1
00:00:01,180 --> 00:00:03,500
بسم الله الرحمن الرحيم الصلاة والسلام على رسول

2
00:00:03,500 --> 00:00:09,210
اللهِ أهلاً وسهلاً بكم في محاضرة جديدة من وثائق تقييم

3
00:00:09,210 --> 00:00:12,350
البيانات. اليوم، إن شاء الله، هنتكلم على الـ second

4
00:00:12,350 --> 00:00:16,890
mining task أو الـ third mining task اللي هي الـ

5
00:00:16,890 --> 00:00:20,750
clustering. طبعاً، إحنا كنا بنتكلم سابقاً أن الـ

6
00:00:20,750 --> 00:00:24,490
mining task تنقسم من الـ predictive أو الـ

7
00:00:24,490 --> 00:00:26,870
descriptive، و الـ predictive اتكلمنا عن الـ

8
00:00:26,870 --> 00:00:28,990
classification و الـ regression و الـ recommendation.

9
00:00:28,990 --> 00:00:31,470
اليوم، طبعاً، الـ recommendation ما شرحناها عشان

10
00:00:31,470 --> 00:00:34,170
اتكلمنا عن classification و regression. واليوم، إن

11
00:00:34,170 --> 00:00:36,710
شاء الله تعالى، هنتكلم.. نبدأ في الـ descriptive

12
00:00:36,710 --> 00:00:41,370
task. هنتكلم على الـ clustering. طب لما إحنا بنتكلم

13
00:00:41,370 --> 00:00:43,910
على الـ clustering، بنتكلم على unsupervised learning.

14
00:00:43,910 --> 00:00:46,750
و هذا نوع من الـ machine learning اللي بتعلم من الـ

15
00:00:46,750 --> 00:00:51,650
test data. يعني أنا بهمني إنه البيانات تبعتي مايكونش

16
00:00:51,650 --> 00:00:55,030
لها label. هذا مفهوم الـ test data، إن الـ test data

17
00:00:55,030 --> 00:00:59,090
إنه الـ label مش موجود، that has not been labeled.

18
00:00:59,090 --> 00:01:04,580
مالهاش label classified or categorized، ما تمش

19
00:01:04,580 --> 00:01:09,020
تصنيفها أو تقسيمها قبل هيك. بالـ unsupervised

20
00:01:09,020 --> 00:01:14,400
learning، على خلاف كل الـ machine learning، مافيش

21
00:01:14,400 --> 00:01:19,420
عندي output معروف مسبقاً، وبالتالي مافيش عندي

22
00:01:19,420 --> 00:01:22,320
teacher أو instruction، مافيش عندي أي structure للـ

23
00:01:22,320 --> 00:01:25,700
learning algorithm. ف حين إنه في الـ supervised

24
00:01:25,700 --> 00:01:28,020
learning، سواء كان في الـ regression أو كان في الـ

25
00:01:28,020 --> 00:01:32,840
classification، كان عندي واضح الـ label، هو الـ

26
00:01:32,840 --> 00:01:36,180
guidance تبعي، أو هو المعلم تبعي. إيه الشغلات اللي

27
00:01:36,180 --> 00:01:39,260
أنا بدي إياها، وإيه الـ role اللي أنا كنت بحاول أحصل

28
00:01:39,260 --> 00:01:41,920
عليها. الـ unsupervised learning، الـ learning

29
00:01:41,920 --> 00:01:47,880
algorithm فقط بأعرض عليه البيانات، وبطلب يعمل

30
00:01:47,880 --> 00:01:50,840
extract للـ knowledge. طبعاً، extract للـ knowledge، هان

31
00:01:50,840 --> 00:01:54,500
إما بتقسيمهم لمجموعات، أو يقول لي إيش الـ frequent

32
00:01:54,500 --> 00:01:57,720
pattern فيهم. زي ما في الـ association rules، إلى

33
00:01:57,720 --> 00:02:02,710
آخرين. طبعاً، لما اتكلم في الـ unsupervised learning،

34
00:02:02,710 --> 00:02:06,530
بدل

35
00:02:06,530 --> 00:02:11,390
ما أنا آخذ feedback و

36
00:02:11,390 --> 00:02:15,070
أقارب الـ unsupervised learning، بعرف الـ

37
00:02:15,070 --> 00:02:19,510
communities، أو الشغلات المشتركة في الـ data، الشغلات

