1
00:00:05,040 --> 00:00:07,160
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:07,160 --> 00:00:11,860
أهلا وسهلا فيكم يا شباب في محاضرتنا الثانية في

3
00:00:11,860 --> 00:00:16,180
موضوع ال classification كنا حكينا في المحاضرة

4
00:00:16,180 --> 00:00:20,100
الماضية أن موضوع ال classification هي عبارة عن

5
00:00:20,100 --> 00:00:26,320
تحديد عضوية المجموعات المعروفةعلى سبيل المثال لو

6
00:00:26,320 --> 00:00:31,920
قلت أنا بدي .. في عندى تلك مجموعات طلاب .. في عندى

7
00:00:31,920 --> 00:00:35,340
تلك مجموعات للطلاب مجموعات الامتياز و مجموعات

8
00:00:35,340 --> 00:00:41,180
الجيد جدا و مجموعة الجيد الآن و جينا قولنا و الله

9
00:00:41,180 --> 00:00:46,940
في عندنا سين من الناس او سين من الطلاب الآن سين من

10
00:00:46,940 --> 00:00:51,180
الطلاب هذا لازم يصنف او لازم ينتمي لوحدة من

11
00:00:51,180 --> 00:00:56,530
المجموعات التلاتة بناء علىعلى ايش؟ على معدله و لا

12
00:00:56,530 --> 00:01:01,030
لأ على المعدل ان كان شرطنا ان المعدلات هذه معروفة

13
00:01:01,030 --> 00:01:06,790
تبعا لمستوهم او تحصيلهم العلمى لان هذه التصنيف

14
00:01:06,790 --> 00:01:09,670
لاحظ ان انا ماليش سلطة كتيرة على المجموعات

15
00:01:09,670 --> 00:01:13,570
المجموعات already predefinedالان بدي أحاول أعرف

16
00:01:13,570 --> 00:01:16,690
خصائص كل مجموعة، شو .. شو معدلات الامتياز أو شو

17
00:01:16,690 --> 00:01:20,010
خصائص الأشخاص أصحاب الامتياز، خصائص المجموعة

18
00:01:20,010 --> 00:01:23,470
الأولى، شو خصائص المجموعة التانية، شو خصائص

19
00:01:23,470 --> 00:01:26,670
المجموعة التالتة، وسيم من الطلاب هذا اللي هي ال

20
00:01:26,670 --> 00:01:29,070
instance اللي عندي اللي أنا بدي أضيفه لمجموعة من

21
00:01:29,070 --> 00:01:33,050
المجموعات التلاتة، بدي أشوف إيش الخصائص اللي عنده،

22
00:01:33,050 --> 00:01:36,770
و بتتقاطع مع أي خصائص من المجموعات التلاتة وبناء

23
00:01:36,770 --> 00:01:40,600
عليه هيكده أنا بقىبقى صنفه للمجموعة اللي عندنا

24
00:01:40,600 --> 00:01:43,680
وكنا اتكلمنا في ال learning ال machine learning

25
00:01:43,680 --> 00:01:47,340
كون تقنيكس بشكل عام فيها supervised و unsupervised

26
00:01:47,340 --> 00:01:50,920
تبع هل الإنسان متدخل ولا غير متدخل في الموضوع

27
00:01:50,920 --> 00:01:54,420
وقولنا ان موضوع ال learning كمان incrementally هل

28
00:01:54,420 --> 00:01:58,760
هو batch ولاonline وقلنا كمان في عندي model based

29
00:01:58,760 --> 00:02:03,120
ولا instance based بناء هل ال algorithm هذا المخرج

30
00:02:03,120 --> 00:02:06,040
تبع ال algorithm ال machine learning هديني model

31
00:02:06,040 --> 00:02:10,540
ولا مش هديني model قلنا في الآخر بكل الأحوال انا

32
00:02:10,540 --> 00:02:14,220
عندي خيوطين في اي عملية classification ال model

33
00:02:14,220 --> 00:02:18,860
construction كيف انا بدي اكون في عندي function لما

34
00:02:18,860 --> 00:02:24,810
انا اديهاالـ object تروح تصنف ليه تحت المصنفات

35
00:02:24,810 --> 00:02:29,110
المعروفة مسبقًا و ال model usage كيف أنا بدي

36
00:02:29,110 --> 00:02:33,190
استخدم ال model الموجود هنا و قولنا عادة أنا بأجسم

37
00:02:33,190 --> 00:02:36,390
ال data set تبعتي ل training set و testing set

38
00:02:36,390 --> 00:02:39,550
عشان أعمل evaluation و من أهم ال concept اللي لازم

39
00:02:39,550 --> 00:02:43,190
أنا أعرفه ال accuracy و هي المقدار أو ال ratio تبع

40
00:02:43,190 --> 00:02:46,760
ال correct predictionالـ Correct Classification

41
00:02:46,760 --> 00:02:50,360
على كل الـ instances اللي عملها Classification

42
00:02:50,360 --> 00:02:54,240
وقلنا لـ Speed و Robustness جدّيشبو يدّيني result

43
00:02:54,240 --> 00:02:58,640
صحيحة مع وجود ال noise data ال scalability و ال

44
00:02:58,640 --> 00:03:01,860
interpretability حكينا عليهم و كان المفروض اليوم

45
00:03:01,860 --> 00:03:06,420
ان شاء الله تعالى نبدأ مع ال algorithms و نشوف كيف

46
00:03:06,420 --> 00:03:08,720
ال algorithm قاعدة بتشتغل مع العناصر اللي موجودة

47
00:03:08,720 --> 00:03:13,570
عندى او في ال classification و اول algorithmبيشتغل

48
00:03:13,570 --> 00:03:17,670
او هنتكلم عليه الـ K nearest neighbor الان K

49
00:03:17,670 --> 00:03:21,410
nearest neighbor شو يعني nearest neighbor في الأول

50
00:03:21,410 --> 00:03:27,710
أقرب جار اقرب جار لو انا اجيت اسمك هاني هاني بدي

51
00:03:27,710 --> 00:03:32,410
اعرف هاني كويس

52
00:03:32,410 --> 00:03:37,490
ايش ممكن اروح اسوي اروح اطبق مين اصحاب هاني مين

53
00:03:37,490 --> 00:03:45,200
اصحاب هاني المقربين وبناء عليهبنقول إنه هاني صفاته

54
00:03:45,200 --> 00:03:49,840
بصفات الناس اللي أنا بعرفهم من مين من أصحابه أو من

55
00:03:49,840 --> 00:03:53,380
جيرانه Can your neighbor يعني أنا بدي أحطلهم عدد

56
00:03:53,380 --> 00:03:57,450
من أقرب اتنين لهاني من أقرب تلاتة من أقرب خمسةو

57
00:03:57,450 --> 00:04:01,150
هنتكلم ليش الكيه هذي و إيش أهميتها النايف بيسيان

58
00:04:01,150 --> 00:04:04,270
هو أنا بعتمد على probability decision tree هنتشوف

59
00:04:04,270 --> 00:04:07,930
كيف ممكن أنا أبني decision بناء على العناصر هي و

60
00:04:07,930 --> 00:04:11,230
بعدين ننتقل لباقي propagate ال neural network نبدأ

61
00:04:11,230 --> 00:04:15,010
مع ال kenyer's neighbor ال kenyer's neighbor هو

62
00:04:15,010 --> 00:04:19,850
عبارة عن instance based learning التصنيف الأخير

63
00:04:19,850 --> 00:04:23,610
خالص لما قلت إنه هل ال algorithm تبعي بيبنيلي

64
00:04:23,610 --> 00:04:28,020
model ولا ماببديليش model بيديني value مباشرةالـ

65
00:04:28,020 --> 00:04:30,780
Canary Snapper من الـ algorithm اللي ما بتعطيني

66
00:04:30,780 --> 00:04:37,020
model بتعطيني نتيجة .. بتعطيني نتيجة وبالتالي it

67
00:04:37,020 --> 00:04:40,460
doesn't use any model to fit .. مابتبنيش model

68
00:04:40,460 --> 00:04:47,060
مطلقا .. it's only based on memory فقط بتعتمد على

69
00:04:47,060 --> 00:04:51,040
الذاكرة .. ليش الذاكرة؟ انه فعليا عملية حساب كلها

70
00:04:51,040 --> 00:04:55,460
تبتصيرفي ال memory و كل ما كانت ال memory أكبر لأن

71
00:04:55,460 --> 00:05:01,100
ال data set أكبر بكون أنسب ال k-nearest neighbor ك

72
00:05:01,100 --> 00:05:04,240
classification algorithm بتديني نتيجة او نتيجة

73
00:05:04,240 --> 00:05:13,400
تبعته أو ال class بناء على ال majority أو الأغلبية

74
00:05:13,400 --> 00:05:22,400
في جيران العنصر هذا لو انا اجيت قلت في عندىمجموعة

75
00:05:22,400 --> 00:05:23,020
من الأشخاص

76
00:05:50,980 --> 00:05:56,060
قلنا أخونا هذا أو صاحبنا هذا بدنا نحطه لمجموعة من

77
00:05:56,060 --> 00:06:02,460
المجموعتين شو بدنا نسوي ال

78
00:06:02,460 --> 00:06:06,160
K-nearest neighbor algorithm أو ال KNN algorithm

79
00:06:06,160 --> 00:06:13,880
بشتغل كالتالي بقول احسب الفرق ما بين العنصر هذا و

80
00:06:13,880 --> 00:06:21,380
كل العناصر اللي موجودة يعني حد اقارن اناالعنصر هذا

81
00:06:21,380 --> 00:06:26,160
مع هذا و مع هذا و مع هذا و مع هذا و مع هذا و مع

82
00:06:26,160 --> 00:06:31,520
هذا ك instance ك object بغض النظر عن طريقة

83
00:06:31,520 --> 00:06:39,420
المقارنة و اقارنه كمان مع

84
00:06:39,420 --> 00:06:45,340
كل الأشخاص هدول لاحظ ان انا ضمنت كل ال data set

85
00:06:45,340 --> 00:06:49,950
اللي موجودة عندىأصبت؟ يعني إذا كانت هدول هم ال

86
00:06:49,950 --> 00:06:53,110
data set في ال two classes فانا ضمنت كل ال data

87
00:06:53,110 --> 00:06:57,810
set الانشوف بيروح بيقوللي ال key nearest neighbor

88
00:06:57,810 --> 00:07:03,950
مين أقرب ناس كانوا لإله أقرب ناس كانوا لإله أقرب

89
00:07:03,950 --> 00:07:07,570
تلاتة

90
00:07:07,570 --> 00:07:14,810
هيهم

91
00:07:22,800 --> 00:07:30,980
مصبوط؟ أقرب تلاتة هدول للناس فهو هينتمي لنفس

92
00:07:30,980 --> 00:07:35,920
المجموعة اللي فيها غالبية ال closest neighbors

93
00:07:35,920 --> 00:07:42,080
هدول إيش الغالبية هان؟ أزرق فأخونا هذا بينضم لمين؟

94
00:07:42,080 --> 00:07:47,290
للأزرق بناء على مبدأالـ Voting للمجارة أو حسبة

95
00:07:47,290 --> 00:07:51,450
المجارة أو الأغلبية تبعت الأشخاص أو تبعت العناصر

96
00:07:51,450 --> 00:07:56,650
الموجودة عنده يعني يا إيهاب تأخذ وقت كتير أكيد او

97
00:07:56,650 --> 00:07:59,230
تشوف ال media مثلا من الجهة الأولى و ال media

98
00:07:59,230 --> 00:08:11,730
التانية و تشوف من أقرب درجة اه بس الآن هاي

99
00:08:11,730 --> 00:08:12,690
ال center صح؟

100
00:08:19,480 --> 00:08:24,340
و هي ال center تبعت المجموعة التانية اذا انا هنا

101
00:08:24,340 --> 00:08:34,140
او بلاش اذا انا هنا المسافة لل center اكبر من

102
00:08:34,140 --> 00:08:43,980
المسافة لل center بينما كعناصر انا اقرب لهنا نعم

103
00:08:43,980 --> 00:08:47,120
خليها

104
00:08:49,960 --> 00:08:52,440
و نشوف مين أبعد واحد من انا ترقبى يعنى مش انه

105
00:08:52,440 --> 00:08:57,660
مقارنة كذلك بس مهمش انا الان كريم .. كريم بيحمل

106
00:08:57,660 --> 00:09:05,180
صفات صاحبه القريب منه اللي دائما ملازم له مش على

