PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/XT1mhqzo-E4.srt

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 بكم يا شباب في محاضرتنا الثانية في

3
00:00:11,860 --> 00:00:16,180
موضوع الـclassification. كنا حكينا في المحاضرة

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

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

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

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

8
00:00:35,340 --> 00:00:41,180
الجيد جداً، ومجموعة الجيد. الآن جئنا قلنا والله

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

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

11
00:00:51,180 --> 00:00:56,530
المجموعات الثلاث بناءً على ماذا؟ على معدله، ولا

12
00:00:56,530 --> 00:01:01,030
لا، على المعدل. إن كان شرطنا أن المعدلات هذه معروفة

13
00:01:01,030 --> 00:01:06,790
تبعاً لمستواهم أو تحصيلهم العلمي. لأن هذا التصنيف

14
00:01:06,790 --> 00:01:09,670
لاحظ أن أنا ماليش سلطة كثيرة على المجموعات.

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

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

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، ما خصائص المجموعة الثانية، ما خصائص

19
00:01:23,470 --> 00:01:26,670
المجموعة الثالثة. وسين من الطلاب هذا هو الـ

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 الثلاث. بدي أشوف إيش الخصائص اللي عنده،

22
00:01:33,050 --> 00:01:36,770
و التي تتقاطع مع أي خصائص من المجموعات الثلاث. وبناءً

23
00:01:36,770 --> 00:01:40,600
عليه، هكذا أنا أصنفُه للمجموعة التي لدينا.

24
00:01:40,600 --> 00:01:43,680
وكنا قد تكلمنا في الـlearning، الـmachine learning

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

26
00:01:47,340 --> 00:01:50,920
تبعاً هل الإنسان متدخل أو غير متدخل في الموضوع.

27
00:01:50,920 --> 00:01:54,420
و قلنا أن موضوع الـlearning أيضاً incrementally، هل

28
00:01:54,420 --> 00:01:58,760
هو batch أو online؟ وقلنا أيضاً في عندي model based

29
00:01:58,760 --> 00:02:03,120
أو instance based، بناءً على هل الـalgorithm هذا يُخرج

30
00:02:03,120 --> 00:02:06,040
تبع الـalgorithm، الـmachine learning، يُعطيني model

31
00:02:06,040 --> 00:02:10,540
أو لا يُعطيني model. قلنا في الآخر بكل الأحوال أنا

32
00:02:10,540 --> 00:02:14,220
عندي خيطين في أي عملية classification: الـmodel

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

34
00:02:18,860 --> 00:02:24,810
أنا أُعطِيها الـobject، تذهب وتصنفُه تحت المصنفات

35
00:02:24,810 --> 00:02:29,110
المعروفة مسبقاً، و الـmodel usage: كيف أنا بدي

36
00:02:29,110 --> 00:02:33,190
أستخدم الـmodel الموجود هنا. وقلنا عادةً أنا بأقسم

37
00:02:33,190 --> 00:02:36,390
الـdata set تبعتي لـtraining set و testing set

38
00:02:36,390 --> 00:02:39,550
عشان أعمل evaluation. ومن أهم الـconcept اللي لازم

39
00:02:39,550 --> 00:02:43,190
أنا أعرفه الـaccuracy، وهي المقدار أو الـratio تبع

40
00:02:43,190 --> 00:02:46,760
الـcorrect prediction، الـcorrect classification

41
00:02:46,760 --> 00:02:50,360
على كل الـinstances اللي عملت لها classification.

42
00:02:50,360 --> 00:02:54,240
وقلنا لـspeed و robustness،  جدّيش بيُعطيني result

43
00:02:54,240 --> 00:02:58,640
صحيحة مع وجود الـnoisy data.  الـscalability والـ

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

45
00:03:01,860 --> 00:03:06,420
إن شاء الله تعالى نبدأ مع الـalgorithms، ونشوف كيف

46
00:03:06,420 --> 00:03:08,720
الـalgorithm قاعدة بتشتغل مع العناصر التي موجودة

47
00:03:08,720 --> 00:03:13,570
عندي أو في الـclassification. وأول algorithm بيشتغل

48
00:03:13,570 --> 00:03:17,670
أو هنتكلم عليه الـK nearest neighbor. الآن 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. أقرب جار. لو أنا جئت اسمك هاني، هاني بدي

51
00:03:27,710 --> 00:03:32,410
أعرف هاني جيداً.

52
00:03:32,410 --> 00:03:37,490
ماذا يمكن أن أفعل؟ أذهب وأطبق، من هم أصحاب هاني، من

53
00:03:37,490 --> 00:03:45,200
هم أصحاب هاني المقربون. وبناءً عليه نقول إن 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 أحط لهم عدد

56
00:03:53,380 --> 00:03:57,450
من الأقرب: اثنين لهاني، من الأقرب ثلاثة، من الأقرب خمسة، و

57
00:03:57,450 --> 00:04:01,150
هنتكلم لماذا الـK هذه، وما أهميتها. الـnaive bayesian

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 بناءً على العناصر هذه، و

60
00:04:07,930 --> 00:04:11,230
بعدين ننتقل لباقي الـpropagate، الـneural network. نبدأ

61
00:04:11,230 --> 00:04:15,010
مع الـK nearest neighbor. الـK nearest 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 الـalgorithm تبعي بيبني لي

64
00:04:23,610 --> 00:04:28,020
model أم لا يُبني لي model؟ يُعطيني value مباشرةً. الـ

65
00:04:28,020 --> 00:04:30,780
K nearest neighbor من الـalgorithms 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...  لا يُبني model

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

69
00:04:47,060 --> 00:04:51,040
الذاكرة. لماذا الذاكرة؟ لأنه فعلياً عملية الحساب كلها

70
00:04:51,040 --> 00:04:55,460
تتم في الـmemory. وكلما كانت الـmemory أكبر، لأن

71
00:04:55,460 --> 00:05:01,100
الـdata set أكبر، يكون أنسب الـK-nearest neighbor ك

72
00:05:01,100 --> 00:05:04,240
classification algorithm. بتعطيني نتيجة أو نتيجة

73
00:05:04,240 --> 00:05:13,400
تبعته أو الـclass بناءً على الـmajority أو الأغلبية

74
00:05:13,400 --> 00:05:22,400
في جيران العنصر هذا. لو أنا جئت قلت في عندي مجموعة

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، ماذا سنفعل؟ الـ

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

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

80
00:06:13,880 --> 00:06:21,380
كل العناصر التي موجودة. يعني  أقارن أنا العنصر هذا

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

82
00:06:26,160 --> 00:06:31,520
هذا كـinstance، كـobject، بغض النظر عن طريقة

83
00:06:31,520 --> 00:06:39,420
المقارنة، وأقارنه أيضاً مع

84
00:06:39,420 --> 00:06:45,340
كل الأشخاص هؤلاء. لاحظ أن أنا ضمنت كل الـdata set

85
00:06:45,340 --> 00:06:49,950
التي موجودة عندي. أُصبت؟ يعني إذا كانت هؤلاء هم الـ

86
00:06:49,950 --> 00:06:53,110
data set في الـtwo classes، فأنا ضمنت كل الـdata

87
00:06:53,110 --> 00:06:57,810
set. الآن نشوف، يذهب ويقول لي الـK nearest neighbor

88
00:06:57,810 --> 00:07:03,950
من هم أقرب الناس كانوا إليه؟ أقرب الناس كانوا إليه، أقرب

89
00:07:03,950 --> 00:07:07,570
ثلاثة.

90
00:07:07,570 --> 00:07:14,810
هؤلاء.

91
00:07:22,800 --> 00:07:30,980
مضبوط؟ أقرب ثلاثة هؤلاء للناس، فهو سينتمي لنفس

92
00:07:30,980 --> 00:07:35,920
المجموعة التي فيها غالبية الـclosest neighbors.

