PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/cUQb5hESOvo.srt

1
00:00:05,030 --> 00:00:08,110
أعوذ بالله السلام عليهم بسم الله الرحمن الرحيم

2
00:00:08,110 --> 00:00:11,910
الحمد لله والصلاة والسلام على رسول الله أهلًا وسهلًا

3
00:00:11,910 --> 00:00:15,150
فيكم، نسأل الله لكم ولنا السلام دائمًا ولجميع

4
00:00:15,150 --> 00:00:18,710
المسلمين، وإن شاء الله تزول هذه الغمة، ونلقاكم من

5
00:00:18,710 --> 00:00:22,220
جديد. اليوم هنستعرض مع بعض إن شاء الله تعالى

6
00:00:22,220 --> 00:00:27,400
المحاضرات المصورة لموضوع الـ data mining، ومن ثم

7
00:00:27,400 --> 00:00:31,100
سنعمل review سريعة. لو وقفنا... كنا بدأنا في

8
00:00:31,100 --> 00:00:33,800
chapter data mining... data mining chapter ثلاثة

9
00:00:33,800 --> 00:00:36,760
في الـ classification، وقلنا الـ classification هي

10
00:00:36,760 --> 00:00:40,600
عبارة عن classical task تقليدية أو مهمة

11
00:00:40,600 --> 00:00:43,680
التقليدية في الـ machine learning. هدفها أن

12
00:00:43,680 --> 00:00:49,160
أعمل فعليًا prediction لـ discrete أو لـ nominal value

13
00:00:49,160 --> 00:00:52,240
اللتي سميناها الـ categorical value، ولما حاولنا نعرف

14
00:00:52,240 --> 00:00:55,240
الـ classification مع بعض، كنتم تذكرون كنا نقول أن

15
00:00:55,240 --> 00:00:59,320
الـ classification هي عبارة عن عملية لتحديد عضوية

16
00:00:59,320 --> 00:01:06,530
العناصر في مجموعات معرفة مسبقًا. وتكلمنا أو وضعنا

17
00:01:06,530 --> 00:01:09,770
الرسم هذا على السريع، وقلنا أنه يمثل الـ

18
00:01:09,770 --> 00:01:13,230
model الخاص بالـ classification، أنه أُضيف الـ raw

19
00:01:13,230 --> 00:01:16,390
data، يُحدد الـ algorithm، الـ algorithm يبني الـ model،

20
00:01:16,390 --> 00:01:19,110
والـ model بعد ذلك يجب أن يكون قادرًا على الـ

21
00:01:19,110 --> 00:01:25,180
prediction بشكل صحيح. وبالتالي، الـ classification هي

22
00:01:25,180 --> 00:01:28,920
عبارة عن تقنية تُستخدم في موضوع الـ prediction

23
00:01:28,920 --> 00:01:34,080
للعضوية، لعضوية العناصر في المجموعة. وتكلمنا أن

24
00:01:34,080 --> 00:01:37,620
فعليًا في الـ classification task، يوجد لديّ two

25
00:01:37,620 --> 00:01:40,300
steps. أي classification task، لإنجازها، يوجد لديّ

26
00:01:40,300 --> 00:01:43,460
two steps. الأولى هي construction للموديل،

27
00:01:43,460 --> 00:01:47,160
بناء الموديل، بحيث أن أحاول من خلال الخطوات

28
00:01:47,160 --> 00:01:53,090
هذه أن أعرف علاقة الـ attribute مع الـ class، أعرف

29
00:01:53,090 --> 00:01:55,490
علاقة الـ attribute بالـ class، وهذه تُسمى

30
00:01:55,490 --> 00:01:58,890
مرحلة الـ training، والتي دائمًا آخذ جزءًا من الـ data

31
00:01:58,890 --> 00:02:02,450
set، التي تُسمى الـ training set، وشاهدنا مثالها سابقًا.

32
00:02:02,450 --> 00:02:05,410
الخطوة الثانية أو المحل، الخطوة الثانية التي

33
00:02:05,410 --> 00:02:08,890
هي الـ model usage، استخدامه، بحيث أن أجد الـ

34
00:02:08,890 --> 00:02:13,090
label أو الـ target class لـ data set، أو عفواً، لـ

35
00:02:13,090 --> 00:02:18,970
sample set الموجودة لديّ مسبقًا. وقلنا مهم جدًا أن

36
00:02:18,970 --> 00:02:21,450
الـ model أو الـ classification model يتمتع بالـ

37
00:02:21,450 --> 00:02:24,790
accuracy، بالدقة، وبالـ speed، سرعة الحساب،

38
00:02:24,790 --> 00:02:28,110
والـ robustness، الـ robustness،  التي تعني

39
00:02:28,110 --> 00:02:33,710
قدرة الـ classifier هذا على أن يتعامل أو

40
00:02:33,710 --> 00:02:36,950
يقدر أن يعطيني  prediction دقيقة عندما تكون الـ data

41
00:02:36,950 --> 00:02:39,370
تحتوي على noise أو missing data. تكلمنا عن

42
00:02:39,370 --> 00:02:42,830
الـ scalability والـ interpretability للـ data set، أو

43
00:02:42,830 --> 00:02:46,910
عفوًا، للـ classifier. ويُخبرنا هذه مجموعة من الـ

44
00:02:46,910 --> 00:02:50,050
algorithms الموجودة، وكنا في المحاضرة الماضية مع

45
00:02:50,050 --> 00:02:53,850
بعض، في آخر محاضرة، الـ k-nearest neighbor.  طبعًا لو

46
00:02:53,850 --> 00:02:57,880
سألت الآن سؤالًا، والمفروض منكم أن تأخذوا لحظة قبل

47
00:02:57,880 --> 00:03:02,460
أن تجيبوا عليّ،  على ماذا يعتمد الـ k-nearest neighbor

48
00:03:02,460 --> 00:03:08,700
؟ المفروض الآن أن تبدأوا تفكرون في الإجابة. الـ k-

49
00:03:08,700 --> 00:03:11,760
nearest neighbor يعتمد على تصنيف العناصر تبعًا

50
00:03:11,760 --> 00:03:17,360
للنقاط المجاورة له. وقلنا هذا هو واحد من

51
00:03:17,360 --> 00:03:20,530
الـ instance-based. تذكرون معي؟ ماذا هو؟ كنا

52
00:03:20,530 --> 00:03:23,850
نتحدث عن ماذا؟ Instance-Based. Instance-Based يعني

53
00:03:23,850 --> 00:03:28,250
يعتمد على الـ data set بدون بناء model، يعتمد على

54
00:03:28,250 --> 00:03:33,050
الـ data set بدون بناء models، وبالتالي

55
00:03:33,050 --> 00:03:38,230
لا يوجد لديّ أي model، ولا يعتمد إلا على العمل في الـ

56
00:03:38,230 --> 00:03:41,650
memory، يعني بين  الـ جسيم الحساب، وهذا يعطيني

57
00:03:41,650 --> 00:03:46,580
دائمًا الـ Result بناءً على الـ majority  الخاصة بالـ

58
00:03:46,580 --> 00:03:49,600
جيران الموجودة عنده.  وقلنا بالـ K أنه يجب

59
00:03:49,600 --> 00:03:53,440
أن أُحدد عدد العناصر الموجودة عنده. ومررنا

60
00:03:53,440 --> 00:03:57,600
بشكل سريع، وقلنا كيف أحسب التشابه أو أحسب القرب أو

61
00:03:57,600 --> 00:04:00,680
البعد بين النقاط أو الـ objects، وقلنا يعتمد على

62
00:04:00,680 --> 00:04:03,740
شيء نسميه similarity function، والـ similarity

63
00:04:03,740 --> 00:04:06,620
function، عندما تكون لديّ أرقام، معناته أتحدث

64
00:04:06,620 --> 00:04:09,180
عن Euclidean distance أو Manhattan distance أو

65
00:04:09,180 --> 00:04:12,750
غيرها من الأشياء، وشاهدنا المعادلات مع بعضنا،

66
00:04:12,750 --> 00:04:17,110
وَفرّقنا بينهم، وبين العناصر الموجودة.  ما الذي يطلبه

67
00:04:17,110 --> 00:04:19,510
الـ k-nearest neighbor، حسب ما شرحنا في المحاضرة

68
00:04:19,510 --> 00:04:23,610
الأخيرة؟ كان يطلب مني أن أُحدد الـ K، وهي عدد

69
00:04:23,610 --> 00:04:26,910
الجيران الذين سأُجري بينهم voting، يعني لو

70
00:04:26,910 --> 00:04:30,150
قلتُ، سأُصنف الجار هذا أو سأُصنف الـ

71
00:04:30,150 --> 00:04:32,330
object الجديد بناءً على العناصر الموجودة

72
00:04:32,330 --> 00:04:36,210
وبالتالي، أنا أتحدث عن أن لديّ فعليًا

73
00:04:37,240 --> 00:04:41,100
عشرة جيران، حسب أغلبهم. الأغلبية طبعًا، أتحدث هنا على

74
00:04:41,100 --> 00:04:45,880
ستة. الستة ماذا تصنفه؟ أذهب وأصنفه تبعًا للستة الذين

75
00:04:45,880 --> 00:04:50,720
موجودين لديّ. سأحدد الـ distance method التي سأستخدمها

76
00:04:50,720 --> 00:04:53,940
كمقياس. وبالتالي، بعد أن حددت الـ K،

77
00:04:53,940 --> 00:04:58,240
أحسب الـ distance بين الـ sample الموجودة لديّ،

78
00:04:58,240 --> 00:05:01,300
وكل الـ data set أو الـ training set التي

79
00:05:01,300 --> 00:05:04,580
موجودة لديّ هنا.  ممكن أعتمد الـ Euclidean أو الـ

80
00:05:04,580 --> 00:05:08,410
Manhattan. أرتب البيانات، وقلنا موضوع الترتيب ليس

81
00:05:08,410 --> 00:05:11,650
مهم إلا عندما تكون الـ data set كبيرة، يصبح عليه

82
00:05:11,650 --> 00:05:16,150
حصر، يسهل عليّ أن أحصر العناصر الأقرب، الـ

83
00:05:16,150 --> 00:05:21,810
k-nearest، مجموعة العناصر العشرة، أصحاب أقصر مسافة

84
00:05:21,810 --> 00:05:25,130
بين الـ sample الموجودة لديهم،  أجري بينهم voting،

85
00:05:25,130 --> 00:05:28,300
بحيث أُحدد الأغلبية. وشاهدنا المثال الموجود

86
00:05:28,300 --> 00:05:33,040
هنا، وكيف اشتغلنا على الـ Euclidean، وإذا تتذكرون،

87
00:05:33,040 --> 00:05:36,220
المفروض أن المعادلة الخاصة بنا هذه، حسب الـ Euclidean

88
00:05:36,220 --> 00:05:40,420
distance، فيها الجذر التربيعي. وطبعًا،  لأجل التسهيل،

89
00:05:40,420 --> 00:05:43,440
عندما نتحدث عن الجذر التربيعي والجذر التربيعي

90
00:05:43,440 --> 00:05:48,400
موجود في كل المعادلات، من باب المقارنة، ممكن أن

91
00:05:48,400 --> 00:05:54,050
أتغاضى عنه، لأن الأكبر تحت الجذر، أو أكبر عنصر تحت

92
00:05:54,050 --> 00:05:58,490
الجذر، سيبقى أكبر عنصر خارج... خارج الجذر، عندما...