107
00:09:05,180 --> 00:09:09,340
اللي بعيد ولا لا؟ يعني زي النقطة احنا بنعمل زي ال

108
00:09:09,340 --> 00:09:15,460
cut ل ال picture اللي بدنا و الجرافة ده طيب ديني

109
00:09:15,460 --> 00:09:18,060
كلام سيبني من ال dimension معين عشان .. ديني كلام

110
00:09:18,060 --> 00:09:22,820
أبسط عشان انا في الدرافة مجدطيب طبعا عندنا كتير

111
00:09:22,820 --> 00:09:26,580
يعني مثلا عندنا مية ألف تمام والنقطة اللي بدنا

112
00:09:26,580 --> 00:09:30,920
نعرفها فانهي وفانهي وواحدة ضابط حوالي مثلا متين اه

113
00:09:36,820 --> 00:09:39,300
طب ماهي .. مهمش .. بقى انت الرسم ال .. الوجد اللي

114
00:09:39,300 --> 00:09:42,600
انت أخدته في رسم العناصر هو عبارة عن computation

115
00:09:42,600 --> 00:09:46,720
لما روحت جبت المتين .. لأ لما انت روحت جبت المتين

116
00:09:46,720 --> 00:09:50,240
و حطيت النقطة هاي بينهم انت already عملت ال

117
00:09:50,240 --> 00:09:53,040
computation كلهيتها عشان تقدر تجيبهم في نفس النقطة

118
00:09:53,040 --> 00:09:57,960
بقعة على الرسم ولا كيف ان حطت النقطة هذه أبعد من

119
00:09:57,960 --> 00:10:01,760
هذه بالمسافة هاي بالتحديد و هذه أبعد بل برضه انت

120
00:10:01,760 --> 00:10:03,580
عملت هنا قران بالمثل

121
00:10:06,130 --> 00:10:10,230
كيف حددت الـ 200 ألف ان هدول هم الأقرب؟ الـ 200؟

122
00:10:10,230 --> 00:10:12,610
اه او الـ 200 عنصر هدول .. كيف انت حددتهم ان هدول

123
00:10:12,610 --> 00:10:16,750
الأقرب؟ كيف عرفت الـ position تبعتها ان هدول الـ

124
00:10:16,750 --> 00:10:22,730
200 هم الأقرب لإلها؟ فعليا لفت عليهم كلهم؟ مصبوط؟

125
00:10:22,730 --> 00:10:25,850
و لا أنا غلطان انت الآن كمان مرة انا عندي 100 ألف

126
00:10:25,850 --> 00:10:29,710
عندي

127
00:10:29,710 --> 00:10:34,010
100 ألف in instance انت عمالك بتقوللي انا حددت الـ

128
00:10:34,010 --> 00:10:38,620
200 نقطة الأقربكيف حددت المتين نقطة الأقرب من

129
00:10:38,620 --> 00:10:45,000
الميت ألف مرت عليهم كلهم انت بتقولي انا اعتمدت

130
00:10:45,000 --> 00:10:47,980
الرسم ما هو الرسم برضه نفسه لنفس الكلام هو عبارة

131
00:10:47,980 --> 00:10:50,940
عن حدد النقاط و جدر يرسم لك اياهم او يعملهم

132
00:10:50,940 --> 00:10:57,180
simulation تبع لل distance او قربهم او بعضهم تمام

133
00:10:57,180 --> 00:11:01,200
تمام

134
00:11:05,870 --> 00:11:09,630
إذا مافيش يعني صفر فقط كم بتزود عشرين ممتاز ممتاز

135
00:11:09,630 --> 00:11:12,670
يعني أنت بدأت بشكل random مع عشرة صنطي و هل في

136
00:11:12,670 --> 00:11:17,070
عناصر في العشرة صنطي و لا مافيش ماشي الحال و بعد

137
00:11:17,070 --> 00:11:24,250
هيك شو روحت سويت زودت المسافة طب إيه أساسا أساسا

138
00:11:24,250 --> 00:11:28,050
النقطة تبعتك النقطة تبعتك وين موجودة هتقول اللي

139
00:11:28,050 --> 00:11:31,790
موجودة في XY صح

140
00:11:32,780 --> 00:11:35,880
أصبت، لأ مش أسهل، انا بتدقق ان انا مش أسهل، هي

141
00:11:35,880 --> 00:11:43,520
النقطة، هان عشان تحدد النقاط اللي في القطر عشرة

142
00:11:43,520 --> 00:11:48,060
صنطي أو نص قطر عشرة، بدك تمر على كل النقاط عشان

143
00:11:48,060 --> 00:11:52,060
تعرف مين النقاط اللي بتجهز من القطر هذا، و تجيبهم

144
00:11:55,650 --> 00:11:59,390
مش بعد المحاولة، أنا بضل بتناقش معاك ليش؟ لأنه في

145
00:11:59,390 --> 00:12:03,450
الآخر الشغل اللي انت غايب عنك ان ال graph أو الرسم

146
00:12:03,450 --> 00:12:09,390
هذا ما إجا إلا غير بعملية حسابية، تمام؟ والعملية

147
00:12:09,390 --> 00:12:13,230
الحسابية هي هي نفسها، أنا عمالي بمر على كل العناصر

148
00:12:13,230 --> 00:12:17,050
عشان أحدد من الميتين، الآن أنا إيش بعرفني؟ عندي

149
00:12:17,050 --> 00:12:23,190
نقطة هيها موجودة هنا، صح؟ هي نقطة، مجموعة ال

150
00:12:23,190 --> 00:12:28,160
attributes هدول أو بلاش X وYالنقطة هذه ضمن المحيط

151
00:12:28,160 --> 00:12:32,020
وهذه ليست من ضمن المحيط، ماذا أفعل؟ ماذا أفعل؟ بدي

152
00:12:32,020 --> 00:12:36,240
أحسب الفرق ما بينه وبين النقطة هذه، مظبوط؟ اللي هي

153
00:12:36,240 --> 00:12:42,180
الـ distance حسبت الـ distance، لأ طلعت برة، فانا

154
00:12:42,180 --> 00:12:48,100
أتبرة الحسبة هذه، صح؟ هروح على ال X واحد و Y واحد،

155
00:12:48,100 --> 00:12:53,510
أه هذه كانت في المنطقة هذهفانت العناصر هذه مش

156
00:12:53,510 --> 00:12:57,970
هتقدر تحصر من منهم النقاط الموجودة اللي تمر على كل

157
00:12:57,970 --> 00:13:03,190
ال data set صح؟ لما

158
00:13:03,190 --> 00:13:06,890
تلاقي طريقة تانية بتعرف نتناقش أنا وياك فيها

159
00:13:06,890 --> 00:13:13,650
بالمنطق هذا ال

160
00:13:13,650 --> 00:13:16,590
two dimension الرمج جامعي بتعكس الصورة ال data set

161
00:13:16,590 --> 00:13:17,550
تبعتك كام attribute

162
00:13:20,870 --> 00:13:28,570
ال data set تبعتك كام attributes؟ ال instance

163
00:13:28,570 --> 00:13:35,210
تبعتي فيها عشرة attributes بتقدر ترسمها؟

164
00:13:35,210 --> 00:13:38,190
على أنه two values اللي موجودة عندي ال point و ال

165
00:13:38,190 --> 00:13:44,130
label فقط one attribute و ال label كبعته و العشرة؟

166
00:13:44,130 --> 00:13:45,510
العشرة بتقدر ترسمها كيف؟

167
00:13:48,930 --> 00:13:51,790
ماشي ماشي قعدة بوريك إياها أكتر ان شاء الله تعالى

168
00:13:51,790 --> 00:13:57,590
طيب الآن اللي الرسمة كانت لك توضيح عشان هوصلك

169
00:13:57,590 --> 00:14:01,510
مفهوم ال concept تبع الجيران مش أكتر فماصيرش

170
00:14:01,510 --> 00:14:06,570
الرسمة هي إيش هي الحل اللي موجود عندك طيب الآن

171
00:14:06,570 --> 00:14:10,130
الفكرة كمان مرة بتدور حوالين ال canary's neighbor

172
00:14:10,130 --> 00:14:15,180
انه أنا بروح بدور على ال closest objectللنقطة اللي

173
00:14:15,180 --> 00:14:18,040
موجودة تبعتي هان لل instance اللي انا فعليا

174
00:14:18,040 --> 00:14:21,880
بعرفهاش عشان انا اشوف مين جيرانها او مين الأقرب

175
00:14:21,880 --> 00:14:27,060
لها لازم اعمل computation بينها و بين كل ال

176
00:14:27,060 --> 00:14:31,480
instances اللي موجودة الان عشان انا اعرف مين اصحاب

177
00:14:31,480 --> 00:14:37,160
كريمانت صاحب كريم؟ انت صاحب كريم؟ انت صاحب كريم؟

178
00:14:37,160 --> 00:14:40,280
بتعرف كريم؟ بتعرف كريم؟ همر على كل اللي في القاعة

179
00:14:40,280 --> 00:14:44,660
عشان أحدد بشكل دقيق كم واحد بيعرف كريم أو كم واحد

180
00:14:44,660 --> 00:14:48,960
صحاب كريم، مصبوط؟ وبعد هيك بقرر صفة كريم بناء على

181
00:14:48,960 --> 00:14:54,060
أغلبيتهم عشان هيك بروح بدور على ال closest K point

182
00:14:54,060 --> 00:14:59,480
الان كمان ال K تبعتي هذه فيها مشكلة الان لما يكون

183
00:14:59,480 --> 00:15:02,500
ال label تبعي binary

184
00:15:07,590 --> 00:15:11,090
classification شو يعني binary classification؟ just

185
00:15:11,090 --> 00:15:22,450
عندي two labels positive و negative أجل

186
00:15:22,450 --> 00:15:28,110
عدد K عشان اتكلم علي majority بينهم جداش أجل عدد K

187
00:15:28,110 --> 00:15:34,610
عشان اقدر اش ال majority اش الأغلبيةأكتر من النص،

188
00:15:34,610 --> 00:15:40,370
50% مش أغلبية، تعادل، مظبوط، بدك أكتر من النص،

189
00:15:40,370 --> 00:15:44,710
يعني زي ما نتكلم as integer values من 100، 51

190
00:15:44,710 --> 00:15:48,610
value من 100، هيك بكون أتكلم عن أغلبية، فأقل

191
00:15:48,610 --> 00:15:53,250
أغلبية هي، مظبوط؟ وابقاش الكل ممكن تحقق الأغلبية

192
00:15:53,250 --> 00:15:58,630
عندي، في حالة two أقل classification، binary

193
00:15:58,630 --> 00:16:09,310
classificationK على 2 زائد 1 K على 2 زائد 1 إيش

194
00:16:09,310 --> 00:16:19,330
يعني؟ وين الخمسين؟ شو يا K أنا قاعد بقولك الآن لما

195
00:16:19,330 --> 00:16:22,990
أنا بدي أجيب عدد الجيران إيش عدد الجيران اللي أنا

196
00:16:22,990 --> 00:16:27,830
بدي أهتم فيها عشان أتكلم على ال majority الحي أو

197
00:16:27,830 --> 00:16:32,680
أصحاب كريم الآن اللي موجودينخمسين، كل اللقاعة

198
00:16:32,680 --> 00:16:35,600
بقولك احنا أصحاب كريم، ماشي الحال، بدي ال closest

199
00:16:35,600 --> 00:16:43,060
أقل عدتهم جداش، أقل K، عشان فعليا لما أنا أجي

200
00:16:43,060 --> 00:16:47,680
أقارن كريم بينهم، يكون في voting ما بينهم، يكون في

201
00:16:47,680 --> 00:16:53,560
أغلبية، تلاتة، ليش تلاتة؟إتنين و واحد هاي ال key

202
00:16:53,560 --> 00:16:56,100
اللي أنا بدور عليها يا جماعة الخير أنا الآن بقول

203
00:16:56,100 --> 00:16:59,860
عدد العناصر الموجودة زي ما رسمته في الرسم هان عشان

204
00:16:59,860 --> 00:17:04,760
أقدر أعمل مقارنة و أروح باتجاه الأغلبية لازم يكون

205
00:17:04,760 --> 00:17:09,320
في عندي عدد محدد الآن بما أنه أنا في عندي two

206
00:17:09,320 --> 00:17:13,300
labels فقط بينفعش أقول ال key تبعتي equal اتنين

