PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/URknbds3fEY_postprocess.srt

1
00:00:04,940 --> 00:00:07,280
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:07,280 --> 00:00:12,260
أهلا وسهلا فيكم في محاضرتنا المستمر .. في

3
00:00:12,260 --> 00:00:15,740
محاضراتنا المستمرة في مساق ال data mining وما زلنا

4
00:00:15,740 --> 00:00:20,980
بنتكلم في باب ال classification و بالتحديد هنتكلم

5
00:00:20,980 --> 00:00:24,660
اليوم على decision tree induction كنا في المحاضرات

6
00:00:24,660 --> 00:00:27,540
السابقة أو المحاضرة الأخيرة أضفنا شغلة جديدة كنا

7
00:00:27,540 --> 00:00:31,040
بنتكلم على النايف بياسوالـ Naive bias كانت فعليًا

8
00:00:31,040 --> 00:00:34,320
هي واحدة من الـ Probabilistic approach المستخدمة

9
00:00:34,320 --> 00:00:36,800
في ال machine learning من أجل ال classification

10
00:00:36,800 --> 00:00:41,680
وقلنا احنا بيلزمني ان اعمل حسبة لمجموعة من ال

11
00:00:41,680 --> 00:00:44,300
probabilities انا في عند ال instance اللي بدي ..

12
00:00:44,300 --> 00:00:46,600
اللي هي ال unseen instance اللي انا بدي اعملها

13
00:00:46,600 --> 00:00:50,440
classification بناء على ال .. وبالتالي ال class

14
00:00:50,440 --> 00:00:54,380
طبعة ال instance هاي الموجودة عندى تساوي ال

15
00:00:54,380 --> 00:00:58,370
maximum probabilityلل probabilities of the class

16
00:00:58,370 --> 00:01:05,470
في احتمالية ان تكون ال instance هذه مع ال class

17
00:01:05,470 --> 00:01:10,110
المعين و لما هروحنا بالتفصيل قلت انا فعليا بحاجة

18
00:01:10,110 --> 00:01:14,070
انه هي data set اروح انشئ الجدول هذا بحيث انه انا

19
00:01:14,070 --> 00:01:18,550
فالأروح حسبت ال probability لكل element أو لكل

20
00:01:18,550 --> 00:01:21,770
classes اللي موجودة عندى ومن ثم انتقلنا في الخطوة

21
00:01:21,770 --> 00:01:24,910
اللي بعدها جسمت أخدت ال attributes اللي المفروض

22
00:01:24,910 --> 00:01:27,370
اللي المفروض عندها nominal attributes أخدت

23
00:01:27,370 --> 00:01:30,950
distinct values وعملت حساب لكل واحدة فيهم وانتبه

24
00:01:30,950 --> 00:01:35,520
دائما وانتبه دائما ان انا فعليا هان قاعد باشتغلعلى

25
00:01:35,520 --> 00:01:38,840
ان ال probability نفسها يعني الآن عدد ال yes في ال

26
00:01:38,840 --> 00:01:42,880
data 6 اللي عندي هنا 4 على 10 ومن ثم مع كل route

27
00:01:42,880 --> 00:01:48,400
او كل attribute تحت ال yes هيكون 4 وكل مجموع

28
00:01:48,400 --> 00:01:51,920
العناصر تحت كل no هيكون 6 و هكذا و هذا مفتاح

29
00:01:51,920 --> 00:01:56,510
النجاح للعناصر الموجودة و لما اجينا بدنا نصنفالـ

30
00:01:56,510 --> 00:01:59,230
sunny و ال mild و ال height قلنا حسبت ال

31
00:01:59,230 --> 00:02:01,670
probability لل yes اللي كانت 4 على 10 في ال

32
00:02:01,670 --> 00:02:04,690
probability لل sunny على ال yes و قلنا هذا الجدول

33
00:02:04,690 --> 00:02:07,810
الأساس في الموضوع هي sunny و yes هيها 4 على 10

34
00:02:07,810 --> 00:02:12,530
مضروبة فيه العنصر التاني كانت mild ال probability

35
00:02:12,530 --> 00:02:17,190
تبعت ال mild يعني بين جسين هي ال yes ها دي مضروبة

36
00:02:17,190 --> 00:02:22,410
في هيفي الـ mild في الـ high وهذه العناصر كانت

37
00:02:22,410 --> 00:02:25,050
بتمثل ال probability فانا حسبت ال probability لل

38
00:02:25,050 --> 00:02:27,850
different classes اللي موجودة عندى واخدت ال

39
00:02:27,850 --> 00:02:31,810
maximum probability على ان هذه هي الاكتر احتمالا

40
00:02:31,810 --> 00:02:36,090
في موضوع ان هذا العنصر او هذه ال instance تنتمي لل

41
00:02:36,090 --> 00:02:40,850
class اللي موجود عندها الان اليوم ان شاء الله

42
00:02:40,850 --> 00:02:45,620
تعالى هننتقلالموضوع الجديد اللي هو موضوع ال

43
00:02:45,620 --> 00:02:49,500
decision tree في التعامل او ك different classifier

44
00:02:49,500 --> 00:02:53,300
ال decision tree هي واحدة من ال classifiers المهمة

45
00:02:53,300 --> 00:02:57,200
جدا المستخدمة في موضوع ال classification وهميتها

46
00:02:57,200 --> 00:03:00,840
نبتكمن ان ممكن انا ارسم الشجرة وبالتالي بصير تفسير

47
00:03:00,840 --> 00:03:04,000
ال model اللي موجود عندى او فهم ال model اللي عندى

48
00:03:04,000 --> 00:03:07,210
اكثر منغيره على سبيل المثال احنا قولنا في ال

49
00:03:07,210 --> 00:03:10,610
classifier الماضي اللي هو naive bias ان انا فعليا

50
00:03:10,610 --> 00:03:13,970
عند ال classifier هذا مهم او جيد لأنه انا بقدر

51
00:03:13,970 --> 00:03:17,090
افسر ليش النتيجة طلعت معايا هيك بناء انا على

52
00:03:17,090 --> 00:03:21,310
الاحتمالات اللي موجودة في ال decision tree كذلكفي

53
00:03:21,310 --> 00:03:24,590
decision tree هي عبارة عن انه انا فعليا حبني

54
00:03:24,590 --> 00:03:26,930
decision tree جماعة الخير لما انا بتكلم على

55
00:03:26,930 --> 00:03:31,210
decision tree اتذكروا خلينا نتذكر بشكل سريع ال

56
00:03:31,210 --> 00:03:34,930
binary search tree مابديش اكتر من هيك ال binary

57
00:03:34,930 --> 00:03:38,490
search tree كانت العناصر تبعتها انه كل node على

58
00:03:38,490 --> 00:03:43,580
الاكثر عندها two childمظبوط هذه هي ال binary tree

59
00:03:43,580 --> 00:03:47,140
وكان فيه rule بيحكمها ال rule انه انا في ال binary

60
00:03:47,140 --> 00:03:51,200
search tree ان كل القيم اللي على اليمين هان هتكون

61
00:03:51,200 --> 00:03:55,570
اكبرمن ال element وكل القيم اللي موجود عندها هن

62
00:03:55,570 --> 00:03:59,330
هتكون أصغر طب القيم المتساوية مالهاش وجود المكررة

63
00:03:59,330 --> 00:04:02,830
مالهاش وجود وبالتالي ال element مع كل node ال node

64
00:04:02,830 --> 00:04:05,690
اللي عنده القيم اللي موجودة هن هتكون أصغر من القيم

65
00:04:05,690 --> 00:04:08,810
اللي موجودة هن وهذه طبيعتها هتكون أصغر من القيم

66
00:04:08,810 --> 00:04:12,330
اللي موجودة عندها بمعنى أخر أن ال structure تبع ال

67
00:04:12,330 --> 00:04:15,250
decision tree أنا already بعرفها هي عبارة عن

68
00:04:15,250 --> 00:04:18,270
مجموعة من ال nodes و ال connection أو ال connected

69
00:04:18,270 --> 00:04:22,790
أو الgraph with no circuit زي ما كنا نسميها في الـ

70
00:04:22,790 --> 00:04:25,670
discrete mathematics أشبه بالـ flow chart زي ما

71
00:04:25,670 --> 00:04:28,750
قلنا سابقا في عند الـ internal node و اللي أنا

72
00:04:28,750 --> 00:04:32,150
فعليا هي ال value تبعت .. هتمثل ال value تبعت ال

73
00:04:32,150 --> 00:04:35,490
attribute اللي هحمل عليها الفحص هسأل قداش ال GPA

74
00:04:35,490 --> 00:04:40,550
أكبر أو تساوي كذا بروح يمين أقل أو false بروح يسار

75
00:04:40,550 --> 00:04:45,090
و هكذا فهذه ال internal node اللي هي عادة non-leaf

76
00:04:45,950 --> 00:04:49,790
بتحدد ال test تبع ال attribute ال branch بيمثل ال

77
00:04:49,790 --> 00:04:53,210
outcome وصولا لل leaf اللي موجودة عندى و ال leaf

78
00:04:53,210 --> 00:04:58,070
node بتمثل ال class و طبعا لازم كل شجرة يكون لها

79
00:04:58,070 --> 00:05:03,690
root node تعالى نشوف ال data set البسيطة اللى

80
00:05:03,690 --> 00:05:08,870
موجودة عندها ال data set هاي مكونة من 14 rowالـ

81
00:05:08,870 --> 00:05:12,490
Age و ال income و ال student و ال credit rating و

82
00:05:12,490 --> 00:05:15,710
ال class تبعتي و طبعا جماعة الخير لما احنا بنروح

83
00:05:15,710 --> 00:05:20,610
باتجاه ال binary class يعني two classes الأمر اللي

84
00:05:20,610 --> 00:05:23,690
أسهل عشان استوعب إيش اللي بيصير لإنه لما تصير في

85
00:05:23,690 --> 00:05:26,430
عندي تلاتة هتتشعب الأمور شوية في الحسبة لكن هي

86
00:05:26,430 --> 00:05:32,030
عبارة عن تكرار لما سبق الآن أنا هذا .. عندي مجموعة