93
00:05:58,490 --> 00:06:03,670
يعني مثلاً، جذر الـ 16، جذر الـ 25، جذر الـ 13، جذر

94
00:06:03,670 --> 00:06:06,850
التسعة. أصغر واحدة فيهم جذر التسعة، التي هي ثلاثة.

95
00:06:08,510 --> 00:06:12,350
وأكبر واحدة فيهم جذر الخمسة وعشرين، خمسة. كذلك،

96
00:06:12,350 --> 00:06:15,570
الخمسة وعشرون هي أكبر value، والتسعة هي أصغر value

97
00:06:15,570 --> 00:06:18,490
موجودة لديّ. وبالتالي، كنت أقول أنه ممكن من

98
00:06:18,490 --> 00:06:21,550
ناحية الحساب السريع، لأني أخلص من

99
00:06:21,550 --> 00:06:26,930
المقارنات السريعة،  ممكن أن أتغاضى عن الجذر التربيعي،

100
00:06:26,930 --> 00:06:32,470
وأبقى أتكلم على الـ Euclidean distance. وشاهدنا

101
00:06:32,470 --> 00:06:36,150
مع بعض المثال، وانتهينا من المثال هذا. قلنا

102
00:06:36,150 --> 00:06:40,660
في حالة أن كانت الـ data set الموجودة لديّ

103
00:06:40,660 --> 00:06:44,960
تحتوي على nominal attributes أو categorical

104
00:06:44,960 --> 00:06:48,300
attributes، قلنا هنا يلزم أن أرى

105
00:06:48,300 --> 00:06:52,260
طريقة، لأني لا أستطيع أن أحسب مسافة بين عنصرين لو

106
00:06:52,260 --> 00:06:57,080
قلنا مثلاً، أنا male و female في الـ

107
00:06:57,080 --> 00:07:02,760
gender attribute، المسافة بينهما غير معرفة، لا أستطيع

108
00:07:02,760 --> 00:07:08,840
أن أتحدث عنها. وبالتالي، الآن، لو قلنا أحمد،

109
00:07:08,840 --> 00:07:14,120
أحمد مع الـ E في الوسط هنا، ما هي المسافة

110
00:07:14,120 --> 00:07:17,120
بينهما؟ طبعًا، نحن متفقون أن الأسماء لا تدخل في

111
00:07:17,120 --> 00:07:20,200
الحسابات لديّ، لأنها دائمًا غير مفيدة. وبالتالي، أنا

112
00:07:20,200 --> 00:07:23,900
أثناء التحضير، سأزيلها. ولكن في النهاية، عندما

113
00:07:23,900 --> 00:07:26,580
يكون لديّ string أو text أو كما سميناها في

114
00:07:26,580 --> 00:07:29,520
لغة الـ data mining، categorical data أو nominal

115
00:07:29,520 --> 00:07:33,170
data، كيف سأحسبها أو سأحسب المقارنة بينها؟ هذا

116
00:07:33,170 --> 00:07:35,970
الكلام صعب في الـ Euclidean distance والـ Manhattan.

117
00:07:35,970 --> 00:07:40,510
فلذلك، في الـ k-nearest neighbor، يصبح عليّ العمل. هل فعليًا الـ

118
00:07:40,510 --> 00:07:43,730
term هاتان متطابقتان؟ إذا كانت الـ two terms متطابقتان،

119
00:07:43,730 --> 00:07:47,050
معناته أضع لهما صفرًا. إذا كانت الـ two terms مختلفتان، يعني

120
00:07:47,050 --> 00:07:50,590
أبعد ما يمكن عن بعض أو بعيدتان عن بعض، أضع الفرق بينهما

121
00:07:50,590 --> 00:07:56,170
واحدًا. وطبعًا،  تحدثنا بعد ذلك عن أهمية الـ scaling في

122
00:07:56,170 --> 00:08:01,120
موضوع الـ k-nearest neighbor. وقلنا من أهم... أهم مميزاته

123
00:08:01,120 --> 00:08:04,160
الـ robustness اتجاه الـ noisy data والـ

124
00:08:04,160 --> 00:08:08,420
effectiveness في موضوع مرحلة الـ training.

125
00:08:08,420 --> 00:08:13,100
العيوب: تحديد الـ K... أي K هي الأنسب

126
00:08:13,100 --> 00:08:17,740
للموضوع الذي أعمل عليه. مفهوم الـ distance غير

127
00:08:17,740 --> 00:08:20,380
واضح، خصوصًا عندما تظهر لديّ الـ categorical data، و

128
00:08:20,380 --> 00:08:23,940
هذه  تتمتع بـ computation cost عالية. تخيل الـ

129
00:08:23,940 --> 00:08:27,040
data set فيها مئة ألف record. وبالتالي، عندما أريد

130
00:08:27,040 --> 00:08:29,680
أن أُجري evaluation أو عفواً، أن أُجري prediction لـ

131
00:08:29,680 --> 00:08:34,520
class لـ one example، معناته سأذهب وأحسب مئة ألف

132
00:08:34,520 --> 00:08:38,180
distance.  طيب لو كان لديّ في المقابل،  لديّ

133
00:08:38,180 --> 00:08:42,960
عشرة أو مئة سأُجري عليهم testing، مئة في مئة ألف،

134
00:08:42,960 --> 00:08:46,440
معناته نحن نتحدث عن عشرة ملايين تقريبًا

135
00:08:46,440 --> 00:08:51,160
computation. وبالتالي، العملية ستأخذ مني وقتًا

136
00:08:51,160 --> 00:08:55,540
طويلًا. الآن، عندما رأينا الـ code، أهم شيء في الـ code السابق،

137
00:08:55,540 --> 00:09:00,890
إذا كنتم تتذكرون،  أخذت من scikit-learn،

138
00:09:00,890 --> 00:09:08,330
KNeighborsClassifier. KNeighborsClassifier. KNeighborsClassifier.

139
00:09:08,330 --> 00:09:11,520
KNeighborsClassifier. KNeighborsClassifier. الخاصة بالـ K-nearest neighbor، وأعطيتها الـ

140
00:09:11,520 --> 00:09:15,420
K الخاصة بي، تساوي خمسة. وهنا نتذكر، قلنا دائمًا الـ X

141
00:09:15,420 --> 00:09:18,680
الخاصة بك أو الـ K الخاصة بك، يجب أن تكون كبيرة

142
00:09:18,680 --> 00:09:22,660
كفاية، وتكون دائمًا قادرة على إعطائي الـ predictions أو

143
00:09:22,660 --> 00:09:25,780
أن تُجري الـ voting الصحيح، لأنه ليس معقولًا مثلاً أن تكون

144
00:09:25,780 --> 00:09:28,640
لديّ two binary أو two labels، وأذهب وأقول

145
00:09:28,640 --> 00:09:32,510
سآخذ مثلاً أربعة أو ستة، ستة، يعني الاحتمال أن

146
00:09:32,510 --> 00:09:35,270
يكون خمسة خمسة، على الأقل، أحتاج أكثر، في حالة

147
00:09:35,270 --> 00:09:38,510
الـ binary classification، لأُقدر أن الـ voting

148
00:09:38,510 --> 00:09:42,710
يميل لأحد الـ classes الموجودة لديهم.  وتذكروا جيدًا، وتذكروا جميعًا أنني عندما

149
00:09:42,710 --> 00:09:46,950
تحدثت عن الـ k-nearest neighbors، وأعطيتها الـ test

150
00:09:46,950 --> 00:09:50,050
attribute، test sample الخاصة بي التي بنيتها هنا، و

151
00:09:50,050 --> 00:09:53,110
مع الـ K الخاصة بي،  التي تساوي خمسة، فعليًا أعطاني من

152
00:09:53,110 --> 00:09:56,710
بينهم هذه العناصر، وما هي الـ distances الموجودة

153
00:09:56,710 --> 00:09:59,990
بينها، وبقي عليّ أن أعود إلى الـ data set، أحصل على

154
00:09:59,990 --> 00:10:03,890
الـ label الخاصة بهذه العناصر، وأُجري بينها voting. كان

155
00:10:03,890 --> 00:10:07,830
هذا... حتى هنا أنهينا محاضرتنا السابقة عند

156
00:10:07,830 --> 00:10:11,530
هذا المثال، وأتمنى أن أكون قد وفقت في أن

157
00:10:11,530 --> 00:10:16,340
أذكركم بعد انقطاع أسبوع من الدراسة، بما سبق في موضوع

158
00:10:16,340 --> 00:10:22,180
الـ classification. لكن تعالوا لنرى قبل أن ننتقل

159
00:10:22,180 --> 00:10:26,760
إلى الموضوع الجديد، تعالوا لنرى هذا المثال، المفروض أن

160
00:10:26,760 --> 00:10:29,320
هذا المثال ليس موجودًا لديكم في الـ slides، أنتم

161
00:10:29,320 --> 00:10:31,700
المفروض أن...  المفروض أن الـ slides معكم، وتبدأون

162
00:10:31,700 --> 00:10:34,100
بتراجعوها باستمرار. لو نظرتُ إلى الـ attributes

163
00:10:34,100 --> 00:10:38,840
أو إلى الـ data set الموجودة هنا، وأجب معي، أو

164
00:10:42,800 --> 00:10:46,240
أجبوا معي على السؤال التالي: ما هو الـ data type

165
00:10:46,240 --> 00:10:50,840
الخاص بالـ outlook؟  المفروض

166
00:10:50,840 --> 00:10:52,360
nominal، صحيح.

167
00:10:55,100 --> 00:11:00,320
الـ data type الخاص بالـ temperature، numeric.

