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 إن شاء الله شباب، هنبدأ بـ Chapter جديد في الـ

3
00:00:11,930 --> 00:00:15,070
data mining، وهنتكلم على أولى الـ data mining tasks

4
00:00:15,070 --> 00:00:20,630
وهي الـ classification. الـ classification لكن قبل

5
00:00:20,630 --> 00:00:24,150
ما أبدأ بالمحاضرة فعلياً، وبالـ slides، بدي أسأل أنا

6
00:00:24,150 --> 00:00:26,270
إيش احنا بنقصد بالـ 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؟  مرتّب، عفواً، بجسم الـ data على شكل

12
00:01:09,520 --> 00:01:14,720
categories. بجسم الـ data على شكل categories، كريم.

13
00:01:14,720 --> 00:01:20,040
بناءً على ترميز معيّنة، بعمل زي لِبْط بمثل الصدر أو كذا.

14
00:01:20,040 --> 00:01:24,340
طيب، أنا قاعد بسأل شو يعني تصنيف بالعربي؟ شو يعني

15
00:01:24,340 --> 00:01:30,220
تصنيف شغلات بينها أو في عناصر، فيها عناصر مشتركة.

16
00:01:30,220 --> 00:01:38,040
عمار، شو يعني تصنيف؟ تقسيم العناصر إلى 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 أنا جيت قلت لك، أه أحمد، تفضل. اعمل sub-class

19
00:01:54,950 --> 00:02:00,410
بناءً على role معيّن، أو subset. طيب لو.. لو أنا جيت

20
00:02:00,410 --> 00:02:09,330
قلت لكم عندي الآن قرصة كتب، مجموعة كتب، وبدنا نصنّفها.

21
00:02:15,120 --> 00:02:19,440
إيش اسمك؟ إبراهيم. إبراهيم، أنا عارف، بعمل تساؤل لك.

22
00:02:19,440 --> 00:02:26,500
سنّوار، حسب إيش بدي أصنّفها؟ ليش يا إبراهيم سألتني

23
00:02:26,500 --> 00:02:32,420
السؤال هذا؟ عشان أنا أقدر.. طب إيش اللي بدك إياه مني

24
00:02:32,420 --> 00:02:36,480
يا إبراهيم، عشان تقدر تصنّفها؟

25
00:02:36,480 --> 00:02:39,660
هو هو أنت صرت إبراهيم الآن؟ أيوة، إيش اللي بدك

26
00:02:39,660 --> 00:02:42,960
يامني، عشان تقدر تصنّفها؟  حتى تقدر تحصر لي 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 كلكم بتتكلموا، لمجموعات. أصنفهم لمجموعات، أصنفهم

39
00:03:21,720 --> 00:03:27,360
لمجموعات. مش هيك أصنفهم. يعني في عندي predefined

40
00:03:27,360 --> 00:03:32,220
sets. في عندي مجموعات معروفة مسبقاً، والمجموعات هذه

41
00:03:32,220 --> 00:03:38,060
إلها عناوين، وأنت دورك تشوف هل العنصر هذا بيتوافق 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 أنتم بتطرحوه، بتقول أنا بدي أدرس الخصائص

44
00:03:44,840 --> 00:03:50,630
المشتركة بين الكتب، وأجسّمهم لمجموعات. هذا بيسمّيه

45
00:03:50,630 --> 00:03:52,510
احنا في الـ data science أو في الـ data mining

46
00:03:52,510 --> 00:03:57,230
clustering. يا تامر، بيسمّيه clustering أو grouping.

47
00:03:57,230 --> 00:04:04,370
بينما للتصنيف، أنا بقعد فيه عندي مجموعات معرفة

48
00:04:04,370 --> 00:04:08,350
مسبقاً، 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 اثنتين. أجل، لازم يكونوا

51
00:04:18,680 --> 00:04:23,600
مجموعتين، وبعدين هي بيجي دوري أنا، بشوف كل object

52
00:04:23,600 --> 00:04:26,780
في الـ data set اللي عندي، أو كل object في الكتب

53
00:04:26,780 --> 00:04:33,440
اللي عندي، بيندرج تحت أي مصنّف؟ تحت أي عنوان من

54
00:04:33,440 --> 00:04:37,020
المجموعات هذه. لو أنا أجيت قلت لك يا همام، الكتب اللي

55
00:04:37,020 --> 00:04:43,400
عندي أنا إما science أو politics أو financial أو

56
00:04:43,400 --> 00:04:45,020
literature، أدب.

57
00:04:47,290 --> 00:04:54,550
اقتصاد، سياسة، علوم، شوف كيف تساوي وعندك 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 هتسوي؟ هتمسك كل كتاب..  كمل، على

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
مثلاً كتاب بتكلم عن الاحتلال الإنجليزي لشرق آسيا،

62
00:05:18,400 --> 00:05:26,760
مثلاً بتصنّفه سياسة ولا تاريخ، literature حسب الكتاب

63
00:05:26,760 --> 00:05:30,500
عن إيش بتكلم؟ هل بتكلم مثلاً رؤية سياسية ولا

64
00:05:30,500 --> 00:05:34,480
بتكلم مجرد سرد تاريخي للموضوع، الاحتلال على

65
00:05:34,480 --> 00:05:37,620
التاريخ. جيت وجيت والله، كتاب بتكلم على الـ second

66
00:05:37,620 --> 00:05:38,240
derivative.

67
00:05:41,020 --> 00:05:45,180
Science. لجيت كتاب بتكلم 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
باستخدام الـ knowledge تبعتي، تمام؟ ومعرفتي

70
00:05:52,860 --> 00:05:58,370
بالمجموعات السابقة، بالمجموعات السابقة اللي موجودة

71
00:05:58,370 --> 00:06:02,010
عندي، وبروح إيش بصير؟ آخذ كل كتاب أو كل object

72
00:06:02,010 --> 00:06:06,230
بقرّن الخصائص تبعته، أو بحاول أطلع، أعرف عن إيش بتكلم

73
00:06:06,230 --> 00:06:10,910
الكتاب هذا، وبروح بصنّفه لحاله، بحطه تحت مجموعة أو

74
00:06:10,910 --> 00:06:16,170
تحت أي مجموعة من العناصر اللي موجودة. عامّة، تمام؟

75
00:06:16,170 --> 00:06:22,010
فمعناته الـ classification هي عضوية المجموعات

76
00:06:22,010 --> 00:06:25,950
predefined groups، مجموعات معروفة مسبقاً، وبدي أحدّد

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 عندي الآن. بيفرق عن التقسيم أو الـ clustering.

79
00:06:36,970 --> 00:06:42,840
لو قلت للشباب، أنا بدي أجسّمكم لمجموعات، تمام؟ شغلات

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 بينكم. عشان لو رحت أنا قلت، بجسّمكم تبع الـ

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، ما لي أي control على.. على عدد

84
00:07:02,620 --> 00:07:05,760
المجموعات. بينما في الـ cluster.. في الـ

85
00:07:05,760 --> 00:07:11,400
classification، عدد المجموعات. طبعاً، بدي أجسّمكم تبعاً

86
00:07:11,400 --> 00:07:16,100
لتاريخ ميلادكم، لسنة الميلاد. كل ناس مولودين في سنة

87
00:07:16,100 --> 00:07:20,840
هذول بيكونوا مجموعة لحالهم. طب لجيت واحد لحاله، أه

88
00:07:20,840 --> 00:07:28,040
هذا، بدوني أعمل مجموعة، ما عنديش مشكلة في الموضوع، لأ.