207
00:17:13,300 --> 00:17:17,840
لأنه مافيش فيها voting لأنه مافيش فيها قرار ممكن

208
00:17:17,840 --> 00:17:21,390
يصير خمسين و لو قلت ال key تبعتي واحدبرضه مافيش

209
00:17:21,390 --> 00:17:27,150
فيها voting بروح بسمته بسمة أقرب point له خلصنا طب

210
00:17:27,150 --> 00:17:33,010
هد ماهي لو كانت ال point هد noise point نجلته بعيد

211
00:17:33,010 --> 00:17:38,270
مين جالك انت شيلت كل ال noise point مين جالك انك

212
00:17:38,270 --> 00:17:41,470
انت خلصت منهم كلهم انت خلصت من اللي قدرت تحددها من

213
00:17:41,470 --> 00:17:46,490
اللي قدرت تشوفهامصبوط لكن الان فعليا point هي

214
00:17:46,490 --> 00:17:49,090
بعيدة نوعا ما فيها بعض ال noisy لكن ال noisy

215
00:17:49,090 --> 00:17:53,850
بالنسبالك مش واضحة فشو هتسوي فيه هتاخدوا لإلها

216
00:17:53,850 --> 00:17:59,870
الآن الفكرة اذا

217
00:17:59,870 --> 00:18:03,650
كنت انا بتكلم على اتنين فاتنين زائد واحد عشان اقدر

218
00:18:03,650 --> 00:18:08,570
اعمل فيهم voting طب لو كانوا three classes اربعة

219
00:18:08,570 --> 00:18:15,930
طب ما هم الأربعة ممكن يكونوااتنين اتنين او ال

220
00:18:15,930 --> 00:18:19,210
class التالت وينه مش موجود و برضه ماجدتش اعمل

221
00:18:19,210 --> 00:18:21,910
voting الفكرة اللي انا بده اقولها يا جماعة الخير

222
00:18:21,910 --> 00:18:28,030
دائما حاول تخلي العدد تبعك فردي و كبره شوية عشان

223
00:18:28,030 --> 00:18:32,590
تقدر تعمل voting صح او عشان يصير في عندك فرصة لل

224
00:18:32,590 --> 00:18:36,430
voting أكبر يعني مثلا في ال three classes أربعة is

225
00:18:36,430 --> 00:18:43,650
not enough و خمسة غالبا is not enoughسبعة ممكن

226
00:18:43,650 --> 00:18:46,230
تكون fair بس برضه ممكن أجع في مشكلة اتنين اتنين

227
00:18:46,230 --> 00:18:51,450
واحد قوللي طب في حالة .. خد تمانية التمانية و

228
00:18:51,450 --> 00:18:54,910
التلاتة يعني بين جثين إذا كان عدد ال classes فردي

229
00:18:54,910 --> 00:19:03,050
خد عدد ال key تبعتك عدد زوجي و أكبر من ضعف الرقم

230
00:19:03,050 --> 00:19:06,350
هذا عشان إيش تقدر تعمل بينهم voting على الأقل

231
00:19:06,350 --> 00:19:10,910
بتضمن إن في class منهم أكبر أو صار فيه المجارية

232
00:19:10,910 --> 00:19:15,850
أكتر من التانيفي المقابل، لو كانوا الآن العدد الـK

233
00:19:15,850 --> 00:19:20,870
تبعتي أو عدد ال classes تبعتي زوجي، تمام؟ خد عدد

234
00:19:20,870 --> 00:19:25,270
فردي أكبر من ضعفه، كمان مرة هذا الكلام مش قرآن،

235
00:19:25,270 --> 00:19:28,630
هذا مجرد نصيحة عشان تقدر تاخد K و تضمن فيها

236
00:19:28,630 --> 00:19:32,210
voting، اللي أنا بقوله كالتالي، لو كان عدد ال

237
00:19:32,210 --> 00:19:38,370
classes عندي تلاتة، ضعفهم ستة، تمام؟ فبدي أخد

238
00:19:38,370 --> 00:19:42,660
سبعة، أو أنا بقولك خد تمانيةخُد الـ K تبعتك تمانية

239
00:19:42,660 --> 00:19:47,320
هنا الـ A لو الـ three classes دول بدهم يتوزعوا

240
00:19:47,320 --> 00:19:51,500
إيش الاحتمالات يكونوا موجودين؟ التمانية كلهم لنفس

241
00:19:51,500 --> 00:19:55,500
ال class وهذا بيعملت ال prediction تبعتي صحيحة 100

242
00:19:55,500 --> 00:20:00,660
% تمام؟

243
00:20:00,660 --> 00:20:08,770
أربعة أو أربعة أو أربعة ل classو 2 و 2 برضه ال

244
00:20:08,770 --> 00:20:12,230
majority لاحظ انا بتكلم على ال .. لاحظ صرت أتكلم

245
00:20:12,230 --> 00:20:16,090
على الأغلبية مجسمين على عدد العناصر بطلة الأغلبية

246
00:20:16,090 --> 00:20:22,390
50% صار قداش هو ال top rank ده اللي هنسميه طيب بس

247
00:20:22,390 --> 00:20:27,970
برضه ممكن أجع في مشكلة تلاتة تلاتة اتنين عشان هيك

248
00:20:27,970 --> 00:20:29,970
بقولك الكلام اللي أنا بقوله أو النصيحة اللي أنا

249
00:20:29,970 --> 00:20:34,840
جاعت بقولها مش أساس مهي مجردبدأ ترضي على مبدأ

250
00:20:34,840 --> 00:20:39,720
التجربة والخطأ أو التجربة والقياس لحد ما تصل كيه

251
00:20:39,720 --> 00:20:43,700
مناسبة بالنسبة لك والكيه المناسبة هذه ممكن تختلف

252
00:20:43,700 --> 00:20:47,400
في domain تاني ليش؟ لأنه فعليا هذه واحدة من ال

253
00:20:47,400 --> 00:20:51,020
challenge الخاصة او من المشاكل الموجودة مع ال k

254
00:20:51,020 --> 00:20:54,300
-nearest neighbor اي جران قداش عدد الجران اللي انا

255
00:20:54,300 --> 00:21:00,100
اعتمد فيهم زي ما قلنا سابقا طيب الآنبما أنه انا

256
00:21:00,100 --> 00:21:03,560
بتحاول .. بتحاول أشوف ال K اللي بتتناسب مع عملية

257
00:21:03,560 --> 00:21:08,540
ال voting زي ما قلتلك حاول تكبرها شوية وخلف بينها

258
00:21:08,540 --> 00:21:13,320
وبين عدد عناصر ال element يعني لو كان زوجي أو فردي

259
00:21:13,320 --> 00:21:19,740
إلى آخره عفوا ال

260
00:21:19,740 --> 00:21:24,540
main concept أنا فيه عندي unseen instance unseen

261
00:21:24,540 --> 00:21:29,610
instance X اللي قطعت ال puzzle هايوفي عندي .. في

262
00:21:29,610 --> 00:21:39,050
عندي two classes suns و moons شموس وقمار وبيسألني

263
00:21:39,050 --> 00:21:44,250
خيارة البصر هذه هتكون قمر ولا شمس لأن هي موجودة

264
00:21:44,250 --> 00:21:49,470
هنا في الرسمة بناء على الرسمة إذا كانت ال key

265
00:21:49,470 --> 00:21:50,570
تبعتي هنا أربعة

266
00:21:53,580 --> 00:21:56,780
هيصير في عندي اتنين و اتنين اذا اختارت ال K أربعة

267
00:21:56,780 --> 00:22:01,160
اتنين و اتنين مش هقدر اعمل voting لكن لو روحت لل K

268
00:22:01,160 --> 00:22:08,360
equal 11 دائرة البلون الأزرق هصار في عندي أربعة و

269
00:22:08,360 --> 00:22:14,400
سبعة ال majority ال majority لمين؟ للمون وبالتالي

270
00:22:14,400 --> 00:22:18,540
هاي ال instance هذه عبارة عن قمر

271
00:22:22,570 --> 00:22:26,470
النصيحة to avoid any noisy data او أي نصيحة نصيحة

272
00:22:26,470 --> 00:22:29,550
نصيحة نصيحة تستخدم more than one neighbor ماتشتغلش

273
00:22:29,550 --> 00:22:33,350
على one neighbor ودائما زي ما قلتلك حاول اختار عدد

274
00:22:33,350 --> 00:22:36,190
اللي له علاقة بعدد ال classes بحيث ان يكون في عندك

275
00:22:36,190 --> 00:22:41,010
estimation لو بسيطة كيف تفرق ما بين ال classes

276
00:22:41,010 --> 00:22:44,310
اللي موجودة و تقدر تعمل مجارتي مين عنده ال data

277
00:22:44,310 --> 00:22:47,050
set تبعد ال classification اكتر من ال two classes

278
00:22:47,050 --> 00:22:55,140
الان معظمكم كمجموعات اشتغلتوا في data setsال data

279
00:22:55,140 --> 00:22:58,940
set اللي لها علاقة بال classification مين عنده

280
00:22:58,940 --> 00:23:03,240
data set ال label تبعتها اكتر من two classes طب

281
00:23:03,240 --> 00:23:07,280
مين عنده binary ال classification مجموعة واحدة فقط

282
00:23:07,280 --> 00:23:13,100
اللي عارفش اللي عندها والباقي والباقي ماحدش عارفش

283
00:23:13,100 --> 00:23:16,440
اللي سلمه مجرد جرينا data for classification

284
00:23:16,440 --> 00:23:23,020
ورفعناها وخلصنا كان الله بالسر علينا الان

285
00:23:23,850 --> 00:23:28,830
بما ان كل ال instances اللي عندي موجودة في ال N D

286
00:23:28,830 --> 00:23:32,830
Space بين

287
00:23:32,830 --> 00:23:35,870
جثين ال N هي عبارة عن عدد ال attributes اللي

288
00:23:35,870 --> 00:23:39,550
موجودة في ال data set اللي ممكن تكون واحد وممكن

289
00:23:39,550 --> 00:23:42,890
تكون اتنين وممكن تكون تلاتة وممكن تكون عشرة وممكن

290
00:23:42,890 --> 00:23:50,700
تكون مية وممكن تكون الف اه الف attributes اهالـ

291
00:23:50,700 --> 00:23:54,220
datasets اللي لها علاقة بالصور والألف attributes

292
00:23:54,220 --> 00:23:59,520
قليل كمان يعني هو عبارة عن بيكسلز الآن لو اتكلمت

293
00:23:59,520 --> 00:24:02,160
على صورة مية في مية بيكسلز جدش ال resolution

294
00:24:02,160 --> 00:24:07,340
تبعتها عالية لأ صورة صغيرة جدا صح؟ هذه لحالها عشان

295
00:24:07,340 --> 00:24:15,700
تفردها هي عشر تلاف attributes وليش رأي كرامي؟بس،

296
00:24:15,700 --> 00:24:17,900
هذه بس انت تتكلمنا على عشر تلاف attributes على

297
00:24:17,900 --> 00:24:22,480
صورة صغيرة تيك تتخيلي الصورة full HD جداش عدد ال

298
00:24:22,480 --> 00:24:27,820
attributes تبعتها طيب، الآن طبعا في حالة إذا كل

299
00:24:27,820 --> 00:24:33,420
pixel مثلت attribute ال kennerist neighbor بدور أو

300
00:24:33,420 --> 00:24:36,900
باعتمد على أو عرف إن الشخص اسمه similarity

301
00:24:36,900 --> 00:24:43,170
function شو يعني similarity؟ تشابهأو تقابق بين ال

302
00:24:43,170 --> 00:24:47,650
instances اللي موجودة سابقًا أنا كنت بقولك مين

303
00:24:47,650 --> 00:24:53,750
أقرب الناس لفلان لو أنا إجيت قولتلك في ال one D شو

304
00:24:53,750 --> 00:25:03,130
يعني one D؟ one attribute انا عندي عشرة وعندي خمسة

305
00:25:03,130 --> 00:25:08,890
وعندي سبعة العشرة

306
00:25:08,890 --> 00:25:14,030
أقرب لمين؟بناءً على إيش أنت حسبتها هي كده؟ غررت أن

307
00:25:14,030 --> 00:25:19,390
هي أقرب على السابعة لأن الفرق بين العشرة والسبعة

308
00:25:19,390 --> 00:25:24,530
أقل من الفرق بين العشرة والخمسة وبالتالي العشرة

309
00:25:24,530 --> 00:25:30,910
أقرب للسبعة بين جثين العشرة والسبعة more similar

