1
00:00:05,350 --> 00:00:07,290
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:07,290 --> 00:00:13,340
اليوم إن شاء الله شباب، نبدأ فعليًا تقريبًا بأول شغل

3
00:00:13,340 --> 00:00:17,980
عملي في الـ data mining وهنجوز إيه في الـ data

4
00:00:17,980 --> 00:00:21,120
preparation. ممكن المحاضرة نشوف فيها بعض الأكواد

5
00:00:21,120 --> 00:00:24,540
اليوم، لكن المحاضرة الجاية  حتما، يعني لازم نطبق

6
00:00:24,540 --> 00:00:27,920
بعض الأشياء العملية مع بعض، سواء كنا هنشتغل بالـ

7
00:00:27,920 --> 00:00:30,320
Python أو نشتغل بالـ RapidMiner، وهنجرب الاتنين

8
00:00:30,320 --> 00:00:33,780
معاك، وفي بعض الـ slides اليوم هتكون جاهزة عليها

9
00:00:33,780 --> 00:00:36,140
بعض الأكواد الـ Python اللي ممكن تفيدنا، بس من باب

10
00:00:36,140 --> 00:00:42,560
التحفيز للتعامل مع الـ Python،  على سبيل

11
00:00:42,560 --> 00:00:45,400
المثال، يا رامي زي ما كنت بتقول، هنبدأ اليوم

12
00:00:45,400 --> 00:00:49,080
محاضرتنا، كل المحاضرات الماضية اللي بنتكلم على الـ

13
00:00:49,080 --> 00:00:52,060
data understanding، وقلنا مفهوم الـ data

14
00:00:52,060 --> 00:00:55,020
understanding، إنه لازم أنا أكون فاهم الـ data اللي

15
00:00:55,020 --> 00:00:57,760
عندي، أو familiar مع الـ data اللي عندي بشكل كويس

16
00:00:57,760 --> 00:01:00,960
بحيث إنه كل ما أنا فهمت الـ data، بقدر أفهم إيش الـ

17
00:01:00,960 --> 00:01:05,630
task اللي بدي إياها، بقدر أفهم أُحوِّر الـ data بحيث

18
00:01:05,630 --> 00:01:08,490
أنا أُصبح متوافق مع الـ task اللي أنا بدي أروح لها، وكنا

19
00:01:08,490 --> 00:01:12,590
بنطرح على حالنا مجموعة من الأسئلة، كان أهمها: هل الـ

20
00:01:12,590 --> 00:01:15,830
data هذه relevant للـ topic ولا لأ؟ هل الـ data هذه

21
00:01:15,830 --> 00:01:20,630
كافية، من أجل enough أو كافية من أجل إن أبني عليها

22
00:01:20,630 --> 00:01:24,010
model ولا لأ؟ هل في مصادر أخرى للبيانات ممكن

23
00:01:24,010 --> 00:01:27,350
تدعمني في هذا الاتجاه؟ هل الـ data هذه حقيقية ولا

24
00:01:27,350 --> 00:01:33,390
صناعية؟ هل الـ data هذه مناسبة... بس كمان بتحل

25
00:01:33,390 --> 00:01:37,390
المشكلة ولا بتحل الـ hash؟ قديمة ولا جديدة؟ فكل

26
00:01:37,390 --> 00:01:41,650
الشغلات هذه كانت تتجه باتجاه واحد فقط، أني أكون

27
00:01:41,650 --> 00:01:45,750
familiar مع البيانات اللي موجودة عندي، بعد ما احنا

28
00:01:45,750 --> 00:01:48,730
وكنا طلبنا نهاية المحاضرة الماضية أن كل واحد فيكم

29
00:01:48,730 --> 00:01:52,670
أو كل مجموعة، كل مجموعة تحدد two datasets، واحدة for

30
00:01:52,670 --> 00:01:56,070
regression، واحدة for الـ classification، وكنا

31
00:01:56,070 --> 00:02:00,270
زودناكم بـ examples، بعض الـ URLs اللي ممكن توجد منها

32
00:02:00,270 --> 00:02:03,310
خلالها Data Sets، دلوقتي في Data Sets في الـ Open

33
00:02:03,310 --> 00:02:06,350
Data Sets، في Google Open Data Sets، في شغلات كتيرة

34
00:02:06,350 --> 00:02:09,810
في أي مكان، ممكن تختار الـ Data Set اللي موجودة، و

35
00:02:09,810 --> 00:02:15,090
بقى ذكرنا، لازم تشكل مجموعة أو تنضم لمجموعة، بعد هي

36
00:02:15,090 --> 00:02:20,710
كانت حصيلة الشغل جماعيًا، الـ data wrangling، عفواً، أو الـ

37
00:02:20,710 --> 00:02:23,410
preprocessing، أو الـ data preparation زي ما بسميها

38
00:02:23,410 --> 00:02:27,850
البعض، أن هو فعليًا أول خطوة على الـ real data، أنا

39
00:02:27,850 --> 00:02:31,710
جبت الـ data set، سواء كانت text file أو data file

40
00:02:31,710 --> 00:02:35,050
أو csv file أو excel file، بغض النظر إيش كانت

41
00:02:35,050 --> 00:02:39,590
أصبحت الـ data هذه موجودة، وبالتالي بالنسبة لي الـ

42
00:02:39,590 --> 00:02:45,080
data هذه غالباً هي عبارة عن الـ raw format، شو يعني

43
00:02:45,080 --> 00:02:49,660
Raw Format؟ خام، بالنسبة لي في اللحظة اللي أنا بقول

44
00:02:49,660 --> 00:02:53,300
إنه الجدول هذا أو الـ csv file هذا ما يحتاج... الآن

45
00:02:53,300 --> 00:02:58,100
لا يحتاج أي شغل، بتصير الـ data هذه جاهزة أن أبني

46
00:02:58,100 --> 00:03:02,880
عليها data mining task، تمام؟ وهذا الكلام ما يتم

47
00:03:02,880 --> 00:03:06,620
إلا بعد بعض فحص، أو إجراء بعض التعديلات على

48
00:03:06,620 --> 00:03:09,980
البيانات اللي موجودة عندي، من بعض الشغلات الخام،

49
00:03:09,980 --> 00:03:12,960
يا عم، اللي أنا بتكلم عليها، لو كانت الـ data set

50
00:03:12,960 --> 00:03:17,680
هي عبارة عن مجموعة من الصور، على سبيل المثال، طبيب

51
00:03:17,680 --> 00:03:21,400
عظام قرر إنه بده يحاول يستخدم الـ data science

52
00:03:21,400 --> 00:03:24,140
أو الـ data mining، وقال لك والله أنا بدي أعمل

53
00:03:24,140 --> 00:03:29,920
برنامج، أديله صورة الأشعة، تمام؟ يبدأ هو يدور عن الـ

54
00:03:29,920 --> 00:03:32,420
possible fractures الموجودة، سواء كان بلغتنا

55
00:03:32,420 --> 00:03:36,700
البسيطة كسر واضح، أو شعر مش مبين، يعني بدي أبني

56
00:03:36,700 --> 00:03:39,980
smart system عشان يحدد لي الـ fractures اللي ممكن

57
00:03:39,980 --> 00:03:45,760
يصير في العظم، ممتاز، إيش الـ data تبعته؟ بيقول لي

58
00:03:45,760 --> 00:03:51,820
والله أنا محتفظ بـ 100 ألف صورة أشعة، تمام؟ X-rays

59
00:03:51,820 --> 00:03:55,900
موجودة لهذا المجال، وكلها... كلها شخصيًا بدي أحط

60
00:03:55,900 --> 00:03:59,500
عليها label، هذه فيها كسر وبحدد لك مكانه، وهذه

61
00:03:59,500 --> 00:04:02,860
فيها شعر وبحدد لك مكانه، عشان الـ system تبعته الآن

62
00:04:02,860 --> 00:04:07,380
الـ raw data تبعته هي صور الأشعة، هاي طيب ماشي حاله،

63
00:04:07,380 --> 00:04:10,300
بدنا special scanner، عملنا لها scanning ودخلناها

64
00:04:10,300 --> 00:04:13,340
على الـ system، raw data، ما زالت في اللحظة اللي

65
00:04:13,340 --> 00:04:17,740
بتقدر تحول الصورة هذه لجدول، لجداول تقدر تشتغل

66
00:04:17,740 --> 00:04:21,860
تشتغل عليها mining، بتكون أنت فعليًا رحت باتجاه الـ

67
00:04:21,860 --> 00:04:25,620
task الصحيحة، وخلصت من الـ raw data ووصلت لوين؟

68
00:04:25,620 --> 00:04:30,360
للقيمة أو للـ value اللي أنت بدك إياها، مثل تمامًا