93
00:07:35,920 --> 00:07:42,080
هؤلاء، ما الغالبية هنا؟ أزرق. فأخونا هذا ينضم لمن؟

94
00:07:42,080 --> 00:07:47,290
للأزرق بناءً على مبدأ الـvoting للمجاورة أو حساب

95
00:07:47,290 --> 00:07:51,450
المجاورة أو الأغلبية تبع الأشخاص أو تبع العناصر

96
00:07:51,450 --> 00:07:56,650
الموجودة عنده. يعني يا إيهاب، تأخذ وقت كثير أكيد، أو

97
00:07:56,650 --> 00:07:59,230
تشوف الـmean مثلاً من الجهة الأولى، والـmean

98
00:07:59,230 --> 00:08:11,730
الثانية، وتشوف من أقرب درجة. اه، بس الآن هاي

99
00:08:11,730 --> 00:08:12,690
الـcenter، صحيح؟

100
00:08:19,480 --> 00:08:24,340
وهي الـcenter تبع المجموعة الثانية. إذا أنا هنا

101
00:08:24,340 --> 00:08:34,140
أو بلاش إذا، أنا هنا المسافة للـcenter أكبر من

102
00:08:34,140 --> 00:08:43,980
المسافة للـcenter، بينما كعناصر أنا أقرب هنا. نعم.

103
00:08:43,980 --> 00:08:47,120
خليناها.

104
00:08:49,960 --> 00:08:52,440
ونشوف من أبعد واحد من أنا، مراقبة، يعني مش أنه

105
00:08:52,440 --> 00:08:57,660
مقارنة كذلك، بس المهم أنا الآن كريم... كريم يحمل

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

107
00:09:05,180 --> 00:09:09,340
الذي بعيد، ولا؟ يعني زي النقطة، نحن بنعمل زي الـ

108
00:09:09,340 --> 00:09:15,460
cut للـpicture اللي بدنا، والغراف ده، طيب، أعطيني

109
00:09:15,460 --> 00:09:18,060
كلام، اترك لي من الـdimension معين، عشان... أعطيني كلام

110
00:09:18,060 --> 00:09:22,820
أبسط، عشان أنا في الغراف مجد... طيب، طبعاً عندنا كثير

111
00:09:22,820 --> 00:09:26,580
يعني مثلاً عندنا مئة ألف، تمام. والنقطة اللي بدنا

112
00:09:26,580 --> 00:09:30,920
نعرفها، فإنهي، وفإنهي. وواحدة ضابطة حوالي مثلاً عشرين، اه.

113
00:09:36,820 --> 00:09:39,300
طيب، ماهي... مهمش... بقى أنت الرسم ال... الوجد اللي

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

115
00:09:42,600 --> 00:09:46,720
لما ذهبت جلبت العشرين... لا، لما أنت ذهبت جلبت العشرين

116
00:09:46,720 --> 00:09:50,240
ووضعت النقطة هذه بينهم، أنت already عملت الـ

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

118
00:09:53,040 --> 00:09:57,960
بقعه على الرسم، ولا كيف؟ إن وضعت النقطة هذه أبعد من

119
00:09:57,960 --> 00:10:01,760
هذه بالمسافة هذه بالتحديد، وهذه أبعد، برضه أنت

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

121
00:10:06,130 --> 00:10:10,230
كيف حددت المائتي ألف أن هؤلاء هم الأقرب؟ المائتي؟

122
00:10:10,230 --> 00:10:12,610
اه، أو المائتي عنصر هؤلاء... كيف أنت حددتهم أن هؤلاء

123
00:10:12,610 --> 00:10:16,750
الأقرب؟ كيف عرفت الـposition تبعها أن هؤلاء الـ

124
00:10:16,750 --> 00:10:22,730
مائتي هم الأقرب لها؟ فعلياً مررت عليهم جميعاً؟ مضبوط؟

125
00:10:22,730 --> 00:10:25,850
أم أنا مخطئ؟ أنت الآن أيضاً، مرة أخرى، أنا عندي مئة ألف

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

127
00:10:29,710 --> 00:10:34,010
مئة ألف instance، أنت تعمل وتقول لي أنا حددت الـ

128
00:10:34,010 --> 00:10:38,620
مئتي نقطة الأقرب، كيف حددت المئتي نقطة الأقرب من

129
00:10:38,620 --> 00:10:45,000
المئة ألف؟ مرت عليهم جميعاً، أنت تقول أنا اعتمدت

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

131
00:10:47,980 --> 00:10:50,940
عن تحديد النقاط، ويجب أن يرسم لك إياهم أو يعمل لهم

132
00:10:50,940 --> 00:10:57,180
simulation تبع للـdistance أو قربهم من بعضهم، تمام.

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

134
00:11:05,870 --> 00:11:09,630
إذا لم يوجد، يعني صفر فقط، كم نزيد؟ عشرين، ممتاز، ممتاز.

135
00:11:09,630 --> 00:11:12,670
يعني أنت بدأت بشكل random مع عشرة سم، وهل في

136
00:11:12,670 --> 00:11:17,070
عناصر في العشرة سم، أم لا؟ ماشي الحال، وبعد

137
00:11:17,070 --> 00:11:24,250
هذا ماذا فعلت؟ زدت المسافة. طيب، إيه أساساً أساساً

138
00:11:24,250 --> 00:11:28,050
النقطة تبعك، النقطة تبعك أين موجودة؟ ستقول التي

139
00:11:28,050 --> 00:11:31,790
موجودة في XY، صحيح؟

140
00:11:32,780 --> 00:11:35,880
أصبت، لا، ليس أسهل، أنا أُدقق أنني لست أسهل، هي

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

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

143
00:11:48,060 --> 00:11:52,060
تعرف من هي النقاط التي تبعد عن القطر هذا، وتجيبهم.

144
00:11:55,650 --> 00:11:59,390
مش بعد المحاولة، أنا أظل أُناقش معك، لماذا؟ لأنه في

145
00:11:59,390 --> 00:12:03,450
الآخر، الشغل اللي أنت غائب عنه أن الـgraph أو الرسم

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

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

148
00:12:13,230 --> 00:12:17,050
عشان أُحدد من المئتي. الآن أنا ماذا أعرفني؟ عندي

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

150
00:12:23,190 --> 00:12:28,160
attributes هؤلاء، أو بلاش X وY، النقطة 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، مضبوط؟ التي هي

153
00:12:36,240 --> 00:12:42,180
الـdistance. حسبت الـdistance، لا، طلعت برا، فأنا

154
00:12:42,180 --> 00:12:48,100
أُتْرِك الحسبة هذه، صحيح؟ سأذهب إلى الـX واحد والـY واحد،

155
00:12:48,100 --> 00:12:53,510
اه، هذه كانت في المنطقة هذه، فأنت العناصر هذه ليست

156
00:12:53,510 --> 00:12:57,970
ستقدر تحصر من بينهم النقاط الموجودة التي تمر على كل

157
00:12:57,970 --> 00:13:03,190
الـdata set، صحيح؟ لما

158
00:13:03,190 --> 00:13:06,890
تجد طريقة أخرى، نستطيع أن نتناقش أنا وإياك فيها

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

160
00:13:13,650 --> 00:13:16,590
two dimension، البرنامج الجامعي يعكس صورة الـdata set

161
00:13:16,590 --> 00:13:17,550
تبعك، كم attribute؟

162
00:13:20,870 --> 00:13:28,570
الـdata set تبعك كم attribute؟ الـinstance

163
00:13:28,570 --> 00:13:35,210
تبعك فيها عشرة attributes، تستطيع رسمها؟

164
00:13:35,210 --> 00:13:38,190
على أنها two values التي موجودة عندي: الـpoint والـ

165
00:13:38,190 --> 00:13:44,130
label، فقط one attribute والـlabel تبعته والعشرة؟

166
00:13:44,130 --> 00:13:45,510
العشرة تستطيع رسمها كيف؟

167
00:13:48,930 --> 00:13:51,790
ماشي، ماشي، سأُريك إياها أكثر إن شاء الله تعالى.

