1
00:00:00,000 --> 00:00:02,940
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:02,940 --> 00:00:07,260
أهلا وسهلا فيكم بالمحاضرة الثانية في الـ regression

3
00:00:07,260 --> 00:00:12,580
وهنا هنتكلم عن الـ multiple regression كنا في

4
00:00:12,580 --> 00:00:16,400
المحاضرة الماضية اتكلمنا عن الـ simple linear

5
00:00:16,400 --> 00:00:19,440
regression وقلنا simple linear regression معناته

6
00:00:19,440 --> 00:00:23,960
أنا عندي معادلة خط مستقيم واحد فقط اللي هي Y عفوا

7
00:00:23,960 --> 00:00:25,400
خليني أُحرك الـ pointer

8
00:00:37,800 --> 00:00:44,480
قلنا في معادلة الخط المستقيم أن الـ Y تساوي الـ M

9
00:00:44,480 --> 00:00:59,140
X زائد الـ B وقلنا أن الـ M عندها تساوي

10
00:00:59,140 --> 00:01:14,070
مجموع X I ناقص متوسط X مضروبة في Y I ناقص متوسط الـ

11
00:01:14,070 --> 00:01:19,330
Y على مجموع

12
00:01:19,330 --> 00:01:30,310
X I ناقص متوسط الـ X كل تربيع والـ B

13
00:01:33,710 --> 00:01:39,590
متوسط Y ناقص M

14
00:01:42,630 --> 00:01:47,090
الـ X فشوفنا مع بعض كيف احنا وصلنا للمعادلة أو

15
00:01:47,090 --> 00:01:49,950
اشتغلنا مع بعض وشوفنا الـ simple linear regression

16
00:01:49,950 --> 00:01:52,590
اليوم إن شاء الله تعالى هنتكلم على الـ multiple زي

17
00:01:52,590 --> 00:01:55,470
ما وعدناكم هنتكلم على الـ multiple regression وما

18
00:01:55,470 --> 00:01:58,210
زالَ نتكلم على الـ simple linear regression الـ

19
00:01:58,210 --> 00:02:01,450
regression لكنَّه نتكلم على الـ multiple الآن لما أنا

20
00:02:01,450 --> 00:02:03,510
أتكلم على الـ multiple regression معناته أنا بدي

21
00:02:03,510 --> 00:02:07,270
أتوقع العلاقة زي ما قلنا سابقا بين الـ multiple

22
00:02:07,270 --> 00:02:11,010
attributes أو multiple variables في عندي more than

23
00:02:12,010 --> 00:02:14,770
one independent attribute وقلنا من الأمثلة

24
00:02:14,770 --> 00:02:19,510
الموجودة عليها الـ income و الـ education أو تأثير

25
00:02:19,510 --> 00:02:22,830
الـ income و الـ education و الـ living area على

26
00:02:22,830 --> 00:02:26,730
تأثير

27
00:02:26,730 --> 00:02:31,610
قيمة الدخل والتعليم على المنطقة اللي يعيش فيها

28
00:02:31,610 --> 00:02:35,290
الشخص اللي موجود عندها طبعا لما بتكلم على زيادة

29
00:02:35,290 --> 00:02:38,410
عدد الـ variables أو عدد الـ independent variables

30
00:02:39,300 --> 00:02:43,460
معناته أنا بزيد من تعقيد عملية الـ prediction لأنَّه

31
00:02:43,460 --> 00:02:47,460
أنا فعليا بدي أتكلّم على .. بدي أوجد علاقة ما بين

32
00:02:47,460 --> 00:02:50,660
كل الـ attributes هذه مجتمعة طبعا يا جماعة الخير

33
00:02:50,660 --> 00:02:55,220
عشان بس قبل ما أنا أتكلّم شغلة ليش احنا بالتحديد

34
00:02:55,220 --> 00:03:00,660
قلنا linear regression معادلة خطية لأن الرتبة

35
00:03:00,660 --> 00:03:05,360
تبعها هي لاحظوا يا جماعة الخير أنا بتكلم

36
00:03:08,290 --> 00:03:11,430
لما كنت بتكلم على الـ simple regression عفوا بالـ

37
00:03:11,430 --> 00:03:15,170
simple regression عندي x و y ففي الآخر المعادلة

38
00:03:15,170 --> 00:03:19,930
تبعها سواء كانت خط مستقيم أو polynomial بغض النظر