168
00:11:00,320 --> 00:11:03,800
وإن

169
00:11:03,800 --> 00:11:10,700
قلتم ratio أو interval، كلامكم صحيح، كـ interval،

170
00:11:10,700 --> 00:11:15,300
وليس كـ ratio.  الـ play golf أو play

171
00:11:15,300 --> 00:11:18,820
golf، binary classification، يعني لديّ two labels،

172
00:11:18,820 --> 00:11:23,160
yes و no، حسب الـ data set الموجودة لديّ، و

173
00:11:23,160 --> 00:11:29,460
المطلوب أن أذهب وأحصل على الـ class الخاصة بالـ instance

174
00:11:29,460 --> 00:11:36,100
التي فيها الـ sunny، وهذه طبعًا في الـ outlook، الـ

175
00:11:36,100 --> 00:11:3

223
00:15:38,860 --> 00:15:44,660
تبع للـ distance اللي صارت التنين، هذه هتظهر أول

224
00:15:44,660 --> 00:15:49,780
واحدة. ليش؟ لأنه الآن لما بتتساوى القيم، بصير ظهور

225
00:15:49,780 --> 00:15:52,800
تبع الـ value هو الأول، هو اللي بياخد في الترتيب.

226
00:15:53,670 --> 00:15:56,810
الظهور تبع الـ values هي اللي بتاخد في الترتيب.

227
00:15:56,810 --> 00:16:00,570
وبالتالي هذي هتكون أول واحدة فوق. الآن لو أنا والـ

228
00:16:00,570 --> 00:16:03,390
key and nearest neighbor equal one. إيش الـ key

229
00:16:03,390 --> 00:16:09,510
تبعتي أو الـ label تبعتي true، وبالتالي هتكون عندي

230
00:16:09,510 --> 00:16:15,170
yes. طيب في حالة أن الـ key تبعتي equal تلاتة، تلاتة

231
00:16:15,170 --> 00:16:20,210
هي واحدة، نتين، تلاتة، معناته هي واحدة، هي نتين، هي

232
00:16:20,210 --> 00:16:26,420
تلاتة. الـ majority بينهم نتين yes وواحدة no، يعني

233
00:16:26,420 --> 00:16:33,080
بنتكلم على 66% yes و33% no، وبالتالي الـ majority

234
00:16:33,080 --> 00:16:39,420
تبعتي لـ playing golf equal yes، تمام. الخطوة الأخيرة

235
00:16:39,420 --> 00:16:44,540
لو أنا قلت له K equal خمسة، K equal خمسة، معناته بده

236
00:16:44,540 --> 00:16:51,320
يدور على الـ shortest distances. أي واحدة، نتين، هذه

237
00:16:51,320 --> 00:17:00,640
تلاتة، وهذه أربعة، وهذه خمسة. الـ label سبعتها واحدة،

238
00:17:00,640 --> 00:17:07,980
نتين، تلاتة، أربعة، وهذه خمسة. الآن بدي أعمل voting ما

239
00:17:07,980 --> 00:17:11,080
بين الخمسة اللي موجودة عندي. واحدة، اتنين، تلاتة،

240
00:17:11,080 --> 00:17:14,960
أربعة yes، 80% yes، و20% no.

241
00:17:14,960 --> 00:17:19,480
وبالتالي لما تكون الـ key تبعتي equal five، معناته

242
00:17:19,480 --> 00:17:22,400
برضه الـ golf تبعتي، أو الـ playing golf يعني فرصة

243
00:17:22,400 --> 00:17:25,580
أني ألعب الـ golf في الظروف المناخية اللي موجودة في

244
00:17:25,580 --> 00:17:27,920
الـ data set اللي موجودة عندي، فرصة عالية  اللي أشارناها

245
00:17:27,920 --> 00:17:30,480
yes، تمام.

246
00:17:32,780 --> 00:17:38,280
طيب، سؤال، ونفرض تقدروا تجاوبوا عليه، بما أنه هذا الـ

247
00:17:38,280 --> 00:17:41,400
attribute هو الـ dominant attribute، يعني هو صاحب

248
00:17:41,400 --> 00:17:45,500
القرار في موضوع الـ classification، درجة الحرارة. في

249
00:17:45,500 --> 00:17:49,120
حين، أنت لو أنت تخيلنا أن لو كان الجو ماطر، ممكن

250
00:17:49,120 --> 00:17:54,140
يأثر في لعبة الـ golf ولا مش هيأثر؟ بتعرفوا إيش

251
00:17:54,140 --> 00:17:58,710
يعني لعبة golf؟ ممكن تشوفوا اليوتيوب، how to play

252
00:17:58,710 --> 00:18:01,770
golf، وبيعلموكم إياه، وتتفرجوا عليها، في الآخر هي

253
00:18:01,770 --> 00:18:06,370
رياضة بالعصب، وبيضربوا الكورة عشان يسقطها في حفرة.

254
00:18:06,370 --> 00:18:10,750
الآن، بما أن هذا الـ dominant attribute، إيش الحلول

255
00:18:10,750 --> 00:18:15,690
اللي قدامي؟ وهل لو أنا غيرت، ممكن أحصل على

256
00:18:15,690 --> 00:18:20,590
different result؟ اه، ممكن. أول حل موجود قدامي تماماً

257
00:18:20,590 --> 00:18:27,330
زي ما بتبادر لذهنك الآن، أن أعمل scaling. صحيح، ممكن

258
00:18:27,330 --> 00:18:31,710
أنا أعمل scaling، لو صارت هذه أربعة ونص، أربعة و

259
00:18:31,710 --> 00:18:36,110
تلاتة من عشرة، أربعة point واحد، تلاتة point ستة

260
00:18:36,110 --> 00:18:40,770
واحد point تمانية، واحد point سبعة، اتنين point zero

261
00:18:40,770 --> 00:18:45,410
تلاتة point تلاتة، واحد point ستة، تلاتة point اتنين

262
00:18:45,410 --> 00:18:49,850
اتنين point تلاتة، اتنين point أربعة، أربعة point

263
00:18:49,850 --> 00:18:54,730
zero، تلاتة point اتنين، وطبيعي الحال هتصير واحد

264
00:18:54,730 --> 00:18:55,070
point

265
00:18:57,730 --> 00:19:00,870
8. إيش اللي صار عندي بعد الـ scaling؟ طبعاً أعمل الـ

266
00:19:00,870 --> 00:19:04,870
ratio، قسمت على عشرة، أو ضربت في عشر، أو سالب واحد.

267
00:19:04,870 --> 00:19:10,170
شو بتتوقع تصير الـ distance؟ هتقل بين جثين، هتصير فيه

268
00:19:10,170 --> 00:19:16,310
عندي أنا أربعة ونص ناقص واحد وتمانية، اللي هي بين

269
00:19:16,310 --> 00:19:21,510
جثين 2.9. لاحظوا أن 2.9 صارت قريبة من القيم اللي

270
00:19:21,510 --> 00:19:25,970
موجودة، وإذا كمان روحت دربت في عشرة أو سالب 2، ممكن

271
00:19:25,970 --> 00:19:32,650
أقلل الـ weight تبعتها، بتصير الـ value balance، تفكير

272
00:19:32,650 --> 00:19:38,110
منطقي، لكن هل فعلياً يقودني للنتيجة أفضل؟ بده تجربة

273
00:19:38,110 --> 00:19:42,650
وعشان بناءً على هيك، أعتبرها assignment لك، واتقارنها

274
00:19:42,650 --> 00:19:48,580
ما بين، في حالة كانت الـ ratio، عملت ratio data، تمام؟

275
00:19:48,580 --> 00:19:55,220
أو اشتغلت على الـ numeric data اللي موجودة. حل

276
00:19:55,220 --> 00:20:00,960
الثاني، هل في حلول ثانية؟ اه، في حلول ثانية. استخدموا

277
00:20:00,960 --> 00:20:05,440
أدمغتكم، هوش الشغلات اللي كنا بنسويها مع الـ data

278
00:20:05,440 --> 00:20:08,820
الموجودة. جماعة الخير، أنا بتكلم على درجة الحرارة.

279
00:20:08,820 --> 00:20:14,970
درجة الحرارة، شو يعني؟ عادة لما بنقول درجة الجو،

280
00:20:14,970 --> 00:20:18,010
بسألُك كيف الجو اليوم يا فلان أو يا فلانة، والله الجو

281
00:20:18,010 --> 00:20:23,150
حار، شوب كتير بارد، ماحدش بيقول لي عشرين وتلاتة أو

282
00:20:23,150 --> 00:20:26,510
أربعين وكذا، فبالتالي ممكن لو أنا... بالضبط لو أنا

283
00:20:26,510 --> 00:20:31,030
حولتها لـ categorical، ممكن تفرج معايا. طيب، هاي حولتها

284
00:20:31,030 --> 00:20:38,650
لـ categorical، شو يعني categorical؟ أن

285
00:20:38,650 --> 00:20:41,390
أنا حطيتها لفئات، على الـ data set اللي موجودة

286
00:20:41,390 --> 00:20:48,970
عندي، عشان بس تكونوا في الصورة. من عشرين، أقل أو تساوي

287
00:20:48,970 --> 00:20:55,650
عشرين، استخدمنا cool. أكبر

288
00:20:55,650 --> 00:21:03,330
من عشرين وأقل أو تساوي أربعين، استخدمنا أقل من أربعين،

289
00:21:03,330 --> 00:21:10,770
عفواً، استخدمنا mild. وفوق الأكبر أو تساوي الأربعين،

290
00:21:13,100 --> 00:21:18,600
روحنا استخدمنا الـ hot. اتذكروا

291
00:21:18,600 --> 00:21:23,120
أن كانت عندي hand، تمانتاشر درجة الحرارة في الـ test

292
00:21:23,120 --> 00:21:26,820
sample اللي موجودة عندي hand، الآن. وبالتالي لما أنا

293
00:21:26,820 --> 00:21:30,820
بداجي أفحص درجة الحرارة اللي موجودة، خمسة وأربعين،

294
00:21:30,820 --> 00:21:35,940
hot، تلاتة وأربعين hot، واحدة وأربعين hot، ستة و

295
00:21:35,940 --> 00:21:41,060
تلاتين mild، cool، cool، cool، mild، cool.

296
00:21:45,290 --> 00:21:52,930
Mild، Mild، Hot، Mild، تمام؟

297
00:21:52,930 --> 00:21:55,950
هذه الـ data set، وبينما هذه الـ 18 هتكون عندي cool.

298
00:21:55,950 --> 00:21:59,790
الآن صارت كل الـ data عندي categorical، وبالتالي صارت

299
00:21:59,790 --> 00:22:04,310
كل الـ attributes اللي عندي نفس الـ weight، شو

300
00:22:04,310 --> 00:22:10,430
ضال عليّ أحسب الـ distance؟ طيب، أنا هسكت دقيقة، هعمل

301
00:22:10,430 --> 00:22:15,270
pause دقيقة، أترك لكم مجال، أجيب الحسبة تبعتي. أستخدم

302
00:22:15,270 --> 00:22:19,050
Manhattan ولا أستخدم الـ Euclidean distance لحساب

303
00:22:19,050 --> 00:22:22,690
الـ similarity ما بين العناصر اللي موجودة عندنا.

