PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/9DgNoAZTwqg.srt

1
00:00:04,520 --> 00:00:06,480
بسم الله الرحمن الرحيم الصلاة والسلام على رسول

2
00:00:06,480 --> 00:00:11,160
الله أهلا وسهلا بكم في لقاءٍ من جديد من لقاءات

3
00:00:11,160 --> 00:00:16,280
مساق تنقيب البيانات، وإن شاء الله اليوم سأتكلم

4
00:00:16,280 --> 00:00:21,680
معكم عن .. سأشتغل معكم عمليًا زي ما اشتغلت في الـ

5
00:00:21,680 --> 00:00:25,520
preprocessing سأعمل فيديو قصيرًا عن الـ

6
00:00:25,520 --> 00:00:28,120
classification وماذا أريد أن أفعل في عمل الـ

7
00:00:28,120 --> 00:00:32,800
classification، وشكله على الكاجل كـ Environment ممكن

8
00:00:32,800 --> 00:00:37,740
أنتم تستخدموها في موضوع الـ Data Mining أو الـ

9
00:00:37,740 --> 00:00:41,800
Data Science وحاجات كتيرة فقط بـ Classifier راح

10
00:00:41,800 --> 00:00:44,920
والـ Classifier هذا له خصوصية شوية ضمن كل فيديو

11
00:00:44,920 --> 00:00:48,040
هذه تساعدكم في فهم أو في عمل الواجب بشكل صحيح

12
00:00:48,040 --> 00:00:52,300
أتممنى في الواجب تستخدموا الـ data set تبعكم

13
00:00:52,300 --> 00:00:57,290
وتقارنوا الـ performance تبع الـ three classifiers من

14
00:00:57,290 --> 00:01:02,050
الأربعة، أخذنا الـ Canary Sniper والـ Naive Bison

15
00:01:02,050 --> 00:01:04,890
والـ Neural Network والـ Decision Tree، هدول

16
00:01:04,890 --> 00:01:07,650
الأربعة، أنا شرحتهم في تسجيلات سابقة، المضمون أنكم

17
00:01:07,650 --> 00:01:10,210
تختاروا الثلاثة وتطبقوهم على الـ data set اللي

18
00:01:10,210 --> 00:01:15,770
موجودة عندكم، الآن إن شاء الله تعالى هبدأ أعمل

19
00:01:15,770 --> 00:01:19,160
sharing للشاشة اللي موجودة عندي، أحاول في الفيديو

20
00:01:19,160 --> 00:01:23,460
أنتقل لموضوع الـ Sharing وأتكلم على الـ Data Set

21
00:01:23,460 --> 00:01:29,580
أو على الـ Element اللي أنا .. البرنامج

22
00:01:29,580 --> 00:01:35,640
اللي أنا بدأ أشتغل عليه، بداية خليني أنا أروح أعمل

23
00:01:35,640 --> 00:01:40,900
Share للـ Desktop، هي

24
00:01:40,900 --> 00:01:44,300
Share للـ Desktop بالكامل، وبعد التسجيل المفروض للـ

25
00:01:44,300 --> 00:01:45,700
Desktop وأنا الآن

26
00:02:07,030 --> 00:02:12,390
بسم الله، هي kaggle.com، أنا أيه الحساب على الكاجل؟

27
00:02:12,600 --> 00:02:16,280
اللي أنشأته، من تبقى الإحساب آخر، لكن هذا أنا أنشأته

28
00:02:16,280 --> 00:02:25,400
من فترة، بخصوص الـ الـ الـ الـ الـ

29
00:02:25,400 --> 00:02:25,680
الـ الـ الـ الـ الـ الـ الـ الـ الـ

30
00:02:25,680 --> 00:02:25,740
الـ الـ الـ الـ الـ الـ الـ الـ الـ

31
00:02:25,740 --> 00:02:26,100
الـ الـ الـ الـ الـ الـ الـ الـ الـ

32
00:02:26,100 --> 00:02:26,620
الـ الـ الـ الـ الـ الـ الـ الـ الـ

33
00:02:26,620 --> 00:02:26,900
الـ الـ الـ الـ الـ الـ الـ الـ الـ

34
00:02:26,900 --> 00:02:27,000
الـ الـ الـ الـ الـ الـ الـ الـ الـ

35
00:02:27,000 --> 00:02:27,040
الـ الـ الـ الـ الـ الـ الـ الـ الـ

36
00:02:27,040 --> 00:02:32,220
الـ الـ الـ الـ الـ

37
00:02:32,220 --> 00:02:38,740
الـ الـ الـ الـ

38
00:02:38,740 --> 00:02:42,760
الـ الـ، أُحدد الـ database هي Pima Indians Diabetes

39
00:02:42,760 --> 00:02:46,120
الـ database هي مشهورة عالميًا، أنا مش هروح أحملها

40
00:02:46,120 --> 00:02:50,880
كمان مرة، فاللي already إذا حملتها بكون انتهيت من

41
00:02:50,880 --> 00:02:55,620
الملف اللي موجود عندي، وهنتقل للخطوة التالية، هروح

42
00:02:55,620 --> 00:03:01,840
أنا أقوله في الـ data set اللي موجودة عندي هي Pima

43
00:03:01,840 --> 00:03:02,680
Indians Diabetes

44
00:03:07,480 --> 00:03:16,400
وأنا بدي أستخدم الـ Dataset، طبعًا الـ

45
00:03:16,400 --> 00:03:18,840
الـ Dataset جميلة جدًا، عشان نفهمها بشكل سريع، الـ

46
00:03:18,840 --> 00:03:23,280
Dataset هي ناتجة عن المركز الوطني لأمراض السكري

47
00:03:23,280 --> 00:03:30,540
والحمية والأمراض المزمنة، الهدف منها إنه فعليًا

48
00:03:30,540 --> 00:03:33,860
يحاولوا يتنبؤوا هل المريض هذا هو مصاب بسكري أو لا

49
00:03:33,860 --> 00:03:36,980
بناءً على التشخيصات اللي هي موجودة في الـ database

50
00:03:36,980 --> 00:03:39,800
اللي موجودة قدامنا، هي موجودة، مكوّنة من ثمانية

51
00:03:39,800 --> 00:03:42,780
attributes زي اللي هنشوفها كمان شوية، "several

52
00:03:42,780 --> 00:03:44,920
constraints were placed on the solution of the

53
00:03:44,920 --> 00:03:50,400
ice"، وهذه الـ database مكوّنة، بتتناول الـ female

54
00:03:50,400 --> 00:03:54,220
patients only، all the patients here are females at

55
00:03:54,220 --> 00:04:03,460
least، على الأقل يكونوا 21 سنة، يعني 21 سنة من Pima

56
00:04:03,460 --> 00:04:07,860
المنطقة اللي موجودة فيها، طبعًا هذا كل الكلام أنا ما