89
00:07:28,040 --> 00:07:34,940
ممكن أسخّر الـ clustering لخدمة الـ classification. ممكن

90
00:07:34,940 --> 00:07:39,240
أسخّر الـ clustering لخدمة الـ classification، وهذا

91
00:07:39,240 --> 00:07:43,240
بنسميه عادةً semi-supervised learning. إن أنا فعلياً

92
00:07:43,240 --> 00:07:47,480
عندي بعض الـ data، بعض الـ data labeled، وبعض الـ

93
00:07:47,480 --> 00:07:51,560
data.. وكمّ كبير من الـ data unlabeled. فبروح

94
00:07:51,560 --> 00:07:56,580
بجسّمهم لأربع مجموعات حسب معرفتي من هنا، وبطلع في كل

95
00:07:56,580 --> 00:08:00,560
cluster، كل مجموعة، إيش الأكثر عناصر من الـ الـ هم

96
00:08:00,560 --> 00:08:03,600
label، وبسمّيه، بطلق عليه، وبخلي الـ bag كله، ماشي؟

97
00:08:03,600 --> 00:08:08,260
يحملوا نفس الصفة. أجيت أقول بدي أصنفكم تبعاً

98
00:08:08,260 --> 00:08:09,560
لمعدلاتكم.

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 ثمانين لتسعين، okay. بس لاحظ أنا ما اتكلمت على كل

101
00:08:22,200 --> 00:08:26,000
اسم مجموعة. المجموعات هذه ما لها أسامي، مش معرفة

102
00:08:26,000 --> 00:08:31,280
بالنسبة لي مسبقاً. تبع أوزانكم، أطوالكم، تمام؟ كل

103
00:08:31,280 --> 00:08:34,740
الشغلات هذه، عاملة جماعة. بتتكلم على مجموعات، على

104
00:08:34,740 --> 00:08:38,720
مجموعات، وبعدين هيك بنصير إما بحدّد الخاصية وبشغل، أو

105
00:08:38,720 --> 00:08:42,440
بروح بقول لشبابنا، نجسّم لمجموعتين، لثلاث مجموعات، و

106
00:08:42,440 --> 00:08:45,860
بصير أدوّر على الـ common properties اللي تجمعكم مع

107
00:08:45,860 --> 00:08:51,860
بعض. لكن إيش الصفة السائدة لكل مجموعة؟ ما نعرفش

108
00:08:51,860 --> 00:08:55,580
لاحقاً. بدنا نصير نفكّر، ندوّر بعنوان. بينما بالـ

109
00:08:55,580 --> 00:08:59,340
classification، أنا عندي التصنيفات موجودة عندي

110
00:08:59,340 --> 00:09:05,320
مستويات الطلاب موجودة: ممتاز، جيد جداً، جيد، مقبول؟ هذه

111
00:09:05,320 --> 00:09:08,920
التصنيفات اللي موجودة عندي 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 جزئياً أو صافي، تمام؟ اليوم إما هيكون

114
00:09:18,860 --> 00:09:22,420
ماطر أو هيكون غير ماطر. هذه المعلومات أو هذه الـ

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 الـ chapter

119
00:09:43,860 --> 00:09:44,380
هذا؟

120
00:10:02,660 --> 00:10:06,840
إيش بتتوقع إن احنا نتعلم في الـ 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 بتستخدم في التصنيف، غيره. طبعاً هذا

123
00:10:24,340 --> 00:10:29,700
حتكلم، شغل مكتبات أو شغل ناس شغّالة في المجال. غير،

124
00:10:29,700 --> 00:10:34,050
أه حسن، إيش بتتوقع أن أبدأ 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؟ إيش المبدأ اللي بتشتغل عليه؟

127
00:10:44,170 --> 00:10:48,470
أه أحمد، إيش 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
objects، عشان أقدر أصنفها. أقدر أفرّق بين إيش؟ بين الـ

131
00:11:07,980 --> 00:11:13,180
objects أو بين جُثتين. أتعرف على الخصائص تبع 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 فعلياً، مش أنا اللي

134
00:11:23,900 --> 00:11:29,680
هشتغل. الـ 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 الـ characteristics

138
00:11:40,840 --> 00:11:45,320
المشتركة لكل مجموعة. الآن بما أن الـ classification

139
00:11:45,320 --> 00:11:50,380
هي واحدة من supervised learning methods. احنا كنا

140
00:11:50,380 --> 00:11:54,300
حكينا المرة الماضية، الـ data mining tasks نوعين:

141
00:11:55,310 --> 00:11:59,690
Predictive و Descriptive. في الـ Predictive، قلت أنا

142
00:11:59,690 --> 00:12:03,430
فيه Classification، وبدي أتنبأ بـ category، بدي أتنبأ

143
00:12:03,430 --> 00:12:07,310
بالـ target label تبع المجموعة. وفي عندي Regression،

144
00:12:07,310 --> 00:12:11,490
بدي أتنبأ بـ continuous value، بـ قيمة، وقلنا في الـ

145
00:12:11,490 --> 00:12:15,670
Descriptive، في الوصفية، إما بتكلم على Clustering،

146
00:12:15,670 --> 00:12:20,770
تقسيم لمجموعات، أو Outlier Detection، تحديد الشوائب،

147
00:12:20,770 --> 00:12:27,070
أو الـ Association Rules، تحديد العلاقات 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، والخوارزميات 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
مسبقاً، اللي موجودة عندي في الـ data. ومن ثم، لما بدي

152
00:12:51,390 --> 00:12:55,000
أجي أعمل prediction، بدي تديني الـ prediction، أو بدي

153
00:12:55,000 --> 00:12:58,740
تديني الـ category أو الـ group، أو اسم المجموعة اللي

154
00:12:58,740 --> 00:13:01,540
بينتمي إليها الـ object الجديد هذا، اللي هو الـ

155
00:13:01,540 --> 00:13:06,640
unseen object أو unseen instance. يعني فعلياً 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؟ أنت دورك، جهّزت البيانات، بدك تختار algorithm

158
00:13:14,400 --> 00:13:18,100
كويس، وتقول للـ algorithm، اقرأ البيانات، وتعلّم منها.

159
00:13:18,100 --> 00:13:23,160
تعمل evaluation، قبل ما تقول أنا صار فيه عندي model

160
00:13:23,160 --> 00:13:26,280
بيقدر يعمل prediction للـ category أو للـ class اللي

161
00:13:26,280 --> 00:13:34,320
موجود عندها. الـ classification

162
00:13:34,320 --> 00:13:39,020
هي

163
00:13:39,020 --> 00:13:41,840
واحدة من الـ mining tasks أو الـ data mining tasks

164
00:13:41,840 --> 00:13:46,140
التقليدية. الـ task يعني من أهم أو من أكثر الـ tasks

165
00:13:46,140 --> 00:13:52,520
شهرةً.  لـ classification، وطبعاً ممتدّة أساساً 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
Algorithms، الشباب، بشكل عام، أو التقنيات بتشتغل ضمن

168
00:13:58,880 --> 00:14:04,860
منهجيات معيّنة. الأولى، أنه فعلياً، هل الـ Machine

169
00:14:04,860 --> 00:14:08,940
Learning هذه بتتدرّب أو بتتعلم من خلال الـ Human

170
00:14:08,940 --> 00:14:15,200
Supervision، من خلال مراقبة الإنسان، أو إشراف الإنسان.