39
00:03:19,930 --> 00:03:26,930
عن طبيعتها أنا في الآخر بتكلم في العلاقة في الـ 2D

40
00:03:26,930 --> 00:03:31,230
ليش؟ لأن في عندي two attributes تمام طب لو كانوا

41
00:03:31,230 --> 00:03:33,650
في عندي three attributes two independent و one

42
00:03:33,650 --> 00:03:37,550
dependent معناته بتكلم على 3D طب لو كانوا four

43
00:03:38,380 --> 00:03:43,020
طبعا، لاحظوا معايا في الـ linear .. linear هنصف

44
00:03:43,020 --> 00:03:49,460
بقول خط طيب، هل ممكن يكون في عندي linear multiple

45
00:03:49,460 --> 00:03:53,260
attributes؟ اه ممكن طبعا، تعالي خلينا نتخيل

46
00:03:53,260 --> 00:03:55,920
المعادلة تبعي بالشكل هذا الـ multiple regression

47
00:03:55,920 --> 00:03:58,340
لما يكون في عندك K independent attributes، هيصير

48
00:03:58,340 --> 00:04:02,660
إيش هكونها؟ طبعا، بتكلم عن linear regression لأن

49
00:04:02,660 --> 00:04:06,560
أعلى قيمة أو أعلى أُس X بتكون واحد، هاي المفهوم

50
00:04:06,560 --> 00:04:13,730
الـ linear الآن الـ predicted y بيتساوي الـ intercept

51
00:04:13,730 --> 00:04:22,970
B0 زائد الـ M1 في X1 زائد M2 في X2 زائد زائد

52
00:04:22,970 --> 00:04:29,010
Mk أو Bk في Xk ولما أنا بدي أجي أرسم معادلة بشكل

53
00:04:29,010 --> 00:04:32,290
هذا أبسط المعادلات اللي ممكن أستوعبها أنا في الرسم

54
00:04:32,290 --> 00:04:35,950
بعد هيك لما يكون لدي two independent variables ها

55
00:04:35,950 --> 00:04:41,050
هي X1 و X2 two independent variables مع الـ

56
00:04:41,050 --> 00:04:45,050
dependent variables صاروا three attributes عشان

57
00:04:45,050 --> 00:04:48,830
أقدر أمثلهم أنا أو أتخيلهم صح بدي أتخيل الـ 3D

58
00:04:48,830 --> 00:04:52,670
space ممتاز طيب المعادلة الخطية في الـ 3D space

59
00:04:52,670 --> 00:04:57,050
معناته هي بتتكلم على surface سطح والسطح هذا

60
00:04:57,050 --> 00:05:03,840
إلي هيكون ميل هيكون مع الـ X و ميل هيكون مع الـ X

61
00:05:03,840 --> 00:05:06,000
الثاني أو المحور الثاني بما أن أنا في عندي الـ 2X

62
00:05:06,000 --> 00:05:09,680
X1 و X2 و الـ Y ثابتة لأن الـ Y هي الـ predicted

63
00:05:09,680 --> 00:05:13,860
value و أنا في عندي X1 و X2 بما أن في عندي ميل مع

64
00:05:13,860 --> 00:05:20,400
X1 و X2 وبناءً عليه أنا بتكلم على معادلة خطية

65
00:05:20,400 --> 00:05:26,260
لكنها في الـ 3D تمام، الآن لو أنا أُفضل أو أعمل

66
00:05:26,260 --> 00:05:31,140
prediction بالـ python بتمنى هذه الجزئية تكون سهلة

67
00:05:31,140 --> 00:05:34,320
يعني مافيش فيها كلام أنت بدك تستوعب طب لو كان في

68
00:05:34,320 --> 00:05:36,440
عندي أنا four attribute three independent

69
00:05:36,440 --> 00:05:40,180
attribute جماعة الخير three independent attribute

70
00:05:40,180 --> 00:05:44,540
و one dependent attribute يعني صاروا أربعة إيش

71
00:05:44,540 --> 00:05:48,200
الشكل تبعي اللي أحب أتخيّله في الـ space في الـ 4D

72
00:05:48,200 --> 00:05:51,900
بسيط بتكلم على space مكعب ممكن تكون هذا الـ space

73
00:05:51,900 --> 00:05:57,480
cube المفروض عندما أزيد عدد الـ Attributes سأزيد

74
00:05:57,480 --> 00:06:01,880
خيالي لكي أتكلم عليها لكن بفضل الله تبارك وتعالى