57
00:04:07,860 --> 00:04:11,300
إلا اللي شفته عندما تعرفت على الـ database

58
00:04:11,300 --> 00:04:16,980
والآن بدي أروح أقول له New Notebook

59
00:04:22,650 --> 00:04:26,450
الآن الـ New Notebook هو Jupyter Notebook، أنشأته

60
00:04:26,450 --> 00:04:30,910
على الـ Kaggle، والآن جاب لي هذا الكود عشان يعمل

61
00:04:30,910 --> 00:04:35,490
import للـ database اللي موجودة عندي، طبعًا

62
00:04:35,490 --> 00:04:40,590
هذا الفرق الوحيد ما بين الـ Online، الـ Python

63
00:04:40,590 --> 00:04:46,370
Jupyter Notebook أو الـ Local، اللي في الآخر أنت لما

64
00:04:46,370 --> 00:04:49,210
بنعمل import كنا بنضيف له المسار اللي موجود، طب من

65
00:04:49,210 --> 00:04:53,790
يحدد المسار؟ هذا موجود على cloud أو على driver

66
00:04:56,070 --> 00:04:59,490
فاحنا بنختاره بكل بساطة بدون إيش؟ بدون ما يكون في

67
00:04:59,490 --> 00:05:02,650
عندنا الـ .. عفواً، فبتروح بتزوّدنا إياه على Kaggle

68
00:05:02,650 --> 00:05:05,090
بدون ما يكون في عندنا مشاكل، الأصل إحنا هذا الـ code

69
00:05:05,090 --> 00:05:09,710
إذا بدنا نشتغل Online نرفعه أو نتعلمه أو نحفظه لأنه

70
00:05:09,710 --> 00:05:12,250
هذا الـ code هيلزمنا مع الكاجل، وغالباً هو نفسه

71
00:05:12,250 --> 00:05:16,350
موجود مع الـ colab، ما علينا، الآن لو أنا طبعًا

72
00:05:16,350 --> 00:05:19,190
لاحظت أنه عمل كمان import لأهم two libraries اللي

73
00:05:19,190 --> 00:05:22,740
هم على الـ database أو في الـ dataset، الـ numpy

74
00:05:22,740 --> 00:05:26,320
والـ pandas، طبعًا إحنا معظم شغلنا من خلال الـ pandas

75
00:05:26,320 --> 00:05:31,280
لكن في مثال اليوم هيلزمنا الـ numpy كذلك لمرة واحدة

76
00:05:31,280 --> 00:05:35,550
أو لمرتين، خلينا نعمل run للـ code اللي موجود عندي

77
00:05:35,550 --> 00:05:39,750
عمل run، طبعًا سرعة الاستجابة بتعتمد على سرعة الـ

78
00:05:39,750 --> 00:05:42,950
connection اللي موجود عندك، طبعًا هنا بيقول لك قد ايش

79
00:05:42,950 --> 00:05:46,050
أنت استخدمت من الـ hardest، قد ايش عندك CPU أو إشغال

80
00:05:46,050 --> 00:05:48,930
للـ CPU، قد ايش إذا كان عندك إشغال للـ رابط ممكن تطفيه

81
00:05:48,930 --> 00:05:51,210
ممكن تعمل restart للجهة بتاعت الـ notebook هذا

82
00:05:51,210 --> 00:05:59,030
الـ رابط، بعد ما عملت run أداني رابط في diabetes.csv

83
00:05:59,030 --> 00:06:02,070
طبعًا خليني أنا أسمي الـ notebook تبعي diabetes

84
00:06:06,170 --> 00:06:10,510
عند الـ score specification

85
00:06:12,560 --> 00:06:15,840
وأجي آخذ Notebook جديدة، وأروح أنا أقول له الـ

86
00:06:15,840 --> 00:06:19,240
DataFrame، طب أنا خلاص بدي أقرأ الـ database بـ pandas

87
00:06:19,240 --> 00:06:27,080
.read_csv اللي زي ما إحنا بنقرأ، وهي الـ

88
00:06:27,080 --> 00:06:31,220
single quotation، وهي المسار اللي أنا نسخته، هي كده

89
00:06:31,220 --> 00:06:34,620
الأمور تمت، عملية المفروض تمت عملية القراءة عشان أنا

90
00:06:34,620 --> 00:06:38,920
أتأكد، وراح أقول DataFrame.head، والـ head ممكن أنا

91
00:06:38,920 --> 00:06:44,470
أزودها زي ما قلنا سابقاً، بتعرض أول صفوف من الـ

92
00:06:44,470 --> 00:06:48,450
DataFrame اللي أنا قريته، الـ DataFrame هذا مكوّن

93
00:06:48,450 --> 00:06:53,130
من حوالي الـ 768 صف، الـ By default

94
00:06:53,130 --> 00:06:56,490
الـ head بتجيب عشرة، عفواً، بتجيب خمسة، إذا أنا بدي

95
00:06:56,490 --> 00:06:59,830
عشرة أو بدي خمسة أو بدي ثلاثة أو بدي خمسة عشر ممكن

96
00:06:59,830 --> 00:07:05,350
أنا أروح أغيره مرة ثانية، فهي راح قرأ لي إياها، اللي

97
00:07:05,350 --> 00:07:08,840
قال لي هي البيانات اللي موجودة عندك، بس خليني أقول

98
00:07:08,840 --> 00:07:14,740
لكم قدرة الـ Pima Indians Classification، الآن تعرفوا

99
00:07:14,740 --> 00:07:18,900
على الـ Attributes بشكل سريع اللي موجودة عنهم، بما

100
00:07:18,900 --> 00:07:23,120
أن كل الـ Database أو كل الـ Data Sets مكوّنة من

101
00:07:23,120 --> 00:07:27,680
الـ، فعلاً بيسألني عن الـ Pregnancy، عدد مرات

102
00:07:27,680 --> 00:07:34,600
الحمل، نسبة الجلوكوز في الدم، ضغط الدم، كم كان،

103
00:07:34,600 --> 00:07:37,420
سماكة الجلد، طبعًا سماكة الجلد  مهمة جدًا

104
00:07:37,420 --> 00:07:44,580
لأنه بيمثل لي طبقة الدهون، كمية نسبة الأنسولين

105
00:07:44,580 --> 00:07:48,480
أو كمية الأنسولين الموجودة، الـ Body Mass Index

106
00:07:48,480 --> 00:07:52,600
مؤشر كتلة الجسم، قد ايش؟ طبعًا المفروض كل الناس اللي

107
00:07:52,600 --> 00:07:55,880
فوق الـ 30 أو فوق الـ 32 أو 35، أعتقد، إذا أنا مش

108
00:07:55,880 --> 00:08:01,920
غلطان يعني، بقول عنهم أصحاب سمنة، الـ DiabetesPedigreeFunction

109
00:08:01,920 --> 00:08:05,260
و High Function بتقيس ليه؟ هل

110
00:08:05,260 --> 00:08:09,120
المرض هذا مرتبط بعامل وراثي من الأبوين أو من أحد

