PL9fwy3NUQKwY229s7FFto_DG4Gk-imNVi/G999D5pBnno.srt

1
00:00:20,870 --> 00:00:23,690
بسم الله الرحمن الرحيم اليوم إن شاء الله نكمل

2
00:00:23,690 --> 00:00:26,970
الموضوع الذي بدأنا فيه المحاضرة الماضية وهو

3
00:00:26,970 --> 00:00:30,410
decision trees قلنا إننا الذي نزلنا من

4
00:00:30,410 --> 00:00:36,960
الموضوع هذا هو أن نبني trees بناءً على الـdata

5
00:00:36,960 --> 00:00:42,820
هذه بعدها كذا بنبني منها rule set، مجموعة

6
00:00:42,820 --> 00:00:48,960
rules التي نعطيها لـ expert system  ليعمل

7
00:00:48,960 --> 00:00:53,160
عملية الـdecision للـdata التي تأتيه جديدة

8
00:00:53,160 --> 00:00:56,800
فنبني بناءً على الـdata السابقة، يكفي عندي في الآخر

9
00:00:56,800 --> 00:00:59,280
الذي هو الـcolumn الأخير، وهو الـcolumn الذي

10
00:00:59,280 --> 00:01:03,000
على أساسه أنا أُريد، أو يعني أُريد أن أصنف الـdata على

11
00:01:03,000 --> 00:01:06,720
أساسه. فيه بعد ذلك عمود آخر، عمود آخر نسميه

12
00:01:06,720 --> 00:01:11,700
attributes التي أُضيفها إليه في الآخر هو

13
00:01:11,700 --> 00:01:16,420
decision tree بهذا الشكل، بهذا الشكل الذي في الآخر

14
00:01:16,420 --> 00:01:19,850
leaf nodes  تبعها، leaf nodes  تُعبر عن

15
00:01:19,850 --> 00:01:24,590
classifications، الـyes والـno، هي إجابة على السؤال

16
00:01:24,590 --> 00:01:29,630
هل الشخص هذا سيشتري أم لا؟  إذا تذكروا الـ

17
00:01:29,630 --> 00:01:34,310
table هذا في الأصل كان عبارة عن بيانات مُجمعة عن ناس

18
00:01:34,310 --> 00:01:38,410
اشتروا بعد أن قُدمت لهم دعاية، وفي بعض منهم اشتروا، و

19
00:01:38,410 --> 00:01:42,170
بعض منهم لم يشترِ، وهو الـcomputer، يعني، وبيانات

20
00:01:42,170 --> 00:01:46,490
المعلومات عنهم سواء الذين اشتروا أو لم يشترُوا. التي

21
00:01:46,490 --> 00:01:51,230
ننتهي بـdecision tree التي نصل بها إلى leaf nodes

22
00:01:51,230 --> 00:01:55,530
فيها، والتي هي classifications أصبح

23
00:01:55,530 --> 00:02:01,070
المسار المؤدي من الـroot  إلى الـleaf

24
00:02:01,070 --> 00:02:05,850
node هو عبارة عن، بقدر أنا أترجمه إلى rule  مُنظم

25
00:02:05,850 --> 00:02:13,330
فعندي عدة مسارات أستطيع منها استنتاج هذه الـrules، فهمنا

26
00:02:13,330 --> 00:02:19,890
هذا الكلام؟ هنا وقفنا عند هذه النقطة، السؤال هو: على أساس

27
00:02:19,890 --> 00:02:25,910
ماذا؟ أنا عندما أُشكل الـtree أبدأ من الـroot node

28
00:02:25,910 --> 00:02:28,150
root node  هذه عبارة عن attribute واحدة من

29
00:02:28,150 --> 00:02:33,230
attributes، واحدة من الـattributes  تبع الـtable، صحيح؟

30
00:02:33,230 --> 00:02:38,490
واحدة من الـattributes  تبع الـtable، أبدأ بها

31
00:02:38,490 --> 00:02:42,170
عملية splitting، عملية الـsplitting للعكس، للعكس،

32
00:02:42,170 --> 00:02:52,350
للعكس، للعكس، للعكس، للعكس، للعكس، للعكس، للعكس، للعكس،

33
00:02:52,550 --> 00:02:55,450
بناءً على الـtwo values هذين، صار split، أو بناءً

34
00:02:55,450 --> 00:02:58,430
على الـattribute  صار فيه split لناحية، الذين هم جماعة