69
00:04:30,360 --> 00:04:35,010
المنقبين عن البترول، لأن هو أخذ، وصل لبئر النفط أو

70
00:04:35,010 --> 00:04:38,290
حصل على البترول، لكن هذا البترول، أو هذا البترول

71
00:04:38,290 --> 00:04:41,910
الخام غير مناسب للناس، فماذا يفعل؟

72
00:04:41,910 --> 00:04:44,290
بتدخلوا على مصانع التكرير عشان يصدر منه البنزين

73
00:04:44,290 --> 00:04:48,110
والسولار إلى آخره، وبالتالي أنا بدي أروح الـ road

74
00:04:48,110 --> 00:04:52,570
بحيث أنها تصبح suitable، أعالجها بحيث أنها تصبح

75
00:04:52,570 --> 00:04:55,750
suitable للـ task أو للـ analysis اللي أنا بدي أشتغل

76
00:04:55,750 --> 00:05:01,940
عليه، طبعًا الآن لما بتكلم على الـ data preparation،

77
00:05:01,940 --> 00:05:07,240
عادة هي عبارة عن software by-blind، أو coding by

78
00:05:07,240 --> 00:05:11,120
-blind، شو يعني by-blind يا شباب؟ خط... خط إنتاج

79
00:05:11,120 --> 00:05:15,220
method، بتروح بتدور على الـ missing data وبتعالجها،

80
00:05:15,220 --> 00:05:19,340
method ثانية، أو data ثانية بتعالج الـ inconsistent

81
00:05:19,340 --> 00:05:24,570
data، ثالثة بتعالج مثلًا الـ noise data، وكل مخرج يعني

82
00:05:24,570 --> 00:05:28,310
الآن بدخل الـ raw data للـ missing، الـ output تبع الـ

83
00:05:28,310 --> 00:05:32,530
missing بروح بعده وبدخله عليه as input للـ noise

84
00:05:32,530 --> 00:05:35,230
data، والـ noise data بتروح للـ inconsistent بعد

85
00:05:35,230 --> 00:05:38,850
معالجتها، طبعًا، وبهيك كل مرحلة لحد ما بوصل لوين في

86
00:05:38,850 --> 00:05:43,810
الآخر، أن الـ data هذه مناسبة، أصبحت صالحة للـ task

87
00:05:43,810 --> 00:05:49,090
اللي أنا بدي أشتغل فيها، وبالتالي هذا بيقول إن الناس

88
00:05:49,090 --> 00:05:51,390
اللي بدأت تشتغل في الـ data science أو في الـ data

89
00:05:51,390 --> 00:05:53,750
preparation أو الـ data preprocessing أو الـ data

90
00:05:53,750 --> 00:05:58,530
wrangling، لازم يتمتع بمجموعة من الصفات اللي لها

91
00:05:58,530 --> 00:06:02,530
علاقة بالإحصاء، على سبيل المثال، ليش؟ لأن أنت بدك

92
00:06:02,530 --> 00:06:07,910
تتعرف على البيانات، بدك

93
00:06:07,910 --> 00:06:11,890
skills زي ما قلنا سابقًا، multidisciplinary

94
00:06:13,700 --> 00:06:16,320
الـ course تبع الـ data mining، بدك statistic، بدك

95
00:06:16,320 --> 00:06:19,240
database، بدك programming، وكل الـ skills هذه بتخدمك

96
00:06:19,240 --> 00:06:27,500
في موضوع الـ preparation بالدرجة الأولى، طيب

97
00:06:27,500 --> 00:06:31,160
بما أنه إحنا حاليًا،  هنحتاج شغل، ونقول programming،

98
00:06:31,160 --> 00:06:35,760
ونتكلم على pipeline بالـ Python، قلت لك أنا حاطط لك

99
00:06:35,760 --> 00:06:40,270
روابط تنزل الـ Anaconda، مين نزلها شباب على جهازه؟ واحد

100
00:06:40,270 --> 00:06:44,570
اثنين، ثلاثة، أربعة، خمسة، ستة، سبعة، ثمانية، تسعة، أنتم

101
00:06:44,570 --> 00:06:49,730
ملاحظين يا شباب أن المادة ما فيهاش معمل، نزل الـ

102
00:06:49,730 --> 00:06:52,330
Python Anaconda distribution أو الـ Spyder Anaconda

103
00:06:52,330 --> 00:06:55,230
distribution على جهازك عشان تبدأ تشتغل، ليش أنا

104
00:06:55,230 --> 00:06:59,130
قلت لك نزله؟ هيريحك من كل المكتبات، وينزلها لك حزمة

105
00:06:59,130 --> 00:07:04,380
واحدة، بينما لو بدك تشتغل بالـ PyCharm، هتضطر تنزل الـ

106
00:07:04,380 --> 00:07:07,500
libraries واحدة ورا الثانية، فأنت رايح ترهق نفسك وتشتغل

107
00:07:07,500 --> 00:07:10,320
على الـ distribution جاهزة، بتريحك على الأقل في

108
00:07:10,320 --> 00:07:11,360
موضوع الـ installation

109
00:07:15,990 --> 00:07:19,870
هي IDE شاملة المكتبات كلها تبع الـ data science،

110
00:07:19,870 --> 00:07:22,870
وبالتالي بدل ما أنا أروح أحول الـ IDE تبع الـ by

111
00:07:22,870 --> 00:07:26,270
charm، تمام، عشان يسموها data science distribution،

112
00:07:26,270 --> 00:07:30,150
أحيانًا بسموها، الآن بدل ما أروح أنا أنزل المكتبات

113
00:07:30,150 --> 00:07:33,150
واحدة ورا الثانية، هو كل المكتبات جاهزة ضمن الـ

114
00:07:33,150 --> 00:07:35,390
setup file اللي بنزله، وبالتالي مش هعمل download من

115
00:07:35,390 --> 00:07:40,040
الـ internet لأي شيء، الآن، طبعًا المهم، إذا ما أقول إن

116
00:07:40,040 --> 00:07:43,020
إحنا ممكن نستخدم الـ Python، وهذه لغة برمجة مهمة

117
00:07:43,020 --> 00:07:46,200
جداً، ليش مع الـ Java؟ ما بدي الـ Java، الـ support إلها

118
00:07:46,200 --> 00:07:50,860
أكثر، وهنشوف الآن بعض الشغلات، فعليًا أسهل مليون مرة

119
00:07:50,860 --> 00:07:55,060
ما كنت أنا بدي أشتغلها وين؟ بالـ Java، وهعطيك مثال،

120
00:07:55,060 --> 00:07:59,300
الآن، مثال بسيط جداً، المكتبات اللي بتلزمني في الـ

121
00:07:59,300 --> 00:08:01,520
Python، إذا أنا بدي أشتغل على الـ PyCharm، معناته

122
00:08:01,520 --> 00:08:06,270
ملزمني الـ NumPy، الـ numerical arrays في الـ Python،

123
00:08:06,270 --> 00:08:09,710
وبالـ Pandas، اللي هي عبارة عن data framework،

124
00:08:09,710 --> 00:08:13,510
من أجل أن أعمل store و retrieve للـ data، وأطبق

125
00:08:13,510 --> 00:08:16,370
عليها بعض الـ methods الجاهزة اللي لها علاقة في الـ

126
00:08:16,370 --> 00:08:20,710
preparation، من الشغلات البسيطة اللي ممكن تكون

127
00:08:20,710 --> 00:08:24,350
motivation كويسة بالنسبة لنا جميعًا، كيف التعامل مع

128
00:08:24,350 --> 00:08:27,970
الـ Python، لو أنا أجيت قلت لك في عندي two

129
00:08:27,970 --> 00:08:29,050
dimensional array

130
00:08:36,150 --> 00:08:41,450
ثلاثة في ثلاثة، وبده منها تاخد لي الصف أو العمود

131
00:08:41,450 --> 00:08:47,870
الأخير لحاله كـ one dimensional array، إيش الـ code

132
00:08:47,870 --> 00:08:51,990
اللي ممكن تكتبه به جافر؟ بتروح تعرف الـ array one

133
00:08:51,990 --> 00:08:58,250
dimensional، هتقول له integer، الـ array تبعته A مثلًا، و

134
00:08:58,250 --> 00:09:02,690
تقول له يا أخي إن هذا اسمها X، بدها تساوي new integer

135
00:09:04,860 --> 00:09:09,880
ثلاثة، صح؟ بعدين هتروح تقول له for integer I equal

136
00:09:09,880 --> 00:09:18,160
zero، الـ I أقل من أو تساوي اثنين، I plus plus، A of I