168
00:13:51,790 --> 00:13:57,590
طيب، الآن التي الرسمة كانت لتوضيح، عشان أوصلك

169
00:13:57,590 --> 00:14:01,510
مفهوم الـconcept تبع الجيران، ليس أكثر، فلا تصبح

170
00:14:01,510 --> 00:14:06,570
الرسمة هي إيش هي الحل الموجود عندك. طيب، الآن

171
00:14:06,570 --> 00:14:10,130
الفكرة مرة أخرى تدور حول الـK nearest neighbor

172
00:14:10,130 --> 00:14:15,180
أني أذهب أبحث عن الـclosest object للنقطة التي

173
00:14:15,180 --> 00:14:18,040
موجودة تبعي هنا، للـinstance الذي أنا فعلياً

174
00:14:18,040 --> 00:14:21,880
أعرفها، عشان أنا أشوف من جيرانها أو من الأقرب

175
00:14:21,880 --> 00:14:27,060
لها. لازم أعمل computation بينها وبين كل الـ

176
00:14:27,060 --> 00:14:31,

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

224
00:18:32,590 --> 00:18:36,430
voting أكبر. يعني مثلاً في الـ three classes، أربعة is

225
00:18:36,430 --> 00:18:43,650
not enough، وخمسة غالباً is not enough. سبعة ممكن

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

227
00:18:46,230 --> 00:18:51,450
واحد قال لي: طب في حالة... خد تمانية، التمانية والـ

228
00:18:51,450 --> 00:18:54,910
ثلاثة. يعني بين قوسين، إذا كان عدد الـ classes فردي،

229
00:18:54,910 --> 00:19:03,050
خد عدد الـ keys تبعتك عدد زوجي، وأكبر 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 أن في class منهم أكبر، أو صار فيه أغلبية،

232
00:19:10,910 --> 00:19:15,850
أكبر من الثاني في المقابل. لو كانوا الآن العدد الـ K

233
00:19:15,850 --> 00:19:20,870
تبعتك، أو عدد الـ classes تبعتك 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 وتضمن فيها

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

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

238
00:19:38,370 --> 00:19:42,660
سبعة، أو أنا بقول لك خد ثمانية. خد الـ K تبعتك ثمانية.

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؟ الثمانية كلهم لنفس

241
00:19:51,500 --> 00:19:55,500
الـ class، وهذا بيعمل الـ 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 للـ class، و 2 و 2. برضه الـ

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

245
00:20:12,230 --> 00:20:16,090
على الأغلبية، مُجسّمين على عدد العناصر، مش على الأغلبية

246
00:20:16,090 --> 00:20:22,390
50%. صار قد إيش؟ هو الـ top rank، ده اللي هنسميه. طيب بس

247
00:20:22,390 --> 00:20:27,970
برضه ممكن يصير في مشكلة. ثلاثة ثلاثة اتنين. عشان هيك

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

249
00:20:29,970 --> 00:20:34,840
بجيبها، بقولها مش أساس، هي مجرد...بدأ نرضى على مبدأ

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

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

252
00:20:43,700 --> 00:20:47,400
في domain ثاني. ليش؟ لأنه فعلياً هذه واحدة من الـ

253
00:20:47,400 --> 00:20:51,020
challenges الخاصة، أو من المشاكل الموجودة مع الـ K

254
00:20:51,020 --> 00:20:54,300
-nearest neighbor. أي جيران؟ قد إيش عدد الجيران اللي أنا

255
00:20:54,300 --> 00:21:00,100
اعتمد فيهم؟ زي ما قلنا سابقاً. طيب، الآن بما أنه أنا

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

257
00:21:03,560 --> 00:21:08,540
الـ voting. زي ما قلت لك، حاول تكبرها شوية، وشوف بينها

258
00:21:08,540 --> 00:21:13,320
وبين عدد عناصر الـ elements. يعني لو كان زوجي أو فردي،

259
00:21:13,320 --> 00:21:19,740
إلى آخره. عفواً، الـ

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 الـ puzzle. هايوفي عندي...في

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

263
00:21:39,050 --> 00:21:44,250
الخيار، الصورة هذه هتكون قمر ولا شمس؟ لأنها موجودة

264
00:21:44,250 --> 00:21:49,470
هنا في الرسمة، بناء على الرسمة. إذا كانت الـ keys

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 واتنين. إذا اخترت الـ K أربعة،

267
00:21:56,780 --> 00:22:01,160
اتنين واتنين، مش هقدر أعمل voting. لكن لو روحت للـ K

268
00:22:01,160 --> 00:22:08,360
equal 11،  الدائرة باللون الأزرق، هيكون في عندي أربعة و

269
00:22:08,360 --> 00:22:14,400
سبعة. الـ majority، الـ majority لمين؟ للـ moons. وبالتالي

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

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

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

273
00:22:29,550 --> 00:22:33,350
على one neighbor. ودائماً زي ما قلت لك، حاول اختار عدد

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

275
00:22:36,190 --> 00:22:41,010
estimation، ولو بسيطة، كيف تفرّق ما بين الـ classes

276
00:22:41,010 --> 00:22:44,310
اللي موجودة، وتقدر تعمل أغلبية. مين عنده الـ data

277
00:22:44,310 --> 00:22:47,050
set تبعت الـ classification أكثر من الـ two classes؟

278
00:22:47,050 --> 00:22:55,140
الآن معظمكم، كمجموعات، اشتغلتوا في data sets. الـ data

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

280
00:22:58,940 --> 00:23:03,240
data set، الـ labels تبعتها أكثر من two classes؟ طب

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

282
00:23:07,280 --> 00:23:13,100
اللي عارفة، اللي عندها. والباقي، والباقي ما أحد عارفها.

283
00:23:13,100 --> 00:23:16,440
اللي سلمته، مجرد جربنا data for classification

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

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

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

287
00:23:32,830 --> 00:23:35,870
قوسين. الـ N هي عبارة عن عدد الـ attributes اللي

288
00:23:35,870 --> 00:23:39,550
موجودة في الـ data set. اللي ممكن تكون واحدة، وممكن

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

290
00:23:42,890 --> 00:23:50,700
تكون مئة، وممكن تكون ألف. آه، ألف attributes. آه، الـ

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 pixels. الآن لو اتكلمت

293
00:23:59,520 --> 00:24:02,160
على صورة مئة في مئة pixels، قد إيش الـ resolution

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

295
00:24:07,340 --> 00:24:15,700
تفردها، هي عشر آلاف attributes. و ليش؟ رأيكم؟ بس،

296
00:24:15,700 --> 00:24:17,900
هذه بس، إحنا نتكلمنا على عشر آلاف attributes على

297
00:24:17,900 --> 00:24:22,480
صورة صغيرة. تخيلي الصورة full HD، قد إيش عدد الـ

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

299
00:24:27,820 --> 00:24:33,420
pixel مثّلت attribute، الـ k-nearest neighbor بدور، أو

300
00:24:33,420 --> 00:24:36,900
بعتمد على، أو بعرف أن الشخص... اسمه similarity

301
00:24:36,900 --> 00:24:43,170
function. شو يعني similarity؟ تشابه، أو تقارب بين الـ

302
00:24:43,170 --> 00:24:47,650
instances اللي موجودة سابقاً. أنا كنت بقول لك مين

303
00:24:47,650 --> 00:24:53,750
أقرب الناس لفلان. لو أنا أجيت قلت لك في الـ one D شو

304
00:24:53,750 --> 00:25:03,130
يعني one D؟ one attribute. أنا 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 هيك؟ غالباً أن

307
00:25:14,030 --> 00:25:19,390
هي أقرب للسبعة، 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 قوسين، العشرة والسبعة more similar

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

311
00:25:34,470 --> 00:25:38,650
تشابه مع بعض أكثر. كل ما قربت من الرقم، بكون أنا

312
00:25:38,650 --> 00:25:43,330
مُشابه له، تمام؟ يعني إحنا في الآخر عملنا عشرة ناقص

313
00:25:43,330 --> 00:25:53,270
خمسة، وعشرة ناقص سبعة. لو كانت الـ data set اللي أنا

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

315
00:25:57,850 --> 00:26:01,850
واتنين، خمسة

316
00:26:01,850 --> 00:26:09,670
وثلاثة، سبعة، وواحد. كيف بدك تشوف، تفحص الـ

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

318
00:26:16,000 --> 00:26:22,760
الـ Y تحت الجذر. بدأنا الآن نبدأ نتكلم...أنت 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 نقطتين في الـ 2D، بهم

321
00:26:35,040 --> 00:26:40,100
نتكلم على distance بينهم. إيش الـ distance هي بتمثل؟

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

323
00:26:46,380 --> 00:26:51,180
الفرق بين النقطتين هذول. الـ distance هاي بتمثل الوتر

324
00:26:51,180 --> 00:27:00,720
في مثلث قائم الزاوية. إذا شو رأيكم؟ التغير على الـ Y

325
00:27:00,720 --> 00:27:16,230
هي Y2-Y1، الارتفاع. والـ base تبعتي المثلث X2 ناقص X1، و

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

327
00:27:23,110 --> 00:27:31,110
الزاوية، شو بتساوي؟ X2 ناقص X1 تربيع، زائد Y2 ناقص Y1

328
00:27:31,110 --> 00:27:36,910
تربيع، تحت الجذر. قانون فيثاغورس، مضبوط؟ وبالتالي

329
00:27:36,910 --> 00:27:40,110
أنا عندي الـ Euclidean distance هيها.

