| 1 | |
| 00:00:05,250 --> 00:00:07,430 | |
| بسم الله والحمد لله والصلاة والسلام على رسول الله | |
| 2 | |
| 00:00:07,430 --> 00:00:11,930 | |
| اليوم ان شاء الله شباب هنبدأ ب chapter جديد في ال | |
| 3 | |
| 00:00:11,930 --> 00:00:15,070 | |
| data mining و هنتكلم على أولى ال data mining tasks | |
| 4 | |
| 00:00:15,070 --> 00:00:20,630 | |
| و هي ال classification ال classification لكن قبل | |
| 5 | |
| 00:00:20,630 --> 00:00:24,150 | |
| ما أبدأ بالمحاضرة فعليا و بال slides بدي أسأل انا | |
| 6 | |
| 00:00:24,150 --> 00:00:26,270 | |
| ايش احنا بنيعني بال classification | |
| 7 | |
| 00:00:44,700 --> 00:00:53,400 | |
| أه محمد شو يعني classification؟ | |
| 8 | |
| 00:00:53,400 --> 00:00:56,580 | |
| بدي | |
| 9 | |
| 00:00:56,580 --> 00:00:59,060 | |
| أصنف .. شو يعني بدي أصنف؟ أيوة أنا بدي أقول .. | |
| 10 | |
| 00:00:59,060 --> 00:01:04,700 | |
| بينهم شغلات مشتركة | |
| 11 | |
| 00:01:04,700 --> 00:01:09,520 | |
| شو رايك مشتركة؟ مرتجع عفوا بجسم ال data على شكل | |
| 12 | |
| 00:01:09,520 --> 00:01:14,720 | |
| categories بجسم ال data على شكل categoriesكريم | |
| 13 | |
| 00:01:14,720 --> 00:01:20,040 | |
| بناء على ترميز معينة بعمل زي لبط بمثل الصدر او كذا | |
| 14 | |
| 00:01:20,040 --> 00:01:24,340 | |
| طيب انا قاعد باسأل شو يعني تصنيف بالعربي شو يعني | |
| 15 | |
| 00:01:24,340 --> 00:01:30,220 | |
| تصنيف شغلات بينها او في عناصر مش علها عناصر مشتركة | |
| 16 | |
| 00:01:30,220 --> 00:01:38,040 | |
| اعمر شو يعني تصنيف تقسيم العناصر الى مجموعات طيب | |
| 17 | |
| 00:01:38,040 --> 00:01:42,200 | |
| شو يعني تصنيف يا راني تصنيف شو يعني | |
| 18 | |
| 00:01:47,010 --> 00:01:54,950 | |
| طيب لو انا جيت قلتلك اه احمد تفضل اعمل subclass | |
| 19 | |
| 00:01:54,950 --> 00:02:00,410 | |
| بناء على role معين او subset طيب لو .. لو انا جيت | |
| 20 | |
| 00:02:00,410 --> 00:02:09,330 | |
| قلتلكوا عند الان قرصة كتب مجموعة كتب و بدنا نصنفها | |
| 21 | |
| 00:02:15,120 --> 00:02:19,440 | |
| إيش اسمك؟ إبراهيم إبراهيم أنا عارف تعمل تسألك | |
| 22 | |
| 00:02:19,440 --> 00:02:26,500 | |
| سنوار حسب إيش بدي أصنفها؟ ليش يا إبراهيم سألتي | |
| 23 | |
| 00:02:26,500 --> 00:02:32,420 | |
| السؤال هذا؟ عشان أنا أقدر؟ طب إيش اللي بدك يامني | |
| 24 | |
| 00:02:32,420 --> 00:02:36,480 | |
| يا إبراهيم عشان تقدر تصنفها؟ | |
| 25 | |
| 00:02:36,480 --> 00:02:39,660 | |
| هو هو إنت صرت إبراهيم الآن؟ أيوة إيش اللي بدك | |
| 26 | |
| 00:02:39,660 --> 00:02:42,960 | |
| يامني عشان تقدر تصنفها؟ حق تقدر تحصرلي شغلات؟ | |
| 27 | |
| 00:02:45,760 --> 00:02:50,560 | |
| معلومات .. معلومات .. معلومات عن إيش؟ معلومات عن | |
| 28 | |
| 00:02:50,560 --> 00:02:54,680 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 29 | |
| 00:02:54,680 --> 00:02:55,440 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 30 | |
| 00:02:55,440 --> 00:02:56,680 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 31 | |
| 00:02:56,680 --> 00:02:56,920 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 32 | |
| 00:02:56,920 --> 00:02:58,800 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 33 | |
| 00:02:58,800 --> 00:03:00,320 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 34 | |
| 00:03:00,320 --> 00:03:02,840 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 35 | |
| 00:03:02,840 --> 00:03:07,340 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن | |
| 36 | |
| 00:03:07,340 --> 00:03:10,880 | |
| أستراليا .. معلومات عن أستراليا .. معلومات عن أست | |
| 37 | |
| 00:03:12,100 --> 00:03:16,820 | |
| تمام؟ كان كله بيتكلم على clustering أو grouping | |
| 38 | |
| 00:03:16,820 --> 00:03:21,720 | |
| لأن كلكوا بتتكلموا لمجموعات أصنفهم لمجموعات أصنفهم | |
| 39 | |
| 00:03:21,720 --> 00:03:27,360 | |
| لمجموعات مش هيك اصنفهم يعني في عندي predefined | |
| 40 | |
| 00:03:27,360 --> 00:03:32,220 | |
| setsفي عندي مجموعات معروفة مسبقًا والمجموعات هذه | |
| 41 | |
| 00:03:32,220 --> 00:03:38,060 | |
| إلها عنوين وانت دورك تشوف هل العنصر هذا بيتواءم مع | |
| 42 | |
| 00:03:38,060 --> 00:03:41,440 | |
| المجموعة هذه ولا لأ عشان تحطه تحتها بينما اللي | |
| 43 | |
| 00:03:41,440 --> 00:03:44,840 | |
| كنتوا أنتوا بتطرحوا بتقول أنا بدي أدرس الخصائص | |
| 44 | |
| 00:03:44,840 --> 00:03:50,630 | |
| المشتركة بين الكتب و أجسمهم لمجموعاتهذا بيسميه | |
| 45 | |
| 00:03:50,630 --> 00:03:52,510 | |
| احنا في ال data science أو في ال data mining | |
| 46 | |
| 00:03:52,510 --> 00:03:57,230 | |
| clustering يا تامر بيسميه clustering أو grouping | |
| 47 | |
| 00:03:57,230 --> 00:04:04,370 | |
| بينما للتصنيف انا بقاعد فيه عندي مجموعات معرفة | |
| 48 | |
| 00:04:04,370 --> 00:04:08,350 | |
| مسبقا predefined | |
| 49 | |
| 00:04:08,350 --> 00:04:14,870 | |
| groups ممكن | |
| 50 | |
| 00:04:14,870 --> 00:04:18,680 | |
| يكونوا أقل شيء لازم يكونوا تنتينأجلش لازم يكونوا | |
| 51 | |
| 00:04:18,680 --> 00:04:23,600 | |
| مجموعتين و بعد هي كان بيجي دوري أنا بشوف كل object | |
| 52 | |
| 00:04:23,600 --> 00:04:26,780 | |
| في ال data set اللي عندي أو كل object في الكتب | |
| 53 | |
| 00:04:26,780 --> 00:04:33,440 | |
| اللي عندي بيندرج تحت أي مصنف تحت أي عنوان من | |
| 54 | |
| 00:04:33,440 --> 00:04:37,020 | |
| المجموعات هذه لو أنا اجيت قلتلك يا همام الكتب اللي | |
| 55 | |
| 00:04:37,020 --> 00:04:43,400 | |
| عندي انا اما science او politics او financial او | |
| 56 | |
| 00:04:43,400 --> 00:04:45,020 | |
| literature أدب | |
| 57 | |
| 00:04:47,290 --> 00:04:54,550 | |
| اقتصاد، سياسة، علوم، شوبك تساوي وعندك مزالة مجموعة | |
| 58 | |
| 00:04:54,550 --> 00:04:59,950 | |
| الكتب مثل ما هي مكدسة قدامي، شو هتعمل؟ كيف؟ ماشي، | |
| 59 | |
| 00:04:59,950 --> 00:05:09,560 | |
| هتفرزهم الآن، شو هتساوي؟ هتمسك كل كتاب؟ كملعلى | |
| 60 | |
| 00:05:09,560 --> 00:05:12,820 | |
| الأقل أعرف الموضوع اللي بيتكلم فيه الكتاب يعني | |
| 61 | |
| 00:05:12,820 --> 00:05:18,400 | |
| مثلا كتاب بتتكلم عن الاحتلال الانجليزي لشرق آسيا | |
| 62 | |
| 00:05:18,400 --> 00:05:26,760 | |
| مثلا بتصنف سياسة ولا تاريخ literature حسب الكتاب | |
| 63 | |
| 00:05:26,760 --> 00:05:30,500 | |
| عن إيش بتتكلم هل بتتكلم مثلا رؤية سياسية ولا | |
| 64 | |
| 00:05:30,500 --> 00:05:34,480 | |
| بتتكلم مجرد سرد تاريخي للموضوع الاحتلال على | |
| 65 | |
| 00:05:34,480 --> 00:05:37,620 | |
| التاريخ جيت وجيت والله كتاب بتتكلم على ال second | |
| 66 | |
| 00:05:37,620 --> 00:05:38,240 | |
| derivative | |
| 67 | |
| 00:05:41,020 --> 00:05:45,180 | |
| Science، لجيت كتاب بتتكلم عن الـ poems أو الشعر، | |
| 68 | |
| 00:05:45,180 --> 00:05:48,800 | |
| literature، مظبوط؟ هيك صار في عندي أنا الآن | |
| 69 | |
| 00:05:48,800 --> 00:05:52,860 | |
| باستخدم الـ knowledge تبعتي، تمام؟ و معرفتي | |
| 70 | |
| 00:05:52,860 --> 00:05:58,370 | |
| بالمجموعات السابقةبالمجموعات السابقة اللى موجودة | |
| 71 | |
| 00:05:58,370 --> 00:06:02,010 | |
| عندى و بروح ايش بصير اخد كل كتاب او كل object | |
| 72 | |
| 00:06:02,010 --> 00:06:06,230 | |
| بقارن الخصائص طبعته او بحاول اطلع اعرف عناش بتكلم | |
| 73 | |
| 00:06:06,230 --> 00:06:10,910 | |
| الكتاب هذا و بروح بصنفه لوحده بحطه تحت مجموعة او | |
| 74 | |
| 00:06:10,910 --> 00:06:16,170 | |
| تحت اي مجموعة من العناصر اللى موجودةعامة تمام | |
| 75 | |
| 00:06:16,170 --> 00:06:22,010 | |
| فمعناته ال classification هي عضوية المجموعات | |
| 76 | |
| 00:06:22,010 --> 00:06:25,950 | |
| predefined group مجموعات معروفة مسبقا و بدي احدد | |
| 77 | |
| 00:06:25,950 --> 00:06:31,030 | |
| مين العناصر تمام اللي ممكن يكونوا تحت المجموعة | |
| 78 | |
| 00:06:31,030 --> 00:06:36,970 | |
| اللي عندها الان بيفرج عن التقسيم او ال clustering | |
| 79 | |
| 00:06:36,970 --> 00:06:42,840 | |
| لو قلت الشباب انا بدي اجسمكوا لمجموعات تمامشغلات | |
| 80 | |
| 00:06:42,840 --> 00:06:45,480 | |
| كتيرة ممكن تكون مشتركة أو شغلات كتيرة ممكن تكون | |
| 81 | |
| 00:06:45,480 --> 00:06:49,840 | |
| مختلفة بينكوا عشان لو روحت أنا قلت بتجسمكوا تبع ال | |
| 82 | |
| 00:06:49,840 --> 00:06:56,300 | |
| .. سنة الميلاد تمام؟ لاحظ أنا في كل الكلام اللي | |
| 83 | |
| 00:06:56,300 --> 00:07:02,620 | |
| أنا بقوله ماليش أي control على .. على عدد | |
| 84 | |
| 00:07:02,620 --> 00:07:05,760 | |
| المجموعات بينما في ال cluster .. في ال | |
| 85 | |
| 00:07:05,760 --> 00:07:11,400 | |
| classification عدد المجموعاتطبعا بدي أجسمكوا تبعا | |
| 86 | |
| 00:07:11,400 --> 00:07:16,100 | |
| لتاريخ ميلادكوا لسنة الميلاد كل ناس مولودين في سنة | |
| 87 | |
| 00:07:16,100 --> 00:07:20,840 | |
| هدولة بيكونوا مجموعة لحالهم طب لجيت واحد بحاله أه | |
| 88 | |
| 00:07:20,840 --> 00:07:28,040 | |
| هدا بدوني أعمل مجموعة ماعنديش مشكلة في الموضوع لأ | |
| 89 | |
| 00:07:28,040 --> 00:07:34,940 | |
| ممكن أسخر ال cluster لخدمة ال classificationممكن | |
| 90 | |
| 00:07:34,940 --> 00:07:39,240 | |
| أسخر ال clustering لخدمة ال classification وهذا | |
| 91 | |
| 00:07:39,240 --> 00:07:43,240 | |
| نسميه عادة semi supervised learning ان انا فعليا | |
| 92 | |
| 00:07:43,240 --> 00:07:47,480 | |
| عندي بعض ال data بعض ال data labelled و بعض ال | |
| 93 | |
| 00:07:47,480 --> 00:07:51,560 | |
| data .. و كم كبير من ال data unlabeled فبروح | |
| 94 | |
| 00:07:51,560 --> 00:07:56,580 | |
| بجسمهم لاربع مجموعات حسب معرفتي من هناو بطلع في كل | |
| 95 | |
| 00:07:56,580 --> 00:08:00,560 | |
| cluster كل مجموعة ايش الاكثر عناصر من ال الهم | |
| 96 | |
| 00:08:00,560 --> 00:08:03,600 | |
| label و بسميه بطلق عليه و بخلي ال bag كله ماشي | |
| 97 | |
| 00:08:03,600 --> 00:08:08,260 | |
| يحملوا نفس الصفة اجيت اقول بدي اصنفكوا تبعا | |
| 98 | |
| 00:08:08,260 --> 00:08:09,560 | |
| لمعدلاتكوا | |
| 99 | |
| 00:08:12,460 --> 00:08:15,200 | |
| واحد يقول يا دكتور ما هو معروف المعدلات تسعين وفوق | |
| 100 | |
| 00:08:15,200 --> 00:08:22,200 | |
| من تمانين لتسعين okay بس لاحظ أنا ما اتكلمت على كل | |
| 101 | |
| 00:08:22,200 --> 00:08:26,000 | |
| اسم مجموعة المجموعات هذه مالهاش أسامي مش معرفة | |
| 102 | |
| 00:08:26,000 --> 00:08:31,280 | |
| بالنسبة لي مسبقا تبع الأوزانكوا الأطوالكوا تمام كل | |
| 103 | |
| 00:08:31,280 --> 00:08:34,740 | |