87
00:05:32,030 --> 00:05:35,530
من الطلاب أو بيانات مجموعة من الناس اللي اشترت

88
00:05:35,530 --> 00:05:39,190
حاسبات و ال data set كانت قديمة في ال 2000فكان

89
00:05:39,190 --> 00:05:42,630
بيسأل هل هذا الشخص مؤهل أو ممكن مع احتمال ان يشتري

90
00:05:42,630 --> 00:05:47,430
جهاز ولا لأ بناء على حالته ال age لاحظ ال age أنا

91
00:05:47,430 --> 00:05:52,190
بتكلم على discrete او categorial data ال income

92
00:05:52,190 --> 00:05:56,210
high و low و medium طالب ولا غير طالب yes or no و

93
00:05:56,210 --> 00:06:00,750
ال credit ratingعادي او معتد الولا excellent

94
00:06:00,750 --> 00:06:03,830
بالنسبة للمتوسط الراتب تبعته وفي الآخر ال class

95
00:06:03,830 --> 00:06:07,330
اللي موجود عندهم الان لما انا بدي ابني tree ال

96
00:06:07,330 --> 00:06:11,730
tree هتاخد بالشكل هذا خلينا بس عشان ناخد على

97
00:06:11,730 --> 00:06:16,110
السريع ناخد ال role أول عشان نتذكر و نشوف كيف بدي

98
00:06:16,110 --> 00:06:19,350
اتعامل مع ال tree او كيف تشغل ك calisphere yes يث

99
00:06:19,350 --> 00:06:24,090
و high و no fair

100
00:06:26,540 --> 00:06:32,680
الـ target تبعتي؟ لا هذا أول روح بس أنا عشان أغير

101
00:06:32,680 --> 00:06:36,700
بدي أحق هنا yes عشان تصير هذا ال data أشبه بال

102
00:06:36,700 --> 00:06:41,660
unseen و أشوف بال classification تبعتها كيف بدها

103
00:06:41,660 --> 00:06:47,620
تكون الآن زي ما قلنا اللي يفهد ال age ال income

104
00:06:47,620 --> 00:06:50,860
student

105
00:06:50,860 --> 00:06:54,920
و في الآخر اللي هي ال credit

106
00:07:02,220 --> 00:07:06,100
rate حاجة على decision tree ال decision tree او ال

107
00:07:06,100 --> 00:07:09,400
model لما تم بناءه جالبه بيقول اهم element في

108
00:07:09,400 --> 00:07:13,660
القرار عندي ال edge و هنتعرف كمان لحظات ان شاء

109
00:07:13,660 --> 00:07:17,240
الله تعالى كيف احنا اختارنا ال edge ليش ماكنتش ل

110
00:07:17,240 --> 00:07:20,060
student او ل credit rating اللي هي ال attributes

111
00:07:20,060 --> 00:07:23,260
التانية و لاحظة ان في عندي بالكامل في عندي

112
00:07:23,260 --> 00:07:27,950
attribute غايب اللي هي موضوعالـ income في الـ

113
00:07:27,950 --> 00:07:30,530
decision tree اللي موجود عندي يعني هو كأنه بيقول

114
00:07:30,530 --> 00:07:35,270
ال income هان مش صاحب تأثير كتير على ال decision

115
00:07:35,270 --> 00:07:39,010
أو على القرار اللي موجود عندي طب كيف هذا الكلام

116
00:07:39,010 --> 00:07:44,590
صار؟ هنشوفه كمان شوية ليش؟ في دلالة تانية هان بيجي

117
00:07:44,590 --> 00:07:47,350
بيقول إنه ال high الأقل تأثيرا أو مالش تأثير يعني

118
00:07:47,350 --> 00:07:50,130
بقدر أنا أشيله أو أستغني عنه بجمع البيانات التانية

119
00:07:50,130 --> 00:07:55,510
بتكون أسهل الآن ال ageYouth, middle age و senior

120
00:07:55,510 --> 00:07:59,210
فى عندى تفرعات غير هيك لأ هدولة ال three discrete

121
00:07:59,210 --> 00:08:02,850
values اللى موجودة عندى بال age تمام حسب ال role

122
00:08:02,850 --> 00:08:09,970
عندهان يف هي ال يف إذا أنا سألته يف يعني خلاص كل

123
00:08:09,970 --> 00:08:14,010
branch السابق هاي ماليش دخل فيها إذا كان هو

124
00:08:14,010 --> 00:08:19,770
student غالبا هيشتري ومش هدور على الفيرم مش

125
00:08:19,770 --> 00:08:22,210
هتلزمني تعال طلع معايا عندهان

126
00:08:26,000 --> 00:08:28,800
و هذا الطالب بيكون هيشتري كمبيوتر لإيش؟ لأن إذا

127
00:08:28,800 --> 00:08:31,800
كان هو في ال middle ايه؟ أو في اليث صغير أو شاب

128
00:08:31,800 --> 00:08:35,300
يافع و طالب في نفس الوقت يعني طالب جامعة فغالبا

129
00:08:35,300 --> 00:08:38,820
هذا هيحتاج كمبيوتر و من ثم هيروح يشتريه لو أنا بدي

130
00:08:38,820 --> 00:08:42,000
أرجع لل data set اللي موجودة عندي هان وان اليث و

131
00:08:42,000 --> 00:08:49,200
student و fair yes يث student و fair

132
00:08:51,960 --> 00:08:54,880
عشان تلاحظ ان هدولة التنتين هما اللي كانوا اكتر

133
00:08:54,880 --> 00:09:00,340
تأثيرا في حالة ال elements اللي مولودة وهكذا لو

134
00:09:00,340 --> 00:09:05,040
كان still age في ال middle age مباشرة هيكون هيشتري

135
00:09:05,040 --> 00:09:08,040
ال attribute لو كان senior

136
00:09:10,850 --> 00:09:14,250
وال income rate اللي عنده fair غالبا مش هيشتريه

137
00:09:14,250 --> 00:09:17,210
وهذه هيك بتصير موضوع ال decision او موضوع ال

138
00:09:17,210 --> 00:09:19,950
classification يعني ال leaves اللي عندي في ال node

139
00:09:19,950 --> 00:09:23,850
او عفوا في ال .. في ال trees ال leaf nodes بتمثل

140
00:09:23,850 --> 00:09:27,930
ال classes اللي انا بقى ادور عليها وطبعا عمق

141
00:09:27,930 --> 00:09:33,210
الشجرة وحجمها مرتبط بعدد ال attributes وحجم ال

142
00:09:33,210 --> 00:09:35,970
data set اللي موجودة عندى

143
00:09:38,250 --> 00:09:42,710
الأن ال algorithm المستخدم مع ال decision tree

144
00:09:42,710 --> 00:09:50,490
اللي هو ال basic algorithm بنسميه C4.5 وهذا بيشتغل

145
00:09:50,490 --> 00:09:54,150
في مبدأ ال top-down recursive divide and conquer

146
00:09:54,150 --> 00:09:58,730
الان الناس اللي أخدت خوارزميات حتما مر عليها مصطلح

147
00:09:58,730 --> 00:10:03,170
divide and conquer الفكرة في ال algorithm هذا ان

148
00:10:03,170 --> 00:10:07,810
المشكلة الكبيرة جزئها بتقدر تسيطر عليهايعني

149
00:10:07,810 --> 00:10:11,630
بنجوسين حل جزء جزء من ال data set اللي موجودة عندك

150
00:10:11,630 --> 00:10:14,890
هنا و هنشوف كمان شوية و هذا المبدأ هو مبدأ ال

151
00:10:14,890 --> 00:10:17,870
greedy طبعا و من ثم ال algorithm هذا أخد ال greedy

152
00:10:17,870 --> 00:10:21,450
algorithm شو يعني greedy يعني الطماع فكرته بكل

153
00:10:21,450 --> 00:10:24,710
بساطة أنه أنا بنظر لل best solution في ال current

154
00:10:24,710 --> 00:10:29,210
stage ماليش على المدى البعيد إيش اللي بيصير عندي؟

155
00:10:30,520 --> 00:10:33,720
هبدأ مع كل examples هاخد مع ال data ال attributes

156
00:10:33,720 --> 00:10:38,280
لكل ال data set و اروح عشان اوجدها او اوجد من

157
00:10:38,280 --> 00:10:45,240
خلالها ال route الان كل ال data set اللي عندي هنا

158
00:10:45,240 --> 00:10:52,780
must be categorical الان في ال C4.5 كل ال

159
00:10:52,780 --> 00:10:56,500
attribute لازم تكون categorical طب انا ماعنديش انا

160
00:10:56,500 --> 00:11:01,750
عندي continuous value اعملها discretizationو كل بن

161
00:11:01,750 --> 00:11:06,030
اديها label و اعتمد اشتغل على ال label اللي موجود

162
00:11:06,030 --> 00:11:09,810
عندك هان يعني لما تيجي مثلا ال age نقول والله

163
00:11:09,810 --> 00:11:19,390
الياث من 16 مثلا ل 22 هيث ال

164
00:11:19,390 --> 00:11:24,870
age اقول مثلا من 23 الى 35 senior

165
00:11:26,900 --> 00:11:30,060
وبالتالي انا بقدر اشتغل .. بما ان ال algorithm بدو

166
00:11:30,060 --> 00:11:33,260
مني discrete او nominal data فبقدر اعمل

167
00:11:33,260 --> 00:11:37,140
discretization بعمل binning و بعد هيك بروح بحط

168
00:11:37,140 --> 00:11:43,280
label لكل bin او لكل interval في ال continuous

169
00:11:43,280 --> 00:11:47,000
attribute اللي موجودة عندهم على الرغم من هيك هتكلم

170
00:11:47,000 --> 00:11:51,160
كمان شوية بشكل بسيط في موضوع فعليا كيف ممكن انا

171
00:11:51,160 --> 00:11:54,620
افحص لو كان عندي continuous في algorithm مختلفة