75
00:06:01,880 --> 00:06:06,220
نحن بعد الـ 3D بنبطل نستوعب إيش اللي ممكن يصير

76
00:06:06,220 --> 00:06:09,520
الآن تعال نشوف بالـ Python بدي أشغل على نفس

77
00:06:09,520 --> 00:06:12,780
الطريقة أو نفس الفكرة السابقة استخدمت الـ NumPy

78
00:06:12,780 --> 00:06:17,440
ورحت وقلت له أنا في عندي Array لكن كل رو في الـ

79
00:06:17,440 --> 00:06:21,840
Array بيحتوي على two attributes أو two variables

80
00:06:23,550 --> 00:06:27,310
خمسة وثلاثة يعني الـ attribute X1 خمسة في الصف

81
00:06:27,310 --> 00:06:33,670
الأول X2 ثلاثة X1 سبعة X2 خمسة وهكذا والـ Y ده هي

82
00:06:33,670 --> 00:06:37,670
الـ value تبعتهم لاحظوا ما تغيرش معايا ولا حاجة أنا

83
00:06:37,670 --> 00:06:43,670
غير إنّي غيرت بس الـ X الـ attributes تبعي صارت في

84
00:06:43,670 --> 00:06:47,770
الـ 2D dimension 2D array ولاحظوا ما كنتش محتاجة reshape

85
00:06:47,770 --> 00:06:53,060
لأن خلاص ليش؟ لأن أنا كنت بدي حلقة في صفوف في صفوف

86
00:06:53,060 --> 00:06:56,380
وانتهى الأمر هنا مافيش داعي إنّي أعمله Reshape الـ y

87
00:06:56,380 --> 00:07:02,340
.unarray وهي الـ target attribute تبعي نفس الكلام

88
00:07:02,340 --> 00:07:06,020
from sklearn.linear_model import Linear

89
00:07:06,020 --> 00:07:09,520
Regression بنيت الموديل وعملت له fit فهنا راح

90
00:07:09,520 --> 00:07:14,850
تعرف أو بنى الموديل وحدد الـ intercept أحدد قيمة الـ

91
00:07:14,850 --> 00:07:18,810
slope للـ attribute الأول والـ attribute الثاني أو

92
00:07:18,810 --> 00:07:20,810
الـ coefficient للـ attribute الأول والـ attribute

93
00:07:20,810 --> 00:07:24,230
الثاني لو أنا طبعت بنفس الطريقة السابقة قلت له الـ

94
00:07:24,230 --> 00:07:28,390
model.coefficient و الـ model.intercept طبع ليهم،

95
00:07:28,390 --> 00:07:34,170
لاحظوا أنّه طبع ليها الـ model.coefficient جاب ليهم

96
00:07:34,170 --> 00:07:38,430
على إنهم مصفوفة لأ وفيه two variables أو two

97
00:07:38,430 --> 00:07:42,930
values ليش؟ لأن أنا فعليًا عندي two independent

98
00:07:42,930 --> 00:07:47,550
attributes X1 و X2 فأنا رحت بس جملتها أكثر و

99
00:07:47,550 --> 00:07:50,190
فصلتهم وطبعتهم بالشكل هذا قلت له model

100
00:07:50,190 --> 00:07:55,410
.coefficient[0] عشان أجيب القيمة الأولى ضربتها في

101
00:07:55,410 --> 00:07:59,670
X1 as a text زائد عشان أطبع معادلة الخط الـ .. أو

102
00:07:59,670 --> 00:08:05,630
بلاش الـ .. الـ linear space اللي موجود عندي هذا

103
00:08:09,310 --> 00:08:12,310
تمام وبالتالي ما اتغيرش عندي في الشغل ولا حاجة إنّه

104
00:08:12,310 --> 00:08:14,730
غير إنّه data set طب لو أنا بعد data set بعد شو بدأ

105
00:08:14,730 --> 00:08:18,250
أُساوي بدل ما كنت أنا آخذ أو أخدت عمود واحد الآن

106
00:08:18,250 --> 00:08:21,630
بدأ آخذ عمودين أو ثلاثة أو أربعة عشان الـ linear

107
00:08:21,630 --> 00:08:25,290
regression اللي مولود خلينا ننتقل للـ nonlinear مش

108
00:08:25,290 --> 00:08:28,750
ضايل كتير عندنا في الـ slides nonlinear regression

109
00:08:28,750 --> 00:08:33,770
nonlinear معناته أنا بتكلم على nonlinear line أنا