| الشغلات هذه عاملا جاعة بتتكلم على مجموعاتعلى | |
| 104 | |
| 00:08:34,740 --> 00:08:38,720 | |
| مجموعات و بعد هيك بنصير اما بحدد الخاصية و بشغل او | |
| 105 | |
| 00:08:38,720 --> 00:08:42,440 | |
| بروح بقول لشبابنا نجسم لمجموعتين لتلت مجموعات و | |
| 106 | |
| 00:08:42,440 --> 00:08:45,860 | |
| بصير ادور على ال common properties اللي تجمعكم مع | |
| 107 | |
| 00:08:45,860 --> 00:08:51,860 | |
| بعض لكن ايش الصفر السمة السائدة لكل مجموعة نعرفش | |
| 108 | |
| 00:08:51,860 --> 00:08:55,580 | |
| لاحقا بدنا نصير نفكر ندور بعنوان بينما بال | |
| 109 | |
| 00:08:55,580 --> 00:08:59,340 | |
| classification انا عندى التصنيفات موجودة عندى | |
| 110 | |
| 00:08:59,340 --> 00:09:05,320 | |
| مستويات الطلاب موجودة ممتاز جيد جدا جيدمقبول؟ هذه | |
| 111 | |
| 00:09:05,320 --> 00:09:08,920 | |
| التصنيفات اللي موجودة في عند الآن درجة الرطوبة إما | |
| 112 | |
| 00:09:08,920 --> 00:09:13,960 | |
| هتكون عالية أو متوسطة أو منخفضة الجو إما هيكون | |
| 113 | |
| 00:09:13,960 --> 00:09:18,860 | |
| غائم أو غائم جزئيا أو صافي تمام؟ اليوم إما هيكون | |
| 114 | |
| 00:09:18,860 --> 00:09:22,420 | |
| ماطر أو هيكون غير ماطر هذه المعلومات أو هذه ال | |
| 115 | |
| 00:09:22,420 --> 00:09:22,860 | |
| categories | |
| 116 | |
| 00:09:29,580 --> 00:09:33,860 | |
| بتكلم على category كمجموعات إلها صفات مشتركة محددة | |
| 117 | |
| 00:09:33,860 --> 00:09:38,040 | |
| وواضحة وإلها اسم فهنا احنا بنتكلم على تصنيف | |
| 118 | |
| 00:09:38,040 --> 00:09:43,860 | |
| classification إيش اللي احنا بنتعلمه في ال chapter | |
| 119 | |
| 00:09:43,860 --> 00:09:44,380 | |
| هذا؟ | |
| 120 | |
| 00:10:02,660 --> 00:10:06,840 | |
| إيش بتتوجه إن احنا نتعلم في ال chapter هذا الآن؟ | |
| 121 | |
| 00:10:06,840 --> 00:10:18,980 | |
| كيف أقدر أعرف المجموعات؟ مش صحيح، أيوة أتعرف | |
| 122 | |
| 00:10:18,980 --> 00:10:24,340 | |
| على التقنيات اللي تستخدم في التصنيف غيره، طبعا هذا | |
| 123 | |
| 00:10:24,340 --> 00:10:29,700 | |
| حتكلم شغل مكتبات أو شغل ناس شغالة في المجال، غير، | |
| 124 | |
| 00:10:29,700 --> 00:10:34,050 | |
| أه حسنأيش بتتوقع أن ابدا أتعلم الفصل هذا أو | |
| 125 | |
| 00:10:34,050 --> 00:10:38,450 | |
| الشابتر هذا؟ | |
| 126 | |
| 00:10:38,450 --> 00:10:44,170 | |
| كيف المكتبات بتعمل؟ ايش المبدأ اللي بتشتغل عليه؟ | |
| 127 | |
| 00:10:44,170 --> 00:10:48,470 | |
| اه أحمد ايش ممكن أتوقع أن أتعلم الفصل هذا الشابتر | |
| 128 | |
| 00:10:48,470 --> 00:10:52,430 | |
| هذا؟ على أي أساس أصنف؟ | |
| 129 | |
| 00:10:56,620 --> 00:11:00,240 | |
| أديب الشغلات المشتركة بين الـ instances أو الـ | |
| 130 | |
| 00:11:00,240 --> 00:11:07,980 | |
| object عشان أقدر أصنفها أقدر أفرج بين إيش؟ بين ال | |
| 131 | |
| 00:11:07,980 --> 00:11:13,180 | |
| objects أو بين جثين أتعرف على الخصائص تبعت كل | |
| 132 | |
| 00:11:13,180 --> 00:11:19,480 | |
| مجموعة عشان أقدر أحدد لـ new objects أو الـ unseen | |
| 133 | |
| 00:11:19,480 --> 00:11:23,900 | |
| samples بتنتمي لأي مجموعة بس فعليا مش أنا اللي | |
| 134 | |
| 00:11:23,900 --> 00:11:29,680 | |
| هشتغلالـ Machine الفكرة الآن لما نتكلم على | |
| 135 | |
| 00:11:29,680 --> 00:11:32,560 | |
| Classification هنبدأ نتكلم على Machine Learning | |
| 136 | |
| 00:11:32,560 --> 00:11:37,160 | |
| Algorithm هنبدأ نتكلم على تعلم الآلة أو تعلم .. | |
| 137 | |
| 00:11:37,160 --> 00:11:40,840 | |
| تعلم الآلة كيف الآلة بتدور على ال characteristics | |
| 138 | |
| 00:11:40,840 --> 00:11:45,320 | |
| المشتركة لكل مجموعة الآن بما أن ال classification | |
| 139 | |
| 00:11:45,320 --> 00:11:50,380 | |
| هي واحدة من supervised learning method احنا كنا | |
| 140 | |
| 00:11:50,380 --> 00:11:54,300 | |
| حكينا المرة الماضية ال data mining tasks نوعين | |
| 141 | |
| 00:11:55,310 --> 00:11:59,690 | |
| Predictive وDescriptive في الـ Predictive قلت أنا | |
| 142 | |
| 00:11:59,690 --> 00:12:03,430 | |
| فيه Classification وبدى اتنبأ بكاتجورى بدى اتنبأ | |
| 143 | |
| 00:12:03,430 --> 00:12:07,310 | |
| بال Target Label تبع المجموعة وفي عند Regression | |
| 144 | |
| 00:12:07,310 --> 00:12:11,490 | |
| بدى اتنبأ بcontinuous value بصبح وقلنا في ال | |
| 145 | |
| 00:12:11,490 --> 00:12:15,670 | |
| Descriptive في الوصفية اما بتكلم على Clustering | |
| 146 | |
| 00:12:15,670 --> 00:12:20,770 | |
| تقسيم لمجموعات او Outlayer Detection تحديد الشوان | |
| 147 | |
| 00:12:20,770 --> 00:12:27,070 | |
| او ال Association Rulesتحديد الإطباع ما بين | |
| 148 | |
| 00:12:27,070 --> 00:12:34,350 | |
| العناصر اللي موجودة الآن ضمن الكلام هذا أنا هتعرف | |
| 149 | |
| 00:12:34,350 --> 00:12:37,630 | |
| على مجموعة من الـ algorithms والقاليات اللي | |
| 150 | |
| 00:12:37,630 --> 00:12:45,450 | |
| بتستخدمها من أجل استنباط خصائص المجموعات المعرفة | |
| 151 | |
| 00:12:45,450 --> 00:12:51,390 | |
| مسبقا اللي موجودة عندى في ال data ومن ثم لما بدي | |
| 152 | |
| 00:12:51,390 --> 00:12:55,000 | |
| أجي أعمل predictionبدي تديني ال prediction أو بدي | |
| 153 | |
| 00:12:55,000 --> 00:12:58,740 | |
| تديني ال category أو ال group أو اسم المجموعة اللي | |
| 154 | |
| 00:12:58,740 --> 00:13:01,540 | |
| بينتمي إليها ال object الجديد هذا اللي هو ال | |
| 155 | |
| 00:13:01,540 --> 00:13:06,640 | |
| unseen object أو unseen instance يعني فعليا أنا | |
| 156 | |
| 00:13:06,640 --> 00:13:09,840 | |
| بدي أشوف الآلة كيف اللي بتتعلم طب أنا وين في | |
| 157 | |
| 00:13:09,840 --> 00:13:14,400 | |
| الموضوع انت دورك جهزت البيانات بدك تختار algorithm | |
| 158 | |
| 00:13:14,400 --> 00:13:18,100 | |
| كويس وتقول لل algorithm اقرأ البيانات وتعلم منها | |
| 159 | |
| 00:13:18,100 --> 00:13:23,160 | |
| تعمله evaluation قبل ما تقول أنا صار فيه عندىموديل | |
| 160 | |
| 00:13:23,160 --> 00:13:26,280 | |
| بيقدر يعمل prediction لل category أو لل class اللي | |
| 161 | |
| 00:13:26,280 --> 00:13:34,320 | |
| موجود عندها ال classification | |
| 162 | |
| 00:13:34,320 --> 00:13:39,020 | |
| هي | |
| 163 | |
| 00:13:39,020 --> 00:13:41,840 | |
| واحدة من ال mining task او ال data mining task | |
| 164 | |
| 00:13:41,840 --> 00:13:46,140 | |
| التقليدية ال task يعني من اهم او من اكثر ال task | |
| 165 | |
| 00:13:46,140 --> 00:13:52,520 | |
| شهرة ل classification وطبعاممتدة أساسا بالـ | |
| 166 | |
| 00:13:52,520 --> 00:13:55,060 | |
| Machine Learning عادة الـ Machine Learning | |
| 167 | |
| 00:13:55,060 --> 00:13:58,880 | |
| Algorithm الشباب بشكل عام أو التقنيات بتشتغل ضمن | |
| 168 | |
| 00:13:58,880 --> 00:14:04,860 | |
| منهجيات معينة الأولى أنه فعليا هل الـ Machine | |
| 169 | |
| 00:14:04,860 --> 00:14:08,940 | |
| Learning هذه تتدرب أو تعلم من خلال الـ Human | |
| 170 | |
| 00:14:08,940 --> 00:14:15,200 | |
| Supervision من خلال مراقبة الإنسانأو إشراف الإنسان | |
| 171 | |
| 00:14:15,200 --> 00:14:19,280 | |
| الفكرة كالتالي بينفعش أنا أروح أقول للطلاب في | |
| 172 | |
| 00:14:19,280 --> 00:14:23,900 | |
| المدرسة هذه مجموعة الكتب بروح أدخله في الصف الآن | |
| 173 | |
| 00:14:23,900 --> 00:14:27,660 | |
| من العشرة للاحد عشر عليكوا عربي أدرس كتاب العربي | |
| 174 | |
| 00:14:27,660 --> 00:14:35,260 | |
| بدون ما يكون عندهم مدرس، بينفع؟ ليش؟ طبيعي الإنسان | |
| 175 | |
| 00:14:35,260 --> 00:14:38,140 | |
| إنه هيميل إنه إيش؟ مدونش يدرس، هيقعد يلعب يتحدث | |
| 176 | |
| 00:14:38,140 --> 00:14:41,080 | |
| ويجار وكذا أثناء إحتياجات بيكون المدرس موجود | |
| 177 | |
| 00:14:41,080 --> 00:14:45,750 | |
| والتاني يحطي الرسم في بعض ويتحدثوافالآن المراقبة | |
| 178 | |
| 00:14:45,750 --> 00:14:49,370 | |
| هي ضرورية من أجل ضبط عملية التعلم بس الآلة ما | |
| 179 | |
| 00:14:49,370 --> 00:14:54,270 | |
| عندهاش شعور وبتملش يعني مش شغلة وبالتالي هتدرس لأ | |
| 180 | |
| 00:14:54,270 --> 00:14:58,450 | |
| المفهوم الـ Supervision هان شو علاقة الإنسان في | |
| 181 | |
| 00:14:58,450 --> 00:15:02,350 | |
| تحديد البيانات اللي موجودة إذا أنا كانت ال data | |
| 182 | |
| 00:15:02,350 --> 00:15:07,410 | |
| اللي موجودة عندى عبق .. حطيتلها target وحطيتلها | |
| 183 | |
| 00:15:07,410 --> 00:15:13,430 | |
| label حددت الفئات تبع كل instance معاه شو بتكلم | |
| 184 | |
| 00:15:13,430 --> 00:15:19,480 | |
| عليه؟supervised learning في عندي الـ unsupervised | |
| 185 | |
| 00:15:19,480 --> 00:15:22,900 | |
| غير مراقب و أنا بقوله جسم لمجموعات تلاتة اربعة | |
| 186 | |
| 00:15:22,900 --> 00:15:26,780 | |
| خمسة عشرة عشرين بس ال system لحاله بيشتغل semi | |
| 187 | |
| 00:15:26,780 --> 00:15:29,780 | |
| supervised و هو عبارة عن combination بين التنين | |
| 188 | |
| 00:15:29,780 --> 00:15:35,400 | |
| هدول reinforcement learning اللي هو إعادة التعلم | |
| 189 | |
| 00:15:35,400 --> 00:15:41,000 | |
| بالضغط أو بالقوة و هنا بيقبل زي مبدأ الثواب و | |
| 190 | |
| 00:15:41,000 --> 00:15:45,610 | |
| العقابعلى ال algorithm اللي شغال في حد فيكوا لعب | |
| 191 | |
| 00:15:45,610 --> 00:15:51,450 | |
| سوبر ماريو كلكوا لعبتوها كويس عمرك اتفرجت على ال | |
| 192 | |
| 00:15:51,450 --> 00:15:55,930 | |
| system هو بيلعب يعني تخليه تفتح ال super mario | |
| 193 | |
| 00:15:55,930 --> 00:15:58,470 | |
| تقوله tutorial و تخلي ال system هو اللي يلعب مش | |
| 194 | |
| 00:15:58,470 --> 00:16:03,550 | |
| video نفس النفس حكاية لعبك بس ممكن هو يشتغلك تشطر | |
| 195 | |
| 00:16:03,550 --> 00:16:07,550 | |
| منكالفكرة وين؟ كانت في ال .. ليش جبتيلك ال super | |
| 196 | |
| 00:16:07,550 --> 00:16:10,150 | |
| mario بالتحديد يا جماعة الخير؟ لأن ال concept بسيط | |
| 197 | |
| 00:16:10,150 --> 00:16:12,930 | |
| جدا ممكن تستوعبهان، الآن لما كانوا في لعبة ال | |
| 198 | |
| 00:16:12,930 --> 00:16:16,410 | |
| super mario بياكلوا الفطر، إيش بيصير في ال | |
| 199 | |
| 00:16:16,410 --> 00:16:21,150 | |
| character تبعك؟بتطور، بيكبر، بيتضخم، مظبوط؟ وكل | |
| 200 | |
| 00:16:21,150 --> 00:16:25,890 | |
| تطور أو كل مشروم أو كل فطر بياكله تمام؟ كان بنجيه | |
| 201 | |
| 00:16:25,890 --> 00:16:30,290 | |
| من موت محقق عند وين؟ عندما .. لما بدرب في .. في | |
| 202 | |
| 00:16:30,290 --> 00:16:34,510 | |
| سلحفة أو بجع في جورة أو بدرب في صبار، مظبوط؟ الآن | |
| 203 | |
| 00:16:34,510 --> 00:16:38,170 | |