310
00:25:30,910 --> 00:25:34,470
than العشرة والخمسة.ولّا شو رايكوا؟ يعني أقرب

311
00:25:34,470 --> 00:25:38,650
تشابه مع بعض أكتر لكل ما جربت من الرقم بكون أنا

312
00:25:38,650 --> 00:25:43,330
مشابه إله تمام؟يعني احنا في الآخر عملنا عشرة ناقص

313
00:25:43,330 --> 00:25:53,270
خمسة و عشرة ناقص سبعة لو كانت ال data ست اللي أنا

314
00:25:53,270 --> 00:25:57,850
بتكلم عليها في ال 2D عشرة

315
00:25:57,850 --> 00:26:01,850
و اتنين خمسة

316
00:26:01,850 --> 00:26:09,670
و تلاتة سبعة و واحد كيف بدك تشوف تفحص ال

317
00:26:09,670 --> 00:26:16,000
similarity ما بينهمالـ X ناقص الـ X والـ Y ناقص

318
00:26:16,000 --> 00:26:22,760
الـ Y تحت الجذر بدأت الآن تبدأ تتكلم .. انت ملاحظ

319
00:26:22,760 --> 00:26:26,980
بتتكلم على distance في الآخر على مسافة لكن لما أنا

320
00:26:26,980 --> 00:26:35,040
بتكلم في الـ 2D يا كريم أي نقطين في الـ 2D هيهم

321
00:26:35,040 --> 00:26:40,100
بتكلم على distance بينهم أيش ال distance هي بتمثل؟

322
00:26:42,700 --> 00:26:46,380
الفرق بين النقطين بس في كلام أبسط بالنسبة لما

323
00:26:46,380 --> 00:26:51,180
الفرق بين النقطين هدول ال distance هاي بتمثل الوتر

324
00:26:51,180 --> 00:27:00,720
في مثلث قائم الزاوية اذا شو رايكوا التغير على ال Y

325
00:27:00,720 --> 00:27:16,230
هي Y2-Y1 الارتفاع وال base تبعتي المثلثX2 نقص X1 و

326
00:27:16,230 --> 00:27:23,110
لا لأ المسافة اللي هان طول الضلع في المثلث قائم

327
00:27:23,110 --> 00:27:31,110
الزاوية شو بتساوي X2 نقص X1 تربيع زائد Y2 نقص 1

328
00:27:31,110 --> 00:27:36,910
تربيع تحت الجذر قانون في ثغورس، مصبوط؟ و بالتالي

329
00:27:36,910 --> 00:27:40,110
انا عند ال equilibrium distance هيها

330
00:27:43,080 --> 00:27:47,060
إذا أنا حصلت على ال distance لو كان في عنده التلات

331
00:27:47,060 --> 00:27:52,540
نقاط معناته

332
00:27:52,540 --> 00:27:58,500
أنا في عنده مثلث مختلف هنا ولا

333
00:27:58,500 --> 00:28:06,760
لأ؟ وهذه المسافة اللي أنا بدي إياها إذا

334
00:28:06,760 --> 00:28:15,300
كانت D2 أصغر من D1 فالنقطين أقرب لبعضتمام؟ طب في

335
00:28:15,300 --> 00:28:19,140
الـ 3D عشرة

336
00:28:19,140 --> 00:28:26,760
و اتنين و سبعة خمسة و تلاتة و واحد سبعة و واحد و

337
00:28:26,760 --> 00:28:35,920
تلاتة شو بدك تساوي؟ نفس الفكرة، بس إيش أساوي؟ ضيف

338
00:28:35,920 --> 00:28:42,770
تحت الجذر تربيع الفرق ما بين Z واحد و Z اتنينيعني

339
00:28:42,770 --> 00:28:45,870
بين النقطة الأولى و النقطة التالية طب لو كان تندي

340
00:28:45,870 --> 00:28:51,110
عشرة attributes ليش ال off؟ ماحنا عاملا متفقين إنه

341
00:28:51,110 --> 00:28:55,850
ممكن يكون فيه عشرة attributes نفس الكلام فبنتكلم

342
00:28:55,850 --> 00:29:01,970
احنا على summation تحت الجدر لمجموعة للفرق ما بين

343
00:29:01,970 --> 00:29:06,810
عدد ال attributes اللي موجودة عندهان الفرق ما بين

344
00:29:06,810 --> 00:29:09,610
قيم ال attributes اللي موجودة عندهان وبالتالي هذي

345
00:29:09,610 --> 00:29:13,550
بنسميها ال Eclidean distanceلو كان انا فيه عندي

346
00:29:13,550 --> 00:29:21,710
two points X وY two different points ال

347
00:29:21,710 --> 00:29:27,270
dimensionality تبعتهم N الفرق

348
00:29:27,270 --> 00:29:35,770
بين النقطين هدول يساوي الجدر التربيعي لمجموعة XI

349
00:29:35,770 --> 00:29:41,570
ناقص وYI تربيع تحت الجدر والـ I بدها تساوي من واحد

350
00:29:42,250 --> 00:30:02,970
لأن وبالتالي أنا بتتكلم فعليا على الفروقات هذا

351
00:30:02,970 --> 00:30:08,710
ال equilibrium distance بشكل عام بما أنه أنا قاعد

352
00:30:08,710 --> 00:30:13,970
بربع القيموبأخد الجذر، لو قيّرت الجذر من معدلتي،

353
00:30:13,970 --> 00:30:18,370
لو قيّرت الجذر من معدلتي، شو بيصير؟ بتصير القيمة

354
00:30:18,370 --> 00:30:22,890
أكبر، بس مش أكتر، ولا لأ، بس فعليًا القيمة الأكبر

355
00:30:22,890 --> 00:30:27,950
تحت الجذر، هتكون هي القيمة الأكبر بعد الجذر، بس

356
00:30:27,950 --> 00:30:31,170
الـscale اختلف، مصبوط؟ فبعض الناس إيش بتروح

357
00:30:31,170 --> 00:30:35,670
متساوي؟ تستغنى عن الجذر التربيعي، وبما إن التربيع

358
00:30:35,670 --> 00:30:41,160
بيعطيني قيمة موجبة،فقال لك احنا في Manhattan

359
00:30:41,160 --> 00:30:45,960
distance قال لك ليش ما اتكلم على مجموع ال absolute

360
00:30:45,960 --> 00:30:50,060
او الفروقات مجموع الفروقات بين النقاط لو انا اجيت

361
00:30:50,060 --> 00:30:55,080
سألتك كريم و هاني هاني قداش الفرق بينك وبين كريم

362
00:30:55,080 --> 00:31:00,820
في المعدل هقول 5 لأ ماسألتش قداش معدلك قداش الفرق

363
00:31:00,820 --> 00:31:06,850
بينك وبين كريم في المعدل قال 5%لو روحت سألة كريم

364
00:31:06,850 --> 00:31:11,730
كريم جدتش الفرق بينك وبين هاني في المعدل؟ 5% لاحظ

365
00:31:11,730 --> 00:31:14,510
أنا مافرجتش معايا مين أعلى من التاني لأن في

366
00:31:14,510 --> 00:31:17,670
الحالتين ال distance .. بتكلم distance و ال

367
00:31:17,670 --> 00:31:20,810
distance لن تكون بال negative فال distance دائما

368
00:31:20,810 --> 00:31:24,430
موجب فجالك أنا من المنهات ال distance جالك أنا

369
00:31:24,430 --> 00:31:29,010
بروح بأشتغل باعتمد على ال absolute value للفرق ما

370
00:31:29,010 --> 00:31:33,810
بين ال attributes values و بجمعهم وبهيك حصلت على

371
00:31:33,810 --> 00:31:39,050
نفس ال conceptsبس فعليا .. فعليا بتفرق ال distance

372
00:31:39,050 --> 00:31:44,910
الرسمة هاي بتوضح الفرق الفعلي ما بين ال Manhattan

373
00:31:44,910 --> 00:31:51,330
و ال Eclidean ال Eclidean طبعا هاي النقطين X1 و X2

374
00:31:51,330 --> 00:31:59,510
2 و 8 .. 3 أو 6 و 3 رسمناهم الآن قلنا الخط الأخضر

375
00:31:59,510 --> 00:32:05,400
هذا هو عبارة عن ال Eclidean distanceبينما الـ

376
00:32:05,400 --> 00:32:08,860
Manhattan في الأكثر من مسار فكرة الـ Manhattan

377
00:32:08,860 --> 00:32:12,880
distance أنه دائما أنا بمشي في خطوط مستقيمة

378
00:32:12,880 --> 00:32:18,020
متعامدة على بعضها بمشي على خطوط متعامدة بينما ال

379
00:32:18,020 --> 00:32:23,380
Euclidean أخدت القطر، مصبوط؟ الآن الخطوط .. الخط

380
00:32:23,380 --> 00:32:29,320
الأحمر هذا هو عبارة عن مثل الـ Manhattan distance

381
00:32:29,320 --> 00:32:35,850
الخط الأصفر هذا كذلكعبّر عن الـ Manhattan distance

382
00:32:35,850 --> 00:32:41,430
و نفس الـ value لو انت حسبت واحدة اتنين تلاتة

383
00:32:41,430 --> 00:32:47,710
اربعة خمسة و واحدة اتنين تلاتة اربعة تسعة واحدة

384
00:32:47,710 --> 00:32:52,710
اتنين تلاتة اربعة خمسة ستة سبعة تمانية تسعة ك

385
00:32:52,710 --> 00:32:56,970
units فال Manhattan distance هي فعلياً هتلاقي فيه

386
00:32:56,970 --> 00:33:01,800
implementation يستحيلتجي تتكلم على انك تطبق الـ

387
00:33:01,800 --> 00:33:05,720
Euclidean distance مثال جالك سيارة بدها تتحرك ما

388
00:33:05,720 --> 00:33:09,760
بين النقطين هدول ضمن مدينة هي خلقتها تقول والله

389
00:33:09,760 --> 00:33:14,160
انا بدأ أخش من البيوت اللي هنا مافيش مجال السيارة

390
00:33:14,160 --> 00:33:16,860
فيها لها طرق مواضحة بدها تنشي عليها وبالتالي الـ

391
00:33:16,860 --> 00:33:20,440
Manhattan distance هي الأنسب بالنسبة لإلك في

392
00:33:20,440 --> 00:33:24,680
التعامل الآن

393
00:33:24,680 --> 00:33:26,860
ايش المطلوب عشان اطبق الـ Canary Snapper

394
00:33:31,350 --> 00:33:37,990
أولاً لازم تحدد ال parameter عدد ال K كم جار اللي

395
00:33:37,990 --> 00:33:44,670
بتتكلم عليهم تلاتة، خمسة، سبعة، تمانية، عشرين،

396
00:33:44,670 --> 00:33:51,510
سبعة وعشرين لازم تحددهم انت calculate

397
00:33:51,510 --> 00:33:54,410
the distance بغض النظر عن ال Manhattan ولا ال

398
00:33:54,410 --> 00:33:59,590
Includionبين النقطة الـ query instance اللي هي

399
00:33:59,590 --> 00:34:03,230
النقطة اللي انا بدي اصنفها وبين كل النقاط اللي

400
00:34:03,230 --> 00:34:10,550
موجودة عندى رتب ال data وهي النقطة رقم تلاتة يا

401
00:34:10,550 --> 00:34:14,510
شباب رتب ال data .. رتب ال data مش أساس بالنسبة

402
00:34:14,510 --> 00:34:19,190
ليه؟ ليش؟ لأنه في كل بساطة لو كان هم تلت نقاط طب

403
00:34:19,190 --> 00:34:22,130
انا بقدر بعناية بميز التلت نقاط و بشوف بعرف مين

404
00:34:22,130 --> 00:34:25,790
الأقرب منهم وبقدر اعمل بينهم votingلو كان .. لكن

405
00:34:25,790 --> 00:34:29,770
لو كان عدد الـK الـK اللي أنا بستخدمه كبير خمسين

406
00:34:29,770 --> 00:34:35,530
.. خمسين مثلا صعب إن أنا أقدر أشوف الخمسين ورا بعض

407
00:34:35,530 --> 00:34:40,250
بدون ما أرتبهم ولا لأ؟ فعشان هيك بيجي الترتيب كويس

408
00:34:40,250 --> 00:34:44,710
أو مناسب لما بيكون عدد الـK تباعت كبير عشرة و أطلع