111
00:08:09,120 --> 00:08:14,080
من العائلة؟ قد ايش نسبة الناس اللي في العائلة موجودين

112
00:08:14,080 --> 00:08:19,540
أو مصابين بالمرض، المرض السكري، والـ Age الأعمار زي

113
00:08:19,540 --> 00:08:22,320
ما قلنا، والـ Outcome اللي هو الـ label أو الـ target

114
00:08:22,320 --> 00:08:25,800
تبعنا، The binary classification صفر واحد، واحد

115
00:08:25,800 --> 00:08:29,380
مصاب، صفر غير مصاب، وإحنا بدنا نعمل prediction

116
00:08:29,380 --> 00:08:32,660
نشوف هل فعليًا اللي هو أنا زودته ببيانات معينة

117
00:08:32,660 --> 00:08:37,530
هيقول إنه هذا مصاب أو غير مصاب، تمام، الآن عشان

118
00:08:37,530 --> 00:08:41,590
أتعرف على الـ Database بشكل كويس بقول ممكن أنا

119
00:08:41,590 --> 00:08:49,230
أروح أقول له الـ DataFrame.describe، والـ

120
00:08:49,230 --> 00:08:51,510
Describe بقول لنا هذا بتدينا Simple Statistics، لكن

121
00:08:51,510 --> 00:08:55,330
المرحلة هذه بدي Transpose، والناس اللي درست

122
00:08:55,330 --> 00:08:58,590
رياضيات منفصلة بتعرف إن الـ Transpose أو دراسة

123
00:08:58,590 --> 00:09:02,630
مصفوفات بتعرف إن الـ Transpose بعمل تبديل للصفوف

124
00:09:02,630 --> 00:09:07,570
والأعمدة، أخيرًا هي راح جاب لي إياها هون، وبحيث إن الـ

125
00:09:07,570 --> 00:09:11,790
statistics الـ count بتمثل عدد الصفوف اللي فيها

126
00:09:11,790 --> 00:09:18,310
values، طبعًا كله فيه values عندي هون 768 عدد الـ

127
00:09:18,310 --> 00:09:21,310
values، الـ mean المتوسط الحسابي، الـ standard

128
00:09:21,310 --> 00:09:24,330
deviation، الـ minimum value، طبعًا جماعة الخير الـ

129
00:09:24,330 --> 00:09:28,920
minimum value زي الجلوكوز وضغط الدم، الـ skin

130
00:09:28,920 --> 00:09:33,280
thickness، والأنسولين، والـ body mass index، هذه

131
00:09:33,280 --> 00:09:38,320
كلها بالنسبة لنا المفروض تكون هذه missing values

132
00:09:38,320 --> 00:09:41,200
بس بدها معالجة، لأن مستحيل يكون عندي الـ body mass

133
00:09:41,200 --> 00:09:44,040
index صفر، مستحيل يكون الجلوكوز في الدم صفر،

134
00:09:44,040 --> 00:09:48,490
مستحيل blood pressure يكون صفر، بس أنا الآن مش هشتغل

135
00:09:48,490 --> 00:09:51,190
على الـ database، مش هعملها pre-processing، بينما أنت

136
00:09:51,190 --> 00:09:54,490
ملزم إنك تعمل pre-processing للـ database، الـ

137
00:09:54,490 --> 00:09:57,010
database ده مش مناسب، أقول لك خذ database ثانية إذا

138
00:09:57,010 --> 00:10:01,260
في حد مختار قدر الله، طيب، الآن أنا بحاجة زي ما قلنا

139
00:10:01,260 --> 00:10:06,380
عن الـ Database هذه، على علاتها وحافظها، أروح أجهز

140
00:10:06,380 --> 00:10:11,500
الـ Data Set للـ Classification، وأهم شغلة

141
00:10:11,500 --> 00:10:14,660
في الـ Classification إنه أنا أعمل يا جماعة الخير

142
00:10:14,660 --> 00:10:18,320
Split ما بين الـ Data Set، Attribute، آخذ الـ

143
00:10:18,320 --> 00:10:21,040
Attributes أو الـ Data Attributes لحال، وآخذ الـ

144
00:10:21,040 --> 00:10:25,480
Target Attribute لحالي، وهذا الكلام أنا بدي أروح

145
00:10:25,480 --> 00:10:34,910
أسميه تحت "Data" أو "Data Set" "Splitting"

146
00:10:34,910 --> 00:10:41,750
"Splitting" أو "Splitting"

147
00:10:41,750 --> 00:10:43,450
"Splitting" "Splitting" "Splitting" "Splitting"

148
00:10:43,450 --> 00:10:43,610
"Splitting" "Splitting" "Splitting" "Splitting"

149
00:10:43,610 --> 00:10:44,590
"Splitting" "Splitting" "Splitting" "Splitting"

150
00:10:44,590 --> 00:10:44,610
"Splitting" "Splitting" "Splitting" "Splitting"

151
00:10:44,610 --> 00:10:44,650
"Splitting" "Splitting" "Splitting" "Splitting"

152
00:10:44,650 --> 00:10:44,730
"Splitting" "Splitting" "Splitting" "Splitting"

153
00:10:44,730 --> 00:10:44,750
"Splitting" "Splitting" "Splitting" "Splitting"

154
00:10:44,750 --> 00:10:56,130
"Splitting" "Splitting" "Splitting" "Spl

155
00:10:59,800 --> 00:11:05,500
Target_Attribute، كيف أنا بدي أعمل الـ

156
00:11:05,500 --> 00:11:08,140
Splitting الآن؟ عملية الـ Splitting هي عبارة عن

157
00:11:08,140 --> 00:11:11,180
آخذ نسخة من الـ Attributes، أنا ما بدي أخرّب في

158
00:11:11,180 --> 00:11:13,640
الـ DataFrame الأصلي اللي موجود عندي هنا، فبأخذ

159
00:11:13,640 --> 00:11:19,760
نسخة منه، وراح أقول له أنا هنا الـ Data أو ممكن أسميها الـ

160
00:11:19,760 --> 00:11:25,480
Attributes مباشرة، Attribute

161
00:11:25,480 --> 00:11:31,770
DataFrame.copy()

162
00:11:31,770 --> 00:11:39,270
بدي أحدث الـ Outcome

163
00:11:39,270 --> 00:11:45,570
وهذا موجود على الـ Axis رقم واحد، فعلياً مش هيحدثه

164
00:11:45,570 --> 00:11:48,570
لأنه ما قلت له إنه copy، فبدي آخذ نسخة من الـ

165
00:11:48,570 --> 00:11:51,470
DataFrame هذا وأحدث الـ Outcome، وبدي آخذ منه

166
00:11:51,470 --> 00:11:56,930
مين؟ اللي هم في الـ Attributes تمام؟ وفي عندي Target

