1
00:00:20,740 --> 00:00:23,140
بسم الله الرحمن الرحيم اليوم إن شاء الله نبدأ

2
00:00:23,140 --> 00:00:26,320
موضوع جديد، الموضوع هذا ليس جديدًا، بل هو قديم، لأنه

3
00:00:26,320 --> 00:00:30,580
لما نحن نقول hybrid intelligence systems، الـ

4
00:00:30,580 --> 00:00:34,500
hybrid، المقصود به أنه نحن نخلط أكثر من تقنية من

5
00:00:34,500 --> 00:00:38,720
تقنيات الذكاء الاصطناعي في system واحد، والتقنيات

6
00:00:38,720 --> 00:00:41,400
التي نحن نخلطها هي نفس التقنيات التي شرحناها

7
00:00:41,400 --> 00:00:45,780
قبل ذلك، أو تعرّفنا عليها قبل ذلك. فالمسألة الجديدة

8
00:00:45,780 --> 00:00:49,640
هي كيف عملية الـcombination، كيف how do we

9
00:00:49,640 --> 00:00:56,730
combine two techniques into a system؟ في المحاضرة

10
00:00:56,730 --> 00:01:00,250
هذه، إن شاء الله، نرى دمجًا ما بين two techniques،

11
00:01:00,250 --> 00:01:06,290
وهما الـ neural networks

12
00:01:06,290 --> 00:01:08,950
والـ rule-based expert system. والمحاضرة التي

13
00:01:08,950 --> 00:01:13,850
بعدها نرى الدمج ما بين الـ fuzzy logic وما بين

14
00:01:13,850 --> 00:01:19,270
الـ neural networks في system واحد. وبعدها كانت في

15
00:01:19,270 --> 00:01:26,210
المحاضرات التي تليها دمج بعض التقنيات الأخرى الـ...

16
00:01:26,210 --> 00:01:34,670
الـ... الدافع من وراء الدمج هو أن نستفيد من

17
00:01:34,670 --> 00:01:43,000
مميزات إحدى التقنيات، ونغطي نقاط الضعف عند نقاط

18
00:01:43,000 --> 00:01:46,840
التقنية الأخرى. يعني مثلًا، على سبيل المثال، الـ slide

19
00:01:46,840 --> 00:01:51,520
هذه تعرض التقنيات المختلفة، تعرض التقنيات

20
00:01:51,520 --> 00:01:55,580
المختلفة: ES يعني rule-based expert systems، FS

21
00:01:55,580 --> 00:02:00,200
يعني fuzzy systems أو fuzzy logic، NN يعني neural

22
00:02:00,200 --> 00:02:06,190
networks، وGA يعني genetic algorithms. الصحيح هنا معناه

23
00:02:06,190 --> 00:02:12,410
أن هذه التقنية قوية في هذا الجانب. يعني مثلًا، الـ

24
00:02:12,410 --> 00:02:15,890
rule-based expert systems قوية في knowledge

25
00:02:15,890 --> 00:02:19,430
representation، لأنه زي ما عرفنا نحن أن الـ

26
00:02:19,430 --> 00:02:22,450
knowledge يُعبّر عنها بشكل rules، فيه مرونة في

27
00:02:22,450 --> 00:02:28,210
التعبير عن مختلف جوانب المسألة على شكل

28
00:02:28,210 --> 00:02:32,900
rules. وهذا الكلام مريح، لأنه أصلاً الـ human

29
00:02:32,900 --> 00:02:38,720
expert هو أصلاً ينظر إلى الأمور على شكل rules، أنه

30
00:02:38,720 --> 00:02:43,500
إذا توفر هذا أو توفر هذا فنحن نستطيع أن نستنتج هذا. المهم

31
00:02:43,500 --> 00:02:48,400
أنه بصفة عامة، أنا لست مضطرًا أن أمر على جميع العناصر، بل

32
00:02:48,400 --> 00:02:53,580
بصفة عامة، أنا لدي تقنيات قوية في جوانب

33
00:03:05,170 --> 00:03:08,550
الشيء الشائع جدًا في الـ knowledge base أن أحيانًا

34
00:03:08,550 --> 00:03:13,890
تأتي المعلومة غير دقيقة أو غير clear-cut، بينما ضعيفة

35
00:03:13,890 --> 00:03:16,830
في الـ adaptability والـ learning ability. الـ

36
00:03:16,830 --> 00:03:19,890
learning ability، أن الـ system يتعلم من... من... في

37
00:03:19,890 --> 00:03:22,470
هذا الجانب، وهو الـ learning والـ adaptability،

38
00:03:22,470 --> 00:03:26,550
الـ neural networks قوية، والـ groupings قوية، فأنا

39
00:03:26,550 --> 00:03:29,790
لو جئت ببساطة شديدة، ونظرت إلى الرسم، وقلت: شوف

40
00:03:29,790 --> 00:03:32,410
أين الـ expert system، الـ rule-based expert system؟