409
00:34:44,710 --> 00:34:48,370
أقولك خمسة و أطلع خصوصا لما كان .. لما تكون النقاط

410
00:34:48,370 --> 00:34:51,670
متباعدة ال data set فيها ألف recordوالـ Most

411
00:34:51,670 --> 00:34:57,330
Closest Point كانت الـ Point رقم 100 و الـ Point

412
00:34:57,330 --> 00:35:04,410
رقم 170 و الـ Point 370 و الـ Point 470، ضال عندي

413
00:35:04,410 --> 00:35:09,690
Point و الـ Point 950، هاي خمس نقاط كيف بدى أشوفهم

414
00:35:09,690 --> 00:35:13,530
هدول؟ اللي هضطر أروح أكتبهم على الجانب عشان أعرف

415
00:35:13,530 --> 00:35:17,150
إيش ال label تبعتهم، هذا الكلام هنطبقه فعليا أنا

416
00:35:17,150 --> 00:35:22,680
شكل عملي لكن لما بيعملني Sorting لهمبصير قادر انا

417
00:35:22,680 --> 00:35:26,780
اشوف وين بشوفهم كلهم ورا بعض عشان اتسهل علي عملية

418
00:35:26,780 --> 00:35:33,120
ال voting بعد هيك select ال key nearest instances

419
00:35:33,120 --> 00:35:37,320
بنقل على ال value اللي حطيها في واحد وفي الآخر

420
00:35:37,320 --> 00:35:43,380
بعمل تصويت ما بينهم وبحسب ال majority بحسب ال

421
00:35:43,380 --> 00:35:47,520
majority ال example اللي موجود عندي هان انت بقى

422
00:35:47,520 --> 00:35:48,000
تشتغله

423
00:35:51,630 --> 00:35:56,590
كل تلاتة في جنب بعض اللي هم ورقة واحدة و أسميكوا

424
00:35:56,590 --> 00:35:59,870
بدها تنحط على جافة الورقة انتوا تلاتة مع بعض غير

425
00:35:59,870 --> 00:36:06,210
شباب اه روح هان تلاتة اهب رجعلي لورا هنا انت لغيت

426
00:36:06,210 --> 00:36:11,530
مجموعة ارجع عندهم يلا تشتغلوا

427
00:36:11,530 --> 00:36:14,090
اتنين اتنين اتنين اتنين مافيش مشكلة اشتغلوا اتنين

428
00:36:14,090 --> 00:36:19,450
اتنين انت لحالك مافيش يروح عنده .. هو عنده كرسي

429
00:36:19,450 --> 00:36:25,780
يروح على كرسي اللي عندهعلى جافة الورجة أسميكم على

430
00:36:25,780 --> 00:36:29,880
جافة الورجة يا شباب أسميكم كمجموع على جافة الورجة

431
00:36:29,880 --> 00:36:35,720
الشغل التاني ابدأ بتصنيف الآن هي عندي الـ new

432
00:36:35,720 --> 00:36:40,180
instance وهي ال data set ال data set فيها five

433
00:36:40,180 --> 00:36:46,120
instances يا كريم وفي عندي الآن instance x equal 3

434
00:36:46,120 --> 00:36:53,850
و x2 equal 7 قل لي .. قل ليالان باعتمادك على اي

435
00:36:53,850 --> 00:36:57,090
distance على مانهاتين على ال Euclidean تنتهي حدك

436
00:36:57,090 --> 00:37:00,350
نفس النتيجة اشتغل على ال Euclidean distance تمام؟

437
00:37:00,350 --> 00:37:07,710
ايش ال class تبع ال instance هاي؟ الان بديك تشتغل

438
00:37:07,710 --> 00:37:11,770
على ال canaries equal واحد وعلى ال canaries equal

439
00:37:11,770 --> 00:37:20,830
تلاتة شو من هما التنتين؟ ود المشكلة في الموضوعأنا

440
00:37:20,830 --> 00:37:24,150
بقولك اشتغل مرة أول لقطة اشتغل احسب ال distances

441
00:37:24,150 --> 00:37:27,010
على السريع يالا القانون

442
00:38:02,420 --> 00:38:08,360
جلط وين يا أخو؟ أنا مالي، هي القانون

443
00:38:27,330 --> 00:38:29,610
الوقت كالسيف

444
00:38:40,600 --> 00:38:53,080
دقيقة .. دقيقة المسألة هتتنحل ..

445
00:39:00,120 --> 00:39:21,660
إيه؟ إيه؟ إيه؟

446
00:39:30,670 --> 00:39:33,870
بتمنى بس على الناس المبتسمة انها تكون فعليا مبتسمة

447
00:39:33,870 --> 00:39:38,690
لإنها عارفة حل مش لإن مش مبتسمة لإنها إيش مش فاهمة

448
00:39:38,690 --> 00:39:46,610
حاجة نعم كمل لحالك احنا شرحنا ال algorithm

449
00:40:14,010 --> 00:40:16,410
أحنا نسأل على شخصين اللي في العالم اللي ممكن

450
00:40:16,410 --> 00:40:20,710
يتعامل معه بالتعامل بالتعامل بالتعامل بالتعامل

451
00:40:20,710 --> 00:40:21,210
بالدرس

452
00:40:25,680 --> 00:40:29,820
اكتب .. اكتب .. اكتب الجواب ال class تبعت ال

453
00:40:29,820 --> 00:40:36,160
instance هي على الورقة في حالة كانت one K K equal

454
00:40:36,160 --> 00:40:42,680
one و في حالة ال K equal تلاتة حطوا

455
00:40:42,680 --> 00:40:47,180
جواب ماقلنا اعمل مجارتي حدد ال .. ال .. can

456
00:40:47,180 --> 00:40:50,600
nearest neighbor و اعمل voting ما بينهم في حالة

457
00:40:50,600 --> 00:40:53,200
الواحد مافيش voting هو في حالة التلاتة بقى تعمل

458
00:40:53,200 --> 00:41:00,320
votingيلا شباب لما الورق اديني إياه خلصت الخمس

459
00:41:00,320 --> 00:41:03,380
دقايق مش دقيقة يا أستاذ وحورجيك إنه هذا بينحل في

460
00:41:03,380 --> 00:41:12,800
أقل من دقيقة يلا شباب اديني الورق الله يسعدك اديني

461
00:41:12,800 --> 00:41:21,700
الورق يلا شباب واحد

462
00:41:33,590 --> 00:41:44,490
كنين ماشي الورق يا شباب إذا

463
00:41:44,490 --> 00:41:46,870
اللي وراك لسه ع بحل سيبك منه اديه الورق لجدامك و

464
00:41:46,870 --> 00:41:48,950
تاخدش منه خليه يجمهو من مكانه

465
00:41:53,690 --> 00:42:08,930
ما تاخدش من حد من ورا ايش

466
00:42:08,930 --> 00:42:13,610
المفروض يسوي فيهم هادول؟

467
00:42:13,610 --> 00:42:17,350
خلصت؟

468
00:42:30,080 --> 00:42:35,900
طيب طيب يا شباب خلاصنا من الصوت خلاصنا تعالى نشوف

469
00:42:35,900 --> 00:42:39,500
جداش فعليا انت تلت عقول او اربعة اشتغلت احيانا او

470
00:42:39,500 --> 00:42:42,400
اتنين في موضوع حل مسألة زي هيك وهي القوانين

471
00:42:42,400 --> 00:42:48,880
التانية قدامك الآن تلاتة ناقص سبعةأربعة تربيع زائد

472
00:42:48,880 --> 00:42:52,660
صفر تربيع ال instance الأولى وهذه كانت ال

473
00:42:52,660 --> 00:43:01,000
classification تبعتها bad الآن أربعة تربيع زائد

474
00:43:01,000 --> 00:43:09,240
تلاتة تربيع وبرضه هذه كانت bad الآن البعديها صفر

475
00:43:09,240 --> 00:43:14,820
تربيع زائد واحد تربيع وهذه good ال instance

476
00:43:14,820 --> 00:43:23,680
الأخيرةاتنين تربيع زائد تلاتة عفوا تلاتة عفوا

477
00:43:23,680 --> 00:43:27,440
تربيع سبعة

478
00:43:27,440 --> 00:43:37,600
ناقص أربعة تلاتة تربيع وهذه good أقصر

479
00:43:37,600 --> 00:43:44,500
مسافة اللي بعديها اللي بعديها

480
00:43:47,000 --> 00:43:54,760
إذا كانت الـ K equal واحد فهي Good إذا كانت الـ K

481
00:43:54,760 --> 00:44:00,700
equal تلاتة بعمل voting بين التلاتة الأصغر تنتين

482
00:44:00,700 --> 00:44:04,680
Good و واحدة Bad حسب المجارية باخد الـ Good فكل

483
00:44:04,680 --> 00:44:09,080
الحالتين كانت عندك Good Eclidean distance أنا

484
00:44:09,080 --> 00:44:14,250
اعتمدت يا دكتور ماطبقتش الترديعمافيش مشكلة،

485
00:44:14,250 --> 00:44:16,330
معامالنا ذاكرين إنه جماعة الخير بما أنه التربيه

486
00:44:16,330 --> 00:44:19,450
يقعد يتطبق نشتغل مع الكل فأنا ممكن أنا أشتغل بسرعة

487
00:44:19,450 --> 00:44:22,770
بدون مقلخم حالي وأستخدم قالة الجوال لأول مرة بدي

488
00:44:22,770 --> 00:44:28,230
أستخدمها على ال include على المنهاتين الناس اللي

489
00:44:28,230 --> 00:44:35,090
اشتغلت على المنهاتين مااختلفتش كتير الآن تلاتة

490
00:44:35,090 --> 00:44:40,450
أربعة زائد صفر وأربعة

491
00:44:40,450 --> 00:44:52,940
زائد تلاتةو صفر زائد تلاتة و اتنين زائد تلاتة ال

492
00:44:52,940 --> 00:45:01,500
shortest واحد اتنين تلاتة

493
00:45:01,500 --> 00:45:10,480
good في حالة ال K equal one وين خمسة

494
00:45:13,140 --> 00:45:19,040
ترتيب اختلف اوكي ماشي الحال اتنين تلاتة تمام

495
00:45:19,040 --> 00:45:26,500
تنتين جود واحدة bad جود

496
00:45:26,500 --> 00:45:34,060
فهي ال label تمام الشباب الله

497
00:45:34,060 --> 00:45:34,600
يعطيك العافية

498
00:45:41,260 --> 00:45:55,340
أصارت عندك X2 المشكلة جزاعل

499
00:45:55,340 --> 00:45:58,800
استاد انا حليت مع K equal تلاتة هاي ال query اللي

500
00:45:58,800 --> 00:46:01,760
بدي اعمل ال instance تلاتة سبعة هي اللي بدي قيمها

501
00:46:01,760 --> 00:46:07,800
فروحت حسبت المسافة بينها وبين كل نقطة تربيع

502
00:46:10,590 --> 00:46:17,190
الان رتبت تبع لل distance من الأصغر للأكبر

503
00:46:17,190 --> 00:46:20,630
وبالتالي الأولى هي ال most closest وراها التانية و

504
00:46:20,630 --> 00:46:24,870
التالتة و الرابعة الرابعة هي the farthest one الآن

505
00:46:24,870 --> 00:46:29,430
إذا كانت ال K تبعتي equal K equal واحد فالأولى

506
00:46:29,430 --> 00:46:35,690
كانت ال K تبعتي equal تلاتة هي التلاتة هعمل بينهم

507
00:46:35,690 --> 00:46:40,780
voting الآن فهتكون الناتج تبعتيال class تبعت ال

508
00:46:40,780 --> 00:46:50,580
instance هذي good اجرب مسافة نعم سبعة نقص سبعة و

509
00:46:50,580 --> 00:46:53,380
انا السبعة نقص سبعة بس السبعة نقص سبعة مش لحالها

510
00:46:53,380 --> 00:46:59,240
في عندك هنا سبعة نقص ثلاثة لأن هذا distance في ال

511
00:46:59,240 --> 00:47:05,180
2D في ال 2D خط بس الخط هذا جاي معاك خط أفق أو خط

512
00:47:05,180 --> 00:47:06,780
عمود لما يكون قيمته متساويات

513
00:47:09,850 --> 00:47:14,810
الان لو طلعوا النساء في كل مقالي نسبتها طبعا هي

514
00:47:14,810 --> 00:47:18,470
بعض ضد وبعض نفس ال .. اه اه الان هذه مشكلة زي ما

