PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/u2_vU8et3ig_postprocess.srt

1
00:00:04,940 --> 00:00:07,000
باسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:07,000 --> 00:00:11,420
أهلا وسهلا بكم محاضراتنا المستمرة في منصق ال data

3
00:00:11,420 --> 00:00:14,620
mining وما زلنا في باب ال classification او في باب

4
00:00:14,620 --> 00:00:18,120
التصنيف هنتكلم اليوم او في المحاضرة هذه ان شاء

5
00:00:18,120 --> 00:00:22,940
الله تعالى عن classifier كتير متقدمو مستخدمة بشكل

6
00:00:22,940 --> 00:00:26,500
كبير جدا وهو الـ Neural Network as Classifier أو

7
00:00:26,500 --> 00:00:30,000
بالتحديد الـ Back-propagate الـ Neural Network لأ

8
00:00:30,000 --> 00:00:33,740
أخفيكم كان عندي تردد أشرحه ولا أشرح ال support

9
00:00:33,740 --> 00:00:37,240
vector machine كلا هما من المواضيع ال advanced و

10
00:00:37,240 --> 00:00:40,760
اللي بتحتاج إلى optimization عالية لكن قرصين على

11
00:00:40,760 --> 00:00:44,320
ال neural network زي ما كنا قعدينهم سابقا و خلينا

12
00:00:44,320 --> 00:00:47,700
نبدأ مع ال neural networkالـ neural network أو

13
00:00:47,700 --> 00:00:51,400
الشبكات العصبية العصيبية مش العصبية بكفي أنا عصبي

14
00:00:51,400 --> 00:00:55,360
بالجمال الشبكات الشبكات العصيبية هي عبارة عن

15
00:00:55,360 --> 00:00:59,980
مجموعة من الـ connected input و ال output units

16
00:00:59,980 --> 00:01:04,850
يعني بين جسين هي عبارة عن مجموعة منالمدخلات

17
00:01:04,850 --> 00:01:10,390
والمخرجات المتصلة مع بعضها البعض وكل خط أو كل

18
00:01:10,390 --> 00:01:15,210
connection أو كل خط أو كل link الوزن معين

19
00:01:15,210 --> 00:01:21,010
associated with it مرتبط فيهاخلال مرحلتي التعليم

20
00:01:21,010 --> 00:01:24,370
وهنا جامعة الخير بدأنا ننتبه كويس لأن صار في عندي

21
00:01:24,370 --> 00:01:27,390
ميقولنا احنا Machine Learning Machine Learning هي

22
00:01:27,390 --> 00:01:32,570
الفترة اللي انا بقى قضيها في بناء ال model عشان

23
00:01:32,570 --> 00:01:35,770
هيك قلنا في البداية خالص ال classification في عندي

24
00:01:35,770 --> 00:01:39,690
model based وفي عندي instance based ال instance

25
00:01:39,690 --> 00:01:42,550
based كان ياريس نيبر و ال model based decision

26
00:01:42,550 --> 00:01:46,150
tree و النايف بايسيان سؤال مهم جدا لان بدي أطرحه

27
00:01:46,150 --> 00:01:51,430
عليكمو بتمنى انك تدور على .. او تفكر بإجابته لأن

28
00:01:51,430 --> 00:01:56,390
هل الـ Naive bias model based ولا instance based؟

29
00:01:56,390 --> 00:02:00,070
هذا واحد السؤال التاني الـ Naive bias algorithm

30
00:02:00,070 --> 00:02:03,890
الجدول اللي أنا بنيته هذا كم مرة بقى بنيه؟

31
00:02:06,390 --> 00:02:11,390
المفروض لمرة واحدة متى بحتاج إعادة بناءه لو تغيرت

32
00:02:11,390 --> 00:02:14,850
ال training set اللي موجودة عندي وبالتالي المفروض

33
00:02:14,850 --> 00:02:18,090
الجدول هذا بيمثل عندي model خلال مرحلة التعليم

34
00:02:18,090 --> 00:02:21,430
مرحلة ال learning مرحلة بناء ال model ال network

35
00:02:21,430 --> 00:02:25,610
اللي هي الشبكة العصيبية بتحاول تعدل الأوزان اللي

36
00:02:25,610 --> 00:02:30,810
موجودة عندها لحد ما تصل مين

37
00:02:30,810 --> 00:02:37,860
لل label يعني بين قوسينان انا دخلت ال input عملت

38
00:02:37,860 --> 00:02:42,900
computation حصلت على ال output بقارن بقارن بين ال

39
00:02:42,900 --> 00:02:46,680
output الحقيقي و ال predicted و تبعا لل error اللي

40
00:02:46,680 --> 00:02:49,600
بينهم او الفرق اللي بينهم بعمل adjustment لل

41
00:02:49,600 --> 00:02:50,880
weight اللي موجود عندها

42
00:02:55,350 --> 00:02:57,970
الأن الـ neural network بشكل عام جماعة الخير هي

43
00:02:57,970 --> 00:03:01,010
بتحاكي الشبكات العصيبية في الإنسان أو الجهاز

44
00:03:01,010 --> 00:03:03,910
العصبي في الإنسان في الآخر ال decision في الدماغ

45
00:03:03,910 --> 00:03:09,510
والخلايا العصبية منتشرة على كل جسمك لو أنت ساكت أو

46
00:03:09,510 --> 00:03:13,710
سرحان وقاعد بتحل في المثلة في ال data mining وإجا