41
00:03:32,410 --> 00:03:40,440
ضعيفة، المربع الأبيض هذا يشير إلى أن هذه

42
00:03:40,440 --> 00:03:48,860
التقنية سيئة أو ضعيفة في هذا الجانب.  سنجد

43
00:03:48,860 --> 00:03:53,280
أن في المقابل، neural networks قوية في نفس هذا

44
00:03:53,280 --> 00:04:00,240
الجانب. الصحيح الغامق معناه is good، الصحيح الخفيف

45
00:04:00,240 --> 00:04:04,330
rather good، rather good يعني شئ جيد، يعني أقل

46
00:04:04,330 --> 00:04:10,270
جودة بقليل. فإذا وجدت هذا الرسم، يقترح عليّ

47
00:04:10,270 --> 00:04:14,830
مواطن يمكنني أن أدمجها، يمكنني أن أدمج بين الـ rule

48
00:04:14,830 --> 00:04:18,030
based expert system والـ neural network، بحيث أن مزايا

49
00:04:18,030 --> 00:04:23,230
هذه تغطي على عيوب هذه، ولاحظ مزايا هذه أيضًا، ممكن

50
00:04:23,230 --> 00:04:27,550
تغطي على عيوب الـ neural network، عيوب الـ neural network في الـ

51
00:04:27,550 --> 00:04:28,530
knowledge representation.

52
00:04:31,840 --> 00:04:37,320
في الـ neural networks ليس لدينا مرونة كبيرة في تمثيل

53
00:04:37,320 --> 00:04:43,180
الـ knowledge.  أمامي أيضًا، سنرى أيضًا الـ

54
00:04:43,180 --> 00:04:46,180
genetic algorithm مع، لِمَ مع الـ expert system، مع

55
00:04:46,180 --> 00:04:48,220
الـ rule-based expert system، لأن الـ genetic

56
00:04:48,220 --> 00:04:52,940
algorithm مع الـ fuzzy، لكي تغطي جوانب الضعف في الـ fuzzy.

57
00:04:52,940 --> 00:04:57,070
واضح؟ فأول مثال الذي سننظر إليه هو عبارة عن hybrid

58
00:04:57,070 --> 00:05:00,770
expert system يدمج بين rule-based و neural

59
00:05:00,770 --> 00:05:06,090
networks. المثال

60
00:05:06,090 --> 00:05:14,230
بسيط جدًا، ندخل

61
00:05:14,230 --> 00:05:23,270
على الـ neural network بشكل مباشر. لو

62
00:05:23,270 --> 00:05:30,080
أنا لدي برنامج مطلوب منه أن يميّز بناءً على صور

63
00:05:30,080 --> 00:05:38,900
صور تحتوي على طيور ومراكب

64
00:05:38,900 --> 00:05:43,240
في البحر، الصور

65
00:05:43,240 --> 00:05:49,600
نفسها تم تحليلها ببرنامج، هذا البرنامج يستخلص

66
00:05:49,600 --> 00:05:57,470
مجموعة خصائص الـ object الذي في الصورة: هل له أجنحة؟

67
00:05:57,470 --> 00:06:01,230
هل الـ object الذي في الصورة له ذيل؟ هل له... أيش

68
00:06:01,230 --> 00:06:08,210
يعني beak؟ منقار؟ تمام؟ هل له ريش؟ هل له motor؟

69
00:06:08,210 --> 00:06:14,850
آه؟ هذا motor. تخيل أنه عندي الصورة تدخل على image

70
00:06:14,850 --> 00:06:23,910
analysis system أو module، جزء الـ Image Analyst.

71
00:06:23,910 --> 00:06:31,670
موضوع هذا سيعطيني مجموعة... الـ features، كم

72
00:06:31,670 --> 00:06:39,690
واحدة؟ تمام؟ هذه للـ Wings، وهذه للـ Tail، وهذه للـ

73
00:06:39,690 --> 00:06:44,430
Beak، وهذه للـ Feathers، وهذه للـ Engine. ماذا

74
00:06:44,430 --> 00:06:48,210
سيعطيني؟ سيعطيني: هل له أم لا، يعني إذا قال لي

75
00:06:48,210 --> 00:06:53,830
plus one، plus one، minus one، minus one، plus one، يعني

76
00:06:53,830 --> 00:06:58,150
هو يقول لي أن هذا الـ object الذي في الصورة، بعد

77
00:06:58,150 --> 00:07:04,690
عملية التحليل، وجدنا أنه له wings، له tail، ليس له

78
00:07:04,690 --> 00:07:11,150
beak، ليس له feather، وله engine. طبعًا لو لم يستطع

79
00:07:11,150 --> 00:07:14,550
أن يتعرف على ما إذا كانت واحدة من الخصائص هذه موجودة

80
00:07:14,550 --> 00:07:20,410
أم لا، يعطيني zero، بذلك يعطيني zero. هذا الـ input، هذه الخلاصة ندخلها على الـ system، هذا الـ