110
00:08:33,770 --> 00:08:38,460
في عندي خط لكن الخط هذا غير مستقيم أو ممكن يكون في

111
00:08:38,460 --> 00:08:41,880
عندي surface الـ surface هذا ممكن يكون على شكل

112
00:08:41,880 --> 00:08:45,780
دائرة

113
00:08:45,780 --> 00:08:52,280
مائلة أو slow أو ellipse بالشكل هذا فأنا الآن بقول

114
00:08:52,280 --> 00:09:00,700
نتكلم على خط مستقيم الآن لما الـ data ما بتظهرش عندي

115
00:09:00,700 --> 00:09:01,980
linear dependency

116
00:09:08,540 --> 00:09:12,100
معناته أنا ممكن أَدور على accurate أو أحصل على

117
00:09:12,100 --> 00:09:14,460
accurate model لو في حالة إن كان في عندي non

118
00:09:14,460 --> 00:09:16,700
linear regression يعني بين قرصين الجامعة الاختيار

119
00:09:16,700 --> 00:09:21,120
أنا ممكن أجرب وأجرب الـ linear وأجرب الـ non

120
00:09:21,120 --> 00:09:24,660
linear وأشوف إيش المعادلة الأفضل example لو أنا

121
00:09:24,660 --> 00:09:29,940
قلت لك هي في عندي y تساوي w0 الـ intercept لو أنا

122
00:09:29,940 --> 00:09:33,820
بدي أتكلّم على معادلة خط اللي هي نقطة التقاطع مع الـ

123
00:09:33,820 --> 00:09:40,050
y يوجد الـ Y و الـ W الـ coefficient تبع المتغير

124
00:09:40,050 --> 00:09:46,310
الأول العلاقة الخطية الـ Y و W الـ W الـ Y و W الـ

125
00:09:46,310 --> 00:09:49,350
W الـ Y و W الـ W الـ Y و W الـ W الـ Y و W الـ Y و W

126
00:09:49,350 --> 00:09:49,630
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

127
00:09:49,630 --> 00:09:50,770
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

128
00:09:50,770 --> 00:09:56,070
الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W

129
00:09:56,070 --> 00:10:02,610
الـ Y و W الـ  الـ equation تبعي بتأخذ different

130
00:10:02,610 --> 00:10:06,910
forms أشكال مختلفة زي ما شفنا في ملف الـ Excel و

131
00:10:06,910 --> 00:10:11,670
هنرجع لها على السريع في ملف الـ Excel لما قلت له الـ

132
00:10:11,670 --> 00:10:15,970
line trend أو الـ trend line كان فيه عنده

133
00:10:15,970 --> 00:10:18,450
exponential عنده linear عنده logarithmic عنده

134
00:10:18,450 --> 00:10:22,330
polynomial عنده power إلى آخره الآن أنا فيه عنده

135
00:10:22,330 --> 00:10:29,910
الـ exponential والعلاقة ما بين الـ y و الـ x إن الـ X

136
00:10:29,910 --> 00:10:35,370
موجودة كأساس للـ exponential value E أساس B ضرب X و

137
00:10:35,370 --> 00:10:38,510
الـ B هي الـ intercept اللي احنا بتكلم عليها يعني

138
00:10:38,510 --> 00:10:45,430
الـ coefficient تبع الـ X الـ power value برضه

139
00:10:45,430 --> 00:10:50,150
أنا ما زلت بتكلم هنا هذه

140
00:10:50,150 --> 00:10:53,830
المعادلة اللي موجودة عندي هنا الـ growth saturation

141
00:10:53,830 --> 00:10:58,970
model تبعها وفي عندي الـ polynomial اللي احنا

142
00:10:58,970 --> 00:11:05,790
شوفناها قبل لحظات polynomial هذا الرسمة لو كان

143
00:11:05,790 --> 00:11:08,230
عندي بيانات ورحت رسمتها وقلت لها ارسم لي الـ

144
00:11:08,230 --> 00:11:13,010
trend اللي موجود ارسم لي المعادلة اللي موجودة مش

145
00:11:13,010 --> 00:11:16,150
هيكون في عندي مشكلة لأن هذه مستحيل أنا ألاقي خط