35
00:02:58,430 --> 00:03:02,590
الـyes وجماعة الـno. إلى هذا الـtable، سب تابِل، وهذا سب

36
00:03:02,590 --> 00:03:07,330
تابِل، نستمر في الأمر إلى أن، قلنا إن إلى أن نصل

37
00:03:07,330 --> 00:03:13,690
إلى الـleaf nodes. قلنا إن السؤال، أو المعيار،

38
00:03:13,690 --> 00:03:16,870
الذي على أساسه نختار، لماذا اخترنا student،

39
00:03:16,870 --> 00:03:20,390
لم نختار مثلاً الـage، ولا الـincome، ولا الـcredit

40
00:03:20,390 --> 00:03:25,270
ratio، المعيار كان الـinformation gain

41
00:03:25,270 --> 00:03:31,270
information gain

42
00:03:31,270 --> 00:03:35,870
information

43
00:03:35,870 --> 00:03:39,770
gain، نريد

44
00:03:39,770 --> 00:03:45,490
نأخذه من المعادلة هذه، هذه المعادلة. سننظر إليها الآن

45
00:03:45,490 --> 00:03:49,730
بالتفصيل.  لقد رأينا هذا المثال، صحيح؟ رأينا

46
00:03:49,730 --> 00:03:55,330
هذا المثال، سننظر في هذا المثال، كيف حُسبت القيم

47
00:03:55,330 --> 00:04:01,370
تبعته. أولاً، لأن عندي المعادلات

48
00:04:01,370 --> 00:04:06,350
هذه، نريد أن نستخدم الـtable هذا. بمعنى أني

49
00:04:07,010 --> 00:04:10,070
إن أنا أُريد أن أحسب الـinformation gain لكل واحدة من

50
00:04:10,070 --> 00:04:12,870
الـattributes، فأُريد أن أعمل جدولاً لكل واحدة من

51
00:04:12,870 --> 00:04:15,530
الـattributes. طبعاً أنا لا أعمل ذلك، عادة الـsystem

52
00:04:15,530 --> 00:04:19,710
الذي يبني لي الـdecision trees  يُجري هذه الحسابات

53
00:04:19,710 --> 00:04:25,790
كلها ويُخرج لي،  يُخرج لي الـtree نهائياً، يعني

54
00:04:25,790 --> 00:04:28,090
يُخرج لي أنه في البداية يُجري split على أساس الـ

55
00:04:28,090 --> 00:04:32,150
student، ثم الذي بعده، ثم الذي بعده. لكن كي يُقرر

56
00:04:32,150 --> 00:04:36,010
إذا كان هو student أم لا، يُجري الـtable  مثل

57
00:04:36,010 --> 00:04:39,030
هذا لكل واحد من الـattributes. الآن student كـ

58
00:04:39,030 --> 00:04:43,870
attribute، ننظر إليها، كم قيمة لها؟ yes وno، صحيح؟

59
00:04:43,870 --> 00:04:48,010
بينما  بعض attributes  مثل الـage، نعود ثانيةً إلى

60
00:04:48,010 --> 00:04:52,290
age، ماذا

61
00:04:52,290 --> 00:04:58,310
كانت الـvalues المختلفة تبع الـage؟ ها

62
00:04:58,310 --> 00:05:00,990
فيه أحد مثلاً أقل من أو يساوي ثلاثين، أقل من أو يساوي

63
00:05:00,990 --> 00:05:04,090
ثلاثين، من واحد وثلاثين إلى أربعين، فالـage كـattribute

64
00:05:05,200 --> 00:05:15,720
إلى كم قيمة؟ أكبر

65
00:05:15,720 --> 00:05:26,360
من 40، هذه ثلاث قيم مختلفة لـattribute

66
00:05:26,360 --> 00:05:32,350
الـincome: high، وmedium، وlow. الـstudent  فقط yes و

67
00:05:32,350 --> 00:05:34,910
no. الـcredit rating  إما فيه أو excellent.

68
00:05:34,910 --> 00:05:38,710
فيه أو excellent، مُنظم. فكل attribute فيها عدد

69
00:05:38,710 --> 00:05:43,430
ما قيم الـvalues التي نريد تكوين الـtable إذاً؟

70
00:05:43,430 --> 00:05:48,890
إن... إذا عدنا إلى... الـtable  تبع الـstudent

71
00:05:48,890 --> 00:05:51,970
attribute، فيها قيمتان، هما

72
00:05:51,970 --> 00:05:59,140
yes وno. الآن أريد أن أرى أيضاً، يعني أريد أن... أن...