38
00:02:19,510 --> 00:02:23,230
الـ common اللي موجودة، اللي بتتشارك فيها معظم

39
00:02:23,230 --> 00:02:28,960
الـ instances اللي موجودة عندي. وبتقرر.. وبت.. اللي

40
00:02:28,960 --> 00:02:32,640
بعرف.. بعد ما بتقرر على الشغلات الـ common هاي، أو

41
00:02:32,640 --> 00:02:36,760
الشغلات المشتركة هاي، بناءً عليها بتتصرف. إما بتقرر

42
00:02:36,760 --> 00:02:41,420
.. يعني بتتصرف، وبصير الـ algorithm بناءً على وجود أو

43
00:02:41,420 --> 00:02:45,940
عدم وجود الـ properties أو الـ common properties

44
00:02:45,940 --> 00:02:49,440
اللي موجودة عنده. يعني، يعني تخيل أنا لو أنا في عندي

45
00:02:49,440 --> 00:02:53,910
مجموعة من الصور، وقلنا بدنا نصنفهم، مجموعة من الصور،

46
00:02:53,910 --> 00:02:56,290
و أنا بدي أصنفهم، معناته حتى اللي عرف المحتوى الصور،

47
00:02:56,290 --> 00:03:01,830
وأصير أقول لك والله إن التصنيف هذا بيتبع كده، أو يتبع كده.

48
00:03:01,830 --> 00:03:05,230
الـ unsupervised learning، زي ما قلنا، عبارة عن

49
00:03:05,230 --> 00:03:09,330
descriptive model. في أكتر من نوع في الـ

50
00:03:09,330 --> 00:03:11,590
unsupervised learning، زي ما بنعرف سابقاً، لـ

51
00:03:11,590 --> 00:03:14,630
clustering. طبعاً، شفناها في المقدمة، تابعة للمساق، لـ

52
00:03:14,630 --> 00:03:18,930
clustering. معناته أنا بدي أجسم الـ data instances

53
00:03:18,930 --> 00:03:27,350
اللي موجودة عندي، لمجموعة من الـ groups. طبعاً، مجموع

54
00:03:27,350 --> 00:03:32,050
الـ groups هذه، عددها معروف مسبقاً. طب من هنا، علشان

55
00:03:32,050 --> 00:03:35,870
نتم تجميعهم، بدنا ندرس صفات الـ properties هاي،

56
00:03:35,870 --> 00:03:38,970
و تجميعهم مع بعضهم. الـ anomaly detection أو الـ

57
00:03:38,970 --> 00:03:42,030
outlier detection، أروح أدور على الـ unusual، أو

58
00:03:42,030 --> 00:03:48,270
الشغلات النادرة في الـ data set اللي موجودة عندها، و

59
00:03:48,270 --> 00:03:53,390
أظهرها. الـ association rules، لما أنا بتكلم على الـ

60
00:03:53,390 --> 00:03:58,570
patterns، و بدور على الـ frequent pattern اللي ممكن

61
00:03:58,570 --> 00:04:02,410
تكون موجودة عندي، و ارتباط العناصر، وأشوف ارتباط

62
00:04:02,410 --> 00:04:06,660
القوانين، أو ارتباط الـ data مع بعضها، عشان أقدر أبني

63
00:04:06,660 --> 00:04:10,060
decision. وفي عندي transformation، اللي هي فعلياً أنا

64
00:04:10,060 --> 00:04:13,760
أقدر أحول الـ data لـ data set مختلفة، عشان أقدر

65
00:04:13,760 --> 00:04:18,480
أرسمها، أو أقدر أتعامل معاها بشكل أبسط. إحنا طبعاً،

66
00:04:18,480 --> 00:04:22,980
هنتكلم على الـ course هذا، الـ clustering و الـ

67
00:04:22,980 --> 00:04:27,600
association rules. طبعاً، لما نتكلم فعلياً، الـ

68
00:04:27,600 --> 00:04:31,380
clustering، معناته الـ clustering algorithm بده يروح

69
00:04:31,380 --> 00:04:36,680
يجسم الـ data set اللي عندي، لـ distinct groups. الجروب