146
00:11:16,150 --> 00:11:25,530
مستقيم ما بين النقطة هاي ونقطة هاي والنقطة

147
00:11:25,530 --> 00:11:30,270
هاي مباشرة ليش؟ لأن الخط المستقيم أبعد لكن لو

148
00:11:30,270 --> 00:11:32,710
أنت قلت له والله أنا ممكن أتكلم عن خط مستقيم في

149
00:11:32,710 --> 00:11:37,310
المنطقة high نسبة الخطأ أقل لكن في الأول مستحيل

150
00:11:37,310 --> 00:11:40,430
يكون لكن واضح إن الـ trend تبعها non-linear

151
00:11:42,880 --> 00:11:47,180
يعني أنا بدي أجرب وأحاول للفهم للـ data وعلاقة الـ

152
00:11:47,180 --> 00:11:50,420
attributes اللي اشتغل عليها هو اللي بيحدد أنا فعلا

153
00:11:50,420 --> 00:11:54,380
هأشتغل على linear ولا على non-linear طيب في الموضوع

154
00:11:54,380 --> 00:11:56,900
الـ evaluation يا جماعة الخير في الموضوع الـ

155
00:11:56,900 --> 00:12:02,000
evaluation أنا بدي في عندي prediction في عندي true

156
00:12:02,000 --> 00:12:07,980
values هي لأن خلينا أهم metric لقياس الـ regression

157
00:12:07,980 --> 00:12:12,700
هو الـ root mean square error والبعض يعتمد فقط على

158
00:12:12,700 --> 00:12:15,600
الـ mean square error وليس فرق كتير لأنّي أريد

159
00:12:15,600 --> 00:12:19,020
فرق وأزيل الجذر بعد ذلك لكن الـ root mean square

160
00:12:19,020 --> 00:12:22,540
error ماهو الـ error اللي موجود عندي؟ الـ error هي

161
00:12:22,540 --> 00:12:27,450
عبارة عن الـ actual value ناقص الـ Predicted Value

162
00:12:27,450 --> 00:12:30,610
لأن أنا بتكلم على continuous بتكلم على continuous

163
00:12:30,610 --> 00:12:34,270
value أنا عامل الـ prediction والـ actual value

164
00:12:34,270 --> 00:12:36,970
لازم تكون continuous الفرق بينهم هو نسبة الخطأ

165
00:12:36,970 --> 00:12:40,070
اللي موجود عندها لو بدي أجي للرسم يا جماعة الخير

166
00:12:40,070 --> 00:12:44,830
هذه النقطة بتمثل الـ actual point النقطة الحقيقية

167
00:12:44,830 --> 00:12:50,490
مصبوط؟ طيب والـ predicted value تبعها اللي هتكون

168
00:12:50,490 --> 00:12:55,890
هنا اللي على الخط كذلك هنا، لاحظوا الـ distance

169
00:12:55,890 --> 00:12:59,870
المسافة اللي هنا بحسب الـ Euclidean distance اللي

170
00:12:59,870 --> 00:13:03,490
احنا شفناها لـ predicted value ناقص الـ true value

171
00:13:03,490 --> 00:13:10,210
تربيع، مصبوط؟ هاي الـ Euclidean الآن لو أنا رحت

172
00:13:10,210 --> 00:13:16,150
اجمعت كل المسافات هاي وجمعتها على عدد النقاط اللي

173
00:13:16,150 --> 00:13:21,190
موجودة عندها أنا بكون حصلت على الـ mean square

174
00:13:21,190 --> 00:13:25,390
error الـ mean square error بأخذها وبحطها تحت

175
00:13:25,390 --> 00:13:29,520
الجذر اللي موجود عندها طبعا الـ Residual المقصود

176
00:13:29,520 --> 00:13:32,600
فيه المسافة أو الـ Error الموجود بين العناصر اللي

177
00:13:32,600 --> 00:13:36,340
موجودة عندك يعني بكل بساطة بأخذ الفروقات ما بين

178
00:13:36,340 --> 00:13:40,460

223
00:16:52,350 --> 00:16:56,330
squared error حسب، احنا الآن هطبقها، الـ main square

224
00:16:56,330 --> 00:17:01,000
errorاللي في الـ slide السابق، هنا أنا كنت بتكلم على

225
00:17:01,000 --> 00:17:05,080
الـ root اللي هي الجذر التربيعي اللي موجود

226
00:17:05,080 --> 00:17:10,300
عندي هنا، فممكن أنت تستدعي كذلك الـ print الـ mean

227
00:17:10,300 --> 00:17:14,440
square error percent to F عشان بقى يجيب لي الـ two