167
00:11:59,700 --> 00:12:06,340
"attribute = DataFrame.drop(the outcome)", وهكذا أصبح لدي two arrays تمثل

168
00:12:06,340 --> 00:12:15,140
الـ "attributes" من الـ "age" إلى الـ "pregnancy"

169
00:12:20,390 --> 00:12:24,550
والأخير بيمثل الـ Outcome، أنا سميته ايش؟ الـ Target

170
00:12:24,550 --> 00:12:28,690
هذا الفصل مهم جدًا يا جماعة الخير بالنسبة لنا لأنه

171
00:12:28,690 --> 00:12:34,710
من خلاله أنا بقدر أقول والله إن الـ data تبعتي تمت

172
00:12:34,710 --> 00:12:38,570
طبعًا أنا الآن البرنامج جاب لي إنه okay، أخذت رقم

173
00:12:38,570 --> 00:12:43,890
أربعة، هذه نفذت بدون أي مشاكل، إذا حابب أنت تعمل

174
00:12:43,890 --> 00:12:48,070
الـ attribute describe أو تشوف

175
00:12:56,430 --> 00:12:59,030
الخطوة التالية اللي أنا بدي أسويها في الـ

176
00:12:59,030 --> 00:13:01,630
preparation، برضه من تحت الـ preparation، اللي أنا

177

223
00:17:11,250 --> 00:17:16,170
أو لـ train size 70 تمام؟ وبيمشي الحال، الآن الـ Y

224
00:17:16,170 --> 00:17:21,530
train هي عبارة عن 70% من الـ target بناء على الـ

225
00:17:21,530 --> 00:17:25,620
index اللي تم أخذها، والـ Y-test هي عبارة عن الـ

226
00:17:25,620 --> 00:17:29,700
sample اللي موجودة عندنا طبعاً عشان نتأكد أن الأمور

227
00:17:29,700 --> 00:17:33,620
تمام، والـ splitting صح تمت، سأروح أنا أقول له X

228
00:17:33,620 --> 00:17:40,060
train.

229
00:17:40,060 --> 00:17:44,760
head، وبدي أقول له بس يعرض الأول ثلاثة منهم أو مش

230
00:17:44,760 --> 00:17:47,620
قضية، هي الأول عشرة بس عشان نشوف الـ indices اللي

231
00:17:47,620 --> 00:17:53,740
موجودة فيها، ولاحظوا زي ما حكينا هذا عبارة عن الـ

232
00:17:53,740 --> 00:18:01,180
index. الآن في المقابل، لو أنا روحت عرضت الـ Y

233
00:18:01,180 --> 00:18:06,600
-Train، وقلت له هي في السلة اللي بعدها، بس عشان

234
00:18:06,600 --> 00:18:14,000
أؤكد لكم الـ Ytrain.head

235
00:18:14,000 --> 00:18:21,550
وخليني على عشرة كذلك، Run، طلع معي في الـ index

236
00:18:21,550 --> 00:18:29,230
و Y train

237
00:18:29,230 --> 00:18:29,770
و Y train

238
00:18:46,050 --> 00:18:50,710
أنا أخطأت ثانية يا جماعة الخير في التسمية، هي المفروض

239
00:18:50,710 --> 00:18:57,310
X test، X test

240
00:18:57,310 --> 00:19:07,870
thirty three five green، سيعمل run مرة ثانية.

241
00:19:07,870 --> 00:19:15,090
سيعمل run للـ high أه، هيك تمام. أنا اللي أختار في

242
00:19:15,090 --> 00:19:19,490
تركيب العناصر اللي فوق، أبدأ بالـ X test، بالـ

243
00:19:19,490 --> 00:19:24,250
attributes، وبالـ Y، الـ target طبعاً، هي ميزة أنه

244
00:19:24,250 --> 00:19:27,990
أنا فعلياً بضل أتبّع الـ data شو صار فيها، ما بخطئش،

245
00:19:27,990 --> 00:19:32,690
لاحظوا 155، 155 هي نفس الـ index اللي موجود يعني،

246
00:19:32,690 --> 00:19:34,750
فأنا أموري من ناحية الـ database الآن أو الـ

247
00:19:34,750 --> 00:19:38,490
splitting للـ data جاهزة، بحيث أنه أنا جسمت الـ

248
00:19:38,490 --> 00:19:41,450
data، فصلت الـ attributes، الـ data attributes

249
00:19:41,450 --> 00:19:45,030
والـ target attributes، فصلت كل واحد فيهم في data

250
00:19:45,030 --> 00:19:48,810
file، هو روحت للـ data set أو الـ two data frames

251
00:19:48,810 --> 00:19:55,210
دول فصلتهم كمان لـ test set وفوقه train set، وهأبدأ

252
00:19:55,210 --> 00:20:00,370
أستخدم train set في موضوع الـ classification الآن.

253
00:20:00,370 --> 00:20:06,830
سأبدأ أستخدم الـ K nearest neighbor (KNN)

254
00:20:06,830 --> 00:20:15,070
أو ما يعرف بالـ K nearest neighbor

255
00:20:22,150 --> 00:20:25,250
هنا، جماعة الخير، في الـ K nearest neighbor model

256
00:20:25,250 --> 00:20:28,950
يقول إنها أهم شغلة تريد التعرف عليها، من أين تريد

257
00:20:28,950 --> 00:20:39,370
أن تعمل الـ import؟ لأن من الـ scikit-learn.

258
00:20:39,370 --> 00:20:43,530
طبعاً هنا عندي عائلة اسمها neighbors أو الـ

259
00:20:43,530 --> 00:20:47,750
library، عشان ما أحد يقول ليه عائلة neighbors، سأروح

260
00:20:47,750 --> 00:20:48,590
أقول له import

261
00:20:54,790 --> 00:21:06,810
from sklearn.neighbors import KNeighborsClassifier as KN

262
00:21:06,810 --> 00:21:10,870
as KN

263
00:21:10,870 --> 00:21:17,930
الآن هذا الموديل أنا ممكن أنشئه مباشرة KNN

264
00:21:42,660 --> 00:21:46,440
والخطوة التالية اللي بعد هيك أنا ممكن أحدد له

265
00:21:50,220 --> 00:21:53,040
الـ model أو أروح أعمله fit اللي كان المفروض

266
00:21:53,040 --> 00:21:57,460
أحدد له الـ dataset اللي بده يعمل عليها training

267
00:21:57,460 --> 00:22:02,180
أو مقارنة، هي المفروض الـ train dataset لكن في

268
00:22:02,180 --> 00:22:07,800
ملاحظة مهمة جداً قبل ما نكمل، طبعاً بإمكاني أنا أوقف

269
00:22:07,800 --> 00:22:11,620
هذه وأعلقها.