171
00:14:15,200 --> 00:14:19,280
الفكرة كالتالي: ما ينفعش أنا أروح أقول للطلاب في

172
00:14:19,280 --> 00:14:23,900
المدرسة هذه، مجموعة الكتب، أروح أدخّلهم في الصف الآن

173
00:14:23,900 --> 00:14:27,660
من العاشرة للحادية عشرة، عليكم عربي، ادرسوا كتاب العربي

174
00:14:27,660 --> 00:14:35,260
بدون ما يكون عندهم

223
00:18:05,560 --> 00:18:10,260
batch learning كذلك في عندي الـ trend في الـ 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 يبني موديل

226
00:18:19,860 --> 00:18:24,680
هو اللي بديه يعمل prediction لاحقاً، بينما بالـ

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 للـ data الأصلية، وطبعاً هدول الشغلتين لكل

229
00:18:34,620 --> 00:18:39,480
واحدة فيه إيجابياتها وإليها سلبياتها، كذلك في

230
00:18:39,480 --> 00:18:43,040
trend آخر فيه deterministic وفيه probabilistic

231
00:18:43,040 --> 00:18:47,390
approach في الـ learning، في الـ deterministic اللي

232
00:18:47,390 --> 00:18:51,610
هو الدقيق أو الموحد، أن الـ algorithm هذا مع الـ

233
00:18:51,610 --> 00:18:56,370
input هذا لو عدته خمسة آلاف مرة، لو عدته مليون مرة

234
00:18:56,370 --> 00:19:01,070
هيديني نفس النتيجة، محدد، بينما في الـ probabilistic

235
00:19:01,070 --> 00:19:04,310
طبعاً في الـ deterministic مافيش عندي مجالة

236
00:19:04,310 --> 00:19:09,240
randomness، مافيش مجالة عشوائية، كله شغال ضمن قيم

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 الـ population وبيصير.. ممكن

240
00:19:18,660 --> 00:19:23,180
تتغير.. عفواً، النتيجة تتغير ما بين مرة والتانية

241
00:19:23,180 --> 00:19:26,200
بشكل

242
00:19:26,200 --> 00:19:28,880
عام، احنا بنتكلم على الـ supervised learning و

243
00:19:28,880 --> 00:19:34,050
بالتحديد الـ classification، الآن supervision زي ما

244
00:19:34,050 --> 00:19:37,870
قلنا سابقاً، training data، الـ data set اللي أنا

245
00:19:37,870 --> 00:19:49,150
اخترتها بتتكلم عن الـ heart disease، الـ

246
00:19:49,150 --> 00:19:55,090
body mass index، الـ blocked artery، تصلب الشرايين،

247
00:19:55,090 --> 00:20:04,810
قلم في الصدر، وفي الآخر التصنيف 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، الـ

249
00:20:11,790 --> 00:20:18,030
data set في جو زي اليوم، بتكلم الجو غائم، الـ outlook

250
00:20:18,030 --> 00:20:24,790
cloudy، الـ temperature عشرة مثلاً أو اثنا عشر، الـ

251
00:20:24,790 --> 00:20:32,600
humidity intermediate، متوسطة، الـ Windy، فيه رياح، بدي

252
00:20:32,600 --> 00:20:38,720
أعمل، هل اليوم ماطر أو لأ؟ كـ category، كفئة، لاحظ أنا

253
00:20:38,720 --> 00:20:43,400
الآن بتكلم هذه الـ label تبعتي، هي الـ target، هي الـ

254
00:20:43,400 --> 00:20:47,140
group، الـ predefined group، إما هدول الـ instances

255
00:20:47,140 --> 00:20:52,320
الـ data set مقسمين لمجموعتين، ناس مصابين بأمراض

256
00:20:52,320 --> 00:20:58,190
القلب وناس غير مصابة، الجو أيام ماطرة وأيام غير

257
00:20:58,190 --> 00:21:03,210
ماطرة، تصنيفات الطلاب جيد جداً أو ممتاز، جيد جداً، جيد،

258
00:21:03,210 --> 00:21:07,210
مقبول، هذه التصنيفات الموجودة معروفة مسبقاً، وهذه

259
00:21:07,210 --> 00:21:11,770
هتكون موجودة عندنا في الـ training set، هذه لازم تكون

260
00:21:11,770 --> 00:21:16,530
عاملة combination ما بين الـ attributes اللي عندي

261
00:21:16,530 --> 00:21:20,310
بالإضافة

262
00:21:21,330 --> 00:21:25,310
الـ groups أو الـ predefined groups، يعني بين جثتين

263
00:21:25,310 --> 00:21:34,190
محدد له بشكل دقيق، كل raw بيتبع أي مجموعة، تمام؟ كل

264
00:21:34,190 --> 00:21:39,870
raw بيتبع أي مجموعة، وعادة هذه بنسميها احنا

265
00:21:39,870 --> 00:21:45,990
training data، training data، فالـ classification هي

266
00:21:45,990 --> 00:21:53,400
مهمتها تعمل predict categorial class label، تتنبأ

267
00:21:53,400 --> 00:21:59,360
بالفئة، باسم الفئة تبعتها، تبعت المجموعات، للـ

268
00:21:59,360 --> 00:22:03,160
unseen data، طبعاً الـ 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 منفصلة عن بعضها، هي فعلياً ظاهرها

272
00:22:20,450 --> 00:22:24,690
continuous، عشر، عشرين، ثلاثين، تمام؟ ولما بتروح

273
00:22:24,690 --> 00:22:27,630
يعمل الـ prediction هو بتقول أما عشرة أو عشرين أو

274
00:22:27,630 --> 00:22:30,570
ثلاثين، مالهاش علاقة بالأرقام أو العلاقة بالحساب

275
00:22:30,570 --> 00:22:36,670
مطلقاً، الآن في

276
00:22:36,670 --> 00:22:39,570
الـ classification هيبني prediction model عشان

277
00:22:39,570 --> 00:22:43,410
يتنبأ بالـ discrete values اللي موجودة عندها، تعالى

278
00:22:43,410 --> 00:22:49,530
نشوف الصورة هاي، أو بلاش، قبل ما نروح على الصورة هاي

279
00:22:49,530 --> 00:22:53,010
عشان أنا 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 بيقول لك photo

286
00:23:22,990 --> 00:23:26,770
description، بس سيبك من الـ photo واتكلم عن الـ

287
00:23:26,770 --> 00:23:31,290
description، أنا بقول لك صح، صورة مصغرة أو نموذج، بلاش

288
00:23:31,290 --> 00:23:38,410
نقول مصغر، صورة تصف النموذج أو الشكل أو الـ 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 أقول لكوا علاقة بما في ناس بتكون interested