70
00:04:36,680 --> 00:04:42,780
هذه، معروفة مسبقاً. تخيل

71
00:04:42,780 --> 00:04:48,320
إن الـ raw data تبعتي، هي عبارة عن سلة الفواكه رمضان

72
00:04:48,320 --> 00:04:51,600
كريم، إن شاء الله، كل عام وأنتم طيبين، إن شاء الله، سلة

73
00:04:51,600 --> 00:04:54,580
الفواكه، هي عبارة عن الـ input data، الـ raw data

74
00:04:54,580 --> 00:05:00,580
تبعتي، وأنا قلت بدي أجسمها لثلاث مجموعات. طبيعى الـ

75
00:05:00,580 --> 00:05:05,060
algorithm هيدرس خصائص العناصر كلياتها، يعرف العناصر

76
00:05:05,060 --> 00:05:08,260
المشتركة، ويحدد العناصر المشتركة، وبالتالي هيقول لي

77
00:05:08,260 --> 00:05:12,700
في عندك مجموعة التفاح، ومجموعة الموز، ومجموعة

78
00:05:12,700 --> 00:05:17,360
المانجو. هذا لما قلت له جسم ليها لثلاث مجموعات.

79
00:05:17,360 --> 00:05:19,940
متذكرين الـ definition السابق؟ أنا قلت لها

80
00:05:19,940 --> 00:05:25,040
predefined أو predetermined number of groups، لازم

81
00:05:25,040 --> 00:05:30,110
أحدده مسبقاً. تمام. طيب، لو أنا روحت قلت له لمجموعتين،

82
00:05:30,110 --> 00:05:35,970
روحت قلت له جسم ليّ إياها لمجموعتين، مش ثلاث مجموعات،

83
00:05:35,970 --> 00:05:42,070
دراسة العناصر هاي، وهيروح وكأنه هيقول لي إنه هذه

84
00:05:42,070 --> 00:05:45,990
أنا بتوقع إنه يكون هذه التفاح والمانجو في مجموعة، و

85
00:05:45,990 --> 00:05:49,690
الموز في مجموعة ثانية، لأن الشكل واللون مختلف، بعاد

86
00:05:49,690 --> 00:05:54,430
كتير عن بعضهم. وبالتالي، عدد المجموعات هو اللي بيلعب

87
00:05:54,430 --> 00:05:57,370
دوراً. طبعاً يا جماعة الخير، كل ما كان عندي عدد

88
00:05:57,370 --> 00:06:00,950
المجموعات اللي أنا بديّ إياها، تبعتي، هو الصح، معناته أنا

89
00:06:00,950 --> 00:06:04,370
بشتغل عليها بشكل كويس، أو بكون عندي النتيجة تبعتي

90
00:06:04,370 --> 00:06:09,310
صح. لما بتكلم في الـ clustering، معناته أنا بتكلم إن

91
00:06:09,310 --> 00:06:13,250
الـ method تبعتي، هي الـ.. الـ.. أو الـ clustering هي

92
00:06:13,250 --> 00:06:17,470
عبارة عن method بتجسم البيانات اللي بتشارك

93
00:06:19,620 --> 00:06:26,360
الصفات المشتركة، أو الـ similar trend and better.

94
00:06:26,360 --> 00:06:32,520
يعني إن الـ instances هتتوزع بناءً على محتوى، على

95
00:06:32,520 --> 00:06:36,820
احتوائها على مجموعة من الشغلات المشتركة. يعني هيكون

96
00:06:36,820 --> 00:06:40,140
في عندي تشابه كبير جداً ما بين العناصر اللي في

97
00:06:40,140 --> 00:06:45,200
المجموعة الواحدة. الهدف الأساسي فعلياً من الـ

98
00:06:45,200 --> 00:06:48,660
clustering، معناته هو عبارة عن split up، تقسيم الـ

99
00:06:48,660 --> 00:06:56,200
data، بطريقة، طبعاً، بتقسمها لـ groups، بطريقة إن النقاط

100
00:06:56,200 --> 00:06:59,220
اللي في الـ cluster الواحد، أو في المجموعة الواحدة

101
00:06:59,220 --> 00:07:03,820
are very similar، متشابهة جداً. عشان هيك كانت في

102
00:07:03,820 --> 00:07:08,920
الرسم السابق، هان لما اتكلمنا، كان التفاح لحال،