73
00:05:59,140 --> 00:06:01,560
أريد أن أُضيف عموداً للـpositive وعموداً للـnegative، عمود

74
00:06:01,560 --> 00:06:04,800
للـpositive، بمعنى ماذا؟ positive: yes وno، لا، بمعنى

75
00:06:04,800 --> 00:06:09,140
أنه حسب الـclass النهائي الذي أُريد أن أصنف على

76
00:06:09,140 --> 00:06:13,760
أساسه، أنهم اشتروه أم لم يشترُوه. okay، فما الـP هنا؟

77
00:06:13,760 --> 00:06:18,280
بمعنى أنهم... أنهم... أنهم اشتروه، والـN بمعنى

78
00:06:18,280 --> 00:06:23,100
لم يشترُوه، لم يشترُوه. okay، الآن لكل واحد من... من

79
00:06:23,100 --> 00:06:27,770
values  تبع الـattribute، هلاقي، يعني الناس الذين هم

80
00:06:27,770 --> 00:06:32,090
student، هلاقي بعضهم اشتروا، بعضهم لا، يعني

81
00:06:32,090 --> 00:06:33,970
ممكن الذي student  لم يشترِها، وممكن الذي student

82
00:06:33,970 --> 00:06:37,230
اشتراها، مُنظم. كذلك الحال في الـage، كذلك الحال في

83
00:06:37,230 --> 00:06:39,450
الـcharacterization. ممكن الذي يأتي عندي في الـtable

84
00:06:39,450 --> 00:06:44,470
تبع الـage، يأتي

85
00:06:44,470 --> 00:06:49,370
عندي كم سطر؟ ثلاثة:  less than or equal to

86
00:06:49,370 --> 00:06:55,610
30، من 31 إلى 40، وبعدين أكبر من 40. لأن كل فئة

87
00:06:55,610 --> 00:06:58,790
منها، بها positive، وبها negative

88
00:06:58,790 --> 00:07:09,730
هذه القيمة التي أضعها هنا، هي قيمة ماذا؟

89
00:07:09,730 --> 00:07:19,050
الـI  تبع هذه الـvalue، الـpositive والـnegative

90
00:07:19,050 --> 00:07:25,570
تبع هذه الـvalue. دعوني أقول مثلاً هذه الـvalue  نعطيها

91
00:07:25,570 --> 00:07:33,230
قيم 1,2,3,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1

92
00:07:33,230 --> 00:07:33,430
,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1

93
00:07:33,430 --> 00:07:34,370
,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1

94
00:07:34,370 --> 00:07:39,250
,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1

95
00:07:39,250 --> 00:07:46,890
,1,1,1

96
00:07:46,890 --> 00:08:00,710
,1,1 I لـ P1، P2، N2، I لـ P3، N3، أو

97
00:08:00,710 --> 00:08:04,670
P3

98
00:08:04,670 --> 00:08:07,070
N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو

99
00:08:07,070 --> 00:08:10,170
P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3،

100
00:08:10,170 --> 00:08:10,210
N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3،

101
00:08:10,210 --> 00:08:10,230
P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3،

102
00:08:10,230 --> 00:08:13,130
أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3، N3، أو P3

103
00:08:13,130 --> 00:08:17,700
N3. لقد غيرت في المعادلة هذه، الصيغة تبعها، فقط كي

104
00:08:17,700 --> 00:08:22,920
تبقى واضحة الأمور. إن هذا الـratio، هذا الـratio،

105
00:08:22,920 --> 00:08:26,460
ذكرته في المحاضرة الماضية، وهذه أيضاً الـratio  هذا

106
00:08:26,460 --> 00:08:30,480
هذا، يتعلق بنسبة الـpositive  على المجموعة، أو الأخري

107
00:08:30,480 --> 00:08:33,940
وهو نسبة الـnegative على المجموعة، المجموعة،

108
00:08:33,940 --> 00:08:37,460
التي أنا عنها أُحدد المجموعة، هل المجموعة كل

109
00:08:37,460 --> 00:08:40,790
attribute أم مجموعة الـvalue الواحد داخل الـ

110
00:08:40,790 --> 00:08:43,990
attribute. الآن نفس الشيء في هذا الأمر، لكن المهم أني

111
00:08:43,990 --> 00:08:51,070
عندما أكتب P: positive أو P: negative، أقصد إذا P