330
00:27:43,080 --> 00:27:47,060
إذا أنا حصلت على الـ distance. لو كان في عندي ثلاث

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

332
00:27:52,540 --> 00:27:58,500
أنا في عندي 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، فالنقطتين أقرب لبعض، تمام؟ طب في

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

336
00:28:19,140 --> 00:28:26,760
واتنين، وسبعة، خمسة، وثلاثة، وواحد، سبعة، وواحد، و

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

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

339
00:28:42,770 --> 00:28:45,870
بين النقطة الأولى والنقطة الثانية. طب لو كان عندي

340
00:28:45,870 --> 00:28:51,110
عشرة attributes، ليش الـ off؟ ما إحنا 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
إحنا على summation تحت الجذر لمجموع، للفرق ما بين

343
00:29:01,970 --> 00:29:06,810
عدد الـ attributes اللي موجودة عندنا. الفرق ما بين

344
00:29:06,810 --> 00:29:09,610
قيم الـ attributes اللي موجودة عندنا. وبالتالي هذي

345
00:29:09,610 --> 00:29:13,550
بنسميها الـ Euclidean distance. لو كان أنا فيه عندي

346
00:29:13,550 --> 00:29:21,710
two points X و Y، two different points. الـ

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

348
00:29:27,270 --> 00:29:35,770
بين النقطتين هذول، يساوي الجذر التربيعي لمجموع XI

349
00:29:35,770 --> 00:29:41,570
ناقص YI تربيع، تحت الجذر. والـ I بدها تساوي من واحد

350
00:29:42,250 --> 00:30:02,970
لـ N. وبالتالي أنا بتكلم فعلياً على الفروقات. هذا

351
00:30:02,970 --> 00:30:08,710
الـ Euclidean distance بشكل عام. بما أنه أنا قاعد

352
00:30:08,710 --> 00:30:13,970
بربّع القيم، وبأخذ الجذر. لو غيرت الجذر من معادلتي،

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

354
00:30:18,370 --> 00:30:22,890
أكبر، بس مش أكثر، ولا لأ؟ بس فعلياً القيمة الكبيرة

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

356
00:30:27,950 --> 00:30:31,170
الـ scale اختلف، مضبوط؟ فبعض الناس إيش بتروح

357
00:30:31,170 --> 00:30:35,670
بتساوي؟ بتستغنى عن الجذر التربيعي. وبما أن التربيع

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

359
00:30:41,160 --> 00:30:45,960
distance. قال لك: ليش ما نتكلم على مجموع الـ absolute

360
00:30:45,960 --> 00:30:50,060
أو الفروقات؟ مجموع الفروقات بين النقاط. لو أنا أجيت

361
00:30:50,060 --> 00:30:55,080
سألتك، كريم وهاني. هاني، قد إيش الفرق بينك وبين كريم

362
00:30:55,080 --> 00:31:00,820
في المعدل؟ هقول خمسة. لأ، ما سألتش قد إيش معدلك، قد إيش الفرق

363
00:31:00,820 --> 00:31:06,850
بينك وبين كريم في المعدل؟ قال خمسة بالمئة. لو روحت سألت كريم

364
00:31:06,850 --> 00:31:11,730
كريم: قد إيش الفرق بينك وبين هاني في المعدل؟ خمسة بالمئة. لاحظ

365
00:31:11,730 --> 00:31:14,510
أنا ما فَرّقت معايا مين أعلى من الثاني، لأن في

366
00:31:14,510 --> 00:31:17,670
الحالتين الـ distance... بتكلم distance، والـ

367
00:31:17,670 --> 00:31:20,810
distance لن تكون بالسالب. فالـ distance دائماً

368
00:31:20,810 --> 00:31:24,430
موجبة. فجالك أنا من هنا، الـ distance جالك أنا

369
00:31:24,430 --> 00:31:29,010
بروحة بأشتغل، بعتمد على الـ absolute value للفرق ما

370
00:31:29,010 --> 00:31:33,810
بين الـ attributes values، وبجمعهم، وبهيك حصلت على

371
00:31:33,810 --> 00:31:39,050
نفس الـ concepts، بس فعلياً...فعلياً بتفرق. الـ distance

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

373
00:31:44,910 --> 00:31:51,330
والـ Euclidean. الـ Euclidean، طبعاً هاي النقطتين 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 الـ Euclidean distance. بينما الـ

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

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

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

379
00:32:18,020 --> 00:32:23,380
Euclidean أخذت القطر، مضبوط؟ 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 كذلك، عبّر عن الـ Manhattan distance،

382
00:32:35,850 --> 00:32:41,430
ونفس الـ value. لو أنت حسبت واحد، اتنين، ثلاثة،

383
00:32:41,430 --> 00:32:47,710
أربعة، خمسة، و واحد، اتنين، ثلاثة، أربعة، تسعة. واحد،

384
00:32:47,710 --> 00:32:52,710
اتنين، ثلاثة، أربعة، خمسة، ستة، سبعة، ثمانية، تسعة. كـ

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

386
00:32:56,970 --> 00:33:01,800
implementation، يستحيل تجي تتكلم على أنك 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 النقطتين هذول ضمن مدينة. هي خلّقتها تقول والله

389
00:33:09,760 --> 00:33:14,160
أنا ببدأ أخشّ من البيوت اللي هنا، ما فيش مجال السيارة

390
0

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 أن تكون فعليا مبتسمة

447
00:39:33,870 --> 00:39:38,690
لأنها عارفة الحل، مش لأنها مش مبتسمة لأنها إيش مش فاهمة

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

449
00:40:14,010 --> 00:40:16,410
احنا نسأل على شخصين 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، الـ class تبعت الـ

453
00:40:29,820 --> 00:40:36,160
instance هي على الورقة، في حالة كانت K = 1

454
00:40:36,160 --> 00:40:42,680
و في حالة الـ K = 3 حطوا

455
00:40:42,680 --> 00:40:47,180
جواب ما قلنا، اعمل مجاورته، حدد الـ .. الـ .. nearest

456
00:40:47,180 --> 00:40:50,600
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
voting. يلا 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
خذين، ماشي الورق يا شباب، إذا

463
00:41:44,490 --> 00:41:46,870
اللي وراك لسه بيحل، سيبك منه، اديه الورق اللي قدامك و

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

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

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

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
جدًّا فعليا انت تلات عقول أو أربعة اشتغلت أحيانا أو

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: 3 - 7 + 4² +

472
00:42:48,880 --> 00:42:52,660
0²، الـ instance الأولى، وهذه كانت الـ

473
00:42:52,660 --> 00:43:01,000
classification تبعتها bad. الآن 4² +

474
00:43:01,000 --> 00:43:09,240
3²، وبرضه هذه كانت bad. الآن الثانية: 0²

475
00:43:09,240 --> 00:43:14,820
+ 1²، وهذه good، الـ instance

476
00:43:14,820 --> 00:43:23,680
الأخيرة: 2² + 3، عفواً، عفواً

477
00:43:23,680 --> 00:43:27,440
3² = 7

478
00:43:27,440 --> 00:43:37,600
- 4 + 3²، 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 = 1 فهي Good، إذا كانت الـ K

481
00:43:54,760 --> 00:44:00,700
= 3، بعمل voting بين التلاتة الأصغر: اتنين

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

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

484
00:44:09,080 --> 00:44:14,250
اعتمدت، يا دكتور، ما طبقتش التربيع، مافيش مشكلة،