270
00:22:17,090 --> 00:22:21,130
الأسماء، جماعة الخير، هي من أجل الاختصار، الـ AS من أجل

271
00:22:21,130 --> 00:22:24,470
الاختصار عشان ما أضطر أكتب الاسم بالكامل، يعني لو

272
00:22:24,470 --> 00:22:29,750
أنا بدي أكتبها، سأروح أقول KN_model

273
00:22:29,750 --> 00:22:33,670
equals

274
00:22:33,670 --> 00:22:43,610
KNeighborsClassifier، وKN_model equals

275
00:22:43,610 --> 00:22:48,470
خمسة، عفواً، خمسة، خليني أعمل نفسي، أمشي على نفس

276
00:22:48,470 --> 00:22:51,230
الـ style هذه، واللي فوق نفس المعنى، بس أنا هنا

277
00:22:51,230 --> 00:22:55,530
أختصر في الكتابة بناءً على... بعمل alias name

278
00:22:55,530 --> 00:22:59,210
وبأستخدم الـ alias name، الآن بضل أقول لهم الـ KNN

279
00:22:59,210 --> 00:23:06,010
_model.fit

280
00:23:06,010 --> 00:23:12,710
وفي الـ training، شو بياخد؟ بياخد الـ X_train والـ Y

281
00:23:12,710 --> 00:23:18,620
train، لأن هذه هي الـ data اللي أنا بعمل عليها أو

282
00:23:18,620 --> 00:23:22,260
من خلالها الـ training. لو أنا اشتغلت، عملت له run

283
00:23:22,260 --> 00:23:35,620
وشكلي

284
00:23:35,620 --> 00:23:37,620
أنا أخطأت في الـ KNeighborsClassifier

285
00:23:46,470 --> 00:23:51,630
KNeighborsClassifier، صح الصح، الـ spelling صح

286
00:23:51,630 --> 00:24:05,130
"EG", "EI", "GH", "D", "O", "R", "S"

287
00:24:05,130 --> 00:24:08,190
ليش؟

288
00:24:21,090 --> 00:24:35,170
ممكن عشان أنا حطيت الـ alias name فوق، عشان

289
00:24:35,170 --> 00:24:40,270
حطيت الـ alias name، عشان حطيت الـ alias name، لأن

290
00:24:40,270 --> 00:24:45,710
الـ alias name بديله، لكن لو أنا صححت هذا وعلّقت

291
00:24:45,710 --> 00:24:46,030
هذه

292
00:24:52,850 --> 00:25:00,330
مش هيكون في خطأ، فممكن

293
00:25:00,330 --> 00:25:03,590
أنا أستخدم هاي أو هاي حسب الحالة اللي موجودة

294
00:25:03,590 --> 00:25:08,170
عليها، تمام. فالـ model أصبح جاهز يتعرف على الـ

295
00:25:08,170 --> 00:25:10,890
test data أو الـ test set اللي أنا بدي أشتغل

296
00:25:10,890 --> 00:25:14,950
عليها، وهي بطبيعة الحال مجسّمة لـ attributes وطبعاً

297
00:25:14,950 --> 00:25:19,510
الخطوة التالية، أنا عم بدي أروح أعمل أو بدي أشوف

298
00:25:19,510 --> 00:25:23,510
الـ measures، إيش ممكن يسوي لهالـ element اللي موجود

299
00:25:23,510 --> 00:25:27,050
أو الـ model اللي أنا أنشأته، لكن عشان أنا أختبر الـ

300
00:25:27,050 --> 00:25:30,530
model، جماعة الخير، أو بدي أجرب الـ model، خليني أشوف

301
00:25:30,530 --> 00:25:35,450
أو آخذ عينة من الـ data اللي موجودة عندي في موضوع

302
00:25:35,450 --> 00:25:39,070
من

303
00:25:39,070 --> 00:25:42,450
الـ dataset بشكل عام، أنا بدي أروح وأقول له أنا

304
00:25:42,450 --> 00:25:46,190
طبعاً، أول شيء هيكون استخدام الـ numpy اللي

305
00:25:46,190 --> 00:25:56,740
موجودة فوق، سأروح أقول له T1، هذه الـ array مكونة من

306
00:25:56,740 --> 00:26:07,640
مجموعة أرقام، وليكن

307
00:26:07,640 --> 00:26:12,940
على سبيل المثال الصف الأول، وهذه الـ class موجودة

308
00:26:12,940 --> 00:26:13,320
هنا.

309
00:26:17,220 --> 00:26:21,720
الـ tabs هذه بدي أستبدلها بـ commas.

310
00:26:31,800 --> 00:26:35,140
طبعاً، يا عزيزي، في شغل مهم لازم نقوله الآن، أنه

311
00:26:35,140 --> 00:26:38,300
مش ضروري الـ prediction دائماً، يعني ما أحد بيقول

312
00:26:38,300 --> 00:26:40,800
الـ prediction بيكون صحيح أو بيكون حقيقي 100%،

313
00:26:40,800 --> 00:26:43,720
لازم يكون في أخطاء عندي دائماً أو في معظم الأحيان،

314
00:26:43,720 --> 00:26:47,160
يكون في عندك أخطاء، وكل ما ارتفع أو كل ما كانت الـ

315
00:26:47,160 --> 00:26:50,520
prediction تبعته، الـ score تبعها أعلى بيكون كويسة.

316
00:26:50,520 --> 00:26:57,720
Doc reshaping، كل هذا اعتمد المصفوفة هذه على إي واحد

317
00:26:57,720 --> 00:27:06,120
سالب واحد، وطبعاً هاي الـ target، سأحط هنا target equals

318
00:27:06,120 --> 00:27:14,720
one، وخليني أنا أنسخ هذه، هيك Ctrl V، وابدأ أجي على

319
00:27:14,720 --> 00:27:20,760
الـ raw اللي رقمه خمسة، أنسخه، والـ target تبعته صفر،

320
00:27:20,760 --> 00:27:23,200
هذا بدي أسميه T5.

321
00:27:33,150 --> 00:27:38,710
بنفس الكلام الـ

322
00:27:38,710 --> 00:27:47,030
rows اللي عندي، بكمّس عشان تتحول الـ rows اللي عندي لـ

323
00:27:47,030 --> 00:27:53,370
مصفوفة، تمام، بنفس العدد.

