هوفر أُكثر، يعني في الـ calculations أكثر، خلاص؟

348
00:31:23,290 --> 00:31:27,090
هذا ببساطة اللي هو السؤال، خلينا الآن في الوقت اللي

349
00:31:27,090 --> 00:31:31,550
ضايل عشر دقائق معانا نحكي فيهم في موضوع جديد

350
00:31:31,550 --> 00:31:36,930
الموضوع الجديد اللي هو الـ fuzzy reasoning، الـ fuzzy

351
00:31:36,930 --> 00:31:40,570
reasoning بيجي تحت نفس الإطار اللي احنا شغالين فيه

352
00:31:40,570 --> 00:31:45,790
اللي هو expert systems بتشتغل في الـ uncertainty

353
00:31:45,790 --> 00:31:51,490
بتتعامل مع مشكلة الـ uncertainty، مشكلة الـ

354
00:31:51,490 --> 00:31:57,190
uncertainty اللي ببساطة هي عدم توفر معلومات دقيقة

355
00:31:57,190 --> 00:32:02,830
فاحنا في عندنا شوية غموض، في عندنا شوية ضبابية، الـ

356
00:32:02,830 --> 00:32:08,750
Bayesian rule والـ certainty factor method هدول

357
00:32:08,750 --> 00:32:16,650
طرق لتعامل مع عدم دقة الـ data، فعندنا احنا عدم دقة

358
00:32:17,320 --> 00:32:22,880
العلاقة ما بين المعطيات وبين الـ conclusion، يعني

359
00:32:22,880 --> 00:32:28,760
احنا الـ fuzzy reasoning بيبدا

360
00:32:28,760 --> 00:32:33,900
معنا من slide رقم أربعة في الكتاب، من slide رقم

361
00:32:33,900 --> 00:32:39,440
أربعة طبعاً

362
00:32:39,440 --> 00:32:41,760
الفايلين هدول

363
00:32:48,800 --> 00:32:54,660
Lecture 4 و Lecture 5، Lecture 4 و Lecture 5 بتعامل

364
00:32:54,660 --> 00:33:00,640
مع الموضوع الـ fuzzy، بس الـ fuzzy inference اللي هو

365
00:33:00,640 --> 00:33:04,380
الآلية اللي بتتم فيها، أو أضيف الـ fuzzy concepts في

366
00:33:04,380 --> 00:33:09,040
الـ rules، بيبدأ من خمسة، وهذا اللي أنا هأبدأ فيه

367
00:33:09,040 --> 00:33:13,900
الآن، وبعد كده بنرجع نراجع المفاهيم الأساسية اللي

368
00:33:13,900 --> 00:33:18,490
في الأول، اللي بدنا نطلع عليه الآن من هذه الـ slides

369
00:33:18,490 --> 00:33:25,270
هو ببساطة شديدة، آلية الـ inference، آلية الـ

370
00:33:25,270 --> 00:33:31,390
inference، آلية الـ inference في الـ fuzzy expert

371
00:33:31,390 --> 00:33:34,390
systems، يعني الـ expert systems اللي بتوظف الـ

372
00:33:34,390 --> 00:33:37,330
fuzzy logic أو fuzzy rules

373
00:33:47,330 --> 00:33:49,850
ماذا يعني عندما يقول fuzzy expert systems؟ يعني

374
00:33:49,850 --> 00:33:54,910
في expert systems بتستخدم rules، الـ rules هذه fuzzy

375
00:33:54,910 --> 00:33:59,210
طب إيه يعني fuzzy rules؟

376
00:33:59,210 --> 00:34:06,250
هي عبارة عن rules زيها زي أي rule شفناها حتى الآن

377
00:34:06,250 --> 00:34:10,950
بس هي ما إلا بدل ما نحط فيها probabilities أو ما

378
00:34:10,950 --> 00:34:14,010
نحط فيها certainty factors، نحط فيها هذه اسمها

379
00:34:14,010 --> 00:34:18,620
membership، أنا آخذ مثلاً على سبيل المثال rule هذه

380
00:34:18,620 --> 00:34:24,220
بدون أي fuzzy values أو membership، الشرط بنقول إذا

381
00:34:24,220 --> 00:34:31,120
x if x is a ثلاثة or y is بي واحد، يعني a ثلاثة و b

382
00:34:31,120 --> 00:34:34,400
واحدة، تبقى لهم values زي ما كنا بنحكي، في عندي أنا

383
00:34:34,400 --> 00:34:38,140
object، linguistic objects و linguistic variables

384
00:34:38,140 --> 00:34:42,680
وكل variable أو object له عدة values مسموح بها

385
00:34:42,680 --> 00:34:50,280
صح؟ وهنا نفس الشيء، فإذا X is A3 و Y is B1 ثم Z هو

386
00:34:50,280 --> 00:34:56,700
C1، هذا الآن لا هو fuzzy ولا هو certainty factor ولا

387
00:34:56,700 --> 00:35:02,860
هو Bayesian، الـ fuzzy في

388
00:35:02,860 --> 00:35:08,780
يدي أنا الآن project funding is adequate

389
00:35:12,510 --> 00:35:17,790
يعني C1 الآن صارت معناها low، و B1 معناها small، و

390
00:35:17,790 --> 00:35:21,750
A3 معناها adequate، طيب إيش اللي بيخلّيني أحكم على

391
00:35:21,750 --> 00:35:26,670
المتغير هذا إنه long ولا high ولا medium؟ إيش اللي

392
00:35:26,670 --> 00:35:30,590
بيخلّيني أحكم على هذا إنه small ولا big؟ إيش اللي

393
00:35:30,590 --> 00:35:34,830
بيخلّيني أحكم على هذا إنه adequate ولا مش adequate؟

394
00:35:34,830 --> 00:35:38,570
في هنا بيدخل حاجة اسمها اللي هو الـ fuzzy sets

395
00:35:42,300 --> 00:35:47,820
فهمنا إيش يعني fuzzy sets، الحين هي rule، القيم ال

445
00:40:37,720 --> 00:40:42,420
أكثر expert systems ال rules بتاعتها fuzzy و ال

446
00:40:42,420 --> 00:40:47,260
fuzzyness اللي جاي من ال fuzzy sets و بكرا

447
00:40:47,260 --> 00:40:50,080
المحاضرة الجاية إن شاء الله بنشوف القواعد ال

448
00:40:50,080 --> 00:40:55,820
inference  قواعد معالجة ال rules و ال data في ال

449
00:40:55,820 --> 00:41:00,420
fuzzy expert systems ماشي أعطيكم العافية