485
00:44:14,250 --> 00:44:16,330
معاملنا ذاكرين إنه جماعة الخير، بما أنه التربيع

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

487
00:44:19,450 --> 00:44:22,770
بدون ما أقلق حالي، وأستخدم قياس الجوال لأول مرة، بدي

488
00:44:22,770 --> 00:44:28,230
أستخدمها على الـ include، على المنهاجتين، الناس اللي

489
00:44:28,230 --> 00:44:35,090
اشتغلت على المنهاجتين، ما اختلفتش كتير، الآن: 3

490
00:44:35,090 --> 00:44:40,450
+ 4 + 0 + 4

491
00:44:40,450 --> 00:44:52,940
+ 3 + 0 + 3 + 2 + 3، الـ

492
00:44:52,940 --> 00:45:01,500
shortest: 1، 2، 3

493
00:45:01,500 --> 00:45:10,480
good، في حالة الـ K = 1، وين خمسة

494
00:45:13,140 --> 00:45:19,040
ترتيب اختلف، اوكي، ماشي الحال، 2، 3، تمام

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

496
00:45:26,500 --> 00:45:34,060
فهي الـ 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 جزئيا

499
00:45:55,340 --> 00:45:58,800
أستاذ، أنا حليت مع K = 3، هاي الـ query اللي

500
00:45:58,800 --> 00:46:01,760
بدي اعملها، الـ instance (3، 7)، 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
الآن رتبت تبع للـ distance من الأصغر للأكبر

503
00:46:17,190 --> 00:46:20,630
وبالتالي الأولى هي الـ most closest، وراها الثانية و

504
00:46:20,630 --> 00:46:24,870
الثالثة، والرابعة، الرابعة هي the farthest one، الآن

505
00:46:24,870 --> 00:46:29,430
إذا كانت الـ K تبعتي = 1، فالأولى

506
00:46:29,430 --> 00:46:35,690
كانت، الـ K تبعتي = 3، هي التلاتة، هعمل بينهم

507
00:46:35,690 --> 00:46:40,780
voting، الآن، فهتكون النتيجة تبعتها، الـ class تبعت الـ

508
00:46:40,780 --> 00:46:50,580
instance هذي good. اجرب مسافة، نعم، 7 - 7 +

509
00:46:50,580 --> 00:46:53,380
أنا، الـ 7 - 7، بس الـ 7 - 7 مش لحالها

510
00:46:53,380 --> 00:46:59,240
في عندك هنا 7 - 3، لأن هذا distance في الـ

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

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

513
00:47:09,850 --> 00:47:14,810
الآن لو طلعوا النسب في كل مقارنة نسبتها طبعاً هي

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

515
00:47:18,470 --> 00:47:22,450
قلت لك أنا سابقاً، مشكلة الـ voting، أنك انت بدك تحاول

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

517
00:47:27,030 --> 00:47:31,050
الآن بكل الأحوال، لو طلعوا فعلياً فعلياً عندي two

518
00:47:31,050 --> 00:47:35,750
classes اللي هم نفس الـ level، نفس الـ distance، حطيته

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

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

521
00:47:42,510 --> 00:47:45,710
algorithm، ما حدش قالك أن الـ algorithm هذا perfect،

522
00:47:45,710 --> 00:47:50,390
100%، 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، ما بيبدأش يخلّي دماغك يشتغل معانا، ممتاز؟ هذه

525
00:48:03,520 --> 00:48:12,320
الـ data الستة تبعتنا .. بدي ارجع لهيك شوية، X

526
00:48:12,320 --> 00:48:23,960
3: 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 الـ similarity as a distance، تمام، الـ

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

530
00:48:38,070 --> 00:48:42,550
الـ numeric value، الآن أنا فيه عندي Boolean value

531
00:48:42,550 --> 00:48:47,430
شو بدي أسوي فيها؟ 0 و 1، أحولها 0 و 1، يعني

532
00:48:47,430 --> 00:48:53,990
أرجع أعمل preprocessing، 0 و 1، حل، بس أنا رجعني

533
00:48:53,990 --> 00:49:00,550
كتير لورا، مضطر له، تمام. طيب، لو كان عندي 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
Widowed، Married، مقولج، بعيد عنك، أرمل، Widowed،

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، متزوج، widowed .. widowed .. widowed

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

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

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

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

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

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

544
00:49:57,740 --> 00:49:57,780
.. widowed .. widowed .. widowed .. widowed .. widowed .. widowed

545
00:49:57,780 --> 00:49:59,800
.. widowed .. widowed .. widowed .. widowed .. widowed .. widowed

546
00:50:03,060 --> 00:50:12,200
تقدرش تحولها، أيوة، دون إبداعات نسمع منكم، وبالتالي

547
00:50:12,200 --> 00:50:15,140
انت حقيت .. يعني لو لو هي للأعزب، يعني المفروض يكون

548
00:50:15,140 --> 00:50:20,780
قيمة الأعزب أكبر، غير صحيح، نعم، نحسب الـ X، و X1، و X2،

549
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

550
00:50:24,960 --> 00:50:27,160
X12، و X12، و X13، و X14، و X14، و X15، و X16، و X17، و

551
00:50:27,160 --> 00:50:28,820
X18، و X19، و X20، و X21، و X22، و X22، و X22، و X22، و

552
00:50:28,820 --> 00:50:28,940
X22، و X22، و X22، و X22، و X22، و X22، و X22، و X22، و

553
00:50:28,940 --> 00:50:31,370
X22، و X22، و X22، و X22، و X22، و X22، لما يكون في عندي

554
00:50:31,370 --> 00:50:36,130
nominal attribute أو Boolean attribute، الـ distance

555
00:50:36,130 --> 00:50:41,450
هتزيد بصفر أو بواحد، بناء على إيش؟ هل الـ value هذه

556
00:50:41,450 --> 00:50:47,970
equal أو not equal؟ true، يعني الـ instance اللي أنا

557
00:50:47,970 --> 00:50:55,910
بدي أقرأها الآن، كانت هنا عندي 3 و 7 و false

558
00:50:55,910 --> 00:50:58,530
و D

559
01:00:01,610 --> 01:00:09,330
الآن المسافة اللي بحسبها هي ل

560
01:00:09,330 --> 01:00:17,950
الـ instance الأولى، الآن 7 - 7² +

561
01:00:17,950 --> 01:00:26,530
7 - 3² + 1

562
01:00:26,530 --> 01:00:34,590
في حالة التساوي 0، في حالة الاختلاف 0 + 0

563
01:00:34,590 --> 01:00:40,630
في الحالة الثانية مع الـ instance الثانية 4

564
01:00:40,630 --> 01:00:48,890
- 7² + 7 - 3² +

565
01:00:48,890 --> 01:01:01,390
false و false، 1، دي و دي 1، وبالتالي صار موضوع

566
01:01:01,390 --> 01:01:03,910
الـ String اللي هندي، أو لو كانت الـ Nominal Data

567
01:01:03,910 --> 01:01:07,990
أو Boolean Data، مافيش داعي أرجع للـ preprocessing

568
01:01:07,990 --> 01:01:13,170
مافيش داعي أرجع للـ preprocessing، بالعكس أنا ممكن

569
01:01:13,170 --> 01:01:19,050
أكمل بكل بساطة، بتصير الآن similar or dissimilar

570
01:01:19,050 --> 01:01:24,530
لأنه فعلاً هل هي نفس القيمة ولا قيمة مختلفة؟ طبعاً؟

571
01:01:24,530 --> 01:01:28,550
قيمة ولا قيمة مختلفة، لكن لأ أخفيكوا إن هاي في

572
01:01:28,550 --> 01:01:33,370
برضه فيها مشكلة

573
01:01:33,370 --> 01:01:38,650
رحلة

574
01:01:38,650 --> 01:01:47,150
شوية، لو كان في عندي two values بالشكل هذا: أحمد و

575
01:01:47,150 --> 01:01:53,250
أحمد، واحدة بتبدأ بـ capital، واحدة small، المفروض تكون

576
01:01:53,250 --> 01:01:56,490
انت حليتها، أنا جيبتك كمثال كاسم بالاسم، الآن يا

