1
00:00:05,250 --> 00:00:07,430
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:07,430 --> 00:00:11,930
اليوم ان شاء الله شباب هنبدأ ب chapter جديد في ال

3
00:00:11,930 --> 00:00:15,070
data mining و هنتكلم على أولى ال data mining tasks

4
00:00:15,070 --> 00:00:20,630
و هي ال classification ال classification لكن قبل

5
00:00:20,630 --> 00:00:24,150
ما أبدأ بالمحاضرة فعليا و بال slides بدي أسأل انا

6
00:00:24,150 --> 00:00:26,270
ايش احنا بنيعني بال classification

7
00:00:44,700 --> 00:00:53,400
أه محمد شو يعني classification؟

8
00:00:53,400 --> 00:00:56,580
بدي

9
00:00:56,580 --> 00:00:59,060
أصنف .. شو يعني بدي أصنف؟ أيوة أنا بدي أقول ..

10
00:00:59,060 --> 00:01:04,700
بينهم شغلات مشتركة

11
00:01:04,700 --> 00:01:09,520
شو رايك مشتركة؟ مرتجع عفوا بجسم ال data على شكل

12
00:01:09,520 --> 00:01:14,720
categories بجسم ال data على شكل categoriesكريم

13
00:01:14,720 --> 00:01:20,040
بناء على ترميز معينة بعمل زي لبط بمثل الصدر او كذا

14
00:01:20,040 --> 00:01:24,340
طيب انا قاعد باسأل شو يعني تصنيف بالعربي شو يعني

15
00:01:24,340 --> 00:01:30,220
تصنيف شغلات بينها او في عناصر مش علها عناصر مشتركة

16
00:01:30,220 --> 00:01:38,040
اعمر شو يعني تصنيف تقسيم العناصر الى مجموعات طيب

17
00:01:38,040 --> 00:01:42,200
شو يعني تصنيف يا راني تصنيف شو يعني

18
00:01:47,010 --> 00:01:54,950
طيب لو انا جيت قلتلك اه احمد تفضل اعمل subclass

19
00:01:54,950 --> 00:02:00,410
بناء على role معين او subset طيب لو .. لو انا جيت

20
00:02:00,410 --> 00:02:09,330
قلتلكوا عند الان قرصة كتب مجموعة كتب و بدنا نصنفها

21
00:02:15,120 --> 00:02:19,440
إيش اسمك؟ إبراهيم إبراهيم أنا عارف تعمل تسألك

22
00:02:19,440 --> 00:02:26,500
سنوار حسب إيش بدي أصنفها؟ ليش يا إبراهيم سألتي

23
00:02:26,500 --> 00:02:32,420
السؤال هذا؟ عشان أنا أقدر؟ طب إيش اللي بدك يامني

24
00:02:32,420 --> 00:02:36,480
يا إبراهيم عشان تقدر تصنفها؟

25
00:02:36,480 --> 00:02:39,660
هو هو إنت صرت إبراهيم الآن؟ أيوة إيش اللي بدك

26
00:02:39,660 --> 00:02:42,960
يامني عشان تقدر تصنفها؟ حق تقدر تحصرلي شغلات؟

27
00:02:45,760 --> 00:02:50,560
معلومات .. معلومات .. معلومات عن إيش؟ معلومات عن

28
00:02:50,560 --> 00:02:54,680
أستراليا .. معلومات عن أستراليا .. معلومات عن

29
00:02:54,680 --> 00:02:55,440
أستراليا .. معلومات عن أستراليا .. معلومات عن

30
00:02:55,440 --> 00:02:56,680
أستراليا .. معلومات عن أستراليا .. معلومات عن

31
00:02:56,680 --> 00:02:56,920
أستراليا .. معلومات عن أستراليا .. معلومات عن

32
00:02:56,920 --> 00:02:58,800
أستراليا .. معلومات عن أستراليا .. معلومات عن

33
00:02:58,800 --> 00:03:00,320
أستراليا .. معلومات عن أستراليا .. معلومات عن

34
00:03:00,320 --> 00:03:02,840
أستراليا .. معلومات عن أستراليا .. معلومات عن

35
00:03:02,840 --> 00:03:07,340
أستراليا .. معلومات عن أستراليا .. معلومات عن

36
00:03:07,340 --> 00:03:10,880
أستراليا .. معلومات عن أستراليا .. معلومات عن أست

37
00:03:12,100 --> 00:03:16,820
تمام؟ كان كله بيتكلم على clustering أو grouping

38
00:03:16,820 --> 00:03:21,720
لأن كلكوا بتتكلموا لمجموعات أصنفهم لمجموعات أصنفهم

39
00:03:21,720 --> 00:03:27,360
لمجموعات مش هيك اصنفهم يعني في عندي predefined

40
00:03:27,360 --> 00:03:32,220
setsفي عندي مجموعات معروفة مسبقًا والمجموعات هذه

41
00:03:32,220 --> 00:03:38,060
إلها عنوين وانت دورك تشوف هل العنصر هذا بيتواءم مع

42
00:03:38,060 --> 00:03:41,440
المجموعة هذه ولا لأ عشان تحطه تحتها بينما اللي

43
00:03:41,440 --> 00:03:44,840
كنتوا أنتوا بتطرحوا بتقول أنا بدي أدرس الخصائص

44
00:03:44,840 --> 00:03:50,630
المشتركة بين الكتب و أجسمهم لمجموعاتهذا بيسميه

45
00:03:50,630 --> 00:03:52,510
احنا في ال data science أو في ال data mining

46
00:03:52,510 --> 00:03:57,230
clustering يا تامر بيسميه clustering أو grouping

47
00:03:57,230 --> 00:04:04,370
بينما للتصنيف انا بقاعد فيه عندي مجموعات معرفة

48
00:04:04,370 --> 00:04:08,350
مسبقا predefined

49
00:04:08,350 --> 00:04:14,870
groups ممكن

50
00:04:14,870 --> 00:04:18,680
يكونوا أقل شيء لازم يكونوا تنتينأجلش لازم يكونوا

51
00:04:18,680 --> 00:04:23,600
مجموعتين و بعد هي كان بيجي دوري أنا بشوف كل object

52
00:04:23,600 --> 00:04:26,780
في ال data set اللي عندي أو كل object في الكتب

53
00:04:26,780 --> 00:04:33,440
اللي عندي بيندرج تحت أي مصنف تحت أي عنوان من

54
00:04:33,440 --> 00:04:37,020
المجموعات هذه لو أنا اجيت قلتلك يا همام الكتب اللي

55
00:04:37,020 --> 00:04:43,400
عندي انا اما science او politics او financial او

56
00:04:43,400 --> 00:04:45,020
literature أدب

57
00:04:47,290 --> 00:04:54,550
اقتصاد، سياسة، علوم، شوبك تساوي وعندك مزالة مجموعة

58
00:04:54,550 --> 00:04:59,950
الكتب مثل ما هي مكدسة قدامي، شو هتعمل؟ كيف؟ ماشي،

59
00:04:59,950 --> 00:05:09,560
هتفرزهم الآن، شو هتساوي؟ هتمسك كل كتاب؟ كملعلى

60
00:05:09,560 --> 00:05:12,820
الأقل أعرف الموضوع اللي بيتكلم فيه الكتاب يعني

61
00:05:12,820 --> 00:05:18,400
مثلا كتاب بتتكلم عن الاحتلال الانجليزي لشرق آسيا

62
00:05:18,400 --> 00:05:26,760
مثلا بتصنف سياسة ولا تاريخ literature حسب الكتاب

63
00:05:26,760 --> 00:05:30,500
عن إيش بتتكلم هل بتتكلم مثلا رؤية سياسية ولا

64
00:05:30,500 --> 00:05:34,480
بتتكلم مجرد سرد تاريخي للموضوع الاحتلال على

65
00:05:34,480 --> 00:05:37,620
التاريخ جيت وجيت والله كتاب بتتكلم على ال second

66
00:05:37,620 --> 00:05:38,240
derivative

67
00:05:41,020 --> 00:05:45,180
Science، لجيت كتاب بتتكلم عن الـ poems أو الشعر،

68
00:05:45,180 --> 00:05:48,800
literature، مظبوط؟ هيك صار في عندي أنا الآن

69
00:05:48,800 --> 00:05:52,860
باستخدم الـ knowledge تبعتي، تمام؟ و معرفتي

70
00:05:52,860 --> 00:05:58,370
بالمجموعات السابقةبالمجموعات السابقة اللى موجودة

71
00:05:58,370 --> 00:06:02,010
عندى و بروح ايش بصير اخد كل كتاب او كل object

72
00:06:02,010 --> 00:06:06,230
بقارن الخصائص طبعته او بحاول اطلع اعرف عناش بتكلم

73
00:06:06,230 --> 00:06:10,910
الكتاب هذا و بروح بصنفه لوحده بحطه تحت مجموعة او

74
00:06:10,910 --> 00:06:16,170
تحت اي مجموعة من العناصر اللى موجودةعامة تمام

75
00:06:16,170 --> 00:06:22,010
فمعناته ال classification هي عضوية المجموعات

76
00:06:22,010 --> 00:06:25,950
predefined group مجموعات معروفة مسبقا و بدي احدد

77
00:06:25,950 --> 00:06:31,030
مين العناصر تمام اللي ممكن يكونوا تحت المجموعة

78
00:06:31,030 --> 00:06:36,970
اللي عندها الان بيفرج عن التقسيم او ال clustering

79
00:06:36,970 --> 00:06:42,840
لو قلت الشباب انا بدي اجسمكوا لمجموعات تمامشغلات

80
00:06:42,840 --> 00:06:45,480
كتيرة ممكن تكون مشتركة أو شغلات كتيرة ممكن تكون

81
00:06:45,480 --> 00:06:49,840
مختلفة بينكوا عشان لو روحت أنا قلت بتجسمكوا تبع ال

82
00:06:49,840 --> 00:06:56,300
.. سنة الميلاد تمام؟ لاحظ أنا في كل الكلام اللي

83
00:06:56,300 --> 00:07:02,620
أنا بقوله ماليش أي control على .. على عدد

84
00:07:02,620 --> 00:07:05,760
المجموعات بينما في ال cluster .. في ال

85
00:07:05,760 --> 00:07:11,400
classification عدد المجموعاتطبعا بدي أجسمكوا تبعا

86
00:07:11,400 --> 00:07:16,100
لتاريخ ميلادكوا لسنة الميلاد كل ناس مولودين في سنة

87
00:07:16,100 --> 00:07:20,840
هدولة بيكونوا مجموعة لحالهم طب لجيت واحد بحاله أه

88
00:07:20,840 --> 00:07:28,040
هدا بدوني أعمل مجموعة ماعنديش مشكلة في الموضوع لأ

89
00:07:28,040 --> 00:07:34,940
ممكن أسخر ال cluster لخدمة ال classificationممكن

90
00:07:34,940 --> 00:07:39,240
أسخر ال clustering لخدمة ال classification وهذا

91
00:07:39,240 --> 00:07:43,240
نسميه عادة semi supervised learning ان انا فعليا

92
00:07:43,240 --> 00:07:47,480
عندي بعض ال data بعض ال data labelled و بعض ال

93
00:07:47,480 --> 00:07:51,560
data .. و كم كبير من ال data unlabeled فبروح

94
00:07:51,560 --> 00:07:56,580
بجسمهم لاربع مجموعات حسب معرفتي من هناو بطلع في كل

95
00:07:56,580 --> 00:08:00,560
cluster كل مجموعة ايش الاكثر عناصر من ال الهم

96
00:08:00,560 --> 00:08:03,600
label و بسميه بطلق عليه و بخلي ال bag كله ماشي

97
00:08:03,600 --> 00:08:08,260
يحملوا نفس الصفة اجيت اقول بدي اصنفكوا تبعا

98
00:08:08,260 --> 00:08:09,560
لمعدلاتكوا

99
00:08:12,460 --> 00:08:15,200
واحد يقول يا دكتور ما هو معروف المعدلات تسعين وفوق