47
00:03:13,710 --> 00:03:23,320
زميلك طرف دبوس وحاول يشكك في إيدكبدون ما تنتبهله

48
00:03:23,320 --> 00:03:27,400
انت و لا إرادي هتلاقي انه ايدك تحركت بالاتجاه

49
00:03:27,400 --> 00:03:31,980
المضاد للشكة بحيث انها يعني تبعد عن مصدر الخطر

50
00:03:31,980 --> 00:03:35,680
اللي صار انت فعليا مش عارف ايش اللي صار لكن مجرد

51
00:03:35,680 --> 00:03:38,840
انك حركت ابعدت ايدك و بعدين بديت تطلع لان كانت

52
00:03:38,840 --> 00:03:42,240
الحركة أو الجهاز العصب ادى اشارة للدماغ و الدماغ

53
00:03:42,240 --> 00:03:45,260
اخد processing عالية سريعة جدا انه لأ ابعد عن

54
00:03:45,260 --> 00:03:47,980
الخطر هذا و كذلك بتصير معانا في الموضوع لما يكون

55
00:03:47,980 --> 00:03:52,510
الشغلات الحريق الى اخرهالان هذا الكلام ما صار الا

56
00:03:52,510 --> 00:03:56,330
غير من خلال حياة مكتسبة موجودة عندها فال neural

57
00:03:56,330 --> 00:03:58,870
network جالك ليش لما الناس فكروا فيها في الداخل في

58
00:03:58,870 --> 00:04:03,050
الخمسينات جالك ليش ما نحاول نحاكي عقل الإنسان في

59
00:04:03,050 --> 00:04:07,410
التعامل احنا مش كتير معنى بالصبغة التاريخية

60
00:04:07,410 --> 00:04:13,090
والتفاصيل كتيرة لكن بشكل عام أبسط نموذج للشبكة

61
00:04:13,090 --> 00:04:15,690
اللي موجودة عندى لأن في الآخر كل شيء computation

62
00:04:15,690 --> 00:04:20,450
يا جماعة الخير هي مجموعة ال inputمجموعة ال input

63
00:04:20,450 --> 00:04:25,970
الان ايش P1P لحد ال PR هي عبارة عن ال attributes

64
00:04:25,970 --> 00:04:31,350
بتمثل

65
00:04:31,350 --> 00:04:36,790
ال input طب وال A ال

66
00:04:36,790 --> 00:04:44,280
output لبنجوسين ل class اللي موجود عندى انا هانالـ

67
00:04:44,280 --> 00:04:47,380
class اللى موجود عندى ايش اللى صار اللى انا فعليا

68
00:04:47,380 --> 00:04:52,960
كل attribute كان له وزن فانا باخد بضرب قيمة ال

69
00:04:52,960 --> 00:04:57,080
attribute لاحظ بقول بضرب قيمة ال attribute في

70
00:04:57,080 --> 00:05:05,800
الوزن بجمعهم بضفلهم قيمة لل bias وال function هذه

71
00:05:05,800 --> 00:05:09,460
بتاخد decision اي واحد من ال binary classification

72
00:05:09,460 --> 00:05:13,210
او من ال classes هتكون صفر او واحديعني binary

73
00:05:13,210 --> 00:05:17,090
classification انتبه معايا وانتبه معايا لما انا

74
00:05:17,090 --> 00:05:20,830
قلت باخد قيمة ال attribute و بضربها طب هل ممكن انا

75
00:05:20,830 --> 00:05:24,390
اشتغل مع ال nominal attribute؟ لأ بينفعش ال data

76
00:05:24,390 --> 00:05:28,170
set تبعتي كلها must be numeric لازم لأن مافيش مدى

77
00:05:28,170 --> 00:05:31,690
اللي اروح اخد والله ال gender male male ضرب خمسة

78
00:05:31,690 --> 00:05:34,990
حوليها 01 او اي numeric attribute انت بتشوفها

79
00:05:34,990 --> 00:05:39,170
مناسبة ال income زي ما شوفنا قبل شوية fair و

80
00:05:39,170 --> 00:05:43,940
excellentبرضه بقى تحوّل إياهم لأرقام وبالتالي فبدل

81
00:05:43,940 --> 00:05:46,800
ما كانت category اللي بتروح أحوّلها كلها أرقام

82
00:05:46,800 --> 00:05:51,960
تمام حتى لو كان coding موجودة عندى في النهاية اللي

83
00:05:51,960 --> 00:05:58,140
هيصير كالتالي ال function تبعتي ال F ال prediction

84
00:05:58,140 --> 00:06:02,520
function تبعتي هي عبارة عن vector الأوزان مضروبة

85
00:06:02,520 --> 00:06:07,450
في ال inputزائد الـ bias اللي موجود عندها في مرحلة

86
00:06:07,450 --> 00:06:15,310
ال learning بتصير الشبكة تدور على أفضل W و B لأن

87
00:06:15,310 --> 00:06:19,530
انت لا تنسى انها معادلة خط مستقيم بتدور على أفضل W

88
00:06:19,530 --> 00:06:23,770
و B لكن بال vectors W بتمثل الأوزان تبع ال

89
00:06:23,770 --> 00:06:26,630
connection و ال B تمثل ال bias تبع ال network اللي

90
00:06:26,630 --> 00:06:30,210
موجودة في ال multilayer neural network شوية الشغل