81
00:07:20,410 --> 00:07:27,410
expert system هذا، لكي يميّز ما إذا كان الـ

82
00:07:27,410 --> 00:07:32,030
object في الصورة هو عبارة عن bird

83
00:07:32,030 --> 00:07:37,530
أم طائرة أم قارب شراعي (glider). تمام؟ أيش الرابط

84
00:07:37,530 --> 00:07:46,030
المشترك ما بين الـ plane والـ bird والـ glider، أنه

85
00:07:46,030 --> 00:07:52,640
الـ plane تشترك مع الـ bird في أنها لها أجنحة، و لها

86
00:07:52,640 --> 00:07:56,080
ذيل. تمام؟ هذا الـ glider الذي له motor، والـ plane

87
00:07:56,080 --> 00:08:00,340
الذي له motor. ففيه قواسم مشتركة هنا وهنا. المهم أن

88
00:08:00,340 --> 00:08:05,060
نحن، هذه المنظومة كلها، أن لدينا صور، الصور

89
00:08:05,060 --> 00:08:09,160
التي تدخل على image analysis module، الـ image

90
00:08:09,160 --> 00:08:11,340
analysis module وظيفته أن يخرج لي الـ feature set.

91
00:08:11,340 --> 00:08:14,280
هذا الـ feature set، هذا يدخل كـ input إلى من؟ إلى

92
00:08:14,280 --> 00:08:18,620
knowledge-based system، لكي الـ knowledge-based

93
00:08:18,620 --> 00:08:21,320
system، هذا الـ neural knowledge-based system، rule

94
00:08:21,320 --> 00:08:26,360
based system، يميّز لي، يميّز الـ object الذي في الصورة.

95
00:08:26,360 --> 00:08:32,540
طيب، أين الـ hybridness في الموضوع؟ أين الدمج؟ الدمج

96
00:08:38,040 --> 00:08:42,500
واضح من الصورة أن لديّ هنا الـ neural network، وفي

97
00:08:42,500 --> 00:08:46,400
نفس الوقت الـ neural network، الـ hidden layer

98
00:08:46,400 --> 00:08:52,190
تُمثّل مجموعة الـ rules، مجموعة الـ rules التي في

99
00:08:52,190 --> 00:08:57,590
الـ system. الآن، الـ rules هذه عُبرت عنها بـ 5

100
00:08:57,590 --> 00:09:03,310
rules، كل rule مُعبّر عنها على شكل neuron، الـ

101
00:09:03,310 --> 00:09:09,390
neuron الواحد يأخذ inputs من مختلف الـ input nodes

102
00:09:09,390 --> 00:09:13,650
تَبعة الـ input layer. الـ input layer فيها الخمسة

103
00:09:13,650 --> 00:09:19,050
input nodes، والتي كل واحد يقابل واحد من الخصائص

104
00:09:19,050 --> 00:09:27,010
الخمسة. الآن، الـ node هذه وظيفتها هي تمثيل rule. أيش

105
00:09:27,010 --> 00:09:33,730
يعني؟ يعني تعطي one أو zero، one أو zero على حسب

106
00:09:33,730 --> 00:09:37,670
ما الـ input الذي يدخل إليها، كأنه نحن نقول، أو كأنه

107
00:09:37,670 --> 00:09:42,060
كل واحد من الـ rules هذه الذي يقول: إذا wings

108
00:09:42,060 --> 00:09:47,220
and tail and beak and... and... كذا، فـ الـ output

109
00:09:47,220 --> 00:09:54,560
هيكون نعم bird أو لا، ليس bird. واضح؟ طيب، الآن نحن لسنا

110
00:09:54,560 --> 00:09:57,780
نقول أنه إذا له wings وإذا له tail وإذا له

111
00:09:57,780 --> 00:10:01,100
beak وإذا له feather وإذا له engine، فيكون bird.

112
00:10:01,100 --> 00:10:07,060
طبعًا لا. الآن نحن نعطيها الـ inputs كلها، الخمسة،

113
00:10:07,060 --> 00:10:12,100
ومن خلال عمليات الـ training، نكتشف في النهاية أن

114
00:10:12,100 --> 00:10:17,620
واحدًا من الـ... أو بعضًا من الـ inputs سيكون وزنه

115
00:10:17,620 --> 00:10:22,060
يُعادل zero. zero، يعني أيش؟ يعني هذا الـ

116
00:10:22,060 --> 00:10:27,660
feature يُلغى أصلاً من الـ rule، والذي ليس zero هو

117
00:10:27,660 --> 00:10:30,980
الذي يبقى. يعني لو وجدنا هذا ليس zero، أنت لاحظ، نحن

118
00:10:30,980 --> 00:10:35,160
لماذا نقول؟ لو نظرنا إلى الأوزان هذه، الأوزان هي عبارة

119
00:10:35,160 --> 00:10:38,930
عن الأوزان النهائية التي مسجلة هنا، نقول: كم

120
00:10:38,930 --> 00:10:48,050
وزن الـ wings؟ كم وزن الـ

121
00:10:48,050 --> 00:10:51,270
tail؟

122
00:10:51,270 --> 00:11:01,130
كم وزن الـ beak؟ صحيح؟ كم وزن الـ

123
00:11:01,130 --> 00:11:05,350
feathers؟ عالي أم لا؟ طبيعي جدًا أن يكون عاليًا.