100
00:08:15,200 --> 00:08:22,200
من تمانين لتسعين okay بس لاحظ أنا ما اتكلمت على كل

101
00:08:22,200 --> 00:08:26,000
اسم مجموعة المجموعات هذه مالهاش أسامي مش معرفة

102
00:08:26,000 --> 00:08:31,280
بالنسبة لي مسبقا تبع الأوزانكوا الأطوالكوا تمام كل

103
00:08:31,280 --> 00:08:34,740
الشغلات هذه عاملا جاعة بتتكلم على مجموعاتعلى

104
00:08:34,740 --> 00:08:38,720
مجموعات و بعد هيك بنصير اما بحدد الخاصية و بشغل او

105
00:08:38,720 --> 00:08:42,440
بروح بقول لشبابنا نجسم لمجموعتين لتلت مجموعات و

106
00:08:42,440 --> 00:08:45,860
بصير ادور على ال common properties اللي تجمعكم مع

107
00:08:45,860 --> 00:08:51,860
بعض لكن ايش الصفر السمة السائدة لكل مجموعة نعرفش

108
00:08:51,860 --> 00:08:55,580
لاحقا بدنا نصير نفكر ندور بعنوان بينما بال

109
00:08:55,580 --> 00:08:59,340
classification انا عندى التصنيفات موجودة عندى

110
00:08:59,340 --> 00:09:05,320
مستويات الطلاب موجودة ممتاز جيد جدا جيدمقبول؟ هذه

111
00:09:05,320 --> 00:09:08,920
التصنيفات اللي موجودة في عند الآن درجة الرطوبة إما

112
00:09:08,920 --> 00:09:13,960
هتكون عالية أو متوسطة أو منخفضة الجو إما هيكون

113
00:09:13,960 --> 00:09:18,860
غائم أو غائم جزئيا أو صافي تمام؟ اليوم إما هيكون

114
00:09:18,860 --> 00:09:22,420
ماطر أو هيكون غير ماطر هذه المعلومات أو هذه ال

115
00:09:22,420 --> 00:09:22,860
categories

116
00:09:29,580 --> 00:09:33,860
بتكلم على category كمجموعات إلها صفات مشتركة محددة

117
00:09:33,860 --> 00:09:38,040
وواضحة وإلها اسم فهنا احنا بنتكلم على تصنيف

118
00:09:38,040 --> 00:09:43,860
classification إيش اللي احنا بنتعلمه في ال chapter

119
00:09:43,860 --> 00:09:44,380
هذا؟

120
00:10:02,660 --> 00:10:06,840
إيش بتتوجه إن احنا نتعلم في ال chapter هذا الآن؟

121
00:10:06,840 --> 00:10:18,980
كيف أقدر أعرف المجموعات؟ مش صحيح، أيوة أتعرف

122
00:10:18,980 --> 00:10:24,340
على التقنيات اللي تستخدم في التصنيف غيره، طبعا هذا

123
00:10:24,340 --> 00:10:29,700
حتكلم شغل مكتبات أو شغل ناس شغالة في المجال، غير،

124
00:10:29,700 --> 00:10:34,050
أه حسنأيش بتتوقع أن ابدا أتعلم الفصل هذا أو

125
00:10:34,050 --> 00:10:38,450
الشابتر هذا؟

126
00:10:38,450 --> 00:10:44,170
كيف المكتبات بتعمل؟ ايش المبدأ اللي بتشتغل عليه؟

127
00:10:44,170 --> 00:10:48,470
اه أحمد ايش ممكن أتوقع أن أتعلم الفصل هذا الشابتر

128
00:10:48,470 --> 00:10:52,430
هذا؟ على أي أساس أصنف؟

129
00:10:56,620 --> 00:11:00,240
أديب الشغلات المشتركة بين الـ instances أو الـ

130
00:11:00,240 --> 00:11:07,980
object عشان أقدر أصنفها أقدر أفرج بين إيش؟ بين ال

131
00:11:07,980 --> 00:11:13,180
objects أو بين جثين أتعرف على الخصائص تبعت كل

132
00:11:13,180 --> 00:11:19,480
مجموعة عشان أقدر أحدد لـ new objects أو الـ unseen

133
00:11:19,480 --> 00:11:23,900
samples بتنتمي لأي مجموعة بس فعليا مش أنا اللي

134
00:11:23,900 --> 00:11:29,680
هشتغلالـ Machine الفكرة الآن لما نتكلم على

135
00:11:29,680 --> 00:11:32,560
Classification هنبدأ نتكلم على Machine Learning

136
00:11:32,560 --> 00:11:37,160
Algorithm هنبدأ نتكلم على تعلم الآلة أو تعلم ..

137
00:11:37,160 --> 00:11:40,840
تعلم الآلة كيف الآلة بتدور على ال characteristics

138
00:11:40,840 --> 00:11:45,320
المشتركة لكل مجموعة الآن بما أن ال classification

139
00:11:45,320 --> 00:11:50,380
هي واحدة من supervised learning method احنا كنا

140
00:11:50,380 --> 00:11:54,300
حكينا المرة الماضية ال data mining tasks نوعين

141
00:11:55,310 --> 00:11:59,690
Predictive وDescriptive في الـ Predictive قلت أنا

142
00:11:59,690 --> 00:12:03,430
فيه Classification وبدى اتنبأ بكاتجورى بدى اتنبأ

143
00:12:03,430 --> 00:12:07,310
بال Target Label تبع المجموعة وفي عند Regression

144
00:12:07,310 --> 00:12:11,490
بدى اتنبأ بcontinuous value بصبح وقلنا في ال

145
00:12:11,490 --> 00:12:15,670
Descriptive في الوصفية اما بتكلم على Clustering

146
00:12:15,670 --> 00:12:20,770
تقسيم لمجموعات او Outlayer Detection تحديد الشوان

147
00:12:20,770 --> 00:12:27,070
او ال Association Rulesتحديد الإطباع ما بين

148
00:12:27,070 --> 00:12:34,350
العناصر اللي موجودة الآن ضمن الكلام هذا أنا هتعرف

149
00:12:34,350 --> 00:12:37,630
على مجموعة من الـ algorithms والقاليات اللي

150
00:12:37,630 --> 00:12:45,450
بتستخدمها من أجل استنباط خصائص المجموعات المعرفة

151
00:12:45,450 --> 00:12:51,390
مسبقا اللي موجودة عندى في ال data ومن ثم لما بدي

152
00:12:51,390 --> 00:12:55,000
أجي أعمل predictionبدي تديني ال prediction أو بدي

153
00:12:55,000 --> 00:12:58,740
تديني ال category أو ال group أو اسم المجموعة اللي

154
00:12:58,740 --> 00:13:01,540
بينتمي إليها ال object الجديد هذا اللي هو ال

155
00:13:01,540 --> 00:13:06,640
unseen object أو unseen instance يعني فعليا أنا

156
00:13:06,640 --> 00:13:09,840
بدي أشوف الآلة كيف اللي بتتعلم طب أنا وين في

157
00:13:09,840 --> 00:13:14,400
الموضوع انت دورك جهزت البيانات بدك تختار algorithm

158
00:13:14,400 --> 00:13:18,100
كويس وتقول لل algorithm اقرأ البيانات وتعلم منها

159
00:13:18,100 --> 00:13:23,160
تعمله evaluation قبل ما تقول أنا صار فيه عندىموديل

160
00:13:23,160 --> 00:13:26,280
بيقدر يعمل prediction لل category أو لل class اللي

161
00:13:26,280 --> 00:13:34,320
موجود عندها ال classification

162
00:13:34,320 --> 00:13:39,020
هي

163
00:13:39,020 --> 00:13:41,840
واحدة من ال mining task او ال data mining task

164
00:13:41,840 --> 00:13:46,140
التقليدية ال task يعني من اهم او من اكثر ال task

165
00:13:46,140 --> 00:13:52,520
شهرة ل classification وطبعاممتدة أساسا بالـ

166
00:13:52,520 --> 00:13:55,060
Machine Learning عادة الـ Machine Learning

167
00:13:55,060 --> 00:13:58,880
Algorithm الشباب بشكل عام أو التقنيات بتشتغل ضمن

168
00:13:58,880 --> 00:14:04,860
منهجيات معينة الأولى أنه فعليا هل الـ Machine

169
00:14:04,860 --> 00:14:08,940
Learning هذه تتدرب أو تعلم من خلال الـ Human

170
00:14:08,940 --> 00:14:15,200
Supervision من خلال مراقبة الإنسانأو إشراف الإنسان

171
00:14:15,200 --> 00:14:19,280
الفكرة كالتالي بينفعش أنا أروح أقول للطلاب في

172
00:14:19,280 --> 00:14:23,900
المدرسة هذه مجموعة الكتب بروح أدخله في الصف الآن

173
00:14:23,900 --> 00:14:27,660
من العشرة للاحد عشر عليكوا عربي أدرس كتاب العربي

174
00:14:27,660 --> 00:14:35,260
بدون ما يكون عندهم مدرس، بينفع؟ ليش؟ طبيعي الإنسان

175
00:14:35,260 --> 00:14:38,140
إنه هيميل إنه إيش؟ مدونش يدرس، هيقعد يلعب يتحدث

176
00:14:38,140 --> 00:14:41,080
ويجار وكذا أثناء إحتياجات بيكون المدرس موجود

177
00:14:41,080 --> 00:14:45,750
والتاني يحطي الرسم في بعض ويتحدثوافالآن المراقبة

178
00:14:45,750 --> 00:14:49,370
هي ضرورية من أجل ضبط عملية التعلم بس الآلة ما

179
00:14:49,370 --> 00:14:54,270
عندهاش شعور وبتملش يعني مش شغلة وبالتالي هتدرس لأ

180
00:14:54,270 --> 00:14:58,450
المفهوم الـ Supervision هان شو علاقة الإنسان في

181
00:14:58,450 --> 00:15:02,350
تحديد البيانات اللي موجودة إذا أنا كانت ال data

182
00:15:02,350 --> 00:15:07,410
اللي موجودة عندى عبق .. حطيتلها target وحطيتلها

183
00:15:07,410 --> 00:15:13,430
label حددت الفئات تبع كل instance معاه شو بتكلم

184
00:15:13,430 --> 00:15:19,480
عليه؟supervised learning في عندي الـ unsupervised

185
00:15:19,480 --> 00:15:22,900
غير مراقب و أنا بقوله جسم لمجموعات تلاتة اربعة

186
00:15:22,900 --> 00:15:26,780
خمسة عشرة عشرين بس ال system لحاله بيشتغل semi

187
00:15:26,780 --> 00:15:29,780
supervised و هو عبارة عن combination بين التنين

188
00:15:29,780 --> 00:15:35,400
هدول reinforcement learning اللي هو إعادة التعلم

189
00:15:35,400 --> 00:15:41,000
بالضغط أو بالقوة و هنا بيقبل زي مبدأ الثواب و

190
00:15:41,000 --> 00:15:45,610
العقابعلى ال algorithm اللي شغال في حد فيكوا لعب

191
00:15:45,610 --> 00:15:51,450
سوبر ماريو كلكوا لعبتوها كويس عمرك اتفرجت على ال

192
00:15:51,450 --> 00:15:55,930
system هو بيلعب يعني تخليه تفتح ال super mario

193
00:15:55,930 --> 00:15:58,470
تقوله tutorial و تخلي ال system هو اللي يلعب مش

194
00:15:58,470 --> 00:16:03,550
video نفس النفس حكاية لعبك بس ممكن هو يشتغلك تشطر

195
00:16:03,550 --> 00:16:07,550
منكالفكرة وين؟ كانت في ال .. ليش جبتيلك ال super

196
00:16:07,550 --> 00:16:10,150
mario بالتحديد يا جماعة الخير؟ لأن ال concept بسيط