91
00:06:30,210 --> 00:06:30,870
مختلفة

92
00:06:33,410 --> 00:06:39,370
سابقاً أنا عندي فقط input و output في الـ simple

93
00:06:39,370 --> 00:06:42,630
neural network و احنا قبل شوية قولنا هي عبارة عن

94
00:06:42,630 --> 00:06:47,080
مجموعة من ال connected input و ال output unitsالان

95
00:06:47,080 --> 00:06:51,160
في الـ Multilayer أضافلي عندى فيها ما بين ال layer

96
00:06:51,160 --> 00:06:54,620
الأولى اللى هى اللى تمثل ال input و ال layer

97
00:06:54,620 --> 00:06:58,680
الأخيرة اللى هى ال output layer صار بيمثل عندى مين

98
00:06:58,680 --> 00:07:02,320
في شغل بسميليها ال hidden layer بالمناسبة كتير من

99
00:07:02,320 --> 00:07:05,740
الناس بترفض ال neural network لأنها بتعتمدها black

100
00:07:05,740 --> 00:07:06,160
box

101
00:07:09,080 --> 00:07:13,600
شو يعني black box؟ black box بمعنى انه انا فعلا

102
00:07:13,600 --> 00:07:16,140
مابشوفش ايش اللي بصير ولا بعرف ليش الأوزان هذه

103
00:07:16,140 --> 00:07:19,100
صارت هيك وفعلا هذه هي للأسف ال algorithm اللي

104
00:07:19,100 --> 00:07:23,520
موجودة عندنا يعني صعب ال interpretation تبعتها

105
00:07:23,520 --> 00:07:29,900
تصير عندي طيب الآن ال input حسب الرسم اللي عندي

106
00:07:29,900 --> 00:07:34,540
هان ال three inputs و ال two outputs و زي ما قلنا

107
00:07:34,540 --> 00:07:37,340
بما هي كلها أرقام معناته ال input تبعتها هتكون 01

108
00:07:38,540 --> 00:07:41,280
معناته كل neural network هذه هتكون صفر واحد في

109
00:07:41,280 --> 00:07:44,820
المرحلة الأولى في ال network السابق يا جماعة الخير

110
00:07:44,820 --> 00:07:48,880
هذه ال function صفر

111
00:07:48,880 --> 00:07:52,200
واحد two classes ال class الأول و ال class التاني

112
00:07:52,200 --> 00:07:58,130
هان صار في عندي two neurons في ال outputمعناته كل

113
00:07:58,130 --> 00:08:01,350
واحد فيهم بتديني صفر أو واحد معناته صار في عندي

114
00:08:01,350 --> 00:08:06,030
two bits خلني أسويها two bits صفر و صفر صفر واحد

115
00:08:06,030 --> 00:08:10,010
واحد صفر واحد واحد وكأني بتكلم على four classes

116
00:08:10,010 --> 00:08:15,990
يعني بال multilayer neural network صار بإمكاني أنا

117
00:08:15,990 --> 00:08:21,880
فعليا أعرضDataset أكتر أو أحصل على Multiclass

118
00:08:21,880 --> 00:08:26,240
Classification تعالى نشوف الشكل العام تبعت الـ

119
00:08:26,240 --> 00:08:30,300
Network تبعته ده على الشكل اللي احنا شفناه بنسميه

120
00:08:30,300 --> 00:08:36,100
Network Topology الـ Network Topology هان بدك تحدد

121
00:08:36,100 --> 00:08:39,720
فيه عدد ال input أو عدد ال unit لل input في ال

122
00:08:39,720 --> 00:08:44,740
input layerطب انا ماليش دخل فيها كتير هذه ليش لأن

123
00:08:44,740 --> 00:08:50,880
عادة عدد ال input neurons يساوي

124
00:08:50,880 --> 00:08:54,720
عدد ال attribute يعني بينجو سين كل attribute في ال

125
00:08:54,720 --> 00:09:01,740
data set له one input neuron يفضل انك تروح تعمل

126
00:09:01,740 --> 00:09:06,350
normalizationللـ values تبعت ال attributes مش يفضل

127
00:09:06,350 --> 00:09:09,370
يمكن تكون إجباريك في مرحلة من مرحلة ليش؟ عشان

128
00:09:09,370 --> 00:09:12,530
تتجنب ال bias تحط كل ال attributes اللي موجود بعد

129
00:09:12,530 --> 00:09:17,050
ما انت .. بعد ما انت عملت preprocessing وجهزت ..

130
00:09:17,050 --> 00:09:20,350
وجهزت ال data set لأن كل ال data had independent

131
00:09:21,310 --> 00:09:24,470
لكن دلت ال scaling تبعتها عالية و بما انه عملية

132
00:09:24,470 --> 00:09:28,810
حساب زي ما شوفنا سابقا انه يكون عنده قيمة مثلا ال

133
00:09:28,810 --> 00:09:31,710
call بال minutes خمس .. نقول ستمية و ألف و خمسمية

134
00:09:31,710 --> 00:09:35,310
دقيقة في مقابل ال megas اللي ال data .. اللي أنا

135
00:09:35,310 --> 00:09:40,490
استخدمتها على ال mobile كانت بال .. بالأحد فواحد

136
00:09:40,490 --> 00:09:43,330
هيكون ال weight تبعته أكتر من التانية فإيش الحل؟