124
00:11:10,640 --> 00:11:13,820
ستقول: طيب، ليس معنى أن الـ wings، للطائر، لها

125
00:11:13,820 --> 00:11:19,060
wings، ولماذا هذه ثمانية، ومن السالب أيضًا؟ عندك

126
00:11:19,060 --> 00:11:24,460
تفسير لذلك؟ نصف وثلاثة، لا. كلما كان عاليًا، كلما

127
00:11:24,460 --> 00:11:28,300
كان له وزن أكبر، وله دور أكبر في القرار، ولكن لأنه

128
00:11:28,300 --> 00:11:34,260
مشتركة مع الـ plane، الـ wings مشتركة مع الـ plane،

129
00:11:34,260 --> 00:11:40,840
فهي ليست determining factor، ليست عاملًا حاسمًا، إنما

130
00:11:40,840 --> 00:11:48,260
الذي يحسب أكثر هو feathers، فالوزن

131
00:11:48,260 --> 00:11:56,140
يضعف كلما كان هناك تشابه مع class آخر. الـ engine هنا one

132
00:11:56,140 --> 00:12:00,080
point

133
00:12:00,080 --> 00:12:03,100
one. فإذا كان مشتركة، أو ليس لها أهمية مثل الـ

134
00:12:03,100 --> 00:12:07,120
engine، فهو يكون ضعيفًا. لأن من المهم أن نستشف أن

135
00:12:07,120 --> 00:12:21,770
الـ neural network تقول لي أن rule واحد، يجب استخلاص

136
00:12:21,770 --> 00:12:28,490
من هذه الـ neural network، أن rule واحد ستكون صيغته: either

137
00:12:28,490 --> 00:12:32,010
beak

138
00:12:32,010 --> 00:12:37,070
and feathers.

139
00:12:44,560 --> 00:12:52,780
أنا عملية استخلاص rule من الـ neural network، و

140
00:12:52,780 --> 00:12:57,110
أوزانها بعد عملية تدريبها. يعني في البداية تُبنَى

141
00:12:57,110 --> 00:13:00,530
الأوزان هذه، initialized at random variables، من

142
00:13:00,530 --> 00:13:03,250
خلال عملية التدريب. لماذا عملية التدريب؟ نحن نجلب

143
00:13:03,250 --> 00:13:08,870
صورًا، أو نجلب plus، ونجلب feature sets، آه، يعني a

144
00:13:08,870 --> 00:13:12,550
list أو a set of feature vectors، كل واحد من feature

145
00:13:12,550 --> 00:13:16,750
vector، و نعطيها، ونقول لها: هذه الـ features، يعني

146
00:13:16,750 --> 00:13:21,070
bird features، أخرى يعني plane features، ثالثة يعني

147
00:13:21,070 --> 00:13:25,570
glider، وندرب على هذا الكلام حتى تستقر الأشياء

148
00:13:26,670 --> 00:13:31,370
الأوزان تبعها. لأن بعد أن تستقر الأوزان، أو ترِسُو

149
00:13:31,370 --> 00:13:38,410
على هذا الكلام، نستطيع أن نستخلص الـ rules من الـ

150
00:13:38,410 --> 00:13:42,790
network. طبعًا أنا لست مضطرًا لاستخلاص الـ rules، ولو فعلت

151
00:13:42,790 --> 00:13:48,090
أنا عمليًا، لو جلبت أي feature vector، لو جلبت أي صورة

152
00:13:48,090 --> 00:13:54,970
وأخرجت منها الـ vector تبعها، feature set، وأدخلته على

153
00:13:54,970 --> 00:13:58,490
الـ neural network، neural network  لوحدها ستخرج يعني one

154
00:13:58,490 --> 00:14:04,830
عند واحد من الثلاثة هؤلاء، و zeros عند الآخرين. ولكن أنا

155
00:14:04,830 --> 00:14:12,890
أريد أن أستخلص rules، لماذا؟ لأنني أريد المزايا تبع الـ rule

156
00:14:12,890 --> 00:14:17,470
based expert system. يعني أنا أُوظّف الـ neural

157
00:14:17,470 --> 00:14:23,790
network تقنيةً لأصل إلى rules، ماشي؟ والـ rules

158
00:14:23,790 --> 00:14:28,360
بعد ذلك، تصبح هي المحتوى تبع الـ knowledge base