577
01:01:56,490 --> 01:02:08,030
سيدي، بلاش نتكلم على الوظيفة، الـ job manager، الآن

578
01:02:08,030 --> 01:02:12,810
هادي و هادي في الـ semantic واحدة، لكن على حسب

579
01:02:12,810 --> 01:02:17,010
القانون اللي أنا بقوله: إذا متساويات بياخدوا 1،

580
01:02:17,010 --> 01:02:19,830
مختلفات بياخدوا 0، هدول من الناس اللي هتاخد 0

581
01:02:22,450 --> 01:02:25,770
ليش؟ لأن الـ case .. بدي أدخل الـ ignore case في

582
01:02:25,770 --> 01:02:34,610
الموضوع، ابتجيني قضية أخطر من هيك، واحد

583
01:02:34,610 --> 01:02:38,950
كتب بـ A، وواحد كتب بـ E، مش هذا اللي احنا

584
01:02:38,950 --> 01:02:44,450
اتسميناها سابقاً، ignore syntax، حلتك من الـ capital

585
01:02:44,450 --> 01:02:48,290
letter و الـ capital letter و الـ small letter، بس ما

586
01:02:48,290 --> 01:02:56,190
حلت الـ case، أن هذه A، و هادي إيه؟ هتظل في عندي

587
01:02:56,190 --> 01:02:59,690
استثناءات، وإن الـ data فيها .. يعني مش ضروري كل شيء

588
01:02:59,690 --> 01:03:03,890
ييجي .. يعني أنا بهمش، أنا بحاول أظبط الـ data تمشي

589
01:03:03,890 --> 01:03:08,650
مع القوانين، بحاولش أكيف القوانين تمشي مع الـ data

590
01:03:08,650 --> 01:03:11,690
وبالتالي، هي القانون اللي موجودة عندي هنا، في حالة

591
01:03:11,690 --> 01:03:17,110
الـ nominal data، equal values: 0، يعني الـ distance

592
01:03:17,110 --> 01:03:21,830
بينهم 0، ليش؟ لأنهم متطابقين، نفس الشيء، مافيش فرق

593
01:03:21,830 --> 01:03:25,730
بقى بينهم، different values، بغض النظر إيش كانوا

594
01:03:25,730 --> 01:03:30,870
الفرق بينهم 1، ولما أنا بضيف الفرق بينهم، لما

595
01:03:30,870 --> 01:03:37,890
أقول قيمتهم مختلفات: 1، متساويات: 0، عكست في

596
01:03:37,890 --> 01:03:45,090
المثال هذا: true

597
01:03:45,090 --> 01:03:54,230
و false: 1، اختلاف، اختلاف، بعدت، بعدت، كويس أنكم

598
01:03:54,230 --> 01:03:56,470
انتبهتوا، أنا بتكلم، بتكلم، بتكلم، بتكلم، بتكلم

599
01:03:56,470 --> 01:03:56,730
بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم

600
01:03:56,730 --> 01:03:57,570
بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم

601
01:03:57,570 --> 01:03:58,070
بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم

602
01:03:58,070 --> 01:04:01,530
بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم

603
01:04:01,530 --> 01:04:14,790
بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم، بتكلم

604
01:04:14,790 --> 01:04:18,130
بتكلم

605
01:04:18,130 --> 01:04:25,030
بتصفر، و 0 بين جوسين، بين جوسين، أن الـ instance

606
01:04:25,030 --> 01:04:30,810
الأولى من ناحية الـ text من

607
01:04:30,810 --> 01:04:39,250
ناحية الـ text أبعد عادة من الـ instance من الثانية

608
01:04:39,250 --> 01:04:43,050
أبعد، يعني صار في 1، صار في مسافة تنجمّع للقانون

609
01:04:43,050 --> 01:04:45,990
اللي عندي، نعم

610
01:04:54,750 --> 01:04:57,730
جدًّا عدد الـ values، الـ different values اللي عندك

611
01:04:57,730 --> 01:05:05,330
و الحالات التانية، الوظائف، الـ occupation، جدًّا

612
01:05:05,330 --> 01:05:10,610
عدد الوظائف إيه؟ واديني مثال، فرضاً عشرة، مين قال مين

613
01:05:10,610 --> 01:05:14,970
قال

667
01:00:47,830 --> 01:00:51,210
موضوع الـ scaling هو اللي بيحل القضية وبحطهم كلهم

668
01:00:51,210 --> 01:00:56,510
بنفس الأوزان في موضوع الـ distance تخيل أنا بدرّب

669
01:00:56,510 --> 01:01:00,690
أطبّق عليهم الـ min max normalization من صفر لواحد

670
01:01:00,690 --> 01:01:04,050
شكل

671
01:01:04,050 --> 01:01:12,030
الـ data set هيصير صفر مع أنّه كانت الفروقات بينهم

672
01:01:13,850 --> 01:01:18,590
كبيرة جداً، وعلى نفس النظام، على نفس النظام الألفين

673
01:01:18,590 --> 01:01:22,830
لما أنا بقدر أطبّقها، بقدر أخضعها لنفس المبدأ الـ min

674
01:01:22,830 --> 01:01:27,870
max 01 على نفس الحسبة اللي اشتغلت عليها هان هي الـ

675
01:01:27,870 --> 01:01:33,990
maximum value 55000 وهي الـ minimum value الـ

676
01:01:33,990 --> 01:01:39,010
minimum والـ old minimum والـ old maximum للـ

677
01:01:39,010 --> 01:01:43,370
الـ new minimum 0 والـ New Maximum 1 وبدّي أطبّق

678
01:01:43,370 --> 01:01:47,030
الألف عليهم، الألفين عليهم، ونفس النظام بدّي أطبّق

679
01:01:47,030 --> 01:01:51,410
باقي العناصر اللي أنا كتبتها، فعلياً الـ values

680
01:01:51,410 --> 01:01:58,970
تبعتها بصير تفرج، وبصير كلهم إيش؟ متساويات. نعم، بس

681
01:01:58,970 --> 01:02:02,490
احنا اتفقنا إنّه في موضوع الـ data normalization

682
01:02:02,490 --> 01:02:07,850
في الـ preprocessing مهم جداً، بس شغلة زي السابقة أنا

683
01:02:07,850 --> 01:02:12,450
ما شفتهاش، ما كانتش... ما كانتش تخطر في أحلامي إنّه فعلياً

684
01:02:12,450 --> 01:02:16,150
ألاقي إنّه الـ nominal attribute أو ألاقي algorithm

685
01:02:16,150 --> 01:02:21,530
فقط شغال على الـ numeric data، مصبوط؟ في ناحية الـ

686
01:02:21,530 --> 01:02:23,890
preprocessing، احنا حكينا سابقاً إنّه الـ scaling

687
01:02:23,890 --> 01:02:29,530
شغلة أساسية، الـ scaling شغلة أساسية، إيش الـ

688
01:02:29,530 --> 01:02:33,670
advantages والـ disadvantages تبعت الـ algorithm

689
01:02:33,670 --> 01:02:41,090
اللي عندنا؟ الـ advantages robust، شو يعني robust؟

690
01:02:41,090 --> 01:02:50,190
قوي في وجود الـ noise data، في عندي data طيّب، هي

691
01:02:50,190 --> 01:02:55,770
distinguish ولا distinguish، أنتَ

692
01:02:55,770 --> 01:02:58,010
اللي بتقول، عشانك روحت على بلد ومارست فيها لغة

693
01:02:58,010 --> 01:03:00,730
بلفظوها بالشكل هذا، بقى هذا لا يعني أن الناس

694
01:03:00,730 --> 01:03:04,510
التانية بلفظوها باللهجات مختلفة. شكراً لك، تمام

695
01:03:04,510 --> 01:03:06,470
سيدي؟ الآن

696
01:03:08,130 --> 01:03:13,890
advantages robust أو robust noise training data

697
01:03:13,890 --> 01:03:17,590
لما بكون في عندي noise data أنا بأضمن إنّه بدّيني

698
01:03:17,590 --> 01:03:23,050
prediction صحيحة، بهدف إنّه فعلياً ما بتأثّرش، هو عمّال