324
00:28:01,810 --> 00:28:08,410
تمام، ليس مشكلة لأن عندما أنا أعمل train للـ model

325
00:28:08,410 --> 00:28:11,130
اللي أنا أنشأته، model.kneighbors لديه method

326
00:28:11,130 --> 00:28:17,070
اسمها model.kneighbors، أنا هايه الـ model تبعي KNN

327
00:28:17,070 --> 00:28:24,430
_model.kneighbors

328
00:28:25,990 --> 00:28:30,270
ولا مين؟ وأعطيه مين؟ وأعطيه الـ test element اللي

329
00:28:30,270 --> 00:28:37,030
أنا بدي أفحصه، وليكن T1 كمُدخل، ومع عدد عناصر الجوار

330
00:28:37,030 --> 00:28:42,430
خمسة، عدد عناصر الجوار خمسة. بتحس في لحظة من اللحظات

331
00:28:42,430 --> 00:28:47,050
أن الـ K الخمسة اللي أنا عنها، ما لها علاقة بهذه الـ

332
00:28:47,050 --> 00:28:50,290
method اللي موجودة. خليني أشوف، وأروح طبعاً هذه الـ

333
00:28:50,290 --> 00:28:55,370
method بترجع لي two vectors، الفكتور الأول يمثل الـ

334
00:28:55,370 --> 00:28:59,930
distances، كما

335
00:28:59,930 --> 00:29:08,790
والفكتور الثاني الـ indices، تمام؟ الـ indices أو الـ

336
00:29:08,790 --> 00:29:15,850
indices، نفس المصطلحات، indices لمن؟

337
00:29:15,850 --> 00:29:18,550
لـ indices

338
00:29:22,020 --> 00:29:27,480
للـ raw اللي هي صاحبة أقصر مسافة، يعني الـ

339
00:29:27,480 --> 00:29:31,600
kneighbors هدول بيروحوا بيجيبوا لي أقرب خمسة للـ element

340
00:29:31,600 --> 00:29:36,760
لـ T1، أقرب خمسة لـ T1، وبما أنه المفروض T1 يمثل

341
00:29:36,760 --> 00:29:39,480
الـ raw الأول في الـ dataset اللي عندي، فسيروح

342
00:29:39,480 --> 00:29:43,460
يقول لي الـ index رقم صفر، أو الـ index رقم صفر، هيكون

343
00:29:43,460 --> 00:29:47,680
هذا الـ distance تبعك صفر، وهيجيب لي الـ index في

344
00:29:47,680 --> 00:29:52,680
مصفوفة ثانية. أنا الآن سأروح أقول له event، خلينا

345
00:29:52,680 --> 00:29:58,480
نشوفها في مجال آخر. هي run، الآن المفروض تم التنفيذ.

346
00:29:58,480 --> 00:30:04,580
سآخذ كود جديد، وبدي أروح أطبع الـ distances.

347
00:30:22,010 --> 00:30:26,970
لاحظوا يا جماعة الخير، صفر، عشرة، خمسة وخمسين،

348
00:30:26,970 --> 00:30:34,170
تسعة وعشرة، تسعة وعشرة، عشرين، عشرة

349
00:30:34,170 --> 00:30:34,270
وعشرة، وعشرة وعشرة، وعشرة وعشرة، وعشرة وعشرة،

350
00:30:34,270 --> 00:30:34,290
عشرة وعشرة، وعشرة وعشرة، وعشرة وعشرة، وعشرة

351
00:30:34,290 --> 00:30:34,350
وعشرة، وعشرة وعشرة، وعشرة وعشرة، وعشرة وعشرة، عشرة

352
00:30:34,350 --> 00:30:34,570
وعشرة، وعشرة وعشرة، وعشرة وعشرة، وعشرة وعشرة،

353
00:30:34,570 --> 00:30:38,390
عشرة وعشرة، وعشرة وعشرة، وعشرة وعشرة، وعشرة

354
00:30:38,390 --> 00:30:47,440
وعشرة، وعشرة وعشرة، وعشرة وعشرة، وعشرة وعشرة. هذه

355
00:30:47,440 --> 00:30:51,080
أقرب distances، لأنه بيرتب لي إياها ترتيب تصاعدي حسب

356
00:30:51,080 --> 00:30:54,960
الأقرب، فالأقرب. طيب، الآن إذا أنا بدي أشوف الـ

357
00:30:54,960 --> 00:30:58,900
indices تبع العناصر اللي موجودة عندي، أو بدي أشوف

358
00:30:58,900 --> 00:31:02,100
الـ target تبع الـ indices اللي موجودة عندي، ممكن

359
00:31:02,100 --> 00:31:09,960
أنا أروح أقول له target of

360
00:31:09,960 --> 00:31:14,080
I from

361
00:31:15,690 --> 00:31:22,530
الـ I موجودة أين؟ أو عفواً، for الـ I for

362
00:31:22,530 --> 00:31:30,390
I in، الـ indices، أنا

363
00:31:30,390 --> 00:31:34,810
هذه مصفوفة برضه من بعدي، سأروح أقول له بعد أيام،

364
00:31:34,810 --> 00:31:35,310
فأشرح

365
00:31:52,280 --> 00:32:00,580
target غلط طبعاً.

366
00:32:00,580 --> 00:32:04,760
هان لما كنت بحاول أن أطبع الـ element، بيقول لي إن

367
00:32:04,760 --> 00:32:08,140
هذا عبارة عن object، طب الـ object أنا بدي أجيب الـ

368
00:32:08,140 --> 00:32:10,920
contents تبعته، أو محتوى الـ object اللي عندي هان.

369
00:32:10,920 --> 00:32:15,300
فهينطبع لي بالشكل اللي موجود عندي هان، جلبناها على

370
00:32:15,300 --> 00:32:19,570
السبعة اللي موجودة فوق، الـ indices تبعتهم، أو الـ

371
00:32:19,570 --> 00:32:22,590
classes بناءً على الـ indices اللي موجودة عندي.

372
00:32:22,590 --> 00:32:26,550
يعني احنا اتفقنا الـ indices هي عبارة عن الـ index

373
00:32:26,550 --> 00:32:33,910
تبع الـ train set أو الـ X-train القريبة من، أو

374
00:32:33,910 --> 00:32:39,450
الأقرب لـ T1، فكان صفر، وصفر، وهذه الـ labels تبعتهم

375
00:32:39,450 --> 00:32:43,630
لأن أنا بدي أعمل voting، سأروح أعدّ أنا هدول، هي واحد،

376
00:32:43,630 --> 00:32:48,250
اثنين، ثلاثة، أربعة، خمسة، خمسة من سبعة zero، واثنين

377
00:32:48,250 --> 00:32:53,530
من سبعة one، معناته أن الـ class اللي موجود عندي هنا

378
00:32:53,530 --> 00:32:59,290
سبعة. طب لو أنا بدي أعيد التجربة هي لخمسة، وهي run

379
00:32:59,290 --> 00:33:06,780
السطر اللي بعديها، وهي الـ cell اللي بعديها،

380
00:33:06,780 --> 00:33:11,760
فجائني أنه الآن برضه صفر، بس القيم اللي عندي فوق

381
00:33:11,760 --> 00:33:15,320
اختلفت، مش قضية لأن هي في الآخر الـ values اللي

382
00:33:15,320 --> 00:33:18,720
عندها اختلفت. طب لو أنا فكرت أنه أغير في الـ values

383
00:33:18,720 --> 00:33:25,840
اللي عندها، حأروح أعمل run عشان آخذها، okay، هي

384
00:33:25,840 --> 00:33:32,900
خليني أقول هنا 30، هي run، لاحظوا الـ distance

385
00:33:32,900 --> 00:33:38,070
اختلافها، اختلفت الـ distance كلياً، الآن والأخير هي

386
00:33:38,070 --> 00:33:44,910
run، وهيكون في عندي ثلاثة one وأربعة zero، فهو في

387
00:33:44,910 --> 00:33:47,910
الآخر هيعمل الـ classification على أنه zero،

388
00:33:47,910 --> 00:33:51,230
ممتاز، لكن هذا برضه مش هو الشغل اللي احنا فعلياً

389
00:33:51,230 --> 00:33:55,450
محتاجينه، بس نحط بعض الـ comments هنا.