159
00:14:28,360 --> 00:14:33,440
الذي أريد أن يعمل الـ system عليه بعد ذلك. طبعًا، استفدت أنا

160
00:14:33,440 --> 00:14:37,540
استفدت أنه في الـ rule-based expert system أنا

161
00:14:37,540 --> 00:14:41,380
أحصل على أشياء مثل الـ explanation، مثلًا، عندما يكون

162
00:14:41,380 --> 00:14:46,260
عندي الـ knowledge معبّر عنها على شكل rules، وفي أي

163
00:14:46,260 --> 00:14:50,200
لحظة سُئِلَ سؤال: طيب، كيف استنتجت؟ أعطينا الـ

164
00:14:50,200 --> 00:14:50,600
system

165
00:14:55,240 --> 00:15:01,280
استنتجت أن هذا plane. لو سألت هذا السؤال

166
00:15:01,280 --> 00:15:07,120
الـ neural network، لن تُعطيني، لن أستطيع أن آخذ منها تفسيرًا.

167
00:15:07,120 --> 00:15:11,300
أما لو سألت الـ rule-based expert system، الـ

168
00:15:11,300 --> 00:15:15,600
inference engine تبعه يستطيع تتبع تسلسل الـ

169
00:15:15,600 --> 00:15:19,660
execution تبع الـ rules ويقول لي: أن نحن أو أنا

170
00:15:19,660 --> 00:15:22,760
استنتجت هذا الاستنتاج بناءً على rule كذا أو rule

171
00:15:22,760 --> 00:15:26,440
كذا أو rule كذا، أو بناءً على أن والله الـ rule كذا، لأن

172
00:15:26,440 --> 00:15:34,750
أن الـ rule الثاني fired. واضح؟ فأنا، نقطة الضعف في

173
00:15:34,750 --> 00:15:39,110
الـ neural network هي عدم القدرة على، أو لا أستطيع أن أبني

174
00:15:39,110 --> 00:15:43,730
explanation منها، بينما في الـ rule-based أستطيع أن أحصل

175
00:15:43,730 --> 00:15:48,150
على explanation. صحيح؟ فَنحن وجدنا أن الدمج ما بين الـ

176
00:15:48,150 --> 00:15:51,810
neural network وما بين الـ rule-based inference

177
00:15:51,810 --> 00:15:56,550
بحيث أن neural network ندربها لكي تعطي rules، والـ

178
00:

223
00:20:54,420 --> 00:20:59,240
عشان أربعة و ثلاثة، هذه ثلاثة، وهذول اثنين مع بعض

224
00:20:59,240 --> 00:21:02,740
ثلاثة و هذا الواحد، ثلاثة من عشرة، أربعة ثلاثة الآن

225
00:21:02,740 --> 00:21:09,680
حط هذا في كفة و هذول في كفة الآن، لو أنا أخذت لو

226
00:21:09,680 --> 00:21:14,600
أنا أخذت العنصر هذا اللي هو الثاني، واحد، و حطيته

227
00:21:14,600 --> 00:21:22,240
هنا و شيلته من هنا، كده بيصير الآن مجموع

228
00:21:33,240 --> 00:21:41,100
أربعة، أنا شيلت الاثنين من هنا و حطيتهما هنا. 2

229
00:21:41,100 --> 00:21:48,820
في الأول كانت كفة هذا البند لحاله أقل من البنود

230
00:21:48,820 --> 00:21:53,320
الأخرى، لأن صارت هذول اثنين أكبر من البند

231
00:21:53,320 --> 00:21:58,660
هذول، مظهر، يبقى الثلاثة بنود الثانية وزنهم أقل، يبقى

232
00:21:58,660 --> 00:22:04,140
أنا بقدر أكتفي بالبندين هذول، خد بالك، بمعنى آخر أن

233
00:22:04,140 --> 00:22:09,300
إحنا بناخد البنود اللي وزنها أو الـ data

234
00:22:09,300 --> 00:22:13,740
items، هتقول الـ data items بشكل الـ feature set اللي

235
00:22:13,740 --> 00:22:18,580
وزنها، الـ weight تبعها أكثر من الـ... لأن وزنها

236
00:22:18,580 --> 00:22:27,650
لحاله، وزنها لحاله يكفي في اتخاذ القرار، الشيء

237
00:22:27,650 --> 00:22:31,030
الثاني أنه لو إنه الـ rule based system يشتغل كـ

238
00:22:31,030 --> 00:22:35,570
dialogue، إيش يعني dialogue؟ يعني الـ rule، يعني أول

239
00:22:35,570 --> 00:22:42,090
شيء بدنا نسأل: هل الـ object له wings؟ yes or no؟ هل

240
00:22:42,090 --> 00:22:45,950
الـ object له tail؟ yes or no؟ في حالة الـ dialogue

241
00:22:45,950 --> 00:22:52,220
بنبدأ الأسئلة بليش بال عناصر اللي لها وزن أكبر، يعني