291
00:23:43,410 --> 00:23:48,310
بالسيارات، تروح شركة BMW بتقول لك والله إحنا في عندنا

292
00:23:48,310 --> 00:23:53,470
الـ model تبع 2030 من السيارة جاهز، شو

293
00:23:53,470 --> 00:23:59,130
يعني؟ مش.. لأ لأ ما تكلم ال.. ما تكلم على الـ model

294
00:23:59,130 --> 00:24:05,770
يعني أن هو في عنده تصور أو وصف دقيق لشكل السيارة،

295
00:24:05,770 --> 00:24:08,470
إيش السيارة بدها 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 الـ prototype هذا مثلاً، معارض

298
00:24:17,710 --> 00:24:20,990
السيارات، لما بروح بيعرض في المعارض، إيش بقول لك؟

299
00:24:20,990 --> 00:24:25,910
بقول لك، 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، إيش بستفيد من الـ sample هاي؟ فعلياً 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 بقول لك في عندي الـ model تبعت الجوال مكونة من أو

304
00:24:42,700 --> 00:24:47,500
هيك كده، فبديك وصفه، جدش حجمه، جدش الكاميرا، جدش وزنه،

305
00:24:47,500 --> 00:24:50,020
جدش الـ processor، جدش الـ memory، جدش الـ storage

306
00:24:50,020 --> 00:24:53,760
تبعته، إيش هو التقنية المستخدمة، مع الـ bluetooth، مع

307
00:24:53,760 --> 00:24:57,300
الـ land، مع الـ wireless، عفواً، كل الشغلات هذه بتكون

308
00:24:57,300 --> 00:25:04,310
موصوفة، وبالتالي الـ model هي 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 الـ database زمان؟ الفصل الماضي يا إيهاب،

311
00:25:11,930 --> 00:25:16,970
لما اتكلمنا على الـ data model وقبلها أنت بتعرف

312
00:25:16,970 --> 00:25:21,750
شوية عن الـ relational model، تمام؟ مصبوط؟ ففعلياً

313
00:25:21,750 --> 00:25:25,450
ليش بسميها model؟ لأنّه بوصف البيانات، وبالتالي

314
00:25:25,450 --> 00:25:31,710
أنا الآن الـ model اللي هتكلم عليه هي عبارة عن آلية

315
00:25:31,710 --> 00:25:37,370
لِوصف الـ knowledge، ما تنساش الـ 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 الـ mining task استخراج knowledge من الـ

319
00:25:53,930 --> 00:25:56,970
data set اللي موجودة، طب الـ knowledge اللي طلعت هاي

320
00:25:58,780 --> 00:26:04,060
كيف بدي أوصفها؟ كيف بدي أستخدمها؟ لازم تكون ضمن

321
00:26:04,060 --> 00:26:10,040
model معين، عشان نقدر نستخدمها، 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، ثمان 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
تفاح، اللي هو ريحة ولا ما له؟ مش ريحة، ممتاز، لو ضليتكم

328
00:26:38,890 --> 00:26:41,630
ساكتين، بقول لكم كيف بندخلها بس، وما أنك أنت سألتني،

329
00:26:41,630 --> 00:26:46,810
خلصنا، فالآن هذه الـ characteristics الوصفية تبعت الـ

330
00:26:46,810 --> 00:26:51,750
data هي، هم، هروح نديها للـ algorithm، أو أختار

331
00:26:51,750 --> 00:26:55,290
algorithm، machine learning algorithm يقرأ الـ data

332
00:26:55,290 --> 00:27:03,870
set كلّها، يعملها تحليل، يِوجد علاقة ما بين الحجم و

333
00:27:03,870 --> 00:27:10,110
اللون والرائحة والطعم، كل الشغلات هذه، لما تديله

334
00:27:10,110 --> 00:27:14,570
الـ data set أو العناصر هذه، يكون قادر على أن يقول

335
00:27:14,570 --> 00:27:20,590
لي أن هذه تفاحة، الآن الـ model هذا أنا روحت اختبرته

336
00:27:20,590 --> 00:27:27,690
بتفاحة خضراء، تفاحة ولا لأ؟ تمام؟ اللون واحدة من الـ

337
00:27:27,690 --> 00:27:32,010
characteristics اللي كانت موجودة، بس مش كل شيء، الآن

338
00:27:32,010 --> 00:27:37,070
الـ model تبعي الأصل يقول إنه هذا تفاحة، لو أنا روحت

339
00:27:37,070 --> 00:27:45,770
أضفت هان مجموعة

340
00:27:45,770 --> 00:27:50,750
من الـ mango أو البرتقال، تمام؟ مجموعة من البرتقال،

341
00:27:50,750 --> 00:27:57,670
وصار في عندي two groups، في عندي هذه apple

342
00:27:57,670 --> 00:28:04,870
وهذه orange، الـ system اللي يتعرف على خصائص الـ

343
00:28:04,870 --> 00:28:08,890
apple هي المفهوم، التصنيف، أن أنا خلاص okay، هدول

344
00:28:08,890 --> 00:28:13,550
هي المصنف تبعي apple أو orange، فالـ system هيتعرف

345
00:28:13,550 --> 00:28:22,190
على خصائص الـ apple وخصائص التفاح ويبني model قادر

346
00:28:22,190 --> 00:28:28,050
على التفريق ما بين التنتين، فلما أنا بديّه تفاحة،

347
00:28:28,050 --> 00:28:30,750
هيقول لي تفاحة، أدّيته برتقالة، الأصل يقول لي

348
00:28:30,750 --> 00:28:37,430
برتقالة، طب لو أدّيته حبة مانجو، مش هيعرف، غلط، في

349
00:28:37,430 --> 00:28:41,490
الـ classification هان لأنه آلة، وما فيش مجال يا

350
00:28:41,490 --> 00:28:45,270
هذه يا هذه، ما فيش مجال، ما فيش خيار ثالث، أنت

351
00:28:45,270 --> 00:28:48,290
ما تركت له، في موضوع التصنيف، هي اللي أنا بوصلك

352
00:28:48,290 --> 00:28:53,020
إياها، في موضوع التصنيف، ما 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 تضيفها لواحدة من الـ categories بس

355
00:29:00,020 --> 00:29:04,760
غالباً هيضيفها للأقرب، يعني تخيّل أنّه والله كان في الـ

356
00:29:04,760 --> 00:29:08,800
mango اللي بنتكلم عليها هي لونها أحمر مثلاً وما أخذة

357
00:29:08,800 --> 00:29:16,910
شكل كروي أكثر، تمام؟ فهتروح باتجاه التفاح، في الآخر

358
00:29:16,910 --> 00:29:21,570
هو صح صنّفها غلط في كل الأحوال، بس هو اجتهد.. اجتهد

359
00:29:21,570 --> 00:29:27,390
وراح ضافها للأقرب حسب الـ object اللي موجود، لكن في

360
00:29:27,390 --> 00:29:32,190
المقابل كان في حبة مانجو أخرى أكبر حجماً ولونها

361
00:29:32,190 --> 00:29:37,430
برتقالي، تمام؟ فمش ضروري أروح أصنّف لك إياها تفاح،