| هذه الحالات، كل هذه الحالات مميتةفكان كل ما هو | |
| 204 | |
| 00:16:38,170 --> 00:16:42,470 | |
| بيحصل فطر أكبر كان بيحصل عدد مرات من النجاة أكبر | |
| 205 | |
| 00:16:42,470 --> 00:16:47,150 | |
| وكل ما بيصطدم في سلحفا أو بيقعد .. بيسقط في جورة | |
| 206 | |
| 00:16:47,150 --> 00:16:56,570 | |
| أو بخبط في صبار بغلت وبالتالي إذا أنت اشتغلت بزيد | |
| 207 | |
| 00:16:56,570 --> 00:17:01,470 | |
| ال rank بزيد الفرصة تبعتك وإذا أنت اشتغلت بالعكس | |
| 208 | |
| 00:17:01,470 --> 00:17:06,590 | |
| وماتصرفتش بلباقة أو بطريقة جيدةهتصل لمرحلة نقول لك | |
| 209 | |
| 00:17:06,590 --> 00:17:11,150 | |
| خلاص مضال الكاش فرصة عيد اللعبة من تاني، مظبوط؟ | |
| 210 | |
| 00:17:11,150 --> 00:17:14,090 | |
| هذا مبدأ ال reinforcement learning اللي فعليا احنا | |
| 211 | |
| 00:17:14,090 --> 00:17:18,590 | |
| ممكن نطبقه بس مش اختصاصنا احنا فعليا الفصل هذا في | |
| 212 | |
| 00:17:18,590 --> 00:17:23,410 | |
| ال data mining بس شغالين شويهان و شويهان كذلك ال | |
| 213 | |
| 00:17:23,410 --> 00:17:28,590 | |
| machine learning تقسمالـ Algorithm تبعتها هل عملية | |
| 214 | |
| 00:17:28,590 --> 00:17:32,550 | |
| التعليم هتصير incrementally on a fly؟ يعني بين | |
| 215 | |
| 00:17:32,550 --> 00:17:37,330 | |
| قصين وانا قاعد بأتمرن أو عفوا وانا قاعد بأشتغل | |
| 216 | |
| 00:17:37,330 --> 00:17:41,450 | |
| فعليا هل هكتسب تجارب جديدة أضيفها لل knowledge | |
| 217 | |
| 00:17:41,450 --> 00:17:45,770 | |
| تبعتي؟ إذا هذا الكلام كان يطبق في موضوع ال machine | |
| 218 | |
| 00:17:45,770 --> 00:17:51,080 | |
| learning فاحنا بنتكلم على online learningبينما اذا | |
| 219 | |
| 00:17:51,080 --> 00:17:53,520 | |
| كنت انا و هذا اللي احنا هنشتغل عليه عنhand في ال | |
| 220 | |
| 00:17:53,520 --> 00:17:58,360 | |
| batch ال data set انا قرأتها لمرة واحدة و بنيت | |
| 221 | |
| 00:17:58,360 --> 00:18:02,180 | |
| عليها model و ال model هذا وضلت اطبق فيه بدون | |
| 222 | |
| 00:18:02,180 --> 00:18:05,560 | |
| الاستفادة من ال prediction الجديدة فده بنسمي احنا | |
| 223 | |
| 00:18:05,560 --> 00:18:10,260 | |
| batch learning كذلك في عندي ال trend في ال machine | |
| 224 | |
| 00:18:10,260 --> 00:18:14,240 | |
| learning هل هي model based ولا instance based | |
| 225 | |
| 00:18:14,240 --> 00:18:19,860 | |
| model based يعني هيروح يبني model هيروح يبنيموديل | |
| 226 | |
| 00:18:19,860 --> 00:18:24,680 | |
| هو اللي بديه يعمل prediction لاحقا بينما بال | |
| 227 | |
| 00:18:24,680 --> 00:18:28,700 | |
| instance based في كل مرة بديه يعمل prediction بديه | |
| 228 | |
| 00:18:28,700 --> 00:18:34,620 | |
| يرجع لل data 6 الأصلية و طبعا هدول الشغلتين لكل | |
| 229 | |
| 00:18:34,620 --> 00:18:39,480 | |
| واحدة فيه إيجابياتها و إليها سليبياتها كذلك في | |
| 230 | |
| 00:18:39,480 --> 00:18:43,040 | |
| trend آخر فيه deterministic و فيه probabilistic | |
| 231 | |
| 00:18:43,040 --> 00:18:47,390 | |
| approachفي الـ learning في الـ deterministic اللي | |
| 232 | |
| 00:18:47,390 --> 00:18:51,610 | |
| هو الدقيق أو الموحد انه ال algorithm هذا مع ال | |
| 233 | |
| 00:18:51,610 --> 00:18:56,370 | |
| input هذا لو عدته خمس تلاف مرة لو عدته مليون مرة | |
| 234 | |
| 00:18:56,370 --> 00:19:01,070 | |
| هيديني نفس النتيجة محدد بينما في ال probabilistic | |
| 235 | |
| 00:19:01,070 --> 00:19:04,310 | |
| طبعا في ال deterministic مافيش عندي مجلة | |
| 236 | |
| 00:19:04,310 --> 00:19:09,240 | |
| randomness مافيش مجلة عشوائية كله شغال ضمنقيم | |
| 237 | |
| 00:19:09,240 --> 00:19:12,580 | |
| حقيقية موجودة بين إيدينا بينما في الـ | |
| 238 | |
| 00:19:12,580 --> 00:19:15,720 | |
| Probabilistic Approach بيعتمد على الـ Randomness | |
| 239 | |
| 00:19:15,720 --> 00:19:18,660 | |
| لأنه بياخد Sample من ال population و بيصير .. ممكن | |
| 240 | |
| 00:19:18,660 --> 00:19:23,180 | |
| نزقر .. عفوا النتيجة تتغير ما بين كرن و التاني | |
| 241 | |
| 00:19:23,180 --> 00:19:26,200 | |
| بشكل | |
| 242 | |
| 00:19:26,200 --> 00:19:28,880 | |
| عام احنا بنتكلم على ال supervised learning و | |
| 243 | |
| 00:19:28,880 --> 00:19:34,050 | |
| بالتحديد ال classificationالان super vision زي ما | |
| 244 | |
| 00:19:34,050 --> 00:19:37,870 | |
| قلنا سابقا training data ال data set اللي انا | |
| 245 | |
| 00:19:37,870 --> 00:19:49,150 | |
| اخترتها بتتكلم عن ال heart disease ال | |
| 246 | |
| 00:19:49,150 --> 00:19:55,090 | |
| body mass index ال blocked artery تصلب الشرايين | |
| 247 | |
| 00:19:55,090 --> 00:20:04,810 | |
| قلم في الصدر و في الآخرالتصنيع التبعي هل هذا heart | |
| 248 | |
| 00:20:04,810 --> 00:20:11,790 | |
| disease هل هذا مرض قلب مرض قلب ولا لأ yes و no ال | |
| 249 | |
| 00:20:11,790 --> 00:20:18,030 | |
| data set في جو زي اليوم بتكلم الجو غائم ال outlook | |
| 250 | |
| 00:20:18,030 --> 00:20:24,790 | |
| cloudy ال temperature عشرة مثلا او اتناشر ال | |
| 251 | |
| 00:20:24,790 --> 00:20:32,600 | |
| humidityIntermediate متوسطة الـ Windy فيه رياح بدي | |
| 252 | |
| 00:20:32,600 --> 00:20:38,720 | |
| أعمل هل اليوم ماطر أو لأ ك category كفئة لاحظ أنا | |
| 253 | |
| 00:20:38,720 --> 00:20:43,400 | |
| الآن بتكلم هذه ال label تبعتي هي ال target هي ال | |
| 254 | |
| 00:20:43,400 --> 00:20:47,140 | |
| group الـ predefined group إما هدول ال instances | |
| 255 | |
| 00:20:47,140 --> 00:20:52,320 | |
| ال data set مقسمين لمجموعتين ناس مصابين أمراض | |
| 256 | |
| 00:20:52,320 --> 00:20:58,190 | |
| القلب و ناس غير مصابةالجو أيام ماطرة و أيام غير | |
| 257 | |
| 00:20:58,190 --> 00:21:03,210 | |
| ماطرة تصنيفات الطلاب جيد جدا او ممتاز جيد جدا جيد | |
| 258 | |
| 00:21:03,210 --> 00:21:07,210 | |
| مقبولة هذه التصنيفات الموجودة معروفة مسبقا وهذه | |
| 259 | |
| 00:21:07,210 --> 00:21:11,770 | |
| هتكون موجودة عندهان فلل training set هذه لازم تكون | |
| 260 | |
| 00:21:11,770 --> 00:21:16,530 | |
| عاملة combination ما بين ال attributes اللي عندي | |
| 261 | |
| 00:21:16,530 --> 00:21:20,310 | |
| بالاضافة | |
| 262 | |
| 00:21:21,330 --> 00:21:25,310 | |
| الـ groups او الـ predefined groups يعني بين جثين | |
| 263 | |
| 00:21:25,310 --> 00:21:34,190 | |
| محددله بشكل دقيق كل raw بيتبع اي مجموعة تمام؟ كل | |
| 264 | |
| 00:21:34,190 --> 00:21:39,870 | |
| raw بيتبع اي مجموعة و عادة هذه بنسميها احنا | |
| 265 | |
| 00:21:39,870 --> 00:21:45,990 | |
| training data training data فال classification هي | |
| 266 | |
| 00:21:45,990 --> 00:21:53,400 | |
| مهمتها تعمل predict categorialclass label تتنبأ | |
| 267 | |
| 00:21:53,400 --> 00:21:59,360 | |
| بالفئة باسم الفئة تبعتنين؟ تبعت المجموعات لل | |
| 268 | |
| 00:21:59,360 --> 00:22:03,160 | |
| unseen data طبعا ال class label هذا إما بيكون | |
| 269 | |
| 00:22:03,160 --> 00:22:10,460 | |
| discrete أو بيكون nominal شو يعني nominal data؟ | |
| 270 | |
| 00:22:10,460 --> 00:22:15,620 | |
| text .. text .. text .. تمام؟ طب شو يعني discrete | |
| 271 | |
| 00:22:15,620 --> 00:22:20,450 | |
| data؟قيم منفصل عن بعضها هي فعلياً وظاهرها | |
| 272 | |
| 00:22:20,450 --> 00:22:24,690 | |
| continuous عشر، عشرين، تلاتين تمام؟ ولمّا بتروح | |
| 273 | |
| 00:22:24,690 --> 00:22:27,630 | |
| يعمل ال prediction هو بتقول أما عشرة أو عشرين أو | |
| 274 | |
| 00:22:27,630 --> 00:22:30,570 | |
| تلاتين مالهاش علاقة بالأرقام أو العلاقة بالحساب | |
| 275 | |
| 00:22:30,570 --> 00:22:36,670 | |
| مطلقاً الآن ففي | |
| 276 | |
| 00:22:36,670 --> 00:22:39,570 | |
| ال classification هيبني prediction model عشان | |
| 277 | |
| 00:22:39,570 --> 00:22:43,410 | |
| يتنبأ بال discrete values اللي موجودة عندها تعالى | |
| 278 | |
| 00:22:43,410 --> 00:22:49,530 | |
| نشوف الصورة هايأو بلاش، قبل ما نروح على الصورة هاي | |
| 279 | |
| 00:22:49,530 --> 00:22:53,010 | |
| عشان انا بقى أظل أقول Model Model Model Model شو | |
| 280 | |
| 00:22:53,010 --> 00:23:06,790 | |
| يعني Model؟ نموذج نموذج، تمام وشو | |
| 281 | |
| 00:23:06,790 --> 00:23:11,250 | |
| يعني نموذج؟ تصور، تصور، تصور، تصور، تصور، تصور، | |
| 282 | |
| 00:23:11,250 --> 00:23:13,250 | |
| تصور، تصور، تصور، تصور، تصور، تصور، تصور، تصور، | |
| 283 | |
| 00:23:13,250 --> 00:23:13,750 | |
| تصور، تصور، تصور، تصور، تصور، تصور، تصور، تصور، | |
| 284 | |
| 00:23:13,750 --> 00:23:16,030 | |
| تصور، تصور | |
| 285 | |
| 00:23:18,130 --> 00:23:22,990 | |
| صورة مصغرة شوف أحمد من غاد بيقولك photo | |
| 286 | |
| 00:23:22,990 --> 00:23:26,770 | |
| description بس سيبك من ال photo و اتكلم عن ال | |
| 287 | |
| 00:23:26,770 --> 00:23:31,290 | |
| description انا بقولك صح صورة مصغرة او نموذج بلاش | |
| 288 | |
| 00:23:31,290 --> 00:23:38,410 | |
| نقول مصغر صورة توصفالنموذج أو الشكل أو ال object | |
| 289 | |
| 00:23:38,410 --> 00:23:41,730 | |
| اللي جاي عندي الآن بتروح شركة Apple على سبيل .. لأ | |
| 290 | |
| 00:23:41,730 --> 00:23:43,410 | |
| انتوا أقولكوا علاقة بما في ناس بتكون interested | |
| 291 | |
| 00:23:43,410 --> 00:23:48,310 | |
| بالسيارات تروح شركة BMW بتقولك والله إحنا في عندنا | |
| 292 | |
| 00:23:48,310 --> 00:23:53,470 | |
| ال model تبع ألفين و تلاتين من السيارة جاهز شو | |
| 293 | |
| 00:23:53,470 --> 00:23:59,130 | |
| يعني؟ مش .. لأ لأ ماتكلم ال .. ماتكلم على ال model | |
| 294 | |
| 00:23:59,130 --> 00:24:05,770 | |
| يعني ان هو في عنده تصور أو وصف دقيقلشكل السيارة، | |
| 295 | |
| 00:24:05,770 --> 00:24:08,470 | |
| إيش السيارة بديها تكون، اللي في الـ 2030 يا همام | |
| 296 | |
| 00:24:08,470 --> 00:24:12,150 | |
| ممكن prototype أو ممكن يكون عاملة prototype، بس في | |
| 297 | |
| 00:24:12,150 --> 00:24:17,710 | |
| الآخر أهم في ال prototype هذا مثلا، معارض | |
| 298 | |
| 00:24:17,710 --> 00:24:20,990 | |
| السيارات، لما بروح بيعرض في المعارض، إيش بقولك؟ | |
| 299 | |
| 00:24:20,990 --> 00:24:25,910 | |
| بقولك، هي model، تمام؟ عن السيارة، هي model عن | |
| 300 | |
| 00:24:25,910 --> 00:24:26,450 | |
| الجوال | |
| 301 | |
| 00:24:29,520 --> 00:24:34,720 | |
| sample ايش بستفيد من الـ sample هاي فعليا بشوف الـ | |
| 302 | |
| 00:24:34,720 --> 00:24:39,000 | |
| real description بشوف وصفه دقيق كيف بيكون لأ لما | |
| 303 | |
| 00:24:39,000 --> 00:24:42,700 | |