112
00:08:51,070 --> 00:08:54,690
positive، أقصد الـpositive على المجموعة. إذا كتبت P

113
00:08:54,690 --> 00:09:01,170
negative، أقصد الـnegative على المجموعة. واضح؟ فأنا

114
00:09:01,170 --> 00:09:05,910
هنا لم أكتب علامة الناقص، لم آتِ بها

115
00:09:05,910 --> 00:09:11,030
لكن كتبت P plus، صحيح؟  وهي الـpositive  على المجموع

116
00:09:11,030 --> 00:09:16,590
log base 2، أيضاً نفسه، صحيح؟ الـpositive على المجموع

117
00:09:16,590 --> 00:09:23,850
ناقص P negative،

118
00:09:23,850 --> 00:09:28,490
صحيح؟  وهو نسبة الـnegative على المجموع، log base

119
00:09:28,490 --> 00:09:31,050
2، أيضاً الـnegative على المجموع.

120
00:09:34,390 --> 00:09:37,030
طيب، نأتي الآن، نقوم بتطبيق هذا الكلام على

121
00:09:37,030 --> 00:09:42,250
student attribute، الـstudent attribute. إذا تذكروا

122
00:09:42,250 --> 00:09:48,390
قدّرناهم نحن في المحاضرة الماضية،  قدّرناهم. عندي الـ

123
00:09:48,390 --> 00:09:58,190
positive  كم؟ الـpositive طلعوا ستة. okay، ستة

124
00:09:58,190 --> 00:10:02,290
ماذا؟ ستة students

125
00:10:05,630 --> 00:10:11,370
6 students اشتروا، واحد student  لم يشترِ. نعود ثانيةً إلى

126
00:10:11,370 --> 00:10:16,350
الـtable هنا.

127
00:10:16,350 --> 00:10:22,750
هنا عندنا أربعة عشر، كم منهم students؟ أربعة

128
00:10:22,750 --> 00:10:28,110
عشرة، سيكون عندك: واحد، اثنان، ثلاثة، أربعة،

129
00:10:28,110 --> 00:10:34,050
خمسة، ستة، سبعة، مُنظم، سبعة students، وسبعة مش

130
00:10:34,050 --> 00:10:42,890
students، يعني هي

131
00:10:42,890 --> 00:10:47,670
student: positive،

132
00:10:47,670 --> 00:10:58,830
وهي negative، yes وهي no، لأن yes: student اشترى،

133
00:10:58,830 --> 00:11:04,990
كم هي؟ اشترى، هي yes: student اشترى،

134
00:11:11,070 --> 00:11:15,930
واحد، اثنان، ثلاثة، أربعة، خمسة، ستة، وهي سبعة، الذين

135
00:11:15,930 --> 00:11:17,950
هو واحد، والذي لم يشترِها، الذي هو... الذي هو

136
00:11:17,950 --> 00:11:27,410
هذا لأن no: student  ولم يشترِها، positive: واحد، وهاي

137
00:11:27,410 --> 00:11:36,070
اثنان، هاتين اثنين، صحيح؟

138
00:11:36,070 --> 00:11:39,650
وهي... وهي الثالث،

139
00:11:51,070 --> 00:11:55,170
لو أنا أُريد أن أعمل نفس الـtable هذا لمن؟ لـage

140
00:12:04,910 --> 00:12:12,770
لماذا لا يوجد لديّ  يساوي؟ لديّ الذين هم  أقل من ثلاثين، و

141
00:12:12,770 --> 00:12:18,030
من واحد وثلاثين إلى أربعين، وبعدين أكبر من أربعين،

142
00:12:18,030 --> 00:12:25,470
أربعين، أربعين، تمام.  إلى أن  هي yes  قوة  أنه أقل من

143
00:12:25,470 --> 00:12:29,710
ثلاثين. أكثر من واحدة، هي هذه، وهذه، وهذه، وهذه

144
00:12:29,710 --> 00:12:32,610
وهذه، وهذه، انتهى الأمر.