137
00:09:18,160 --> 00:09:30,640
equal X of اثنين، إيه؟ قد إيش هي؟ I، اثنين، مصبوط؟

138
00:09:35,500 --> 00:09:42,740
بالـ Python بكل بساطة باجي بقول له a تساوي x

139
00:09:42,740 --> 00:09:51,000
أو

140
00:09:51,000 --> 00:09:55,660
حتى ممكن هذا مكتوب هيك، بس يبقى  لا for

141
00:09:55,660 --> 00:10:00,720
ولا حاجة، الفكرة وين يا شباب؟ إنه فعليًا من ناحية

142
00:10:00,720 --> 00:10:06,620
simplicity،  أسهل، وهي فرصة... فرصة لك تتعلم لغة

143
00:10:06,620 --> 00:10:10,080
جديدة، الـ for هي الـ for، والـ F هي الـ F، نفس الـ

144
00:10:10,080 --> 00:10:12,560
concept بس الـ syntax هو شوية اللي هيخلف... يخلف

145
00:10:12,560 --> 00:10:15,060
معك، الآن، هذا الآن في الشغلات زي هاي، الـ

146
00:10:15,060 --> 00:10:20,080
Python بتريحك جدًا في الكتابة، هاي، هذا الثلاث أسطر هي

147
00:10:20,080 --> 00:10:24,120
عبارة عن سطر واحد فعليًا، لا أنا محدد نوع بيانات،

148
00:10:24,120 --> 00:10:27,280
ولا أنا محدد نوع الـ for، بس اللي بيلزمني أحدد

149
00:10:27,280 --> 00:10:31,400
أبعاد العمود اللي أنا بدي إياه، و لحاله بيشتغل الشغلة

150
00:10:31,400 --> 00:10:36,140
الثانية، ممكن أنا الآن، هل في مجال يكون في عندي

151
00:10:36,140 --> 00:10:41,520
تسميات للـ

152
00:10:41,520 --> 00:10:45,660
attributes اللي موجودة عندي؟ لأ، ما في مجال مع الـ

153
00:10:45,660 --> 00:10:49,040
Pandas، بصير في مجال أضيف تسمية للـ array أو للـ

154
00:10:49,040 --> 00:10:56,000
data set، وبصير بروح بقول له أن الـ A equal X of T

155
00:10:56,000 --> 00:11:01,240
ثلاثة، وخلصت، وبالتالي فيها شغل أسهل بكثير من الـ

156
00:11:01,240 --> 00:11:06,990
Java وغيرها، إيه؟ هنشوف بعض الأكواد اللي برضه بسهولة

157
00:11:06,990 --> 00:11:09,970
اللي هنفهمها برضه خلال المحاضرة هذه إن شاء الله،

158
00:11:09,970 --> 00:11:14,530
تعال طيب، ننتقل لطريق الـ libraries اللي في

159
00:11:14,530 --> 00:11:16,630
عينينا، بتلزمني في الـ data preparation بالدرجة

160
00:11:16,630 --> 00:11:19,390
الأولى، تعال، أخد مثال بسيط في الـ code اللي موجود

161
00:11:19,390 --> 00:11:23,770
قدامنا، الـ code اللي موجود قدامنا، عمل import للـ

162
00:11:23,770 --> 00:11:27,670
Pandas، وروح

163
00:11:27,670 --> 00:11:32,430
اعرف الـ Pandas، هي عبارة عن data framework للتعامل

164
00:11:32,430 --> 00:11:36,010
واحدة من الاقتراحات تبعها، أني ممكن أنشئ جدول

165
00:11:36,010 --> 00:11:40,570
جديد، أنشئ جدول جديد، فروح قلت له الـ Pandas dot data

166
00:11:40,570 --> 00:11:45,310
framework، وزودت الـ data framework الـ constructor بـ

167
00:11:45,310 --> 00:11:46,770
...بإيش يا شباب؟

168
00:11:46,770 --> 00:11:51,170
(Long pause)

169
00:11:57,690 --> 00:12:01,630
الـ values تبعته، تمام، الـ index هي optional،

170
00:12:01,630 --> 00:12:05,630
بالنسبة لنا، بنضيفها بعد الـ json عشان أقول له والله

171
00:12:05,630 --> 00:12:07,870
فعلاً هي الـ items أو هي الـ index اللي أنا بدي أشتغل

172
00:12:07,870 --> 00:12:14,270
معها، بغض النظر، هتفرق كتير، الآن لو أنا أقول

173
00:12:14,270 --> 00:12:17,590
dictionary، كم واحد هيقول okay معك، موافق معك، بس

174

223
00:15:40,710 --> 00:15:43,150
maximum و كم عدد الفرغات؟ بصير عارف أني بدي

224
00:15:43,150 --> 00:15:47,810
أشتغل، طبعًا بإمكانك تعمل loop تمر على الـ titles

225
00:15:47,810 --> 00:15:50,590
اللي هنا و تعمل description بشكل آلي، ما تكتب كل

226
00:15:50,590 --> 00:15:55,970
واحد بشكل تلقائي. طيب، هذا الكلام أو هذه الـ slides ما

227
00:15:55,970 --> 00:15:59,430
جبتها إلا من باب الـ motivation  لك، أن الـ

228
00:15:59,430 --> 00:16:03,490
python سهل و ممكن تعملها أو تكتبها، تعملها concord

229
00:16:03,490 --> 00:16:11,110
ده أو تحتويها بشكل كويس خلال الفصل هذا، الـ rapid

230
00:16:11,110 --> 00:16:15,290
minor خيار هنشوفه، هنشتغل عليه، لكن أنا بالنسبة لي

231
00:16:15,290 --> 00:16:21,530
قد أعطي plus للي هيشتغل الـ python، وللي مش هيشتغل

232
00:16:21,530 --> 00:16:22,490
الـ python هياخد minus

233
00:16:40,350 --> 00:16:47,070
ممكن تحتوي على بعض الـ missing، الـ inconsistent، والـ

234
00:16:47,070 --> 00:16:53,990
noise data الآن يا جماعة، noise data شو يعني؟ أخذناها

235
00:16:53,990 --> 00:17:00,310
سابقا. اكتب اسمك هنا، و سجل جوابك، تمام؟ نقاش يعني

236
00:17:00,310 --> 00:17:05,310
noise data يعني data فيها أشياء ممكن ما تفيدنيش، أو

237
00:17:05,310 --> 00:17:08,950
فيها أشياء خاطئة. فيها أشياء خاطئة، صح؟ بس فيها data

238
00:17:08,950 --> 00:17:14,490
ما تفيدنيش، مش صح. اكتب اسمك، عفوا، تمام؟ الآن noise

239
00:17:14,490 --> 00:17:17,690
data يعني لو أنا فيه عندي قيم أو فيه عندي أخطاء في

240
00:17:17,690 --> 00:17:24,170
القيم المدخلة، مثل الراتب بالسالب، تمام؟ طيب، عبدالله

241
00:17:24,170 --> 00:17:27,430
صحي. محمد الكحلوت من جنبك، وقول لي شو يعني

242
00:17:27,430 --> 00:17:35,070
inconsistent data؟ مش عارف، لأنك ما بتراجعش. لأ، ما بديش

243
00:17:35,070 --> 00:17:38,450
إياك. أنت يا تامر، آه، يوسف، شو يعني inconsistent

244
00:17:38,450 --> 00:17:39,230
data؟

245
00:17:42,500 --> 00:17:55,180
محمود أبو حية. محمود، صح؟ محمد أبو حية، محمود

246
00:17:55,180 --> 00:17:56,740
أبو حية. محمود أبو حية. محمود أبو حية. محمود أبو حية

247
00:17:56,740 --> 00:17:59,980
محمود أبو حية. محمود أبو حية. محمود أبو حية. محمود

248
00:17:59,980 --> 00:18:02,800
أبو حية. محمود أبو حية. محمود أبو حية. محمود أبو حية

249
00:18:02,800 --> 00:18:09,800
محمود أبو حية. محمود أبو حية. محمود أبو حية. مثلًا،

250
00:18:09,800 --> 00:18:13,060
تاريخ ميلاده مبارح، هو في الـ Age مكتوب لـ 40 سنة،

251
00:18:13,060 --> 00:18:17,840
تمام؟ Missing Data. هذه كلكم هتجاوبوها طبعًا، فضل.

252
00:18:17,840 --> 00:18:21,260
Data مفقودة، إنه فعليًا الـAttribute هذا في

253
00:18:21,260 --> 00:18:24,080
الـRecord هذا، الـValue تبعته فاضية، مش موجودة عندي.