103
00:07:08,920 --> 00:07:12,400
المانجو لحال، والموز لحال. ولما قلت لك أنا بقسمهم

104
00:07:12,400 --> 00:07:16,460
لمجموعتين، مش لثلاث مجموعات، معناته تقول إحنا هنا

105
00:07:16,460 --> 00:07:21,980
نضيفهم على بعضهم. لكن الآن، إيش الشغلات المشتركة

106
00:07:21,980 --> 00:07:25,280
اللي أنت اعتمدت عليها؟ الحجم مثلاً، واللون. لكن لو

107
00:07:25,280 --> 00:07:27,640
واحد يجي يقول لي والله أنا بقسمهم هالنا مجموعتين،

108
00:07:27,640 --> 00:07:32,400
بناءً على طبيعة الفاكهة اللي موجودة هاي، وبالتالي،

109
00:07:32,400 --> 00:07:35,660
إحنا نتكلم، في عندي فواكه استوائية، الـ mango و الموز،

110
00:07:35,660 --> 00:07:42,040
فاكهة استوائية ولا لأ. وبالتالي، ممكن يكون تصنيف في

111
00:07:42,040 --> 00:07:46,540
الآخر. ما فيش عندي قرار صحيح مئة في المئة، أن

112
00:07:46,540 --> 00:07:50,520
التقسيمة تبعتي هذه صح، أو.. لكن بقدر أقول والله

113
00:07:50,520 --> 00:07:53,820
التقسيمة هذه أصح من هذه التقسيمة، بناءً على معرفتي

114
00:07:53,820 --> 00:07:56,640
بالبيانات اللي موجودة عندها. طبعاً، الـ similarity،

115
00:07:56,640 --> 00:08:01,640
طبعاً، التشابه ما بين الـ algorithm for the

116
00:08:01,640 --> 00:08:03,600
unsupervised learning و الـ classification

117
00:08:03,600 --> 00:08:08,820
algorithm، إنه الـ cluster algorithm بيخصص، أو بِتنبأ

118
00:08:08,820 --> 00:08:11,780
رقم المجموعة

119
00:08:14,590 --> 00:08:16,970
للـ point. يعني أنا روحت قلت له والله أنا بدي ثلاث

120
00:08:16,970 --> 00:08:19,850
مجموعات، بروح بقول له هذه الـ point في المجموعة رقم

121
00:08:19,850 --> 00:08:22,830
واحد، هذه الـ point في المجموعة رقم اثنين، هذه الـ

122
00:08:22,830 --> 00:08:25,090
point في المجموعة رقم ثلاثة، هذه الـ point في

123
00:08:25,090 --> 00:08:29,550
المجموعة رقم ثلاثة. وبالتالي، هو بيعمل predict لرقم

124
00:08:29,550 --> 00:08:32,370
المجموعة اللي أنا قلته من البداية، عشان أنا قلت له

125
00:08:32,370 --> 00:08:37,550
بدي ثلاث مجموعات، فهو هيجسم ليّ إياها لثلاث مجموعات. طبعاً، و

126
00:08:37,550 --> 00:08:39,950
هذه هي المفهوم، التشابه اللي أنا بتكلم عليه، إنهم

127
00:08:39,950 --> 00:08:45,040
بنعمل prediction للـ number، بحيث إنه فعلياً، كما زي

128
00:08:45,040 --> 00:08:48,480
ما قلنا، إن هذا الـ number هي عبارة عن رقم المجموعة

129
00:08:48,480 --> 00:08:51,620
أو رقم الـ cluster اللي بيحتوي الـ point اللي موجودة

130
00:08:51,620 --> 00:08:57,000
عندها. طبعاً،

131
00:08:57,000 --> 00:08:59,820
لما بتكلم على الـ clustering، معناته إن أنا بدي آخذ

132
00:08:59,820 --> 00:09:07,020
بيانات كلها في نفس الـ space. بتكلم على بيانات كلها

133
00:09:07,020 --> 00:09:13,040
في نفس الـ space، في مجموعات معينة. يعني هذا الـ space

134
00:09:13,040 --> 00:09:17,240
هو عبارة عن high dimensional، ممكن يكون 2D, 3D, 4D.