515
00:47:18,470 --> 00:47:22,450
قلتلك انا سابقا مشكلة ال voting انك انت بدك تحاول

516
00:47:22,450 --> 00:47:27,030
تسعى انك تلاقي value افضل كي تتناسب مع العملية

517
00:47:27,030 --> 00:47:31,050
الان بكل الأحوال لو طلعوا فعليا فعليا عندي two

518
00:47:31,050 --> 00:47:35,750
classes اللي هم نفس ال level نفس ال distanceحطيته

519
00:47:35,750 --> 00:47:39,170
في ايه؟ حطيته في دي؟ نفس النتيجة في الآخر انت

520
00:47:39,170 --> 00:47:42,510
حصلت، تمام؟ بس في الآخر، هي اللي موجود، هي ال

521
00:47:42,510 --> 00:47:45,710
algorithm ماحدش جالك أن ال algorithm هاد perfect،

522
00:47:45,710 --> 00:47:50,390
one hundred percent أنا قدمته لسبب واحد فقط أنه

523
00:47:50,390 --> 00:47:56,070
أسهل algorithm ممكن تستوعبه أنت الآن، تمام؟ أسهل

524
00:47:56,070 --> 00:48:03,520
algorithm ببدأش يخل دماغك يشتغل معانا، ممتاز؟هذه

525
00:48:03,520 --> 00:48:12,320
ال data ال 6 تبعتنا .. بدي أرجع لهيك شوية X

526
00:48:12,320 --> 00:48:23,960
تلاتة true .. false .. false .. true أنا

527
00:48:23,960 --> 00:48:29,040
سابقا لما كنت بحسب distance أو ping و cell لما صرت

528
00:48:29,040 --> 00:48:34,150
back كنت بعكس ال similarity as a distanceتمام ال

529
00:48:34,150 --> 00:48:38,070
shortest distance ال most similar والعكس صحيح كانت

530
00:48:38,070 --> 00:48:42,550
ال numeric value الان انا فيه عندى boolean value

531
00:48:42,550 --> 00:48:47,430
شو بدي اسوي فيها صفر و واحد احولها صفر و واحد يعني

532
00:48:47,430 --> 00:48:53,990
ارجع اعمل preprocessing صفر و واحد حل بس انا رجعني

533
00:48:53,990 --> 00:49:00,550
كتير لورا مضطرله تمام طيب لو كان عندى كمان

534
00:49:04,990 --> 00:49:13,930
X3 أو X4 بمثل الـ Marital Status Single Divorced

535
00:49:13,930 --> 00:49:22,910
Woodward Married مقولج، بعيد عنك أرمل Woodward

536
00:49:22,910 --> 00:49:27,190
أرمل Divorced مقولق مش هاي الحالات الاجتماعية

537
00:49:27,190 --> 00:49:36,660
الأربعة على شخص أعزب متزوجwidow ..widow ..widow

538
00:49:36,660 --> 00:49:42,360
..widow ..widow ..widow ..widow ..widow ..widow

539
00:49:42,360 --> 00:49:47,400
..widow ..widow ..widow ..widow ..widow ..widow

540
00:49:47,400 --> 00:49:47,980
..widow ..widow ..widow ..widow ..widow ..widow

541
00:49:47,980 --> 00:49:51,640
..widow ..widow ..widow ..widow ..widow ..widow

542
00:49:51,640 --> 00:49:51,760
..widow ..widow ..widow ..widow ..widow ..widow

543
00:49:51,760 --> 00:49:57,740
..widow ..widow ..widow ..widow ..widow ..widow

544
00:49:57,740 --> 00:49:57,740
..widow ..widow ..widow ..widow ..widow ..widow

545
00:49:57,740 --> 00:49:57,740
..widow ..widow ..widow ..widow ..widow ..widow

546
00:49:57,740 --> 00:49:57,780
..widow ..widow ..widow ..widow ..widow ..widow

547
00:49:57,780 --> 00:49:57,780
..widow ..widow ..widow ..widow ..widow ..widow

548
00:49:57,780 --> 00:49:57,780
..widow ..widow ..widow ..widow ..widow ..widow

549
00:49:57,780 --> 00:49:59,800
..widow ..widow ..widow ..widow ..widow ..widow

550
00:50:03,060 --> 00:50:12,200
تقدرش تحولها ايوة دون إبداعات نسمع منكم وبالتالي

551
00:50:12,200 --> 00:50:15,140
انت حقيت .. يعني لو لو هي للأعزب يعني المفروض كون

552
00:50:15,140 --> 00:50:20,780
قيمة الأعزب أكبر غير صحيح نعم نحسب ال X و X1 و X2

553
00:50:20,780 --> 00:50:24,960
و X3 و X4 و X5 و X6 و X7 و X8 و X9 و X10 و X11 و

554
00:50:24,960 --> 00:50:27,160
X12 و X12 و X13 و X14 و X14 و X15 و X16 و X17 و

555
00:50:27,160 --> 00:50:28,820
X18 و X19 و X20 و X21 و X22 و X22 و X22 و X22 و

556
00:50:28,820 --> 00:50:28,940
X22 و X22 و X22 و X22 و X22 و X22 و X22 و X22 و

557
00:50:28,940 --> 00:50:28,940
X22 و X22 و X22 و X22 و X22 و X22 و X22 و X22 و

558
00:50:28,940 --> 00:50:31,370
X22 و X22 و X22 و X22 و X22 و X22لما يكون في عندي

559
00:50:31,370 --> 00:50:36,130
nominal attribute او Boolean attribute ال distance

560
00:50:36,130 --> 00:50:41,450
هتزيد بصفر او بواحد بناء على ايش هل ال value هذي

561
00:50:41,450 --> 00:50:47,970
equal او not equal true يعني ال instance اللي انا

562
00:50:47,970 --> 00:50:55,910
بدي اقرأها الان كانت هنا عندي تلاتة و سبعة و false

563
00:50:55,910 --> 00:50:58,530
و D

564
00:51:01,610 --> 00:51:09,330
الان المسافة اللي بحسبها هي ل

565
00:51:09,330 --> 00:51:17,950
ال instance الأولى الان سبعة ناقص سبعة تربيع زائد

566
00:51:17,950 --> 00:51:26,530
سبعة ناقص تلاتة تربيع زائد واحد

567
00:51:26,530 --> 00:51:34,590
في حالة التساوي صفر في حالة الاختلافصفر زائد صفر

568
00:51:34,590 --> 00:51:40,630
في الحالة التانية مع ال instance التانية أربعة

569
00:51:40,630 --> 00:51:48,890
ناقص سبعة تربيع زائد سبعة ناقص تلاتة تربيع زائد

570
00:51:48,890 --> 00:52:01,390
false و false واحد دي و دي واحدوبالتالي صار موضوع

571
00:52:01,390 --> 00:52:03,910
الـ String اللي هندي أو لو كانت الـ Nominal Data

572
00:52:03,910 --> 00:52:07,990
أو Boolean Data مافيش داعي أرجع لل preprocessing

573
00:52:07,990 --> 00:52:13,170
مافيش داعي أرجع لل preprocessing بالعكس أنا ممكن

574
00:52:13,170 --> 00:52:19,050
أكمل بكل بساطة بتصير الآن similar or dissimilar

575
00:52:19,050 --> 00:52:24,530
لأنه فعلاً هل هي نفس القيمة ولا قيمة مختلفة؟طبعا؟

576
00:52:24,530 --> 00:52:28,550
قيمة و لا قيمة مختلفة لكن لأ أخفيكوا إن هاي في

577
00:52:28,550 --> 00:52:33,370
برضه فيها مشكلة

578
00:52:33,370 --> 00:52:38,650
رحلة

579
00:52:38,650 --> 00:52:47,150
شوية لو كان في عندى two values بالشكل هذا أحمد و

580
00:52:47,150 --> 00:52:53,250
أحمد واحدة بتبدأ بcapital واحدة smallالمفروض تكون

581
00:52:53,250 --> 00:52:56,490
انت حليتها أنا جيبتك كمثال كاسم بالاسم الآن يا

582
00:52:56,490 --> 00:53:08,030
سيدي بلاش نتكلم على الوظيفة ال job manager الان

583
00:53:08,030 --> 00:53:12,810
هادي وهادي في ال semantic واحدة لكن على حسب

584
00:53:12,810 --> 00:53:17,010
القانون اللي أنا بقوله إذا متساويات بياخدوا واحد

585
00:53:17,010 --> 00:53:19,830
مختلفات بياخدوا صفر هدولة من الناس اللي هتاخد صفر

586
00:53:22,450 --> 00:53:25,770
ليش؟ لأن ال case .. بدي أدخل ال ignore case في

587
00:53:25,770 --> 00:53:34,610
الموضوع ابتجيني قضية أخطر من هيك واحد

588
00:53:34,610 --> 00:53:38,950
كتب بال A و واحد كتب بال E مش هذا اللي احنا

589
00:53:38,950 --> 00:53:44,450
اتسمناها سابقا ignore syntax حلتك من ال capital

590
00:53:44,450 --> 00:53:48,290
letter و ال capital letter و ال small letter بس ما

591
00:53:48,290 --> 00:53:56,190
حلت ال cash ان هذه Aوها دي إيه؟ هتظل في عندي

592
00:53:56,190 --> 00:53:59,690
استثناءات وإن ال data فيها .. يعني مش ضروري كل شيء

593
00:53:59,690 --> 00:54:03,890
ييجي .. يعني أنا بهمش أنا بحاول أظبط ال data تمشي

594
00:54:03,890 --> 00:54:08,650
مع القوانين بحاولش أكيف القوانين تمشي مع ال data

595
00:54:08,650 --> 00:54:11,690
وبالتالي هي القانون اللي موجودة عندي هنا في حالة

596
00:54:11,690 --> 00:54:17,110
ال nominal data equal values zero يعني ال distance

597
00:54:17,110 --> 00:54:21,830
بينهم zero ليش؟ لأنهم متطابقيننفس الشيء مافيش فرق

598
00:54:21,830 --> 00:54:25,730
بقى بينهم different values بغض النظر إيش كانوا

599
00:54:25,730 --> 00:54:30,870
الفرق بينهم واحد و لما أنا بضيف الفرق بينهم لما

600
00:54:30,870 --> 00:54:37,890
أقول قيمتهم مختلفات واحد متساويات Zero عكست في

601
00:54:37,890 --> 00:54:45,090
المثال هذا true

602
00:54:45,090 --> 00:54:54,230
و false واحد اختلاف اختلافابعدت ابعدت كويس انكم

603
00:54:54,230 --> 00:54:56,470
انتبهتوا انا بتكلم باتكلم ببتكلم ببتكلم ببتكلم

604
00:54:56,470 --> 00:54:56,730
ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم

605
00:54:56,730 --> 00:54:57,570
ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم

606
00:54:57,570 --> 00:54:58,070
ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم

607
00:54:58,070 --> 00:55:01,530
ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم

608
00:55:01,530 --> 00:55:14,790
ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم ببتكلم

609
00:55:14,790 --> 00:55:18,130
ببتكلم

610
00:55:18,130 --> 00:55:25,030
ببتصفر و صفر بين جوسين بين جوسين ان ال instance

611
00:55:25,030 --> 00:55:30,810
الأولى من ناحية ال text من

612
00:55:30,810 --> 00:55:39,250
ناحية ال text أبعد عادة ال instance من التانية

613
00:55:39,250 --> 00:55:43,050
أبعد يعني صار في واحد صار في مسافة تنجمع للقانون

614
00:55:43,050 --> 00:55:45,990
اللي عندي نعم

615
00:55:54,750 --> 00:55:57,730
جدّيش عدد ال values ال different values اللي عندك

616
00:55:57,730 --> 00:56:05,330
و الحالات التانية الوظائف ال occupation جدّيش

617
00:56:05,330 --> 00:56:10,610
عدد الوظائف ايه و اديني مثال فرضا عشرة مين قال مين

618
00:56:10,610 --> 00:56:14,970
قال ان ال manager بيختلف عن الموظف العادي بتسعة

619
00:56:14,970 --> 00:56:16,390
درجات او بعشرة درجات

620
00:56:18,950 --> 00:56:26,210
أنا قاعد باسألك مين اللي جال يعني

621
00:56:26,210 --> 00:56:29,690
انت فعليا بدك تروح تعمل attribute جديد بناء على ال

622
00:56:29,690 --> 00:56:33,970
data اللي عندك بنجو سين مؤمن جاعد ب mail انه خلاص