145
00:12:36,570 --> 00:12:40,290
الخمسة هؤلاء، طبعاً نضع عددهم هنا، أنا فقط كي

146
00:12:40,290 --> 00:12:49,930
أذكر... الخمسة هؤلاء، كم واحد منهم اشتروا؟ واحد،

147
00:12:49,930 --> 00:12:57,650
صحيح؟ وهذا اثنان، يبقى الذين لم يشترُوا ثلاثة، لأن فيها

148
00:12:57,650 --> 00:13:04,910
الثانية، واحد وثلاثين، هي: واحد، اثنان، ثلاثة، هي أربعة،

149
00:13:04,910 --> 00:13:12,350
أربعة، كم واحد منهم اشترى؟ واحد، اثنان، ثلاثة،

150
00:13:12,350 --> 00:13:26,710
كلهم، كلهم أربعة، صفر. الذين لم يشترُوا واحد، اثنان،

151
00:13:26,710 --> 00:13:31,170
ثلاثة. المعادلة هنا تقول لي أني كي أحسب

152
00:13:31,170 --> 00:13:36,390
الذي كان لا بُد أن أحسبه في البداية، الـI، الـinformation

153
00:13:36,390 --> 00:13:40,870
يعني الـgain تبع الكل، الـclass، كل الـclass الذي

154
00:13:40,870 --> 00:13:44,550
هو على بعضه، بمعنى أن كل الـpositive وكل الـ

155
00:13:44,550 --> 00:13:48,950
negative للكل، بغض النظر عن الـvalue، بغض النظر عن

156
00:13:48,950 --> 00:13:52,150
الـvalue. لماذا؟ لكل الـstudent الذين اشتروا، كل الـ

157
00:13:52,150 --> 00:13:59,110
positive تسعة، لم يشترِ، كل الـnegative خمسة. لأن لو

158
00:13:59,110 --> 00:14:07,290
أُريد أن أحسب الـpositive ratio plus تبع كل الـclass تبع

159
00:14:07,290 --> 00:14:14,330
كل... كل الـattribute، هو عبارة عن التسعة على

160
00:14:14,330 --> 00:14:21,790
أربعة عشر، تسعة على أربعة عشر. الـnegative ratio

161
00:14:21,790 --> 00:14:29,710
خمسة على أربعة عشر، صحيح؟ مُنظم؟ هذا الآن نأخذه

162
00:14:29,710 --> 00:14:36,280
لأنه سيتكرر معنا. log base 2 تبع هذا أسهل مثال،

163
00:14:36,280 --> 00:14:41,080
الثلاثة ماهي القيمة التي نرفعها إلى اثنين؟ هذا

164
00:14:41,080 --> 00:14:46,280
القيمة كي نحصل عليها. هذا الكلام طبعاً نحن يعني

165
00:14:46,280 --> 00:14:49,340
على الأقل نحسبه، بنسويه زي سؤال في امتحان وهكذا،

166
00:14:49,340 --> 00:14:51,900
لكن المهم أن نفهم ماذا يعني log base 2، و

167
00:14:51,900 --> 00:14:54,980
log base 10، لو لم يكن  2 هنا،  معناها  10.

168
00:14:54,980 --> 00:15:00,570
base 10، طيب، ماذا الآن؟ سنمشي معه على حسبته التي

169
00:15:00,570 --> 00:15:04,430
هي أين موجودة في الـslide، التي هي... التي هي هذه.

170
00:15:04,430 --> 00

223
00:20:13,880 --> 00:20:16,240
الـ value من الـ positive و الـ negative تبع الـ

224
00:20:16,240 --> 00:20:21,590
attribute كلها. طبعا أنا في حالة الـ student بما أنهم

225
00:20:21,590 --> 00:20:28,350
two values، يبقى إذا هذا 7 من 14، يبقى الثاني الـ

226
00:20:28,350 --> 00:20:33,170
value اللي هم السبعة الثانية، 7 على 14، طبعا هذا

227
00:20:33,170 --> 00:20:39,610
بيطلع إيش؟ 0.5، وهذا هيطلع 0.5. طبعا بنقدر أجي أقول

228
00:20:39,610 --> 00:20:47,510
هنا y باختصار لـ yes، وهنا أجي أقول pn باختصار لـ no.

229
00:20:48,820 --> 00:20:52,660
بنقدر هيك هي  الخاصية اللي قلناها هي الـ

230
00:20:52,660 --> 00:21:00,900
attribute كلها. طيب

231
00:21:00,900 --> 00:21:05,160
هذا الرقم الآن أنا حسبته الآن، بدي أضربه في الـ I.