197
00:16:10,150 --> 00:16:12,930
جدا ممكن تستوعبهان، الآن لما كانوا في لعبة ال

198
00:16:12,930 --> 00:16:16,410
super mario بياكلوا الفطر، إيش بيصير في ال

199
00:16:16,410 --> 00:16:21,150
character تبعك؟بتطور، بيكبر، بيتضخم، مظبوط؟ وكل

200
00:16:21,150 --> 00:16:25,890
تطور أو كل مشروم أو كل فطر بياكله تمام؟ كان بنجيه

201
00:16:25,890 --> 00:16:30,290
من موت محقق عند وين؟ عندما .. لما بدرب في .. في

202
00:16:30,290 --> 00:16:34,510
سلحفة أو بجع في جورة أو بدرب في صبار، مظبوط؟ الآن

203
00:16:34,510 --> 00:16:38,170
هذه الحالات، كل هذه الحالات مميتةفكان كل ما هو

204
00:16:38,170 --> 00:16:42,470
بيحصل فطر أكبر كان بيحصل عدد مرات من النجاة أكبر

205
00:16:42,470 --> 00:16:47,150
وكل ما بيصطدم في سلحفا أو بيقعد .. بيسقط في جورة

206
00:16:47,150 --> 00:16:56,570
أو بخبط في صبار بغلت وبالتالي إذا أنت اشتغلت بزيد

207
00:16:56,570 --> 00:17:01,470
ال rank بزيد الفرصة تبعتك وإذا أنت اشتغلت بالعكس

208
00:17:01,470 --> 00:17:06,590
وماتصرفتش بلباقة أو بطريقة جيدةهتصل لمرحلة نقول لك

209
00:17:06,590 --> 00:17:11,150
خلاص مضال الكاش فرصة عيد اللعبة من تاني، مظبوط؟

210
00:17:11,150 --> 00:17:14,090
هذا مبدأ ال reinforcement learning اللي فعليا احنا

211
00:17:14,090 --> 00:17:18,590
ممكن نطبقه بس مش اختصاصنا احنا فعليا الفصل هذا في

212
00:17:18,590 --> 00:17:23,410
ال data mining بس شغالين شويهان و شويهان كذلك ال

213
00:17:23,410 --> 00:17:28,590
machine learning تقسمالـ Algorithm تبعتها هل عملية

214
00:17:28,590 --> 00:17:32,550
التعليم هتصير incrementally on a fly؟ يعني بين

215
00:17:32,550 --> 00:17:37,330
قصين وانا قاعد بأتمرن أو عفوا وانا قاعد بأشتغل

216
00:17:37,330 --> 00:17:41,450
فعليا هل هكتسب تجارب جديدة أضيفها لل knowledge

217
00:17:41,450 --> 00:17:45,770
تبعتي؟ إذا هذا الكلام كان يطبق في موضوع ال machine

218
00:17:45,770 --> 00:17:51,080
learning فاحنا بنتكلم على online learningبينما اذا

219
00:17:51,080 --> 00:17:53,520
كنت انا و هذا اللي احنا هنشتغل عليه عنhand في ال

220
00:17:53,520 --> 00:17:58,360
batch ال data set انا قرأتها لمرة واحدة و بنيت

221
00:17:58,360 --> 00:18:02,180
عليها model و ال model هذا وضلت اطبق فيه بدون

222
00:18:02,180 --> 00:18:05,560
الاستفادة من ال prediction الجديدة فده بنسمي احنا

223
00:18:05,560 --> 00:18:10,260
batch learning كذلك في عندي ال trend في ال machine

224
00:18:10,260 --> 00:18:14,240
learning هل هي model based ولا instance based

225
00:18:14,240 --> 00:18:19,860
model based يعني هيروح يبني model هيروح يبنيموديل

226
00:18:19,860 --> 00:18:24,680
هو اللي بديه يعمل prediction لاحقا بينما بال

227
00:18:24,680 --> 00:18:28,700
instance based في كل مرة بديه يعمل prediction بديه

228
00:18:28,700 --> 00:18:34,620
يرجع لل data 6 الأصلية و طبعا هدول الشغلتين لكل

229
00:18:34,620 --> 00:18:39,480
واحدة فيه إيجابياتها و إليها سليبياتها كذلك في

230
00:18:39,480 --> 00:18:43,040
trend آخر فيه deterministic و فيه probabilistic

231
00:18:43,040 --> 00:18:47,390
approachفي الـ learning في الـ deterministic اللي

232
00:18:47,390 --> 00:18:51,610
هو الدقيق أو الموحد انه ال algorithm هذا مع ال

233
00:18:51,610 --> 00:18:56,370
input هذا لو عدته خمس تلاف مرة لو عدته مليون مرة

234
00:18:56,370 --> 00:19:01,070
هيديني نفس النتيجة محدد بينما في ال probabilistic

235
00:19:01,070 --> 00:19:04,310
طبعا في ال deterministic مافيش عندي مجلة

236
00:19:04,310 --> 00:19:09,240
randomness مافيش مجلة عشوائية كله شغال ضمنقيم

237
00:19:09,240 --> 00:19:12,580
حقيقية موجودة بين إيدينا بينما في الـ

238
00:19:12,580 --> 00:19:15,720
Probabilistic Approach بيعتمد على الـ Randomness

239
00:19:15,720 --> 00:19:18,660
لأنه بياخد Sample من ال population و بيصير .. ممكن

240
00:19:18,660 --> 00:19:23,180
نزقر .. عفوا النتيجة تتغير ما بين كرن و التاني

241
00:19:23,180 --> 00:19:26,200
بشكل

242
00:19:26,200 --> 00:19:28,880
عام احنا بنتكلم على ال supervised learning و

243
00:19:28,880 --> 00:19:34,050
بالتحديد ال classificationالان super vision زي ما

244
00:19:34,050 --> 00:19:37,870
قلنا سابقا training data ال data set اللي انا

245
00:19:37,870 --> 00:19:49,150
اخترتها بتتكلم عن ال heart disease ال

246
00:19:49,150 --> 00:19:55,090
body mass index ال blocked artery تصلب الشرايين

247
00:19:55,090 --> 00:20:04,810
قلم في الصدر و في الآخرالتصنيع التبعي هل هذا heart

248
00:20:04,810 --> 00:20:11,790
disease هل هذا مرض قلب مرض قلب ولا لأ yes و no ال

249
00:20:11,790 --> 00:20:18,030
data set في جو زي اليوم بتكلم الجو غائم ال outlook

250
00:20:18,030 --> 00:20:24,790
cloudy ال temperature عشرة مثلا او اتناشر ال

251
00:20:24,790 --> 00:20:32,600
humidityIntermediate متوسطة الـ Windy فيه رياح بدي

252
00:20:32,600 --> 00:20:38,720
أعمل هل اليوم ماطر أو لأ ك category كفئة لاحظ أنا

253
00:20:38,720 --> 00:20:43,400
الآن بتكلم هذه ال label تبعتي هي ال target هي ال

254
00:20:43,400 --> 00:20:47,140
group الـ predefined group إما هدول ال instances

255
00:20:47,140 --> 00:20:52,320
ال data set مقسمين لمجموعتين ناس مصابين أمراض

256
00:20:52,320 --> 00:20:58,190
القلب و ناس غير مصابةالجو أيام ماطرة و أيام غير

257
00:20:58,190 --> 00:21:03,210
ماطرة تصنيفات الطلاب جيد جدا او ممتاز جيد جدا جيد

258
00:21:03,210 --> 00:21:07,210
مقبولة هذه التصنيفات الموجودة معروفة مسبقا وهذه

259
00:21:07,210 --> 00:21:11,770
هتكون موجودة عندهان فلل training set هذه لازم تكون

260
00:21:11,770 --> 00:21:16,530
عاملة combination ما بين ال attributes اللي عندي

261
00:21:16,530 --> 00:21:20,310
بالاضافة

262
00:21:21,330 --> 00:21:25,310
الـ groups او الـ predefined groups يعني بين جثين

263
00:21:25,310 --> 00:21:34,190
محددله بشكل دقيق كل raw بيتبع اي مجموعة تمام؟ كل

264
00:21:34,190 --> 00:21:39,870
raw بيتبع اي مجموعة و عادة هذه بنسميها احنا

265
00:21:39,870 --> 00:21:45,990
training data training data فال classification هي

266
00:21:45,990 --> 00:21:53,400
مهمتها تعمل predict categorialclass label تتنبأ

267
00:21:53,400 --> 00:21:59,360
بالفئة باسم الفئة تبعتنين؟ تبعت المجموعات لل

268
00:21:59,360 --> 00:22:03,160
unseen data طبعا ال class label هذا إما بيكون

269
00:22:03,160 --> 00:22:10,460
discrete أو بيكون nominal شو يعني nominal data؟

270
00:22:10,460 --> 00:22:15,620
text .. text .. text .. تمام؟ طب شو يعني discrete

271
00:22:15,620 --> 00:22:20,450
data؟قيم منفصل عن بعضها هي فعلياً وظاهرها

272
00:22:20,450 --> 00:22:24,690
continuous عشر، عشرين، تلاتين تمام؟ ولمّا بتروح

273
00:22:24,690 --> 00:22:27,630
يعمل ال prediction هو بتقول أما عشرة أو عشرين أو

274
00:22:27,630 --> 00:22:30,570
تلاتين مالهاش علاقة بالأرقام أو العلاقة بالحساب

275
00:22:30,570 --> 00:22:36,670
مطلقاً الآن ففي

276
00:22:36,670 --> 00:22:39,570
ال classification هيبني prediction model عشان

277
00:22:39,570 --> 00:22:43,410
يتنبأ بال discrete values اللي موجودة عندها تعالى

278
00:22:43,410 --> 00:22:49,530
نشوف الصورة هايأو بلاش، قبل ما نروح على الصورة هاي

279
00:22:49,530 --> 00:22:53,010
عشان انا بقى أظل أقول Model Model Model Model شو

280
00:22:53,010 --> 00:23:06,790
يعني Model؟ نموذج نموذج، تمام وشو

281
00:23:06,790 --> 00:23:11,250
يعني نموذج؟ تصور، تصور، تصور، تصور، تصور، تصور،

282
00:23:11,250 --> 00:23:13,250
تصور، تصور، تصور، تصور، تصور، تصور، تصور، تصور،

283
00:23:13,250 --> 00:23:13,750
تصور، تصور، تصور، تصور، تصور، تصور، تصور، تصور،

284
00:23:13,750 --> 00:23:16,030
تصور، تصور

285
00:23:18,130 --> 00:23:22,990
صورة مصغرة شوف أحمد من غاد بيقولك photo

286
00:23:22,990 --> 00:23:26,770
description بس سيبك من ال photo و اتكلم عن ال

287
00:23:26,770 --> 00:23:31,290
description انا بقولك صح صورة مصغرة او نموذج بلاش

288
00:23:31,290 --> 00:23:38,410
نقول مصغر صورة توصفالنموذج أو الشكل أو ال object

289
00:23:38,410 --> 00:23:41,730
اللي جاي عندي الآن بتروح شركة Apple على سبيل .. لأ

290
00:23:41,730 --> 00:23:43,410
انتوا أقولكوا علاقة بما في ناس بتكون interested

291
00:23:43,410 --> 00:23:48,310
بالسيارات تروح شركة BMW بتقولك والله إحنا في عندنا

292
00:23:48,310 --> 00:23:53,470
ال model تبع ألفين و تلاتين من السيارة جاهز شو

293
00:23:53,470 --> 00:23:59,130
يعني؟ مش .. لأ لأ ماتكلم ال .. ماتكلم على ال model

294
00:23:59,130 --> 00:24:05,770
يعني ان هو في عنده تصور أو وصف دقيقلشكل السيارة،

295
00:24:05,770 --> 00:24:08,470
إيش السيارة بديها تكون، اللي في الـ 2030 يا همام

296
00:24:08,470 --> 00:24:12,150
ممكن prototype أو ممكن يكون عاملة prototype، بس في

297
00:24:12,150 --> 00:24:17,710
الآخر أهم في ال prototype هذا مثلا، معارض

298
00:24:17,710 --> 00:24:20,990
السيارات، لما بروح بيعرض في المعارض، إيش بقولك؟