137
00:09:43,330 --> 00:09:46,770
لأ اعمله scaling عشان تكون من صفر لواحد و بترتاح

138
00:09:46,770 --> 00:09:51,900
الآن number of hidden layers في ال typologyعدد الـ

139
00:09:51,900 --> 00:09:57,920
Hidden Layer ومش بس هيك عدد الـ Hidden Neuron في

140
00:09:57,920 --> 00:10:02,620
الـ Hidden Layer يعني

141
00:10:02,620 --> 00:10:05,200
بين جسين انا جاعد بتكلم في الـ Neural Network

142
00:10:05,200 --> 00:10:14,800
بتكلم على Input Layer و بتكلم على Hidden Layer و

143
00:10:14,800 --> 00:10:22,100
بتكلم على Output Layer تلت طبقات موجودة عندىال

144
00:10:22,100 --> 00:10:29,260
input وال output معروفين ها number of classes وهنا

145
00:10:29,260 --> 00:10:36,540
number of attributes أبو

146
00:10:36,540 --> 00:10:42,380
هان هان يا سيد العزيز ماحدش بيحكمك في حاجة ولا في

147
00:10:42,380 --> 00:10:46,040
قانون واضح الان احنا بتتكلم عشان تكون عندى multi

148
00:10:46,040 --> 00:10:49,580
layer على الأقل بيكون في عندى single layerولمّا

149
00:10:49,580 --> 00:10:52,500
بتكون في عندي اكثر من two hidden layer بتصير deep

150
00:10:52,500 --> 00:10:56,040
neural network تمام؟ وهذا المصطلح اللي بيستخدمه

151
00:10:56,040 --> 00:10:58,660
اليوم في ال machine learning بيسمي احنا ال deep

152
00:10:58,660 --> 00:11:01,760
learning لكن احنا الآن خلينا بشكل بسيط بتكلم على

153
00:11:01,760 --> 00:11:05,630
input layerhidden layer one hidden layer و output

154
00:11:05,630 --> 00:11:09,190
hidden layer بالنسبة لعدد ال neurons في ال hidden

155
00:11:09,190 --> 00:11:12,590
layer اللي موجودة عندي انا هانجدش انا والله عندي

156
00:11:12,590 --> 00:11:17,210
حسب ال attribute عندي اربعة input اربعة attributes

157
00:11:17,210 --> 00:11:23,860
وعندي two classes معروفين ربها دولبرضه مافيش عدد

158
00:11:23,860 --> 00:11:28,140
الـ neurons مبهم ومتروك لك للتجربة و القياس او

159
00:11:28,140 --> 00:11:31,300
تجربة و الخطأ زي ما احنا بنسميها احيانا و اتحددها

160
00:11:31,300 --> 00:11:34,840
لكن في بعض الناس بتقولك خليني اعمل initialization

161
00:11:34,840 --> 00:11:44,300
للكلام هذا عبر انه ابدأ بمجموع التنين على اتنين

162
00:11:44,300 --> 00:11:49,580
يعني الان اربعة و اتنين ستة

163
00:11:53,290 --> 00:12:00,090
على 2 ثلاثة ولاحظ وكأنه بيصير عند رسمة الشبكة هي 4

164
00:12:00,090 --> 00:12:05,990
في ال input ثلاثة في ال output او عفوا في ال

165
00:12:05,990 --> 00:12:07,810
hidden و 2 في ال output

166
00:12:26,450 --> 00:12:30,210
وهذه الشبكة تبعتي بتصير بالشكل هذا قاعد بعملها

167
00:12:30,210 --> 00:12:33,730
narrowing باتجاه ال output اللي موجودة واحد قال لأ

168
00:12:33,730 --> 00:12:37,850
انا بدي اخد ضعف ال input او بدي اخد جدهم مافيش حد

169
00:12:37,850 --> 00:12:41,470
هيقولك لأ القمر هذا متروك لك عشان ايه قلتلك هذه

170
00:12:41,470 --> 00:12:44,070
الشبكة بدها optimization ال neural network من

171
00:12:44,070 --> 00:12:46,510
الشغلات اللي بدها optimization كتير و بدها شغل

172
00:12:46,510 --> 00:12:50,820
كتير في ال configurationنرجع للـ simplest الـ

173
00:12:50,820 --> 00:12:54,540
neural network اللي موجودة عندها في الآخر ال

174
00:12:54,540 --> 00:12:58,860
function انا هاللاحظ حاطين summation عشان عبارة عن

175
00:12:58,860 --> 00:13:04,300
مضروب ال input في ال weight تبعتها و بجمعهم هذه

176
00:13:04,300 --> 00:13:09,180
عبارة عن vector و بضفلهم ال bias لمرة واحدة و بروح

177
00:13:09,180 --> 00:13:13,470
على ال function اللي موجودة عندهاالان الـ function

178
00:13:13,470 --> 00:13:17,470
هذه عادة بنسميها اما ال activation function او ال

179
00:13:17,470 --> 00:13:22,050
transformation function activation function او

180
00:13:22,050 --> 00:13:25,330
transformation function ليش transformation او

181
00:13:25,330 --> 00:13:29,210
transfer function لأن هي بتنقل ال input لل output

182
00:13:29,210 --> 00:13:34,190
ليش بتسميها activation لأنها بتعمل على تنشيط ال

183
00:13:34,190 --> 00:13:38,670
output neurons اللي موجودة عندى هنا وبتماما هخرجها

184
00:13:38,670 --> 00:13:46,610
هطلحة لل out بكل بساطةبكل بساطة انت تخيل انا في

185
00:13:46,610 --> 00:13:50,350
عندي function ال function تبعتي هذه لازم تحسب ..