172
00:11:54,620 --> 00:11:55,680
طيب

173
00:11:58,590 --> 00:12:03,350
ممتاز معناته انا فعليا هاخد ال data set و ابدأ امر

174
00:12:03,350 --> 00:12:08,530
على كل attribute و على كل ال rows و اجسم العناصر

175
00:12:08,530 --> 00:12:12,510
اللي موجودة ال test attribute اللي هيمثل ال node

176
00:12:12,510 --> 00:12:16,170
اللي هاخد عليها decision اللي سمينها بين جثين ال

177
00:12:16,170 --> 00:12:19,930
internal nodes سواء كانت هاي او هاي او هاي ماليش

178
00:12:19,930 --> 00:12:24,510
beliefs لأن ال leaves بتمثل ال classes الآن هذه ال

179
00:12:24,510 --> 00:12:29,850
test nodesأو test attributes هختارها تبعًا

180
00:12:29,850 --> 00:12:34,690
لهيوريستيك أو statistical measurement بناءً على

181
00:12:34,690 --> 00:12:38,510
مجموعة من ال rules المكتسبة سابقًا أو مجموعة من ال

182
00:12:38,510 --> 00:12:43,130
statistics هعتمدها مثل الinformation gain أو

183
00:12:43,130 --> 00:12:47,920
الgenie indexاللي هنشوف طبعا احنا هنكتفي في ال

184
00:12:47,920 --> 00:12:51,460
course هذا على حسبة ال information gain وممكن

185
00:12:51,460 --> 00:12:55,480
ازودكوا لاحقا ب description او بشرح لواحدة من ال

186
00:12:55,480 --> 00:13:00,440
algorithm التانية اللي موجودة بتاعنا متى بدي اوقف

187
00:13:00,440 --> 00:13:05,800
بوقف لما بتكون كل يعني في كل مرة احنا قولنا divide

188
00:13:05,800 --> 00:13:11,020
and conquer في ال data set بروح باخد ال data set و

189
00:13:11,020 --> 00:13:13,480
ببدأ بشتغل على ال attribute الأول ال attribute هذا

190
00:13:13,480 --> 00:13:21,080
جسم ال data set ل2 أو 3 data sets مع كل data set

191
00:13:21,080 --> 00:13:24,700
بأخدها إذا ال data set هذه كل العناصر اللي فيها

192
00:13:24,700 --> 00:13:28,480
بتنتمي لنفس ال class يعني خلاص مافيش شغل على ال

193
00:13:28,480 --> 00:13:32,680
data set هاي بمعنى آخر أنا أجيت لل middle age هنا

194
00:13:32,680 --> 00:13:37,500
لما روحت قلت طبعا احنا حسبنا قلنا اخترنا ان ال

195
00:13:37,500 --> 00:13:40,760
index هو ال major او ال root تبعتي الأول test

196
00:13:40,760 --> 00:13:44,420
attribute وجيت دورت في ال middle age

197
00:13:47,510 --> 00:13:58,370
Middle Age Middle Age تلاتاشة

198
00:13:58,370 --> 00:14:02,890
واربعتاش بكل ال middle age هدولة يشملهم هدولة

199
00:14:02,890 --> 00:14:07,250
بينتميوا لنفس ال class كلهم yes وبالتالي عند ال

200
00:14:07,250 --> 00:14:09,810
middle age مافيش عندي continuous خلاص أنا وصلت

201
00:14:09,810 --> 00:14:13,590
للنهايةلأ، طيب، ممتاز، معناته أول condition للـ

202
00:14:13,590 --> 00:14:18,070
stopping أن كل ال samples لل node المعضاها بتنتمي

203
00:14:18,070 --> 00:14:21,530
لنفس ال class زي ما شوفنا مع ال middle edge الحالة

204
00:14:21,530 --> 00:14:24,970
التانية، أنه أنا فعليا بضلني بأجسم أو بعمل

205
00:14:24,970 --> 00:14:32,250
partitioning لحد ما أصل أنه no remaining sample لل

206
00:14:32,250 --> 00:14:37,540
attributes الموجودة، بدي أرجع معاك كمان مرة عفواno

207
00:14:37,540 --> 00:14:40,260
remaining attributes او خلصت كل ال attributes اللي

208
00:14:40,260 --> 00:14:45,120
عندي او فعليا ماضلش عندي samples موجودة بدي ارجع

209
00:14:45,120 --> 00:14:48,840
معاك كمان مرهان انا الان هاتفقنا ان ال age هو اول

210
00:14:48,840 --> 00:14:55,700
واحد خلصت من ال middle age انا ايش

211
00:14:55,700 --> 00:15:04,270
بقي عندي بقي عندي ال young ال youthو ال senior ال

212
00:15:04,270 --> 00:15:08,610
data set تبعتي هتنجسم ل two data sets يث و senior

213
00:15:08,610 --> 00:15:15,110
يث و senior معناته انا هحصل على هاي

214
00:15:15,110 --> 00:15:19,990
ال data set اللي موجودة عندي ها هي اليث فهروح انا

215
00:15:19,990 --> 00:15:26,650
اخد هتعامل مع ال data set بعد هيك هايعلى إنها data

216
00:15:26,650 --> 00:15:30,390
set مستقلة و أعمل و أبدأ بالحسبة مرة تانية يعني

217
00:15:30,390 --> 00:15:36,370
بين جوسين أصبحت اليف الآن هي ال branch الآن مين

218
00:15:36,370 --> 00:15:40,830
ضال عندي income و student و ال credit هروح أدور

219
00:15:40,830 --> 00:15:45,850
بين هدول مين اللي هتكون عند ال test node هانو هعمل

220
00:15:45,850 --> 00:15:50,210
split لل data هذه ال data set انسي الباقي كله هعمل

221
00:15:50,210 --> 00:15:54,570
split لل data set هذه بناء على selected attribute

222
00:15:54,570 --> 00:15:57,930
بين جثين احنا شفنا بال example مسبقا انه ال

223
00:15:57,930 --> 00:16:01,530
student فكانت هي ال student ال student هدفي yes و

224
00:16:01,530 --> 00:16:06,370
no بناء عليهالـ data set بتنجي سيملة two data sets

225
00:16:06,370 --> 00:16:10,450
كمان مرة واحدة مع ال yes و واحدة مع ال no و بنقل

226
00:16:10,450 --> 00:16:14,510
طبعا بما انه انا student yes و no بروح بدور صارت

227
00:16:14,510 --> 00:16:17,450
هدولة بينتم دولة class و هدولة كل partition بينتم

228
00:16:17,450 --> 00:16:22,100
ال class معناته انا وجفتطيب فحصت ال .. عفوا فحصت

229
00:16:22,100 --> 00:16:26,320
ال age و فحصت ال student و فحصت ال income و في

230
00:16:26,320 --> 00:16:28,940
الآخر لاجيت ان انا فعليا مافيش عندي attributes

231
00:16:28,940 --> 00:16:32,200
فخلصنا فهذه ال condition او stopping conditions

232
00:16:32,200 --> 00:16:35,900
اللي انا ممكن اوقف عليها طالما ال data ستة بقعت

233
00:16:35,900 --> 00:16:40,840
كبيرة و فيها شغل ال decision tree بياخد مني وجد في

234
00:16:40,840 --> 00:16:44,820
موضوع القرار اللي موجود هنا كمان مرة بلخص بشكل

235
00:16:44,820 --> 00:16:50,430
سريعمتى انا ممكن اوقف اظل ابحث مين اللي بيحدد ال

236
00:16:50,430 --> 00:16:53,630
depth تبعت letter E ال depth تبعت letter E تحدد

237
00:16:53,630 --> 00:16:56,810
تبع ال dimensionality تبع ال data set عدد ال

238
00:16:56,810 --> 00:17:01,550
attributes و عدد ال rows الان متى بدي اوقف لما

239
00:17:01,550 --> 00:17:04,890
تكون كل ال sample في ال given node تنتمي لنفس ال

240
00:17:04,890 --> 00:17:07,950
class يعني لما انا اخترت ال attribute و روحت اعمل

241
00:17:07,950 --> 00:17:11,970
splitلاجيت واحدة من الـ partitions اللي موجودة

242
00:17:11,970 --> 00:17:13,970
بتنتمي لنفس ال class خلاص هاد ابنا مافيش فيها شغل

243
00:17:13,970 --> 00:17:16,870
لإن هاد ال decision تبعتها مباشرة لإنها بتنتمي

244
00:17:16,870 --> 00:17:20,850
لنفس ال class معناته خلاص اوصلت ال leave node ال

245
00:17:20,850 --> 00:17:29,750
leave node تبعتي ال leave node ال leave لماالخيار

246
00:17:29,750 --> 00:17:32,690
التاني أنه لما بكون فعليًا أنا عملت splitting لل

247
00:17:32,690 --> 00:17:35,250
data set على كل ال attributes وخلصت ال attributes

248
00:17:35,250 --> 00:17:40,030
تبعتي برضه ماعنديش شغل و there is no sample left

249
00:17:40,030 --> 00:17:43,610
مابغيش عندي ولا حاجة في ال data set عشان أجسمها

250
00:17:43,610 --> 00:17:47,510
على مستوى الرأس تعالوا نروح مع بعض من خلال نشوف ال

251
00:17:47,510 --> 00:17:52,910
information gain و هي الأكثر و الأشهر استخدامها و

252
00:17:52,910 --> 00:17:55,830
ال Gain Index هنتكلم على ال information gain بكل

253
00:17:55,830 --> 00:17:59,970
بساطةالـ information gain بتعتمد على ال

254
00:17:59,970 --> 00:18:02,830
probability مش احنا قلنا قبل شوية موضوع ال

255
00:18:02,830 --> 00:18:06,970
splitting او الفصل في ال attributes بيعتمد اعتماد

256
00:18:06,970 --> 00:18:12,250
كله على فعليا العناصر اللي موجودة على احتمال

257
00:18:12,250 --> 00:18:15,930
يقولنا اما heuristic rules او statistical

258
00:18:15,930 --> 00:18:19,650
measurement لما بتكلم على probability معناته انا

