1
00:00:00,980 --> 00:00:03,820
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:03,820 --> 00:00:10,700
أهلا وسهلا بكم في محاضرتنا الجديدة المصورة لمساب

3
00:00:10,700 --> 00:00:14,820
تنقيب البيانات اليوم إن شاء الله تعالى، سنتكلم عن

4
00:00:14,820 --> 00:00:20,610
chapter regression، هنا في الـ Regression نتكلم عن

5
00:00:20,610 --> 00:00:26,830
المهمة الثانية في التصنيف التنبؤي predictive category للـ

6
00:00:26,830 --> 00:00:30,650
Data Mining، اتفقنا من البداية أن Data Mining

7
00:00:30,650 --> 00:00:33,730
تنقسم إلى two tasks

8
00:00:36,820 --> 00:00:41,280
واحدة تنبؤية predictive  والثانية وصفية descriptive، وتكلمنا تحت

9
00:00:41,280 --> 00:00:47,000
التصنيف predictive tasks  عنده

10
00:00:47,000 --> 00:00:50,280
التصنيف classification وهي التنبؤ بـ class label أو بـ

11
00:00:50,280 --> 00:00:58,030
category value أو بـ nominal value، بينما المهمة task

12
00:00:58,030 --> 00:01:00,710
الثانية هي الـ Regression والتنبؤ بالقيم المستمرة Continuous

13
00:01:00,710 --> 00:01:04,570
Value، وفي المقابل لدينا في الـ Descriptive Task

14
00:01:04,570 --> 00:01:07,730
كان في عندنا Clustering وعندنا Association Rules

15
00:01:07,730 --> 00:01:11,070
وفي عندنا الـ Outlier Detection، وهذه سنتكلم عنها

16
00:01:11,070 --> 00:01:15,430
في المحاضرات القادمة، فلنبدأ مع الـ Regression

17
00:01:16,730 --> 00:01:19,590
الأمور التي سنتناولها في محاضرتنا اليوم:

18
00:01:19,590 --> 00:01:23,590
مقدمة introduction و الـ Linear Regression، أو نشرحها، و

19
00:01:23,590 --> 00:01:28,610
نكمل بعدها في...ممكن في فيديو آخر أو في تسجيل

20
00:01:28,610 --> 00:01:32,850
آخر حسب كيف نمشي أو نُخصص  أو نستغل من الوقت

21
00:01:32,850 --> 00:01:36,210
الموجود عندنا، طبعاً، عندما أتحدث عن الـ Regression

22
00:01:36,210 --> 00:01:41,130
أنا أُشير إلى أن الـ Regression يُستخدم من أجل

23
00:01:41,130 --> 00:01:45,150
التنبؤ

24
00:01:47,830 --> 00:01:54,390
بمدى من القيم للقيم العددية range of numeric values

25
00:01:54,390 --> 00:01:59,970
numeric values، وهنا

26
00:01:59,970 --> 00:02:04,770
أتحدث عن القيم المستمرة continuous value بالتحديد، أتحدث عن

27
00:02:04,770 --> 00:02:09,650
continuous value بالتحديد، طبعاً تقنية Regression

28
00:02:09,650 --> 00:02:16,440
تُستخدم في موضوع التنبؤ prediction، كما

29
00:02:16,440 --> 00:02:20,200
قلنا، هي واحدة من مهام التنبؤ prediction task  الموجودة

30
00:02:20,200 --> 00:02:23,280
فيها من أجل أن أتوقع قيماً، كما قلنا، مستمرة continuous

31
00:02:23,280 --> 00:02:28,100
value، الربح profit، قيمة المبيعات، الـ

32
00:02:28,100 --> 00:02:32,420
ديون debit، أسعار المبيعات sales،  معدلات الاقتراض debit rates، قيمة القروض أو

33
00:02:32,420 --> 00:02:37,280
الفوائد، قيم المنازل house values، درجات الحرارة

34
00:02:37,280 --> 00:02:42,740
temperature، أو المسافات التي يمكن استخدامها، وكل هذه

35
00:02:42,740 --> 00:02:45,700
التنبؤات بأي قيمة مستمرة continuous value، سواء كان في هذا المثال

36
00:02:45,700 --> 00:02:53,280
أو  أوزان أو أعمار أو أطوال أو مدة زمنية

37
00:02:53,280 --> 00:02:57,420
إلى آخره، نحن نتحدث هنا عن أي قيمة رقمية numeric

38
00:02:57,420 --> 00:03:01,020
number  تظهر أمامي أو numeric value،  معناها أنا

39
00:03:01,020 --> 00:03:04,660
أتحدث عن Regression، طبعاً الـ Regression عندما

40
00:03:04,660 --> 00:03:07,460
أبدأ بالتحدث أو كما يُطلق عليه البعض Regression

41
00:03:07,460 --> 00:03:12,380
analysis، أستخدمها لأجد العلاقة بين الـ

42
00:03:12,380 --> 00:03:16,080
Independent attribute أو الـ Independent variable

43
00:03:16,080 --> 00:03:24,240
التي هي الـ X والـ Dependent variable التي هي الـ Y