254
00:18:24,080 --> 00:18:27,400
وبالتالي، أنا لازم أقول،  قلنا سابقًا كان عندنا

255
00:18:27,400 --> 00:18:31,060
مصطلح Garbage In، Garbage Out. وبالتالي الـData

256
00:18:31,060 --> 00:18:35,980
Quality شيء أساسي في الـData Mining. جودة البيانات

257
00:18:35,980 --> 00:18:39,960
شيء أساسي في الـ Data Mining. وبالتالي، إذا أنت

258
00:18:39,960 --> 00:18:44,060
فعليًا بدأت تشتغل، وجدت في الموضوع الـ Data

259
00:18:44,060 --> 00:18:47,500
Preparation عبارة عن خطوة مهمة للـ Serious والـ

260
00:18:47,500 --> 00:18:53,920
Effective والـ Real Data Mining Process. إيش علامات

261
00:18:53,920 --> 00:19:00,040
جودة؟ .. علامات جودة الـ Data Set اللي موجودة عندي؟

262
00:19:00,040 --> 00:19:05,430
تقريبًا هي نفس الأسئلة اللي كنا بنطرحها سابقًا، عشان

263
00:19:05,430 --> 00:19:10,010
تصحيح الـ data، الـ accuracy. قد ايش الـ data تبعتي هذه

264
00:19:10,010 --> 00:19:18,330
دقيقة؟ قد ايش الـ data تبعتي صحيحة؟ هي، كل ما

265
00:19:18,330 --> 00:19:22,290
كانت نسبة دقتها أعلى، كل ما كانت هذه أفضل، طبعًا.

266
00:19:22,290 --> 00:19:30,380
مصدرها؟ مصدرها يعني، بنسأل الآن، الـ data اللي

267
00:19:30,380 --> 00:19:34,060
فيها الـ values، أنت بتقدر تتحقق من كل record Raw by

268
00:19:34,060 --> 00:19:38,920
Raw؟ أكيد لأ، لكن لما أنا بأعرف أن الـ data set هاي

269
00:19:38,920 --> 00:19:45,080
طالعة مثلًا من الـ MIT، على رأي رامي، تمام؟ ولا طالعة

270
00:19:45,080 --> 00:19:47,620
من جامعة إياد الشامي؟ لأ، أكيد اللي طالعة من الـ MIT،

271
00:19:47,620 --> 00:19:53,060
من الـ MIT، مصدق؟ شكرًا، شكرًا على الثقة يا هاشم،

272
00:19:53,060 --> 00:19:58,100
الآن، الفكرة وين يا جماعة الخير؟ الفكرة أنه مش كمان

273
00:19:58,100 --> 00:20:02,040
تشوف الـ source، اللي هي الـ believability، قد ايش أنا

274
00:20:02,040 --> 00:20:07,420
بوثق فيها، في مصدرها، لكن الآن، بتكلم على جودة

275
00:20:07,420 --> 00:20:12,620
البيانات. جودة البيانات، عادةً، مش أنا صاحبها، الـ data

276
00:20:12,620 --> 00:20:16,440
لما انجمعت، كانت صحيحة. لما انجمعت، آه، صح، بأثق في

277
00:20:16,440 --> 00:20:21,580
المصدر، لكن قد ايش ممكن المصدر هذا يخطئ في الإدخال؟

278
00:20:22,050 --> 00:20:25,250
قد ايش الـ instrument اللي كنت أنا بأعتمد عليها في

279
00:20:25,250 --> 00:20:29,730
القراءات دقيقة؟ بلاش نتكلم على مصدرها، أنا والله

280
00:20:29,730 --> 00:20:32,770
واثق أن اللي جاييني من الـ MIT تمام، لكن كانوا

281
00:20:32,770 --> 00:20:38,310
مسترخصين، و اخذين بعض الـ sensors من Taiwan، بينما في

282
00:20:38,310 --> 00:20:42,270
sensors  أوضح منها، وبالتالي، الـ data set اللي بيصير

283
00:20:42,270 --> 00:20:47,430
فيها علامة استفهام، لأن بعض الـ equipments تبعتها في

284
00:20:47,430 --> 00:20:51,170
الـ range تبعت الـ error تبعتها عالية. هذه المقصودة

285
00:20:51,170 --> 00:20:56,850
بالـ Accuracy، على خلاف الـ Believability. قد ايش أنا

286
00:20:56,850 --> 00:21:00,890
واثق من مصدر البيانات، وفي البيانات اللي موجودة

287
00:21:00,890 --> 00:21:05,450
عندي. هلاحظ كمان مرة، أنا ما زلت بأتكلم على عوامل

288
00:21:05,450 --> 00:21:09,630
إنّه كيف بدي، أو بدي أحاول أشكّ، كيف بدي أقيس جودة

289
00:21:09,630 --> 00:21:13,230
أو إيش هي علامات جودة الـ data set؟ يعني لو قلنا لك

290
00:21:13,230 --> 00:21:17,710
في تفاحة، وقلنا شو رأيك فيها؟ جودة التفاحة هاي، قد ايش

291
00:21:17,710 --> 00:21:21,510
عبدالله؟ هي عبدالله، أيوة عبدالله، بناء على إيش؟

292
00:21:21,510 --> 00:21:26,650
بتطلع فيها، الله، التفاحة مبينة، جديدة، وطازة، وبتلمّع،

293
00:21:26,650 --> 00:21:30,830
تمام؟ هاي واحد، ريحتها فواحة، ما فيش فيها لا ضرب

294
00:21:30,830 --> 00:21:35,730
يمين ولا شمال، ولا محمد عضّها، مصدق؟ وبالأخير، في

295
00:21:35,730 --> 00:21:40,950
الأخير، هاي العلامات، أنت بعينك بتقدر تحددها، طيب،

296
00:21:40,950 --> 00:21:47,270
الآن completeness، قد ايش الـ data هاي كاملة، وبحيث

297
00:21:47,270 --> 00:21:50,590
أنها توافق الـ task اللي أنا بدي إياها؟ سألنا سابقًا

298
00:21:50,590 --> 00:21:54,230
على الـ different sources، والـ relevant، ومن الـ

299
00:21:54,230 --> 00:21:58,170
expert. ليش؟ عشان أنا أكون متأكد أن الـ data الـ 6

300
00:21:58,170 --> 00:22:02,810
تبعتي هاي فعليًا بتنجز. الـ consistency، الـ consistency

301
00:22:02,810 --> 00:22:07,150
قد ايش الـ data هاي consistent؟ ما هو، لما اتكلمنا

302
00:22:07,150 --> 00:22:10,050
في الـ consistency، أنه ما هو المفهوم، أن أعدّل في

303
00:22:10,050 --> 00:22:14,430
مكان، ومقنوط من التعديل في مكان ثاني، بس ما عدّلتش فيه،

304
00:22:14,430 --> 00:22:17,030
فبتصير inconsistent. values الموجودة اللي عندي،

305
00:22:17,030 --> 00:22:21,770
timeline is .. هاي شغلة مهمة يا جماعة الخير، عشان

306
00:22:21,770 --> 00:22:24,650
يقول لي أن الـ data .. الـ data set اللي موجودة عندي

307
00:22:24,650 --> 00:22:28,110
هل بتحل المشكلة اللي أنا بأشتغل عليها ولا لأ؟ يعني

308
00:22:28,110 --> 00:22:33,810
أنا بدي أحاول أعمل prediction. ما هو، إذا حطيت الـ

309
00:22:33,810 --> 00:22:37,210
mail، معناته هتصير أنك عندك .. في عندك مشكلة في الـ

310
00:22:37,210 --> 00:22:41,440
consistency. مصدق؟ لأ، خلينا .. احنا عمّال بدنا

311
00:22:41,440 --> 00:22:45,780
نصلّح، مش اللي بنخبص، تمام؟ وبالتالي، الـ data must be

312
00:22:45,780 --> 00:22:54,440
inferred. إيش الحلول المتاحة قدامي في التعامل مع الـ

313
00:22:54,440 --> 00:22:59,080
missing data؟ الآن، الـ missing، سواء كانت في one

314
00:22:59,080 --> 00:23:05,220
value أو في two values في الـ record، تمام؟ في الآخر،

315
00:23:05,220 --> 00:23:09,560
الـ record هذا فيه missing. لكن سؤال مهم جدًا، هل ممكن

316
00:23:09,560 --> 00:23:14,980
كل الـ record يكون missing؟ بكونش موجود أساسًا،

317
00:23:14,980 --> 00:23:18,220
فعلى الأقل الـ record بيكون فيه one value، والباقي

318
00:23:18,220 --> 00:23:22,200
ممكن يكون null، مصدق؟ حسب المصدر. ففي الآخر، بغضّ

319
00:23:22,200 --> 00:23:25,120
النظر، كان فيه عنده one value، one missing value or

320
00:23:25,120 --> 00:23:28,400
more. فهذا الـ record بيحتوي على missing، أو هذا الـ

321
00:23:28,400 --> 00:23:34,520
attribute الآن صار بيحتوي على missing. أسلم حل، أن

322
00:23:34,520 --> 00:23:39,040
أحذف الـ rows اللي بتحتوي على الـ missing، وأريح حل،

323
00:23:39,040 --> 00:23:43,100
تمام.