259
00:18:19,650 --> 00:18:22,950
جاي بتتكلم على احتمالات ال statistics الى اخرين

260
00:18:23,780 --> 00:18:27,160
بقول افترض ان الـ P I هي عبارة عن ال probability

261
00:18:27,160 --> 00:18:34,780
of an arbitrary tuple في ال data ال 6 تبعتي تبعتي

262
00:18:34,780 --> 00:18:36,740
تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي

263
00:18:36,740 --> 00:18:36,820
تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي

264
00:18:36,820 --> 00:18:37,520
تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي

265
00:18:37,520 --> 00:18:40,280
تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي

266
00:18:40,280 --> 00:18:49,560
تبعتي تبعتي تبعتي تبعتي تبعتي تبعتي تبع

267
00:18:51,740 --> 00:18:55,960
الـ Probability للـ CD الـ CI على ال D على كل

268
00:18:55,960 --> 00:18:59,300
Probability تبع ال data set اللي موجودة بكل بساطة

269
00:18:59,300 --> 00:19:04,400
أنا في عندي تلت عمليات حسابية هعملها عشان أخد ال

270
00:19:04,400 --> 00:19:07,560
decision و أحدد من ال test node اللي موجود عندي

271
00:19:07,560 --> 00:19:11,540
الأولى هسميها ال expected information أو ال

272
00:19:11,540 --> 00:19:19,260
entropy وهي لكل ال data set اللي موجودة عندي هنا

273
00:19:19,260 --> 00:19:27,600
شو يعني؟الان مطلوب مني ان احسب ال information او

274
00:19:27,600 --> 00:19:31,140
ال entropy لل classes اللي موجودة في ال data set

275
00:19:31,140 --> 00:19:34,700
لكل ال data set وهنا بنجو سين وكأني بده يقوللي

276
00:19:34,700 --> 00:19:40,940
احسب احتمالية او احسب ال probability لكل class في

277
00:19:40,940 --> 00:19:43,880
ال data set عدد مرات ظهور ل class في ال data set

278
00:19:43,880 --> 00:19:46,840
اللي موجودة عندي هنا وبعد هيك بروح طبق عليهم

279
00:19:46,840 --> 00:19:51,840
العملية يعني انا لو كنت على سبيل المثالال data 6

280
00:19:51,840 --> 00:19:57,580
تبعتي فيها عشر element أربعة منهم yes وستة منهم no

281
00:19:57,580 --> 00:20:01,040
أنا

282
00:20:01,040 --> 00:20:04,100
في عيني بتكلم على binary classification yes or no

283
00:20:04,100 --> 00:20:10,200
أربعة yes وستة no ال information gained لل data 6

284
00:20:10,200 --> 00:20:16,720
تبعتي كلها هي عبارة عن مجموع ناقص

285
00:20:16,720 --> 00:20:20,600
مضروبة فيه ال probability تبعت ال data الأولى

286
00:20:22,150 --> 00:20:28,310
احتمال ال class الأول 4 على 10 مضروبة في log ال 4

287
00:20:28,310 --> 00:20:33,210
على 10 للأساس 2 زائد

288
00:20:34,590 --> 00:20:40,310
6 على 10 مضروبة في ال logarithm 6 على 10 ال

289
00:20:40,310 --> 00:20:44,350
logarithm ال binary logarithm و هكذا ليش القيمة

290
00:20:44,350 --> 00:20:48,030
هتداني إشارة سالبة لأن ال logarithm تبعت ال binary

291
00:20:48,030 --> 00:20:52,690
بتاعة الكسل هتطلع عندى سالب و إذا بتذكروا في عندى

292
00:20:52,690 --> 00:21:01,740
log ال X على ال Yتساوي log X ناقص log Y وبما ان ال

293
00:21:01,740 --> 00:21:05,200
Y عندي اكبر من ال X فستكون القيمة اللي عندي سالبة

294
00:21:05,200 --> 00:21:07,880
عشان انا اخلص منها اخلص منها فكانت القيام اللي

295
00:21:07,880 --> 00:21:12,360
عندي هان هتطلع قيم موجبة واضح الأمور ان شاء الله

296
00:21:12,360 --> 00:21:18,090
جماعة الخيرالان يعني اول شغلة فعليا انا هسويها

297
00:21:18,090 --> 00:21:21,350
هروح احسب ال probability لكل class او بين جثين

298
00:21:21,350 --> 00:21:27,670
هحسب ال entropy هي عبارة عن حاصل .. عبارة عن مجموع

299
00:21:27,670 --> 00:21:33,310
حاصل ضرب ال probability لكل class في ال logarithm

300
00:21:33,310 --> 00:21:38,830
او ال binary log ل ال probability ل ال class اللي

301
00:21:38,830 --> 00:21:41,930
موجود عندى و زي ما بقوله بال .. بال .. بال ..

302
00:21:42,360 --> 00:21:45,340
بالمثال يتضح المقار كمان شوية هنتقل للمثال

303
00:21:45,340 --> 00:21:50,740
بالتفصيل ان شاء الله تعالى الخطوة اللي بعد هيك بدي

304
00:21:50,740 --> 00:21:58,260
اروح لكل attribute A احاول فعليا هيجسم ال data set

305
00:21:58,260 --> 00:22:02,040
لمجموعة من ال partitions جداش عدد ال V هذه او جداش

306
00:22:02,040 --> 00:22:07,420
عدد ال partitions بعدد ال distinct values اللي

307
00:22:07,420 --> 00:22:12,630
موجودة عندى فيه ال attributeيعني ال age كان في

308
00:22:12,630 --> 00:22:19,910
عندي تلاتة three three values يث و middle age و

309
00:22:19,910 --> 00:22:23,570
senior ففعليا ال attribute ال age هي

310
00:22:26,960 --> 00:22:30,380
الـ Attribute الـ Age يث و Middle Age والسينيور

311
00:22:30,380 --> 00:22:33,860
هيلي الـ three distinct values ففعليا بناء على ال

312
00:22:33,860 --> 00:22:38,600
attribute هذا هجسم ال data ستة باعتي كلها ل three

313
00:22:38,600 --> 00:22:43,860
.. ل three subsets ل three partitions مع كل واحدة

314
00:22:43,860 --> 00:22:46,600
من ال values اللي موجودة عندي هنا عشان انا فعليا

315
00:22:46,600 --> 00:22:52,190
اروحأحسب ال information لل attribute اللي موجودة

316
00:22:52,190 --> 00:22:56,050
عندها ايش ال information لل attribute ال

317
00:22:56,050 --> 00:23:01,870
information لل attribute يساوي ال summationاحتمال

318
00:23:01,870 --> 00:23:04,870
ال element اللي عندي او ال class اللي موجودة عندي

319
00:23:04,870 --> 00:23:08,310
هنا لل attribute فيه ال information تبعت ال subset

320
00:23:08,310 --> 00:23:12,390
اللي موجودة يعني بين جسيم ال subset الجديدة انا

321
00:23:12,390 --> 00:23:16,770
هشتغل عليها و احسبها ال intro b السابقة بعد ما

322
00:23:16,770 --> 00:23:23,570
احسب ال information لل attribute ال gain الانحياز

323
00:23:25,400 --> 00:23:28,740
لأ ال element اللى موجود عندى هان أو التحصيل اللى

324
00:23:28,740 --> 00:23:33,400
ممكن نسميها التحصيل ال a هي عبارة عن ال

325
00:23:33,400 --> 00:23:38,760
information لل D الأولى ناقص ال information أو ال

326
00:23:38,760 --> 00:23:41,640
entropy تبعت ال attribute اللى عندى ال entropy

327
00:23:41,640 --> 00:23:47,180
تبعت ال attribute اللى عندى يعني أنا فعليا هاخد

328
00:23:47,180 --> 00:23:53,540
هاي و هايهتراحهم من بعض بس ما تنسوش انه فعليا هذه

329
00:23:53,540 --> 00:23:59,580
هي نفسها اللي فوق بس على different subset او على

330
00:23:59,580 --> 00:24:03,680
different data set او بين جسين على subset set تبعا

331
00:24:03,680 --> 00:24:07,320
لل values اللي جسمها لل partition اللي جسمت ليها

332
00:24:07,320 --> 00:24:11,480
ال attribute اللي عندنا تعالوا نروح هن و نشوف

333
00:24:11,480 --> 00:24:17,140
المثال اللي موجود عندنا قلنا في الخطوة رقم واحدفي

334
00:24:17,140 --> 00:24:21,600
الخطوة رقم واحد قلنا انا اتفقنا ان انا فعليا هروح

335
00:24:21,600 --> 00:24:24,800
احسب ال information gain او ال entropy لكل ال data

336
00:24:24,800 --> 00:24:29,260
set ممتاز عشان احسب ال entropy لكل ال data set

337
00:24:29,260 --> 00:24:33,540
بنذكر قلنا هو عبارة عن ال summation سالب واحد في

338
00:24:33,540 --> 00:24:40,160
ال summation في probability لل I في log ل ال P I

339
00:24:40,160 --> 00:24:43,960
ال probability لل I و ايش قلنا هاي ال classوالـ I

340
00:24:43,960 --> 00:24:46,920
بيتساوى من واحد لأن بعدد ال classes اللي موجودة

341
00:24:46,920 --> 00:24:51,360
حسب ال data set اللي موجودة عندها حسب ال data set

342
00:24:51,360 --> 00:24:53,900
اللي موجودة عندها انا في عندى two different

343
00:24:53,900 --> 00:24:58,680
classes only two different classes only اللي هم

344
00:24:58,680 --> 00:25:05,940
yes و no حجم ال data set كل هجدش يا جماعة الخير 14

345
00:25:05,940 --> 00:25:11,280
عدد ال yes 9 معناته ال probability تبعتها 9 على 14