| بروح بقولك في عند ال model تبعت الجوال مكونا من او | |
| 304 | |
| 00:24:42,700 --> 00:24:47,500 | |
| هيو كده فبديك وصفه جدش حجمه جدش الكاميرا جدش وزنه | |
| 305 | |
| 00:24:47,500 --> 00:24:50,020 | |
| جدش ال processor جدش ال memory جدش ال storage | |
| 306 | |
| 00:24:50,020 --> 00:24:53,760 | |
| تبعته ايش هو التقنية المستخدمة مع ال bluetooth مع | |
| 307 | |
| 00:24:53,760 --> 00:24:57,300 | |
| ال land مع ال wireless عفوا كل الشغلات هذه بتكون | |
| 308 | |
| 00:24:57,300 --> 00:25:04,310 | |
| موصوفة وبالتالي ال modelهي عبارة عن طريقة لوصف شيء | |
| 309 | |
| 00:25:04,310 --> 00:25:07,150 | |
| معين، objects معين مرة عليكوا تشغلوا اسمها data | |
| 310 | |
| 00:25:07,150 --> 00:25:11,930 | |
| model في ال database زمان؟ الفصل الماضي يا إيهاب | |
| 311 | |
| 00:25:11,930 --> 00:25:16,970 | |
| لما اتكلمنا على ال data model و قبلها انت بتعرف | |
| 312 | |
| 00:25:16,970 --> 00:25:21,750 | |
| شوية عن ال relational model تمام؟ مصبوط؟ ففعليا | |
| 313 | |
| 00:25:21,750 --> 00:25:25,450 | |
| ليش بسميها model؟ لأنه بوصف البيانات كنت وبالتالي | |
| 314 | |
| 00:25:25,450 --> 00:25:31,710 | |
| أنا الآن ال model اللي هتكلم عليههي عبارة عن آلية | |
| 315 | |
| 00:25:31,710 --> 00:25:37,370 | |
| لوصف الـ knowledge ما تنساش ال data mining هدفها | |
| 316 | |
| 00:25:37,370 --> 00:25:42,450 | |
| knowledge | |
| 317 | |
| 00:25:42,450 --> 00:25:45,870 | |
| extraction | |
| 318 | |
| 00:25:45,870 --> 00:25:53,930 | |
| ولا لأ؟ هدف ال mining task استخراج knowledge من ال | |
| 319 | |
| 00:25:53,930 --> 00:25:56,970 | |
| data set اللي موجودة طب ال knowledge اللي طلعت هاي | |
| 320 | |
| 00:25:58,780 --> 00:26:04,060 | |
| كيف بدي أوصفها؟ كيف بدي استخدمها؟ لازم تكون ضمن | |
| 321 | |
| 00:26:04,060 --> 00:26:10,040 | |
| model معين عشان نقدراش نتكلم عليه الآن بالمثال | |
| 322 | |
| 00:26:10,040 --> 00:26:14,300 | |
| اللي موجود عندي هان في | |
| 323 | |
| 00:26:14,300 --> 00:26:18,800 | |
| عندي input raw data مجموعة من التفاح حسب الصورة | |
| 324 | |
| 00:26:18,800 --> 00:26:26,140 | |
| اللي موجودة عندي هان تمان تفاحات أحجامهم ألوانهم | |
| 325 | |
| 00:26:27,010 --> 00:26:30,190 | |
| الأوراق اللي موجودة عليهم بالإضافة للريحة والطعم | |
| 326 | |
| 00:26:30,190 --> 00:26:33,610 | |
| ريحة | |
| 327 | |
| 00:26:33,610 --> 00:26:38,890 | |
| طفاح اللي هو ريحة ولا ماله مش ريحة ممتاز لو ضليتك | |
| 328 | |
| 00:26:38,890 --> 00:26:41,630 | |
| ساكتكم بقولك كيف بندخلها بس وما أنك انت سألني | |
| 329 | |
| 00:26:41,630 --> 00:26:46,810 | |
| خلصنا فالآن هذه ال characteristics الوصفية تبعت ال | |
| 330 | |
| 00:26:46,810 --> 00:26:51,750 | |
| data هي هم هروح نديها لل algorithm او اختار | |
| 331 | |
| 00:26:51,750 --> 00:26:55,290 | |
| algorithm machine learning algorithmيقرأ ال data | |
| 332 | |
| 00:26:55,290 --> 00:27:03,870 | |
| set كلتها يعملها تحليل يوجد علاقة ما بين الحجم و | |
| 333 | |
| 00:27:03,870 --> 00:27:10,110 | |
| اللون و الرائحة و الطعم كل الشغلات هذه لما تديله | |
| 334 | |
| 00:27:10,110 --> 00:27:14,570 | |
| ال data set او العناصر هذه يكون قادر على ان يقول | |
| 335 | |
| 00:27:14,570 --> 00:27:20,590 | |
| لي ان هذه تفاحة الان ال model هذا انا روحت اختبرته | |
| 336 | |
| 00:27:20,590 --> 00:27:27,690 | |
| بتفاحة خضرةتفاحة ولا لأ؟ تمام؟ اللون واحدة من ال | |
| 337 | |
| 00:27:27,690 --> 00:27:32,010 | |
| characteristics اللي كانت موجودة بس مش كل شيء الان | |
| 338 | |
| 00:27:32,010 --> 00:27:37,070 | |
| ال model تبعي الأصل يقول إنه هذا تفاحة لو أنا روحت | |
| 339 | |
| 00:27:37,070 --> 00:27:45,770 | |
| أضف تهان مجموعة | |
| 340 | |
| 00:27:45,770 --> 00:27:50,750 | |
| من ال manga أو البرتقال تمام؟ مجموعة من البرتقال | |
| 341 | |
| 00:27:50,750 --> 00:27:57,670 | |
| وصار في اندي two groupsفي عندي هذه apple | |
| 342 | |
| 00:27:57,670 --> 00:28:04,870 | |
| و هذه orange ال system اللي يتعرف على خصائص ال | |
| 343 | |
| 00:28:04,870 --> 00:28:08,890 | |
| apple هي المفهوم التصنيف انه انا خلاص okay هدولة | |
| 344 | |
| 00:28:08,890 --> 00:28:13,550 | |
| هي المصنف تبعي apple او orange فال system هيتعرف | |
| 345 | |
| 00:28:13,550 --> 00:28:22,190 | |
| على خصائص ال apple و خصائص التفاح و يبني modelقادر | |
| 346 | |
| 00:28:22,190 --> 00:28:28,050 | |
| على التفريق ما بين التنتين فلما أنا بديه تفاحة، | |
| 347 | |
| 00:28:28,050 --> 00:28:30,750 | |
| هيقوللي تفاحة، اديته برتقالة، الاصلي يقوللي | |
| 348 | |
| 00:28:30,750 --> 00:28:37,430 | |
| برتقالة، طب لو اديته حبة مانجا، مش هيعرف، غلط، في | |
| 349 | |
| 00:28:37,430 --> 00:28:41,490 | |
| ال classification هان، لأنه آلة، وفيش مجال، يا | |
| 350 | |
| 00:28:41,490 --> 00:28:45,270 | |
| هذه، يا هذه، فيش مجال، مافيش خيار تالت، انت | |
| 351 | |
| 00:28:45,270 --> 00:28:48,290 | |
| ماتركتلهوش، في موضوع التصنيف، هي اللي أنا بوصلك | |
| 352 | |
| 00:28:48,290 --> 00:28:53,020 | |
| إياها، في موضوع التصنيف، فيش مجال،عندك أربع فئات | |
| 353 | |
| 00:28:53,020 --> 00:28:55,920 | |
| بدك تحط تحت واحدة من الأربع فئات عندك two | |
| 354 | |
| 00:28:55,920 --> 00:29:00,020 | |
| categories بدك تضيفه لواحدة من ال categories بس | |
| 355 | |
| 00:29:00,020 --> 00:29:04,760 | |
| غالبا هيضيفه للأقرب يعني تخيل أنه والله كان في ال | |
| 356 | |
| 00:29:04,760 --> 00:29:08,800 | |
| manga اللي بنتكلم عليها هي لونها أحمر مثلا وماخدة | |
| 357 | |
| 00:29:08,800 --> 00:29:16,910 | |
| شكل كراوي أكثر تمام فهتروح باتجاه الطفاحففي الآخر | |
| 358 | |
| 00:29:16,910 --> 00:29:21,570 | |
| هو صح صنفها غلط في كل الأحوال بس هو اجتهد .. اجتهد | |
| 359 | |
| 00:29:21,570 --> 00:29:27,390 | |
| و راح ضافها للأقرب حسب ال object اللي موجود لكن في | |
| 360 | |
| 00:29:27,390 --> 00:29:32,190 | |
| المقابل كان في حبة manga أخرى أكبر حجما و لونها | |
| 361 | |
| 00:29:32,190 --> 00:29:37,430 | |
| برتقالي تمام؟ فمش ضروري أروح أصنفلك إياها تفاح | |
| 362 | |
| 00:29:37,430 --> 00:29:42,030 | |
| بروح أصنفلك إياها إيش؟ Orange لأنه فعليا ال | |
| 363 | |
| 00:29:42,030 --> 00:29:49,070 | |
| characteristic تبعتها متشابهة نعملأ مش ممكن عمرك | |
| 364 | |
| 00:29:49,070 --> 00:29:54,310 | |
| مرة عليك برنامج انه بيبني فئة لوحده ممكن اتعلم | |
| 365 | |
| 00:29:54,310 --> 00:29:57,650 | |
| تبني .. تبني الحالة تبني الحالة ده حالة يعني اذا | |
| 366 | |
| 00:29:57,650 --> 00:30:01,890 | |
| تيجي ده اولشه اول مرة تصنفها لحالة و ممكن ال human | |
| 367 | |
| 00:30:01,890 --> 00:30:06,970 | |
| يقولش شوف رجع لوين بعدين ال human يقول ال human هو | |
| 368 | |
| 00:30:06,970 --> 00:30:12,520 | |
| صاحب القرار عمرها مالقالةغيرت حال تمام أو أخدت | |
| 369 | |
| 00:30:12,520 --> 00:30:15,980 | |
| decision لوحدها حتى كل اللي بنشوفه في الذكاء | |
| 370 | |
| 00:30:15,980 --> 00:30:23,100 | |
| الاصطناعي مرده لتخطيط صحيح من ال human وتصرف الآلة | |
| 371 | |
| 00:30:23,100 --> 00:30:27,020 | |
| ما هو إلا من تصرف ال human ضمن المسار اللي رسمه | |
| 372 | |
| 00:30:27,020 --> 00:30:30,540 | |
| الآن سيبك من الأفلام اللي احنا بنشوفها ان ال .. ال | |
| 373 | |
| 00:30:30,540 --> 00:30:34,620 | |
| .. اتطورته حتى تقطع .. تقطع .. تجيب البشر وتحتل | |
| 374 | |
| 00:30:34,620 --> 00:30:39,060 | |
| الكون ده مافيش منه تمام؟ | |
| 375 | |
| 00:30:40,540 --> 00:30:45,060 | |
| طيب، الآن فبالتالي يا محمد احنا بنتكلم فش مجال فش | |
| 376 | |
| 00:30:45,060 --> 00:30:48,280 | |
| مجال ان اروح فئة اضيف فئة جديدة لأ الفئات موجودة | |
| 377 | |
| 00:30:48,280 --> 00:30:52,340 | |
| مسبقا و بناء عليه انا هشتغل مع الفئات اللي موجودة | |
| 378 | |
| 00:30:52,340 --> 00:30:56,060 | |
| عندى فضل | |
| 379 | |
| 00:30:59,640 --> 00:31:02,160 | |
| مية لمية الفرق بين ال regression و ال | |
| 380 | |
| 00:31:02,160 --> 00:31:06,300 | |
| classification ان ال classification categorical | |
| 381 | |
| 00:31:06,300 --> 00:31:10,940 | |
| value discrete values واحدة من التنتين هدول بينما | |
| 382 | |
| 00:31:10,940 --> 00:31:15,960 | |
| بال regression بده يديني قيمة continuous value | |
| 383 | |
| 00:31:15,960 --> 00:31:26,380 | |
| number بده تكون موجودة عندى طيب الآن ال | |
| 384 | |
| 00:31:26,380 --> 00:31:32,500 | |
| classificationهي عبارة عن تكنيك أو قالية أو تقنية | |
| 385 | |
| 00:31:32,500 --> 00:31:36,440 | |
| من أجل التنبؤ | |
| 386 | |
| 00:31:36,440 --> 00:31:43,340 | |
| to predict group membership شو يعني group | |
| 387 | |
| 00:31:43,340 --> 00:31:50,640 | |
| membership؟ عضوية المجموعات، هل هذا ملائم لعضوية | |
| 388 | |
| 00:31:50,640 --> 00:31:54,240 | |
| المجموعة الفلانية ولا لأ؟ في عندي مجموعة اسمها الـ | |
| 389 | |
| 00:31:54,240 --> 00:32:00,440 | |
| Smart Students في الـ ITأنت ملائم إلها ولا غير | |
| 390 | |
| 00:32:00,440 --> 00:32:05,860 | |
| ملائم؟ مش أنت اللي بتقرر، تمام؟ في لجنة هتروح | |
| 391 | |
| 00:32:05,860 --> 00:32:11,460 | |
| تختبرك وبناء عليها تقول أنت تنصلح ولا ما تصلحش، | |
| 392 | |
| 00:32:11,460 --> 00:32:14,380 | |
| ليش؟ لأنه كمان مرة ال prediction مش أنت صاحب | |
| 393 | |
| 00:32:14,380 --> 00:32:19,160 | |
| قراره، عفوا ال classification أو التصطيف مش أنت | |
| 394 | |
| 00:32:19,160 --> 00:32:23,980 | |
| صاحب قراره، في عندنا كل صنف إله rule أو خصائص | |
| 395 | |
| 00:32:23,980 --> 00:32:29,960 | |
| معينةكل صنف له خصائص معينة وبالتالي .. بالتالي انت | |
| 396 | |
| 00:32:29,960 --> 00:32:33,760 | |
| بدك تخضع للخصائص اللي موجودة ان طبقت عليك الخصائص | |
| 397 | |
| 00:32:33,760 --> 00:32:39,560 | |
| فانت بتنتمي للمجموعة ما انطبقتش لأ ممكن تنتمي | |
| 398 | |
| 00:32:39,560 --> 00:32:43,880 | |
| للمجموعة الثاني او التالتة حسب العناصر اللي موجودة | |
| 399 | |
| 00:32:43,880 --> 00:32:47,980 | |
| عندها نعم decision | |
| 400 | |
| 00:32:47,980 --> 00:32:51,340 | |
| واحد | |
| 401 | |
| 00:32:51,340 --> 00:32:56,570 | |
| فقط هينتمي لواحدة فقط مانتميش للتنتينفي عندك مشكلة | |
| 402 | |
| 00:32:56,570 --> 00:33:00,150 | |
| في الـ model تبعتك في ال prediction model تبعتك | |
| 403 | |
| 00:33:00,150 --> 00:33:04,310 | |
| الآن كريم بيطرح بيقول كالتالي لو كان في عندي | |
| 404 | |
| 00:33:04,310 --> 00:33:11,070 | |