186
00:13:50,350 --> 00:13:56,610
تاخد .. تاخد مني input ال input لو كان اكبر او

187
00:13:56,610 --> 00:14:02,350
تساوي واحد فال output واحد otherwise تديني صفر وفي

188
00:14:02,350 --> 00:14:08,630
عندي بقوللي ال input تبعتي P1 و P2 هيهم الأوزان

189
00:14:08,630 --> 00:14:14,940
تبعتهمواحد و نص و واحد معناته و ال bias تبعتي ساوي

190
00:14:14,940 --> 00:14:18,880
سالب واحد و نص معناته حسب ال function ال output

191
00:14:18,880 --> 00:14:25,800
تبعتي اتنين ضرب واحد و نص زي التلاتة ضرب واحد ناقص

192
00:14:25,800 --> 00:14:29,760
واحد و نص اففف اربعة و نص اففف اربعة و نص الاربعة

193
00:14:29,760 --> 00:14:34,190
و نص اكبر من واحد معناته دي هتعطيلياللي ال class

194
00:14:34,190 --> 00:14:38,270
الأول بناء على ال output أو ال input المدخل عفواني

195
00:14:38,270 --> 00:14:42,210
وبالتالي ال actual output تبعتي الفعلي بيعتمد على

196
00:14:42,210 --> 00:14:45,710
مين؟ على ال transfer function اللي موجودة عندي هنا

197
00:14:45,710 --> 00:14:49,150
طبعا ممكن يتغير ال threshold اللي أنا روحت فحصته

198
00:14:49,150 --> 00:14:57,450
عنده هنا أنا هنا قلتله أكبر أو تساوي واحد yes و no

199
00:14:57,450 --> 00:15:00,150
هي ال business logic تبعتي ال function تبعتي

200
00:15:00,150 --> 00:15:06,680
وبالتالي اناالقيم الموجودة الان ال activation

201
00:15:06,680 --> 00:15:07,360
function

202
00:15:10,670 --> 00:15:13,930
هي عندي منهم مجموعة من الـ functions الأولى

203
00:15:13,930 --> 00:15:17,950
بنسميها hard limit function أو hard limit transfer

204
00:15:17,950 --> 00:15:20,970
function وزي ما انت شايفهان وزي ما انت شايفهان

205
00:15:20,970 --> 00:15:25,530
hard limit بتاخد ال value و بتفحص إذا كانت بتديني

206
00:15:25,530 --> 00:15:29,070
واحد لما تكون القيمة أكبر أو تساوي صفر أقل من صفر

207
00:15:29,070 --> 00:15:32,710
بتديني صفر لأنه binary زي ما قلنا binary ال

208
00:15:32,710 --> 00:15:36,050
classification و هذه بنسميها hard limit مافيش مجال

209
00:15:36,050 --> 00:15:39,880
يا صفر يا واحد الآنفي عند الـ Linear

210
00:15:39,880 --> 00:15:42,900
Transformation Function أو الـ Threshold Function

211
00:15:42,900 --> 00:15:47,500
الـ Threshold Function زي ما احنا شايفين هيها إذا

212
00:15:47,500 --> 00:15:51,540
كانت القيمة تديني أعلى من قيمة ال line هذا معناته

213
00:15:51,540 --> 00:15:56,560
ل class A يعني كل المنطقة هي C1

214
00:15:56,560 --> 00:16:04,180
وهذه C2 بناء على ال line اللي موجود عندي كذلك في

215
00:16:04,180 --> 00:16:05,460
عندي ال Sigmoid Function

216
00:16:08,570 --> 00:16:14,310
عبارة عن دالة بتعتمد على الـ exponential A

217
00:16:14,310 --> 00:16:21,450
تساوي واحد على واحد زائد E أص ناقص N مين الـ N يا

218
00:16:21,450 --> 00:16:27,770
جماعة الخير؟ عشان أذكركم بالـ N هي عبارة عن حاصل

219
00:16:27,770 --> 00:16:34,660
جمع العناصر العنصرين هدول وما تنساش هذه vectorو

220
00:16:34,660 --> 00:16:37,660
هذه vector فبنضرب في بعض هم من ثم انا حصلت على

221
00:16:37,660 --> 00:16:44,460
العناصر اللي موجودة عندهان الان شفنا الشبكة و

222
00:16:44,460 --> 00:16:49,840
عرفنا شغلها يعني بكل بساطة كيف انا بدي اشتغل او

223
00:16:49,840 --> 00:16:54,840
كيف ال neural network بتشتغل بتاخد ال input تبع ال

224
00:16:54,840 --> 00:17:00,450
attributes اللي موجودة عندهان و بتدخل إياهمو ال

225
00:17:00,450 --> 00:17:03,970
input فترة ال training بتدخل اتباعا او عفوا في ال

226
00:17:03,970 --> 00:17:07,250
attributes بتدخل بشكل متوازي مع بعضهم لأن زي ما

227
00:17:07,250 --> 00:17:11,450
قلنا ال instance بالكامل بتدخل عندي على ال system

228
00:17:11,450 --> 00:17:18,250
بعد هيك في أوزان الشبكة عادة بتبدأ ب random weight