346
00:25:13,570 --> 00:25:18,130
الـ Probability للـ Yes 9 على 14 طب عدد الـ No

347
00:25:18,130 --> 00:25:24,810
بجيتها 5 5 على 14 هي الاحتمالية تبعتها 5 على 14

348
00:25:24,810 --> 00:25:31,190
وبهيك أنا حصلت على أول خطوةاللي هي عرفت ال

349
00:25:31,190 --> 00:25:34,790
probability تبعت لـ classes اللي موجودة عندي اللي

350
00:25:34,790 --> 00:25:37,570
هي ال probability لل yes و ال probability لل no

351
00:25:37,570 --> 00:25:40,030
الخطوة التالية اللي المفروض ان انا اشتغل عليها

352
00:25:40,030 --> 00:25:43,410
الان ان انا بدروح احسب ال information او ال

353
00:25:43,410 --> 00:25:48,210
entropy تبعتي بالمعادلة التالية ال information

354
00:25:48,210 --> 00:25:57,610
هنرمزلها لل I لل data set تبعتي تساوي تساوي

355
00:25:59,800 --> 00:26:04,940
I تسعة كما خمسة تسعة و خمسة هدول هم الاربعتاش

356
00:26:04,940 --> 00:26:07,660
تبعوتي يا جماعة الخير الان هي القانون تبع ال

357
00:26:07,660 --> 00:26:12,580
information هيه بيلزمني فيها ان اعرف ال

358
00:26:12,580 --> 00:26:16,020
probability لل yes و ال probability لل no وهذا

359
00:26:16,020 --> 00:26:24,260
الكلام يساوي ماقص مضروبة فيه كام class and two

360
00:26:24,260 --> 00:26:27,790
class هيهم هدوللو كانوا تلاتة هيكونوا تلاتة لو

361
00:26:27,790 --> 00:26:32,130
أربعة هيكونوا أربعة إلى آخره مع كل واحدة فيهم الان

362
00:26:32,130 --> 00:26:36,270
تسعة على أربعة اتناش هي تبعت ال class الأول اللي

363
00:26:36,270 --> 00:26:42,030
بين جثين احنا قلنا ال yes مضروبة في ال binary

364
00:26:42,030 --> 00:26:48,970
logarithm للتسعة على أربعة اتناشمجموعة لهم مجموعة

365
00:26:48,970 --> 00:26:54,010
الخمسة تبعتها الخمسة تبعت النو خمسة على أربعة عاش

366
00:26:54,010 --> 00:27:01,670
مضروبة في ال logarithm ال binary logarithm الخمسة

367
00:27:01,670 --> 00:27:07,950
على أربعة عاش هذا ال gain تبعت كل ال data set

368
00:27:07,950 --> 00:27:11,230
توزيعت ال data set عندي على two classes تذكر كمان

369
00:27:11,230 --> 00:27:17,750
مرةواحدة اتين تلاتة اربعة خمسة no خمسة من اربعة

370
00:27:17,750 --> 00:27:21,290
اتاشر معناته عندى تسعة yes والان قولنا هي قانونهم

371
00:27:21,290 --> 00:27:25,670
قانون ال information او ال gain عفوا ال entropy لل

372
00:27:25,670 --> 00:27:30,730
data set هي عبارة عن سالب واحد مضروبة في مجميع ل

373
00:27:30,730 --> 00:27:35,410
probability لكل class مضروبة في ال log ل log ل

374
00:27:35,410 --> 00:27:38,650
probability لكل class فانا هيني حسبت المعادلة اللى

375
00:27:38,650 --> 00:27:40,670
موجودة عندى هتظهر من خلال

376
00:27:43,770 --> 00:27:51,650
سلايد هيه وهذه

377
00:27:51,650 --> 00:27:59,370
قيمتها point تسعة أربعة أو أربعة وتسعين من مية هذه

378
00:27:59,370 --> 00:28:03,130
ثابتة هتكون لكل ال data set لكل training set اللي

379
00:28:03,130 --> 00:28:06,830
أنا ببني عليها ال model ممتاز انا مشيت اول خطوة في

380
00:28:06,830 --> 00:28:12,030
الحل الخطوة التالية ان انا فعليا بدي اروح اي اتنين

381
00:28:16,020 --> 00:28:22,480
بدأ أحسب ال information لكل attribute موجود في ال

382
00:28:22,480 --> 00:28:28,200
data set لكل attribute؟ صحيح فهأخد احسب ال intro

383
00:28:28,200 --> 00:28:33,140
بالان او ال information gain لل age و احسب ال

384
00:28:33,140 --> 00:28:39,490
informationGain للـ income لل student لل credit

385
00:28:39,490 --> 00:28:45,670
rating و هكذا خليني انا ابدأ معاكوا و اذكركم ان

386
00:28:45,670 --> 00:28:48,670
انا فعليا بحسب ال information gain لل attribute

387
00:28:52,790 --> 00:28:56,270
تبقى على ال data set اللي موجودة عندها لأن ال

388
00:28:56,270 --> 00:28:59,750
summation على عدد ال partitions ال summation ال V

389
00:28:59,750 --> 00:29:02,830
زي ما قلنا قبل شوية هيها اللي هي عدد ال partitions

390
00:29:02,830 --> 00:29:08,650
اللي عندها number of partitions حجم

391
00:29:08,650 --> 00:29:12,850
ال partition لل data set عدد عناصر ال partition

392
00:29:12,850 --> 00:29:16,290
لعدد عناصر ال data set ratio احتمال ولا لأ

393
00:29:16,290 --> 00:29:21,880
probability ضرب ال informationلل data set أو لل

394
00:29:21,880 --> 00:29:25,700
partition اللي موجودة عندي يعني مع كل partition

395
00:29:25,700 --> 00:29:30,060
انا بجسمه هروح احسب ال information لل data set

396
00:29:30,060 --> 00:29:33,120
لجديدة و هذه مبدأ ال divide and conquer زي ما قلنا

397
00:29:33,120 --> 00:29:36,300
سابقا في الالجو في الخصائص اللي موجودة هنا خلينا

398
00:29:36,300 --> 00:29:41,780
ناخد ال age ال age بجسم ال data set اللي عندي ل

399
00:29:41,780 --> 00:29:45,280
three partitions بناء على مين؟ بناء على ان عندي

400
00:29:45,280 --> 00:29:51,120
youthو middle age و senior فش عني غيرهم هايهم ال

401
00:29:51,120 --> 00:29:56,100
different elements اللي موجودين عندى الآن إيش هروح

402
00:29:56,100 --> 00:30:08,600
أساوي بهمش هروح أشتغل التالي هعمل جدول بسيط

403
00:30:08,600 --> 00:30:11,680
إيش

404
00:30:11,680 --> 00:30:15,570
ال values اللي موجودة عندى هناطب انا بتكلم على ال

405
00:30:15,570 --> 00:30:26,170
age الان ك attribute ال value تبعتي جدش

406
00:30:26,170 --> 00:30:32,330
منهم yes جدش منهم no و بدى اروح احسب ال intro بيه

407
00:30:32,330 --> 00:30:35,610
تبعت ال yes و ال no

408
00:30:41,850 --> 00:30:47,750
متفقين الآن احنا في عيننا قولنا three elements او

409
00:30:47,750 --> 00:30:59,670
three different values موجودة عندى الأولى يث هى

410
00:30:59,670 --> 00:31:07,030
واحدة يث تنتين تلاتة اربعة خمسة

411
00:31:10,000 --> 00:31:17,900
no بتعد ال yes الان واحدة تنتين تلاتة تلاتة yes

412
00:31:17,900 --> 00:31:21,380
وتنتين

413
00:31:21,380 --> 00:31:27,740
no الان المطلوب مني هو فعليا انا عند خمسة yes

414
00:31:27,740 --> 00:31:32,760
العدد هم هتوزع تلاتة و اتنين مقلوب مني احسب I

415
00:31:32,760 --> 00:31:38,540
تلاتة و اتنينالـ Entropy للـ Yes والـ No تبع لل

416
00:31:38,540 --> 00:31:41,540
class اللي موجود عندهم تعالى نشوف البعد هيك ال

417
00:31:41,540 --> 00:31:47,300
middle age هي واحدة واحدة middle age اتنين تلاتة

418
00:31:47,300 --> 00:31:58,720
اربعة اربعة middle age توزعتهم

419
00:31:58,720 --> 00:32:09,170
واحدة yes تنتين yes تلاتة yesأربعة yes أربعة yes

420
00:32:09,170 --> 00:32:12,830
هم كله عددهم أربعة فكم منهم أربعة yes معناته صفر

421
00:32:12,830 --> 00:32:18,930
منهم no صحيح الكلام هيك و هيك صار في عندي أربعة و

422
00:32:18,930 --> 00:32:26,250
zero بالنسبة لل senior الآن

423
00:32:26,250 --> 00:32:30,290
صار في عندي تلاتة عفوا احنا قولنا هنا خمسة وهنا

424
00:32:30,290 --> 00:32:34,970
أربعة مجموحهم تسعة جدش باقي عندي جدش باقي عندي

425
00:32:39,130 --> 00:32:43,930
خمسة ليش؟ لأن ال data set حجمها 14 element فصار في

426
00:32:43,930 --> 00:32:47,070
عندي تسعة rows موجودين مع ال value الأولى و

427
00:32:47,070 --> 00:32:50,070
التانية لأنه ماتنساش و ماتنسيش أنه أنا قلت بدي

428
00:32:50,070 --> 00:32:55,270
أجسم ال data set ل N من ال partition ال H بتجسم ال

429
00:32:55,270 --> 00:32:59,710
data set اللي هي ال 14 row ل 3 partitions أنا حصلت

430
00:32:59,710 --> 00:33:04,610
خمسة مع الياث مع الياثو 4 rows مع ال middle و خمسة

431
00:33:04,610 --> 00:33:08,430
هم الباقين هيكونوا مع مين مع ال senior تعالى نعد

432
00:33:08,430 --> 00:33:14,270
مع ال senior senior

433
00:33:14,270 --> 00:33:21,250
yes senior yes no

434
00:33:22,980 --> 00:33:28,620
senior yes وهي قيمة الأخيرة yes معناته انا عندي مع