623
00:56:33,970 --> 00:56:39,330
بما انه انا بدي استخدم ال algorithm كل ال data

624
00:56:39,330 --> 00:56:44,850
تصير ال data نمريكية بس بدي ارجع اقولك ان ال way

625
00:56:44,850 --> 00:56:51,080
اللي انت كمان بتتكلم عليههيظل subjective انت هتصير

626
00:56:51,080 --> 00:56:57,420
تقرب و تبعد في الموظفين حسب حسب

627
00:56:57,420 --> 00:57:00,520
ال character تبعتك حسب الشخص اللي عمله بيحلل و ده

628
00:57:00,520 --> 00:57:04,920
ممكن يختلف لأنه في الآخر مافيش قانون واضح يقول

629
00:57:04,920 --> 00:57:08,860
الفرق بين كده و كده لكن لو على سبيل المثال احنا

630
00:57:08,860 --> 00:57:13,740
كنا بنتكلم على ال salary gradeأو الـ Grade تبع

631
00:57:13,740 --> 00:57:17,600
الموظف آه، ممكن أعكس هذه بالـ Basic Salary تبع كل

632
00:57:17,600 --> 00:57:21,700
Grade و هيك .. هيك بتكون الأمور سهلة تمام؟ لكن في

633
00:57:21,700 --> 00:57:26,280
حالة زي هذه زي ما كتبت و قلت انتهان True و False

634
00:57:26,280 --> 00:57:29,280
صفر و واحد، ماقلت الـ Cash، لأ، قلتلك صح لأنه

635
00:57:29,280 --> 00:57:32,180
منطقية و لو كانت الـ Gender Male و Female، هقولك

636
00:57:32,180 --> 00:57:34,780
صح و هذا الكلام هيتطابق مع الكلام الأساسي اللي

637
00:57:34,780 --> 00:57:39,500
احنا بنقوله قاعدين بس في الحالة هذه انت روح

638
00:57:39,500 --> 00:57:46,390
تعتبرهم Ordinal Dataمرتبط مصبوط و كل ما زادت

639
00:57:46,390 --> 00:57:51,770
الرتبة زاد الفرق مش دايما هذا الكلام متوفر عندي

640
00:57:51,770 --> 00:57:56,330
دكتور تفضلي على ال regression او ال .. مش بس على

641
00:57:56,330 --> 00:57:58,130
ال .. مالهاش تدخل بال regression هاد ال

642
00:57:58,130 --> 00:58:00,890
classification algorithm ال classification

643
00:58:00,890 --> 00:58:04,810
algorithm طيب هد زي تقريبا اللي قلت عشان تفتح

644
00:58:04,810 --> 00:58:07,230
الرواتب المليون

645
00:58:11,370 --> 00:58:17,610
هي تعالى نشوف المثال

646
00:58:17,610 --> 00:58:22,230
هذا الان عندي data set اللي علاقة بالاتصالات

647
00:58:26,670 --> 00:58:31,190
المستخدم رقم المستخدم عند ال call بال duration

648
00:58:31,190 --> 00:58:42,130
الاتصال بالدقائق 25000 40000 55000 27000 53000 ال

649
00:58:42,130 --> 00:58:51,940
SMS count 24 27 32 25 30الـ Data Counter الـ

650
00:58:51,940 --> 00:58:56,520
Mobile Data بالميجا بايت أربعة خمسة سبعة ستة خمسة

651
00:58:56,520 --> 00:59:01,780
الآن لو أنا بدأ أروح أطبق ال distance الـ Numeric

652
00:59:01,780 --> 00:59:07,620
Data ولا لأ؟ لو بدأ أطبق ال distance أنا بقولك

653
00:59:07,620 --> 00:59:09,900
حرام ما تغلبش حالك كفاية تعتمد على ال attribute

654
00:59:09,900 --> 00:59:14,600
الأول ليش؟

655
00:59:14,600 --> 00:59:19,220
لأن الفرق ما بين القيم كبير جداوبالتالي هو صاحب

656
00:59:19,220 --> 00:59:23,800
القرار في ال distance و لا شو رايكوا؟ أو بين

657
00:59:23,800 --> 00:59:30,880
جوسين؟ تأثير ال attribute هذا تأثيره أكبر مئات

658
00:59:30,880 --> 00:59:36,580
المرات من ال attribute التاني والتالت على مين؟ على

659
00:59:36,580 --> 00:59:41,640
ال distance أنت تخيل ال instance اللي أنا بدي

660
00:59:41,640 --> 00:59:45,980
أفحصها القيم اللي فيها ألفين

661
00:59:53,040 --> 00:59:59,260
17 تلاتة مع

662
00:59:59,260 --> 01:00:03,380
ال distance الأولى فقط مع ال distance الأولى خمس

663
01:00:03,380 --> 01:00:07,840
.. خمس آلاف تربيع .. أنا ألفين؟ هذا بدك تقول عشرين

664
01:00:07,840 --> 01:00:17,460
ألف عشرين ألف خمس آلاف تربيع زائد سبعة تربيعزائد

665
01:00:17,460 --> 01:00:20,320
واحد تربيع فعلياً ما لهو مش قيمة في مقابل الخمس

666
01:00:20,320 --> 01:00:24,200
تلاف تربيع ولا لأ؟ يعني هو كأنه ال value اللي طلعت

667
01:00:24,200 --> 01:00:29,000
عندي هي عبارة عن جزر الخمس تلاف والباقي كله ولا

668
01:00:29,000 --> 01:00:33,140
حاجة ماليش معنى كتير عندي أو تأثيره قليل جداً بس

669
01:00:33,140 --> 01:00:38,860
هل الكلام هذا صح؟ هل فعليا ال cold duration هو ال

670
01:00:38,860 --> 01:00:43,180
dominant في ال distance؟ لأ هو لاحظ أن ال

671
01:00:43,180 --> 01:00:47,830
attribute كلهالقيم تبعته عالية ايش الحل بييجي

672
01:00:47,830 --> 01:00:51,210
موضوع ال scaling هو اللي بيحل القضية وبحطهم كلهم

673
01:00:51,210 --> 01:00:56,510
بنفس الأوزان في موضوع ال distance تخيل انا بدرح

674
01:00:56,510 --> 01:01:00,690
اطبق عليهم ال min max normalization من صفر لواحد

675
01:01:00,690 --> 01:01:04,050
شكل

676
01:01:04,050 --> 01:01:12,030
ال data set هيها صفر مع انه كانت الفروقات بينهم

677
01:01:13,850 --> 01:01:18,590
كبيرة جدا وعلى نفس النظام على نفس النظام الألفين

678
01:01:18,590 --> 01:01:22,830
لما انا بقدر أطبقها بقدر اخضعها لنفس المبدأ ال min

679
01:01:22,830 --> 01:01:27,870
max 01 على نفس الحسبة اللي اشتغل عليها هان هي ال

680
01:01:27,870 --> 01:01:33,990
maximum value 55000 وهي ال minimum value ال

681
01:01:33,990 --> 01:01:39,010
minimum و ال old ال old minimum و ال old maximum ل

682
01:01:39,010 --> 01:01:43,370
ال new minimum 0و الـ New Maximum واحد و بدي أطبق

683
01:01:43,370 --> 01:01:47,030
الألف عليهم الألفين عليهم و نفس النظام بدي أطبق

684
01:01:47,030 --> 01:01:51,410
باقي العناصر اللي أنا كتبتها ففعليا ال values

685
01:01:51,410 --> 01:01:58,970
تبعتها بصير تفرج و بصير كلهم إيش متساويات نعم بس

686
01:01:58,970 --> 01:02:02,490
احنا اتفقنا إنه في موضوع ال data ال normalization

687
01:02:02,490 --> 01:02:07,850
في ال preprocessing مهم جدا بس شغلة زي السابقة أنا

688
01:02:07,850 --> 01:02:12,450
ماشوفتهاشماكنتش .. ماكنتش تخطر في أحلامي إنه فعليا

689
01:02:12,450 --> 01:02:16,150
ألاقي إنه الـ nominal attribute أو ألاقي algorithm

690
01:02:16,150 --> 01:02:21,530
فقط شغال على الـ numeric data، مصبوط؟ في ناحية الـ

691
01:02:21,530 --> 01:02:23,890
preprocessing، احنا حكينا سابقا إنه الـ scaling

692
01:02:23,890 --> 01:02:29,530
شغلة أساسية، الـ scaling شغلة أساسية إيش ال

693
01:02:29,530 --> 01:02:33,670
advantages و ال disadvantages تبعت ال algorithm

694
01:02:33,670 --> 01:02:41,090
اللي عندنا؟ ال advantages robustشو يعني robust؟

695
01:02:41,090 --> 01:02:50,190
قوي في موجود ال noise data في عند data طيب هي

696
01:02:50,190 --> 01:02:55,770
distinguish ولا distinguish انت

697
01:02:55,770 --> 01:02:58,010
اللي بتقول عشانك روحت على بلد و مارست فيها لغة

698
01:02:58,010 --> 01:03:00,730
بلفضوها بالشكل هذا بقى هذا لا يعني ان الناس

699
01:03:00,730 --> 01:03:04,510
التانية بتلفضوها بالهديات مختلفة شكرا لك تمام

700
01:03:04,510 --> 01:03:06,470
سيدي؟ الآن

701
01:03:08,130 --> 01:03:13,890
advantages robust أو robust noise training data

702
01:03:13,890 --> 01:03:17,590
لما بكون في عندي noise data أنا بأضمن أنه بديني

703
01:03:17,590 --> 01:03:23,050
prediction صحيحة بهدف أنه فعليا ما بتأثرش هو عماله

704
01:03:23,050 --> 01:03:25,950
بيحسب ال instance أو العلاقة مع كل ال instances و

705
01:03:25,950 --> 01:03:30,570
لما تكون في عندي واحدة noise بتدوب ما بين العناصر

706
01:03:30,570 --> 01:03:34,730
اللي موجودة effective في حالة إذا كانت ال data

707
01:03:34,730 --> 01:03:39,490
تبعتي large enough كبيرةليش؟ لأن بكون ال decision

708
01:03:39,490 --> 01:03:43,810
تبعي بعتمد على أكبر عدد ممكن من ال neighbors

709
01:03:43,810 --> 01:03:48,070
وبالتالي كل ما كترت النقاط صرت انا بدور انه يكون

710
01:03:48,070 --> 01:03:52,710
.. احتمالية انه يكون في نقاط اقرب اعلى ال

711
01:03:52,710 --> 01:03:58,670
disadvantages انه لازم احدد الكلمة الجابلة و

712
01:03:58,670 --> 01:04:02,090
الكلمة التحديدة هذه بحد ذاته مشكلة انا ما بعرف ولا

713
01:04:02,090 --> 01:04:07,150
حد في الدنيا بيعرف ايش افضل key الشغل التانيةالـ

714
01:04:07,150 --> 01:04:11,230
distance based learning is not clear مفهوم الـ

715
01:04:11,230 --> 01:04:13,470
distance لما كنت بتكلم على ال numerical كنت مقتنع

716
01:04:13,470 --> 01:04:18,370
فيها بس لما دخلت ال nominal data بدنا ناخد و نعطف

717
01:04:18,370 --> 01:04:23,190
الكلام مصبوط وبالتالي ما صارت مفهوم ال similarity

718
01:04:23,190 --> 01:04:28,350
مش clear بالنسبة لي كتير عندي هان الشغلة التالتة

719
01:04:28,350 --> 01:04:33,650
أو الأخيرة أنه أنا فعليا هذا ال algorithm بديني

720
01:04:33,650 --> 01:04:38,970
high computation costليش؟ انت تخيل عندي 100 ألف

721
01:04:38,970 --> 01:04:45,090
instance عشان أقدر أصنف one instance بدي أحسب

722
01:04:45,090 --> 01:04:51,830
المسافة بينها وبين 100 ألف نقطة طبعا عندي 10 نقاط

723
01:04:51,830 --> 01:04:57,150
بدي أصنفهم بدي أحسب ال distance عشرة في 100 ألف

724
01:04:57,150 --> 01:05:02,810
يعني مليون مرة مليون distance بدي أحسب و هكذا لكن

725
01:05:02,810 --> 01:05:06,470
هذا برضه على الرغم من العيوب هذهالـ algorithm هذه

726
01:05:06,470 --> 01:05:11,870
في حالات كتيرة efficient إذا كانت في عندي memory

727
01:05:11,870 --> 01:05:16,150
كافية و ال data set تباعتي كويسة بتديني prediction