135
00:09:17,240 --> 00:09:23,080
طبعاً،  أتكلم دي اللي هي عدد الـ attribute، و بروح اللي

136
00:09:23,080 --> 00:09:28,300
بجسم ليّ إياها لمجموعات. بجسم الـ rows، الـ instances أو الـ

137
00:09:28,300 --> 00:09:33,860
points هاي، بجسم ليّ إياها لمجموعات، عبارة عن مجموعات، أو

138
00:09:33,860 --> 00:09:46,740
طبعاً، اللي بـ guess الـ point هذه لمجموعات أصغر، بـ

139
00:09:46,740 --> 00:09:51,060
guess similarly. عفواً، اللي قلنا إحنا كمان مرة، إن

140
00:09:51,060 --> 00:09:56,440
فكرة الـ algorithm بياخد الـ points اللي موجودة

141
00:09:56,440 --> 00:10:00,220
عندها، بغض النظر عن الـ space أو الـ dimensionality

142
00:10:00,220 --> 00:10:05,440
تبعتها. لكن كل الـ points أو الـ data set تبعتي على

143
00:10:05,440 --> 00:10:09,560
نفس العدد من الـ attributes، ثابتة. بروح بجسم ليّ إياها

144
00:10:09,560 --> 00:10:12,760
لمجموعات أصغر. يعني،  بجوز يكون كانت والله عندي الـ

145
00:10:12,760 --> 00:10:15,780
data set فيها مئة ألف record، وقلت له جسم ليّ إياها لثلاث

146
00:10:15,780 --> 00:10:18,980
مجموعات، المئة ألف هدول بيتجسموا على ثلاث مجموعات،

147
00:10:18,980 --> 00:10:25,500
حتماً. Each cluster consists of a point that are near

148
00:10:25,500 --> 00:10:31,080
to some in some sense. وهذه النقاط في كل مجموعة

149
00:10:31,080 --> 00:10:36,460
متشابهة بشكل أو بآخر. طبعاً، لما نتكلم على الـ similar،

150
00:10:36,460 --> 00:10:41,660
أو العلاقة related، similar to another، في نفس

151
00:10:41,660 --> 00:10:46,640
المجموعة. عناصر المجموعة الواحدة متشابهة، وعناصر

152
00:10:46,640 --> 00:10:49,860
المجموعات المختلفة غير متشابهة.

153
00:10:52,050 --> 00:10:58,450
هذا المصطلح أهم، و more professional، أن الـ intra

154
00:10:58,450 --> 00:11:03,050
distance أو الـ cluster distance يجب أن يكون قليل،

155
00:11:06,170 --> 00:11:10,330
كان المسافة ما بين عناصر الـ in instance أو الـ

156
00:11:10,330 --> 00:11:14,550
cluster الواحدة تكون قصيرة جداً، ليس منها in

157
00:11:14,550 --> 00:11:20,110
instance، أو الـ distance. لما بتكلم على distance يا

158
00:11:20,110 --> 00:11:24,310
جماعة الخير، لو تخيل إن في اثنين متطابقين، أو

159
00:11:24,310 --> 00:11:30,150
متشابهين، المسافة بينهم قد ايش؟ صفر. أصبح لكن لما يكون

160
00:11:30,150 --> 00:11:34,690
المختلفين، المسافة بينهم أبعد ما يمكن. وبالتالي، أنا

161
00:11:34,690 --> 00:11:37,670
بقى اتكلم إنه لازم يكون في عند الـ Inter distance

162
00:11:37,670 --> 00:11:42,270
أبعد ما يمكن، والـ intra distance أصغر ما يمكن.

163
00:11:42,270 --> 00:11:46,830
وبهيك أنا بكون نجحت في تقسيم المجموعات اللي موجودة

164
00:11:46,830 --> 00:11:51,940
عندها. طبعاً، لو أنا بدي أعمل مقارنة فعلياً ما بين الـ

165
00:11:51,940 --> 00:11:55,440
Clustering و الـ Classification، بناءً على الـ data

166
00:11:55,440 --> 00:11:59,220
اللي موجودة عندي. طبعاً، الرسمة الأولى اللي فوق بتمثل

167
00:11:59,220 --> 00:12:03,700
classification، والرسمة اللي تحت بتمثل الـ

168
00:12:03,700 --> 00:12:05,820
clustering. طبعاً، اللي بتكلم عن الـ classification،