435
00:33:28,620 --> 00:33:35,160
ال senior تنتين yes و تلاتة no اتنين و تلاتة

436
00:33:35,160 --> 00:33:41,780
وبالتالي انا لازم احسب ال entropy لتنين و تلاتة ال

437
00:33:41,780 --> 00:33:46,340
entropy هاي او ال information gain كيف حسبناها

438
00:33:46,340 --> 00:33:51,320
قانونها معروف سابقا ماتنسوش او ماتنسوش مطلقا عبارة

439
00:33:51,320 --> 00:33:58,630
عن ناقصفي مجموع ال probabilities للبي في log ال

440
00:33:58,630 --> 00:34:04,270
binary log للبي ال probability وال I تسوى من واحد

441
00:34:04,270 --> 00:34:13,010
لعدد ال classes ساميه C الآن

442
00:34:14,700 --> 00:34:17,760
ال data set هاي مش احنا قولنا divide and conquer

443
00:34:17,760 --> 00:34:21,940
جسمنا ال data set والان بدي اعيد نفس الشغل عليها

444
00:34:21,940 --> 00:34:25,000
نفس الحسبة فبرحت انا بدي احسب ال information gain

445
00:34:25,000 --> 00:34:30,520
لهاي وهد اللي المفروض تساوي ناقص مضروبة فيه تلاتة

446
00:34:30,520 --> 00:34:37,040
على خمسة في log أيوة جداش في ال binary log صحيح

447
00:34:37,040 --> 00:34:43,800
تلاتة على خمسة زائد اتنين على خمسة في logاثنين على

448
00:34:43,800 --> 00:34:49,600
خمسة هذه ال intro بالأولى هذه جمعة الخير صفر ليش

449
00:34:49,600 --> 00:34:59,080
ناقص اربعة على خمسة اربعة على خمسة اربعة على خمسة

450
00:34:59,080 --> 00:35:07,160
اربعة على اربعة sorry اربعة على اربعة في log ال

451
00:35:07,160 --> 00:35:13,210
binary للاربعة على اربعة اللي هي واحد صفرزائد صفر

452
00:35:13,210 --> 00:35:21,090
على أربعة في log صفر على أربعة ومن ثم القيمة هذه

453
00:35:21,090 --> 00:35:24,430
هتروح عندي وهذه هي نفس اللي فوق بس مع تغيير ال

454
00:35:24,430 --> 00:35:30,110
terms اللي موجودة عندها بنفس الحسبة وبالتالي أنا

455
00:35:30,110 --> 00:35:33,450
حسبتها في الجدول فطلعت معايا هيها

456
00:35:39,160 --> 00:35:43,280
خلصت؟ لأ لسه مخلصش بقال علي خطوة واحدة عشان اعرف

457
00:35:43,280 --> 00:35:51,340
ان ال gain تبعت ال age جديش بدي اروح اقوله ال gain

458
00:35:51,340 --> 00:35:56,140
تبعت ال data set اللي كلها اللي هي جمع الاي للتسعة

459
00:35:56,140 --> 00:36:02,380
وخمسة حسبناها point تسعة اربعة صفر في ال slide

460
00:36:02,380 --> 00:36:03,020
السادق هي

461
00:36:06,330 --> 00:36:10,670
لما حسبناها هان لكل ال data set ال gain او ال

462
00:36:10,670 --> 00:36:13,470
intro لكل ال data set حسبت الان ال intro ل ال age

463
00:36:13,470 --> 00:36:19,210
هيها الان الخطوة اللي هشتغل عليها انه بدي اجيب ال

464
00:36:19,210 --> 00:36:23,510
information gain لكل واحد فيهم طبعا المفروض انا

465
00:36:23,510 --> 00:36:27,350
ممكن اشتغل الخطوة هاي تباعا اجرح اقوله مباشرة الان

466
00:36:27,350 --> 00:36:35,550
ال information gain لل age تساوي

467
00:36:36,360 --> 00:36:40,700
أو الـ Gain للـ Age تساوي ال Entropy لكل ال data

468
00:36:40,700 --> 00:36:46,120
set نقص ال Entropy تبع ال Age ال

469
00:36:46,120 --> 00:36:53,940
Gain لل Age تساوي ال Entropy لل data set 0.94 ناقص

470
00:36:53,940 --> 00:37:02,900
ال Entropy ل ال Age اللي موجود عندى 6.94تساوي طبعا

471
00:37:02,900 --> 00:37:06,620
ممكن تشتغل الخطوة التالية تشتغل مع ال income بنفس

472
00:37:06,620 --> 00:37:09,200
ال concept ال income في عندي برضه .. برضه هان في

473
00:37:09,200 --> 00:37:12,420
عندي three different values ال income في عندي

474
00:37:12,420 --> 00:37:16,340
three different values high و medium و low

475
00:37:16,340 --> 00:37:19,840
توزيعتهم بنفس الكيفية و بحسب ال entropy ل ال yes و

476
00:37:19,840 --> 00:37:28,780
ال no و هكذا هى حسبت ال entropy ل ال ..Informat ..

477
00:37:28,780 --> 00:37:32,880
لل income ال intro بي ل ال student ال intro بي ل

478
00:37:32,880 --> 00:37:39,660
مين ل ال credit rating الآن خطوة تالية هروح رحسب

479
00:37:39,660 --> 00:37:45,500
ال information gain او ال gain تبعت ال age و ال

480
00:37:45,500 --> 00:37:50,660
gain تبعت هنا في slides مفقودة المفروض انا شكلي

481
00:37:50,660 --> 00:37:54,420
نسيها او ما شابه لأ هي نفس ال .. okay بس مش مفصلة

482
00:37:54,420 --> 00:38:01,550
فحسبت ال gain لل ageالـ gain للـ age هي

483
00:38:01,550 --> 00:38:08,250
عبارة عن الـ entropy لكل ال data 6.94% ناقص ال

484
00:38:08,250 --> 00:38:13,450
entropy تبعت ال age اللي هي 694 من الف و هيكون

485
00:38:13,450 --> 00:38:19,370
الفرق بينهم 246 من الف و روحت حسبت ال incomeأو ال

486
00:38:19,370 --> 00:38:25,090
gain لل income ال gain لل student و ال gain لل

487
00:38:25,090 --> 00:38:29,630
credit rating لاحظ ال credit rating اقل ما يمكن

488
00:38:29,630 --> 00:38:36,270
اقل اصغر واحدة من العناصر الموجودة عندى اقل

489
00:38:36,270 --> 00:38:40,830
واحدة مع ال income مالهاش كان الهاش اقل تأثيرا

490
00:38:42,420 --> 00:38:47,460
الفكرة ان انا بدي اروح اخد او بدي اعمل split على

491
00:38:47,460 --> 00:38:56,160
ال maximum gain لل attributes مين

492
00:38:56,160 --> 00:39:05,760
ال maximum؟ هي لان 244 من 1000 اكبر من اكبر قيمة

493
00:39:05,760 --> 00:39:09,680
موجودة فيهم اللي هي هنا مع ال studentوهذا بتديني

494
00:39:09,680 --> 00:39:12,040
إشارة إن ممكن ال student تكون هي ال next element

495
00:39:12,040 --> 00:39:14,920
اللي أنحمل عليه splitting لكن مش قضيتي في الآخر

496
00:39:14,920 --> 00:39:26,420
أنا هاي الآن الآن ال data set هرجعلها ال

497
00:39:26,420 --> 00:39:30,660
data set الآن هنعملها partitioning هي ال data set

498
00:39:30,660 --> 00:39:37,180
كيف ال partition تبعتي؟ بيبقى إنه قال لي إن ال age

499
00:39:37,180 --> 00:39:43,030
هي هتكون الأساسكل الروز المحوطة باللون الأحمر هذه

500
00:39:43,030 --> 00:39:49,510
أو بين جثين التبعت اليف هتمثل

501
00:39:49,510 --> 00:39:56,030
one data set خمسة

502
00:39:56,030 --> 00:40:00,950
روز تمام؟

503
00:40:00,950 --> 00:40:05,930
بعد هيك ال middle age لحالهم اللي باللون الأزرق

504
00:40:05,930 --> 00:40:07,010
عمالي بحوط عليهم

505
00:40:15,180 --> 00:40:19,840
هدولة أربعة .. أربعة وضلوا ال senior العناصر

506
00:40:19,840 --> 00:40:23,460
الباقية يعني بين قوسين إن ال data ستة بقى هتنجسم

507
00:40:23,460 --> 00:40:28,020
الآن بعد ما أخدت ال route أنا هيها بقول ال age هي

508
00:40:28,020 --> 00:40:32,220
الأساس لإن هي صاحبة الأكبر gain هيها فبدي أجسم ال

509
00:40:32,220 --> 00:40:35,000
data ستة بقى لل three values اللي موجودة عندي يعني

510
00:40:35,000 --> 00:40:38,940
ال youth و ال middle age و ال senior ممتاز

511
00:40:44,580 --> 00:40:48,980
جسمناهم هذه ال data set اللى موجودة عندى الآن على

512
00:40:48,980 --> 00:40:54,480
السريع شو هروح أساوي هاخد كل data set لان لاحظ ان

513
00:40:54,480 --> 00:40:56,040
عمود ال student اختفت

514
00:40:58,670 --> 00:41:03,170
عمود ال age اختفت ..عمود ال age اختفت ..الان كل

515
00:41:03,170 --> 00:41:08,270
واحدة من ال data set هشتغل عليها بشكل مستقل لحد ما

516
00:41:08,270 --> 00:41:13,150
احقق واحد من الشروط التلاتة اما فعليا كل ال

517
00:41:13,150 --> 00:41:17,690
attributes او كل ال symbols تمتم لنفس ال classأو

518
00:41:17,690 --> 00:41:21,290
ماضلش فيه عندي more attributes أنا جسمها أو ماضلش

519
00:41:21,290 --> 00:41:24,450
فيه عنده rows بعد هيك يعني بين جثين حاجة لهان الآن