| instance أو عندي object يمكن أن يصنف تحت شغلتين | |
| 405 | |
| 00:33:11,070 --> 00:33:17,090 | |
| حسب القلة هذا الكلام مرفوض يتصنف تحت قلة تحت عنصر | |
| 406 | |
| 00:33:17,090 --> 00:33:22,590 | |
| واحد نظبط يا كريم؟ الآن في الشيء الآن إذا أنا | |
| 407 | |
| 00:33:22,590 --> 00:33:28,260 | |
| قلتله ifالـ Condition هذا، لو تحقق الشرط هذا، وين | |
| 408 | |
| 00:33:28,260 --> 00:33:33,640 | |
| هيروح؟ على الـ Block تبعتها، لو ما تحققش، مافيش | |
| 409 | |
| 00:33:33,640 --> 00:33:37,080 | |
| اللي غير الـ Else، وبالتالي مافيش مجال، يا هن يا | |
| 410 | |
| 00:33:37,080 --> 00:33:40,740 | |
| هن، لأن طبيعة الـ System اللي احنا بنشتغل معاه، | |
| 411 | |
| 00:33:40,740 --> 00:33:47,240 | |
| لكن هل ممكن الـ System يخطأ ويديني نفس الـ Input | |
| 412 | |
| 00:33:47,240 --> 00:33:51,080 | |
| أو نفس الـ Object هذا في two categories مختلفات، | |
| 413 | |
| 00:33:51,080 --> 00:33:55,370 | |
| يعني لو جربت عليه مرتين،في حالة الـ Deterministic | |
| 414 | |
| 00:33:55,370 --> 00:34:01,570 | |
| مستحيل في حالة الـ Deterministic مستحيل خلاص، | |
| 415 | |
| 00:34:01,570 --> 00:34:04,290 | |
| ادّاك النتيجة، النتيجة هتحطل تطلعلك بالسمرار لكن | |
| 416 | |
| 00:34:04,290 --> 00:34:07,830 | |
| في حالة الـ Probabilistic ممكن، ليش؟ لأنه هصير | |
| 417 | |
| 00:34:07,830 --> 00:34:11,190 | |
| يعتمد على Random Sample من الـ Data Set ويشغل | |
| 418 | |
| 00:34:11,190 --> 00:34:15,650 | |
| عليها ويديك على الأقرب منهم Anyway، الآن الفكرة | |
| 419 | |
| 00:34:15,650 --> 00:34:18,450 | |
| كالتالي إنه أنا بدي أعمل Prediction للـ Group | |
| 420 | |
| 00:34:18,450 --> 00:34:22,290 | |
| Membership أو أتنبأ بعضوية المجموعات اللي عنديها | |
| 421 | |
| 00:34:23,410 --> 00:34:27,310 | |
| مثل اللي انا بدأت نبق بالطقس هل هو sunny ولا rainy | |
| 422 | |
| 00:34:27,310 --> 00:34:32,030 | |
| ولا cloudy بينفعش اروح اقول والله انا في عندي .. | |
| 423 | |
| 00:34:32,030 --> 00:34:35,190 | |
| بدأ أضيف كمان category جديدة مغبر من عندي أو ال | |
| 424 | |
| 00:34:35,190 --> 00:34:39,530 | |
| system يقترح علي لأ هذه ال category هي اللي موجودة | |
| 425 | |
| 00:34:39,530 --> 00:34:48,790 | |
| وانت بدك تصنف كل الأيام لواحد من التلاتة هدول في | |
| 426 | |
| 00:34:48,790 --> 00:34:54,470 | |
| ال machine learning بشكل عام ال classifierعبارة عن | |
| 427 | |
| 00:34:54,470 --> 00:35:01,970 | |
| computational object أو computational model حساب | |
| 428 | |
| 00:35:01,970 --> 00:35:08,370 | |
| على مرحلتين المرحلة | |
| 429 | |
| 00:35:08,370 --> 00:35:12,410 | |
| الأولى بنسميها ال training مرحلة | |
| 430 | |
| 00:35:13,190 --> 00:35:15,970 | |
| للـ training مفهوم مرحلة الـ training يا جماعة | |
| 431 | |
| 00:35:15,970 --> 00:35:21,250 | |
| الخير انه انا فعليا اعمل analysis لكل العناصر اللي | |
| 432 | |
| 00:35:21,250 --> 00:35:24,530 | |
| موجودة التمن الطفاحات اللي شوفناهم بالشكل السابق | |
| 433 | |
| 00:35:24,530 --> 00:35:27,290 | |
| والست بورتقالات اللي انتصرت sentimani بشكل وهمي | |
| 434 | |
| 00:35:27,290 --> 00:35:32,490 | |
| انا هان بدي اخد كل instance و اربط العلاقة و احاول | |
| 435 | |
| 00:35:32,490 --> 00:35:36,130 | |
| اوجد علاقة بين خصائص ال object هذا مع ال label | |
| 436 | |
| 00:35:36,130 --> 00:35:43,440 | |
| عشان اقدر اخد generalknowledge أو general rules لـ | |
| 437 | |
| 00:35:43,440 --> 00:35:48,260 | |
| classification عشان لما يجيني أي object أقول لو | |
| 438 | |
| 00:35:48,260 --> 00:35:53,760 | |
| كان وزن ال object هذا كذا ولونه orange تمام؟ وشكله | |
| 439 | |
| 00:35:53,760 --> 00:36:01,740 | |
| دائري فهذا حتما بورتقالة otherwise else هيكون إيش؟ | |
| 440 | |
| 00:36:01,740 --> 00:36:05,200 | |
| تفاح لأنه ماعنديش خيارات غير التفاح فبصير إما | |
| 441 | |
| 00:36:05,200 --> 00:36:12,530 | |
| بورتقالأو تفاح و تحت التفاح ممكن تحط كل العناصر أو | |
| 442 | |
| 00:36:12,530 --> 00:36:16,610 | |
| كل الفواكه التانية التي لم يقدر ان يصنفها ال | |
| 443 | |
| 00:36:16,610 --> 00:36:20,770 | |
| system على انهاش برتقال و عادة في اللغات بنسميها | |
| 444 | |
| 00:36:20,770 --> 00:36:27,350 | |
| binary classificationtrue وfalse positive و | |
| 445 | |
| 00:36:27,350 --> 00:36:32,570 | |
| negative orange not orange مابنقولش تفاح لأن لو حط | |
| 446 | |
| 00:36:32,570 --> 00:36:35,410 | |
| المانجا وحط الموز تحت التفاح حصير في عنا خطأ | |
| 447 | |
| 00:36:35,410 --> 00:36:40,190 | |
| فبنقول احنا orange و not orange و هكذا الآن في | |
| 448 | |
| 00:36:40,190 --> 00:36:46,670 | |
| مرحلة لل training زي ما قلنا انه هياخد كل ال data | |
| 449 | |
| 00:36:46,670 --> 00:36:51,450 | |
| points اللي موجودة عندها اللي هي ال samples مع ال | |
| 450 | |
| 00:36:51,450 --> 00:36:58,820 | |
| correct label المرتبط فيهاويحاول يتعلم يصل لـ | |
| 451 | |
| 00:36:58,820 --> 00:37:03,280 | |
| pattern معين كيف ال label هذا مرتبط بالـ point زي | |
| 452 | |
| 00:37:03,280 --> 00:37:09,020 | |
| ما حكينا قبل لحظات بمجرد إن ال system هذا تعلم بدي | |
| 453 | |
| 00:37:09,020 --> 00:37:13,300 | |
| يبدأ يتصرف الآن فتصرفه هيكون عبارة عن function | |
| 454 | |
| 00:37:13,300 --> 00:37:18,900 | |
| prediction function هتاخد ال input تبع ال sample | |
| 455 | |
| 00:37:18,900 --> 00:37:23,480 | |
| تبع ال data point بدون ال label عشان تعمل هي | |
| 456 | |
| 00:37:23,480 --> 00:37:27,500 | |
| predictionللـ label أو لل category اللي موجودة | |
| 457 | |
| 00:37:27,500 --> 00:37:33,980 | |
| عندها فال | |
| 458 | |
| 00:37:33,980 --> 00:37:37,240 | |
| step الأولى بنسميها احنا ال model construction | |
| 459 | |
| 00:37:37,240 --> 00:37:43,040 | |
| بناء ال model في ال regression يا جماعة الخير وحتى | |
| 460 | |
| 00:37:43,040 --> 00:37:45,960 | |
| في ال classification ممكن ال model تبعي يكون عبارة | |
| 461 | |
| 00:37:45,960 --> 00:37:48,620 | |
| في ال binary classification يكون عبارة عن linear | |
| 462 | |
| 00:37:48,620 --> 00:37:53,740 | |
| line linear equation ال Y equal M | |
| 463 | |
| 00:38:07,350 --> 00:38:13,660 | |
| معادلة خط مستقيم ماهي الخط المستقيم مهمته؟بيفصل | |
| 464 | |
| 00:38:13,660 --> 00:38:17,020 | |
| بين شغلتين اللي فوق الخط category و اللي تحت الخط | |
| 465 | |
| 00:38:17,020 --> 00:38:20,800 | |
| category تانية ففي لحظة ال binary classification | |
| 466 | |
| 00:38:20,800 --> 00:38:25,840 | |
| إذا قدرت أنا أصل لمعادلة الخط المستقيم اللي بيفصل | |
| 467 | |
| 00:38:25,840 --> 00:38:31,160 | |
| ما بين ال two categories خلاص هي ال model تبعي | |
| 468 | |
| 00:38:31,160 --> 00:38:37,700 | |
| بصير باخد ال instances تمام؟ و بقى قارنهاإذا كانت | |
| 469 | |
| 00:38:37,700 --> 00:38:41,080 | |
| أكبر من كده فهي positive أقل من كده فهي negative | |
| 470 | |
| 00:38:41,080 --> 00:38:44,860 | |
| true أو false orange أو not orange فهي ال model | |
| 471 | |
| 00:38:44,860 --> 00:38:49,480 | |
| اللي أنا بدور عليه في ال model construction احنا | |
| 472 | |
| 00:38:49,480 --> 00:38:53,500 | |
| عادة بنفترض ان ال data set كل sample في ال data | |
| 473 | |
| 00:38:53,500 --> 00:39:00,070 | |
| set بتنتمي ل only one categoryلأن لو نفس ال data | |
| 474 | |
| 00:39:00,070 --> 00:39:03,030 | |
| set أو عفوا نفس ال instance هذه تكررت مع different | |
| 475 | |
| 00:39:03,030 --> 00:39:07,250 | |
| category اتوا في عندي مشكلة الشغل اللي بتعلمها قبل | |
| 476 | |
| 00:39:07,250 --> 00:39:10,390 | |
| شوية بدي احاول انفيها او بدي اتراجع عنها و احط | |
| 477 | |
| 00:39:10,390 --> 00:39:13,970 | |
| واحدة مضادة لها و هذا الكلام ولا عمره بصير تماما | |
| 478 | |
| 00:39:13,970 --> 00:39:18,070 | |
| تماما مثل ما اجي اقول اعلم الولد الصغير اقوله 2 | |
| 479 | |
| 00:39:18,070 --> 00:39:23,850 | |
| ضرب 3 يساوي 6 و في نفس الوجهة اروح اقوله بعد فترة | |
| 480 | |
| 00:39:23,850 --> 00:39:26,090 | |
| 2 ضرب 3 يساوي 16 | |
| 481 | |
| 00:39:29,010 --> 00:39:34,810 | |
| يحفظ مين فيهم؟ مين فيهم الصح؟ الأخيرة الصح اه؟ | |
| 482 | |
| 00:39:34,810 --> 00:39:37,850 | |
| مابيعرفش ال system ال computer مابيعرفش انت في | |
| 483 | |
| 00:39:37,850 --> 00:39:42,370 | |
| مرحلة التلقين التنتين صح و لما تصير في عنده معلومة | |
| 484 | |
| 00:39:42,370 --> 00:39:47,870 | |
| متضاربة فعليا مش هيقدر ياخد decision في أي حالة | |
| 485 | |
| 00:39:47,870 --> 00:39:52,140 | |
| فيها اتنين ضرب تلاتةهذا اللي بيصير عشان هي كده | |
| 486 | |
| 00:39:52,140 --> 00:39:55,820 | |
| نفترض انه في موضوع ال learning أو في مرحلة لل | |
| 487 | |
| 00:39:55,820 --> 00:39:58,180 | |
| training أو ال learning في ال model construction | |
| 488 | |
| 00:39:58,180 --> 00:40:04,680 | |
| انه كل instance بتنتمي فقط ل only one category one | |
| 489 | |
| 00:40:04,680 --> 00:40:10,620 | |
| label مجموعة ال data ال 6 اللي انا بدي ادرب عليها | |
| 490 | |
| 00:40:10,620 --> 00:40:14,640 | |
| النظام او اللي بدي حللها النظام بحيث انه ياخد منها | |
| 491 | |
| 00:40:14,640 --> 00:40:19,910 | |
| يستخلص ال model منها بسميها ال trainingset بسميها | |
| 492 | |
| 00:40:19,910 --> 00:40:26,410 | |
| ال training set دكتور نعم ال training set كلمة | |
| 493 | |
| 00:40:26,410 --> 00:40:30,110 | |
| بتعمل ال model بنقل عليها لإن كل واحد مثلا فواجب | |
| 494 | |
| 00:40:30,110 --> 00:40:33,350 | |
| مخل تلقى ال training set من خمسين ألف دورة مش | |
| 495 | |
| 00:40:33,350 --> 00:40:36,170 | |
| هتبقى ال model مثلا زي ما سيكت في سبوك أو أمازونة | |
| 496 | |
| 00:40:36,170 --> 00:40:38,530 | |
| بتبني او ال training set دي ال model طب ما احنا | |
| 497 | |
| 00:40:38,530 --> 00:40:40,970 | |
| جولنا مين جابلنا هيك هيقولنا كل ما كبرت ال | |
| 498 | |
| 00:40:40,970 --> 00:40:44,610 | |
| training data set تبعتي بكون فرصة ال prediction | |
| 499 | |
| 00:40:44,610 --> 00:40:48,570 | |
| تبعتي انها تكون أدق أعلىكيف الاسم يعني؟ مثلا خمسين | |
| 500 | |
| 00:40:48,570 --> 00:40:53,690 | |
| ألف raw شوف لأ لأ شوية انت عندك ال data set كلها | |
| 501 | |
| 00:40:53,690 --> 00:40:57,410 | |
| خمسين ألف raw و بدك تعمل training ع تلاتين ألف raw | |
| 502 | |
| 00:40:57,410 --> 00:41:01,370 | |
| مثلا مش كافي لإن عادة جماعة التلخير ال rows | |
| 503 | |
| 00:41:01,370 --> 00:41:04,990 | |