304
00:22:28,290 --> 00:22:32,770
طيب... الآن، بما أن كل الـ data categorical، معناته صفر

305
00:22:32,770 --> 00:22:35,830
وواحد، هتصير المعادلة تبعتي، وخلينا مش فارق كتير

306
00:22:35,830 --> 00:22:39,530
معايا من هاتن أو إكلوديا، مش فارق كتير، في الآخر أنا

307
00:22:39,530 --> 00:22:45,570
بدي أجمع أصفار وواحدات. sunny وsunny، zero، زائد

308
00:22:45,570 --> 00:22:51,390
hot وcool، واحد، لأن اتفقنا في حالة التشابه صفر، في

309
00:22:51,390 --> 00:22:58,750
حالة الاختلاف واحد. زائد normal وhigh، واحد، زائد

310
00:22:58,750 --> 00:23:03,690
false وtrue، واحد. وبالتالي هذه القيمة تلاتة. الـ

311
00:23:03,690 --> 00:23:09,170
attribute اللي بعدها، sunny 0، زائد hot واحد، زائد

312
00:23:09,170 --> 00:23:13,950
واحد، زائد صفر، وهذا يساوي اتنين. ولاحظ، لاحظ كل الـ

313
00:23:13,950 --> 00:23:17,030
values تبعتي بالدور حوالين الـ range اللي موجود

314
00:23:17,030 --> 00:23:21,410
عندي هان، اما بين الأربعة والصفر. هذه القيم اللي

315
00:23:21,410 --> 00:23:25,070
موجودة عندي هان. طبعاً أنا مجهز هان عشان ما نضيعش

316
00:23:25,070 --> 00:23:29,190
الوقت في الحساب. هذه

317
00:23:29,190 --> 00:23:30,510
الـ computation بالكامل.

318
00:23:35,230 --> 00:23:47,810
تمام؟ shortest distance مع الـ K equal واحد، اتنين،

319
00:23:47,810 --> 00:23:54,590
أول اتنين هي... لأ، في عندي واحد، هيها الـ

320
00:23:54,590 --> 00:24:03,970
label تبعتها no، والـ label هيختلف عن السابقة. في

321
00:24:03,970 --> 00:24:07,210
المثال السابق، كانت لما الـ K تبعتي equal واحد، كان

322
00:24:07,210 --> 00:24:12,990
بيقول لي ألعب، تمام؟ وبالتالي لما أنا اشتغلت هان،

323
00:24:12,990 --> 00:24:18,450
بيقول لي no. هيها، ليش؟ ماحدش يقول لي، لأن؟ ليش يا دكتور

324
00:24:18,450 --> 00:24:21,470
مش هذه الـ yes هي اللي كانت؟ لأن عندي الـ sorting،

325
00:24:21,470 --> 00:24:24,990
هذا الـ attribute، أو عفواً، هذا الروح، هياخد المرتبة

326
00:24:24,990 --> 00:24:29,550
الأولى. يعني، بينجو سي، لما أنت بتيجي ترتب، خلينا نتكلم

327
00:24:29,550 --> 00:24:33,110
بالـ bubble sort. شو مفهوم الـ bubble sort؟ بضلني

328
00:24:33,110 --> 00:24:36,590
أقارن العنصر، لما بلاقي أصغر عنصر، ما بدي أش اساوي

329
00:24:36,590 --> 00:24:41,210
فيه، أحركه للأعلى. بضلني أقارن العنصر مع عناصر

330
00:24:41,210 --> 00:24:44,370
الجابلة، لحد ما بلاقي أصغر عنصر، بصير أرفعه. بهيك أنا

331
00:24:44,370 --> 00:24:50,430
بأضمن، بدور على الـ minimum value، بروح بحطها فوق.

332
00:24:50,430 --> 00:24:54,330
بدور على الـ minimum وبعملها shift، وهكذا، وبالتالي

333
00:24:55,510 --> 00:24:59,750
هذه هي أول واحدة ستحصل عليها. أنت مش مصدق؟ خد الـ

334
00:24:59,750 --> 00:25:06,270
data set هذه على الـ Excel، واعمل لها sort تبعاً للـ

335
00:25:06,270 --> 00:25:09,350
distance، وستجد أن الـ attribute هذه ستكون أول

336
00:25:09,350 --> 00:25:15,430
attribute موجود عندك. تمام؟ لو الـ K equal 3، هاي

337
00:25:15,430 --> 00:25:22,000
واحدة، وهي واحدة، وهي واحدة. أنا عندي أربعة، فأخد أول

338
00:25:22,000 --> 00:25:27,040
تلاتة. واحد، اتنين، تلاتة، الـ majority تبعتها yes.

339
00:25:27,040 --> 00:25:32,960
وبالتالي هتكون yes. لو قلت له خمسة، هضيف الواحد هذه

340
00:25:32,960 --> 00:25:37,740
معهم كمان، وهتيجي وراهم الاتنين هذه. الآن، تعالَ

341
00:25:37,740 --> 00:25:39,260
نشوف الـ label اللي صارت عندي هنا.

342
00:25:42,540 --> 00:25:49,660
صار في عندي 1، 2، 3، 60% yes، و40% no. وبالتالي لما

343
00:25:49,660 --> 00:25:52,980
تكون الخمسة، الـ K تبعتي equal خمسة، معناته المجلة

344
00:25:52,980 --> 00:25:58,180
تبعتي بتقول yes. ملاحظين معايا تأثير فعلياً الـ

345
00:25:58,180 --> 00:26:01,770
processing على الـ data set؟ جدّاً مهم، جدّاً مهم. بتمنى

346
00:26:01,770 --> 00:26:05,610
أن يكون هذا الموضوع أصبح اليوم يعني من بديهيات

347
00:26:05,610 --> 00:26:11,210
لديكم، ومن ثم أنه إحنا فعلياً أصبحنا غطينا كل جوانب

348
00:26:11,210 --> 00:26:14,370
الـ K nearest neighbor، إن شاء الله تبارك وتعالى.

349
00:26:14,370 --> 00:26:19,510
تمام. الآن، هنتقل إن شاء الله تبارك وتعالى للـ

350
00:26:19,510 --> 00:26:23,690
algorithm الثاني. للـ algorithm الثاني، اللي هو بيبني

351
00:26:23,690 --> 00:26:28,390
شبه model، تمام، وبيعتمد على الـ probabilistic. الـ

352
00:26:28,390 --> 00:26:32,050
classification، هيعتمد على نظرية الاحتمالات في الـ

353
00:26:32,050 --> 00:26:36,750
classification، وفهمها اللي

354
00:26:36,750 --> 00:26:41,690
هو الـ naive Bayesian algorithm، أو الـ bias، يعني

355
00:26:41,690 --> 00:26:45,790
classification، وبالتحديد الـ naive bias classifier.

356
00:26:45,790 --> 00:26:50,390
طيب.

357
00:26:50,390 --> 00:26:56,640
الآن إحنا اتفقنا... اتفقنا سابقاً أن الـ K nearest neighbor

358
00:26:56,640 --> 00:27:02,340
هو عبارة عن instance based model، مصبوط. يعني بيعتمد

359
00:27:02,340 --> 00:27:06,420
دائماً في كل مرة، مع كل sample، بروح بعمل حسبة للـ

360
00:27:06,420 --> 00:27:09,440
distance من الـ sample الأولى في الـ training set للـ

361
00:27:09,440 --> 00:27:13,220
sample الأخيرة، تمام. وبدور على الـ data set اللي

362
00:27:13,220 --> 00:27:19,760
موجودة عندها. في الـ Bayesian، شوية الأمور مختلفة. الـ

363
00:27:19,760 --> 00:27:24,970
Bayesian model، أو الـ Naive bias، هو عبارة عن very fast

364
00:27:24,970 --> 00:27:29,910
model وsimple classification في نفس الوقت. مناسب

365
00:27:29,910 --> 00:27:33,450
جدّاً مع الـ high dimensional data set اللي موجودة

366
00:27:33,450 --> 00:27:38,330
عندي، لأنه

367
00:27:38,330 --> 00:27:41,250
فعلياً ما فيش فيه parameters. لو كانت فيه parameters موجودة،

368
00:27:41,250 --> 00:27:44,730
ما فيش فيه parameters كتير أعتمد عليها. العناصر أو الـ

369
00:27:44,730 --> 00:27:49,690
Naive bias بشكل عام بيعتمد على الـ probabilistic، و

370
00:27:49,690 --> 00:27:54,410
بوصف العلاقة ما بين العناصر أو الـ attributes والـ

371
00:27:54,410 --> 00:27:59,790
label بناءً على احتمالات. خلينا نيجي نقول، أذكركم

372
00:27:59,790 --> 00:28:03,090
بس بالاحتمالات اللي موجودة عندي هان. لو كان أنا في

373
00:28:03,090 --> 00:28:11,870
عندي صندوق بيحتوي على عشرة samples، 6

374
00:28:11,870 --> 00:28:17,410
plus و4 minus.

375
00:28:25,310 --> 00:28:32,810
الآن بلاش plus، خلينا نرسم عمود بالشكل هذا، لحاجة في

376
00:28:32,810 --> 00:28:39,670
بالي. يعني الآن، وجئت قلت لك قداش احتمال أنه يطلع

377
00:28:39,670 --> 00:28:42,770
معايا plus، عشان بس نذكرك بالاحتمالات.

378
00:28:45,650 --> 00:28:49,910
6 على 10، صحيح. الـ probability تبعت الـ plus 6 على 10.

379
00:28:49,910 --> 00:28:56,810
والـ probability طبعاً

380
00:28:56,810 --> 00:29:02,310
عشرة، هي حجم الـ space، اللي أنا، population اللي أنا

381
00:29:02,310 --> 00:29:10,010
بقى اشتغل عليها. طبعاً هذه 4 على 10. الآن

382
00:29:10,010 --> 00:29:16,670
في عندي مصطلحات زي الـ most likely، الـ prior، الـ

383
00:29:16,670 --> 00:29:20,530
posterior، الـ probability إلى آخرها. الـ posterior،

384
00:29:20,530 --> 00:29:23,130
السابق، الـ most likely، اللي هي الأغلب الظن، أو

385
00:29:23,130 --> 00:29:26,870
الغالب، العناصر الموجودة، أو الأكثر احتمالا، وكل هذه

386
00:29:26,870 --> 00:29:30,210
الحسبة تبعتي بناءً على الـ probabilities. إحنا

387
00:29:30,210 --> 00:29:33,770
متفقين الآن... إحنا متفقين الآن أن أنا، هي الـ

388
00:29:33,770 --> 00:29:36,130
probability تبعتي. لكن لو أنا جئت وقلت لك مش بس

389
00:29:36,130 --> 00:29:41,670
على الـ final shape، وبدخل معاها الـ color، وروحت و

390
00:29:41,670 --> 00:29:43,670
قلت لك في عندي الـ dash هذه.