228
00:17:14,440 --> 00:17:19,920
digits بعد الفاصلة العشرية، الـ mean square error هي

229
00:17:19,920 --> 00:17:22,280
الدالة اللي استدعيتها هنا، أو الـ metric اللي

230
00:17:22,280 --> 00:17:28,150
استدعيته، وزودته بالـ y test و الـ y predicted، و

231
00:17:28,150 --> 00:17:33,310
يديني الـ value اللي موجودة عندنا، وبهيك بنكون احنا

232
00:17:33,310 --> 00:17:40,430
فعلياً انتهينا من موضوع الـ regression، شابتر ظريف و

233
00:17:40,430 --> 00:17:48,510
خفيف نشتغل عليه، بتمنى يكون... بقدر أتوصل الفكرة

234
00:17:48,510 --> 00:17:53,690
بشكل كويس، لكن في عندنا شغل آخر، اللي علاقة بالـ

235
00:17:53,690 --> 00:17:59,090
assignment، لما أتكلم عن الـ assignment، أنا مش عارف

236
00:17:59,090 --> 00:18:03,730
مش عامله hide، أتكلم بالـ assignment إنه جامعة الخير،

237
00:18:03,730 --> 00:18:09,790
لازم احنا نشتغل و نطبق مع بعض، لازم لازم لازم الآن

238
00:18:09,790 --> 00:18:16,270
إيش مطلوب منك؟ أنت في عندك data set، عندك data set، و

239
00:18:16,270 --> 00:18:22,560
الـ data set تبعتك مخصصة للـ linear regression،

240
00:18:22,560 --> 00:18:25,840
ريجريشن أو nonlinear regression، احنا لسه ما بنعرف

241
00:18:25,840 --> 00:18:29,800
بدك تروح على الـ data set اللي موجود عندكم، و تفحص

242
00:18:29,800 --> 00:18:37,060
تتعرف على الـ data set بشكل كويس، وبعد هيك تروح

243
00:18:37,060 --> 00:18:43,520
تختار multiple attributes

244
00:18:45,410 --> 00:18:53,590
تعمل regression

245
00:18:53,590 --> 00:18:55,610
(repeated "تعمل" removed)

246
00:18:55,610 --> 00:18:55,650
(repeated "تعمل" removed)

247
00:18:55,650 --> 00:18:55,770
(repeated "تعمل" removed)

248
00:18:55,770 --> 00:18:55,830
(repeated "تعمل" removed)

249
00:18:55,830 --> 00:19:06,590
(repeated "تعمل" removed)

250
00:19:06,590 --> 00:19:09,450
(removed extra "ت")

251
00:19:09,890 --> 00:19:13,130
تقارن بين كل الحالات اللي موجودة، يعني بالتفصيل

252
00:19:13,130 --> 00:19:16,870
بالآخر، بالتفصيل، بدك تروح تجرب linear regression،

253
00:19:16,870 --> 00:19:19,050
simple linear regression، و multiple linear

254
00:19:19,050 --> 00:19:23,750
regression، ماشي الحال على one attribute، وعلى two

255
00:19:23,750 --> 00:19:28,770
attributes، الـ multiple اعتبرها two، والـ simple

256
00:19:28,770 --> 00:19:34,830
الاعتبرها one، لكن الـ multiple تكون two attributes،

257
00:19:34,830 --> 00:19:38,680
at least، بتطبق عليها Linear، وتطبق عليها Unlinear،

258
00:19:38,680 --> 00:19:43,680
طبعاً المفروض هذا يتسلم يوم اثنين عشر اثنين، لكن بما أن

259
00:19:43,680 --> 00:19:48,700
التواريخ كلها اتغيرت، فبكون في عندنا تاريخ تاني

260
00:19:48,700 --> 00:19:54,080
للتسليم، وحوضح أكتر إن شاء الله تعالى، إن خلال الـ

261
00:19:54,080 --> 00:19:57,900
model، بتمنى لكم التوفيق، وأتمنى يكون الموضوع الـ

262
00:19:57,900 --> 00:20:00,660
regression واضح بالنسبة لكم، وإذا في أي استفسار

263
00:20:00,660 --> 00:20:04,320
الـ model من خلال الـ model أو الـ email، أو جلسات

264
00:20:04,320 --> 00:20:08,180
النقاش اللي هنعملها لاحقاً، السلام عليكم ورحمة الله

265
00:20:08,180 --> 00:20:09,220
وبركاته