324
00:23:43,100 --> 00:23:47,680
عشان أنا بدي أحط حلول صحيحة، وبدي أجيب value صحيحة،

325
00:23:47,680 --> 00:23:53,680
عشان أحصل الحل صح، أو عفواً، أصلّح حل صح. الآن، لو كانت

326
00:23:53,680 --> 00:24:01,080
الـ data  اللي عندي 100 ألف row، وبعد عملية الحذف،

327
00:24:02,200 --> 00:24:08,920
بعد عملية الحذف، صارت اللي هي 95 ألف row. أنا

328
00:24:08,920 --> 00:24:12,940
بالنسبة لي، مش فارق كبير، مش big deal، مش زعلان كثير،

329
00:24:12,940 --> 00:24:19,920
أقول لك، لو صارت 50 ألف، برضه بالنسبة لي مش كتير، لأن

330
00:24:19,920 --> 00:24:24,160
الـ data لسة still enough، يعني فيها كم .. لأ، بقى

331
00:24:24,160 --> 00:24:27,180
ممكن أستخرج منه، لكن لو ضليت حافظ على الـ 100 ألف،

332
00:24:27,180 --> 00:24:27,880
أحسن وأحسن.

333
00:24:31,060 --> 00:24:35,300
لأن احنا اتكلمنا سابقًا، how much big is your data؟

334
00:24:35,300 --> 00:24:39,400
كده، حجم البيانات اللي عندك؟ لأن كل row بمثابة

335
00:24:39,400 --> 00:24:42,960
تعزيز للـ pattern، أو تعزيز للـ knowledge اللي أنا

336
00:24:42,960 --> 00:24:48,800
بدأ أستخرجها، لكن في المقابل، اللي كانوا عندي ألف

337
00:24:48,800 --> 00:24:57,560
record، صاروا تسعمية وخمسين، acceptable، لكن صاروا

338
00:24:57,560 --> 00:25:05,430
خمسمية، لا يعني، وقف. على الرغم أن هذا نص وهذا نص، 50

339
00:25:05,430 --> 00:25:11,590
ألف، نص، 50%، بس العدد بيفرق معي، 500 row is not

340
00:25:11,590 --> 00:25:15,430
enough to train or to build a model، في معظم

341
00:25:15,430 --> 00:25:22,010
الأحيان. طيب، مش الحل، بدك تجيب data set ثاني، لو

342
00:25:22,010 --> 00:25:26,600
متوفرة؟ طيب، مش متوفرة، غير الألف هدول، بدي أبدأ

343
00:25:26,600 --> 00:25:31,500
أعبي الـ missing data، بدي أبدأ أعبي الـ missing data

344
00:25:31,500 --> 00:25:37,640
اللي موجودة عندهم. كيف بدي أعبيها؟ manually، بشكل

345
00:25:37,640 --> 00:25:41,840
manual، يعني بدي أمر على كل row، أو كل عمود، row by

346
00:25:41,840 --> 00:25:47,660
row، وأعبي الـ value اللي فيه. ممكن

347
00:25:47,660 --> 00:25:53,260
شباب، الـ manual filling لا يعني بالضرورة أن أنا 100

348
00:25:53,260 --> 00:25:58,870
% صح، تمام؟ أنا خارجة، لما بدي أتكلم على الـ manual

349
00:25:58,870 --> 00:26:02,090
filling، بدي أروح أقول له، أين الـ document الأصلية

350
00:26:02,090 --> 00:26:05,570
تبعتك اللي اعتمدتها، أو وين ممكن أجيء القيمة هذه،

351
00:26:05,570 --> 00:26:11,700
ففي جهود، لكن مش .. ولو أنا رجعت للـ guessing، في

352
00:26:11,700 --> 00:26:15,280
موضوع الـ guessing، الأصل يكون .. يعني لما بدي أخمن،

353
00:26:15,280 --> 00:26:17,560
بدي، هتكون الـ value تبقى .. بدي تكون فيه confident،

354
00:26:17,560 --> 00:26:22,440
يعني لما قلنا قبل شوية، متزوج، أو الـ status، الـ

355
00:26:22,440 --> 00:26:26,160
marital status، متزوج، married، وفي pregnant، و

356
00:26:26,160 --> 00:26:30,020
مفقود عند الـ gender، ما فهمش .. ما فيش، عاجلين، إثنين

357
00:26:30,020 --> 00:26:34,050
بيختلفوا على إنه دي female، مصدق؟ وبالتالي، هذا

358
00:26:34,050 --> 00:26:37,570
الكلام في هذه الشغلات، بيصير الـ guessing. محمود، الآن،

359
00:26:37,570 --> 00:26:42,970
باجي أقول أن والله، الطلاب اللي موجودين عندي في

360
00:26:42,970 --> 00:26:49,410
المدرسة، أعمارهم تتراوح من عشرة إلى ثلاث عشر سنة، وأجيء

361
00:26:49,410 --> 00:26:54,690
الطالب عمره مش موجود، وتاريخ ميلاده مش موجود. لو

362
00:26:54,690 --> 00:26:59,190
حذفته، تمام؟ احنا الآن خلصنا من موضوع الحذف، بدي أملأ

363
00:26:59,190 --> 00:27:05,220
الـ data، بدي أملأ الـ data، إيش، أعبيها؟ لو حطيتها 12

364
00:27:05,220 --> 00:27:09,360
بالمتوسط، بيمشي الحال، أثبت؟ هاي الـ guessing، ممكن

365
00:27:09,360 --> 00:27:13,980
لو أنا شوفت عمر الولد، أو أروح أسأله، فلان، أنت في

366
00:27:13,980 --> 00:27:17,760
أي صف؟ طلع فيك هيك، جاك في صف سادس،

367
00:27:20,950 --> 00:27:24,330
ماشي، مصدق ولا لأ؟ إذا أنت حاسس أنه والله ممكن

368
00:27:24,330 --> 00:27:28,650
الطالب هذا يكون مثلًا، أعاد سنة أو سنتين، فممكن تحطه

369
00:27:28,650 --> 00:27:31,730
في بناء .. خلاص، بتصير happy guessing، محمود، وهذا

370
00:27:31,730 --> 00:27:36,250
الكلام يصير تمام، لكن

371
00:27:36,250 --> 00:27:41,030
عملية التعبئة الـ manual، أو التعبئة اليدوية للقيم

372
00:27:41,030 --> 00:27:53,290
المفقودة، مملة وغير مشوقة، خلينا نشوف إيش غير مشوقة؟

373
00:27:53,290 --> 00:27:58,410
لأنه مكلفة، مقارنة بالجهد اللي هيصير. مش مشوقة،

374
00:27:58,410 --> 00:28:05,070
كثير. automatic، برمجيًا، برمجيًا، الخيارات اللي قدامي،

375
00:28:05,070 --> 00:28:09,490
أن أروح على كل الـ missing، وأحط فيها global

376
00:28:09,490 --> 00:28:16,130
constant. شو يعني global constant؟ أي رمز، بحيث أن

377
00:28:16,130 --> 00:28:17,290
الرمز هذا يصير unknown.

378
00:28:20,640 --> 00:28:24,720
بأعرف إنها missing، وفي نفس الوقت، لو بدّي أنبنى

379
00:28:24,720 --> 00:28:29,360
عليها decision لاحقًا، في حالة الـ unknown بيكون كذا،

380
00:28:29,360 --> 00:28:36,140
على سبيل المثال، if كذا، else if كذا، else if كذا، طيب،

381
00:28:36,140 --> 00:28:40,580
الـ else الأخيرة، لو ما كانت ولا واحدة من هدول، في

382
00:28:40,580 --> 00:28:44,620
حالة الـ switch case، case، case كذا، في الآخر بحط له

383
00:28:44,620 --> 00:28:47,900
default، لو ما كانتش ولا واحدة من هدول، بصير بقول له أنا

384
00:28:47,900 --> 00:28:53,830
في حالة الـ unknown. ممكن أخد decision، تمام؟ هذه ميزة،

385
00:28:53,830 --> 00:29:00,630
أو أهمية للـ global constant، لكنه مش مفضل برضه، ليش؟

386
00:29:00,630 --> 00:29:03,910
لأن كل ما كانت الـ rule تبعتي مبنية على fixed value،

387
00:29:03,910 --> 00:29:08,970
يكون أحسن. كنت بقى تقول حاجة، جوابت عليك؟ ماشي الحال.