362
00:29:37,430 --> 00:29:42,030
بروح أصنّف لك إياها إيش؟ Orange، لأنّه فعلياً الـ

363
00:29:42,030 --> 00:29:49,070
characteristic تبعتها متشابهة، نعمل، مش ممكن عمرك

364
00:29:49,070 --> 00:29:54,310
مرة عليك برنامج أنّه بيبني فئة لوحده، ممكن يتعلّم

365
00:29:54,310 --> 00:29:57,650
يبني.. يبني الحالة، يبني الحالة، ده حالة يعني إذا

366
00:29:57,650 --> 00:30:01,890
تجي ده أول مرة، أول مرة تصنّفها لحالة، وممكن الـ human

367
00:30:01,890 --> 00:30:06,970
يقول لك شوف رجع لوين، بعدين الـ human يقول، الـ human هو

368
00:30:06,970 --> 00:30:12,520
صاحب القرار، عمرها ما قال غيرت 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 مردّه لتخطيط صحيح من الـ human، وتصرف الآلة

371
00:30:23,100 --> 00:30:27,020
ما هو إلا من تصرف الـ human ضمن المسار اللي رسمه

372
00:30:27,020 --> 00:30:30,540
الآن سيبك من الأفلام اللي احنا بنشوفها أن الـ.. الـ

373
00:30:30,540 --> 00:30:34,620
.. اتطورت حتى تقطع.. تقطع.. تجيب البشر وتحتل

374
00:30:34,620 --> 00:30:39,060
الكون، ده ما فيش منه، تمام؟

375
00:30:40,540 --> 00:30:45,060
طيب، الآن فبالتالي يا محمد احنا بنتكلم، ما فيش مجال، ما فيش

376
00:30:45,060 --> 00:30:48,280
مجال أن أروح فئة، أضيف فئة جديدة، لأ، الفئات موجودة

377
00:30:48,280 --> 00:30:52,340
مسبقاً، وبناء عليه أنا هشتغل مع الفئات اللي موجودة

378
00:30:52,340 --> 00:30:56,060
عندي، فضل

379
00:30:59,640 --> 00:31:02,160
مية بالمئة، الفرق بين الـ regression والـ

380
00:31:02,160 --> 00:31:06,300
classification أن الـ 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
بالـ regression بدّه يديني قيمة continuous value،

383
00:31:15,960 --> 00:31:26,380
number، بدها تكون موجودة عندي، طيب الآن الـ

384
00:31:26,380 --> 00:31:32,500
classification هي عبارة عن تكنيك أو خوارزمية 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 IT، أنت 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؟ لأنّه كمان مرة الـ prediction مش أنت صاحب

393
00:32:14,380 --> 00:32:19,160
قراره، عفواً، الـ classification أو التصنيف 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 --> 0

445
00:36:27,350 --> 00:36:32,570
negative orange, not orange.  ما بنقولش تفاح لأن لو حط

446
00:36:32,570 --> 00:36:35,410
المانجا وحط الموز تحت التفاح،  في عندنا خطأ

447
00:36:35,410 --> 00:36:40,190
فبنقول إحنا orange و not orange، وهكذا الآن في

448
00:36:40,190 --> 00:36:46,670
مرحلة training زي ما قلنا إنه هيأخد 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 فيها، ويحاول 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، هتأخد 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
prediction للـ 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 إحنا 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
عن  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، واللي 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؟ وبقارنها، إذا 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، إحنا

472
00:38:49,480 --> 00:38:53,500
عادة بنفترض إن ال data set، كل sample في ال data

473
00:38:53,500 --> 00:39:00,070
set بتنتمي ل only one category، لأن 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، هيكون في عندي مشكلة. الشغل اللي بتعلمه قبل

476
00:39:07,250 --> 00:39:10,390
شوية، بدي أحاول أنفيها أو بدي أراجع عنها وأحط

477
00:39:10,390 --> 00:39:13,970
واحدة مضادة لها، وهذا الكلام ما بيصير تماما

478
00:39:13,970 --> 00:39:18,070
تماماً، مثل ما آجي أقول، أعلم الولد الصغير، أقول له 2

479
00:39:18,070 --> 00:39:23,850
ضرب 3 يساوي 6، وفي نفس الوقت أروح أقول له 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 صح، اه؟

482
00:39:34,810 --> 00:39:37,850
ما بيعرفش ال system، ال computer ما بيعرفش، أنت في

483
00:39:37,850 --> 00:39:42,370
مرحلة التلقين، الإثنين صح، ولما يصير في عنده معلومة

484
00:39:42,370 --> 00:39:47,870
متضاربة، فعلياً مش هيقدر يأخذ decision في أي حالة

485
00:39:47,870 --> 00:39:52,140
فيها. اتنين ضرب تلاتة، هذا اللي بيصير، عشان هيك

486
00:39:52,140 --> 00:39:55,820
بنفترض إنه في موضوع ال learning، أو في مرحلة

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
إن 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 أنا بدي أدرب عليها

490
00:40:10,620 --> 00:40:14,640
النظام، أو اللي بدي أحللها النظام، بحيث إنه يأخذ منها

491
00:40:14,640 --> 00:40:19,910
يستخلص ال model منها، بسميها ال training set، 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، لأن كل واحد مثلاً في واجب

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 مثلاً زي ما سيكت في سبوك أو أمازون،

496
00:40:36,170 --> 00:40:38,530
بتبني، أو ال training set دي ال model. طب ما إحنا

497
00:40:38,530 --> 00:40:40,970
قلنا، 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 إنها تكون أدق، أعلى. كيف الاسم يعني؟ مثلاً خمسين

500
00:40:48,570 --> 00:40:53,690
ألف raw data. شوف لأ، لأ، شوية. أنت عندك ال data set كلها

501
00:40:53,690 --> 00:40:57,410
خمسين ألف raw data، وبدك تعمل training على تلاتين ألف raw data،

502
00:40:57,410 --> 00:41:01,370
مثلاً، مش كافي، لأن عادة جماعة الخبرة، 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 set. يعني الآن، إذا بتقدر تعمل training

505
00:41:08,320 --> 00:41:11,160
على كل ال data، وتختبره 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؟ وجديش حجمها،

508
00:41:19,160 --> 00:41:22,540
طبعاً؟ الآن، إذا أنت لاحظت في أخر assignment، أو في

509
00:41:22,540 --> 00:41:25,720
ال assignment الأخير، مطلوب منك، آخر بند، 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 set. مصبوط؟ وهذه التسأل ليش؟ لأنه ما بديش 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 آجي أحترمه، لأن 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
إن كل ما تكون ال data، أو خلّنا نقول ال knowledge

517
00:41:56,860 --> 00:42:02,120
تبعتي أدق، ال classification تبعتي بتصير أدق، لكن

518
00:42:02,120 --> 00:42:05,220
برضه مش منطق إن يكون أنا في عندي اتنين مليار

519
00:42:05,220 --> 00:42:10,800
record، تمام؟ وأنا بروح بتقبج عليهم كلهم، عملية ال

520
00:42:10,800 --> 00:42:13,940
training بحد ذاتها هذه، هتصير تأخذ 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
أساساً خلصت، بطلتلها قيمة. فأنت برضه بتوازن ما بين ال