299
00:24:20,990 --> 00:24:25,910
بقولك، هي model، تمام؟ عن السيارة، هي model عن

300
00:24:25,910 --> 00:24:26,450
الجوال

301
00:24:29,520 --> 00:24:34,720
sample ايش بستفيد من الـ sample هاي فعليا بشوف الـ

302
00:24:34,720 --> 00:24:39,000
real description بشوف وصفه دقيق كيف بيكون لأ لما

303
00:24:39,000 --> 00:24:42,700
بروح بقولك في عند ال model تبعت الجوال مكونا من او

304
00:24:42,700 --> 00:24:47,500
هيو كده فبديك وصفه جدش حجمه جدش الكاميرا جدش وزنه

305
00:24:47,500 --> 00:24:50,020
جدش ال processor جدش ال memory جدش ال storage

306
00:24:50,020 --> 00:24:53,760
تبعته ايش هو التقنية المستخدمة مع ال bluetooth مع

307
00:24:53,760 --> 00:24:57,300
ال land مع ال wireless عفوا كل الشغلات هذه بتكون

308
00:24:57,300 --> 00:25:04,310
موصوفة وبالتالي ال modelهي عبارة عن طريقة لوصف شيء

309
00:25:04,310 --> 00:25:07,150
معين، objects معين مرة عليكوا تشغلوا اسمها data

310
00:25:07,150 --> 00:25:11,930
model في ال database زمان؟ الفصل الماضي يا إيهاب

311
00:25:11,930 --> 00:25:16,970
لما اتكلمنا على ال data model و قبلها انت بتعرف

312
00:25:16,970 --> 00:25:21,750
شوية عن ال relational model تمام؟ مصبوط؟ ففعليا

313
00:25:21,750 --> 00:25:25,450
ليش بسميها model؟ لأنه بوصف البيانات كنت وبالتالي

314
00:25:25,450 --> 00:25:31,710
أنا الآن ال model اللي هتكلم عليههي عبارة عن آلية

315
00:25:31,710 --> 00:25:37,370
لوصف الـ knowledge ما تنساش ال data mining هدفها

316
00:25:37,370 --> 00:25:42,450
knowledge

317
00:25:42,450 --> 00:25:45,870
extraction

318
00:25:45,870 --> 00:25:53,930
ولا لأ؟ هدف ال mining task استخراج knowledge من ال

319
00:25:53,930 --> 00:25:56,970
data set اللي موجودة طب ال knowledge اللي طلعت هاي

320
00:25:58,780 --> 00:26:04,060
كيف بدي أوصفها؟ كيف بدي استخدمها؟ لازم تكون ضمن

321
00:26:04,060 --> 00:26:10,040
model معين عشان نقدراش نتكلم عليه الآن بالمثال

322
00:26:10,040 --> 00:26:14,300
اللي موجود عندي هان في

323
00:26:14,300 --> 00:26:18,800
عندي input raw data مجموعة من التفاح حسب الصورة

324
00:26:18,800 --> 00:26:26,140
اللي موجودة عندي هان تمان تفاحات أحجامهم ألوانهم

325
00:26:27,010 --> 00:26:30,190
الأوراق اللي موجودة عليهم بالإضافة للريحة والطعم

326
00:26:30,190 --> 00:26:33,610
ريحة

327
00:26:33,610 --> 00:26:38,890
طفاح اللي هو ريحة ولا ماله مش ريحة ممتاز لو ضليتك

328
00:26:38,890 --> 00:26:41,630
ساكتكم بقولك كيف بندخلها بس وما أنك انت سألني

329
00:26:41,630 --> 00:26:46,810
خلصنا فالآن هذه ال characteristics الوصفية تبعت ال

330
00:26:46,810 --> 00:26:51,750
data هي هم هروح نديها لل algorithm او اختار

331
00:26:51,750 --> 00:26:55,290
algorithm machine learning algorithmيقرأ ال data

332
00:26:55,290 --> 00:27:03,870
set كلتها يعملها تحليل يوجد علاقة ما بين الحجم و

333
00:27:03,870 --> 00:27:10,110
اللون و الرائحة و الطعم كل الشغلات هذه لما تديله

334
00:27:10,110 --> 00:27:14,570
ال data set او العناصر هذه يكون قادر على ان يقول

335
00:27:14,570 --> 00:27:20,590
لي ان هذه تفاحة الان ال model هذا انا روحت اختبرته

336
00:27:20,590 --> 00:27:27,690
بتفاحة خضرةتفاحة ولا لأ؟ تمام؟ اللون واحدة من ال

337
00:27:27,690 --> 00:27:32,010
characteristics اللي كانت موجودة بس مش كل شيء الان

338
00:27:32,010 --> 00:27:37,070
ال model تبعي الأصل يقول إنه هذا تفاحة لو أنا روحت

339
00:27:37,070 --> 00:27:45,770
أضف تهان مجموعة

340
00:27:45,770 --> 00:27:50,750
من ال manga أو البرتقال تمام؟ مجموعة من البرتقال

341
00:27:50,750 --> 00:27:57,670
وصار في اندي two groupsفي عندي هذه apple

342
00:27:57,670 --> 00:28:04,870
و هذه orange ال system اللي يتعرف على خصائص ال

343
00:28:04,870 --> 00:28:08,890
apple هي المفهوم التصنيف انه انا خلاص okay هدولة

344
00:28:08,890 --> 00:28:13,550
هي المصنف تبعي apple او orange فال system هيتعرف

345
00:28:13,550 --> 00:28:22,190
على خصائص ال apple و خصائص التفاح و يبني modelقادر

346
00:28:22,190 --> 00:28:28,050
على التفريق ما بين التنتين فلما أنا بديه تفاحة،

347
00:28:28,050 --> 00:28:30,750
هيقوللي تفاحة، اديته برتقالة، الاصلي يقوللي

348
00:28:30,750 --> 00:28:37,430
برتقالة، طب لو اديته حبة مانجا، مش هيعرف، غلط، في

349
00:28:37,430 --> 00:28:41,490
ال classification هان، لأنه آلة، وفيش مجال، يا

350
00:28:41,490 --> 00:28:45,270
هذه، يا هذه، فيش مجال، مافيش خيار تالت، انت

351
00:28:45,270 --> 00:28:48,290
ماتركتلهوش، في موضوع التصنيف، هي اللي أنا بوصلك

352
00:28:48,290 --> 00:28:53,020
إياها، في موضوع التصنيف، فيش مجال،عندك أربع فئات

353
00:28:53,020 --> 00:28:55,920
بدك تحط تحت واحدة من الأربع فئات عندك two

354
00:28:55,920 --> 00:29:00,020
categories بدك تضيفه لواحدة من ال categories بس

355
00:29:00,020 --> 00:29:04,760
غالبا هيضيفه للأقرب يعني تخيل أنه والله كان في ال

356
00:29:04,760 --> 00:29:08,800
manga اللي بنتكلم عليها هي لونها أحمر مثلا وماخدة

357
00:29:08,800 --> 00:29:16,910
شكل كراوي أكثر تمام فهتروح باتجاه الطفاحففي الآخر

358
00:29:16,910 --> 00:29:21,570
هو صح صنفها غلط في كل الأحوال بس هو اجتهد .. اجتهد

359
00:29:21,570 --> 00:29:27,390
و راح ضافها للأقرب حسب ال object اللي موجود لكن في

360
00:29:27,390 --> 00:29:32,190
المقابل كان في حبة manga أخرى أكبر حجما و لونها

361
00:29:32,190 --> 00:29:37,430
برتقالي تمام؟ فمش ضروري أروح أصنفلك إياها تفاح

362
00:29:37,430 --> 00:29:42,030
بروح أصنفلك إياها إيش؟ Orange لأنه فعليا ال

363
00:29:42,030 --> 00:29:49,070
characteristic تبعتها متشابهة نعملأ مش ممكن عمرك

364
00:29:49,070 --> 00:29:54,310
مرة عليك برنامج انه بيبني فئة لوحده ممكن اتعلم

365
00:29:54,310 --> 00:29:57,650
تبني .. تبني الحالة تبني الحالة ده حالة يعني اذا

366
00:29:57,650 --> 00:30:01,890
تيجي ده اولشه اول مرة تصنفها لحالة و ممكن ال human

367
00:30:01,890 --> 00:30:06,970
يقولش شوف رجع لوين بعدين ال human يقول ال human هو

368
00:30:06,970 --> 00:30:12,520
صاحب القرار عمرها مالقالةغيرت حال تمام أو أخدت

369
00:30:12,520 --> 00:30:15,980
decision لوحدها حتى كل اللي بنشوفه في الذكاء

370
00:30:15,980 --> 00:30:23,100
الاصطناعي مرده لتخطيط صحيح من ال human وتصرف الآلة

371
00:30:23,100 --> 00:30:27,020
ما هو إلا من تصرف ال human ضمن المسار اللي رسمه

372
00:30:27,020 --> 00:30:30,540
الآن سيبك من الأفلام اللي احنا بنشوفها ان ال .. ال

373
00:30:30,540 --> 00:30:34,620
.. اتطورته حتى تقطع .. تقطع .. تجيب البشر وتحتل

374
00:30:34,620 --> 00:30:39,060
الكون ده مافيش منه تمام؟

375
00:30:40,540 --> 00:30:45,060
طيب، الآن فبالتالي يا محمد احنا بنتكلم فش مجال فش

376
00:30:45,060 --> 00:30:48,280
مجال ان اروح فئة اضيف فئة جديدة لأ الفئات موجودة

377
00:30:48,280 --> 00:30:52,340
مسبقا و بناء عليه انا هشتغل مع الفئات اللي موجودة

378
00:30:52,340 --> 00:30:56,060
عندى فضل

379
00:30:59,640 --> 00:31:02,160
مية لمية الفرق بين ال regression و ال

380
00:31:02,160 --> 00:31:06,300
classification ان ال classification categorical

381
00:31:06,300 --> 00:31:10,940
value discrete values واحدة من التنتين هدول بينما

382
00:31:10,940 --> 00:31:15,960
بال regression بده يديني قيمة continuous value

383
00:31:15,960 --> 00:31:26,380
number بده تكون موجودة عندى طيب الآن ال

384
00:31:26,380 --> 00:31:32,500
classificationهي عبارة عن تكنيك أو قالية أو تقنية

385
00:31:32,500 --> 00:31:36,440
من أجل التنبؤ

386
00:31:36,440 --> 00:31:43,340
to predict group membership شو يعني group

387
00:31:43,340 --> 00:31:50,640
membership؟ عضوية المجموعات، هل هذا ملائم لعضوية

388
00:31:50,640 --> 00:31:54,240
المجموعة الفلانية ولا لأ؟ في عندي مجموعة اسمها الـ

389
00:31:54,240 --> 00:32:00,440
Smart Students في الـ ITأنت ملائم إلها ولا غير

390
00:32:00,440 --> 00:32:05,860
ملائم؟ مش أنت اللي بتقرر، تمام؟ في لجنة هتروح

391
00:32:05,860 --> 00:32:11,460
تختبرك وبناء عليها تقول أنت تنصلح ولا ما تصلحش،

392
00:32:11,460 --> 00:32:14,380
ليش؟ لأنه كمان مرة ال prediction مش أنت صاحب

393
00:32:14,380 --> 00:32:19,160
قراره، عفوا ال classification أو التصطيف مش أنت

394
00:32:19,160 --> 00:32:23,980
صاحب قراره، في عندنا كل صنف إله rule أو خصائص

395
00:32:23,980 --> 00:32:29,960
معينةكل صنف له خصائص معينة وبالتالي .. بالتالي انت

396
00:32:29,960 --> 00:32:33,760
بدك تخضع للخصائص اللي موجودة ان طبقت عليك الخصائص

397
00:32:33,760 --> 00:32:39,560
فانت بتنتمي للمجموعة ما انطبقتش لأ ممكن تنتمي

398
00:32:39,560 --> 00:32:43,880
للمجموعة الثاني او التالتة حسب العناصر اللي موجودة