388
00:29:08,970 --> 00:29:14,010
ممكن أعبيها automatic بالـ mean أو الـ median،

389
00:29:14,01

445
00:34:32,900 --> 00:34:37,500
الشخص مريض أو غير مريض ربح ولا خسر، مظبوط؟ مش عارف

446
00:34:37,500 --> 00:34:42,520
وبالتالي في حالة زي هذه أروح بحذف الـ record اللي

447
00:34:42,520 --> 00:34:49,540
مافيش Target لأن نسبة الخطأ بهذه الحالة ستكون أكبر

448
00:34:49,540 --> 00:34:54,160
واحد. الآن بما أن الحذف هو الحل الأمثل بالنسبة لي

449
00:34:54,160 --> 00:34:58,820
الحل الأمثل، فأنا ممكن أروح أُحدد الـ rows الـ raw

450
00:34:58,820 --> 00:35:03,620
اللي أنا بدي أحذفه، مثلاً بدي أحذف الـ raw رقم

451
00:35:03,620 --> 00:35:08,620
واحد، اثنين، ثلاثة، أربعة، خمسة، ستة، سبعة. هاروح أقول له

452
00:35:08,620 --> 00:35:15,960
بكل بساطة الـ dataset تبعتي .drop، بدي أعطيه الـ

453
00:35:15,960 --> 00:35:22,050
index تبع الـ row اللي هي، هنقول مثلاً أربعة أربعة

454
00:35:22,050 --> 00:35:28,270
in place = True، لأنه إذا أنا قلت له False

455
00:35:28,270 --> 00:35:33,390
هذا يعني أني أنا بحاجة لـ dataset جديد، بيصير كذا

456
00:35:33,390 --> 00:35:37,530
لأنه سيقوم بإنشاء dataset جديد بعد الحذف، إذا

457
00:35:37,530 --> 00:35:41,070
أنا قلت له in place، سيحدث التغيير على نفس الـ dataset

458
00:35:41,070 --> 00:35:44,570
اللي إحنا شغالين عليها، تمام؟ هذا الفرق بين

459
00:35:44,570 --> 00:35:49,070
الـ True والـ False. الـ axis عشان يقول لي أنت بدك

460
00:35:49,070 --> 00:35:56,870
تحذف من الصفوف أم من الأعمدة. طيب تعالَ نأخذ

461
00:35:56,870 --> 00:36:00,310
مثال. هذه الـ dataset تبعتنا، وليكن اسم هذه الـ dataset

462
00:36:00,310 --> 00:36:05,250
اسمها data، وأنا قررت أحذف row أو أحذف

463
00:36:05,250 --> 00:36:10,650
عمود. هذا الـ code سيقوم بتغيير الـ argument، ويقوم بحذف الصف

464
00:36:10,650 --> 00:36:14,780
أو العمود. لو أنا بدي أعمله بـ Java، أو بدك تقوم

465
00:36:14,780 --> 00:36:20,420
 ببرنامج لحذف  في العمود أو الصف، بدك تعمل for loop و

466
00:36:20,420 --> 00:36:25,000
بدك تعرف الـ array بـ dimension أقل، مظبوط؟ سواء كان

467
00:36:25,000 --> 00:36:28,160
dimension أو بتعرف الصف أو العمود أقل، وبالتالي بدك

468
00:36:28,160 --> 00:36:31,700
تُسير وتأخذ وتنقل من array لـ array، ولما تصل لـ

469
00:36:31,700 --> 00:36:34,220
certain row أو الـ certain attribute، تعمله ignore

470
00:36:34,220 --> 00:36:39,060
وتأخذ اللي بعده، مظبوط؟ بينما هذا سطر واحد

471
00:36:39,060 --> 00:36:43,980
فقد حَلّ المشكلة. الفكرة أنك تروح تعمل

472
00:36:43,980 --> 00:36:49,440
implementation للشغل من الصفر، بس فعلياً أنت الآن

473
00:36:49,440 --> 00:36:53,580
أنتَ، كـ user أو كـ developer، لما أعرف أن الآن في

474
00:36:53,580 --> 00:36:55,780
حدّ فيكم بيروح بيعمل implementation لـ power

475
00:36:55,780 --> 00:36:58,840
method بـ Java، بيروح بيقول ولا بيستخدم الموجود

476
00:36:58,840 --> 00:37:03,490
power. طيب ما إحنا بنعرف كيف نعملها implementation، بس

477
00:37:03,490 --> 00:37:08,110
ما نستخدمهاش، ليش؟ لأنها جاهزة، نفس الـ complexity، صحيح، بس

478
00:37:08,110 --> 00:37:11,690
من ناحية أني أنا كـ developer، صارت أسهل في الاستخدام

479
00:37:11,690 --> 00:37:17,650
طيب، فأنا ممكن أُحدث صفّاً أو عموداً حسب حاجتي، مع تغيير

480
00:37:17,650 --> 00:37:24,130
الـ axis. إذا أنا بدي أحدث الـ attribute، لو لاقيت فيه

481
00:37:24,130 --> 00:37:27,630
Null، certain attribute، وليه يكون الـ label على سبيل

482
00:37:27,630 --> 00:37:31,130
المثال، أو الـ A أو الـ B، بدي أحدث، يعني إذا مجرد

483
00:37:31,130 --> 00:37:37,590
ما ألاقي فراغ في العمود هذا، بدي أحذفه. قلنا هذا

484
00:37:37,590 --> 00:37:40,290
أكثر شيء مهم مع الـ label، بما أن الـ label هذا

485
00:37:40,290 --> 00:37:44,310
موجود، مش... عفواً... الـ label هذا مفقود، فالـ row

486
00:37:44,310 --> 00:37:49,370
هذا بدي أحذفه، يعني ببساطة بدي أحذف الـ rows اللي

487
00:37:49,370 --> 00:37:54,000
فيها الـ label مفقود. بدي أحذف الـ rows اللي فيها الـ

488
00:37:54,000 --> 00:37:58,740
label مفقود. يعني ببساطة، الحذف سيكون تبع للـ Null

489
00:37:58,740 --> 00:38:02,120
في certain attribute. كل اللي بيلزم أعرفه، إيش الـ

490
00:38:02,120 --> 00:38:05,380
title أو إيش الـ index تبعته. فبقول له الـ data

491
00:38:05,380 --> 00:38:14,200
dataset.notnull. هنا إيش... إيش اللي صار فعلياً هنا؟

492
00:38:14,200 --> 00:38:21,400
هو أخذ نسخة من الـ data اللي إلها قيم

493
00:38:21,400 --> 00:38:27,140
وتجاهل الـ Null. يعني ببساطة، هو راح يقوم بـ

494
00:38:27,140 --> 00:38:30,060
generation لـ new dataset، فيها واحد، اثنين،

495
00:38:30,060 --> 00:38:35,980
ثلاثة، أربعة، خمسة، ستة، six rows فقط. بس الآن، لما

496
00:38:35,980 --> 00:38:39,120
يكون أني أنا استخدمت نفس الـ dataframe name

497
00:38:39,120 --> 00:38:43,600
فأحطه، أعمل override، تمام؟ بس الأصل أنه سيقوم بـ

498
00:38:43,600 --> 00:38:49,770
generation لـ new dataset. وهيك أنا خلصت من الـ rows

499
00:38:49,770 --> 00:38:55,910
اللي مافيهاش label. إذا أنا وين ما ألاقي في الصف

500
00:38:55,910 --> 00:39:02,510
Null، بغض النظر، في كل الـ data الستة تبعتي، وين ما

501
00:39:02,510 --> 00:39:05,750
ألاقي Null، بدي أحذف الـ row. بيلجأ للـ command

502
00:39:05,750 --> 00:39:11,830
الأخير، data.dropna. مش بروح بساوي

503
00:39:11,830 --> 00:39:16,350
بيصير يعمل  scanning على الـ rows، الـ rows، الـ row

504
00:39:16,350 --> 00:39:21,530
اللي فيه Null، بيحذفه، بدون ما أُحدد هنا. كان بناءً على

505
00:39:21,530 --> 00:39:25,750
certain attribute، أخذ اللي فيهم الـ data و ساب

506
00:39:25,750 --> 00:39:30,190
الـ Null. لكن هنا، سيمرّ على الـ row، كلها، هي الـ

507
00:39:30,190 --> 00:39:34,650
row الأول فيه Null، بغض النظر في أي مكان، سيحذفه

508
00:39:34,650 --> 00:39:39,210
وبالتالي هذا سيحذف، وهذا سيحذف، وهذا سيحذف.