523
00:42:24,370 --> 00:42:28,310
accuracy تبع النظام، وعامل الوقت أو ال performance

524
00:42:28,310 --> 00:42:34,610
تبع ال training، جديش بيحقق نتائج في

525
00:42:34,610 --> 00:42:40,110
ال data set اللي موجود عندنا. هان الآن، هاي عندي ال

526
00:42:40,110 --> 00:42:44,610
data set، ال name، ال rank، ال years، نرجع ولا

527
00:42:44,610 --> 00:42:48,830
ما نرجعش، نقعد

528
00:42:48,830 --> 00:42:54,450
ولا ما نقعدش، نريح ولا ما نريحش، 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 أعطاني

531
00:43:04,410 --> 00:43:09,590
classifier model، prediction model لل class، لمية

532
00:43:09,590 --> 00:43:13,910
ممكن أختار؟ ل yes و no، بحيث إنه أنا لو زدت بال

533
00:43:13,910 --> 00:43:20,750
rank وعدد سنوات الخبرة، يدّيني ال label اللي موجود

534
00:43:20,750 --> 00:43:27,890
فقال ال model تبعي هو عبارة عن if then rule، لو كان

535
00:43:27,890 --> 00:43:31,890
ال rank professor، وال years أكبر أو يساوي 6، أكبر من

536
00:43:31,890 --> 00:43:42,910
6، معناته نرجع. تمام. المرحلة الثانية، ال model usage،

537
00:43:42,910 --> 00:43:48,060
بالملاحظة يا شباب، ال classification algorithm، أنا

538
00:43:48,060 --> 00:43:55,280
هان غالباً... غالباً بيشتغل فعلياً as a black box، يعني

539
00:43:55,280 --> 00:43:58,980
بدي ال input، وأخذ منه ال output، اللي هو ال model

540
00:43:58,980 --> 00:44:03,300
إيش اللي بيصير... إيش اللي بيصير؟ غالباً مش كل

541
00:44:03,300 --> 00:44:06,820
الناس المعنية فيه، بس أنا بالمساق هذا، هدخل بتفاصيل

542
00:44:06,820 --> 00:44:11,240
عشان أعرف فعلياً ال classifier كيف اشتغل، تمام؟ لكن

543
00:44:11,240 --> 00:44:15,730
في بعض ال classifiers، مش هنكون، أو مش هنتطرق لها

544
00:44:15,730 --> 00:44:22,230
بالشغل تبعتها. بمجرد إن ال classifier انبنى، بدّه

545
00:44:22,230 --> 00:44:25,630
أروح أطبقه، أو بدّه أروح أستخدمه، 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
بدّه أستخدمه؟ يعمل classifying لمين؟ لل feature، لل

548
00:44:38,150 --> 00:44:41,810
future، أو ال unknown objects.

549
00:44:43,140 --> 00:44:46,840
بالمثال السابق هذا، أنا صار في عندي Jeff

550
00:44:46,840 --> 00:44:53,200
professor، و 4 سنوات. الاسم neglected، مش هعتبره، لأن

551
00:44:53,200 --> 00:44:58,660
ال role تبعي مبني على ال rank وال years، وبناءً

552
00:44:58,660 --> 00:45:03,480
عليه أنا بدي آخذ 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
professor، or ال years أكبر من 6، then yes. مظبوط، هاي ال rule

555
00:45:17,370 --> 00:45:23,110
تبعي، هاي ال model تبعي. الآن، هاي ال data اللي عندي

556
00:45:23,110 --> 00:45:26,710
حققت عليها، بطبقها مباشرة، باخد ال instances وبطبق

557
00:45:26,710 --> 00:45:30,250
ال instance value، وبطبق عليها هان، وباخد القرار

558
00:45:30,250 --> 00:45:37,070
تبع لل rule اللي موجود عندي. طيب،

559
00:45:37,070 --> 00:45:40,690
لو ما كانش professor، كان assistant professor،

560
00:45:40,690 --> 00:45:47,550
و 5 سنوات، no، مع ال else مباشرة، مع ال else مباشرة،

561
00:45:47,550 --> 00:45:54,150
الارجل مع الخير. معناته أنا بحاجة في مرحلتين عشان

562
00:45:54,150 --> 00:45:56,690
أشتغل مع ال classifier، بحاجة أشتغل 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 أدرب ال model عليها، بين جثين

565
00:46:05,770 --> 00:46:08,710
بيلزمني data عشان ال system أو ال learning

566
00:46:08,710 --> 00:46:14,230
algorithm يحللها ويبني model بناءً عليها. الشغلة

567
00:46:14,230 --> 00:46:19,450
الثانية، إنه أنا بدي أفحص ال model، أو بدي أستخدم ال

568
00:46:19,450 --> 00:46:22,830
model في ال prediction، وهي بنسميها إحنا المرحلة

569
00:46:22,830 --> 00:46:26,630
مرحلة ال testing أو ال test. فأنا بدي اجسم ال data

570
00:46:26,630 --> 00:46:33,130
set تبعتي، ل training set، و

571
00:46:33,130 --> 00:46:40,340
test set. ليش؟ عشان لما أنا أحصل على model، عشان 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
we test that test set؟ هو الأصل هي unseen data، مصبوط؟

576
00:47:00,380 --> 00:47:05,760
فعلياً unseen، ما شفهاش، بس دي فيها label، بخبي ال

577
00:47:05,760 --> 00:47:10,620
label عنها، عشان أقدر إيش؟ أقارن بين النتيجة اللي هو

578
00:47:10,620 --> 00:47:16,080
هيعطيني إياها، والنتيجة اللي هحصل عليها، وأنا 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 no. بتقدر 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 label الأصلي.

588
00:48:16,590 --> 00:48:21,930
فعشان هيك ال test set must be labelled. عشان هيك، بعد

589
00:48:21,930 --> 00:48:24,470
ما أنت خلصت، عملت processing في ال assignment،

590
00:48:24,470 --> 00:48:29,890
وقلت لك اجسم، اجسم ال data set لجزئين، جزء ال

591
00:48:29,890 --> 00:48:35,340
training، وجزء testing. بس اللي هيصير فعلياً، لما أصل

592
00:48:35,340 --> 00:48:40,820
لمرحلة ال evaluation، هخبّي ال test، أو هخبّي ال label

593
00:48:40,820 --> 00:48:45,780
تبعت مين؟ تبعت ال test set، عشان أقول، اتفضل، هاي

594
00:48:45,780 --> 00:48:49,640
unseen data، اعمل لهم prediction، فبيديني مجموعة ال

595
00:48:49,640 --> 00:48:53,160
labels اللي predicted، وعندي ال original أو ال true

596
00:48:53,160 --> 00:48:58,320
labelled، بصير أقارن، وبقدر أتكلم إنه 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، وأوديها على ال training، عشان

600
00:49:11,830 --> 00:49:17,350
يتعلم من أخطائه؟ أنت already علمته، وكمان لو أنت

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 تجيب له data set جديدة، 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 آجي أديك الامتحان وأقول لك اتفضل، حلّ، تمام،

605
00:49:37,330 --> 00:49:42,530
وبكرا بدي أختبرك فيه، في الأسئلة هاي، ما أصبحش

606
00:49:42,530 --> 00:49:50,370
امتحان، ولا أصبح امتحان امتحان مسرّب، اه، فش يعني، عفواً،