391
00:29:49,240 --> 00:30:00,200

445
00:34:21,990 --> 00:34:29,110
عليها أو أخلص منها عفواً، بس الآن خلّيني أقول هنا C

446
00:34:29,110 --> 00:34:34,430
of X الـ class لـ X يساوي الـ maximum probability

447
00:34:34,430 --> 00:34:39,660
لمين؟ الـ B لـ Probability لـ الـ class يعني بينجو

448
00:34:39,660 --> 00:34:42,580
سيم يجي ويقول لي والله الـ instance الفلانية اللي

449
00:34:42,580 --> 00:34:49,080
هي الـ dash هذه الـ class طبعتها الـ class طبعت الـ

450
00:34:49,080 --> 00:34:52,440
dash هذه تساوي الـ maximum probability

451
00:34:52,440 --> 00:34:56,260
probability يعني بدي آخذ أعلى probability لمين؟ لـ

452
00:34:56,260 --> 00:34:59,080
الـ classes أنا في عندي two classes يعني بدي أحسب

453
00:34:59,080 --> 00:35:02,360
two probabilities الـ probability لـ الـ class أنَّها

454
00:35:02,360 --> 00:35:08,530
تكون زائد أو تكون عمود، تمام؟ فمضروبة انه جداش

455
00:35:08,530 --> 00:35:12,310
احتمال عناصر... مجموع العناصر اللي موجودة عندي هنا

456
00:35:12,310 --> 00:35:17,150
مع الـ class اللي عندي، وبما أنَّه عملية مقارنة زي ما

457
00:35:17,150 --> 00:35:20,890
خلصت سابقاً من الجذر التربيعي، ممكن أخلص الآن من

458
00:35:20,890 --> 00:35:25,250
المقام لأن ما بدي أجسم على ثابت، فممكن أنا أخلص منه

459
00:35:25,250 --> 00:35:29,890
وبالتالي أنا بُصغر المسألة تبعتي للـ argument X

460
00:35:29,890 --> 00:35:33,390
تعالَ نشوف العناصر، إيش المقصود فيها بشكل سريع

461
00:35:34,040 --> 00:35:40,160
المعادلة السابقة اللي إحنا ظهرت عندنا هنا الـ

462
00:35:40,160 --> 00:35:44,900
posterior probability اللي هيقول لنا posterior سابقاً

463
00:35:44,900 --> 00:35:49,400
الـ class على الـ conditional probability تبعت الـ

464
00:35:49,400 --> 00:35:52,930
class والـ attributes اللي موجودة عندي هنا الـ

465
00:35:52,930 --> 00:35:57,510
Probability لـ X على الـ class، الـ likelihood اللي

466
00:35:57,510 --> 00:36:01,650
هي فعلياً الاحتمال اللي أنا بدور عليه، وهو عبارة عن

467
00:36:01,650 --> 00:36:05,850
summation سنشوفها قليلاً الآن، Probability تبع الـ

468
00:36:05,850 --> 00:36:10,710
class نفسه، الـ prior اللي موجود عندي هنا، والـ X الـ

469
00:36:10,710 --> 00:36:15,170
predictor، الـ probability اللي أنا فعلياً بدي أشوفها

470
00:36:15,170 --> 00:36:18,370
تعالَ نشوفه عشان نفهم الكلام هذا، والمعادلة من

471
00:36:18,370 --> 00:36:21,130
ناحية الحساب، لأن شوية الأمور لو بدأت تبقى في

472
00:36:21,130 --> 00:36:27,150
المعادلات الرياضية، هتغم الأمور علينا، لأن إحنا في

473
00:36:27,150 --> 00:36:31,250
جماعة هنا على غرار الناس اللي كانت بدأت تلعب golf

474
00:36:31,250 --> 00:36:34,870
قررت تروح على البحر، على الشاطئ، الآن هل بدهم يروحوا

475
00:36:34,870 --> 00:36:37,390
على الشاطئ ولا ما يروحوش؟ والله قالوا في عندنا ثلاث

476
00:36:37,390 --> 00:36:42,870
عوامل أساسية: الطقس، المظهر مشمس ولا ممطر ولا غائم،

477
00:36:42,870 --> 00:36:47,850
درجة الحرارة، والـ humidity اللي هي الرطوبة، نفس

478
00:36:47,850 --> 00:36:50,790
المثال السابق، لكن غيرنا الـ label من playing golf لـ

479
00:36:50,790 --> 00:36:53,310
beach

480
00:36:54,570 --> 00:36:58,550
الآن مطلوب مني أشتغل كالتالي: بدي أعمل جدول بسيط

481
00:36:58,550 --> 00:37:02,290
الجدول مثل هذا الجدول، هلق إحنا هنشتغل معاكم بكل

482
00:37:02,290 --> 00:37:06,970
بساطة، إيش بده يساوي؟ أنا بدي أعمل prediction لـ data

483
00:37:06,970 --> 00:37:12,390
set بناءً على probability، أنا الآن هاد الـ data set

484
00:37:12,390 --> 00:37:15,990
أو الـ training set تبعتي جاهزة وثابتة، الآن اللي

485
00:37:15,990 --> 00:37:21,470
هرَوح أسويه، هرَوح أحسب علاقة الـ X، الـ outlook مع الـ

486
00:37:21,470 --> 00:37:25,600
label، الـ Probability تبعتها مع الـ... مع الـ sunny

487
00:37:25,600 --> 00:37:29,300
الـ... الـ Probability تبعتها... عفواً، الـ Outlook

488
00:37:29,300 --> 00:37:31,980
فيها كم value، different value، three values: sunny

489
00:37:31,980 --> 00:37:36,920
وrainy وcloudy، علاقة الـ sunny مع الـ yes ومع الـ

490
00:37:36,920 --> 00:37:41,020
no، علاقة الـ rainy مع الـ yes ومع الـ no، علاقة الـ

491
00:37:41,020 --> 00:37:44,400
cloudy مع الـ yes مع الـ no، وأفصل في الجدول اللي

492
00:37:44,400 --> 00:37:50,000
موجود عندي، يعني بدك تيجي لكل attribute بشكل مستقل

493
00:37:50,000 --> 00:37:55,380
هذا الجدول، حاجة أقول والله أنا بدي أتكلم على الـ

494
00:37:55,380 --> 00:38:01,380
outlook، طبعاً جابلي جماعة الخير، لو أنا سألتك، لأن الـ

495
00:38:01,380 --> 00:38:05,840
going للـ beach للـ yes وللـ no زي ما حسبنا هنا الـ

496
00:38:05,840 --> 00:38:09,140
probability للـ yes جداش تساوي؟ الـ data 6 فيها

497
00:38:09,140 --> 00:38:15,620
عشرة، هنا واحدة، اثنين، ثلاث، أربعة yes، أربعة على

498
00:38:15,620 --> 00:38:20,340
عشرة، الـ probability للـ no ستة على عشرة بكل تأكيد

499
00:38:20,340 --> 00:38:27,530
بدون ما أروح أضطر أعدّ الـ yes مظبوطة، الـ outlook الـ

500
00:38:27,530 --> 00:38:34,230
outlook الآن فيها three different values، في

501
00:38:34,230 --> 00:38:38,830
عندي الـ sunny، في

502
00:38:38,830 --> 00:38:49,690
عندي الـ rainy وفي عندي الـ cloudy، ممتاز، طيب وأنا في

503
00:38:49,690 --> 00:38:54,950
عندي فعلياً في الـ labels في عندي الـ yes وفي عندي

504
00:38:54,950 --> 00:39:02,450
الـ No، الـ beach، صح؟

505
00:39:02,450 --> 00:39:05,810
الآن

506
00:39:05,810 --> 00:39:10,130
كم واحدة sunny عندي؟ أنا واحدة، اثنين، ثلاث، أربعة

507
00:39:10,130 --> 00:39:16,170
ممتاز، علاقة الأربع الـ sunny هدول المفروض يكونوا

508
00:39:16,170 --> 00:39:22,350
مُجسَّمات على الـ yes والـ no، الـ yes جداش؟ أربعة، طيب

509
00:39:22,350 --> 00:39:26,890
الآن بدي أقول sunny وyes، يعني أنا بدي أجسّم على

510
00:39:26,890 --> 00:39:32,470
أربعة يا جماعة الخير، وأنَّه ستة، مضبوط، لأن الـ over

511
00:39:32,470 --> 00:39:36,030
all probability تبعت الـ yes، ظهور الـ yes فقط أربع

512
00:39:36,030 --> 00:39:40,290
عناصر، أربع مرات، وظهور الـ no ست مرات، إذا كانت الـ

513
00:39:40,290 --> 00:39:43,170
yes مرتبطة بالـ classes هاي، فعشان أنا أحسب الـ

514
00:39:43,170 --> 00:39:48,650
probability تبعت الـ yes والـ sunny، الـ sunny هاي

515
00:39:48,650 --> 00:39:49,670
مرة yes

516
00:39:55,170 --> 00:40:00,990
اثنين، ثلاث، أربعة، صح؟ ليش هذه لا؟ لأن هذه جاء الـ label

517
00:40:00,990 --> 00:40:03,550
تبعتها no، هاي خلّصنا الأربع الـ sunny اللي موجودة

518
00:40:03,550 --> 00:40:06,410
عندها، يعني بينجو، اثنين، الـ sunny الـ probability

519
00:40:06,410 --> 00:40:15,970
تبعتها ثلاث على أربعة، زائد جداش؟ جداش واحد على ستة

520
00:40:17,560 --> 00:40:20,760
خلاص، أنت ما فيش داعي إنك أنت عايش تنظر لباقي

521
00:40:20,760 --> 00:40:23,600
العناصر، مجموع الـ sun اللي فوق على العناصر اللي

522
00:40:23,600 --> 00:40:29,940
موجودة عندي هنا، الـ rainy الآن جداش؟ حسّبة الـ yes ما

523
00:40:29,940 --> 00:40:34,440
زالت أربعة، والنقل ستة، rainy بدي أشتغل عليها نفس

524
00:40:34,440 --> 00:40:42,160
الكلام، rainy واحدة، اثنين، ثلاث، في عندي ثلاث rainy

525
00:40:42,160 --> 00:40:49,180
والثلاث جايات كلهن من نفس الـ class، معناته صفر على

526
00:40:49,180 --> 00:40:57,220
أربعة زائد ثلاث على ستة، وهلّق بيقول لك طريقة كيف

527
00:40:57,220 --> 00:41:00,200
تتأكد من حيث تفكر إن كل الـ probability بتاعتك صح