232
00:21:05,160 --> 00:21:14,680
يعني بقول لي اضرب كل واحد، لكل value اضرب هذا الـ

233
00:21:14,680 --> 00:21:20,610
ratio في الـ I، وجميع المضاريب مظبوط؟ هذا الـ

234
00:21:20,610 --> 00:21:25,010
summation. يبقى أنا الآن لما بدي أعمل لإيش؟ بدي

235
00:21:25,010 --> 00:21:32,150
أحسب. لاحظ

236
00:21:32,150 --> 00:21:37,110
أنا هنا بحط الـ V اختصار للـ value، هو بيستخدم الـ I

237
00:21:37,110 --> 00:21:45,710
نفس الشيء، لأن هذول الآن ثلاثة، كل واحدة منهم ضد

238
00:21:45,710 --> 00:21:49,940
القيمة في مين؟ في الـ ratio تبعها، وجمع المضاريب هذا

239
00:21:49,940 --> 00:22:02,000
هو الكلام اللي عمله. عمل أول شيء، عمل إيش؟ حسب الـ 0

240
00:22:02,000 --> 00:22:12,700
.59، ثم حسب لإنّه 0.987، لأن هذه القيم لازم نأخذها و

241
00:22:12,700 --> 00:22:13,200
نضربها في

242
00:22:20,200 --> 00:22:31,160
القيمة الأولى، هذه الخمسة

243
00:22:31,160 --> 00:22:38,940
هي هذه القيمة، نضربها في مين؟ نضربها في مين؟ في مين؟

244
00:22:38,940 --> 00:22:42,620
في النسبة هذه التي هي السبعة على أربعة عشر، صح؟ فهي

245
00:22:42,620 --> 00:22:49,000
zero point five. الآن هذه القيمة اللي طلعت، نجمعها على

246
00:22:49,000 --> 00:23:05,200
مين؟ هذا مضروب برضه، يعني عملياً النص، الـ E student، نص

247
00:23:05,200 --> 00:23:11,300
الأولى هي تبع الـ positive، صح؟ تبع الـ yes، 0.5 مضروب

248
00:23:11,300 --> 00:23:15,540
في إيش؟ 0

249
00:23:15,540 --> 00:23:22,530
.591، هذا يجب أن ينجمع على 0

250
00:23:22,530 --> 00:23:35,250
.5 مضروب في 0.987 هذا، والأرقام مع بعض هم الـ

251
00:23:35,250 --> 00:23:40,510
summation. هذه في حالة الـ age، يكون لي ليس فقط اثنين،

252
00:23:40,510 --> 00:23:44,630
يكون لي ثلاثة، ثلاثة terms حسب قداش فيه values لهذا

253
00:23:44,630 --> 00:23:48,530
الـ attribute. مظبوط. الآن إيش اللي طلع في الآخر؟ الـ

254
00:23:48,530 --> 00:23:52,010
entropy، الـ E، الـ entropy تبع الـ student، هذا المقدار

255
00:23:52,010 --> 00:23:57,210
لأن هذا المقدار هو اللي بنزل هنا، بينخصم من الـ I

256
00:23:57,210 --> 00:24:03,950
اللي حسبناها في الأول، اللي هي هذا لكل الـ attribute.

257
00:24:03,950 --> 00:24:11,160
وبيطلع الـ information gain اللي هو الـ 0.155. بتكرر

258
00:24:11,160 --> 00:24:16,160
الموضوع هذا للـ attributes الأخرى. إيش هذا في

259
00:24:16,160 --> 00:24:22,060
البداية؟ عشان لسه نقرر. هذا لسه

260
00:24:22,060 --> 00:24:26,340
خطوة رقم واحد. لما تخلص من كل الـ attributes student

261
00:24:26,340 --> 00:24:32,300
إيش؟ credit ratio، إيش الرابعة كانت؟ المهم لما تخلص

262
00:24:32,300 --> 00:24:38,390
منهم كله وتشوف مين الـ maximum، أه الـ attribute اللي

263
00:24:38,390 --> 00:24:41,890
أقولها maximum، الـ information gain تبعها maximum،

264
00:24:41,890 --> 00:24:45,950
بتستخدمها في الـ splitting. يعني هذا الكلام إيش في

265
00:24:45,950 --> 00:24:48,770
الآخر بيعطيني، يعني إيش في الآخر أنا أو ليش بعتمد

266
00:24:48,770 --> 00:25:03,190
على هذا القمر؟ لأنّه الـ split

267
00:25:03,190 --> 00:25:07,970
على أساس الكلام ديال split، على أساس الـ student لو

268
00:25:07,970 --> 00:25:16,390
طلعت على الجدول

269
00:25:16,390 --> 00:25:21,770
أو الجدولين اللي بينتج من هذا الـ split، بتطلع

270
00:25:21,770 --> 00:25:27,050
بتلاقي إنّه طلع العمود، العمود هذا والعمود هذا هنا.