390
00:34:03,930 --> 00:34:11,170
print target of

391
00:34:11,170 --> 00:34:18,030
the most of

392
00:34:18,030 --> 00:34:23,630
the nearest neighbors

393
00:34:23,630 --> 00:34:24,950
or

394
00:34:49,610 --> 00:34:52,410
"الأزدهار"، "الأزدهار".

395
00:34:56,600 --> 00:35:01,560
الآن سأنتقل لجزئية أكثر أهمية عشان نتكلم عنها،

396
00:35:01,560 --> 00:35:04,920
classification، عشان أشتغل على classification من

397
00:35:04,920 --> 00:35:07,640
نفس الـ library "from sklearn.neighbors import"

398
00:35:07,640 --> 00:35:13,780
"import" في عندي الـ "K nearest neighbor" أو الـ

399
00:3

445
00:40:00,150 --> 00:40:05,040
الـ Confusion Matrix الموجودة هنا، في عندي

446
00:40:05,040 --> 00:40:15,880
الـ classification model evaluation، هنبدأ

447
00:40:15,880 --> 00:40:25,940
الآن، من الـ ASCII layer import matrix

448
00:40:28,280 --> 00:40:31,460
الآن بدي أجيب الـ Matrix، إيش الـ Matrix جامعة

449
00:40:31,460 --> 00:40:34,540
الخيار؟ تحتوي على أنه من خلالها أنا ممكن أنشأ الـ

450
00:40:34,540 --> 00:40:37,100
confusion matrix، أحسب الـ accuracy، أحسب الـ

451
00:40:37,100 --> 00:40:40,240
precision، أحسب الـ recall، أحسب الـ F-measure، كل هذه

452
00:40:40,240 --> 00:40:44,260
لدى الـ attribute، عفواً، للكلاسيفاير اللي موجود

453
00:40:44,260 --> 00:40:49,940
عندها، وخليني أنا أبدأ مع الـ confusion matrix،

454
00:41:07,520 --> 00:41:13,880
الـ M، الـ CM،  إيش معنى CM؟

455
00:41:24,700 --> 00:41:29,180
هنا كل الـ evaluation functions الموجودة عندنا

456
00:41:29,180 --> 00:41:33,420
هتاخد مني شغلتين: هتاخد مني الـ y_test اللي هو الـ

457
00:41:33,420 --> 00:41:37,260
label الحقيقي، والـ y_predicted أو الـ predicted

458
00:41:37,260 --> 00:41:43,800
الـ y_predict، وهي

459
00:41:43,800 --> 00:41:48,590
بدي أروح أقول له اطبع لي الـ matrix اللي عندنا اللي

460
00:41:48,590 --> 00:41:52,010
هي الـ Confusion Matrix، الـ Test Set حجمها

461
00:41:52,010 --> 00:41:57,450
هي 120, 25، True Positive، True Negative، False Positive، False

462
00:41:57,450 --> 00:42:02,570
Negative، False Positive، False Negative، بس إيش الـ

463
00:42:02,570 --> 00:42:08,250
classes الموجودة عندي يا جماعة الخير؟ الـ

464
00:42:08,250 --> 00:42:11,270
classes يا إخواننا ويا أخواتي بيكونوا  تنتبهوا

465
00:42:11,270 --> 00:42:13,670
بشكل كويس، لأنه أنا ما حددت له إيش الـ classes، فإيش

466
00:42:13,670 --> 00:42:17,770
هو بياخدهم مباشرةً، بيروح بيعتمد على الآن أول ما قرأت

467
00:42:17,770 --> 00:42:22,890
data set، أول ما قرأت data set، إيش أول class واجهه؟

468
00:42:22,890 --> 00:42:29,870
طبعاً أنا بتكلم في الـ test set هذا، لأن أول ما

469
00:42:29,870 --> 00:42:32,730
زودته، زودته غلط في الـ Y_predict، أول element في

470
00:42:32,730 --> 00:42:37,250
الـ Y_test

471
00:42:37,250 --> 00:42:41,870
الـ Y_test

472
00:42:46,220 --> 00:42:49,820
كان واحد، فخلاص، بيعتبر أنه هذا للـ Class الأول،

473
00:42:49,820 --> 00:42:53,980
تمام؟ وهذا للـ Class الثاني، طبعاً هذه العناصر

474
00:42:53,980 --> 00:42:56,240
معناته أنها الـ confusion matrix، ومن خلالها أنا

475
00:42:56,240 --> 00:43:00,000
بنطلق وبحسب كل حاجة، طب إذا أنا بدي أحسب الـ

476
00:43:00,000 --> 00:43:05,240
accuracy الآن،

477
00:43:05,240 --> 00:43:08,260
اذكروا، الـ accuracy كانت إيش بتساوي؟ الـ true

478
00:43:08,260 --> 00:43:12,360
positive زائد الـ true negative على كل العناصر

479
00:43:12,360 --> 00:43:13,600
المجموعة هنا

480
00:43:19,260 --> 00:43:25,360
سأقوم بإعادة الـ Accuracy، ACC بتساوي

481
00:43:25,360 --> 00:43:28,040
(repeating "تساوي متركز" is removed)

486
00:43:39,340 --> 00:43:48,690
بتساوي 72.72، الـ Accuracy للـ Model الموجودة عندنا

487
00:43:48,690 --> 00:43:55,850
هان، Matrix.precision  (dot instead of underscore)

488
00:43:55,850 --> 00:44:01,430
72.27 ممتاز، بدي أنتقل للخطوة اللي بعدها، لو أنا بدي

489
00:44:01,430 --> 00:44:05,330
أحسب الـ F1-score أو الـ precision للـ first

490
00:44:05,330 --> 00:44:07,690
class الموجودة عندي هنا

491
00:44:15,790 --> 00:44:20,710
بنفس الطريقة الموجودة عندي هنا، بدي أسميها

492
00:44:20,710 --> 00:44:29,190
precision = matrix.precision_score (dot instead of underscore)

493
00:44:29,190 --> 00:44:35,950
وبدي أعطيه المجموعتين، ولما أنا بدي أقول له

494
00:44:35,950 --> 00:44:41,010
(Corrected sentence:  print(precision))