528
00:41:00,200 --> 00:41:06,140
cloudy الآن برضه نفس الكلام، أربعة على ستة،

529
00:41:06,140 --> 00:41:12,100
cloudy فيها واحدة مع الـ yes وهم ثلاث، واثنين مع

530
00:41:15,120 --> 00:41:20,080
الستة، الآن لو عديت العناصر تبعت الـ yes، ثلاث على

531
00:41:20,080 --> 00:41:24,520
أربعة زائد صفر على أربعة زائد واحد على أربعة، تطلع

532
00:41:24,520 --> 00:41:31,420
أربعة على أربعة، لو عديت عناصر إنَّه واحد على ستة

533
00:41:31,420 --> 00:41:34,820
زائد ثلاث على ستة زائد اثنين على ستة، تطلع ستة على

534
00:41:34,820 --> 00:41:38,740
ستة، وهي فعلياً الـ probability، لازم مجموع الاحتمالات

535
00:41:38,740 --> 00:41:43,600
كلها تكون عندي واحد، ممتاز، هذا بالنسبة للـ attribute

536
00:41:43,600 --> 00:41:44,180
الأول

537
00:41:46,970 --> 00:41:49,970
وبدي أروح أحسبها للـ attribute الثاني بنفس الكيفية،

538
00:41:49,970 --> 00:41:55,530
temperature

539
00:41:55,530 --> 00:41:59,870
temperature كان فيه... كان value عندي، عندي three

540
00:41:59,870 --> 00:42:04,410
values: high، وlow، وmild، الـ low نبدأ مع الـ low هاي

541
00:42:04,410 --> 00:42:11,250
واحدة، هاي اثنين، اثنين بدهم يتوزّعوا على الـ yes والـ

542
00:42:11,250 --> 00:42:17,570
no، الآن صفر no، و no، معناته صفر على أربعة، واثنين

543
00:42:17,570 --> 00:42:23,870
على ستة مع الـ no، طيب خلّصنا من الـ من الـ low، الـ mild

544
00:42:23,870 --> 00:42:32,710
الـ mild هي واحدة، اثنين، ثلاث، ثلاث عناصر، الثلاث

545
00:42:32,710 --> 00:42:36,560
عناصر هدول يتوزّعوا ما بين الـ yes والـ no، هي الـ

546
00:42:36,560 --> 00:42:40,700
mild الأولى yes، الـ mild الثانية no، والـ mild

547
00:42:40,700 --> 00:42:45,900
الأخيرة no، معناته الآن هم هيكونوا واحد على أربعة مع الـ

548
00:42:45,900 --> 00:42:52,580
yes اللي هي الأولى هاي، واثنين على ستة في حالة الـ no، و

549
00:42:52,580 --> 00:42:58,320
بكمل الجدول لكل العناصر اللي موجودة عندي هنا، الـ

550
00:42:58,320 --> 00:43:00,580
probability تبعت الـ beach، ممكن أحطّ لإيه؟ أنا كتبت

551
00:43:00,580 --> 00:43:05,790
هنا قبل شوية، ممكن أحطها في نهاية الجدول، عشان أنا

552
00:43:05,790 --> 00:43:09,790
أشتغل على العناصر اللي موجودة عندي فعلياً، ستة على عشرة

553
00:43:09,790 --> 00:43:15,230
... الآن أربعة على عشرة، المفروض

554
00:43:15,230 --> 00:43:19,550
في كل واحدة من هدول، ما يلاحظ أربعة على عشرة... أربعة على عشرة

555
00:43:19,550 --> 00:43:24,980
... أربعة على عشرة، ليش أربعة؟ لأن فعلاً أربعة على الـ yes، و

556
00:43:24,980 --> 00:43:28,220
هدول لازم يكون مجموعهم أربعة في كل attribute، وهدول

557
00:43:28,220 --> 00:43:31,260
مجموعهم لازم يكون ستة، وفي المحصلة ستة على عشرة

558
00:43:31,260 --> 00:43:36,140
ممتاز، الآن لاحظوا هذه الـ computation كم مرة هأعملها؟

559
00:43:36,140 --> 00:43:43,120
لمرة واحدة على نفس الـ data set، هأعملها لمرة واحدة

560
00:43:43,120 --> 00:43:46,180
فقط، ولما الـ data... ولما الـ data set ما صار

561
00:43:46,180 --> 00:43:51,030
عليها تغيير، هتظل هذه موجودة عندي، إيش اللي حيصير

562
00:43:51,030 --> 00:43:55,810
لاحقاً، عشان أطبّق المعادلة السابقة هذه، هأشتغل كالتالي:

563
00:43:55,810 --> 00:44:01,030
بيجي بقول: بالله شوف اللي، إيش الـ label تبعت الـ

564
00:44:01,030 --> 00:44:06,810
sunny والـ mild والـ high، إيش الـ label تبعت الـ

565
00:44:06,810 --> 00:44:12,130
sunny، sunny

566
00:44:12,130 --> 00:44:17,450
و mild، و

567
00:44:17,450 --> 00:44:18,850
high، درجة الحرارة

568
00:44:21,880 --> 00:44:27,460
عشان بدي أرجع معاكم للجدول السابق، تمّ ذكره في

569
00:44:27,460 --> 00:44:34,380
المعادلة، المعادلة بتقول: الـ argmax لـ CI اللي

570
00:44:34,380 --> 00:44:37,000
هي الـ class، الـ probability للـ CI مضروبة في الـ

571
00:44:37,000 --> 00:44:44,120
probability لـ X على الـ CI، طيب هلّق قد بنفسر لك

572
00:44:44,120 --> 00:44:47,920
إيّاها أوضح، وبنفسر لك إيّاها أوضح مع الأرقام، نرجع هنا

573
00:44:47,920 --> 00:44:54,580
الـ probability للـ class، هو قاعد بيقول لي: بدور على الـ

574
00:44:54,580 --> 00:44:58,480
argmax، بدور على الـ maximum probability لكل classes

575
00:44:58,480 --> 00:45:02,740
كم class أنا عندي؟ عندي two classes، يعني بين جثين

576
00:45:02,740 --> 00:45:05,600
الجماعة الخير، هو عمال بيسألني، بيسألني الـ

577
00:45:05,600 --> 00:45:10,800
probability تبعت الـ element اللي موجود عندها على

578
00:45:10,800 --> 00:45:14,520
أنّه يكون الـ class، والـ instance اللي أعطاني إيّاها

579
00:45:17,240 --> 00:45:19,840
مش قلنا هذه اللي أنا بدور عليها، قاعد؟ هاي الـ

580
00:45:19,840 --> 00:45:23,160
value، هو بدي تجيب لي الـ probability تبعت الـ class

581
00:45:23,160 --> 00:45:27,760
مع الـ given instance اللي موجودة عندي هنا، طيب،

582
00:45:27,760 --> 00:45:31,080
الآن حسب الـ data set، معناته أنا بدي أروح أشتغل

583
00:45:31,080 --> 00:45:36,960
كالتالي: مرة مع الـ yes ومرة مع no، هذا الكلام بيقول

584
00:45:36,960 --> 00:45:42,480
إيه؟ الـ probability مع الـ yes، الـ label مع مين؟ مع

585
00:45:42,480 --> 00:45:51,040
الـ given data set، الـ sunny والـ mild والـ high، إيش الـ

586
00:45:51,040 --> 00:45:56,340
probability تبعت high؟ أولاً بقول: هذه تساوي الـ

587
00:45:56,340 --> 00:46:02,260
probability تبعت الـ yes، مضروبة

588
00:46:02,260 --> 00:46:09,520
في الـ probability تبعت مين؟ تبعت الـ instance اللي

589
00:46:09,520 --> 00:46:14,590
موجودة عندي هنا، أي instance، طب الـ instance تبعتي

590
00:46:14,590 --> 00:46:20,510
مكونة من الـ outlook والـ temperature والـ humidity

591
00:46:20,510 --> 00:46:25,390
مضبوط؟ كمان مرة، الـ instance تبعتي هنا اللي هي الـ X

592
00:46:25,390 --> 00:46:33,830
هذه اللي أنا الآن هيها، مكونة من الـ outlook والـ

593
00:46:33,830 --> 00:46:39,000
temperature والـ humidity، و بدي أروح بقول لي: علاقة كل

594
00:46:39,000 --> 00:46:41,580
الـ values اللي موجودة عندهم بالـ class مين؟ بالـ

595
00:46:41,580 --> 00:46:47,740
class yes، يعني بين جثين، هي عبارة عن الـ probability

596
00:46:47,740 --> 00:46:53,700
لـ

597
00:46:53,700 --> 00:47:01,840
S، للـ sunny، الـ outlook، equal

598
00:47:01,840 --> 00:47:04,980
sunny مع الـ yes

599
00:47:08,130 --> 00:47:15,570
مضروبة في الـ attribute الثانية، الـ probability تبعت

600
00:47:15,570 --> 00:47:26,130
الـ temperature على الـ yes، هاي الـ sunny أو

601
00:47:26,130 --> 00:47:34,470
الآن mild، هاي الـ mild، الـ temperature تبعتي high

602
00:47:37,170 --> 00:47:44,970
هي الـ high، بكل بساطة بقول: ليه؟ ثلاث على أربعة، أو

603
00:47:44,970 --> 00:47:47,530
عفواً، من الأول، أربعة على عشرة، تبع الـ yes، الـ

604
00:47:47,530 --> 00:47:50,050
probability اللي موجودة عندي هنا، أربعة على عشرة

605
00:47:50,050 --> 00:47:57,970
مضروبة في ثلاث على أربعة، مضروبة في اثنين، عفواً

606
00:47:57,970 --> 00:48:04,640
واحد على أربعة، في اثنين على أربعة، وبهيك بكون أنا بدي

607
00:48:04,640 --> 00:48:13,800
أعيد الحسبة تبعت لمين؟ لكل العناصر الموجودة، يعني الـ

608
00:48:13,800 --> 00:48:17,720
probability للـ yes، طبعاً أنا فصلت لكم إيّاها عشان

609
00:48:17,720 --> 00:48:21,540
ما تنسوهاش، لأن لاحظوا إن هي عبارة عن عملية ضرب

610
00:48:21,540 --> 00:48:26,320
هادي لـ probability تبعت

611
00:48:26,320 --> 00:48:33,860
الـ X على Ci، على class، تساوي لـ probability لمن؟ للـ

612
00:48:33,860 --> 00:48:42,700
values x i على... هي بنجسّم الـ product للـ x i على

613
00:48:42,700 --> 00:48:50,080
الـ class اللي موجودة عندها x j، والـ j equal 1 to n،

614
00:48:50,080 --> 00:48:57,240
بعدد الـ attributes اللي موجودة عندها، الآن الـ