229
00:17:18,250 --> 00:17:21,970
بتبدأ ب random weight و الأوزان مع كل connection

230
00:17:21,970 --> 00:17:25,490
مع كل connection من ال connections السابقة هاي في

231
00:17:25,490 --> 00:17:27,950
اول ما بتبدأ الشبكة بتحط random weight

232
00:17:30,650 --> 00:17:37,670
الخطوة اللي بعد هيك لما انا بعد ما بتروح تدخل لاحظ

233
00:17:37,670 --> 00:17:41,190
معايا خلنا نقول ال input in your own hand هنفي W1

234
00:17:41,190 --> 00:17:49,520
1 W1 2W1 3 و W1 4 لأيش؟ لأن عندي 4 hidden neuron و

235
00:17:49,520 --> 00:17:53,500
4 connection ال value تبع ال hidden neuron أو ال

236
00:17:53,500 --> 00:17:56,200
input neuron هذا اللي تبع ال attribute الأول

237
00:17:56,200 --> 00:18:03,820
خلّيني على سبيل المثال نقول هنا 1.7 من عشرة الان

238
00:18:03,820 --> 00:18:09,460
1.7 من عشرة ضرب W1 1 جاية لمين؟ لل hidden neuron

239
00:18:09,460 --> 00:18:16,430
هنا في المقابل عندي هنا مثلا كانت 2و هذه الـ W 2 1

240
00:18:16,430 --> 00:18:21,430
و هذه الـ W 3 1 و هذه الـ W 1 1 و هذه الـ W 3 1 و

241
00:18:21,430 --> 00:18:22,910
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

242
00:18:22,910 --> 00:18:23,890
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

243
00:18:23,890 --> 00:18:26,510
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

244
00:18:26,510 --> 00:18:28,550
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

245
00:18:28,550 --> 00:18:29,110
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

246
00:18:29,110 --> 00:18:30,230
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

247
00:18:30,230 --> 00:18:30,370
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

248
00:18:30,370 --> 00:18:30,750
هذه الـ W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1 و

249
00:18:30,750 --> 00:18:34,510
هذه الـ W 3 1 و هذه الـ

250
00:18:34,510 --> 00:18:43,070
W 3 1 و هذه الـ W 3 1 و هذه الـ W 3 1

251
00:18:46,660 --> 00:18:50,260
وبديني decision انه بيطلع output وال output برضه

252
00:18:50,260 --> 00:18:55,540
فيه إلها أوزان وبتتوزع على .. يعني الآن السهم اللي

253
00:18:55,540 --> 00:18:58,580
داخل على ال neuron بيمثل ال input و اللي طالع منه

254
00:18:58,580 --> 00:19:02,540
بيمثل ال output تبعته ايش ال .. اوكي احنا عرفنا هن

255
00:19:02,540 --> 00:19:05,200
انه ال input طب ايش ال input ايش ال output .. عفوا

256
00:19:06,520 --> 00:19:08,840
ما هي القيمة اللي طالع عندي من الـ hidden neuron؟

257
00:19:08,840 --> 00:19:11,240
هي عبارة عن تجميع على العناصر اللي موجودة عندي هنا

258
00:19:11,240 --> 00:19:15,440
ومن ثم بصدرليها بنفس الفكرة على الأوزان اللي جاي

259
00:19:15,440 --> 00:19:20,420
بعدها وهكذا بتتم عمل الشبكة الآن هذه الشبكات

260
00:19:20,420 --> 00:19:26,520
بتشتغل ضمن ال feed forward neural نتويرك

261
00:19:26,650 --> 00:19:29,030
في ال feed forward neural network أنا فعليا قاعد

262
00:19:29,030 --> 00:19:32,630
بشتغل باتجاه واحد فقط وهو الاتجاه أو التدفق

263
00:19:32,630 --> 00:19:36,930
الطبيعي للشبكة من ال input لحد ال output اللي

264
00:19:36,930 --> 00:19:46,190
موجودة عندى نقاط القوة في الشبكة انه فعليا بتتحكم

265
00:19:46,190 --> 00:19:49,950
او بتقدر تسيطر بشكل قوى على ال noise data اللي

266
00:19:49,950 --> 00:19:55,430
موجودة عندى هانبتقدر تعمل classification على

267
00:19:55,430 --> 00:19:57,790
untrained pattern بتقدر تتحملها detection بشكل

268
00:19:57,790 --> 00:20:02,670
بسيط مناسبة جدا لل continuous value في ال input و

269
00:20:02,670 --> 00:20:05,670
ال output على خلاف اللي احنا شفناهم سابقا ال

270
00:20:05,670 --> 00:20:09,750
classifiers السابقة بتشتغل مع أي قرية من ال real

271
00:20:09,750 --> 00:20:15,130
world data حتى لو كانت بال handwritten ال

272
00:20:15,130 --> 00:20:18,150
algorithm ممكن يطبق parallel بشكل متوازي وبتالي

273
00:20:18,150 --> 00:20:23,060
هذا بيعمل على تسريع العمل ال weaknesses تبعتهاإنها

274
00:20:23,060 --> 00:20:26,500
بتحتاج لفترة طويلة من التعليم لأن زي ما شوفنا أن

275
00:20:26,500 --> 00:20:33,340
الأوزان كلها بتتغير تخيل أنك في عندك عشرة input في