169
00:12:05,820 --> 00:12:09,520
يعني إن في عندي label، لازم يكون label، هي الـ label

170
00:12:09,520 --> 00:12:13,960
النقاط اللي باللون الأخضر proteins، واللي باللون

171
00:12:13,960 --> 00:12:18,120
البني الغامق هذا، أو البني الداكن، هي عبارة عن الـ

172
00:12:18,120 --> 00:12:22,870
genes. ومعناته إن لازم يكون في عندي rule يخصص كل

173
00:12:22,870 --> 00:12:26,950
point لـ label واضح. طبعاً، الـ rule هذا، زي ما بنعرف

223
00:16:22,060 --> 00:16:22,880
ordered

224
00:16:25,670 --> 00:16:30,370
طيب الـ cluster الثاني عبارة عن money prices أو

225
00:16:30,370 --> 00:16:34,610
purchase money فهي عندي مجموعة عالية من الـ items

226
00:16:34,610 --> 00:16:39,530
عالية، والـ purchases تبعتي high prices كذلك، وهذه

227
00:16:39,530 --> 00:16:42,370
اللي باللون الأزرق، كذلك باللون الأخضر لما أنا

228
00:16:42,370 --> 00:16:47,470
أتكلم أن الـ customer بيشتري مجموعة قليلة من

229
00:16:47,470 --> 00:16:52,510
العناصر بأسعار قليلة أو بأسعار زهيدة نوعاً ما، تمام.

230
00:16:54,270 --> 00:16:57,630
طبعاً، أين المجالات أو أين التطبيقات اللي ممكن أنا

231
00:16:57,630 --> 00:17:01,750
أشغل فيها، عفواً، أشغل فيها أو أطبق فيها الـ

232
00:17:01,750 --> 00:17:05,590
clustering؟ العديد من المجالات في الـ target

233
00:17:05,590 --> 00:17:11,230
marketing، في التسويق الموجه، لما أنا حابب أستكشف من

234
00:17:11,230 --> 00:17:15,950
الناس اللي ممكن يشتريه الإبداع تبعتي، وأروح أوجه

235
00:17:15,950 --> 00:17:20,910
لهم الإعلانات أو أعرض عليهم المنتج تبعي، مثلاً أنا

236
00:17:20,910 --> 00:17:27,750
والله لو جئنا سألنا، أنا عمال بعمل تطبيق IOS عشان

237
00:17:27,750 --> 00:17:32,670
يتكلم أو بعملي high prediction لضغط الدم وعدد

238
00:17:32,670 --> 00:17:37,450
ضربات القلب والأخره، من المعنيين لو أنا بدي أروح

239
00:17:37,450 --> 00:17:42,950
أدور في الـ data أو بدي أحاول أستكشف، عندي data set

240
00:17:42,950 --> 00:17:45,830
لـ customers اللي بيشتغلوا applications، ممكن أنا

241
00:17:45,830 --> 00:17:48,430
أروح أبحث عن فئة الناس اللي ممكن تشتري الـ

242
00:17:48,430 --> 00:17:51,230
application هذا، من خلال، إما من خلال الـ similarity

243
00:17:51,230 --> 00:17:55,390
أو من خلال الاهتمامات

244
00:17:55,390 --> 00:17:59,510
تبعتهم، في الآخر لازم ألاقي بين العناصر هدول شغلات

245
00:17:59,510 --> 00:18:02,670
مشتركة، وممكن أنا أتوجه لهم، لأن ممكن أتوجه لهم لكل

246
00:18:02,670 --> 00:18:05,950
المجموعات، فلما أنا بروح وأجسمهم لمجموعات ألاقي

247
00:18:05,950 --> 00:18:13,310
حتماً مجموعة فيها هذه العناصر، في الـ genomics أو في

248
00:18:13,310 --> 00:18:17,730
علم الجينات، ممكن أنا أروح أصنف الجينات كذلك، أو

249
00:18:17,730 --> 00:18:21,310
عفواً، أقسم الجينات لمجموعات، في الـ astronomy أو في

250
00:18:21,310 --> 00:18:26,670
علم الفضاء، عشان أصنف أو أجسم المجموعات أو أوجد