699
01:03:23,050 --> 01:03:25,950
بيحسب الـ instance أو العلاقة مع كل الـ instances و

700
01:03:25,950 --> 01:03:30,570
لما تكون في عندي واحدة noise بتدوب ما بين العناصر

701
01:03:30,570 --> 01:03:34,730
اللي موجودة، effective في حالة إذا كانت الـ data

702
01:03:34,730 --> 01:03:39,490
تبعتي large enough، كبيرة. ليش؟ لأنّ بكون الـ decision

703
01:03:39,490 --> 01:03:43,810
تبعي بعتمد على أكبر عدد ممكن من الـ neighbors

704
01:03:43,810 --> 01:03:48,070
وبالتالي، كل ما كترت النقاط، صرت أنا بدوّر إنّه يكون

705
01:03:48,070 --> 01:03:52,710
...احتمالية إنّه يكون في نقاط أقرب، أعلى الـ

706
01:03:52,710 --> 01:03:58,670
disadvantages إنّه لازم أحدّد الكلمة  الجابلة، والـ

707
01:03:58,670 --> 01:04:02,090
الكلمة التحديد هذه بحد ذاتها مشكلة، أنا ما بعرف ولا

708
01:04:02,090 --> 01:04:07,150
حد في الدنيا بيعرف إيش أفضل key، الشغلة التانية الـ

709
01:04:07,150 --> 01:04:11,230
distance based learning is not clear، مفهوم الـ

710
01:04:11,230 --> 01:04:13,470
distance لما كنت بتكلّم على الـ numerical كنت مقتنع

711
01:04:13,470 --> 01:04:18,370
فيها، بس لما دخلت الـ nominal data بدّنا نأخذ ونعطف

712
01:04:18,370 --> 01:04:23,190
الكلام، مصبوط، وبالتالي ما صار مفهوم الـ similarity

713
01:04:23,190 --> 01:04:28,350
مش clear بالنسبة لي كتير، عندي هان الشغلة التالتة

714
01:04:28,350 --> 01:04:33,650
أو الأخيرة، إنّه أنا فعلياً هذا الـ algorithm بدّيني

715
01:04:33,650 --> 01:04:38,970
high computation cost، ليش؟ أنتَ تخيّل عندي 100 ألف

716
01:04:38,970 --> 01:04:45,090
instance، عشان أقدر أصنّف one instance بدّي أحسب

717
01:04:45,090 --> 01:04:51,830
المسافة بينها وبين 100 ألف نقطة، طبعاً عندي 10 نقاط

718
01:04:51,830 --> 01:04:57,150
بدّي أصنّفهم، بدّي أحسب الـ distance عشرة في 100 ألف

719
01:04:57,150 --> 01:05:02,810
يعني مليون مرة، مليون distance بدّي أحسب وهكذا، لكن

720
01:05:02,810 --> 01:05:06,470
هذا برضه، على الرغم من العيوب هذه، الـ algorithm هذه

721
01:05:06,470 --> 01:05:11,870
في حالات كتيرة efficient إذا كانت في عندي memory

722
01:05:11,870 --> 01:05:16,150
كافية، والـ data set تبعتي كويسة، بتدّيني prediction

723
01:05:16,150 --> 01:05:19,670
عالي، لأنّ أحياناً يا جماعة الخير، بقدرش أبني model

724
01:05:19,670 --> 01:05:26,720
أنا ما بلاحظ أي تغيير في الـ environment، مش هتأثّر فيه، في

725
01:05:26,720 --> 01:05:29,560
الآخر، أنتَ بتدّيني قيم وأنا بحسب قرب أو بعد النقطة

726
01:05:29,560 --> 01:05:33,720
جربت أو بعدت، أنا ما عندي مشكلة، لكن في حالة بناء الـ

727
01:05:33,720 --> 01:05:36,420
model زي ما هشوف لاحقاً، أنا ببني model، الـ model

728
01:05:36,420 --> 01:05:42,540
خلاص صار if then، طب اتغيّرت الدنيا، بدّك تغيّر الـ if

729
01:05:42,540 --> 01:05:45,840
then، يعني بدّك تعمل الـ training مرة ثانية، وعادة

730
01:05:45,840 --> 01:05:51,020
بنطلق على الـ K-Nearest Neighbor lazy learning

731
01:05:51,020 --> 01:05:54,020
algorithm

732
01:06:01,130 --> 01:06:05,630
براحتَه، ليش lazy؟ لأنّه فعلاً ما بيبنيش model، كسلان

733
01:06:05,630 --> 01:06:09,030
ما عندوش استعداد يرهق نفسه في بناء model أو يحطّ

734
01:06:09,030 --> 01:06:12,970
role كصُور العلاقة ما بين الـ attributes والـ class

735
01:06:12,970 --> 01:06:17,410
فبيعتمد هو كل مرة على إيش؟ على الـ computation بدل

736
01:06:17,410 --> 01:06:25,380
من حساب الـ model، متطفّل؟ لأ، هو شغال بذاته، هو كسول

737
01:06:25,380 --> 01:06:29,020
بدّوش يبني، بقول لك لما بتيجي تعمل instance بعملك

738
01:06:29,020 --> 01:06:31,560
الحسبة وبدّيك إياها وخلاصنا، بدّيش أبني model

739
01:06:31,560 --> 01:06:40,320
واحتفظ فيه، اللي هي لأ

740
01:06:40,320 --> 01:06:43,520
لأ، هذا الـ algorithm من الـ deterministic algorithm

741
01:06:43,520 --> 01:06:49,550
يعني لو دوّرت له نفس الـ data set ونفس الـ Instance

742
01:06:49,550 --> 01:06:53,910
Set وجرّبت 7000 مليون مرة تعمل الـ classification

743
01:06:53,910 --> 01:07:00,670
تدّيك نفس النتيجة، آه

744
01:07:00,670 --> 01:07:04,670
ممكن، أنا ما قلتش إنّ الـ algorithm هذا هو الأفضل

745
01:07:04,670 --> 01:07:09,550
طبعاً؟ لكن هذا الـ algorithm هو الأسهل من ناحية

746
01:07:09,550 --> 01:07:13,490
الاستيعاب، إيش اللي بيصير؟ فعشان هيك أنا بدّيت فيه،

747
01:07:13,490 --> 01:07:17,870
الآن، هل هو أفضل algorithm؟ لأ، الآن، بس أنا بالنسبة

748
01:07:17,870 --> 01:07:21,950
لي تجربة شخصية في الدكتوراه، كان الـ algorithm هذا

749
01:07:21,950 --> 01:07:26,850
هو قُوت النجاة تبعي، قارنته بالـ support vector

750
01:07:26,850 --> 01:07:30,470
machine وقارنته بالـ neural network، كان أداءه أقلّ

751
01:07:30,470 --> 01:07:33,930
منهم، على الرغم من هيك كان اختيار إنّ هذا الـ

752
01:07:33,930 --> 01:07:36,910
algorithm هو الأكثر مناسبة، أنا بأشتغل في dynamic

753
01:07:36,910 --> 01:07:41,430
environment، بعمل computation على الجوال، وبالتالي

754
01:07:41,430 --> 01:07:44,830
مستحيل موضوع الـ learning، إنّي أبني model كل ما تتغيّر

755
01:07:44,830 --> 01:07:49,540
الـ environment، ومقارنة الـ Accuracy لـ Neural

756
01:07:49,540 --> 01:07:53,320
Network ادّتني حوالي 97%، الـ support vector machine

757
01:07:53,320 --> 01:07:59,360
الدنيا مقاربة لها، وهذا الدرّب الدنيا 94%، فبالضبط

758
01:07:59,360 --> 01:08:03,780
فصرت هذا مش فارق، في مقابل إنّه هذا بيشتغل مع الـ

759
01:08:03,780 --> 01:08:06,020
dynamic environment، لأنّ أنا مش بحاجة في كل ما

760
01:08:06,020 --> 01:08:10,700
تتغيّر عوامل البيئة أروح أبني model جديد، فكان هو

761
01:08:10,700 --> 01:08:13,620
فعلياً قُوّة النجاح زي ما قلت لك بالنسبة لي من تجربة

762
01:08:13,620 --> 01:08:17,430
فهذا لا يعني أنّه سيّئ، لكن أنا قاعد بتكلّم advantages