728
01:05:16,150 --> 01:05:19,670
عالي لأن أحيانا يا جماعة الخير بقدرش أبني model

729
01:05:19,670 --> 01:05:26,720
أنا لاحظ أي تغيير في ال environment مش هتأثر فيهفي

730
01:05:26,720 --> 01:05:29,560
الآخر انت بتديني قيم وانا بحسب قربي او بعدي النقطة

731
01:05:29,560 --> 01:05:33,720
جربت ولا بعدت انا ماعندي مشكلة لكن في حالة بناء ال

732
01:05:33,720 --> 01:05:36,420
model زى ما هشوف لاحقا انا ببنى model ال model

733
01:05:36,420 --> 01:05:42,540
خلاص صار if then طب اتغيرت الدنيا بدك تغير ال if

734
01:05:42,540 --> 01:05:45,840
then يعني بدك تعمل ال training مرة تانية و عادة

735
01:05:45,840 --> 01:05:51,020
بنطلق على ال kennerist labor hand lazy learning

736
01:05:51,020 --> 01:05:54,020
algorithm

737
01:06:01,130 --> 01:06:05,630
براحته، ليش lazy؟ لأنه فعلا بيبنيش model كاسلان

738
01:06:05,630 --> 01:06:09,030
ماعندهش استعداد يرهق نفسه في بناء model أو يحط

739
01:06:09,030 --> 01:06:12,970
role كصفر العلاقة ما بين ال attributes و ال class

740
01:06:12,970 --> 01:06:17,410
فبيعتمد هو كل مرة على إيش؟ على ال computation بدل

741
01:06:17,410 --> 01:06:25,380
من حساب ال model متطفل؟ لاهو شغال بذاته هو كسول

742
01:06:25,380 --> 01:06:29,020
بدوش يبني بقولك لما بتيجي تعمل instance بعملك

743
01:06:29,020 --> 01:06:31,560
الحسبة و بديكي اياه و خلاصنا بديش ابني model

744
01:06:31,560 --> 01:06:40,320
واحتفظ فيه اللي هي لأ

745
01:06:40,320 --> 01:06:43,520
لأ هذا ال algorithm من ال deterministic algorithm

746
01:06:43,520 --> 01:06:49,550
يعني لو دوفرتله نفس ال data setو نفس الـ Instant

747
01:06:49,550 --> 01:06:53,910
Set وجربت 7000 مليون مرة تعمل ال classification

748
01:06:53,910 --> 01:07:00,670
تحديك نفس النتيجة اه

749
01:07:00,670 --> 01:07:04,670
ممكن انا ماقلتش ان ال algorithm هذا هو الأفضل

750
01:07:04,670 --> 01:07:09,550
طبعا؟ لكن هذا ال algorithm هو الأسهل من ناحية

751
01:07:09,550 --> 01:07:13,490
الاستيعاب، أيش اللي بيصير فعشان هيك أنا بديت فيه،

752
01:07:13,490 --> 01:07:17,870
الآن هل هو أفضل algorithm؟ لأالان بس أنا بالنسبة

753
01:07:17,870 --> 01:07:21,950
لي تجربة شخصية في الدكتوراه كان ال algorithm هذا

754
01:07:21,950 --> 01:07:26,850
هو قوق النجاة تبعي قارنته بال support vector

755
01:07:26,850 --> 01:07:30,470
machine وقارنته بال neural network كان أداءه أقل

756
01:07:30,470 --> 01:07:33,930
منهم على الرغم من هي كان اختيار ان هذا ال

757
01:07:33,930 --> 01:07:36,910
algorithm هو الأكثر مناسبة انا بأشتغل في dynamic

758
01:07:36,910 --> 01:07:41,430
environment بعمل computation على الجوال وبالتالي

759
01:07:41,430 --> 01:07:44,830
يستحيل موضوع ال learning ان ابني model كل ما تتغير

760
01:07:44,830 --> 01:07:49,540
ال environmentومقاربة الـ Accuracy لـ Neural

761
01:07:49,540 --> 01:07:53,320
Network دتني حوالي 97% الـ support vector machine

762
01:07:53,320 --> 01:07:59,360
الدنيا مقاربة لها وهذا الدرح الدنيا 94% فبالضبط

763
01:07:59,360 --> 01:08:03,780
فصرت هذا مش فارق في مقابل أنه هذا بيشتغل مع الـ

764
01:08:03,780 --> 01:08:06,020
dynamic environment لأنه أنا مش بحاجة في كل ما

765
01:08:06,020 --> 01:08:10,700
تتغير عوامل البيئة أروح أبني model جديد فكان هو

766
01:08:10,700 --> 01:08:13,620
فعليا أوق النجاح زي ما قلتلك بالنسبة لي من تجربة

767
01:08:13,620 --> 01:08:17,430
فهذا لا يعني أنه سيءلكن أنا قاعد بتكلم advantages

768
01:08:17,430 --> 01:08:21,770
او disadvantages موجودة عندها ال code اللي موجود

769
01:08:21,770 --> 01:08:26,070
عندها بكل بساطة بيبني او بيستخدم ال kenyan sniper

770
01:08:26,070 --> 01:08:32,830
algorithm بال بايثون طبعا انا بفترض ان انا عامل

771
01:08:32,830 --> 01:08:33,210
import

772
01:08:36,030 --> 01:08:38,790
الان بكل بساطة الشباب اللي انا سويته في ال code

773
01:08:38,790 --> 01:08:42,510
هذا كنت بدأ اشتغله او رابط مدامك عملي الان عملت

774
01:08:42,510 --> 01:08:46,830
import لل pandas as bd و ال bd مجرد اي اي shortcut

775
01:08:46,830 --> 01:08:50,350
عشان تختصر من كتابة أسماء ال libraries باكتر من

776
01:08:50,350 --> 01:08:54,930
طريقة و قلتله ال data 6 بعت equal pandas dot read

777
01:08:54,930 --> 01:09:02,390
csv iris dot csv data بتتكلم على تصنيف زهر السوسن

778
01:09:02,390 --> 01:09:08,680
لتلت أصنافال data set هذه for training معدّة بشكل

779
01:09:08,680 --> 01:09:13,480
جيد لل classification طبعا يعني إذا أريد أن أفهم

780
01:09:13,480 --> 01:09:15,580
ال classification و أجرب ال algorithm و أقارن ما

781
01:09:15,580 --> 01:09:18,880
بين ال algorithm هذه واحدة من ال data set المناسبة

782
01:09:18,880 --> 01:09:23,240
عدد ال rows اللي فيها 150 row three classes خمسين

783
01:09:23,240 --> 01:09:28,560
row في كل class طبعا زي بسم قلتلك هي عشان أنا أجرب

784
01:09:28,560 --> 01:09:33,520
عليها الآن قرأت ال data set عادة ال data set تبعتي

785
01:09:35,720 --> 01:09:43,940
هذه من الـ five attributes السبل

786
01:09:43,940 --> 01:09:48,500
length و السبل width عرض أقول السبلة و ال beta

787
01:09:48,500 --> 01:09:52,960
length و ال beta width عرض أقول البتلة تبع الزهرة

788
01:09:52,960 --> 01:09:59,800
تمام؟ الكأس و الورقة تبع الزهرة و النوع النوع اسمه

789
01:09:59,800 --> 01:10:00,180
variety

790
01:10:04,190 --> 01:10:07,070
Kindhand في الـ data set اللي أنا استخدمتها في

791
01:10:07,070 --> 01:10:10,510
data تانية ممكن تسميها kind أو type أو citrus ال

792
01:10:10,510 --> 01:10:15,570
iris type إلى أخرها هذا ال data set كلها جاية في

793
01:10:15,570 --> 01:10:19,890
جدول واحد block واحد أنا الخطوة رقم واحد المفروض

794
01:10:19,890 --> 01:10:25,910
أسويها مع أي عملية classification أفصل أفصل ما بين

795
01:10:25,910 --> 01:10:32,070
ال label وال attributes كيف بدي أفصل بين ال label

796
01:10:32,070 --> 01:10:35,790
وال attributes؟و قلت له ال attributes تبعتي تساوي

797
01:10:35,790 --> 01:10:40,930
ال data set ضد ال drop ال variety drop لل variety

798
01:10:40,930 --> 01:10:45,470
إيش يعني؟ يشيله بس من وين هيشيله؟ هيشيله من ال

799
01:10:45,470 --> 01:10:49,750
data set و يحطها في data set جديد يسميه ليها

800
01:10:49,750 --> 01:10:54,470
features و ليش قلت له x is equal 1؟ لأنه أنا بدي

801
01:10:54,470 --> 01:10:58,550
أشيل columnالان بعضكم ممكن يخطئ ويروح يحط يقوله

802
01:10:58,550 --> 01:11:02,410
الـ IRIS او ال data set equal كده بيصير يحدث عليها

803
01:11:02,410 --> 01:11:06,510
بيلزم يحط in place true عشان يعدل على نفس ال data

804
01:11:06,510 --> 01:11:11,190
set اللي هو شغال عليها انا هيك اخدت مين اخدت ال

805
01:11:11,190 --> 01:11:17,730
features في data set جديدة بدي اخد ال labels او ال

806
01:11:17,730 --> 01:11:20,810
target هقوله ال target تساوي ال data set dot

807
01:11:20,810 --> 01:11:24,570
variety او ال data set

808
01:11:32,680 --> 01:11:37,640
variety هانتعامل معاها as an instance من ال

809
01:11:37,640 --> 01:11:41,260
framework اللي موجود عندك هان class وعتبرها

810
01:11:41,260 --> 01:11:43,900
variable منه وأخدها منه مواشرة و هان روحت انت

811
01:11:43,900 --> 01:11:47,780
اعتبرته ليها as dictionary او ك array او vector

812
01:11:47,780 --> 01:11:51,340
وراح يقطعلك ايه ويقولك اتفضل هذه و هذه هديك نفس

813
01:11:51,340 --> 01:11:55,200
النتيجة الان اللي هيصير عندي بعد هيك from the

814
01:11:55,200 --> 01:11:59,010
escalars dot neighborsلأن هذه سلسلة algorithm

815
01:11:59,010 --> 01:12:07,370
import nearest neighbor k and n ال model equal k

816
01:12:07,370 --> 01:12:10,970
and n خمسة أخدت constructor و قلت له ال k تبعتي

817
01:12:10,970 --> 01:12:15,950
خمسة و قلت له هاي ال association بين ال features و

818
01:12:15,950 --> 01:12:22,490
ال label اللي عندي ال model dot fitبعد هي قلت له

819
01:12:22,490 --> 01:12:26,750
اعمل prediction لمين؟ لـ model.neighbors ال test و

820
01:12:26,750 --> 01:12:32,070
ال S ايش ال test؟ هي عبارة عن sample instance فيها

821
01:12:32,070 --> 01:12:35,650
خمسة و تلاتة و ستة من عشرة واحد و اتنين و واحد و

822
01:12:35,650 --> 01:12:38,470
سبعة قلت له re shape عشان يعمل ليهم as a vector

823
01:12:38,470 --> 01:12:43,030
تتطابق تماما بال direction مع ال instances اللي

824
01:12:43,030 --> 01:12:46,130
موجودة في ال predictions هذه خزنت انها ال value في

825
01:12:46,130 --> 01:12:50,180
ال predictions مافيش ال predictions يا شبابهي

826
01:12:50,180 --> 01:12:58,240
عبارة عن الـ Ray من خمس عناصر تمام؟ إيش فيها؟ فيها

827
01:12:58,240 --> 01:13:05,420
الـ shortest distances ال distances أقصر مسافات مش

828
01:13:05,420 --> 01:13:07,880
أنا بقوله دور على ال shortest five neighbors

829
01:13:07,880 --> 01:13:12,520
فجابلي أقصر خمس مسافات هذا ال role أول في ال array

830
01:13:12,520 --> 01:13:18,010
ال road تاني عبارة عن ال Rayفي ال index تبعت ال

831
01:13:18,010 --> 01:13:24,250
instances أصحاب أقصر مسافات بضل عليك تاخد ال index

832
01:13:24,250 --> 01:13:29,210
هدول و تروح تجيب ال label تبعتهم عشان إيش تعمل

833
01:13:29,210 --> 01:13:33,290
بينهما voting وتاخد القيمة اللي موجودة الله

834
01:13:33,290 --> 01:13:35,910
يعطيكوا العافية و بشوفكوا ان شاء الله لسبوع القادم