251
00:18:26,670 --> 00:18:30,470
مجموعات لـ similar stars والـ galaxies والمجرات

252
00:18:30,470 --> 00:18:33,660
اللي موجودة عندي، في الـ insurance أو في التأمين، عشان

253
00:18:33,660 --> 00:18:37,460
أعرف في المجموعات اللي أنا فعلياً كيف ممكن أعرف

254
00:18:37,460 --> 00:18:44,420
فيها الـ vehicles أو أن اصدر أو اقسم بوليصات التأمين

255
00:18:44,420 --> 00:18:48,240
حسب الـ holder اللي موجود عندها، لو جديش قيمة الـ

256
00:18:48,240 --> 00:18:51,200
insurance، في الـ city planning كذلك، في التخطيط

257
00:18:51,200 --> 00:18:56,200
الحضري للمدن، كيف يتم جسمها لمجموعة من الـ houses

258
00:18:56,200 --> 00:19:03,220
بناءً على أنواعهم وأنواع سفرتهم والـ location أو الـ

259
00:19:03,220 --> 00:19:07,260
geographical location تبعتهم، لكن أنا فعلياً جامعة

260
00:19:07,260 --> 00:19:11,300
الخير، كل الكلام الجميل عن الـ clustering، في عندي من

261
00:19:11,300 --> 00:19:13,860
ضمن الكلام كان في عندي مشكلة واضحة، أو هي الـ

262
00:19:13,860 --> 00:19:19,560
challenge الأساسي في موضوع الـ clustering، فعلياً إذا

263
00:19:19,560 --> 00:19:23,240
الـ data unlabeled، ما أعطاني عدد الـ clusters الحقيقية

264
00:19:23,240 --> 00:19:28,380
اللي موجودة عندي، لو أنا عرضت عليك الـ data هاي كم

265
00:19:28,380 --> 00:19:34,600
clusters؟ هذه الـ data set unlabeled data، ما فيش

266
00:19:34,600 --> 00:19:38,000
عليها أي علامات مميزة، وسألتك هذه كم مجموعة؟

267
00:19:47,800 --> 00:19:55,400
ممكن أكثر؟ اه ممكن، هذه أربعة clusters، هدول مع بعض،

268
00:19:55,400 --> 00:20:06,910
هدول لحال، هدول لحال، هذا لحال، أو هذا لحال، ممكن ستة

269
00:20:06,910 --> 00:20:10,630
كذلك، طيب أي عدد فيهم الصح؟ طيب الثلاثة ليش مش ثلاثة؟

270
00:20:10,630 --> 00:20:14,130
لو أنا قلت له ثلاثة، حاجة اسمهم على ثلاثة، من الصح

271
00:20:14,130 --> 00:20:19,030
فيهم؟ اثنين ولا ثلاثة ولا أربعة ولا ستة ولا خمسة؟

272
00:20:19,030 --> 00:20:23,850
مين؟ لأن الـ label غايب عندي، معناته أنا في عندي

273
00:20:23,850 --> 00:20:26,810
مشكلة، أو إحنا بنقول في عندي challenge حقيقية، لأن

274
00:20:26,810 --> 00:20:32,480
أقدر أقيّم الـ Cluster Algorithm أو الـ Behavior تبع

275
00:20:32,480 --> 00:20:34,340
الـ Cluster Algorithm، علشان هي بتقول الـ

276
00:20:34,340 --> 00:20:39,120
Clustering can be ambiguous، ممكن يكون مضلل، مضلل

277
00:20:39,120 --> 00:20:42,600
يعني مش واضح أو ضبابي في التعامل اللي موجود عندها.

278
00:20:43,850 --> 00:20:46,950
الـ Clustering Types، لما أتكلم على الـ Clustering

279
00:20:46,950 --> 00:20:51,630
Types، المعنى هو .. الـ .. الـ Clustering هي عبارة عن

280
00:20:51,630 --> 00:20:56,110
مجموعة من الست في الـ clusters، وهذه تراوح مجموعات

281
00:20:56,110 --> 00:20:59,010
الـ clusters هذه إما ما بين الـ hierarchical أو الـ

282
00:20:59,010 --> 00:21:03,830
partitional، الـ cluster إما بتكون هرمي أو تجزيئي أو

283
00:21:03,830 --> 00:21:06,810
تقطيعي، الـ clusters اللي موجودة، لما أتكلم على