520
00:41:24,450 --> 00:41:28,890
و هشتغل عليها بشكل مستقل هذه الآن new data set

521
00:41:28,890 --> 00:41:34,490
هحسبلها information لمين؟ هذه كلها خمس عناصر اتنين

522
00:41:34,490 --> 00:41:39,330
و تلاتة هذه ال information اللي اديه كلها ال ID

523
00:41:39,330 --> 00:41:42,630
تبعتي I

524
00:41:43,610 --> 00:41:49,410
تلا .. اتنين لليس و تلاتة لل no وهذا تساوي سالب في

525
00:41:49,410 --> 00:41:55,770
مجموع .. في مجموع او بلاش نحط المجموع هيها اتنين

526
00:41:55,770 --> 00:42:02,790
على خمسة في log اتنين على خمسة زائد تلاتة على خمسة

527
00:42:02,790 --> 00:42:09,060
في log تلاتة على خمسةهذه المعلومات لكل ال data set

528
00:42:09,060 --> 00:42:12,940
هذه as all ممتاز الآن كم attribute موجود عندي؟

529
00:42:12,940 --> 00:42:16,060
عندي three different attributes عندي ال income و

530
00:42:16,060 --> 00:42:19,500
عندي ال age يعفو ال student و ال credit rating

531
00:42:19,500 --> 00:42:23,640
هروح أحسب ال information لمين؟ هروح أبدأ أبني

532
00:42:23,640 --> 00:42:27,500
الجدول الآن لل attribute الأول مش اتفقنا هيك هشتغل

533
00:42:27,500 --> 00:42:31,360
مع كل جدول على السريع أنا هشتغل بس مع هذه و الخطوة

534
00:42:31,360 --> 00:42:34,900
التانية حاطر للباقية حاطر كواقلك الآن

535
00:42:37,170 --> 00:42:42,950
مع العمود الأول ال income قلت

536
00:42:42,950 --> 00:42:49,250
ال value تبعت ال income بعد هيك في عندي ال yes

537
00:42:49,250 --> 00:42:55,150
وعندي ال no وعندي ال intro بلا ال yes و ال no بناء

538
00:42:55,150 --> 00:42:59,090
على العدد اللي موجود عندي وبالتالي كام value موجود

539
00:42:59,090 --> 00:43:05,010
عندي انا هان عندي low و medium و high هي

540
00:43:05,010 --> 00:43:05,290
low

541
00:43:08,440 --> 00:43:16,120
medium و high عد العناصر الموجودة مع بعضنا الان مع

542
00:43:16,120 --> 00:43:24,500
ال law عندي قيمة واحدة فقط لمين بتنتمي لل yes واحد

543
00:43:24,500 --> 00:43:33,560
yes و هنا صفر معناته ال entropy لواحد و صفر اجي

544
00:43:33,560 --> 00:43:35,780
ل ال medium medium عندي تنتين

545
00:43:43,250 --> 00:43:50,310
واحد yes وواحد no معناته انترو بي لواحد وواحد وضل

546
00:43:50,310 --> 00:43:53,950
في عندي height انتين وبينتميوا لنفس ال class

547
00:43:53,950 --> 00:43:59,710
معناته صفر واثنين انترو بي لصفر واثنين وذا بذكر ان

548
00:43:59,710 --> 00:44:03,650
هاي القانون السابق اللي اعتند عليه حصل بحسب ال

549
00:44:03,650 --> 00:44:08,810
gain الآن او بحسب ال information لل attribute اللي

550
00:44:08,810 --> 00:44:15,860
موجود عندي من خلالالـ summation كمان مرة عدد ال

551
00:44:15,860 --> 00:44:21,840
data set زي ما قلنا جديش جامعة الخير خمسة الان

552
00:44:21,840 --> 00:44:31,420
واحد على خمسة في I واحد و صفر زائد هذه ال

553
00:44:31,420 --> 00:44:40,050
information اتنين على خمسة في Iواحد و واحد زائد

554
00:44:40,050 --> 00:44:49,530
اتنين على خمسة اتنين على خمسة صحيح اتنين على خمسة

555
00:44:49,530 --> 00:44:58,530
في ال I صفر

556
00:44:58,530 --> 00:45:04,690
و اتنين بحصل على ال information gain اللي موجود

557
00:45:04,690 --> 00:45:12,160
عندي هان بعد هيك بقوله ال gainتبعت ال income هتمثل

558
00:45:12,160 --> 00:45:21,900
ال ID اللي عندي فوق ناقص ال I لل income اللي

559
00:45:21,900 --> 00:45:28,380
موجودة عندها هحسبها و فتالي بحسب لهذه و بحسب لل

560
00:45:28,380 --> 00:45:31,780
العناصر

561
00:45:31,780 --> 00:45:37,640
اللي موجودة عندى تماملل student بعيد الكرة و لل

562
00:45:37,640 --> 00:45:41,780
credit rating و صاحب ال attribute صاحب أكبر gain

563
00:45:41,780 --> 00:45:46,480
هو اللي حكون فعليا انا هعتمد وين في ال .. في

564
00:45:46,480 --> 00:45:49,740
الرسمة او في decision node التالية حسب الحسبة

565
00:45:49,740 --> 00:45:54,200
تبعتي حسبناها سابقا لازم انتوا تكملوها للاخر حسب

566
00:45:54,200 --> 00:45:57,740
الحسبة تبعتي ال student حصلت اعلى game ال student

567
00:45:57,740 --> 00:46:02,680
تبعتي حصلت اعلى game و بالتالي انا الان هان هصير

568
00:46:02,680 --> 00:46:07,260
في عند ال studentهي الـ Internal node الجاية وفيها

569
00:46:07,260 --> 00:46:13,680
two different values حقسم ال data set بعد هيك حقسم

570
00:46:13,680 --> 00:46:16,860
ال data set تبعا لل nodes اللي موجودة عندي هيك و

571
00:46:16,860 --> 00:46:20,960
بهكد صارت كل ال nodes بتنتمي لنفس ال class كل ال

572
00:46:20,960 --> 00:46:24,620
samples بتنتمي لنفس ال class فهان بوقف هذه already

573
00:46:24,620 --> 00:46:28,260
كلها بتنتمي لنفس ال class فانا وقفت هان ووقفت هان

574
00:46:28,260 --> 00:46:31,540
هتكون ال final tree تبعتي طبعا هي الحسبة اللي

575
00:46:31,540 --> 00:46:36,430
عندناها مرة تانية انا في الآخرالـ Tree تبعتي أحصل

576
00:46:36,430 --> 00:46:40,330
عليها اللي احنا شفناها مسبقا المفروض قبل ما يبدأ

577
00:46:40,330 --> 00:46:50,130
بالشغل اللي هي هذه ال income مابينتش عندي لإن

578
00:46:50,130 --> 00:46:54,770
فعليا وزنها كان لا يذكر مقارنة بال data set و لما

579
00:46:54,770 --> 00:46:57,570
أنا ماضلش عندي rows أو ماضلش عندي sample أروح

580
00:46:57,570 --> 00:47:01,650
أجسمها الآن عشان

581
00:47:02,490 --> 00:47:06,390
مانطولش عليكم بعد ما حسبنا العناصر اللي موجودة

582
00:47:06,390 --> 00:47:11,430
عندها في ال continuous attributes في حالة ال

583
00:47:11,430 --> 00:47:14,470
attributes اللي عندك continuous attribute ايش الحل

584
00:47:14,470 --> 00:47:19,610
اعمل discretization اعملها categories جسمها لفئات

585
00:47:19,610 --> 00:47:22,830
استخدم ال binning و اعطي label لكل bin و اشتغل

586
00:47:22,830 --> 00:47:28,710
عليها بتكاشي تشتغل عليك في حل بسيط جدا الحل بيقولك

587
00:47:28,710 --> 00:47:33,760
رتب ال data set تبع لل items اللي موجودة عندكرتبت

588
00:47:33,760 --> 00:47:38,260
ال items تمام فصارت ال data sorted ان في حال كانت

589
00:47:38,260 --> 00:47:43,260
عندي ال age عبارة عن number صار عندي تمنتعش خمسة و

590
00:47:43,260 --> 00:47:48,780
عشرين تلاتين سبعة و تلاتين اربعين الان انت بقى

591
00:47:48,780 --> 00:47:55,500
تيجي تفحص بين كل two nodes يعني هتاخد

592
00:47:55,500 --> 00:48:00,200
ال midpoint اللي بين هدول الاتنين او الأسهل لك

593
00:48:01,200 --> 00:48:03,600
فعلاً هي عبارة عن Discretization لكنها Binary

594
00:48:03,600 --> 00:48:07,780
Discretization مع الأرقام انت ايش المقارنات تبعتك؟

595
00:48:07,780 --> 00:48:12,460
اما هتقوللي أقل إذا قولت أقل من كده فهي أكبر أو

596
00:48:12,460 --> 00:48:16,340
تساوي كده إذا قولت أكبر من أكبر من أو تساوي كده

597
00:48:16,340 --> 00:48:19,280
فهي أقل من كده عكسها تماما فحكون بشغل عليها مع

598
00:48:19,280 --> 00:48:23,080
binary يعني بين جسين بصير باخد decision هان بقوله

599
00:48:23,080 --> 00:48:30,500
أقل أو تساوي خمسة وعشرين طب ما هي تمنتعش باجي هان

600
00:48:33,210 --> 00:48:39,230
أقل أو تساوي تلاتين معتوا هدول في partitions و

601
00:48:39,230 --> 00:48:42,190
هدول في partitions مع ال continuous attributes إذا

602
00:48:42,190 --> 00:48:45,830
انت بدك تشتغل مع ال continuous values معناته انت

603
00:48:45,830 --> 00:48:49,990
هيكون في عندك too many partitions لحد ما تصل ل

604
00:48:49,990 --> 00:48:55,300
best point اللي بتعمل splitيعني هحسب الآن الجسم

605
00:48:55,300 --> 00:48:58,920
كده كانت هان و لا لما كانوا تنتين و تلاتة و لما