615
00:48:57,240 --> 00:49:03

667
00:53:34,950 --> 00:53:41,710
Outlook equals sunny يا جماعة الخير اللي

668
00:53:41,710 --> 00:53:44,330
هي الـ attribute الأول، خلاص هي إحنا هنعتمدها بالشكل

669
00:53:44,330 --> 00:53:50,330
هذا على الـ yes مضروبة في الـ probability للـ mild

670
00:53:50,330 --> 00:53:54,070
اللي هي الـ attribute الثاني على الـ yes مضروبة في

671
00:53:54,070 --> 00:53:56,830
الـ probability للـ attribute الثالث اللي هي الـ low

672
00:53:56,830 --> 00:54:00,730
على الـ yes، بنجي نسينيج، هي عمود الـ yes، كل شغل على

673
00:54:00,730 --> 00:54:07,740
الكيون على العمود هذا، sunny هي الـ value، هي الـ

674
00:54:07,740 --> 00:54:17,800
value، و normal هي هيها

675
00:54:17,800 --> 00:54:22,160
normal normal

676
00:54:22,160 --> 00:54:28,680
بس عشان الـ example يكون تمام، بالـ normal هيها الآن

677
00:54:28,680 --> 00:54:38,860
بكل بساطة، أربعة على عشرة ضرب ثلاثة على أربعة ضرب واحد

678
00:54:38,860 --> 00:54:45,460
على أربعة ضرب اثنين على أربعة، وإذا أنا بدي أطلع الـ calculator

679
00:54:45,460 --> 00:54:50,980
على السريع عشان أشوف حسابة هل في فعلياً تأثير للـ

680
00:54:50,980 --> 00:54:52,140
element هذا أو لأ

681
00:54:56,850 --> 00:55:04,090
قولنا أربعة على عشرة ضرب ثلاثة على أربعة ضرب واحد

682
00:55:04,090 --> 00:55:13,790
على أربعة ضرب، طفت الـ calculator، أربعة

683
00:55:13,790 --> 00:55:24,110
تقسيم عشرة ضرب ثلاثة تقسيم أربعة ضرب واحد تقسيم

684
00:55:24,110 --> 00:55:24,750
أربعة

685
00:55:27,550 --> 00:55:34,890
ضرب اثنين تقسيم أربعة anyway

686
00:55:34,890 --> 00:55:41,550
الـ calculator خذلتنا في الآخر، الـ probability لأنه

687
00:55:41,550 --> 00:55:45,750
بدي أعمل الـ probability لأنه لنفس الـ instance M N

688
00:55:45,750 --> 00:55:49,070
حتكون

689
00:55:49,070 --> 00:55:53,810
الـ probability لأنه مضروبة

690
00:56:14,390 --> 00:56:17,910
القيم المقابلة لهم اللي عمال يحوطهم باللون الأزرق

691
00:56:20,470 --> 00:56:23,350
بالإضافة للقيمة الأخيرة، ما تنسوهاش طبعاً، هاي اللي

692
00:56:23,350 --> 00:56:27,190
هي في الأول، الـ probability لأنه كلها حتصير في

693
00:56:27,190 --> 00:56:37,470
عندها ستة على عشرة مضروبة في واحد على ستة مضروبة في اثنين على ستة

694
00:56:37,470 --> 00:56:46,630
مضروبة في اثنين على ستة، طبعاً لو إحنا فعلياً ٣٦ المقام هنا

695
00:56:46,630 --> 00:56:51,010
أكبر من هنا، فغالباً اللي بالنتيجة حتكون yes، والـ

696
00:56:51,010 --> 00:56:56,290
computation هي اللي بتحكم الموضوع، بتمنى تكون الآن

697
00:56:56,290 --> 00:57:00,010
أصبحت الصورة بالنسبة لنا واضحة، كيف الـ naive baysian

698
00:57:00,010 --> 00:57:04,410
بيشتغل، الفكرة أنه أبني الجدول، إذا أنت بنيت أو أنت

699
00:57:04,410 --> 00:57:08,690
بنيت الجدول صح، معناته أنا مافيش عندي مشكلة، طيب في

700
00:57:08,690 --> 00:57:11,010
حالة، هذا مثال ثاني على السريع

701
00:57:14,970 --> 00:57:19,530
بغض النظر، إحنا مش هنطول عليكم إن شاء الله تعالى، و

702
00:57:19,530 --> 00:57:22,550
بنفترض إنكم حتكونوا متابعين معانا، وبيكونوا كأنّه

703
00:57:22,550 --> 00:57:28,790
في فرصة تشتغلوا، وزيادة الآن، هاي الـ data set كام

704
00:57:28,790 --> 00:57:31,470
attribute؟ ثلاثة على نفس الغرار الـ attribute

705
00:57:31,470 --> 00:57:34,210
السابق، السابق اللي لها دخل في الموضوع؟ لأ، هذا رقم

706
00:57:34,210 --> 00:57:37,270
العينة، أو رقم الـ sample، الـ class تبعتي binary

707
00:57:37,270 --> 00:57:41,210
class، ما فرجتش كتير يا جماعة الخير، بدي أبني الجدول

708
00:57:41,210 --> 00:57:44,030
السابق بالكامل

709
00:57:46,870 --> 00:57:52,690
هو بيقولوا، بدوا مني لـ class، مصبوط، الـ attribute A1

710
00:57:52,690 --> 00:57:59,670
إيش الـ attribute A1 فيه values؟ طبعاً هنا في عندي

711
00:57:59,670 --> 00:58:05,130
yes، واحد أو صفر، واحد في الـ attribute الأول كام

712
00:58:05,130 --> 00:58:08,250
value؟ في عندي صفر، واحد، اثنين، يعني في عندي three

713
00:58:08,250 --> 00:58:12,850
values، صفر، واحد، اثنين، أنا بكتبه من مرتب أفضل

714
00:58:12,850 --> 00:58:14,830
إليه، الـ attribute الثاني

715
00:58:17,880 --> 00:58:20,240
مع الـ labels اللي موجودة، إيش في عندي برضه values؟

716
00:58:20,240 --> 00:58:29,700
صفر، واحد، اثنين، برضه ما عندي مشكلة، صفر، واحد، اثنين، الـ attribute الثالث اللي

717
00:58:29,700 --> 00:58:33,800
أنا هشتغل عليه فقط

718
00:58:33,800 --> 00:58:43,000
قيمتين، واحد، اثنين، وهنا في الآخر الـ probability للـ class، الـ

719
00:58:43,000 --> 00:58:45,880
probability للـ class تبعتي، جدّش الـ probability..

720
00:58:45,880 --> 00:58:50,900
كام class فيه؟ عندي three classes، عفواً، مصبوط الـ..

721
00:58:50,900 --> 00:59:01,360
واحد، اثنين، ثلاثة، هاتوا، هل بدنا كمان عمود الـ class

722
00:59:01,360 --> 00:59:06,540
اللي موجود عندي هنا، واحد

723
00:59:06,540 --> 00:59:09,400
اثنين، ثلاثة

724
00:59:11,920 --> 00:59:17,300
أي، ثلاثة، الـ

725
00:59:17,300 --> 00:59:23,540
class الأول، واحد، واحد، اثنين، ثلاثة، أربعة، أربعة على

726
00:59:23,540 --> 00:59:31,500
عشرة، الـ class الثاني، اثنين، واحد، اثنين، ثلاثة، ثلاثة

727
00:59:31,500 --> 00:59:36,100
على عشرة، وهدا الأخير، ثلاثة على عشرة، مجموعهم عشرة

728
00:59:36,100 --> 00:59:41,890
على عشرة، بدي أجي للعلاقة العناصر مع الـ class الأول

729
00:59:41,890 --> 00:59:48,170
اللي موجود عندي هنا، صفر و واحد، هاي صفر، هاي صفر

730
00:59:48,170 --> 00:59:52,410
اثنين مع

731
00:59:52,410 --> 00:59:59,230
الواحد، أربعة، الـ

732
00:59:59,230 --> 01:00:04,910
class واحد، معناته اثنين على أربعة، وحتمًا.. حتماً

733
01:00:04,910 --> 01:00:11,020
الصفر مع الـ class الثاني، صفر على عشرة.. صفر على

734
01:00:11,020 --> 01:00:18,160
جدّش، الاثنين على ثلاثة، وهنا صفر على ثلاثة، ليش؟ لأن

735
01:00:18,160 --> 01:00:21,020
هون فعلياً الصفر هادي بينت مرتين فقط مع الـ

736
01:00:21,020 --> 01:00:24,240
attribute الأول، وبالتالي أنا هنا بشغل في الـ

737
01:00:24,240 --> 01:00:28,560
attribute الأول، الـ value الثانية، الواحد، الواحد هي

738
01:00:28,560 --> 01:00:37,560
في المربع، واحد، واحد، واحد، واحد، أربعة عناصر، برضه حتكون

739
01:00:37,560 --> 01:00:41,220
عندها القيمة على أربعة يا جماعة الخير، ما تنساش، وهذه

740
01:00:41,220 --> 01:00:46,760
حتكون على ثلاثة، وهذه حتكون على ثلاثة، الآن واحد و

741
01:00:46,760 --> 01:00:55,800
واحد هي.. okay، وهي كمان واحد، ممتاز، يعني اثنين على

742
01:00:55,800 --> 01:00:59,880
أربعة، اثنين

743
01:00:59,880 --> 01:01:07,100
على أربعة، هذه واحدة، وهذه اثنين، طيب جدّش الواحد على

744
01:01:07,100 --> 01:01:14,440
ثلاثة، واحد وثلاثة هيها، ما، واحد على ثلاثة، وجدّش

745
01:01:14,440 --> 01:01:20,220
مع الواحد والاثنين هيها، الـ probability تبعتها، ضال

746
01:01:20,220 --> 01:01:25,140
عند الـ value الأخيرة الموجودة

747
01:01:25,140 --> 01:01:31,320
عندي لمين؟ للثنين، هي الثنين، هي الثنين، هي الثنين، في

748
01:01:31,320 --> 01:01:34,060
عندي أربعة قيم، الأربعة قيم منهم

749
01:01:37,600 --> 01:01:41,080
ولا واحدة مع الـ attribute أو مع الـ class الأول، صفر

750
01:01:41,080 --> 01:01:44,640
على أربعة، ولو أنت جمعت فعلياً هنا، اثنين على أربعة

751
01:01:44,640 --> 01:01:50,720
أو اثنين على أربعة، لازم يطلع معاك أربعة على أربعة

752
01:01:50,720 --> 01:01:54,040
لأن هما الـ maximum أربعة، عفواً، إن هنا اثنين على

753
01:01:54,040 --> 01:02:00,060
أربعة، الآن مع الواحد ولا مافيش شيء مع الاثنين هي