44
00:03:24,240 --> 00:03:28,320
طبعاً، الرسم واضح جداً، يُظهر الـ Independent

45
00:03:28,320 --> 00:03:32,880
value التي هي قيمة الـ X، وفي عندنا الـ Dependent

46
00:03:32,880 --> 00:03:36,900
value أو الـ attribute أو الـ variable، عفواً، التي هي

47
00:03:36,900 --> 00:03:42,150
قيمة الـ Y، وطبعاً عندما أتحدث عن الـ Regression

48
00:03:42,150 --> 00:03:48,210
يمكن تصنيفها إلى نوعين:  Simple Regression و

49
00:03:48,210 --> 00:03:50,730
عندما أتحدث عن اسمها Simple Regression، معناته أنا

50
00:03:50,730 --> 00:03:58,810
أتحدث عن أبسط أنواع التنبؤ، وهذه عادةً تتضمن

51
00:03:58,810 --> 00:04:02,510
أو Simple Regression تتضمن فقط two variables، two

52
00:04:02,510 --> 00:04:05,010
variables، نعم، two variables، واحد يكون Dependent

53
00:04:05,010 --> 00:04:08,920
variable، والثاني يكون Independent، طبعاً واحد يكون

54
00:04:08,920 --> 00:04:12,560
عندي التوضيحي explanatory والثاني يكون، وهي الـ

55
00:04:12,560 --> 00:04:17,620
Response كما سميناه، يعني الآن الـ Y هي الـ

56
00:04:17,620 --> 00:04:20,620
Dependent والـ X هي الـ Independent، لا تنسوا من

57
00:04:20,620 --> 00:04:24,520
الأمثلة الموجودة التي أتحدث عنها:  السكان population و

58
00:04:24,520 --> 00:04:30,100
إنتاج الغذاء food production، زيادة السكان

59
00:04:30,100 --> 00:04:34,860
والحاجة لإنتاج الغذاء الموجودة لديهم، طبعاً لو

60
00:04:34,860 --> 00:04:37,580
أنا جئت وتحدثت، أردت التحدث في هذه الجزئية بشكل

61
00:04:37,580 --> 00:04:41,760
مفصل، لو افترضت أن لدينا هنا رسم high

62
00:04:41,760 --> 00:04:47,000
high

63
00:04:47,000 --> 00:04:51,770
X تمثل، تقول لك من مرتبط بمن، لو سألتكم سؤال

64
00:04:51,770 --> 00:04:56,710
الكُلّ، من مرتبط بمن، أو من معتمد على من؟ زيادة

65
00:04:56,710 --> 00:05:01,630
السكان population معتمدة على إنتاج الغذاء، أم

66
00:05:01,630 --> 00:05:09,770
إنتاج الغذاء معتمد على زيادة السكان؟ نعم، معناته أنا

67
00:05:09,770 --> 00:05:11,890
أتحدث هنا، أتحدث عن population

68
00:05:14,460 --> 00:05:18,780
هي الـ Independent Variable، لأنه حسب العدد السكاني

69
00:05:18,780 --> 00:05:23,200
أنا أتحدث عن أنني أُريد إنتاج غذاء، وهنا أتحدث

70
00:05:23,200 --> 00:05:31,540
عن food production، الآن لو نظرت، كان في عندي

71
00:05:31,540 --> 00:05:37,180
معادلة خطية بهذا الشكل، ماذا يعني هذا؟ يعني كلما

72
00:05:37,180 --> 00:05:41,220
يزيد عدد السكان

73
00:05:45,780 --> 00:05:50,120
سيزيد عند من الحاجة

74
00:05:50,120 --> 00:05:55,400
إلى إنتاج غذائي أكبر، وهذه هي العلاقة، هذا مفهوم الـ

75
00:05:55,400 --> 00:05:58,180
prediction، يعني لو افترضت أن السكان سيكون

76
00:05:58,180 --> 00:06:02,660
عددهم 200 مليار،

77
00:06:02,660 --> 00:06:09,760
معناته يجب أن يكون لديهم كمية غير معروفة من الغذاء، تمام

78
00:06:14,860 --> 00:06:17,280
يعني عندما أتحدث عن الـ Simple Regression، أتحدث

79
00:06:17,280 --> 00:06:20,740
عن أن هناك فقط two variables، واحد Independent واحد

80
00:06:20,740 --> 00:06:24,120
Dependent، بينما في الـ Multiple Regression، معناته أنا

81
00:06:24,120 --> 00:06:30,640
لدي أكثر من Independent Variable، لاحظوا في

82
00:06:30,640 --> 00:06:34,660
الحالة الأولى، تكلمت أن لدي 2

83
00:06:34,660 --> 00:06:38,180
variables فقط، مجموعة البيانات data set أو المهمة task الخاصة بي

84
00:06:38,180 --> 00:06:40,760
فقط 2 variables، ومن هنا أنا أتحدث مباشرةً واحد

85
00:06:40,760 --> 00:06:44,420
Dependent والثاني Independent، لأنه مستحيل في الـ