276
00:20:33,340 --> 00:20:38,060
عشرة hidden في أربعة أو بلاش في اتنين

277
00:20:41,140 --> 00:20:44,420
output اضرب هدول هي عبارة عن عدد ال connections

278
00:20:44,420 --> 00:20:47,320
اللي موجودة و عدد ال connections بعدد الأوزان

279
00:20:47,320 --> 00:20:52,760
وبالتالي بتكلم على 200 value كأوزان بدها تغيير مع

280
00:20:52,760 --> 00:20:57,000
كل عملية ال training و هذا مع كل instance وبالتالي

281
00:20:57,000 --> 00:21:01,860
موضوع ال training هياخد منه وقت طويل بتحتاج ده

282
00:21:01,860 --> 00:21:04,380
كتير من ال argument او من ال parameter انا بحتاج

283
00:21:04,380 --> 00:21:07,340
اعملها tuning بشكل صحيح عشان اقدر احصل على ال

284
00:21:07,340 --> 00:21:11,460
result المطلوبةمنها إن الـ structure تبعتها أبسط

285
00:21:11,460 --> 00:21:15,680
ما يمكن إيش ال structure؟ إيش ال activation

286
00:21:15,680 --> 00:21:19,380
function اللي أنا بدي اعتمدها؟ إلى آخرين الآن من

287
00:21:19,380 --> 00:21:22,520
أهم ال neural network اللي موجودة يا جماعة الخير

288
00:21:22,520 --> 00:21:26,200
شغلة بنسميها ال back propagate neural network back

289
00:21:26,200 --> 00:21:32,400
propagate الانتشار للخلف الآن أنا هوضحها بشكل سريع

290
00:21:32,400 --> 00:21:40,530
هان هحاول أرسمها على الصبورةبس عشان تنتين تلاتة

291
00:21:40,530 --> 00:21:52,390
أربعة واحدة تنتين تلاتة واحدة تنتين واحد اتنين

292
00:21:52,390 --> 00:21:54,230
تلاتة

293
00:22:23,390 --> 00:22:27,830
تمام عشان نفهم بس مبدأ ال neural network او ال

294
00:22:27,830 --> 00:22:31,210
back propagate neural network بشكل سريع و مش هخش

295
00:22:31,210 --> 00:22:34,730
المعادلات الرياضية التفصيلية اللي هشغل عليها لكن

296
00:22:34,730 --> 00:22:37,910
انا بهمني الان نفهم ال concept على السريع الان

297
00:22:37,910 --> 00:22:42,510
تخيل ان انا في عندى instance او ال data set

298
00:22:42,510 --> 00:22:45,810
المفروض ال data set تبعتي او ال data set تبعتي

299
00:22:45,810 --> 00:22:49,190
مكونة من four attributes و one class attribute

300
00:22:49,190 --> 00:22:56,110
مظبوط و one targetبنسميهم A1, A2, A3, A4 و ال

301
00:22:56,110 --> 00:23:03,770
label طبعا المفروض هنقل A1, A2, A3, A4 و هنا

302
00:23:03,770 --> 00:23:07,770
المفروض في عند ال label الآن الفكرة فيها أنه هياخد

303
00:23:07,770 --> 00:23:11,210
ال instance في الأول أول بعد ما بأتكلم على ال

304
00:23:11,210 --> 00:23:16,150
topology تبعتها بروح بياخد مني عندي random weight

305
00:23:19,480 --> 00:23:22,320
بياخد أوزان من صفر لواحد على كل ال connections

306
00:23:22,320 --> 00:23:28,500
اللي موجودة تمام؟ الآن بياخد ال value مثلا واحد

307
00:23:28,500 --> 00:23:32,340
واحد صفر واحد وال label تبعتها وكانت كانت على سبيل

308
00:23:32,340 --> 00:23:36,540
مثال واحد بالشكل هذا فبياخد القيام اللي موجودة هنا

309
00:23:36,540 --> 00:23:40,580
وبضربها مع الأوزان اللي موجودة لحد ما بياخد ال

310
00:23:40,580 --> 00:23:46,100
output الآن في عندي ال real class وفي عندي ال

311
00:23:46,100 --> 00:23:47,000
predicted class

312
00:23:49,540 --> 00:23:56,960
الفرق بينهم بيأخذ

313
00:23:56,960 --> 00:24:01,700
الخطأ هذا و بيبدأ يوزع بالعكس جداش الوزن كان هذا

314
00:24:01,700 --> 00:24:06,460
random جداش ال connection جداش كل connection ساهم

315
00:24:08,030 --> 00:24:13,810
بالوزن أو بالخطأ هذا فبتوزع عليهم الخطأ وكل مكان

316
00:24:13,810 --> 00:24:18,010
اللي predicted تبعتي صح بتكون ال error zero معناته

317
00:24:18,010 --> 00:24:21,530
أنا مش بحاجة أرجع يعني بين جثين ال neural network

318
00:24:21,530 --> 00:24:23,970
بشكل عام او ال back propagation neural network

319
00:24:23,970 --> 00:24:31,830
بشكل عام بتشتغل على two ways الباص الأولىمرحلة ال

320
00:24:31,830 --> 00:24:35,490
prediction باخد ال input تبعتي بدخلها على ال data