763
01:08:17,430 --> 01:08:21,770
أو disadvantages موجودة عندها، الـ code اللي موجود

764
01:08:21,770 --> 01:08:26,070
عندها، بكل بساطة بيبني أو بيستخدم الـ KNN

765
01:08:26,070 --> 01:08:32,830
algorithm بالـ Python، طبعاً أنا بفترض إنّي عامل

766
01:08:32,830 --> 01:08:33,210
import

767
01:08:36,030 --> 01:08:38,790
الآن، بكل بساطة، الشباب اللي أنا سويته في الـ code

768
01:08:38,790 --> 01:08:42,510
هذا، كنت بدأت أشتغلَه، أو رابط مدامك، عملي الآن، عملت

769
01:08:42,510 --> 01:08:46,830
import للـ pandas as bd، والـ bd مجرد أي أي shortcut

770
01:08:46,830 --> 01:08:50,350
عشان تختصر من كتابة أسماء الـ libraries بأكثر من

771
01:08:50,350 --> 01:08:54,930
طريقة، وقلت له الـ data 6 بعت equal pandas.read

772
01:08:54,930 --> 01:09:02,390
csv iris.csv، data بتتكلم على تصنيف زهر السوسن

773
01:09:02,390 --> 01:09:08,680
لثلاث أصناف، الـ data set هذه for training معدّة بشكل

774
01:09:08,680 --> 01:09:13,480
جيد للـ classification، طبعاً يعني إذا أريد أن أفهم

775
01:09:13,480 --> 01:09:15,580
الـ classification وأجرب الـ algorithm وأقارن ما

776
01:09:15,580 --> 01:09:18,880
بين الـ algorithm، هذه واحدة من الـ data set المناسبة

777
01:09:18,880 --> 01:09:23,240
عدد الـ rows اللي فيها 150 row، three classes، خمسين

778
01:09:23,240 --> 01:09:28,560
row في كل class، طبعاً زي ما قلت لك هي عشان أنا أجرب

779
01:09:28,560 --> 01:09:33,520
عليها، الآن قرأت الـ data set، عادة الـ data set تبعتي

780
01:09:35,720 --> 01:09:43,940
هذه من الـ five attributes، السبل

781
01:09:43,940 --> 01:09:48,500
length والسّبل width، عرض أقول السّبلة، والـ petal

782
01:09:48,500 --> 01:09:52,960
length والـ petal width، عرض أقول البتلة تبع الزهرة

783
01:09:52,960 --> 01:09:59,800
تمام؟ الكأس والورقة تبع الزهرة، والنوع، النوع اسمه

784
01:09:59,800 --> 01:10:00,180
variety

785
01:10:04,190 --> 01:10:07,070
Kindhand في الـ data set اللي أنا استخدمتها، في

786
01:10:07,070 --> 01:10:10,510
data ثانية ممكن تسمّيها kind أو type أو citrus الـ

787
01:10:10,510 --> 01:10:15,570
iris type إلى آخره، هذا الـ data set كلها جاية في

788
01:10:15,570 --> 01:10:19,890
جدول واحد، block واحد، أنا الخطوة رقم واحد المفروض

789
01:10:19,890 --> 01:10:25,910
أسويها مع أي عملية classification، أفصل، أفصل ما بين

790
01:10:25,910 --> 01:10:32,070
الـ label والـ attributes، كيف بدّي أفصل بين الـ label

791
01:10:32,070 --> 01:10:35,790
والـ attributes؟ وقلت له الـ attributes تبعتي تساوي

792
01:10:35,790 --> 01:10:40,930
الـ data set.drop(variety)، drop للـ variety

793
01:10:40,930 --> 01:10:45,470
إيش يعني؟ يشيله بس من وين؟ هيشيله من الـ

794
01:10:45,470 --> 01:10:49,750
data set ويحطّها في data set جديدة يسمّيها ليها

795
01:10:49,750 --> 01:10:54,470
features، و ليش قلت له x = 1؟ لأنّ أنا بدّي

796
01:10:54,470 --> 01:10:58,550
أشيل column، الآن بعضكم ممكن يخطئ ويروح يحطّ يقول له

797
01:10:58,550 --> 01:11:02,410
الـ IRIS أو الـ data set = كده بيصير يحدث عليها

798
01:11:02,410 --> 01:11:06,510
بيلزمه يحطّ in place = True عشان يعدّل على نفس الـ data

799
01:11:06,510 --> 01:11:11,190
set اللي هو شغال عليها، أنا هيك أخدت مين؟ أخدت الـ

800
01:11:11,190 --> 01:11:17,730
features في data set جديدة، بدّي آخذ الـ labels أو الـ

801
01:11:17,730 --> 01:11:20,810
target، هقول له الـ target = الـ data set.

802
01:11:20,810 --> 01:11:24,570
variety أو الـ data set

803
01:11:32,680 --> 01:11:37,640
variety، هنتعامل معاها as an instance من الـ

804
01:11:37,640 --> 01:11:41,260
framework اللي موجود عندك هان class، واعتبرها

805
01:11:41,260 --> 01:11:43,900
variable منه، وأخدها منه، مشاركة، وهان روحت أنتَ

806
01:11:43,900 --> 01:11:47,780
اعتبرته ليها as dictionary أو كـ array أو vector

807
01:11:47,780 --> 01:11:51,340
وراح يقطع لك إياه ويقول لك اتفضّل هذه وهذه، هديك نفس

808
01:11:51,340 --> 01:11:55,200
النتيجة، الآن اللي هيصير عندي بعد هيك from the

809
01:11:55,200 --> 01:11:59,010
sklearn.neighbors لأنّ هذه سلسلة algorithm

810
01:11:59,010 --> 01:12:07,370
import KNeighborsClassifier، الـ model = K

811
01:12:07,370 --> 01:12:10,970
Neighbors(5)، أخدت constructor وقلت له الـ k تبعتي

812
01:12:10,970 --> 01:12:15,950
خمسة، وقلت له هاي الـ association بين الـ features والـ

813
01:12:15,950 --> 01:12:22,490
label اللي عندي، الـ model.fit، بعد هيك قلت له

814
01:12:22,490 --> 01:12:26,750
اعمل prediction لمين؟ للـ model.predict(test)، والـ

815
01:12:26,750 --> 01:12:32,070
test إيش الـ test؟ هي عبارة عن sample instance فيها

816
01:12:32,070 --> 01:12:35,650
خمسة وثلاثة وستة من عشرة، واحد واتنين وواحد و

817
01:12:35,650 --> 01:12:38,470
سبعة، قلت له reshape عشان يعمل ليهم as a vector

818
01:12:38,470 --> 01:12:43,030
تتطابق تماماً بالـ direction مع الـ instances اللي

819
01:12:43,030 --> 01:12:46,130
موجودة في الـ predictions هذه، خزّنت إنّها الـ value في

820
01:12:46,130 --> 01:12:50,180
الـ predictions، ما فيش الـ predictions يا شباب، هي

821
01:12:50,180 --> 01:12:58,240
عبارة عن الـ array من خمس عناصر، تمام؟ إيش فيها؟ فيها

822
01:12:58,240 --> 01:13:05,420
الـ shortest distances، الـ distances، أقصر مسافات، مش

823
01:13:05,420 --> 01:13:07,880
أنا بقول له دوّر على الـ shortest five neighbors

824
01:13:07,880 --> 01:13:12,520
فجاب لي أقصر خمس مسافات، هذا الـ role الأول في الـ array

825
01:13:12,520 --> 01:13:18,010
الـ row الثاني، عبارة عن الـ array في الـ index تبعت الـ

826
01:13:18,010 --> 01:13:24,250
instances، أصحاب أقصر مسافات، بضلّ عليك تاخذ الـ index

827
01:13:24,250 --> 01:13:29,210
هدول، وتروح تجيب الـ label تبعتّهم، عشان إيش؟ تعمل

828
01:13:29,210 --> 01:13:33,290
بينهم voting وتاخذ القيمة اللي موجودة، الله

829
01:13:33,290 --> 01:13:35,910
يعطيكم العافية، وبشوفكم إن شاء الله لأسبوع القادم