399
00:32:43,880 --> 00:32:47,980
عندها نعم decision

400
00:32:47,980 --> 00:32:51,340
واحد

401
00:32:51,340 --> 00:32:56,570
فقط هينتمي لواحدة فقط مانتميش للتنتينفي عندك مشكلة

402
00:32:56,570 --> 00:33:00,150
في الـ model تبعتك في ال prediction model تبعتك

403
00:33:00,150 --> 00:33:04,310
الآن كريم بيطرح بيقول كالتالي لو كان في عندي

404
00:33:04,310 --> 00:33:11,070
instance أو عندي object يمكن أن يصنف تحت شغلتين

405
00:33:11,070 --> 00:33:17,090
حسب القلة هذا الكلام مرفوض يتصنف تحت قلة تحت عنصر

406
00:33:17,090 --> 00:33:22,590
واحد نظبط يا كريم؟ الآن في الشيء الآن إذا أنا

407
00:33:22,590 --> 00:33:28,260
قلتله ifالـ Condition هذا، لو تحقق الشرط هذا، وين

408
00:33:28,260 --> 00:33:33,640
هيروح؟ على الـ Block تبعتها، لو ما تحققش، مافيش

409
00:33:33,640 --> 00:33:37,080
اللي غير الـ Else، وبالتالي مافيش مجال، يا هن يا

410
00:33:37,080 --> 00:33:40,740
هن، لأن طبيعة الـ System اللي احنا بنشتغل معاه،

411
00:33:40,740 --> 00:33:47,240
لكن هل ممكن الـ System يخطأ ويديني نفس الـ Input

412
00:33:47,240 --> 00:33:51,080
أو نفس الـ Object هذا في two categories مختلفات،

413
00:33:51,080 --> 00:33:55,370
يعني لو جربت عليه مرتين،في حالة الـ Deterministic

414
00:33:55,370 --> 00:34:01,570
مستحيل في حالة الـ Deterministic مستحيل خلاص،

415
00:34:01,570 --> 00:34:04,290
ادّاك النتيجة، النتيجة هتحطل تطلعلك بالسمرار لكن

416
00:34:04,290 --> 00:34:07,830
في حالة الـ Probabilistic ممكن، ليش؟ لأنه هصير

417
00:34:07,830 --> 00:34:11,190
يعتمد على Random Sample من الـ Data Set ويشغل

418
00:34:11,190 --> 00:34:15,650
عليها ويديك على الأقرب منهم Anyway، الآن الفكرة

419
00:34:15,650 --> 00:34:18,450
كالتالي إنه أنا بدي أعمل Prediction للـ Group

420
00:34:18,450 --> 00:34:22,290
Membership أو أتنبأ بعضوية المجموعات اللي عنديها

421
00:34:23,410 --> 00:34:27,310
مثل اللي انا بدأت نبق بالطقس هل هو sunny ولا rainy

422
00:34:27,310 --> 00:34:32,030
ولا cloudy بينفعش اروح اقول والله انا في عندي ..

423
00:34:32,030 --> 00:34:35,190
بدأ أضيف كمان category جديدة مغبر من عندي أو ال

424
00:34:35,190 --> 00:34:39,530
system يقترح علي لأ هذه ال category هي اللي موجودة

425
00:34:39,530 --> 00:34:48,790
وانت بدك تصنف كل الأيام لواحد من التلاتة هدول في

426
00:34:48,790 --> 00:34:54,470
ال machine learning بشكل عام ال classifierعبارة عن

427
00:34:54,470 --> 00:35:01,970
computational object أو computational model حساب

428
00:35:01,970 --> 00:35:08,370
على مرحلتين المرحلة

429
00:35:08,370 --> 00:35:12,410
الأولى بنسميها ال training مرحلة

430
00:35:13,190 --> 00:35:15,970
للـ training مفهوم مرحلة الـ training يا جماعة

431
00:35:15,970 --> 00:35:21,250
الخير انه انا فعليا اعمل analysis لكل العناصر اللي

432
00:35:21,250 --> 00:35:24,530
موجودة التمن الطفاحات اللي شوفناهم بالشكل السابق

433
00:35:24,530 --> 00:35:27,290
والست بورتقالات اللي انتصرت sentimani بشكل وهمي

434
00:35:27,290 --> 00:35:32,490
انا هان بدي اخد كل instance و اربط العلاقة و احاول

435
00:35:32,490 --> 00:35:36,130
اوجد علاقة بين خصائص ال object هذا مع ال label

436
00:35:36,130 --> 00:35:43,440
عشان اقدر اخد generalknowledge أو general rules لـ

437
00:35:43,440 --> 00:35:48,260
classification عشان لما يجيني أي object أقول لو

438
00:35:48,260 --> 00:35:53,760
كان وزن ال object هذا كذا ولونه orange تمام؟ وشكله

439
00:35:53,760 --> 00:36:01,740
دائري فهذا حتما بورتقالة otherwise else هيكون إيش؟

440
00:36:01,740 --> 00:36:05,200
تفاح لأنه ماعنديش خيارات غير التفاح فبصير إما

441
00:36:05,200 --> 00:36:12,530
بورتقالأو تفاح و تحت التفاح ممكن تحط كل العناصر أو

442
00:36:12,530 --> 00:36:16,610
كل الفواكه التانية التي لم يقدر ان يصنفها ال

443
00:36:16,610 --> 00:36:20,770
system على انهاش برتقال و عادة في اللغات بنسميها

444
00:36:20,770 --> 00:36:27,350
binary classificationtrue وfalse positive و

445
00:36:27,350 --> 00:36:32,570
negative orange not orange مابنقولش تفاح لأن لو حط

446
00:36:32,570 --> 00:36:35,410
المانجا وحط الموز تحت التفاح حصير في عنا خطأ

447
00:36:35,410 --> 00:36:40,190
فبنقول احنا orange و not orange و هكذا الآن في

448
00:36:40,190 --> 00:36:46,670
مرحلة لل training زي ما قلنا انه هياخد كل ال data

449
00:36:46,670 --> 00:36:51,450
points اللي موجودة عندها اللي هي ال samples مع ال

450
00:36:51,450 --> 00:36:58,820
correct label المرتبط فيهاويحاول يتعلم يصل لـ

451
00:36:58,820 --> 00:37:03,280
pattern معين كيف ال label هذا مرتبط بالـ point زي

452
00:37:03,280 --> 00:37:09,020
ما حكينا قبل لحظات بمجرد إن ال system هذا تعلم بدي

453
00:37:09,020 --> 00:37:13,300
يبدأ يتصرف الآن فتصرفه هيكون عبارة عن function

454
00:37:13,300 --> 00:37:18,900
prediction function هتاخد ال input تبع ال sample

455
00:37:18,900 --> 00:37:23,480
تبع ال data point بدون ال label عشان تعمل هي

456
00:37:23,480 --> 00:37:27,500
predictionللـ label أو لل category اللي موجودة

457
00:37:27,500 --> 00:37:33,980
عندها فال

458
00:37:33,980 --> 00:37:37,240
step الأولى بنسميها احنا ال model construction

459
00:37:37,240 --> 00:37:43,040
بناء ال model في ال regression يا جماعة الخير وحتى

460
00:37:43,040 --> 00:37:45,960
في ال classification ممكن ال model تبعي يكون عبارة

461
00:37:45,960 --> 00:37:48,620
في ال binary classification يكون عبارة عن linear

462
00:37:48,620 --> 00:37:53,740
line linear equation ال Y equal M

463
00:38:07,350 --> 00:38:13,660
معادلة خط مستقيم ماهي الخط المستقيم مهمته؟بيفصل

464
00:38:13,660 --> 00:38:17,020
بين شغلتين اللي فوق الخط category و اللي تحت الخط

465
00:38:17,020 --> 00:38:20,800
category تانية ففي لحظة ال binary classification

466
00:38:20,800 --> 00:38:25,840
إذا قدرت أنا أصل لمعادلة الخط المستقيم اللي بيفصل

467
00:38:25,840 --> 00:38:31,160
ما بين ال two categories خلاص هي ال model تبعي

468
00:38:31,160 --> 00:38:37,700
بصير باخد ال instances تمام؟ و بقى قارنهاإذا كانت

469
00:38:37,700 --> 00:38:41,080
أكبر من كده فهي positive أقل من كده فهي negative

470
00:38:41,080 --> 00:38:44,860
true أو false orange أو not orange فهي ال model

471
00:38:44,860 --> 00:38:49,480
اللي أنا بدور عليه في ال model construction احنا

472
00:38:49,480 --> 00:38:53,500
عادة بنفترض ان ال data set كل sample في ال data

473
00:38:53,500 --> 00:39:00,070
set بتنتمي ل only one categoryلأن لو نفس ال data

474
00:39:00,070 --> 00:39:03,030
set أو عفوا نفس ال instance هذه تكررت مع different

475
00:39:03,030 --> 00:39:07,250
category اتوا في عندي مشكلة الشغل اللي بتعلمها قبل

476
00:39:07,250 --> 00:39:10,390
شوية بدي احاول انفيها او بدي اتراجع عنها و احط

477
00:39:10,390 --> 00:39:13,970
واحدة مضادة لها و هذا الكلام ولا عمره بصير تماما

478
00:39:13,970 --> 00:39:18,070
تماما مثل ما اجي اقول اعلم الولد الصغير اقوله 2

479
00:39:18,070 --> 00:39:23,850
ضرب 3 يساوي 6 و في نفس الوجهة اروح اقوله بعد فترة

480
00:39:23,850 --> 00:39:26,090
2 ضرب 3 يساوي 16

481
00:39:29,010 --> 00:39:34,810
يحفظ مين فيهم؟ مين فيهم الصح؟ الأخيرة الصح اه؟

482
00:39:34,810 --> 00:39:37,850
مابيعرفش ال system ال computer مابيعرفش انت في

483
00:39:37,850 --> 00:39:42,370
مرحلة التلقين التنتين صح و لما تصير في عنده معلومة

484
00:39:42,370 --> 00:39:47,870
متضاربة فعليا مش هيقدر ياخد decision في أي حالة

485
00:39:47,870 --> 00:39:52,140
فيها اتنين ضرب تلاتةهذا اللي بيصير عشان هي كده

486
00:39:52,140 --> 00:39:55,820
نفترض انه في موضوع ال learning أو في مرحلة لل

487
00:39:55,820 --> 00:39:58,180
training أو ال learning في ال model construction

488
00:39:58,180 --> 00:40:04,680
انه كل instance بتنتمي فقط ل only one category one

489
00:40:04,680 --> 00:40:10,620
label مجموعة ال data ال 6 اللي انا بدي ادرب عليها

490
00:40:10,620 --> 00:40:14,640
النظام او اللي بدي حللها النظام بحيث انه ياخد منها

491
00:40:14,640 --> 00:40:19,910
يستخلص ال model منها بسميها ال trainingset بسميها

492
00:40:19,910 --> 00:40:26,410
ال training set دكتور نعم ال training set كلمة

493
00:40:26,410 --> 00:40:30,110
بتعمل ال model بنقل عليها لإن كل واحد مثلا فواجب

494
00:40:30,110 --> 00:40:33,350
مخل تلقى ال training set من خمسين ألف دورة مش

495
00:40:33,350 --> 00:40:36,170
هتبقى ال model مثلا زي ما سيكت في سبوك أو أمازونة

496
00:40:36,170 --> 00:40:38,530
بتبني او ال training set دي ال model طب ما احنا

497
00:40:38,530 --> 00:40:40,970
جولنا مين جابلنا هيك هيقولنا كل ما كبرت ال

498
00:40:40,970 --> 00:40:44,610
training data set تبعتي بكون فرصة ال prediction

499
00:40:44,610 --> 00:40:48,570
تبعتي انها تكون أدق أعلىكيف الاسم يعني؟ مثلا خمسين