321
00:24:35,490 --> 00:24:37,810
على ال neural network بحسب لحد ما بحصل على ال

322
00:24:37,810 --> 00:24:43,110
output بحسب ال error و بروح بوزن قيمة أو بعدل

323
00:24:43,110 --> 00:24:48,010
الأوزان تبعا لقيمة الخطأ اللي موجود عندهم

324
00:24:49,890 --> 00:24:53,230
وهذا فعلياً اللي بتصير عندنا في الـ neural network

325
00:24:53,230 --> 00:24:56,510
في ال back propagate ال neural network ال forward

326
00:24:56,510 --> 00:25:01,970
path ال path الأولى بطبق ال input و بحسب ال output

327
00:25:01,970 --> 00:25:05,830
تبع ال activation function و بحسب الخطأ اللي موجود

328
00:25:05,830 --> 00:25:10,990
عندي في ال back propagate ال path أنا فعلياً باخد

329
00:25:10,990 --> 00:25:14,990
قيمة الخطأ و بعدل الأوزان حسب مساهمتها في نسبة

330
00:25:14,990 --> 00:25:21,120
الخطأ اللي موجودة عندنا هناأخر slide موجودة عندي

331
00:25:21,120 --> 00:25:25,880
هان اللي هي slide اللي لها علاقة بال بايثون كيف

332
00:25:25,880 --> 00:25:29,380
ممكن انا اطبق ال back propagation neural network

333
00:25:29,380 --> 00:25:38,420
على ال بايثون طبعا انا اشتغلت كتالي هان عملت load

334
00:25:38,420 --> 00:25:43,360
لل IRS لل data set اللي موجودة عندي هان from ASCII

335
00:25:43,360 --> 00:25:47,520
layer dot linear model import perceptron اشتغلت

336
00:25:47,520 --> 00:25:50,730
على الأبسطالـ neural network اللي موجودة عندنا هنا

337
00:25:50,730 --> 00:25:55,970
حددت ال target تبعتها و حولتها ل numbers setosa

338
00:25:55,970 --> 00:25:58,710
طبعا او not setosa هيك لان في ال binary

339
00:25:58,710 --> 00:26:01,130
classification and one او ال symbol ال neural

340
00:26:01,130 --> 00:26:03,670
network تشغل على binary classification زي ما شوفنا

341
00:26:03,670 --> 00:26:07,590
فحولت .. قلت اما هذا فيها three classes حولت ل two

342
00:26:07,590 --> 00:26:13,890
classes صفر و واحد setosa و not setosa استدعيت

343
00:26:13,890 --> 00:26:17,780
ال neural network تبعتي from ASCII learn.neural

344
00:26:17,780 --> 00:26:21,020
network and board multilayer perceptron classifier

345
00:26:21,020 --> 00:26:26,740
الموديل هذا يتطلب مني ان احدد له شغلات كتيرة عدد

346
00:26:26,740 --> 00:26:32,580
ال hidden layer قلت له تنتين و خمسة نيورون في كل

347
00:26:32,580 --> 00:26:36,830
واحدةأو الـ solver اللي هي ال activation function

348
00:26:36,830 --> 00:26:39,770
تبعتي ال alpha اللي بتمثل ال learning rate هذه

349
00:26:39,770 --> 00:26:43,290
مالكوش دخل فيها الآن ال solver و ال hidden layer

350
00:26:43,290 --> 00:26:46,850
size ال hidden layer size هي تبعتي المهمة بالنسبة

351
00:26:46,850 --> 00:26:49,750
لي ال activation function هي ال radial based

352
00:26:49,750 --> 00:26:53,490
function وهنا بنتكلم على ال network اللي موجودة

353
00:26:53,490 --> 00:26:57,430
هنا فقلتله أعمل train تبع ال X و ال Y فرح أعدل

354
00:26:57,430 --> 00:27:00,430
الأوزان اللي موجود عندى هنا فلما أنا بدي أزوده

355
00:27:00,430 --> 00:27:04,610
الآنData و اقوله اعملها prediction ال data بدها

356
00:27:04,610 --> 00:27:07,670
تكون تماما مع ال data مع ال input اللي موجودة

357
00:27:07,670 --> 00:27:11,850
عنديها و هذه ال data set هي عبارة عن مجموعة من

358
00:27:11,850 --> 00:27:15,490
العناصر اللي موجودة عندها اذا قدمتليها as in او

359
00:27:15,490 --> 00:27:19,230
matrix فاخدليها و في الآخر هتدين ل prediction اللي

360
00:27:19,230 --> 00:27:22,510
موجودة يعني باختصار بسيط جدا انا المفروض ان data

361
00:27:22,510 --> 00:27:27,070
set تبعتي احولها كلها ل numeric data في حال اذا

362
00:27:27,070 --> 00:27:31,680
كنت انا بدي اشتغل معالـ Neural Network بتمنى عليكم

363
00:27:31,680 --> 00:27:35,300
وهذه تجربوها وتفهموا الموضوع كويس وزي ما قلنا

364
00:27:35,300 --> 00:27:38,040
سابقا على ال forum اللي موجود على ال model أنا

365
00:27:38,040 --> 00:27:41,420
مستعد ان شاء الله تعالى للإجابة على أي سؤال وطبعا

366
00:27:41,420 --> 00:27:44,240
احنا اتعمدنا الإجابات على ال forum مش على الخاص

367
00:27:44,240 --> 00:27:48,520
عشان نقدر الفائدة تعمل لجميع والسلام عليكم ورحمة

368
00:27:48,520 --> 00:27:49,540
الله وبركاته