607
00:49:50,370 --> 00:49:53,550
كلّكم هتنجحوا، مصبوط؟ الأصل كده، واللي ما بدهوش ينجح

608
00:49:53,550 --> 00:49:58,570
يتطخّد الساعة بيكون، بس فعلياً، هل النجاح هذا حقيقي؟

609
00:49:58,570 --> 00:50:04,890
لأ، الحاجات هذا fake، النجاح هذا fake. أما إحنا قلنا

610
00:50:04,890 --> 00:50:09,390
الفكرة وين؟ إن بعد ما أنا جسمت هان، في مرحلة ال

611
00:50:09,390 --> 00:50:14,890
evaluation، مش بدّه يشوف... بدّه يشوف ال... بيشوف هو

612
00:50:14,890 --> 00:50:19,370
اجتيش... لأ، بدّه يشوف ال... ال... ال... ال... ال

613
00:50:19,370 --> 00:50:24,670
result، دي، يقارن فوق، هيو... هذه... هذه... بدّه يقارن

614
00:50:24,670 --> 00:50:30,690
هذه. لأ، ومش قارنها مع اللي فوق، هو على ال model بناءً

615
00:50:30,690 --> 00:50:33,950
على ال equation اللي ان

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
مثلًا، بدنا نظام الآن.. محتاجين نظام سريع يحاول

669
00:55:12,010 --> 00:55:15,610
يتنبأ أن 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؟ أنت..

671
00:55:19,530 --> 00:55:22,550
أنت.. أنت خبير.. خبير الصين أصلًا.. أنت عشان إيه

672
00:55:22,550 --> 00:55:27,730
قلت Corona مباشرة، تمام؟ الآن الفكرة وين؟ أن أنا

673
00:55:27,730 --> 00:55:31,710
جديش بأقدر أعمل training لـ model.. a curated

674
00:55:31,710 --> 00:55:37,450
model بشكل سريع، بكون كويس إليّ، ليش؟ لأن أنا

675
00:55:37,450 --> 00:55:42,050
فعليًا.. الآن أنا محتاجه، يمكن بكرا ما محتاجوش، فالآن

676
00:55:42,050 --> 00:55:46,410
هذه بتفرج معايا الـ performance في مرحلة الـ

677
00:55:46,410 --> 00:55:52,490
generation، الـ using في الـ prediction، أن 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، جديش بده وقت؟ بده ثانية،

680
00:56:01,150 --> 00:56:06,630
ثنتين، ثلاث، عشر، كل ما كان أسرع يكون أحسن في الـ

681
00:56:06,630 --> 00:56:10,670
real-time system، الآن في عندنا جسم بيتحرك 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 بيتحرك في الـ real-time

685
00:56:26,710 --> 00:56:31,630
system، تمام؟ بناءً على سرعته وحجمه،

686
00:56:33,360 --> 00:56:36,620
بدهم ياخدوا قرار، اللي غالبًا ما بيبينش، بدهم ياخدوا

687
00:56:36,620 --> 00:56:41,160
قرار، شو هذا؟ بيكون إفعل صفرات الإنذار ولا لأ، الإنذار

688
00:56:41,160 --> 00:56:51,780
ولا لأ، إحنا

689
00:56:51,780 --> 00:56:57,200
قلنا حمامة، شكله زاد مع البس، خلاص وهي طايرة

690
00:56:58,620 --> 00:57:02,060
الفكرة يا جماعة الخير اللي أنا بدي أوصلك إياها هي إذا

691
00:57:02,060 --> 00:57:06,940
ما كانتش مرحلة الـ 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
فعلاً مش هيكون مثلًا، بدنا نتنبأ أن فيه مثلًا.. لو

694
00:57:16,080 --> 00:57:19,800
مثلًا افتراض مثلًا، علشان هنا يعني محتمل يكون فيه

695
00:57:19,800 --> 00:57:23,100
نسبة خطأ، فإحنا على وجه السرعة مش هيكون بدنا نتنبأ،

696
00:57:23,100 --> 00:57:28,190
بدنا يعني.. طب أنت عملك بتقول أنا المرض هذا فعليًا

697
00:57:28,190 --> 00:57:34,070
مش قادر أشخصه أو في عندهم صعوبة في تشخيصه فقط،

698
00:57:34,070 --> 00:57:37,930
طب المريض العادي أو اللي عنده احتقان في زوره،

699
00:57:37,930 --> 00:57:41,890
ابرت في حرارته واحد زي حالتي بيكون قاعد،

700
00:57:41,890 --> 00:57:44,950
بيشرح وبيطلع واحد غبي بيقوله، بس طايرة، ابرِتْ فيه

701
00:57:44,950 --> 00:57:45,450
حرارته،

702
00:57:49,260 --> 00:57:53,380
تمام؟ بالفكرة يا جماعة، okay، أنا بدي.. بدي system

703
00:57:53,380 --> 00:57:57,500
يكون سريع، عفواً بدي أصل لـ model بشكل سريع، بعض الـ

704
00:57:57,500 --> 00:58:02,240
models بتاخد أيام وأشهر هي بتعمل الـ 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
اللي أنا بدي أشتغل عليها، نعم لأ،

707
00:58:11,480 --> 00:58:16,460
للأسف data preparation، هل تحسب ضمن الـ time cost؟ لأ،

708
00:58:17,850 --> 00:58:21,290
لأن هنا بنتكلم إحنا على الـ computational cost، كل

709
00:58:21,290 --> 00:58:27,670
اللي أنت سويتّه قبل، مجرد تجهيز لعملية الـ mining،

710
00:58:27,670 --> 00:58:33,330
أكيد كل ما زاد حجم الـ data زاد حجم الـ computation،

711
00:58:33,330 --> 00:58:37,790
بالـ training والـ testing، الآن الـ data set تبعتي

712
00:58:37,790 --> 00:58:42,870
مكونة من عشرة attributes، هل الـ computation تبعتها،

713
00:58:42,870 --> 00:58:49,260
زي ما يكون عندي 100 attributes؟ حتماً لأ، يعني عشر،

714
00:58:49,260 --> 00:58:54,620
متغيرات، زي مين؟ متغير، أكيد لأ، جديش الـ robustness أو

715
00:58:54,620 --> 00:58:58,200
الموثوقية، جديش الـ system هذا بيديني accurate

716
00:58:58,200 --> 00:59:03,680
result في حالة الـ noise data، الـ noise instance أو

717
00:59:03,680 --> 00:59:06,960
في حالة وجود الـ missing values، الآن إحنا قبل شوية،

718
00:59:06,960 --> 00:59:10,740
اتكلمت على ثلاث عناصر عشان الـ heart disease، الـ body

719
00:59:10,740 --> 00:59:16,000
mass index، والـ chest pain، وتصلب الشرايين، الآن لو

720
00:59:16,000 --> 00:59:18,880
عندي اثنتين منهم فقط، بيقدر الـ system يديني

721
00:59:18,880 --> 00:59:23,360
prediction؟ لأ، ما تقوليش لأ، أنت ما تشكشكش، لأ، الـ