| المستخدمة أو الحجم لل training set بيكون أكبر من | |
| 504 | |
| 00:41:04,990 --> 00:41:08,320 | |
| ال testing setيعني الآن إذا بتقدر تعمل training | |
| 505 | |
| 00:41:08,320 --> 00:41:11,160 | |
| على كل ال data و تختبره في data مختلفة بيكون ممتاز | |
| 506 | |
| 00:41:11,160 --> 00:41:15,060 | |
| عشان هيك كنا في ال data preparation نأكد هل في | |
| 507 | |
| 00:41:15,060 --> 00:41:19,160 | |
| مصادر أخرى للبيانات عندك ولا مافيش و جديش حجمها، | |
| 508 | |
| 00:41:19,160 --> 00:41:22,540 | |
| طبعا؟ الآن إذا أنت لاحظت في أخر assignment أو في | |
| 509 | |
| 00:41:22,540 --> 00:41:25,720 | |
| ال assignment الأخير مطلوب منك، أخر band اجسم ال | |
| 510 | |
| 00:41:25,720 --> 00:41:31,500 | |
| data set اللي عندك 70% لل training set و 30% لل | |
| 511 | |
| 00:41:31,500 --> 00:41:35,380 | |
| test setمصبوط وهذه التسأل ليش؟ لأنه مابديش إياك | |
| 512 | |
| 00:41:35,380 --> 00:41:38,980 | |
| تدرب كل .. تدربه على نفس .. يعني على نفس ال data و | |
| 513 | |
| 00:41:38,980 --> 00:41:42,820 | |
| بعدين أجي أحترمه لإن كيف بدي أختبره أو بدي أفحص | |
| 514 | |
| 00:41:42,820 --> 00:41:48,280 | |
| مدى دقة العنصر كمان مرة يا جماعة الخير بنأكد كل ما | |
| 515 | |
| 00:41:48,280 --> 00:41:53,800 | |
| كانت ال data set أكبر ال training set أكبر المفروض | |
| 516 | |
| 00:41:53,800 --> 00:41:56,860 | |
| أن كل ما تكون ال data أو خلنا نقول ال knowledge | |
| 517 | |
| 00:41:56,860 --> 00:42:02,120 | |
| تبعتي أدقالـ classification تبعتي بتصير أداء لكن | |
| 518 | |
| 00:42:02,120 --> 00:42:05,220 | |
| برضه مش منطق أن يكون انا في عندى اتنين مليار | |
| 519 | |
| 00:42:05,220 --> 00:42:10,800 | |
| record تمام؟ وانا بتروح بتقبج عليهم كلهم عملية ال | |
| 520 | |
| 00:42:10,800 --> 00:42:13,940 | |
| training بحد ذاتها هذه هتصير تاخد مني أشهر لما | |
| 521 | |
| 00:42:13,940 --> 00:42:17,360 | |
| تنتهي فبتصير ممكن ال task اللي أنا بأشتغل عليها | |
| 522 | |
| 00:42:17,360 --> 00:42:24,370 | |
| أساسا خلصت بطللها قيمة فانت برضه بتوازن ما بينالـ | |
| 523 | |
| 00:42:24,370 --> 00:42:28,310 | |
| accuracy تبع النظام و عامل الوقت أو ال performance | |
| 524 | |
| 00:42:28,310 --> 00:42:34,610 | |
| تبع ال training جدّيش بيحقق نتائج في | |
| 525 | |
| 00:42:34,610 --> 00:42:40,110 | |
| ال data set اللي موجود عندنا هان الان هاي عندى ال | |
| 526 | |
| 00:42:40,110 --> 00:42:44,610 | |
| data set ال name ال rank ال years اترجى ولا | |
| 527 | |
| 00:42:44,610 --> 00:42:48,830 | |
| مايترجاش اتقعد | |
| 528 | |
| 00:42:48,830 --> 00:42:54,450 | |
| ولا مايتقعدشنريح ولا ما نريحوش لأن هاي ال class | |
| 529 | |
| 00:42:54,450 --> 00:42:58,890 | |
| اللي عندي yes و no فاروح أعمل التحليل لل data set | |
| 530 | |
| 00:42:58,890 --> 00:43:04,410 | |
| اللي موجودة وكان مفاده إنه ال algorithm راح أداني | |
| 531 | |
| 00:43:04,410 --> 00:43:09,590 | |
| classifier model prediction model لل class لميه | |
| 532 | |
| 00:43:09,590 --> 00:43:13,910 | |
| ممكن أختار؟ ل yes و no بحيث إنه أنا لو زودت بال | |
| 533 | |
| 00:43:13,910 --> 00:43:20,750 | |
| rank وعدد سنوات الخبرةيدّين ال label اللي موجود | |
| 534 | |
| 00:43:20,750 --> 00:43:27,890 | |
| فجال ال model تبعي هو عبارة عن if then rule لو كان | |
| 535 | |
| 00:43:27,890 --> 00:43:31,890 | |
| ال rank professor وال year أكبر أو يساوي 6 أكبر من | |
| 536 | |
| 00:43:31,890 --> 00:43:42,910 | |
| 6 معناته نرجّي تمام المرحلة التانية ال model usage | |
| 537 | |
| 00:43:42,910 --> 00:43:48,060 | |
| بالملاحظة يا شبابالـ classification algorithm أنا | |
| 538 | |
| 00:43:48,060 --> 00:43:55,280 | |
| هان غالبا .. غالبا يشتغل فعليا as a black box يعني | |
| 539 | |
| 00:43:55,280 --> 00:43:58,980 | |
| هدي ال input و أخد منه ال output اللي هو ال model | |
| 540 | |
| 00:43:58,980 --> 00:44:03,300 | |
| إيش اللي بيصير .. إيش اللي بيصير؟ غالبا مش كل | |
| 541 | |
| 00:44:03,300 --> 00:44:06,820 | |
| الناس المعنية فيهم بس أنا بالمساك هذا هدخل بتفاصيل | |
| 542 | |
| 00:44:06,820 --> 00:44:11,240 | |
| عشان أعرف فعليا ال classifier كيف اشتغل تمام؟ لكن | |
| 543 | |
| 00:44:11,240 --> 00:44:15,730 | |
| في بعض ال classifiersمش هنكون او مش هنتطرق لها | |
| 544 | |
| 00:44:15,730 --> 00:44:22,230 | |
| بالشغل تبعتها بمجرد ان ال classifier انبنى بده | |
| 545 | |
| 00:44:22,230 --> 00:44:25,630 | |
| اروح اطبقه او بده اروح استخدمه ال model هذا الآن | |
| 546 | |
| 00:44:25,630 --> 00:44:32,150 | |
| بيصير قابل للاستخدام فيش | |
| 547 | |
| 00:44:32,150 --> 00:44:38,150 | |
| بده استخدمه؟ يعمل classifying لمين؟ لل feature، ل | |
| 548 | |
| 00:44:38,150 --> 00:44:41,810 | |
| future او ال unknown objects | |
| 549 | |
| 00:44:43,140 --> 00:44:46,840 | |
| بالمثال تابعني السابق هذا أنا صار فيه عندى Jeff | |
| 550 | |
| 00:44:46,840 --> 00:44:53,200 | |
| professor و 4 سنوات الاسم neglected مش هعتبره لإن | |
| 551 | |
| 00:44:53,200 --> 00:44:58,660 | |
| ال role تبعي مبني على ال rank و ال years و بناء | |
| 552 | |
| 00:44:58,660 --> 00:45:03,480 | |
| عليه أنا بدي أخد القرار كان بيقول لي if ال rank | |
| 553 | |
| 00:45:03,480 --> 00:45:07,280 | |
| equal | |
| 554 | |
| 00:45:07,280 --> 00:45:17,370 | |
| of or ال years أكبر من 6then yes مظبوط هاي ال role | |
| 555 | |
| 00:45:17,370 --> 00:45:23,110 | |
| تبعي هاي ال model تبعي الآن هاي ال data اللي عندى | |
| 556 | |
| 00:45:23,110 --> 00:45:26,710 | |
| حقق عليها بطبقها مباشرة باخد ال instances و بطبق | |
| 557 | |
| 00:45:26,710 --> 00:45:30,250 | |
| ال instance value و بطبق عليها هان و باخد القرار | |
| 558 | |
| 00:45:30,250 --> 00:45:37,070 | |
| تبع لل role اللي موجود عندى طيب | |
| 559 | |
| 00:45:37,070 --> 00:45:40,690 | |
| لو ماكانش ماكانش professor كان assistant professor | |
| 560 | |
| 00:45:40,690 --> 00:45:47,550 | |
| و 5 سنواتNo مع ال else مباشرة مع ال else مباشرة | |
| 561 | |
| 00:45:47,550 --> 00:45:54,150 | |
| الارجل مع الخير معناته انا بحاجة في مرحلتين عشان | |
| 562 | |
| 00:45:54,150 --> 00:45:56,690 | |
| اشتغل مع ال classifier بحاجة اشتغل على مرحلتين | |
| 563 | |
| 00:45:56,690 --> 00:46:00,550 | |
| المرحلة الأولى اللي هي ال model construction | |
| 564 | |
| 00:46:00,550 --> 00:46:05,770 | |
| وبيلزمني data عشان ادرب ال model عليها بين جثين | |
| 565 | |
| 00:46:05,770 --> 00:46:08,710 | |
| بلزمني data عشان ال system او ال learning | |
| 566 | |
| 00:46:08,710 --> 00:46:14,230 | |
| algorithm يحللها ويبني model بناء عليهاالشغلة | |
| 567 | |
| 00:46:14,230 --> 00:46:19,450 | |
| التانية انه انا بدي افحص ال model او بدي استخدم ال | |
| 568 | |
| 00:46:19,450 --> 00:46:22,830 | |
| model في ال prediction وهي بنسميها احنا المرحلة | |
| 569 | |
| 00:46:22,830 --> 00:46:26,630 | |
| مرحلة ال testing او ال test فانا بدي اجسم ال data | |
| 570 | |
| 00:46:26,630 --> 00:46:33,130 | |
| set تبعتي لل training set و | |
| 571 | |
| 00:46:33,130 --> 00:46:40,340 | |
| test set ليش؟ عشان لما انا احصل على modelعشان لما | |
| 572 | |
| 00:46:40,340 --> 00:46:43,460 | |
| أحصل على model كيف بدي أتعرف إن ال model هذا شغال | |
| 573 | |
| 00:46:43,460 --> 00:46:48,200 | |
| كويس ولا لأ؟ بدي إنه النتيجة المطلوبة ولا بشتغل من | |
| 574 | |
| 00:46:48,200 --> 00:46:54,880 | |
| رأسه؟ فبدي أعمله evaluation طيب evaluation how did | |
| 575 | |
| 00:46:54,880 --> 00:47:00,380 | |
| that test set؟ هو الأصل هي unseen data، مصبوط؟ | |
| 576 | |
| 00:47:00,380 --> 00:47:05,760 | |
| فعليا unseen، ماشفهاش، بس دي فيها label، حخف ال | |
| 577 | |
| 00:47:05,760 --> 00:47:10,620 | |
| label عنه، عشان أقدر إيش؟أقارن بين النتيجة اللي هو | |
| 578 | |
| 00:47:10,620 --> 00:47:16,080 | |
| هيقين إياها والنتيجة اللي هحصل عليها وانا بدي أسأل | |
| 579 | |
| 00:47:16,080 --> 00:47:25,980 | |
| سؤال هل ال test set labelled set؟ في مرحلة ال | |
| 580 | |
| 00:47:25,980 --> 00:47:33,160 | |
| evaluation هل ال test set labelled set؟ طيب، الآن | |
| 581 | |
| 00:47:33,160 --> 00:47:34,100 | |
| أنا جديد كتبت | |
| 582 | |
| 00:47:36,780 --> 00:47:43,060 | |
| الـ body mass index point تلاتة سبعة والـ chest | |
| 583 | |
| 00:47:43,060 --> 00:47:52,020 | |
| pain yes تصلب شرايين Blocked Artery yes قال لي هذا | |
| 584 | |
| 00:47:52,020 --> 00:47:57,720 | |
| heart disease هذا الأصل اللي نعملها prediction صح؟ | |
| 585 | |
| 00:47:57,720 --> 00:48:06,090 | |
| أنا أخدتها على عليتها هيك قال لي noبتقدر تقول عن | |
| 586 | |
| 00:48:06,090 --> 00:48:09,430 | |
| ال prediction بتاعته صح ولا غلط؟ بتقدر تعمل | |
| 587 | |
| 00:48:09,430 --> 00:48:16,590 | |
| evaluation لإلها؟ بتقارنها بإيش؟ بال level الأصلي | |
| 588 | |
| 00:48:16,590 --> 00:48:21,930 | |
| فعشان هيك ال test set must be label عشان هيك بعد | |
| 589 | |
| 00:48:21,930 --> 00:48:24,470 | |
| ما انت خلصت عملت processing في ال assignment | |
| 590 | |
| 00:48:24,470 --> 00:48:29,890 | |
| وقلتلك اجسم اجسم ال data set لجزءين جزء ال | |
| 591 | |
| 00:48:29,890 --> 00:48:35,340 | |
| trainingوجزء Testing بس اللي هيصير فعلياً لما أصل | |
| 592 | |
| 00:48:35,340 --> 00:48:40,820 | |
| مرحلة ال evaluation هخب ال test او هخب ال label | |
| 593 | |
| 00:48:40,820 --> 00:48:45,780 | |
| تبعت مين تبعت ال test set عشان اقول اتفضل هاي | |
| 594 | |
| 00:48:45,780 --> 00:48:49,640 | |
| unseen ده تعملهم prediction فبديني مجموعة ال | |
| 595 | |
| 00:48:49,640 --> 00:48:53,160 | |
| labels اللي predicted وعندي ال original او ال true | |
| 596 | |
| 00:48:53,160 --> 00:48:58,320 | |
| labelled بصير اقارن و بقدر اتكلم انه جديش هذا ال | |
| 597 | |
| 00:48:58,320 --> 00:48:59,180 | |
| model تبعي accurate | |
| 598 | |
| 00:49:03,990 --> 00:49:08,470 | |
| أه، الآن أحمد بيسأل، بيقول هل بقدر أروح أرجع ال | |
| 599 | |
| 00:49:08,470 --> 00:49:11,830 | |
| data test set هذه و أوديها على ال training عشان | |
| 600 | |
| 00:49:11,830 --> 00:49:17,350 | |
| يتعلم من أخطائه؟ انت already علمته و كمان لو انت | |
| 601 | |
| 00:49:17,350 --> 00:49:21,270 | |
| روحت أخدته، يعني هيك، من وين بدك تختبره بعد هيك؟ | |
| 602 | |
| 00:49:21,270 --> 00:49:25,130 | |
| بدك تجيبله data set شديدة، طب ليش مش من نفس ال | |