271
00:25:28,970 --> 00:25:33,110
هنا في خاصية أساسية عملت من أجل هذه حسبة الـ Gain،

272
00:25:33,110 --> 00:25:37,870
وهي إنّ أنا بدي الـ classes اللي هنا، الـ .. الـ .. الـ

273
00:25:37,870 --> 00:25:42,730
.. الـ items اللي هنا، الـ class تبعهم. شوف هنا كلهم

274
00:25:42,730 --> 00:25:50,130
يسمعوا على هذا no، تمام؟ هنا في يدي no .. no .. و no، و

275
00:25:50,130 --> 00:25:53,810
بعدين اثنين ثلاثة yes، والباقي no، ثلاثة من السبعة،

276
00:25:53,810 --> 00:25:58,470
مش هالسبعة من السبعة، ثلاثة yes. الهدف إنّ أنا أحصل

277
00:25:58,470 --> 00:26:02,650
على تقسيمة حيث إن قدر الإمكان الـ classes دي هنا

278
00:26:02,650 --> 00:26:08,510
يبقوا واحد، يعني يا إما كلهم yes يا إما كلهم no. هذا

279
00:26:08,510 --> 00:26:13,930
اسمه الـ purity تبع الـ split. إيش هالـ purity؟ درجة

280
00:26:13,930 --> 00:26:18,470
صفاوة التقسيم. يعني أنا هذا اللي بأطمح له، إنّه يبقى

281
00:26:18,470 --> 00:26:23,050
هدول كلهم yes، وهدول كلهم no. بس ما بقدرش دائماً، بس

282
00:26:23,050 --> 00:26:28,830
على الأقل بسعى إلى الـ attribute اللي هتعطيني أعلى

283
00:26:28,830 --> 00:26:32,390
قدر من الـ .. من الـ purity، من الـ .. من الـ purity.

284
00:26:32,390 --> 00:26:36,690
هنا في عندي purity عالية، يعني كلهم yes وواحدة بس

285
00:26:36,690 --> 00:26:42,650
اللي عاملة جاي كشواقب، مظبوط؟ هنا الـ purity أقل، بس

286
00:26:42,650 --> 00:26:46,810
لو أنا جيت قارنت هذا الكلام بالـ purity اللي هحصل

287
00:26:46,810 --> 00:26:50,630
عليها لو أنا جسمته على أساس الـ age ولا كده، هيطلع

288
00:26:50,630 --> 00:26:55,130
أسوأ من هيك، تمام؟ فهذا أفضل ما يمكن الوصول إليه، فعلى

289
00:26:55,130 --> 00:26:58,410
أساس لما أريد أن أقوم بالـ split بين هذه الأرقام و

290
00:26:58,410 --> 00:27:04,710
هذه الأرقام، فأريد أن أعيد نفس الحسبة، لأن الإحصائي

291
00:27:04,710 --> 00:27:09,650
هنا اختلفت، فهنا لدي واحد فقط هنا في الأوكانو ياس

292
00:27:09,650 --> 00:27:14,750
سبعة و .. فأنا الآن أريد أن أعيد الحسبة على هذول

293
00:27:14,750 --> 00:27:18,550
الـ income و الـ credit ratio و الـ إيش؟ عشان نقرر مين

294
00:27:18,550 --> 00:27:22,250
من هذول الآن يكون هو أساس الـ splitting. وهنا برضه

295
00:27:22,250 --> 00:27:26,550
نفس الشيء. هذا الكلام طبعاً إحنا بيؤتمت، يعني بمعناه

296
00:27:26,550 --> 00:27:29,830
إنّ الـ system هو اللي بيسوي الكلام ده كله، وهو اللي

297
00:27:29,830 --> 00:27:35,150
بيقرر، وهو اللي بيعمل الـ tree بناءً على الـ criteria

298
00:27:35,150 --> 00:27:40,910
ده أو الـ equations هذه، وفي الآخر بيطلع معاه يعني

299
00:27:40,910 --> 00:27:44,980
أنت الآن، الآن لو بدك تعملها يدوياً، بيلزمك الـ

300
00:27:44,980 --> 00:27:51,160
equations هذه، تمام؟ وبنقول لك مثلاً مابين .. يعني