500
00:40:48,570 --> 00:40:53,690
ألف raw شوف لأ لأ شوية انت عندك ال data set كلها

501
00:40:53,690 --> 00:40:57,410
خمسين ألف raw و بدك تعمل training ع تلاتين ألف raw

502
00:40:57,410 --> 00:41:01,370
مثلا مش كافي لإن عادة جماعة التلخير ال rows

503
00:41:01,370 --> 00:41:04,990
المستخدمة أو الحجم لل training set بيكون أكبر من

504
00:41:04,990 --> 00:41:08,320
ال testing setيعني الآن إذا بتقدر تعمل training

505
00:41:08,320 --> 00:41:11,160
على كل ال data و تختبره في data مختلفة بيكون ممتاز

506
00:41:11,160 --> 00:41:15,060
عشان هيك كنا في ال data preparation نأكد هل في

507
00:41:15,060 --> 00:41:19,160
مصادر أخرى للبيانات عندك ولا مافيش و جديش حجمها،

508
00:41:19,160 --> 00:41:22,540
طبعا؟ الآن إذا أنت لاحظت في أخر assignment أو في

509
00:41:22,540 --> 00:41:25,720
ال assignment الأخير مطلوب منك، أخر band اجسم ال

510
00:41:25,720 --> 00:41:31,500
data set اللي عندك 70% لل training set و 30% لل

511
00:41:31,500 --> 00:41:35,380
test setمصبوط وهذه التسأل ليش؟ لأنه مابديش إياك

512
00:41:35,380 --> 00:41:38,980
تدرب كل .. تدربه على نفس .. يعني على نفس ال data و

513
00:41:38,980 --> 00:41:42,820
بعدين أجي أحترمه لإن كيف بدي أختبره أو بدي أفحص

514
00:41:42,820 --> 00:41:48,280
مدى دقة العنصر كمان مرة يا جماعة الخير بنأكد كل ما

515
00:41:48,280 --> 00:41:53,800
كانت ال data set أكبر ال training set أكبر المفروض

516
00:41:53,800 --> 00:41:56,860
أن كل ما تكون ال data أو خلنا نقول ال knowledge

517
00:41:56,860 --> 00:42:02,120
تبعتي أدقالـ classification تبعتي بتصير أداء لكن

518
00:42:02,120 --> 00:42:05,220
برضه مش منطق أن يكون انا في عندى اتنين مليار

519
00:42:05,220 --> 00:42:10,800
record تمام؟ وانا بتروح بتقبج عليهم كلهم عملية ال

520
00:42:10,800 --> 00:42:13,940
training بحد ذاتها هذه هتصير تاخد مني أشهر لما

521
00:42:13,940 --> 00:42:17,360
تنتهي فبتصير ممكن ال task اللي أنا بأشتغل عليها

522
00:42:17,360 --> 00:42:24,370
أساسا خلصت بطللها قيمة فانت برضه بتوازن ما بينالـ

523
00:42:24,370 --> 00:42:28,310
accuracy تبع النظام و عامل الوقت أو ال performance

524
00:42:28,310 --> 00:42:34,610
تبع ال training جدّيش بيحقق نتائج في

525
00:42:34,610 --> 00:42:40,110
ال data set اللي موجود عندنا هان الان هاي عندى ال

526
00:42:40,110 --> 00:42:44,610
data set ال name ال rank ال years اترجى ولا

527
00:42:44,610 --> 00:42:48,830
مايترجاش اتقعد

528
00:42:48,830 --> 00:42:54,450
ولا مايتقعدشنريح ولا ما نريحوش لأن هاي ال class

529
00:42:54,450 --> 00:42:58,890
اللي عندي yes و no فاروح أعمل التحليل لل data set

530
00:42:58,890 --> 00:43:04,410
اللي موجودة وكان مفاده إنه ال algorithm راح أداني

531
00:43:04,410 --> 00:43:09,590
classifier model prediction model لل class لميه

532
00:43:09,590 --> 00:43:13,910
ممكن أختار؟ ل yes و no بحيث إنه أنا لو زودت بال

533
00:43:13,910 --> 00:43:20,750
rank وعدد سنوات الخبرةيدّين ال label اللي موجود

534
00:43:20,750 --> 00:43:27,890
فجال ال model تبعي هو عبارة عن if then rule لو كان

535
00:43:27,890 --> 00:43:31,890
ال rank professor وال year أكبر أو يساوي 6 أكبر من

536
00:43:31,890 --> 00:43:42,910
6 معناته نرجّي تمام المرحلة التانية ال model usage

537
00:43:42,910 --> 00:43:48,060
بالملاحظة يا شبابالـ classification algorithm أنا

538
00:43:48,060 --> 00:43:55,280
هان غالبا .. غالبا يشتغل فعليا as a black box يعني

539
00:43:55,280 --> 00:43:58,980
هدي ال input و أخد منه ال output اللي هو ال model

540
00:43:58,980 --> 00:44:03,300
إيش اللي بيصير .. إيش اللي بيصير؟ غالبا مش كل

541
00:44:03,300 --> 00:44:06,820
الناس المعنية فيهم بس أنا بالمساك هذا هدخل بتفاصيل

542
00:44:06,820 --> 00:44:11,240
عشان أعرف فعليا ال classifier كيف اشتغل تمام؟ لكن

543
00:44:11,240 --> 00:44:15,730
في بعض ال classifiersمش هنكون او مش هنتطرق لها

544
00:44:15,730 --> 00:44:22,230
بالشغل تبعتها بمجرد ان ال classifier انبنى بده

545
00:44:22,230 --> 00:44:25,630
اروح اطبقه او بده اروح استخدمه ال model هذا الآن

546
00:44:25,630 --> 00:44:32,150
بيصير قابل للاستخدام فيش

547
00:44:32,150 --> 00:44:38,150
بده استخدمه؟ يعمل classifying لمين؟ لل feature، ل

548
00:44:38,150 --> 00:44:41,810
future او ال unknown objects

549
00:44:43,140 --> 00:44:46,840
بالمثال تابعني السابق هذا أنا صار فيه عندى Jeff

550
00:44:46,840 --> 00:44:53,200
professor و 4 سنوات الاسم neglected مش هعتبره لإن

551
00:44:53,200 --> 00:44:58,660
ال role تبعي مبني على ال rank و ال years و بناء

552
00:44:58,660 --> 00:45:03,480
عليه أنا بدي أخد القرار كان بيقول لي if ال rank

553
00:45:03,480 --> 00:45:07,280
equal

554
00:45:07,280 --> 00:45:17,370
of or ال years أكبر من 6then yes مظبوط هاي ال role

555
00:45:17,370 --> 00:45:23,110
تبعي هاي ال model تبعي الآن هاي ال data اللي عندى

556
00:45:23,110 --> 00:45:26,710
حقق عليها بطبقها مباشرة باخد ال instances و بطبق

557
00:45:26,710 --> 00:45:30,250
ال instance value و بطبق عليها هان و باخد القرار

558
00:45:30,250 --> 00:45:37,070
تبع لل role اللي موجود عندى طيب

559
00:45:37,070 --> 00:45:40,690
لو ماكانش ماكانش professor كان assistant professor

560
00:45:40,690 --> 00:45:47,550
و 5 سنواتNo مع ال else مباشرة مع ال else مباشرة

561
00:45:47,550 --> 00:45:54,150
الارجل مع الخير معناته انا بحاجة في مرحلتين عشان

562
00:45:54,150 --> 00:45:56,690
اشتغل مع ال classifier بحاجة اشتغل على مرحلتين

563
00:45:56,690 --> 00:46:00,550
المرحلة الأولى اللي هي ال model construction

564
00:46:00,550 --> 00:46:05,770
وبيلزمني data عشان ادرب ال model عليها بين جثين

565
00:46:05,770 --> 00:46:08,710
بلزمني data عشان ال system او ال learning

566
00:46:08,710 --> 00:46:14,230
algorithm يحللها ويبني model بناء عليهاالشغلة

567
00:46:14,230 --> 00:46:19,450
التانية انه انا بدي افحص ال model او بدي استخدم ال

568
00:46:19,450 --> 00:46:22,830
model في ال prediction وهي بنسميها احنا المرحلة

569
00:46:22,830 --> 00:46:26,630
مرحلة ال testing او ال test فانا بدي اجسم ال data

570
00:46:26,630 --> 00:46:33,130
set تبعتي لل training set و

571
00:46:33,130 --> 00:46:40,340
test set ليش؟ عشان لما انا احصل على modelعشان لما

572
00:46:40,340 --> 00:46:43,460
أحصل على model كيف بدي أتعرف إن ال model هذا شغال

573
00:46:43,460 --> 00:46:48,200
كويس ولا لأ؟ بدي إنه النتيجة المطلوبة ولا بشتغل من

574
00:46:48,200 --> 00:46:54,880
رأسه؟ فبدي أعمله evaluation طيب evaluation how did

575
00:46:54,880 --> 00:47:00,380
that test set؟ هو الأصل هي unseen data، مصبوط؟

576
00:47:00,380 --> 00:47:05,760
فعليا unseen، ماشفهاش، بس دي فيها label، حخف ال

577
00:47:05,760 --> 00:47:10,620
label عنه، عشان أقدر إيش؟أقارن بين النتيجة اللي هو

578
00:47:10,620 --> 00:47:16,080
هيقين إياها والنتيجة اللي هحصل عليها وانا بدي أسأل

579
00:47:16,080 --> 00:47:25,980
سؤال هل ال test set labelled set؟ في مرحلة ال

580
00:47:25,980 --> 00:47:33,160
evaluation هل ال test set labelled set؟ طيب، الآن

581
00:47:33,160 --> 00:47:34,100
أنا جديد كتبت

582
00:47:36,780 --> 00:47:43,060
الـ body mass index point تلاتة سبعة والـ chest

583
00:47:43,060 --> 00:47:52,020
pain yes تصلب شرايين Blocked Artery yes قال لي هذا

584
00:47:52,020 --> 00:47:57,720
heart disease هذا الأصل اللي نعملها prediction صح؟

585
00:47:57,720 --> 00:48:06,090
أنا أخدتها على عليتها هيك قال لي noبتقدر تقول عن

586
00:48:06,090 --> 00:48:09,430
ال prediction بتاعته صح ولا غلط؟ بتقدر تعمل

587
00:48:09,430 --> 00:48:16,590
evaluation لإلها؟ بتقارنها بإيش؟ بال level الأصلي

588
00:48:16,590 --> 00:48:21,930
فعشان هيك ال test set must be label عشان هيك بعد

589
00:48:21,930 --> 00:48:24,470
ما انت خلصت عملت processing في ال assignment

590
00:48:24,470 --> 00:48:29,890
وقلتلك اجسم اجسم ال data set لجزءين جزء ال

591
00:48:29,890 --> 00:48:35,340
trainingوجزء Testing بس اللي هيصير فعلياً لما أصل

592
00:48:35,340 --> 00:48:40,820
مرحلة ال evaluation هخب ال test او هخب ال label

593
00:48:40,820 --> 00:48:45,780
تبعت مين تبعت ال test set عشان اقول اتفضل هاي

594
00:48:45,780 --> 00:48:49,640
unseen ده تعملهم prediction فبديني مجموعة ال

595
00:48:49,640 --> 00:48:53,160
labels اللي predicted وعندي ال original او ال true

596
00:48:53,160 --> 00:48:58,320
labelled بصير اقارن و بقدر اتكلم انه جديش هذا ال

597
00:48:58,320 --> 00:48:59,180
model تبعي accurate

598
00:49:03,990 --> 00:49:08,470
أه، الآن أحمد بيسأل، بيقول هل بقدر أروح أرجع ال

599
00:49:08,470 --> 00:49:11,830
data test set هذه و أوديها على ال training عشان

600
00:49:11,830 --> 00:49:17,350
يتعلم من أخطائه؟ انت already علمته و كمان لو انت

601
00:49:17,350 --> 00:49:21,270
روحت أخدته، يعني هيك، من وين بدك تختبره بعد هيك؟