| 603 | |
| 00:49:25,130 --> 00:49:30,450 | |
| data set؟ لأن already هو شافها، تمام من الشباب، | |
| 604 | |
| 00:49:30,450 --> 00:49:37,330 | |
| بينفعش أنا آجيأديك الامتحان و اقولك اتفضل حلو تمام | |
| 605 | |
| 00:49:37,330 --> 00:49:42,530 | |
| و بكرا بدي اختبرك فيها في الأسئلة هاي ما أصبحاش | |
| 606 | |
| 00:49:42,530 --> 00:49:50,370 | |
| امتحان ولا أصبح امتحان امتحان مسرب اه فش يعني عفوا | |
| 607 | |
| 00:49:50,370 --> 00:49:53,550 | |
| كلكوا هتنجحوا مصبوط الأصل كده و اللي بديهوش ينجح | |
| 608 | |
| 00:49:53,550 --> 00:49:58,570 | |
| يتطخدك الساعة بيكون بس فعليا هل النجاح هذا حقيقي؟ | |
| 609 | |
| 00:49:58,570 --> 00:50:04,890 | |
| لأ الحاجات هذا fake النجاح هذا fakeأما احنا قلنا | |
| 610 | |
| 00:50:04,890 --> 00:50:09,390 | |
| الفكرة وين ان بعد ما انا جسمت هان في مرحلة ال | |
| 611 | |
| 00:50:09,390 --> 00:50:14,890 | |
| evaluation مش بده يشوف .. بده يشوف ال .. بيشوف هو | |
| 612 | |
| 00:50:14,890 --> 00:50:19,370 | |
| اجتيش .. لأ بده يشوف ال .. ال .. ال .. ال .. ال | |
| 613 | |
| 00:50:19,370 --> 00:50:24,670 | |
| rock دي قارن فوق هيو .. هذه .. هذه .. بده يقارن | |
| 614 | |
| 00:50:24,670 --> 00:50:30,690 | |
| هذهلأ ومش قارنها مع اللي فوق هو على ال model بناء | |
| 615 | |
| 00:50:30,690 --> 00:50:33,950 | |
| على ال equation اللي انكتبت يعني مثلا هدولة أربع | |
| 616 | |
| 00:50:33,950 --> 00:50:37,470 | |
| attributes أو three attributes A1, A2, A3 ومع ال | |
| 617 | |
| 00:50:37,470 --> 00:50:41,670 | |
| label بدي أفترض أنا جدلا ان ال model تبعي هو عبارة | |
| 618 | |
| 00:50:41,670 --> 00:50:52,330 | |
| عن ال Y بيذهب تساوي M1 في A1 زائد M2 في A2 زائد M3 | |
| 619 | |
| 00:50:52,330 --> 00:51:03,080 | |
| في A3زائد الـ B مش هذا AI الموديل اللي بتعالج | |
| 620 | |
| 00:51:03,080 --> 00:51:06,480 | |
| أولادي؟ اه هي جزء من ال AI ال machine learning جزء | |
| 621 | |
| 00:51:06,480 --> 00:51:11,100 | |
| من ال AI يعني اذا ما بنعملش كود بسيط انا ماقلتش | |
| 622 | |
| 00:51:11,100 --> 00:51:15,140 | |
| كود بسيط انا حاول توصلك صورة ال model كيه بده يكون | |
| 623 | |
| 00:51:15,140 --> 00:51:19,580 | |
| بس الآن ال model اللي بتكلم عليه يا راني هيهالـ | |
| 624 | |
| 00:51:19,580 --> 00:51:24,160 | |
| system فعليا بعد ما درس كل ال training data راح | |
| 625 | |
| 00:51:24,160 --> 00:51:30,260 | |
| قال لي M1 هذه قيمتها point 17 من 100 زائد هذه | |
| 626 | |
| 00:51:30,260 --> 00:51:41,360 | |
| قيمتها 73 و هذه قيمتها point 0.5 و ال B point 882 | |
| 627 | |
| 00:51:41,360 --> 00:51:46,380 | |
| مثلا ايش بيظل عندي قيمة ال attributes هيها موجودة | |
| 628 | |
| 00:51:47,610 --> 00:51:50,150 | |
| مصبوط؟ فباخد قيمة الـ attributes و بضربها في القيم | |
| 629 | |
| 00:51:50,150 --> 00:51:53,530 | |
| اللي موجودة و بجمعهم بناءً على ال Y اللي أنا حصلت | |
| 630 | |
| 00:51:53,530 --> 00:51:58,870 | |
| عليها ال Y الأصل تكون مين؟ ال class فبدي أقارن ال | |
| 631 | |
| 00:51:58,870 --> 00:52:04,950 | |
| predicted class ال predicted Y مع ال actual Y ال | |
| 632 | |
| 00:52:04,950 --> 00:52:08,070 | |
| actual label اللي موجودة عندي اللي أنا خفيتها في | |
| 633 | |
| 00:52:08,070 --> 00:52:12,670 | |
| مرحلة ال evaluation يعني انتجيها بعد .. اه بعد ما | |
| 634 | |
| 00:52:12,670 --> 00:52:15,530 | |
| يقيم يعني انت الآن بتشوف .. حل الأسئلة بتاعة | |
| 635 | |
| 00:52:15,530 --> 00:52:24,940 | |
| الامتحان قبل ولا بعد؟بعد؟ goal طب كيف و بطل ليش؟ | |
| 636 | |
| 00:52:24,940 --> 00:52:29,760 | |
| ايه | |
| 637 | |
| 00:52:29,760 --> 00:52:33,180 | |
| كانت بتتعلم، ماتجلجش حضرت ال data set اللي عليك | |
| 638 | |
| 00:52:33,180 --> 00:52:39,400 | |
| المهم؟ أكيد و عملت pre processing تمام؟ | |
| 639 | |
| 00:52:39,400 --> 00:52:43,880 | |
| لأ انت هتستخدم ال AI يعني هتستخدم ال machine | |
| 640 | |
| 00:52:43,880 --> 00:52:48,520 | |
| learning بس هتفهم ال model كيف بيشتغلتمام؟ انت مش | |
| 641 | |
| 00:52:48,520 --> 00:52:53,500 | |
| مجرد .. انت مش طالب طب ولا طالب جيغرافيا ان علمك | |
| 642 | |
| 00:52:53,500 --> 00:52:57,140 | |
| هى ال algorithm هى ال input هى ال output و بتستخدم | |
| 643 | |
| 00:52:57,140 --> 00:53:00,120 | |
| ال output بتخدمه بالشكل هذا لأ ال algorithm نفسه | |
| 644 | |
| 00:53:00,120 --> 00:53:03,100 | |
| كيف يشتغل بالتحليل لإنك انت طالب computer science | |
| 645 | |
| 00:53:03,100 --> 00:53:08,280 | |
| أو تطوير برمجيات سنة تالتة ولا رابعة؟ واش دخل؟ حد | |
| 646 | |
| 00:53:08,280 --> 00:53:14,740 | |
| قالك تسجل المساق ال accuracyلحظة أنا ما زلت بتكلم | |
| 647 | |
| 00:53:14,740 --> 00:53:17,940 | |
| في ال basic components أو في ال basic concept تبع | |
| 648 | |
| 00:53:17,940 --> 00:53:21,440 | |
| ال classification ال accuracy لما بتكلم على ال | |
| 649 | |
| 00:53:21,440 --> 00:53:27,480 | |
| accuracy بتكلم على دقة النظام بتكلم على قدرة | |
| 650 | |
| 00:53:27,480 --> 00:53:32,700 | |
| النظام على ال prediction الصحيح وبالتحديد ال | |
| 651 | |
| 00:53:32,700 --> 00:53:38,900 | |
| accuracy هي عبارة عن ratio بين ال prediction | |
| 652 | |
| 00:53:38,900 --> 00:53:44,200 | |
| الصحيحة على كل predictionsعدد ال prediction المرات | |
| 653 | |
| 00:53:44,200 --> 00:53:49,800 | |
| التنبؤ الصحيح على كل حالات التنبؤ اللي تمت عندى | |
| 654 | |
| 00:53:49,800 --> 00:53:53,460 | |
| كيف يعنى؟ أنا عندى ال test set كان فيها عشرة | |
| 655 | |
| 00:53:53,460 --> 00:53:59,620 | |
| instances لما قلت للموضل اعمل ال prediction لهدول | |
| 656 | |
| 00:53:59,620 --> 00:54:06,720 | |
| جاب سبعة منهم صح معناته ال Accuracy سبعة على عشرة | |
| 657 | |
| 00:54:06,720 --> 00:54:11,590 | |
| اللي هي 70% من النظام اللي موجود عندى هناكمان مرة | |
| 658 | |
| 00:54:11,590 --> 00:54:16,510 | |
| الـ Accuracy هي قدرة الـ Classifier على التنبؤ | |
| 659 | |
| 00:54:16,510 --> 00:54:22,030 | |
| بشكل صحيح للـ Unseen Data لو الـ Data Scene هدى و | |
| 660 | |
| 00:54:22,030 --> 00:54:28,550 | |
| هدى مابتنعدلوش الـ Speed لما أتكلم عن الـ Speed | |
| 661 | |
| 00:54:28,550 --> 00:54:32,650 | |
| بتتكلم على الـ Computational Cost اللي بده يكلفني | |
| 662 | |
| 00:54:32,650 --> 00:54:39,570 | |
| إياها الـ Algorithm في مرحلة الـ Generation إنشاء | |
| 663 | |
| 00:54:39,570 --> 00:54:46,580 | |
| الموديلتمام؟ ومرحلة استخدام ال classifier يعني أنا | |
| 664 | |
| 00:54:46,580 --> 00:54:50,140 | |
| عندي مرحلتين في عندي مش كله ال model construction | |
| 665 | |
| 00:54:50,140 --> 00:54:57,620 | |
| وعندي ال model usage الآن كل واحدة منهم في لها | |
| 666 | |
| 00:54:57,620 --> 00:55:02,060 | |
| تكلفة تكلفة لل training و تكلفة لل prediction جديش | |
| 667 | |
| 00:55:02,060 --> 00:55:06,660 | |
| computational جديش أنا مهتم بسرعة النظام يعني الآن | |
| 668 | |
| 00:55:06,660 --> 00:55:12,010 | |
| مثلابدنا نظام الآن .. محتاجين نظام سريع يحاول | |
| 669 | |
| 00:55:12,010 --> 00:55:15,610 | |
| يتنبأ ان المريض هذا اللي مش .. منضيق في الصدر أو | |
| 670 | |
| 00:55:15,610 --> 00:55:19,530 | |
| في صعوبة في التنفس مصاب بـ Corona ولا لأ؟ انت .. | |
| 671 | |
| 00:55:19,530 --> 00:55:22,550 | |
| انت .. انت خبير .. خبير الصين أصلا .. انت عشان ايه | |
| 672 | |
| 00:55:22,550 --> 00:55:27,730 | |
| قولت Corona مباشرة، تمام؟ الآن الفكرة وين؟ انه أنا | |
| 673 | |
| 00:55:27,730 --> 00:55:31,710 | |
| جداش بأقدر أعمل training ل model .. a curated | |
| 674 | |
| 00:55:31,710 --> 00:55:37,450 | |
| model بشكل سريع، بكوني كويس إليهليش؟ لأنه أنا | |
| 675 | |
| 00:55:37,450 --> 00:55:42,050 | |
| فعليا .. الآن أنا محتاجه يمكن بكرا محتاجوش فالآن | |
| 676 | |
| 00:55:42,050 --> 00:55:46,410 | |
| هذي بتفرج معايا ال performance في مرحلة ال | |
| 677 | |
| 00:55:46,410 --> 00:55:52,490 | |
| generation ال using في ال prediction أنه لما أزوده | |
| 678 | |
| 00:55:52,490 --> 00:55:56,230 | |
| بالعينة اللي المفروض يعمل عليها prediction أو يقيم | |
| 679 | |
| 00:55:56,230 --> 00:56:01,150 | |
| يعملها evaluation جداش بده وقت في بده ثانية، | |
| 680 | |
| 00:56:01,150 --> 00:56:06,630 | |
| تنتين، تلاتة، عشرة، كل مكان أسرعيكون أحسن في الـ | |
| 681 | |
| 00:56:06,630 --> 00:56:10,670 | |
| real-time system الآن في عندنا جسم بتحرك في الجو | |
| 682 | |
| 00:56:10,670 --> 00:56:16,350 | |
| بسرعة 100 كيلومتر في الساعة طيارة، | |
| 683 | |
| 00:56:16,350 --> 00:56:23,350 | |
| صاروخ، قذيفة، غراب، مش عارفين في الأنظمة الدفاعية | |
| 684 | |
| 00:56:23,350 --> 00:56:26,710 | |
| بتفرج الآن هذا الجسم اللي بتحرك في الـ real-time | |
| 685 | |
| 00:56:26,710 --> 00:56:31,630 | |
| system تمام؟ بناء على سرعته وحجمه | |
| 686 | |
| 00:56:33,360 --> 00:56:36,620 | |
| بدهم ياخدوا قرار اللي غالبا ما ببينش بدهم ياخدوا | |
| 687 | |
| 00:56:36,620 --> 00:56:41,160 | |
| قرار شو ده بيكون افعل صفرات الإنذار ولا لأ الإنذار | |
| 688 | |
| 00:56:41,160 --> 00:56:51,780 | |
| ولا لأ احنا | |
| 689 | |
| 00:56:51,780 --> 00:56:57,200 | |
| قولنا حمامة شكله زادة مع البس خلاص و هي طايرة | |
| 690 | |
| 00:56:58,620 --> 00:57:02,060 | |
| الفكرة يا جماعة الخير اللي انا بده اوصلك هي إذا | |
| 691 | |
| 00:57:02,060 --> 00:57:06,940 | |
| ماكنتش مرحلة ل prediction سريعة تفقدت الأهمية | |
| 692 | |
| 00:57:06,940 --> 00:57:11,060 | |
| تبعتها فضل يا دكتور قبل لما راحيت على المرض أكيد | |
| 693 | |
| 00:57:11,060 --> 00:57:16,080 | |
| فعلا مش هيكون مثلا بدنا نتنبأ أنه فيه مثلا .. لو | |
| 694 | |
| 00:57:16,080 --> 00:57:19,800 | |
| مثلا افتراض مثلا علشان هنا يعني محتمال يكون فيه | |
| 695 | |
| 00:57:19,800 --> 00:57:23,100 | |
| نسبة خطأ فاحنا على وجه السرعة مش هيكون بدنا نتنبأ | |
| 696 | |
| 00:57:23,100 --> 00:57:28,190 | |
| بدنا يعني ..طب انت عملك بتقول انا المرض هذا فعليا | |
| 697 | |
| 00:57:28,190 --> 00:57:34,070 | |
| مش جادر اشخصه او في عندهم صعوبة في تشخيصه فقط | |
| 698 | |
| 00:57:34,070 --> 00:57:37,930 | |
| طب المفلوز العادي او اللي عنده احتقان في زوره | |
| 699 | |
| 00:57:37,930 --> 00:57:41,890 | |
| ابترت فيه درجة حرارته واحد زي حالتي بيكون قاعد | |
| 700 | |
| 00:57:41,890 --> 00:57:44,950 | |
| بيشرح و بيطلع واحد غد بيقوله بسة طايرة ابترت فيه | |
| 701 | |
| 00:57:44,950 --> 00:57:45,450 | |