754
01:02:00,060 --> 01:02:04,880
واحدة، هي اثنين، وبالتالي هنا

755
01:02:11,280 --> 01:02:16,080
هذه اثنين على ثلاثة، وهذه اثنين على ثلاثة، لو جمعت

756
01:02:16,080 --> 01:02:18,420
العناصر اللي موجودة عندي هنا، والعناصر اللي عندي

757
01:02:18,420 --> 01:02:21,660
هنا، لازم تاخد ثلاثة وواحد صحيح، وهذه تاخد واحد

758
01:02:21,660 --> 01:02:27,000
صحيح، كمليّة الجدول، نفس الصورة السابقة، حيكون الجدول

759
01:02:27,000 --> 01:02:32,980
هيه عندي بالتمام، ومجرد إن أنا أعمل الجدول هذا

760
01:02:32,980 --> 01:02:39,420
بيسهل عليّ جداً إن أحسب العناصر، خليني على السريع بس

761
01:02:39,420 --> 01:02:45,260
أحط المثال الأخير، لو أنا افترضت إن أنا عندي واحد

762
01:02:45,260 --> 01:02:52,620
واحد واثنين، ما أعرفش، أنا كتبت بشكل random، هل فعلياً

763
01:02:52,620 --> 01:02:57,380
هذه إيش الاحتمال تبعتها إنّها تظهر عندي، أو إيش الـ

764
01:02:57,380 --> 01:03:02,560
class تبعتها اللي توجد عندها، هذه مع الـ class الأول

765
01:03:02,560 --> 01:03:04,160
بدي أحسبها

766
01:03:09,260 --> 01:03:16,820
و بدي أحسبها مع الـ class الثاني، وبدي أحسبها مع الـ

767
01:03:16,820 --> 01:03:26,560
class الثالث، طيب مع الـ class الأول، واحد، وين الـ

768
01:03:26,560 --> 01:03:31,440
واحد؟ هيها يا جماعة الخير، الـ attribute الثاني برضه

769
01:03:31,440 --> 01:03:36,460
واحد، الـ attribute الثالث كانت اثنين، هيها، معناته

770
01:03:36,460 --> 01:03:40,240
أنا بدي آخذ الاحتمال تبع الـ row للـ class الأول

771
01:03:40,240 --> 01:03:49,580
معناته أنا بدي أضرب القيم اللي عليها تحتها

772
01:03:49,580 --> 01:03:55,160
الخط هذه في بعضها، الـ probability تبعتي الواحد

773
01:03:55,160 --> 01:03:59,160
أربعة على عشرة مضروبة في الـ probability، واحد على

774
01:03:59,160 --> 01:04:03,440
واحد، اللي هي attribute A1 equal واحد على واحد

775
01:04:03,440 --> 01:04:10,760
مضروبة في الـ probability، A1A2 equal واحد على واحد، مضروبة

776
01:04:10,760 --> 01:04:15,000
في الـ probability، الـ

777
01:04:15,000 --> 01:04:18,280
probability للواحد as class، مضروبة في الـ

778
01:04:18,280 --> 01:04:23,440
probability للـ A1 equal واحد على واحد، مضروبة في الـ

779
01:04:23,440 --> 01:04:29,860
probability للـ A2 equal واحد على واحد، مضروبة في الـ

780
01:04:29,860 --> 01:04:36,420
probability تبعت الـ A3 equal اثنين على الواحد، اللي هي

781
01:04:36,420 --> 01:04:39,640
القيم اللي أنا حددتها، هيها، هذا بجيبها للـ class

782
01:04:39,640 --> 01:04:42,320
الأول، بجيبها للـ class الثاني، بجيبها للـ class

783
01:04:42,320 --> 01:04:47,160
الثالث، ومن ثم هاي

784
01:04:47,160 --> 01:04:52,300
الحسبة اللي موجودة عندي الآن، بدور على الـ maximum

785
01:04:52,300 --> 01:05:00,970
عندي ٢٥ من ألف، أربعة وأربعين، ٢٥٠ من عشرة آلاف، وأربعة وأربعين

786
01:05:00,970 --> 01:05:05,150
من عشرة آلاف، و ١١١ من عشرة آلاف، الـ most

787
01:05:05,150 --> 01:05:10,610
probability تبعتي، والـ maximum probability أربعة

788
01:05:10,610 --> 01:05:14,050
من مئة، أكيد أكبر من اثنين من مئة، وأكبر من واحد من

789
01:05:14,050 --> 01:05:18,850
مئة، وبالتالي أغلب الظن إن هذه الـ instance حتُصنّف

790
01:05:18,850 --> 01:05:23,750
مع الـ class الثاني، مع الـ class الثاني، لكن أنا

791
01:05:23,750 --> 01:05:30,560
انتبهت لشغلة وأنا بقى أشتغل في الحسبة، وهي إن الـ

792
01:05:30,560 --> 01:05:38,820
instances اللي أنا كتبتها موجودة بس

793
01:05:38,820 --> 01:05:43,670
إيش الـ class تبعتها؟ ثلاثة، يعني صار في عندي

794
01:05:43,670 --> 01:05:47,170
misclassification، هل هذه مسئوليتي؟ لأ، مش مسئوليتي

795
01:05:47,170 --> 01:05:52,310
أنا اشتغلت عليها لأن أَخْضَعْتها لاحتمالات تمام، وهذه

796
01:05:52,310 --> 01:05:55,770
وزنها كان واحدة من العناصر اللي موجودة، لكن الـ node

797
01:05:55,770 --> 01:05:58,170
تبعتي هذه حسب الاحتمالات أو حسب الـ naive baysian

798
01:05:58,170 --> 01:06:03,950
بتطلع لمين؟ مع العنصر الـ class two اللي موجود

799
01:06:03,950 --> 01:06:09,130
عندها، الآن زي ما قلنا، الـ Naive Bayesian، ختاماً للكلام

800
01:06:09,130 --> 01:06:11,950
اللي إحنا اشتغلناه، طبعاً، يا جماعة الخير، في إنّكم data

801
01:06:11,950 --> 01:06:15,210
set موجودة سابقاً في الـ examples السابقة، جرّبوا

802
01:06:15,210 --> 01:06:18,050
عليها Naive Bayesian، ما تستناش، ما تقوليش،  ملّون، بدي

803
01:06:18,050 --> 01:06:20,270
أسئلة، في عندك الـ data set اللي موجود في الـ slides

804
01:06:20,270 --> 01:06:23,960
واللي أنا اشتغلت عليها سابقاً، كـ classifier في عنده

805
01:06:23,960 --> 01:06:25,960
strict assumptions زي ما قلنا، about الـ data اللي

806
01:06:25,960 --> 01:06:28,400
هو الـ independent attributes، والـ normal

807
01:06:28,400 --> 01:06:32,920
distribution تبع الـ data اللي موجودة، وهذا بيخليه

808
01:06:32,920 --> 01:06:35,920
fast، very fast، أو extremely fast في الـ training

809
01:06:35,920 --> 01:06:38,060
وفي الـ prediction، في الـ training لأنه بيبني

810
01:06:38,060 --> 01:06:41,020
الجدول مرة واحدة، وفي الـ prediction مافيش.. يعني

811
01:06:41,020 --> 01:06:43,540
الـ computation تبعتها قليلة، straightforward

812
01:06:43,540 --> 01:06:47,900
probabilistic prediction، بيعتمد على الـ

813
01:06:47,900 --> 01:06:52,640
probabilities تماماً، على الاحتمالات، سهل جداً إنّي أفسر

814
01:06:52,640 --> 01:06:58,620
ليش طلع هيك، مش بحاجة إنّي أعمل tuning لـ parameter

815
01:06:58,620 --> 01:07:06,120
لأن فعلياً أنا ما شفتش أي حاجة بيطلب مني بما

816
01:07:06,120 --> 01:07:12,360
إنّه في عندي strict and

817
01:07:12,360 --> 01:07:17,040
complicated

818
01:07:17,040 --> 01:07:22,370
model، فعلياً الـ Naive Bayesian زي ما إحنا شفنا في

819
01:07:22,370 --> 01:07:30,490
حسابه سهل، نعم، لكنه مش سهل إنّي أطبقه في كل مكان، طبعاً

820
01:07:30,490 --> 01:07:35,690
ما هي المطلوب إن أنا فعلياً، وين أنا بدي أروح أطبق

821
01:07:35,690 --> 01:07:38,330
الـ Naive Bayesian؟ فعلياً أنا بقدر أروح أستخدمه أو

822
01:07:38,330 --> 01:07:40,990
ممكن اشتغل كويس لما يكون الـ Naive Assumption

823
01:07:40,990 --> 01:07:46,240
فعلياً موجودة مع الـ data، يعني بين قوسين أنا شبه

824
01:07:46,240 --> 01:07:49,320
متأكد إن الـ attributes اللي عندي كلها independent

825
01:07:49,320 --> 01:07:53,740
attributes، لكن أنت الكلام متأكد منه ولا مش متأكد

826
01:07:53,740 --> 01:07:57,840
منه؟ ما بعرفش، ما بيعرفش، الحل كيف بتتأكد من الـ

827
01:07:57,840 --> 01:08:00,740
dependency من الـ attributes؟ بدك ترجع للـ data

828
01:08:00,740 --> 01:08:03,940
preparation وتفحص الـ correlation ما بين الـ

829
01:08:03,940 --> 01:08:07,600
attributes، وزي ما شفنا في عندنا الـ chi-square، و

830
01:08:07,600 --> 01:08:12,230
في عندنا إيش كمان؟ الـ Pearson coefficient، إلى

831
01:08:12,230 --> 01:08:16,010
آخره هو، بناءً على هيك أنت بتصير تدور على تفهم الـ

832
01:08:16,010 --> 01:08:19,310
data set أكثر، very well separated categories، لما

833
01:08:19,310 --> 01:08:22,350
يكون الـ categories اللي عنده فعلياً finite، و

834
01:08:22,350 --> 01:08:26,130
مفصلين عن بعض، مافيش بينهم يعني، بين قوسين الـ data

835
01:08:26,130 --> 01:08:29,830
set بتفرج بشكل كويس، وإحنا لاحظنا في المثال السابق

836
01:08:29,830 --> 01:08:33,070
إنّه فعلياً عمل misclassification للـ point اللي

837
01:08:33,070 --> 01:08:36,870
موجودة عندها، very high dimensional data، لما تكون

838
01:08:36,870 --> 01:08:41,870
الـ data تبعتي عالية جداً، أو فيها عدد كبير من الـ

839
01:08:41,870 --> 01:08:45,630
attributes، ممكن أنا أشتغل، آخر شغلة في محاضرتنا هي

840
01:08:45,630