602
00:49:21,270 --> 00:49:25,130
بدك تجيبله data set شديدة، طب ليش مش من نفس ال

603
00:49:25,130 --> 00:49:30,450
data set؟ لأن already هو شافها، تمام من الشباب،

604
00:49:30,450 --> 00:49:37,330
بينفعش أنا آجيأديك الامتحان و اقولك اتفضل حلو تمام

605
00:49:37,330 --> 00:49:42,530
و بكرا بدي اختبرك فيها في الأسئلة هاي ما أصبحاش

606
00:49:42,530 --> 00:49:50,370
امتحان ولا أصبح امتحان امتحان مسرب اه فش يعني عفوا

607
00:49:50,370 --> 00:49:53,550
كلكوا هتنجحوا مصبوط الأصل كده و اللي بديهوش ينجح

608
00:49:53,550 --> 00:49:58,570
يتطخدك الساعة بيكون بس فعليا هل النجاح هذا حقيقي؟

609
00:49:58,570 --> 00:50:04,890
لأ الحاجات هذا fake النجاح هذا fakeأما احنا قلنا

610
00:50:04,890 --> 00:50:09,390
الفكرة وين ان بعد ما انا جسمت هان في مرحلة ال

611
00:50:09,390 --> 00:50:14,890
evaluation مش بده يشوف .. بده يشوف ال .. بيشوف هو

612
00:50:14,890 --> 00:50:19,370
اجتيش .. لأ بده يشوف ال .. ال .. ال .. ال .. ال

613
00:50:19,370 --> 00:50:24,670
rock دي قارن فوق هيو .. هذه .. هذه .. بده يقارن

614
00:50:24,670 --> 00:50:30,690
هذهلأ ومش قارنها مع اللي فوق هو على ال model بناء

615
00:50:30,690 --> 00:50:33,950
على ال equation اللي انكتبت يعني مثلا هدولة أربع

616
00:50:33,950 --> 00:50:37,470
attributes أو three attributes A1, A2, A3 ومع ال

617
00:50:37,470 --> 00:50:41,670
label بدي أفترض أنا جدلا ان ال model تبعي هو عبارة

618
00:50:41,670 --> 00:50:52,330
عن ال Y بيذهب تساوي M1 في A1 زائد M2 في A2 زائد M3

619
00:50:52,330 --> 00:51:03,080
في A3زائد الـ B مش هذا AI الموديل اللي بتعالج

620
00:51:03,080 --> 00:51:06,480
أولادي؟ اه هي جزء من ال AI ال machine learning جزء

621
00:51:06,480 --> 00:51:11,100
من ال AI يعني اذا ما بنعملش كود بسيط انا ماقلتش

622
00:51:11,100 --> 00:51:15,140
كود بسيط انا حاول توصلك صورة ال model كيه بده يكون

623
00:51:15,140 --> 00:51:19,580
بس الآن ال model اللي بتكلم عليه يا راني هيهالـ

624
00:51:19,580 --> 00:51:24,160
system فعليا بعد ما درس كل ال training data راح

625
00:51:24,160 --> 00:51:30,260
قال لي M1 هذه قيمتها point 17 من 100 زائد هذه

626
00:51:30,260 --> 00:51:41,360
قيمتها 73 و هذه قيمتها point 0.5 و ال B point 882

627
00:51:41,360 --> 00:51:46,380
مثلا ايش بيظل عندي قيمة ال attributes هيها موجودة

628
00:51:47,610 --> 00:51:50,150
مصبوط؟ فباخد قيمة الـ attributes و بضربها في القيم

629
00:51:50,150 --> 00:51:53,530
اللي موجودة و بجمعهم بناءً على ال Y اللي أنا حصلت

630
00:51:53,530 --> 00:51:58,870
عليها ال Y الأصل تكون مين؟ ال class فبدي أقارن ال

631
00:51:58,870 --> 00:52:04,950
predicted class ال predicted Y مع ال actual Y ال

632
00:52:04,950 --> 00:52:08,070
actual label اللي موجودة عندي اللي أنا خفيتها في

633
00:52:08,070 --> 00:52:12,670
مرحلة ال evaluation يعني انتجيها بعد .. اه بعد ما

634
00:52:12,670 --> 00:52:15,530
يقيم يعني انت الآن بتشوف .. حل الأسئلة بتاعة

635
00:52:15,530 --> 00:52:24,940
الامتحان قبل ولا بعد؟بعد؟ goal طب كيف و بطل ليش؟

636
00:52:24,940 --> 00:52:29,760
ايه

637
00:52:29,760 --> 00:52:33,180
كانت بتتعلم، ماتجلجش حضرت ال data set اللي عليك

638
00:52:33,180 --> 00:52:39,400
المهم؟ أكيد و عملت pre processing تمام؟

639
00:52:39,400 --> 00:52:43,880
لأ انت هتستخدم ال AI يعني هتستخدم ال machine

640
00:52:43,880 --> 00:52:48,520
learning بس هتفهم ال model كيف بيشتغلتمام؟ انت مش

641
00:52:48,520 --> 00:52:53,500
مجرد .. انت مش طالب طب ولا طالب جيغرافيا ان علمك

642
00:52:53,500 --> 00:52:57,140
هى ال algorithm هى ال input هى ال output و بتستخدم

643
00:52:57,140 --> 00:53:00,120
ال output بتخدمه بالشكل هذا لأ ال algorithm نفسه

644
00:53:00,120 --> 00:53:03,100
كيف يشتغل بالتحليل لإنك انت طالب computer science

645
00:53:03,100 --> 00:53:08,280
أو تطوير برمجيات سنة تالتة ولا رابعة؟ واش دخل؟ حد

646
00:53:08,280 --> 00:53:14,740
قالك تسجل المساق ال accuracyلحظة أنا ما زلت بتكلم

647
00:53:14,740 --> 00:53:17,940
في ال basic components أو في ال basic concept تبع

648
00:53:17,940 --> 00:53:21,440
ال classification ال accuracy لما بتكلم على ال

649
00:53:21,440 --> 00:53:27,480
accuracy بتكلم على دقة النظام بتكلم على قدرة

650
00:53:27,480 --> 00:53:32,700
النظام على ال prediction الصحيح وبالتحديد ال

651
00:53:32,700 --> 00:53:38,900
accuracy هي عبارة عن ratio بين ال prediction

652
00:53:38,900 --> 00:53:44,200
الصحيحة على كل predictionsعدد ال prediction المرات

653
00:53:44,200 --> 00:53:49,800
التنبؤ الصحيح على كل حالات التنبؤ اللي تمت عندى

654
00:53:49,800 --> 00:53:53,460
كيف يعنى؟ أنا عندى ال test set كان فيها عشرة

655
00:53:53,460 --> 00:53:59,620
instances لما قلت للموضل اعمل ال prediction لهدول

656
00:53:59,620 --> 00:54:06,720
جاب سبعة منهم صح معناته ال Accuracy سبعة على عشرة

657
00:54:06,720 --> 00:54:11,590
اللي هي 70% من النظام اللي موجود عندى هناكمان مرة

658
00:54:11,590 --> 00:54:16,510
الـ Accuracy هي قدرة الـ Classifier على التنبؤ

659
00:54:16,510 --> 00:54:22,030
بشكل صحيح للـ Unseen Data لو الـ Data Scene هدى و

660
00:54:22,030 --> 00:54:28,550
هدى مابتنعدلوش الـ Speed لما أتكلم عن الـ Speed

661
00:54:28,550 --> 00:54:32,650
بتتكلم على الـ Computational Cost اللي بده يكلفني

662
00:54:32,650 --> 00:54:39,570
إياها الـ Algorithm في مرحلة الـ Generation إنشاء

663
00:54:39,570 --> 00:54:46,580
الموديلتمام؟ ومرحلة استخدام ال classifier يعني أنا

664
00:54:46,580 --> 00:54:50,140
عندي مرحلتين في عندي مش كله ال model construction

665
00:54:50,140 --> 00:54:57,620
وعندي ال model usage الآن كل واحدة منهم في لها

666
00:54:57,620 --> 00:55:02,060
تكلفة تكلفة لل training و تكلفة لل prediction جديش

667
00:55:02,060 --> 00:55:06,660
computational جديش أنا مهتم بسرعة النظام يعني الآن

668
00:55:06,660 --> 00:55:12,010
مثلابدنا نظام الآن .. محتاجين نظام سريع يحاول

669
00:55:12,010 --> 00:55:15,610
يتنبأ ان المريض هذا اللي مش .. منضيق في الصدر أو

670
00:55:15,610 --> 00:55:19,530
في صعوبة في التنفس مصاب بـ Corona ولا لأ؟ انت ..

671
00:55:19,530 --> 00:55:22,550
انت .. انت خبير .. خبير الصين أصلا .. انت عشان ايه

672
00:55:22,550 --> 00:55:27,730
قولت Corona مباشرة، تمام؟ الآن الفكرة وين؟ انه أنا

673
00:55:27,730 --> 00:55:31,710
جداش بأقدر أعمل training ل model .. a curated

674
00:55:31,710 --> 00:55:37,450
model بشكل سريع، بكوني كويس إليهليش؟ لأنه أنا

675
00:55:37,450 --> 00:55:42,050
فعليا .. الآن أنا محتاجه يمكن بكرا محتاجوش فالآن

676
00:55:42,050 --> 00:55:46,410
هذي بتفرج معايا ال performance في مرحلة ال

677
00:55:46,410 --> 00:55:52,490
generation ال using في ال prediction أنه لما أزوده

678
00:55:52,490 --> 00:55:56,230
بالعينة اللي المفروض يعمل عليها prediction أو يقيم

679
00:55:56,230 --> 00:56:01,150
يعملها evaluation جداش بده وقت في بده ثانية،

680
00:56:01,150 --> 00:56:06,630
تنتين، تلاتة، عشرة، كل مكان أسرعيكون أحسن في الـ

681
00:56:06,630 --> 00:56:10,670
real-time system الآن في عندنا جسم بتحرك في الجو

682
00:56:10,670 --> 00:56:16,350
بسرعة 100 كيلومتر في الساعة طيارة،

683
00:56:16,350 --> 00:56:23,350
صاروخ، قذيفة، غراب، مش عارفين في الأنظمة الدفاعية

684
00:56:23,350 --> 00:56:26,710
بتفرج الآن هذا الجسم اللي بتحرك في الـ real-time

685
00:56:26,710 --> 00:56:31,630
system تمام؟ بناء على سرعته وحجمه

686
00:56:33,360 --> 00:56:36,620
بدهم ياخدوا قرار اللي غالبا ما ببينش بدهم ياخدوا

687
00:56:36,620 --> 00:56:41,160
قرار شو ده بيكون افعل صفرات الإنذار ولا لأ الإنذار

688
00:56:41,160 --> 00:56:51,780
ولا لأ احنا

689
00:56:51,780 --> 00:56:57,200
قولنا حمامة شكله زادة مع البس خلاص و هي طايرة

690
00:56:58,620 --> 00:57:02,060
الفكرة يا جماعة الخير اللي انا بده اوصلك هي إذا

691
00:57:02,060 --> 00:57:06,940
ماكنتش مرحلة ل prediction سريعة تفقدت الأهمية

692
00:57:06,940 --> 00:57:11,060
تبعتها فضل يا دكتور قبل لما راحيت على المرض أكيد

693
00:57:11,060 --> 00:57:16,080
فعلا مش هيكون مثلا بدنا نتنبأ أنه فيه مثلا .. لو

694
00:57:16,080 --> 00:57:19,800
مثلا افتراض مثلا علشان هنا يعني محتمال يكون فيه

695
00:57:19,800 --> 00:57:23,100
نسبة خطأ فاحنا على وجه السرعة مش هيكون بدنا نتنبأ

696
00:57:23,100 --> 00:57:28,190
بدنا يعني ..طب انت عملك بتقول انا المرض هذا فعليا