| حرارته | |
| 702 | |
| 00:57:49,260 --> 00:57:53,380 | |
| تمام؟ بالفكرة يا هاب لأ okay أنا بدي .. بدي system | |
| 703 | |
| 00:57:53,380 --> 00:57:57,500 | |
| يكون سريع عفوا بدي أصل ل model بشكل سريع بعض ال | |
| 704 | |
| 00:57:57,500 --> 00:58:02,240 | |
| models بتاخد أيام و أشهر هى بتعمل ال training صح | |
| 705 | |
| 00:58:02,240 --> 00:58:06,460 | |
| بيكون هذا دقيق الشغل صحيح لكن أنا برضه حسب الحالة | |
| 706 | |
| 00:58:06,460 --> 00:58:11,480 | |
| اللى أنا بدي أشتغل عليها نعم لأ | |
| 707 | |
| 00:58:11,480 --> 00:58:16,460 | |
| للأسف data preparation هل تحسب ضمن ال time cost لأ | |
| 708 | |
| 00:58:17,850 --> 00:58:21,290 | |
| لأن هنا بنتكلم احنا على الـ computational cost كل | |
| 709 | |
| 00:58:21,290 --> 00:58:27,670 | |
| اللي انت سويته قبل مجرد تجهيز لعملية ال mining | |
| 710 | |
| 00:58:27,670 --> 00:58:33,330 | |
| أكيد كل ما زاد حجم ال data زاد حجم ال computation | |
| 711 | |
| 00:58:33,330 --> 00:58:37,790 | |
| بال training وال testing الآن ال data set تبعتي | |
| 712 | |
| 00:58:37,790 --> 00:58:42,870 | |
| مكونة من عشرة attributes هل ال computation تبعتها | |
| 713 | |
| 00:58:42,870 --> 00:58:49,260 | |
| زي ما يكون عندي 100 attributesحتما لأ يعني عشر | |
| 714 | |
| 00:58:49,260 --> 00:58:54,620 | |
| متغيرات زي مين متغير اكيد لأ جداش ال robustness او | |
| 715 | |
| 00:58:54,620 --> 00:58:58,200 | |
| الموثوقية جداش ال system هذا بتديني accurate | |
| 716 | |
| 00:58:58,200 --> 00:59:03,680 | |
| result في حالة ال noise data ال noise instance او | |
| 717 | |
| 00:59:03,680 --> 00:59:06,960 | |
| في حالة وجود ال missing values الان احنا قبل شوية | |
| 718 | |
| 00:59:06,960 --> 00:59:10,740 | |
| اتكلمت على تلت عناصر عشان ال heart disease ال body | |
| 719 | |
| 00:59:10,740 --> 00:59:16,000 | |
| mass index وال chest pain وتصلب الشراينالآن لو | |
| 720 | |
| 00:59:16,000 --> 00:59:18,880 | |
| عندي تنتين منهم فقط بيقدر الـ system يديني | |
| 721 | |
| 00:59:18,880 --> 00:59:23,360 | |
| prediction؟ لأ، ما تقوليش لأ، انت ما تشكشكش لأ ال | |
| 722 | |
| 00:59:23,360 --> 00:59:26,380 | |
| system هيديكي prediction هيديكي prediction بس اللي | |
| 723 | |
| 00:59:26,380 --> 00:59:29,900 | |
| أنا بدور عليه هل بيقدر يديني prediction صحيح؟ إذا | |
| 724 | |
| 00:59:29,900 --> 00:59:33,360 | |
| بيديني prediction صحيح معناته هذا more robust أكتر | |
| 725 | |
| 00:59:33,360 --> 00:59:38,300 | |
| موثوقية ليش؟ لأن في حالة إن أنا فقدت واحد من ال | |
| 726 | |
| 00:59:38,300 --> 00:59:41,440 | |
| attributes اللي موجودة بضل جادر أعتمد عليه عشان | |
| 727 | |
| 00:59:41,440 --> 00:59:46,050 | |
| يعمل prediction تمام؟الآن في حالة كان في عندي | |
| 728 | |
| 00:59:46,050 --> 00:59:49,710 | |
| noise data نفس النظام بالمناسبة يا حسن احنا عادة | |
| 729 | |
| 00:59:49,710 --> 00:59:53,490 | |
| اللي بنتكلم فعليا هذا المثال اللي بدكره تلاتة عشان | |
| 730 | |
| 00:59:53,490 --> 00:59:57,870 | |
| بس نستوعب الاشي اللي بيصير و نفهم فعليا كل ال | |
| 731 | |
| 00:59:57,870 --> 01:00:02,730 | |
| concept بشكل واضح لكن فعليا لو أنا سألتك أبسط | |
| 732 | |
| 01:00:02,730 --> 01:00:05,710 | |
| اختبار ممكن يجري الإنسان اللي له علاقة بصحته ال | |
| 733 | |
| 01:00:05,710 --> 01:00:13,270 | |
| CBC كام factor فيه؟ 15 أنصر أعتقد أو 14يعني بتكلم | |
| 734 | |
| 01:00:13,270 --> 01:00:16,450 | |
| على الأقل 14 attributes اللي هو ال test ال | |
| 735 | |
| 01:00:16,450 --> 01:00:21,870 | |
| complete blood test تمام؟ فبتكلم على 14 attributes | |
| 736 | |
| 01:00:21,870 --> 01:00:25,730 | |
| لكل عينة الآن لو في واحدة عينة فيها مشكلة في ال | |
| 737 | |
| 01:00:25,730 --> 01:00:30,750 | |
| noise أو value معينة لأ لأ مش ضروري فالآن لو جديش | |
| 738 | |
| 01:00:30,750 --> 01:00:34,630 | |
| الآن الطبيب الحاذق ممكن بيقدر يقارن شغلات مع بعضها | |
| 739 | |
| 01:00:34,630 --> 01:00:38,210 | |
| ويقولك لأ في مشكلة يعني واضح الجهاز ان في مشكلةهذه | |
| 740 | |
| 01:00:38,210 --> 01:00:42,450 | |
| الفكرة وين إن الـ system لو غاب في عندي value أو | |
| 741 | |
| 01:00:42,450 --> 01:00:46,170 | |
| تشوشت value من الأربع عشر يكون عنده القدرة على | |
| 742 | |
| 01:00:46,170 --> 01:00:50,410 | |
| التنبؤ الصحيح أي واحدة من الأربع عشر ده مابتعنناش | |
| 743 | |
| 01:00:50,410 --> 01:00:54,870 | |
| بس في اللحظة اللي بيجيني ال attribute عفوا بيجيني | |
| 744 | |
| 01:00:54,870 --> 01:00:58,610 | |
| ال rows ال raw with missing value أو with noisy | |
| 745 | |
| 01:00:58,610 --> 01:01:02,350 | |
| data الأصل يعمل prediction هيعمل prediction في كل | |
| 746 | |
| 01:01:02,350 --> 01:01:07,320 | |
| الأحوال كل مكان بديني accurateالـ prediction في | |
| 747 | |
| 01:01:07,320 --> 01:01:11,300 | |
| الـ such case هذه معناته هذا مرة بسط بقدر أثق فيه | |
| 748 | |
| 01:01:11,300 --> 01:01:18,880 | |
| أكتر تمام ال scalability ال scalability طبعا دائما | |
| 749 | |
| 01:01:18,880 --> 01:01:23,740 | |
| احنا مفهوم ال scalability بنتكلم على ال large | |
| 750 | |
| 01:01:23,740 --> 01:01:29,560 | |
| amount of data فعليا هل ال algorithm هذا تبع ممكن | |
| 751 | |
| 01:01:29,560 --> 01:01:35,000 | |
| من السهل ان يتعامل معاه مع large dataالـ data set | |
| 752 | |
| 01:01:35,000 --> 01:01:37,760 | |
| اللي عندى مليون instances هل ال algorithm قادر على | |
| 753 | |
| 01:01:37,760 --> 01:01:40,960 | |
| تحليل مليون instances مع عشر .. مع عشر attributes | |
| 754 | |
| 01:01:40,960 --> 01:01:44,100 | |
| أو مع مائة attributes فهذا أنا بدي أسأله كل ما كان | |
| 755 | |
| 01:01:44,100 --> 01:01:48,780 | |
| ال algorithm اللي هستخدمه more scalable معناته | |
| 756 | |
| 01:01:48,780 --> 01:01:54,420 | |
| بكون أفضل interpretability تفسير و ال | |
| 757 | |
| 01:01:54,420 --> 01:02:01,500 | |
| understanding و فهم محتوى او ما وراهالـ Model أو | |
| 758 | |
| 01:02:01,500 --> 01:02:04,840 | |
| الـ Algorithm اللي عندي The level of understanding | |
| 759 | |
| 01:02:04,840 --> 01:02:10,000 | |
| and insight والمفهوم أو التوضيح أو المعنى الخفي من | |
| 760 | |
| 01:02:10,000 --> 01:02:14,200 | |
| Provided by the classifier احنا قبل شوية لما شوفنا | |
| 761 | |
| 01:02:14,200 --> 01:02:18,000 | |
| ال if then كان بسهولة ان افهم عليهش بدور ايش ال | |
| 762 | |
| 01:02:18,000 --> 01:02:21,720 | |
| factors الأساسية اللي كانت مصبوط؟ لو هذا ال if | |
| 763 | |
| 01:02:21,720 --> 01:02:25,040 | |
| then ماكنتش موجودة بقدر استوعب ليش هو جداني yes و | |
| 764 | |
| 01:02:25,040 --> 01:02:29,140 | |
| جداني no؟أكيد لأ لكن لما بكون ال algorithm قدامي | |
| 765 | |
| 01:02:29,140 --> 01:02:34,820 | |
| قادر أو بقدر او قادر على تفسيره بكون افضل لكن | |
| 766 | |
| 01:02:34,820 --> 01:02:39,980 | |
| الصحيح الموضوع برضه تفسيره هذي subjective للإنسان | |
| 767 | |
| 01:02:39,980 --> 01:02:42,780 | |
| او للشخص اللي بشتغل عليه لما أنا كتبنا كتبنا | |
| 768 | |
| 01:02:42,780 --> 01:02:50,140 | |
| المعادلة الرياضية Y تساوي M1 في A1 زائد M2 في A2 | |
| 769 | |
| 01:02:50,140 --> 01:02:51,440 | |
| زائد B | |
| 770 | |
| 01:02:55,220 --> 01:02:59,920 | |
| إيش رتبة .. إيش درجة المعادلة هي شباب؟ إيش رتبة | |
| 771 | |
| 01:02:59,920 --> 01:03:07,980 | |
| المعادلة هي شباب؟ معادلة خطية لأنه الدرجة تقاسب | |
| 772 | |
| 01:03:07,980 --> 01:03:12,840 | |
| أعلى أُس الدرجة أو رتبة المعادلة تقاسب أعلى أُس | |
| 773 | |
| 01:03:12,840 --> 01:03:18,000 | |
| فالمعادلة هي خطية بس فعليا هذه multiple variable | |
| 774 | |
| 01:03:18,000 --> 01:03:25,480 | |
| متغيرات اتنين مع ال Y يعني بين قسين الـ3D3D | |
| 775 | |
| 01:03:25,480 --> 01:03:30,840 | |
| equation، مصبوط؟ هي .. هي الفكرة، الآن مش كل الناس | |
| 776 | |
| 01:03:30,840 --> 01:03:35,740 | |
| قادرة على تفسير .. هد يعرضها على واحد خبير رياضيات | |
| 777 | |
| 01:03:35,740 --> 01:03:38,580 | |
| مباشرة، بيقولك هد بتعني كده و واحد كده، بيجي و | |
| 778 | |
| 01:03:38,580 --> 01:03:43,860 | |
| بيقولك إن هذا plane مائل، plane، مسطح مائل، الميل | |
| 779 | |
| 01:03:43,860 --> 01:03:51,450 | |
| تبعه باتجاه X ومثلاًX و Y كذا X و Z كذا هي الأبعاد | |
| 780 | |
| 01:03:51,450 --> 01:03:56,990 | |
| تبعته و هذه ارتفاعه أو التقاطع تبعته مع ال Y axis | |
| 781 | |
| 01:03:56,990 --> 01:04:02,270 | |
| لكن أنا مش بعرفني بالكلام هذا فالموضوع ال | |
| 782 | |
| 01:04:02,270 --> 01:04:07,130 | |
| interpretability أو موضوع تفسير ال algorithm و | |
| 783 | |
| 01:04:07,130 --> 01:04:12,550 | |
| فهمه بيختلف من شخص لشخص من | |
| 784 | |
| 01:04:12,550 --> 01:04:17,410 | |
| ال algorithms اللي هنتعرف عليهاKey nearest | |
| 785 | |
| 01:04:17,410 --> 01:04:21,490 | |
| neighbor algorithm وهذا البرنامج يعتمد على | |
| 786 | |
| 01:04:21,490 --> 01:04:22,550 | |
| البرنامج الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة | |
| 787 | |
| 01:04:22,550 --> 01:04:30,530 | |
| الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة | |
| 788 | |
| 01:04:30,530 --> 01:04:35,310 | |
| الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة | |
| 789 | |
| 01:04:35,310 --> 01:04:35,330 | |
| الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة | |
| 790 | |
| 01:04:35,330 --> 01:04:41,850 | |
| الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة | |
| 791 | |
| 01:04:41,850 --> 01:04:47,070 | |
| الووفي عند ال rule based induction وفي عند ال | |
| 792 | |
| 01:04:47,070 --> 01:04:49,430 | |
| support vector machine وفي عند ال logistic | |
| 793 | |
| 01:04:49,430 --> 01:04:53,610 | |
| regression كل هذه ال algorithm تستخدم في ال | |
| 794 | |
| 01:04:53,610 --> 01:04:55,990 | |
| classification وفي عند ال back up و ال propagate | |
| 795 | |
| 01:04:55,990 --> 01:04:59,310 | |
| neural network في الفصل هذا في الشابتر هذا ان شاء | |
| 796 | |
| 01:04:59,310 --> 01:05:02,350 | |
| الله تعالى هشرحلك ال k-nearest neighbor و ال naive | |
| 797 | |
| 01:05:02,350 --> 01:05:05,170 | |
| bison و ال decision tree و ال back up و ال | |
| 798 | |
| 01:05:05,170 --> 01:05:09,650 | |
| propagate neural network ك classifiers خلال الفصل | |
| 799 | |
| 01:05:09,650 --> 01:05:14,360 | |
| هذاأنا محاضرة اليوم هي كاد انتهيت | |