509
00:39:41,960 --> 00:39:45,720
شو صار في الـ dataset كلها؟ الحدث قد  فرّغ الـ data

510
00:39:45,720 --> 00:39:51,600
set اللي أنا عملت لها sample. عشان هيك هذا كويس ومريح

511
00:39:51,600 --> 00:40:04,040
بس متى مباشرة أروح أقول له print، print data.

512
00:40:04,040 --> 00:40:10,820
shape، هيقول لي مثلاً 100 ألف record و 15 attribute

513
00:40:12,800 --> 00:40:18,240
بعد ما أكون نفّذت العملية هذه، أروح أقول له print كمان

514
00:40:18,240 --> 00:40:24,220
مرة، الـ data.shape، هيديني

515
00:40:24,220 --> 00:40:32,960
رقم، جالي خمسة آلاف وخمسة عشر. لا يا عمي، خلاص، ما هي

516
00:40:32,960 --> 00:40:36,680
already أنا حلّيتها في الـ data set الجديدة، فالفكرة بتصير

517
00:40:36,680 --> 00:40:41,340
أقدر أفهم أنا قد ايش حجم الجزء اللي انحذف، وهذا

518
00:40:41,340 --> 00:40:46,000
بالنسبة لي أريح. عملية الحذف، لو أنا فعلياً حافظت على

519
00:40:47,200 --> 00:40:50,420
البيانات... خلّيني أقول نسبة وجود البيانات بشكل كويس

520
00:40:50,420 --> 00:40:54,160
يعني زي ما قلنا سابقاً، كانت مئة ألف، وقال لي

521
00:40:54,160 --> 00:40:58,200
صار في عندك خمسين ألف record، okay، ممكن أمشي فيها

522
00:40:58,200 --> 00:41:01,000
لكن إذا قال لي والله ظلّ... ظلّ عندك خمسة وتسعون

523
00:41:01,000 --> 00:41:05,160
ألف، يكون أحسن وأحسن. لكن قال لي خمسة آلاف، لا، يعني هذه

524
00:41:05,160 --> 00:41:09,400
العملية ما بتنفعش، لازم أعمل refill أو Alternative

525
00:41:09,400 --> 00:41:14,060
وبالتالي، أسهل حاجة إيش أسوي؟ أسهل حاجة، الحدث، بس

526
00:41:14,060 --> 00:41:31,900
ما يكونش بأثر على حجم الـ dataset اللي عندك، تخزين

527
00:41:31,900 --> 00:41:36,220
البيانات، بشكل manual أو

528
00:41:36,220 --> 00:41:43,690
بدي أعبي الـ missing هذه بشكل manual، بشكل manual، okay.

529
00:41:43,690 --> 00:41:46,390
معناته أنا بدي أعرف الـ attribute هذا، أو عفواً، الـ

530
00:41:46,390 --> 00:41:49,710
value هذه، في أي صف وأي عمود، بدي أعرف الـ index

531
00:41:49,710 --> 00:41:53,470
تبعتها. ممكن أنا أكتب code عشان يعبيها، وممكن أكون

532
00:41:53,470 --> 00:41:56,530
أفتح الـ dataset من خلال الـ Excel sheet تبعتي، و

533
00:41:56,530 --> 00:42:00,310
أروح أعدلها بشكل مباشر، وأعمل reload للـ data، لكن

534
00:42:00,310 --> 00:42:03,890
إذا بتعتمد على الـ index، في عندي index location 9,2.

535
00:42:03,890 --> 00:42:08,230
الصف التاسع، العمود الثاني، حط الـ value بالشكل هذا.

536
00:42:08,900 --> 00:42:12,080
إذا أنا بدي أحطها بالـ mean، أو بدي أخزن الـ value

537
00:42:12,080 --> 00:42:15,480
automatically بالـ mean أو الـ median، الأمر بسيط جداً،

538
00:42:15,480 --> 00:42:21,340
الآن الـ dataset تبعتي مع

539
00:42:21,340 --> 00:42:27,900
الـ attribute، أو الـ data مع الـ attribute، مع A1 شو

540
00:42:27,900 --> 00:42:35,560
بدها تساوي؟ نفس الـ attribute A1

541
00:42:35,560 --> 00:42:42,980
.fillna. شو يعني fillna؟ في الـ attribute

542
00:42:42,980 --> 00:42:50,020
الفلاني اللي هو أي واحد، عبي الـ not available بـ

543
00:42:50,020 --> 00:42:55,420
certain value. لو أنا قلت له 15 أو 10، سيأخذ الـ

544
00:42:55,420 --> 00:42:58,740
15 والـ 10، سيعبيها في كل الـ attribute، عفواً، في

545
00:42:58,740 --> 00:43:02,450
كل الـ rows الفاضية في الـ attribute هذا. في الـ not

546
00:43:02,450 --> 00:43:06,970
available. لكن أنا بدي إياه يروح يحسب للمتوسط تبع

547
00:43:06,970 --> 00:43:14,090
العمود هذا. فبروح بأخذ الـ data كمان مرة، الـ A1 ضد الـ

548
00:43:14,090 --> 00:43:19,750
mean as a function، أو

549
00:43:19,750 --> 00:43:24,010
ممكن آخذ الـ mean هذه as a value سابقاً وأعطيه إياها

550
00:43:24,010 --> 00:43:27,850
فمش فارق كتير معي. وبهيك أصبحت أنا بأخذ الـ mean

551
00:43:28,910 --> 00:43:31,770
تبع الـ values اللي موجودة. طبعاً ممكن بكل بساطة

552
00:43:31,770 --> 00:43:34,910
أستبدلها بالـ median، بالـ maximum، بالـ most frequent

553
00:43:34,910 --> 00:43:40,790
أحياناً حسب حاجتي، وطبعاً كلّه لما بتكلم على الـ

554
00:43:40,790 --> 00:43:43,370
minimum، والـ maximum، والـ median، والـ frequent

555
00:43:43,370 --> 00:43:46,470
كلها عبارة عن method، function جاهزة، ما عليك إلا

556
00:43:46,470 --> 00:43:51,650
أن تستبدل، وتشوف الـ function المناسبة لك. الـ noisy

557
00:43:51,650 --> 00:43:57,470
data بالنسبة

558
00:43:57,470 --> 00:44:02,790
للـ noisy data. إحنا متفقين أن الـ noisy data يعني الـ

559
00:44:02,790 --> 00:44:06,190
data موجودة، مش مفقودة، لكن الـ data خاطئة، الـ data

560
00:44:06,190 --> 00:44:12,430
خاطئة. والأسباب تقريباً نفس الأسباب السابقة، ممكن الـ

561
00:44:12,430 --> 00:44:15,530
system، أو أثناء الـ data collection، أصبح في عندي

562
00:44:15,530 --> 00:44:19,210
error معين، في الآلة، في الـ thermometer، أو في الـ

563
00:44:19,210 --> 00:44:22,670
data entry، أصبح في عندي مشكلة، يعني في لحظة من

564
00:44:22,670 --> 00:44:25,290
اللحظات، كان في عندي الميزان، طلعت على الميزان اللي

565
00:44:25,290 --> 00:44:28,520
هو بالعادة بيقول 200 كيلو. طبعاً، نطيت، جربت، شرحت

566
00:44:28,520 --> 00:44:31,540
الجاكيت، وطلعت ثانيةً على الميزان، قال لي 91 مثلاً.