697
00:57:28,190 --> 00:57:34,070
مش جادر اشخصه او في عندهم صعوبة في تشخيصه فقط

698
00:57:34,070 --> 00:57:37,930
طب المفلوز العادي او اللي عنده احتقان في زوره

699
00:57:37,930 --> 00:57:41,890
ابترت فيه درجة حرارته واحد زي حالتي بيكون قاعد

700
00:57:41,890 --> 00:57:44,950
بيشرح و بيطلع واحد غد بيقوله بسة طايرة ابترت فيه

701
00:57:44,950 --> 00:57:45,450
حرارته

702
00:57:49,260 --> 00:57:53,380
تمام؟ بالفكرة يا هاب لأ okay أنا بدي .. بدي system

703
00:57:53,380 --> 00:57:57,500
يكون سريع عفوا بدي أصل ل model بشكل سريع بعض ال

704
00:57:57,500 --> 00:58:02,240
models بتاخد أيام و أشهر هى بتعمل ال training صح

705
00:58:02,240 --> 00:58:06,460
بيكون هذا دقيق الشغل صحيح لكن أنا برضه حسب الحالة

706
00:58:06,460 --> 00:58:11,480
اللى أنا بدي أشتغل عليها نعم لأ

707
00:58:11,480 --> 00:58:16,460
للأسف data preparation هل تحسب ضمن ال time cost لأ

708
00:58:17,850 --> 00:58:21,290
لأن هنا بنتكلم احنا على الـ computational cost كل

709
00:58:21,290 --> 00:58:27,670
اللي انت سويته قبل مجرد تجهيز لعملية ال mining

710
00:58:27,670 --> 00:58:33,330
أكيد كل ما زاد حجم ال data زاد حجم ال computation

711
00:58:33,330 --> 00:58:37,790
بال training وال testing الآن ال data set تبعتي

712
00:58:37,790 --> 00:58:42,870
مكونة من عشرة attributes هل ال computation تبعتها

713
00:58:42,870 --> 00:58:49,260
زي ما يكون عندي 100 attributesحتما لأ يعني عشر

714
00:58:49,260 --> 00:58:54,620
متغيرات زي مين متغير اكيد لأ جداش ال robustness او

715
00:58:54,620 --> 00:58:58,200
الموثوقية جداش ال system هذا بتديني accurate

716
00:58:58,200 --> 00:59:03,680
result في حالة ال noise data ال noise instance او

717
00:59:03,680 --> 00:59:06,960
في حالة وجود ال missing values الان احنا قبل شوية

718
00:59:06,960 --> 00:59:10,740
اتكلمت على تلت عناصر عشان ال heart disease ال body

719
00:59:10,740 --> 00:59:16,000
mass index وال chest pain وتصلب الشراينالآن لو

720
00:59:16,000 --> 00:59:18,880
عندي تنتين منهم فقط بيقدر الـ system يديني

721
00:59:18,880 --> 00:59:23,360
prediction؟ لأ، ما تقوليش لأ، انت ما تشكشكش لأ ال

722
00:59:23,360 --> 00:59:26,380
system هيديكي prediction هيديكي prediction بس اللي

723
00:59:26,380 --> 00:59:29,900
أنا بدور عليه هل بيقدر يديني prediction صحيح؟ إذا

724
00:59:29,900 --> 00:59:33,360
بيديني prediction صحيح معناته هذا more robust أكتر

725
00:59:33,360 --> 00:59:38,300
موثوقية ليش؟ لأن في حالة إن أنا فقدت واحد من ال

726
00:59:38,300 --> 00:59:41,440
attributes اللي موجودة بضل جادر أعتمد عليه عشان

727
00:59:41,440 --> 00:59:46,050
يعمل prediction تمام؟الآن في حالة كان في عندي

728
00:59:46,050 --> 00:59:49,710
noise data نفس النظام بالمناسبة يا حسن احنا عادة

729
00:59:49,710 --> 00:59:53,490
اللي بنتكلم فعليا هذا المثال اللي بدكره تلاتة عشان

730
00:59:53,490 --> 00:59:57,870
بس نستوعب الاشي اللي بيصير و نفهم فعليا كل ال

731
00:59:57,870 --> 01:00:02,730
concept بشكل واضح لكن فعليا لو أنا سألتك أبسط

732
01:00:02,730 --> 01:00:05,710
اختبار ممكن يجري الإنسان اللي له علاقة بصحته ال

733
01:00:05,710 --> 01:00:13,270
CBC كام factor فيه؟ 15 أنصر أعتقد أو 14يعني بتكلم

734
01:00:13,270 --> 01:00:16,450
على الأقل 14 attributes اللي هو ال test ال

735
01:00:16,450 --> 01:00:21,870
complete blood test تمام؟ فبتكلم على 14 attributes

736
01:00:21,870 --> 01:00:25,730
لكل عينة الآن لو في واحدة عينة فيها مشكلة في ال

737
01:00:25,730 --> 01:00:30,750
noise أو value معينة لأ لأ مش ضروري فالآن لو جديش

738
01:00:30,750 --> 01:00:34,630
الآن الطبيب الحاذق ممكن بيقدر يقارن شغلات مع بعضها

739
01:00:34,630 --> 01:00:38,210
ويقولك لأ في مشكلة يعني واضح الجهاز ان في مشكلةهذه

740
01:00:38,210 --> 01:00:42,450
الفكرة وين إن الـ system لو غاب في عندي value أو

741
01:00:42,450 --> 01:00:46,170
تشوشت value من الأربع عشر يكون عنده القدرة على

742
01:00:46,170 --> 01:00:50,410
التنبؤ الصحيح أي واحدة من الأربع عشر ده مابتعنناش

743
01:00:50,410 --> 01:00:54,870
بس في اللحظة اللي بيجيني ال attribute عفوا بيجيني

744
01:00:54,870 --> 01:00:58,610
ال rows ال raw with missing value أو with noisy

745
01:00:58,610 --> 01:01:02,350
data الأصل يعمل prediction هيعمل prediction في كل

746
01:01:02,350 --> 01:01:07,320
الأحوال كل مكان بديني accurateالـ prediction في

747
01:01:07,320 --> 01:01:11,300
الـ such case هذه معناته هذا مرة بسط بقدر أثق فيه

748
01:01:11,300 --> 01:01:18,880
أكتر تمام ال scalability ال scalability طبعا دائما

749
01:01:18,880 --> 01:01:23,740
احنا مفهوم ال scalability بنتكلم على ال large

750
01:01:23,740 --> 01:01:29,560
amount of data فعليا هل ال algorithm هذا تبع ممكن

751
01:01:29,560 --> 01:01:35,000
من السهل ان يتعامل معاه مع large dataالـ data set

752
01:01:35,000 --> 01:01:37,760
اللي عندى مليون instances هل ال algorithm قادر على

753
01:01:37,760 --> 01:01:40,960
تحليل مليون instances مع عشر .. مع عشر attributes

754
01:01:40,960 --> 01:01:44,100
أو مع مائة attributes فهذا أنا بدي أسأله كل ما كان

755
01:01:44,100 --> 01:01:48,780
ال algorithm اللي هستخدمه more scalable معناته

756
01:01:48,780 --> 01:01:54,420
بكون أفضل interpretability تفسير و ال

757
01:01:54,420 --> 01:02:01,500
understanding و فهم محتوى او ما وراهالـ Model أو

758
01:02:01,500 --> 01:02:04,840
الـ Algorithm اللي عندي The level of understanding

759
01:02:04,840 --> 01:02:10,000
and insight والمفهوم أو التوضيح أو المعنى الخفي من

760
01:02:10,000 --> 01:02:14,200
Provided by the classifier احنا قبل شوية لما شوفنا

761
01:02:14,200 --> 01:02:18,000
ال if then كان بسهولة ان افهم عليهش بدور ايش ال

762
01:02:18,000 --> 01:02:21,720
factors الأساسية اللي كانت مصبوط؟ لو هذا ال if

763
01:02:21,720 --> 01:02:25,040
then ماكنتش موجودة بقدر استوعب ليش هو جداني yes و

764
01:02:25,040 --> 01:02:29,140
جداني no؟أكيد لأ لكن لما بكون ال algorithm قدامي

765
01:02:29,140 --> 01:02:34,820
قادر أو بقدر او قادر على تفسيره بكون افضل لكن

766
01:02:34,820 --> 01:02:39,980
الصحيح الموضوع برضه تفسيره هذي subjective للإنسان

767
01:02:39,980 --> 01:02:42,780
او للشخص اللي بشتغل عليه لما أنا كتبنا كتبنا

768
01:02:42,780 --> 01:02:50,140
المعادلة الرياضية Y تساوي M1 في A1 زائد M2 في A2

769
01:02:50,140 --> 01:02:51,440
زائد B

770
01:02:55,220 --> 01:02:59,920
إيش رتبة .. إيش درجة المعادلة هي شباب؟ إيش رتبة

771
01:02:59,920 --> 01:03:07,980
المعادلة هي شباب؟ معادلة خطية لأنه الدرجة تقاسب

772
01:03:07,980 --> 01:03:12,840
أعلى أُس الدرجة أو رتبة المعادلة تقاسب أعلى أُس

773
01:03:12,840 --> 01:03:18,000
فالمعادلة هي خطية بس فعليا هذه multiple variable

774
01:03:18,000 --> 01:03:25,480
متغيرات اتنين مع ال Y يعني بين قسين الـ3D3D

775
01:03:25,480 --> 01:03:30,840
equation، مصبوط؟ هي .. هي الفكرة، الآن مش كل الناس

776
01:03:30,840 --> 01:03:35,740
قادرة على تفسير .. هد يعرضها على واحد خبير رياضيات

777
01:03:35,740 --> 01:03:38,580
مباشرة، بيقولك هد بتعني كده و واحد كده، بيجي و

778
01:03:38,580 --> 01:03:43,860
بيقولك إن هذا plane مائل، plane، مسطح مائل، الميل

779
01:03:43,860 --> 01:03:51,450
تبعه باتجاه X ومثلاًX و Y كذا X و Z كذا هي الأبعاد

780
01:03:51,450 --> 01:03:56,990
تبعته و هذه ارتفاعه أو التقاطع تبعته مع ال Y axis

781
01:03:56,990 --> 01:04:02,270
لكن أنا مش بعرفني بالكلام هذا فالموضوع ال

782
01:04:02,270 --> 01:04:07,130
interpretability أو موضوع تفسير ال algorithm و

783
01:04:07,130 --> 01:04:12,550
فهمه بيختلف من شخص لشخص من

784
01:04:12,550 --> 01:04:17,410
ال algorithms اللي هنتعرف عليهاKey nearest

785
01:04:17,410 --> 01:04:21,490
neighbor algorithm وهذا البرنامج يعتمد على

786
01:04:21,490 --> 01:04:22,550
البرنامج الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة

787
01:04:22,550 --> 01:04:30,530
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة

788
01:04:30,530 --> 01:04:35,310
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة

789
01:04:35,310 --> 01:04:35,330
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة

790
01:04:35,330 --> 01:04:41,850
الوثيقة الوثيقة الوثيقة الوثيقة الوثيقة

791
01:04:41,850 --> 01:04:47,070
الووفي عند ال rule based induction وفي عند ال

792
01:04:47,070 --> 01:04:49,430
support vector machine وفي عند ال logistic

793
01:04:49,430 --> 01:04:53,610
regression كل هذه ال algorithm تستخدم في ال

794
01:04:53,610 --> 01:04:55,990
classification وفي عند ال back up و ال propagate

795
01:04:55,990 --> 01:04:59,310
neural network في الفصل هذا في الشابتر هذا ان شاء

796
01:04:59,310 --> 01:05:02,350
الله تعالى هشرحلك ال k-nearest neighbor و ال naive

797
01:05:02,350 --> 01:05:05,170
bison و ال decision tree و ال back up و ال

798
01:05:05,170 --> 01:05:09,650
propagate neural network ك classifiers خلال الفصل

799
01:05:09,650 --> 01:05:14,360
هذاأنا محاضرة اليوم هي كاد انتهيت