242
00:22:52,220 --> 00:23:02,480
ببدأ بالـ feathers، فأول سؤال بيكون أنه... فأول

243
00:23:02,480 --> 00:23:07,720
سؤال، بدي أفضل بقول: هل له feathers ولا لا؟ الآن

244
00:23:07,720 --> 00:23:12,780
الإجابة اللي هتجيلي، ممكن يجيلي yes، ممكن يجيلي

245
00:23:12,780 --> 00:23:17,340
no، أو I don't know، لا أعلم. yes يعني plus one، و

246
00:23:17,340 --> 00:23:23,320
no يعني minus one، الـ 0 يعني الـ zero. الآن في الـ

247
00:23:23,320 --> 00:23:26,680
dialogue، أنا بدي أستمر في السؤال عن الـ features

248
00:23:26,680 --> 00:23:31,340
واحدة واحدة، لحد ما أصبح قادر على اتخاذ القرار، أو

249
00:23:31,340 --> 00:23:35,540
الـ system اللي بده يسأل لحد ما يصبح قادر. الـ feathers

250
00:23:35,540 --> 00:23:40,820
لحاله ما يكفيش، الـ feathers و الـ beak لحاله ممكن يكفوا

251
00:23:40,820 --> 00:23:45,160
هتلاقيها متوفرة للمعلومة بما بالسلب و بالإيجاب

252
00:23:45,500 --> 00:23:48,940
احتمالا ما يكفيش، الكلام ده، فبيصير و بيصير لازم يسأل عن

253
00:23:48,940 --> 00:23:53,000
الـ feature اللي بعدهم، بيضلوا يستمر لحد... دي نفس

254
00:23:53,000 --> 00:24:00,500
المنطق، إن لحد دي كمية اللي معلوم لديه أصبحت أكثر

255
00:24:00,500 --> 00:24:06,060
وزناً من اللي لسه مش معروف لديه، يعني الآن أنا هنا

256
00:24:06,060 --> 00:24:10,480
مجرد ما إحنا سألنا عن الـ features feathers وجالي plus

257
00:24:10,480 --> 00:24:17,800
one، one ضرب الوزن تبع الـ feathers بيطلع 2.8، هذا الآن

258
00:24:17,800 --> 00:24:22,580
هو حتى الآن اللي معلوم، اللي مش معلوم هما باقي لسه

259
00:24:22,580 --> 00:24:27,440
مش معلومين، لأن الـ dialogue إحنا ماشيين على اللي مش معلوم

260
00:24:27,440 --> 00:24:33,260
الوزي تبقى 4.3، الآن بيسأل على الـ next most

261
00:24:33,260 --> 00:24:39,100
important أو الـ next highest weight feature اللي

262
00:24:39,100 --> 00:24:48,490
هي إيش؟ الـ beak، هل له beak؟  أي نعم، الـ beak، الـ one

263
00:24:48,490 --> 00:24:52,350
مضروبة في وزنها، واللي جابها مضروبة في الـ

264
00:24:52,350 --> 00:24:57,830
feathers مضروبة في وزنها، أعطاني إجمالي وزن خمسة في

265
00:24:57,830 --> 00:25:05,390
المقابل، اللي unknown أصبح 2.1 زي ما توقعت، فالآن بما

266
00:25:05,390 --> 00:25:09,550
أنه صار وزن أو إجمالي الوزن المعلوم أكبر من اللي ده

267
00:25:09,550 --> 00:25:14,670
أصلاً ما في داعي أسأل، و أكتفي بأنه هذول الـ two

268
00:25:14,670 --> 00:25:19,590
features، و قرر أنه يشبهه بهذا الاسم ده: rule one

269
00:25:19,590 --> 00:25:26,550
إذا rule one أعطتني استنتاج، هتعطيني، ما أعطتنيش، ينتقل

270
00:25:26,550 --> 00:25:31,830
ليش الـ reasoning أو الـ inference على rule two. rule

271
00:25:31,830 --> 00:25:35,290
two هتسألني برضه على نفس الـ features، بعض من الـ

272
00:25:35,290 --> 00:25:37,770
features، حكون أنا already عرفتهم من خلال الـ

273
00:25:37,770 --> 00:25:39,450
dialogue، و بعضهم لسه ما عرفتش

274
00:25:42,320 --> 00:25:46,900
الـ system بيجري حسابه على اللي انعرف، وإذا احتاج

275
00:25:46,900 --> 00:25:51,540
يعرف أكثر بيسأل عن الباقي، وبيشتغل بهذه الطريقة، فسواء

276
00:25:51,540 --> 00:25:57,380
كان إحنا بدنا نستخدم rules، rules مختصرة، أو بدنا

277
00:25:57,380 --> 00:26:02,300
نخلي الـ system يشتغل dialogue، القاعدة واحدة في إنه

278
00:26:02,300 --> 00:26:05,940
إحنا بنختار الـ feature، أول شيء بنبدأ بالـ features