301
00:27:51,160 --> 00:27:54,680
بيعطيك جدول، جدول ممكن يكون فيه خمس attributes، بس

302
00:27:54,680 --> 00:27:59,220
مش هأشغلك تحسب الـ gain تبع الخمسة، لأنّ واحدة منهم

303
00:27:59,220 --> 00:28:02,740
شغلانة ممكن تأخذها جدّ معك في الولايات المتحدة، بس

304
00:28:02,740 --> 00:28:06,060
حاجة أقول لك مابين الـ attributes هذه وهذه وهذه،

305
00:28:06,060 --> 00:28:11,220
طلّعها لمين منهم اللي ليش الـ gain تبعه أعلى، عشان

306
00:28:11,220 --> 00:28:16,220
تحسبها ثلاثة. أما أنا هأسيبك بعد هيك أنت لتقرر هذه

307
00:28:16,220 --> 00:28:20,800
الـ attribute، أي كم value فيها، وتعمل الباقية اللي

308
00:28:20,800 --> 00:28:25,760
لها. بعد هيك ممكن مثلاً أجي أقول لك بناءً على الـ split

309
00:28:25,760 --> 00:28:31,420
اللي طلعت معك، أو لو هندّي أنا الـ tree زي هيك، أو

310
00:28:31,420 --> 00:28:36,800
طلّعها لمثلاً خمس ستة rules، خمس ستة rules من هذه

311
00:28:36,800 --> 00:28:41,580
decision tree، فهتعطيني rules زي .. زي هذا الأمر.

312
00:28:41,580 --> 00:28:46,560
واضح. فالآن هذا الكلام خلاصة اللي حكيت عنه، decision

313
00:28:46,560 --> 00:28:50,580
tree. لنقف هنا، مش عارف إذا تبقى معانا واجد، نرجع

314
00:28:50,580 --> 00:28:54,340
إن نُعاجِز الـ statistical methods، ما ظنّنيش بنخليها

315
00:28:54,340 --> 00:28:58,120
للمحاضرة الجاية، بس خلاصة الكلام اللي هو إنّ إحنا

316
00:28:58,750 --> 00:29:06,050
بنعتمد على تقنية decision tree في الوصول

317
00:29:06,050 --> 00:29:12,810
إلى decision tree من statistical data التي هي الـ

318
00:29:12,810 --> 00:29:17,810
table. الـ statistical data هذه على أساسها نطلع الـ

319
00:29:17,810 --> 00:29:21,070
decision tree. decision tree في حد ذاتها ممكن تبقى

320
00:29:21,070 --> 00:29:26,870
decision maker، هي نفسها أستخدمها في الـ decision، لكن

321
00:29:26,870 --> 00:29:31,730
إحنا إذا عندي أنا expert rule based expert system،

322
00:29:31,730 --> 00:29:35,510
الـ rule based بده rules، فأنا بقدر أعطيه rules من

323
00:29:35,510 --> 00:29:40,070
مين؟ من الـ decision tree اللي أنا بأنشئها أو بولدها

324
00:29:40,070 --> 00:29:44,930
أو بعملها generation من الـ table بالتقنية دي، تمام؟

325
00:29:44,930 --> 00:29:48,930
المحاضرة الجاية إن شاء الله بنطلع، بنكمل، بنطلع على

326
00:29:48,930 --> 00:29:51,890
الموضوع اللي هو statistical methods، يعني اللي هي

327
00:29:53,170 --> 00:29:57,090
أدوات الإحصائية الشائعة في الاستخدام، اللي برضه

328
00:29:57,090 --> 00:29:59,970
ممكن تستخدم في الـ data mining لاستخلاص بعض

329
00:29:59,970 --> 00:30:04,590
الاستنتاجات. بعد ذلك ننتقل على الـ data

330
00:30:04,590 --> 00:30:08,490
visualization. data visualization القضية مهمة جداً

331
00:30:08,490 --> 00:30:10,690
في الـ data mining، لأنّ أنا أقدر أشوف الـ data

332
00:30:10,690 --> 00:30:15,850
visually. وفي

333
00:30:15,850 --> 00:30:18,290
الـ data visualization في موضوع الـ regression نحكي

334
00:30:18,290 --> 00:30:20,850
في الـ regression. هنابعد ذلك في المحاضرة اللي بعد

335
00:30:20,850 --> 00:30:23,630
نكمل principle component analysis و Association

336
00:30:23,630 --> 00:30:24,510
rule، إن شاء الله.