606
00:48:58,920 --> 00:49:03,160
كانوا تلاتة و اتنين و تجرب كلهم و تاخد أعلى gene

607
00:49:03,160 --> 00:49:06,900
فيهم لأن في الآخر أنا بدور على ال gene لكل ال data

608
00:49:06,900 --> 00:49:12,320
set تبعتي اللي موجودة عندي هان الان هدف الموضوع ال

609
00:49:12,320 --> 00:49:15,810
spring لل continuous valuesلكن الـ Information

610
00:49:15,810 --> 00:49:21,330
Game دائما بيحاز للـ attributes أو للـ test اللي

611
00:49:21,330 --> 00:49:25,230
بيكون فيها two أو فيها many outcomes اللي فيها

612
00:49:25,230 --> 00:49:30,490
values كتيرة عشان هي كانت في الأول عندى ال age

613
00:49:30,490 --> 00:49:33,190
كانت هي أكثر ال values اللي موجودة جالك ممكن احنا

614
00:49:33,190 --> 00:49:37,070
نحل هذه المشكلة و نعتمد أو نحاول نقضي على موضوع

615
00:49:37,070 --> 00:49:39,930
انحياز ال values الكتيرة اللي هي موضوع ال gain

616
00:49:39,930 --> 00:49:43,500
ratioالـ Gain Ratio فكرتها يا جماعة الخير انه انا

617
00:49:43,500 --> 00:49:48,240
بده اروح احسب ال split info احنا سابقا كانت هذه

618
00:49:48,240 --> 00:49:52,240
القيمة موجودة عندنا هي عدد عناصر ال partition على

619
00:49:52,240 --> 00:49:56,200
.. على كل ال partition في موضوع ال probability لكل

620
00:49:56,200 --> 00:49:58,660
ال partition اللي موجودة عندها و بعد ما بحسب ال

621
00:49:58,660 --> 00:50:02,280
gain بروح بحط عليها ال split ratio و هيك برضه برجع

622
00:50:02,280 --> 00:50:07,180
باخد ال maximum split ratio كذلك في عند ال gain

623
00:50:07,180 --> 00:50:13,020
indexبيعتمد على الـ Multi-Valued Attributes بشكل

624
00:50:13,020 --> 00:50:19,340
كبير الـ Ched بيعتمد على الـ Chi-Square عشان تحسب

625
00:50:19,340 --> 00:50:21,420
الـ Independences أو في موضوع الـ Independences

626
00:50:21,420 --> 00:50:24,980
وفي عند الكارت وإلى أخرى أي واحدة منهم أنا أختار

627
00:50:24,980 --> 00:50:28,580
لعشان أنا أشتغل مافيش فرق ما بينهم كتير انت حسب ال

628
00:50:28,580 --> 00:50:32,500
data set وحسب فهمك ال data set ممكن تختار أي واحدة

629
00:50:32,500 --> 00:50:36,810
منهم لكن الأكثر عفواالأكتر استخداما الـ

630
00:50:36,810 --> 00:50:40,990
Information Gain ومن ثم الجني أو العكس احنا بهيك

631
00:50:40,990 --> 00:50:44,190
بنكون تقريبا خلصنا وضع لعينا one slide خلينا

632
00:50:44,190 --> 00:50:51,390
ننهيها الآن رسمت لتري وحصلت على لتري و ال data set

633
00:50:51,390 --> 00:50:56,290
تبعت كبيرة و كانت ال depth أو عمق الشجرة تبعت كتير

634
00:50:56,290 --> 00:51:01,370
عالية طب ايش الحل؟ هاد احنا بنسميها ال tree هاد ..

635
00:51:01,370 --> 00:51:06,880
او بيحصلنا على مرحلة اسمها ال overfittingمشكلة إنه

636
00:51:06,880 --> 00:51:10,900
الـTree هذه جابته تماما مع مين؟ مع الـTraining

637
00:51:10,900 --> 00:51:14,060
Data اللي أنا بديتها Overfit Fit يا شباب مناسب

638
00:51:14,060 --> 00:51:19,440
ولمّا أقول Overfit مناسب بدرجة كبيرة لمين؟ للحالة

639
00:51:19,440 --> 00:51:23,240
اللي هذه، يعني بين جوسينت وكأنه الشجرة هذه زبطت

640
00:51:23,240 --> 00:51:27,320
حالها تماما مع الـDataset طب غير هي كانت لأ بتديني

641
00:51:27,320 --> 00:51:31,700
مشاكل إيش الحل؟ الـOverfitting مع الـBinary Tree

642
00:51:31,700 --> 00:51:34,620
أو مع الـDecision Tree بيعني Too Many Branches

643
00:51:37,860 --> 00:51:41,240
ممكن يعكس الـ outlayer لو كان في عندي outlayer

644
00:51:41,240 --> 00:51:44,620
موجودة عندي هان و بديني بور accuracy for unseen

645
00:51:44,620 --> 00:51:48,580
هذا المفهوم ال outfitting ال overfitting ال

646
00:51:48,580 --> 00:51:51,880
overfitting يعني اتنا سوات اكثر مع ال data set

647
00:51:51,880 --> 00:51:56,190
اللي انا عملت عليها trainingو غير صالحة للـ .. للـ

648
00:51:56,190 --> 00:51:59,150
correct prediction مع الـ unseen إيش الحل؟ في عندي

649
00:51:59,150 --> 00:52:02,150
two approaches طبعا انت مش هتشتغل ولا واحد فيهم

650
00:52:02,150 --> 00:52:05,410
هيتم الشغل تلقائي المفروض من خلال الـ python pre

651
00:52:05,410 --> 00:52:09,090
-pruning انه انا فعليا ال attributes أو أدور على

652
00:52:09,090 --> 00:52:11,190
ال attributes أو ال weak attribute و أخلص منها من

653
00:52:11,190 --> 00:52:19,550
البداية انه .. ان اربط بناء الشجرة بالإيه؟ do not

654
00:52:19,550 --> 00:52:21,530
split a node if ..

655
00:52:26,240 --> 00:52:28,680
مالهاش علاقة كتير بالـ threshold الموجود يعني بين

656
00:52:28,680 --> 00:52:32,040
جوسين أروح أحط minimum للـ threshold مش احنا قولنا

657
00:52:32,040 --> 00:52:36,500
ال gain .. المفروض .. ال gain تبعتي أعلى gain طب

658
00:52:36,500 --> 00:52:38,780
مابديش بس أحط gain أعلى gain و أروح أعمل .. و ألخ

659
00:52:38,780 --> 00:52:42,420
.. و ألخم حالي في كل الحسبات لأ كمان هدول اللي تحت

660
00:52:42,420 --> 00:52:46,260
اللي بدون gain قليلة من أول مرة بده أروح كلهم بدي

661
00:52:46,260 --> 00:52:50,160
أعملهم neglect و مابديش إياهم طبعا هاي حيكون في

662
00:52:50,160 --> 00:52:53,400
عندي تحدي كيف ممكن أختار ال threshold الصحيحة ال

663
00:52:53,400 --> 00:52:58,310
boss browning بعد ما أنابنيت الشجرة بالكامل أروح

664
00:52:58,310 --> 00:53:03,150
أبدأ أجشبر فيها بعبرة لإني أروح أفحص مين الأكثر

665
00:53:03,150 --> 00:53:06,970
rows أو أكثر branches مستخدمة هي اللي أبقيها و

666
00:53:06,970 --> 00:53:11,450
الأقل استخداما أخلص منها حسب ال data set اللي

667
00:53:11,450 --> 00:53:15,430
موجود عندى أخر خطوة أو أخر slide في موضوع في موضوع

668
00:53:15,430 --> 00:53:18,630
كي بدى أستدعيها الخطوات السابقة في ال python نفسها

669
00:53:18,630 --> 00:53:22,590
from sklearn.tree import decision tree classifier

670
00:53:24,140 --> 00:53:27,880
الموديل الـ Decision Tree Classifier عملت له fit

671
00:53:27,880 --> 00:53:31,720
قلت له و هذه الجزئية في السطر هذا بتنبنى الشجرة

672
00:53:31,720 --> 00:53:36,500
الآن ال

673
00:53:36,500 --> 00:53:39,340
sample test نفسها لان شغالة نفسي بدا تست معاكم من

674
00:53:39,340 --> 00:53:44,060
البداية جربتها مع ال kenia sniper وجربتها معالنايف

675
00:53:44,060 --> 00:53:48,840
بايسين اروح تعمل ال test و هنحددني setosa بكل

676
00:53:48,840 --> 00:53:53,600
تأكيد وبهيك بنكون احنا فعليا انتهينا من موضوع ال

677
00:53:53,600 --> 00:53:57,040
decision tree لمحاضرتنا اليوم المطلوب بينكوا

678
00:53:57,040 --> 00:53:59,500
تجربوا يا جماعة الخير في عندنا different data set

679
00:53:59,500 --> 00:54:02,780
موجودة في ال slide سابقا جربوا الكلام هذا عليها و

680
00:54:02,780 --> 00:54:05,000
جربوا الكلام عليها هذا كلام عليها يعني بينجو سين

681
00:54:05,000 --> 00:54:08,470
هذا الكلام مش هتتقنوه من مرة و تنتين و تلاتةالشغل

682
00:54:08,470 --> 00:54:12,130
التاني اللي بدي اياها منكوا بعد تجريب العمل يبدو

683
00:54:12,130 --> 00:54:15,730
تعتبروها ك assignment عليكم الآن تبدو تروح تفكروا

684
00:54:15,730 --> 00:54:18,570
او تدورولي كيف ممكن انا اذا كانت هذه عبارة عن ال

685
00:54:18,570 --> 00:54:21,930
tree بعد ما انا عملتلها فت هل في مجال ارسم ال tree

686
00:54:21,930 --> 00:54:25,690
تبعت بال بايثون اه في مجال وهذه متروكة لكم والسلام

687
00:54:25,690 --> 00:54:27,470
عليكم ورحمة الله وبركاته