279
00:26:05,940 --> 00:26:11,100
اللي أكثر أهمية، صح؟ بمعنى اللي وزنها أعلى، و نمشي

280
00:26:11,100 --> 00:26:14,660
بهذا النهج لحد ما وزن الـ features اللي أصبحت

281
00:26:14,660 --> 00:26:18,880
معلومة أكبر من وزن الـ features اللي لسه مش معلومة

282
00:26:18,880 --> 00:26:26,260
هذا يكفي لاتخاذ القرار تبع الـ rule الأخرى

283
00:26:26,260 --> 00:26:31,260
النقطة اللي نحكي فيها هو أن ممكن أن الـ system تبعك

284
00:26:31,260 --> 00:26:38,410
يكون مش بس rule based system، اللي بيدمج بين الـ neural

285
00:26:38,410 --> 00:26:44,330
network وبين الـ rule based expert system، ممكن الـ

286
00:26:44,330 --> 00:26:47,870
hidden يبقى

287
00:26:47,870 --> 00:26:54,770
فيها أكثر من one layer، والـ rules تبقى موزعة على

288
00:26:54,770 --> 00:27:02,010
عدة layers، عندك هنا مثال، هذا موزع الخمسة rules

289
00:27:02,010 --> 00:27:07,830
هذول في layer، بعد ذلك أعمل layer ثانية، بعد ذلك

290
00:27:07,830 --> 00:27:11,250
أعمل layer ثالثة، اللي يعني الـ layers هذه المربعة

291
00:27:11,250 --> 00:27:15,050
أو الـ nodes المربعة عبارة عن disjunction، بسميها

292
00:27:15,050 --> 00:27:17,810
disjunction layer، لأن اللي فيها disjunction nodes

293
00:27:17,810 --> 00:27:22,650
إيش يعني disjunction؟ يعني or، و الـ conjunction

294
00:27:22,650 --> 00:27:26,490
layers، يعني الـ nodes بتاعتها بتاخد الـ input بتاعهم

295
00:27:26,490 --> 00:27:33,030
بـ end، تتمجمع بـ end واضح، يعني R1 بتقول لي أنه

296
00:27:40,360 --> 00:27:46,380
R1 بتقول: إذا A1، الـ attribute هنا كإيه اختصار الـ

297
00:27:46,380 --> 00:27:49,760
attribute؟ Attribute زيها زي الـ feature، Attribute

298
00:27:49,760 --> 00:27:54,140
one and Attribute ثلاثة and Attribute ثلاثة

299
00:27:54,140 --> 00:28:03,380
Attribute ثلاثة و واحد، then بي واحد، بي واحد، لأن بي

300
00:28:03,380 --> 00:28:11,070
واحد تروح بس إلها وزن، فالأوزان هذه بنقدر ناخدها

301
00:28:11,070 --> 00:28:14,530
نفهمها على أنها certainty factors، تذكروا الـ

302
00:28:14,530 --> 00:28:17,770
certainty factors، هذه الأوزان الآن برضه من وراء

303
00:28:17,770 --> 00:28:22,830
إحنا بندربها، بتيجي من خلال الـ training، صح؟ اه، يبقى

304
00:28:22,830 --> 00:28:26,090
أنا الآن الـ neural network زي في المثال الأولاني

305
00:28:26,090 --> 00:28:29,850
الـ neural network بتفيدني في شغلة مهمة، وهي إعطاء

306
00:28:29,850 --> 00:28:33,530
الوزن بالنسبة لكل واحد من العوامل المؤثرة على الـ rule

307
00:28:33,530 --> 00:28:38,850
وهذا الكلام بيجي من خلال التدريب، قبل هيك لما

308
00:28:38,850 --> 00:28:42,110
ما كناش بندمج، لما كنا بنحكي عن الـ rule based لحاله

309
00:28:42,110 --> 00:28:46,490
كنا من أين ناخد الـ certainty factors؟ من الـ expert

310
00:28:46,490 --> 00:28:49,550
الـ expert أصلاً من أين جاب الـ certainty factors؟ من

311
00:28:49,550 --> 00:28:55,010
خبرته، من خبرته السابقة، إحنا دلوقتي بنعطي خبرته على

312
00:28:55,010 --> 00:28:59,090
شكل حالات سابقة، نغذيها للـ network، الـ network إيش

313
00:28:59,090 --> 00:29:05,120
بتسوي؟ بتضبط الأوزان أو بتستكشف الأوزان و بتثبتها

314
00:29:05,120 --> 00:29:10,020
هذه الأوزان أصبحت عبارة عن certainty factors للـ