284
00:21:06,810 --> 00:21:09,250
partitional الـ clustering، معناته أنا بتكلم على

285
00:21:09,250 --> 00:21:15,790
division للـ data على مجموعات غير متقاطعة، أنا بأجسم

286
00:21:15,790 --> 00:21:20,310
الـ data objects أو الـ instances اللي موجودة على

287
00:21:20,310 --> 00:21:25,870
مجموعات غير متقاطعة، وهذا ما نسميه non overlapping

288
00:21:25,870 --> 00:21:29,330
clusters أو non overlapping subsets، أو نسميها إحنا

289
00:21:29,330 --> 00:21:36,230
cluster، وبالتالي كل element بيكون موجود فقط في one

290
00:21:36,230 --> 00:21:40,140
subset، بينما في الـ Hierarchical Clustering، معناته

291
00:21:40,140 --> 00:21:45,860
أنا بتكلم على set of nested clusters organized as

292
00:21:45,860 --> 00:21:49,720
hierarchical tree، وبالتالي لأ، أنا في عندي تقاطع ما

293
00:21:49,720 --> 00:21:53,060
بين كل cluster والتاني، لما إن في عندي هيكلية أو

294
00:21:53,060 --> 00:21:56,660
hierarchy هرمية أو في عندي tree، معناته أنا قاعد

295
00:21:56,660 --> 00:22:00,420
في عندي عناصر اللي حتكون عندي ماخدة أشكال مختلفة.

296
00:22:00,420 --> 00:22:03,660
لو أنا قلت هذه الـ data اللي عندي هان وبدأت أطبق

297
00:22:03,660 --> 00:22:07,660
عليها partitional clustering، معناته ممكن حيكون

298
00:22:07,660 --> 00:22:10,860
عبارة عن الـ Partition، Different Partitional

299
00:22:10,860 --> 00:22:15,140
Clustering، لو أنا افترضت أنه بالـ Hierarchical

300
00:22:15,140 --> 00:22:17,660
data، معناته أنا ممكن أحكي الـ Hierarchical فكرة

301
00:22:17,660 --> 00:22:24,370
أنه اثنين وثلاثة هان في one cluster، والـ cluster

302
00:22:24,370 --> 00:22:27,870
هذا مع أربعة كونوا cluster جديد، مع واحد كونوا

303
00:22:27,870 --> 00:22:30,830
cluster جديد، وهذه طبعاً بسميها traditional

304
00:22:30,830 --> 00:22:33,710
hierarchical clustering، بينما هذه بسميها

305
00:22:33,710 --> 00:22:37,850
dendrogram، وطبعاً الـ dendrogram بيبين بشكل واضح

306
00:22:37,850 --> 00:22:41,290
علاقة الـ instances مع بعض، يعني أنا واضح أن عندي

307
00:22:41,290 --> 00:22:47,950
اثنين وثلاثة انجمعوا، بعدين انجمع لهم أربعة، و

308
00:22:47,950 --> 00:22:54,500
بعدين انجمع لكل اللي هي واحدة، كذلك هنا، هنا الـ non

309
00:22:54,500 --> 00:22:56,940
-traditional الهراريكال .. الهراريكال طبعاً الـ

310
00:22:56,940 --> 00:22:59,740
traditional في كل مرة أنا عمالي بضيف point، لكن في

311
00:22:59,740 --> 00:23:02,220
الـ non-traditional، لأ، ممكن تكون الأمور شوية مختلفة.

312
00:23:02,220 --> 00:23:05,500
ممكن بي واحد وبي اثنين مع بعض، بي اثنين وبي ثلاثة

313
00:23:05,500 --> 00:23:08,840
مع بعض، بي ثلاثة وبي أربعة، وهدول كلهم موجودين مع

314
00:23:08,840 --> 00:23:13,200
بعض، وهذه هي في الـ dendogram اللي بتظهر عندنا إن

315
00:23:13,200 --> 00:23:16,840
شاء الله تعالى، في التسجيل الجاي حأروح باتجاه الـ

316
00:23:16,840 --> 00:23:20,300
partitional clustering، أشوفكم على خير إن شاء الله.

317
00:23:20,300 --> 00:23:21,640
والسلام عليكم ورحمة الله.