567
00:44:31,540 --> 00:44:34,600
آه، هي inconsistent. طب، القراءات اللي كانت في الأول إيش

568
00:44:34,600 --> 00:44:39,200
سببها؟ الجاكيت، ومش عارف قد ايش كيلو الجاكيت

569
00:44:39,200 --> 00:44:43,680
نشارك الله ما شاء الله عليك، أو ممكن كان فيها 100

570
00:44:43,680 --> 00:44:47,860
ألف دولار الجاكيت، تمام؟

571
00:44:47,860 --> 00:44:50,940
ممكن يكون صار في عندي، أثناء الـ data transmission، نقل

572
00:44:50,940 --> 00:44:56,160
البيانات عبر الشبكة، صار في عندي تغيير بسيط، ممكن

573
00:44:56,160 --> 00:44:59,060
يؤثر. برضه الـ technology limitation، أحياناً بتكون

574
00:44:59,060 --> 00:45:05,320
الـ value اللي بده تنقرأ هذه، أكبر من... يعني تخيّل

575
00:45:05,320 --> 00:45:08,360
أنه أنا فعلياً قيمة، عاملها variable integer بـ

576
00:45:08,360 --> 00:45:12,860
Java، والقيمة اللي اجت أكبر، تمام؟ فوق الأربع

577
00:45:12,860 --> 00:45:16,160
مليار، أو long integer، فشو بيصير فيها؟ بيجيب

578
00:45:16,160 --> 00:45:18,100
لأخر قيمة من السالب... من السالب. طب المفروض

579
00:45:18,100 --> 00:45:22,340
ما تكونش القيمة سالبة. inconsistent naming

580
00:45:22,340 --> 00:45:27,460
convention. المعاني أو في التسميات، صار في عندي عدم

581
00:45:27,460 --> 00:45:32,240
أو في تضارب، خلّنا نقول، في التفسير اللي موجود عندها

582
00:45:32,240 --> 00:45:36,000
طبعاً، الـ duplicate record يا شباب، أحياناً برضه بدها

583
00:45:36,000 --> 00:45:38,640
معالجة، كنوع من الأخطاء اللي موجودة عندها. كيف بدنا

584
00:45:38,640 --> 00:45:42,580
نعالج الـ noisy data؟ معالجة الـ noisy data، إما بطريقة

585
00:45:42,580 --> 00:45:48,480
بيسموها الـ binning، أو الـ regression، clustering، أو

586
00:45:48,480 --> 00:45:51,080
فعلياً، بتعمل... وهدول طبعاً كلها أدوات أو ممكن

587
00:45:51,080 --> 00:45:55,200
algorithms، وممكن أن أدخل الـ computer أو الآلة مع

588
00:45:55,200 --> 00:46:01,040
الإنسان. بالنسبة للـ binning، بالنسبة

589
00:46:01,040 --> 00:46:04,240
للـ binning. الـ binning مفهومها أنه سأذهب لـ

590
00:46:04,240 --> 00:46:06,660
الـ attribute هذا، آخذ الـ values تبع الـ attribute اللي

591
00:46:06,660 --> 00:46:13,600
عندي هنا، أرتبها، رقم واحد، أرتبها، وبعدين أروح

592
00:46:13,600 --> 00:46:19,490
أُجسمها لفئات. تعالَ نشوف، عفواً، في موضوع البناء، فالآن

593
00:46:19,490 --> 00:46:26,350
هذه الـ data اللي قدامي، هي عبارة عن sorted data، بدي

594
00:46:26,350 --> 00:46:32,870
أكتبها بشكل مختلف. هي مثلاً: خمسة عشر، أربعة، تسعة، واحد

595
00:46:32,870 --> 00:46:42,050
وعشرين، أربعة وعشرين، ثمانية وعشرين، ثمانية، خمسة عشر

596
00:46:42,050 --> 00:46:50,120
موجودة. إحنا قلنا خمسة وعشرين، وكمان مرة: 21، 26، و34.

597
00:46:50,120 --> 00:46:54,100
هذه الـ values الموجودة عندي، هي الـ data، هيك جاية

598
00:46:54,100 --> 00:46:57,540
الـ sequence، بالـ sequence هذا، في الـ attribute. أول

599
00:46:57,540 --> 00:47:02,680
خطوة في موضوع الـ binning، بتعمل sort، رتبتهم تصاعدياً

600
00:47:02,680 --> 00:47:06,640
فرتبنا الـ data. الآن، بالنسبة للـ binning يا شباب

601
00:47:06,640 --> 00:47:13,030
بإمكانك تشتغل على الـ equal frequency، يعني تكون كل

602
00:47:13,030 --> 00:47:17,670
مجموعة نفس العدد، أو تشتغل على الـ equal depth زي ما

603
00:47:17,670 --> 00:47:23,370
صار في الـ histogram، تمام؟ بتصير تحدد range، وتُعِب كل

604
00:47:23,370 --> 00:47:26,570
الـ values اللي بتجي وين؟ في الـ range هذا. بينما

605
00:47:26,570 --> 00:47:31,310
بالـ equal frequency، معناته كل range له نفس العدد

606
00:47:31,310 --> 00:47:35,210
من الـ elements. كل value... range له نفس العدد من

607
00:47:35,210 --> 00:47:40,310
الـ elements، فبُجسمهم بالتساوي. الآن، هنا في كلام بسيط

608
00:47:40,310 --> 00:47:46,150
لازم تفهمه. أنا بدي أحاول أتخلص من الـ noisy data أو

609
00:47:46,150 --> 00:47:50,410
قيمة خاطئة، تمام؟ أنا فعلياً، القيمة الخاطئة هذا، مش قادر

610
00:47:50,410 --> 00:47:54,350
أمسكها لحدّ اللحظة، أنا مش عارف هي الأربعة ولا

611
00:47:54,350 --> 00:47:59,

667
00:52:16,920 --> 00:52:20,480
الأولى كان 9 المتوسط الحسابي للمجموعة الثانية 23

668
00:52:20,480 --> 00:52:25,980
المتوسط الحسابي للمجموعة الثالثة 29 إيش حصل أنا

669
00:52:25,980 --> 00:52:29,720
بعد ذلك يا شباب الـ data هذه هترجع لأصلها، الـ 15 كان

670
00:52:29,720 --> 00:52:34,720
في المجموعة الأولى، صح؟ صار مكانه 9، الأربعة في

671
00:52:34,720 --> 00:52:39,260
المجموعة الأولى 9، 9، 21 كانت في المجموعة الثانية

672
00:52:39,260 --> 00:52:46,050
صارت 23، 28 كانت في المجموعة الثالثة صارت 29

673
00:52:46,050 --> 00:52:50,290
ثمانية في المجموعة الأولى، تسعة، خمسة وعشرون في

674
00:52:50,290 --> 00:52:54,550
المجموعة الثانية، ثلاثة وعشرون، الواحد والعشرون

675
00:52:54,550 --> 00:52:58,070
ثلاثة وعشرون، ستة وعشرون في المجموعة الثانية صارت

676
00:52:58,070 --> 00:53:01,870
تسعة وعشرون، وهذه صارت تسعة وعشرون، هذه لأن أنا

677
00:53:01,870 --> 00:53:05,590
اشتغلت على أربعة bins، واستخدمت الـ mean، الحل الآخر

678
00:53:05,590 --> 00:53:10,130
أن ممكن أنا اشتغل على الـ boundaries، شو هي الـ

679
00:53:10,130 --> 00:53:15,290
boundaries؟ أنا هاجي أقول هي، بعد الـ sort، القيم الـ

680
00:53:15,290 --> 00:53:18,390
boundary هاي، أو القيم الحدودية هذه، بدي أحافظ عليها

681
00:53:18,390 --> 00:53:25,930
وبدي أغير كل اللي في الداخل حسب هي أقرب لمين، تسعة

682
00:53:25,930 --> 00:53:28,230
أقرب لتسعة .. للأربعة ولا الخمسة؟ .. ثمانية، أربعة

683
00:53:28,230 --> 00:53:32,070
ولا خمسة عشر؟ أربعة، أربعة، معناته دي أربعة، تسعة

684
00:53:32,070 --> 00:53:36,670
أربعة ولا خمسة عشر؟ أربعة، الفرق هنا خمسة، والفرق

685
00:53:36,670 --> 00:53:40,570
هنا ستة، معناته هنا أربعة، ونفس الكلام، واحد وعشرون

686
00:53:40,570 --> 00:53:45,070
هذي هتظل واحد وعشرون، وهذي هتصير خمسة وعشرون، هذي

687
00:53:45,070 --> 00:53:49,450
ثمانية، ستة وعشرون، وهذي ستة وعشرون، وأربعة و

688
00:53:49,450 --> 00:53:52,950
ثلاثين، وهيك صار في عندي الآن أكثر من طريقة عشان

689
00:53:52,950 --> 00:53:58,650
أتعامل مع الـ bins، وبهيك يصير في عندي data set

690
00:53:58,650 --> 00:54:04,010
smooth، لكن كمان مرة برجع بقول لك، كل مكان عدد الـ bins

691
00:54:04,010 --> 00:54:09,970
أكبر بـ frequent أو بـ items، أكبر بيكون أفضل بالنسبة

692
00:54:09,970 --> 00:54:14,410
لك، لأنه بتحاول تحط الـ data في الـ real case تبعتها

693
00:54:14,410 --> 00:54:17,750
وبهيك احنا بننهي محاضرتنا إن شاء الله، وبنحاول

694
00:54:17,750 --> 00:54:20,410
نكمل المحاضرة الجاية في موضوع الـ regression والـ

695
00:54:20,410 --> 00:54:20,950
clustering