315
00:29:10,020 --> 00:29:16,420
system، فهذه disjunction

316
00:29:16,420 --> 00:29:20,280
nodes بتغذي

317
00:29:20,280 --> 00:29:23,960
اللي بعدها، وفي الآخر في عندي أنا هنا برضه

318
00:29:23,960 --> 00:29:26,560
disjunction nodes اللي هي بتعطيني الـ output

319
00:29:26,560 --> 00:29:33,120
النهائي. هذا البرنامج يتم

320
00:29:33,120 --> 00:29:37,740
تدريبه، وبعد ذلك بيحصل إن يعطيني الـ output، أو إذا

321
00:29:37,740 --> 00:29:42,200
قلت بأخذ الـ rules أنا و بصيغها في الـ rule based

322
00:29:42,200 --> 00:29:44,980
expert system، قلنا إذا صيغتها في الـ rule based

323
00:29:44,980 --> 00:29:49,220
expert system، بحصل على computation أقل، و بحصل على

324
00:29:49,220 --> 00:29:56,340
explanation، صح؟ بيصير أقدر أعمل explanation، فهذا

325
00:29:56,340 --> 00:30:01,930
المثال الثاني، زي ما قلنا، ممكن تبقى النورة، و هو

326
00:30:01,930 --> 00:30:07,030
عملياً في الحياة العملية، تكون الشبكات بتطلب أكثر من

327
00:30:07,030 --> 00:30:12,050
layer في الـ hidden ما بين الـ input و ما بين الـ

328
00:30:12,050 --> 00:30:21,950
output، اسألي السؤال، طيب، توزيع الـ rules، توزيع الـ

329
00:30:21,950 --> 00:30:26,450
rules هذه، مين اللي حدد إن الـ rules هذه تاخد input

330
00:30:26,450 --> 00:30:32,940
واحد فقط؟ من حدد إن هذي تاخد input من A3 و A4؟ من

331
00:30:32,940 --> 00:30:36,560
حدد اللي هو إيش الـ topology تبع الـ network

332
00:30:36,560 --> 00:30:44,880
topology، يعني كيفية تربيط أو ربط الـ nodes ببعضها

333
00:30:44,880 --> 00:30:49,040
يعني، مش معناه هذي بتاخد بس من هنا، بينما هذي بتاخد

334
00:30:49,040 --> 00:30:54,300
هذا و هذا، هذا الكلام هنا في هذا المثال بيجي من الـ

335
00:30:54,300 --> 00:30:58,800
human expert، تمام، الـ human expert هو اللي بيقولي

336
00:30:58,800 --> 00:31:05,060
منطقياً أنا بقدر أضع الـ rule على أنها: إذا كان هذا

337
00:31:05,060 --> 00:31:10,140
الـ attribute و هذا الـ attribute، بقدر أستنتج هذا

338
00:31:10,140 --> 00:31:13,760
الكلام، وهذا الكلام مع الـ output اللي جاء من هنا

339
00:31:13,760 --> 00:31:18,620
بقدر أستنتج هذا الكلام، واضح؟ فالـ topology أو تربية

340
00:31:18,620 --> 00:31:22,870
الـ network مع بعضها في هذا المثال جايب من الـ human

341
00:31:22,870 --> 00:31:28,790
expert، بس استغناء عن الـ human expert في إيش هنا؟ في

342
00:31:28,790 --> 00:31:33,510
إيش؟ استغناء عن الـ human expert في الأوزان اللي هي

343
00:31:33,510 --> 00:31:36,230
الـ certain، الـ certainties، من أين أجد الـ

344
00:31:36,230 --> 00:31:38,710
certainties؟ من عملية التدريب، عملية تدريب للـ

345
00:31:38,710 --> 00:31:44,150
network، مظبوط؟ في أمثلة أخرى إحنا ممكن عملياً كمان

346
00:31:44,150 --> 00:31:48,350
نستغنى عن الـ human expert في، حتى كمان العلاقات ما

347
00:31:48,350 --> 00:31:50,870
بين الـ rules، إن الـ rule

348
00:31:54,930 --> 00:32:05,470
يتحدد لها الـ input تبعها من خلال عملية التدريب، طيب

349
00:32:05,470 --> 00:32:08,690
ماشي، الحمد لله، إحنا هنا نكون خلصنا الحكي عن الـ

350
00:32:08,690 --> 00:32:12,530
hybrid expert system اللي بيدمج بين، أو مثال على

351
00:32:12,530 --> 00:32:15,050
hybrid expert system اللي بيدمج بين neural

352
00:32:15,050 --> 00:32:21,310
network و ما بين الـ rule based inference، اسمه إيه؟

353
00:32:21,310 --> 00:32:26,320
إيش؟ neuro expert system، أو neuro expert system

354
00:32:26,320 --> 00:32:29,960
المحاضرة الجاية إن شاء الله بنشوف اللي هو الـ fuzzy

355
00:32:29,960 --> 00:32:35,180
system مع الـ expert system، يعني الـ fuzzy logic مع

356
00:32:35,180 --> 00:32:40,700
الـ expert system في hybrid system واحد، يعطيكم

357
00:32:40,700 --> 00:32:41,100
العافية