495
00:44:48,420 --> 00:44:55,240
بتحملوني، شو رأيكم؟ يعني 65، اللي بعدها أحسن من الـ

496
00:44:55,240 --> 00:45:01,800
recall،  الأمور كلها بالشكل هذا اللي هتتجمع، طبعاً

497
00:45:01,800 --> 00:45:04,560
لاحظوا الـ classification Model، ككل، الـ Precision، الـ

498
00:45:04,560 --> 00:45:07,900
First Class، الـ Recall للـ First Class، هيك هيك هيك (Repeating "هيك" is removed)

499
00:45:07,900 --> 00:45:11,560
(Repeating "هيك" is removed)

501
00:45:29,740 --> 00:45:38,460
بالنسبة، رأيي صارت بدلعة ودنيا، يا جماعة الخير، No

502
00:45:38,460 --> 00:45:43,740
attribute

503
00:45:43,740 --> 00:45:53,160
recall_score أو

504
00:45:53,160 --> 00:45:53,840
الـ F1-score

505
00:46:04,040 --> 00:46:10,680
F1 = matrix.F1_score (dot instead of underscore)

506
00:46:10,680 --> 00:46:18,160
(underscore added)

507
00:46:21,880 --> 00:46:26,800
آخر شغلة، أنا ممكن أجيب كل الـ values مع بعضها من

508
00:46:26,800 --> 00:46:31,520
خلال شغلة نسميها الـ Classification Report

509
00:46:31,520 --> 00:46:37,800
الـ Classification Report ممكن يساعدني بشكل كبير

510
00:46:37,800 --> 00:46:41,520
بحيث أنه أنا ما احتاجش أن أكتب كل حاجة مع بعضها

511
00:46:41,520 --> 00:46:45,400
Classification

512
00:46:45,400 --> 00:46:45,900
Report

513
00:46:50,530 --> 00:46:57,750
أو الـ cls_report = matrix.classification (underscore added and "dot" instead of "underscore")

514
00:46:57,750 --> 00:47:01,430
_report (underscore added)

515
00:47:01,430 --> 00:47:10,310
بدي أدّيله الـ method أو عفواً

516
00:47:10,310 --> 00:47:14,010
الـ to function أو أزوده بالـ predicted، بالـ true

517
00:47:14,010 --> 00:47:18,670
label والـ predicted label، وحروح أقول له هنا، اطبع لي

518
00:47:18,670 --> 00:47:19,890
الـ classifier

519
00:47:23,050 --> 00:47:26,830
"Classification Report"، وهنا جاب لي الرابورت

520
00:47:26,830 --> 00:47:32,290
الكامل، بدأ بالـ "Precision"، والـ "Recall"، والـ "F1

521
00:47:32,290 --> 00:47:36,090
Score"،  أي القيم الثلاث اللي موجودة عندها للـ

522
00:47:36,090 --> 00:47:41,470
"Class"، طبعاً للـ "Class Zero"، لأن الـ "Report"

523
00:47:41,470 --> 00:47:45,430
لازم يبين كل القيم، لازم يبين كل حاجة، الآن الـ

524
00:47:45,430 --> 00:47:51,210
"Recall"، الـ "Precision"

525
00:47:51,210 --> 00:47:55,870
83، الـ Recall 78، الـ F1-score

526
00:47:55,870 --> 00:48:07,230
والـ Accuracy وينها؟ ليش هي كترت داخلات مع بعض؟

527
00:48:15,290 --> 00:48:21,970
الـ Accuracy بشكل عام هي 73، لماذا

528
00:48:21,970 --> 00:48:26,930
72.72؟ هنا في الـ robot عمل الـ rounding أو

529
00:48:26,930 --> 00:48:32,090
القيم الموجودة عندك هنا، فهي فعلياً 72.72، فبعمل

530
00:48:32,090 --> 00:48:34,950
الـ rounding، الآن الـ Recall للـ Zero زي ما قلنا

531
00:48:34,950 --> 00:48:38,090
83، الـ Precision والـ Recall للـ Class الأول

532
00:48:43,190 --> 00:48:49,230
هي الـ Class number one لما

533
00:48:49,230 --> 00:48:56,040
قلت له احسب الـ precision، جالي 66، هذه هي تقريباً الـ

534
00:48:56,040 --> 00:49:03,800
55.كذا، الـ 56، الـ recall اللي هي 55.8، بعملها

535
00:49:03,800 --> 00:49:10,240
تقريباً، الـ F1-score اللي كانت بتمثل الـ 60، تمام؟

536
00:49:10,240 --> 00:49:13,960
والـ support  لـ values الموجودة عندها فهي في الـ

537
00:49:13,960 --> 00:49:16,880
report هذا، أنا جيبت كل الـ values بالنسبة لي لمرة

538
00:49:17,890 --> 00:49:23,690
واحدة، بتمنى يكون الفيديو هذا يوضح لكم فعلياً إيش

539
00:49:23,690 --> 00:49:27,590
أنا محتاج في الـ classification، طبعاً هذا الكلام

540
00:49:27,590 --> 00:49:32,170
بيطبق مع كل data set أو مع كل classification

541
00:49:32,170 --> 00:49:36,630
model، وكل classification model فيه خاصية معينة،

542
00:49:36,630 --> 00:49:40,210
يمكن يكون الشغل الوحيد الآن في الاختلاف عندكم اللي

543
00:49:40,210 --> 00:49:42,770
هو استدعاء الـ classifier،  باريخ الاستفعال الـ

544
00:49:42,770 --> 00:49:47,870
classifier، بينما الـ fit حتظل ثابتة للجميع، الـ

545
00:49:47,870 --> 00:49:51,270
predict حتظل ثابتة للجميع، والـ measurement حتظل

546
00:49:51,270 --> 00:49:56,590
موجودة لكل العناصر، لكل الـ classifiers بنفس

547
00:49:56,590 --> 00:50:00,910
الطريقة، أنا هيك خلصت، بتمنى إن شاء الله تعالى

548
00:50:04,250 --> 00:50:07,330
أتمنى من الله تبارك وتعالى أن أكون فعلاً وفقت

549
00:50:07,330 --> 00:50:10,850
في أني خلال التسجيل هذا أني أوضح لكم موضوع

550
00:50:10,850 --> 00:50:16,390
الـ classification، ومن خلاله استخدمت الـ Canary

551
00:50:16,390 --> 00:50:20,370
Snapper واستخدمت الـ Kaggle كـ Tool مختلفة عن الـ

552
00:50:20,370 --> 00:50:24,770
IPython في الـ local machine الموجودة عندي، إذا في

553
00:50:24,770 --> 00:50:29,270
أي سؤال، احفظوه  لـ next session، الـ online session

554
00:50:29,270 --> 00:50:33,690
of the discussion، وعسى أن نكون وفقنا

555
00:50:33,690 --> 00:50:36,530
دائماً وأبداً، والسلام عليكم ورحمة الله وبركاته