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، أكثر

725
00:59:33,360 --> 00:59:38,300
موثوقية، ليش؟ لأن في حالة أن أنا فقدت واحد من الـ

726
00:59:38,300 --> 00:59:41,440
attributes اللي موجودة، بضل قادر 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، إحنا عادةً

729
00:59:49,710 --> 00:59:53,490
اللي بنتكلم فعليًا، هذا المثال اللي ذكرته ثلاث، عشان

730
00:59:53,490 --> 00:59:57,870
بس نستوعب الشيء اللي بيصير، ونفهم فعليًا كل الـ

731
00:59:57,870 --> 01:00:02,730
concept بشكل واضح، لكن فعليًا لو أنا سألتك، أبسط

732
01:00:02,730 --> 01:00:05,710
اختبار ممكن يجريه الإنسان اللي له علاقة بصحته، الـ

733
01:00:05,710 --> 01:00:13,270
CBC، كم factor فيه؟ 15 أعتقد أو 14، يعني بتكلم

734
01:00:13,270 --> 01:00:16,450
على الأقل 14 attributes، اللي هو الـ test الـ

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 الـ

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
ويقول لك لأ، في مشكلة، يعني واضح من الجهاز أن في مشكلة، هذه

740
01:00:38,210 --> 01:00:42,450
الفكرة وين؟ أن 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 هذه ما بتعنّاش

743
01:00:50,410 --> 01:00:54,870
بس، في اللحظة اللي بيجيني الـ attribute، عفواً بيجيني

744
01:00:54,870 --> 01:00:58,610
الـ rows، الـ 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 بيديني accurate الـ prediction في

747
01:01:07,320 --> 01:01:11,300
الـ such case هذه، معناته هذا مرة  أقدر أثق فيه

748
01:01:11,300 --> 01:01:18,880
أكثر، تمام، الـ scalability، الـ scalability طبعًا دائمًا

749
01:01:18,880 --> 01:01:23,740
إحنا مفهوم الـ scalability، بنتكلم على الـ large

750
01:01:23,740 --> 01:01:29,560
amount of data، فعليًا هل الـ algorithm هذا تبعه ممكن

751
01:01:29,560 --> 01:01:35,000
من السهل أن يتعامل معه مع large data، الـ data set

752
01:01:35,000 --> 01:01:37,760
اللي عندي مليون instances، هل الـ 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 مئة attributes، فهذا أنا بدي أسأله، كل ما كان

755
01:01:44,100 --> 01:01:48,780
الـ algorithm اللي هستخدمه more scalable، معناته

756
01:01:48,780 --> 01:01:54,420
بكون أفضل، interpretability، تفسير والـ

757
01:01:54,420 --> 01:02:01,500
understanding، وفهم محتوى أو ما وراء الـ 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، إحنا قبل شوية لما شفنا

761
01:02:14,200 --> 01:02:18,000
الـ if then، كان بسهولة أن أفهم عليه، بدور إيش الـ

762
01:02:18,000 --> 01:02:21,720
factors الأساسية اللي كانت موجودة؟ لو هذا الـ if

763
01:02:21,720 --> 01:02:25,040
then ما كانتش موجودة، بقدر أستوعب ليش هو جداني yes وجداني no؟ أكيد لأ، لكن لما بيكون الـ algorithm قدامي

764
01:02:25,040 --> 01:02:29,140
قادر أو بقدر أو قادر على تفسيره، بكون أفضل، لكن

765
01:02:29,140 --> 01:02:34,820
الصحيح الموضوع برضه تفسيره هذا subjective للإنسان

766
01:02:34,820 --> 01:02:39,980
أو للشخص اللي بيشتغل عليه، لما أنا كتبنا، كتبنا

767
01:02:39,980 --> 01:02:42,780
المعادلة الرياضية، Y تساوي M1 في A1 زائد M2 في A2

768
01:02:42,780 --> 01:02:50,140
زائد B،

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 يا شباب؟ إيش رتبة

771
01:02:59,920 --> 01:03:07,980
المعادلة هي يا شباب؟ معادلة خطية، لأن الدرجة تقاس بأعلى

772
01:03:07,980 --> 01:03:12,840
أُس، الدرجة أو رتبة المعادلة تقاس بأعلى أُس،

773
01:03:12,840 --> 01:03:18,000
فالمعادلة هي خطية، بس فعليًا هذه multiple variable،

774
01:03:18,000 --> 01:03:25,480
متغيرات، اثنين مع الـ Y، يعني بين قوسين الـ 3D equation، مصبوط؟ هي.. هي الفكرة، الآن مش كل الناس

775
01:03:25,480 --> 01:03:30,840
قادرة على تفسير.. هذه، أعرضها على واحد خبير رياضيات

776
01:03:30,840 --> 01:03:35,740
مباشرة، بيقول لك هذه بتعني كذا، وواحد كذا، بيجي و

777
01:03:35,740 --> 01:03:38,580
بيقول لك أن هذا plane مائل، plane، مسطح مائل، الميل

778
01:03:38,580 --> 01:03:43,860
تبعه باتجاه X، ومثلًا X و Y كذا، X و Z كذا، هي الأبعاد

779
01:03:43,860 --> 01:03:51,450
تبعته، وهذه ارتفاعه أو التقاطع تبعته مع الـ Y axis،

780
01:03:51,450 --> 01:03:56,990
لكن أنا مش عارفني بالكلام هذا، فالموضوع الـ

781
01:04:02,270 --> 01:04:07,130
interpretability، أو موضوع تفسير الـ algorithm، و

782
01:04:07,130 --> 01:04:12,550
فهمه بيختلف من شخص لشخص، من

783
01:04:12,550 --> 01:04:17,410
الـ algorithms اللي هنتعرف عليها، K-nearest

784
01:04:17,410 --> 01:04:21,490
neighbor algorithm، وهذا البرنامج يعتمد على

785
01:04:21,490 --> 01:04:22,550
البرنامج، الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة

786
01:04:22,550 --> 01:04:30,530
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة،

787
01:04:30,530 --> 01:04:35,310
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة،

788
01:04:35,310 --> 01:04:35,330
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة،

789
01:04:35,330 --> 01:04:41,850
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة،

790
01:04:41,850 --> 01:04:47,070
وفي عند الـ rule based induction، وفي عند الـ

791
01:04:47,070 --> 01:04:49,430
support vector machine، وفي عند الـ logistic

792
01:04:49,430 --> 01:04:53,610
regression، كل هذه الـ algorithms تستخدم في الـ

793
01:04:53,610 --> 01:04:55,990
classification، وفي عند الـ back propagation، الـ

794
01:04:55,990 --> 01:04:59,310
neural network، في الفصل هذا، في الشابتر هذا إن شاء

795
01:04:59,310 --> 01:05:02,350
الله تعالى، هشرح لك الـ k-nearest neighbor، والـ naive

796
01:05:02,350 --> 01:05:05,170
bayes، والـ decision tree، والـ back propagation، والـ

797
01:05:05,170 --> 01:05:09,650
propagation neural network، كـ classifiers خلال الفصل

798
01:05:09,650 --> 01:05:14,360
هذا، أنا محاضرة اليوم هي كاد أن تنتهي.