86
00:06:44,420 --> 00:06:49,120
predictive task أن يكون لدي الاثنان Independent، فيجب

87
00:06:49,120 --> 00:06:52,580
أن يكون واحد Dependent واحد Independent، عندما جئنا

88
00:06:52,580 --> 00:06:55,500
نتحدث عن الـ Multiple Regression، هنا قلنا الـ

89
00:06:55,500 --> 00:06:57,800
Multiple Regression، معناته أنا أتحدث عن أكثر من one

90
00:06:57,800 --> 00:07:00,640
more than one Independent، لدي أكثر من Independent

91
00:07:00,640 --> 00:07:04,190
attribute، هل يوجد لدي الـ Dependent attribute؟ يجب

92
00:07:04,190 --> 00:07:08,610
أن يكون، وإلا ستكون المهمة task وصفية descriptive وليست تنبؤية predictive

93
00:07:08,610 --> 00:07:13,930
مثل أسعار المنازل، لو سألتكم، أسعار البيوت

94
00:07:13,930 --> 00:07:23,350
ما الذي يحكمها؟ أمور كثيرة، مساحة البناء، الـ

95
00:07:23,350 --> 00:07:29,210
location الموقع، السعر price، وقت البيع، موسم البيع

96
00:07:31,480 --> 00:07:36,220
أسعار المنازل المشابهة، وأمور كثيرة قد تُحكم

97
00:07:36,220 --> 00:07:39,380
فيها، هذه كلها تُجرى prediction، لو جئت و

98
00:07:39,380 --> 00:07:46,200
تحدثت عن العلاقة بين مرض السكري، حفظكم الله، و

99
00:07:46,200 --> 00:07:51,820
جميع المسلمين، إن شاء الله، وقياسات الجسم human body

100
00:07:51,820 --> 00:07:54,160
measurement

101
00:07:58,120 --> 00:08:04,500
المؤشرات أو القياسات المتعلقة بجسم الإنسان: طوله و

102
00:08:04,500 --> 00:08:12,000
وزنه، عمره، اللهم صلِّ على سيدنا محمد، سلوكه behavior

103
00:08:12,000 --> 00:08:16,030
هل من بين هذه الأمور التي ذكرناها

104
00:08:16,030 --> 00:08:18,750
فقط يؤثر في السكري؟ أن يكون موجوداً أم لا؟ لا، بالطبع لا

105
00:08:18,750 --> 00:08:21,990
فهذه كلها مجتمعة، والنسب الموجودة هي

106
00:08:21,990 --> 00:08:24,910
التي لا يمكن التحكم بها، فأنا أتحدث عن

107
00:08:24,910 --> 00:08:29,250
Multiple Regression، نحن طبعاً عندما نتحدث في الـ

108
00:08:29,250 --> 00:08:34,550
Regression وما زلنا في المقدمة introduction، أتحدث أن الـ

109
00:08:34,550 --> 00:08:37,230
Regression analysis  بغض النظر كان Linear

110
00:08:37,230 --> 00:08:43,670
أو عفواً، بسيط simple أو Multiple يخضع لإحدى

111
00:08:43,670 --> 00:08:47,110
النموذجين two models  اللذين قد يكونان موجودين

112
00:08:47,110 --> 00:08:50,430
عندي، إما Linear Model، عندما أتحدث عن Linear Model

113
00:08:50,430 --> 00:08:54,110
أتحدث عن علاقة خطية، أو Non-Linear Model، أتحدث عن

114
00:08:54,110 --> 00:08:57,130
معادلة قد تكون Polynomial وقد تكون أي

115
00:08:57,130 --> 00:09:01,190
دالة رياضية تمثل القيمة الموجودة في الرسم.

116
00:09:01,190 --> 00:09:04,070
الأولى التي ظهرت أمامنا هنا، يوجد لدينا علاقة خطية بين

117
00:09:04,070 --> 00:09:07,720
الـ two variables الموجودين هنا، طبعاً الرسم

118
00:09:07,720 --> 00:09:12,280
هنا ليسهل فهم الأمر ببساطة، أتحدث عن Simple

119
00:09:12,280 --> 00:09:16,160
Regression، أنا الآن، العلاقة، يوجد علاقة خطية بين

120
00:09:16,160 --> 00:09:24,260
الـ X والـ Y أيضاً،

121
00:09:24,260 --> 00:09:29,460
العلاقة الخطية واضحة، أن

122
00:09:29,460 --> 00:09:37,260
كلما زادت الـ X، كلما زادت الـ X قيمة الـ Y تنخفض

123
00:09:37,260 --> 00:09:40,100
Relational Model أو علاقة خطية، في النهاية يمكن

124
00:09:40,100 --> 00:09:43,060
تمثيلها بخط مستقيم باللون الأزرق، لكن في

125
00:09:43,060 --> 00:09:45,520
الرسم الثاني هنا، أنا أتحدث عن Linear يوجد

126
00:09:45,520 --> 00:09:53,480
curve،  curve، ما معادلتها هذه؟ هل هي مثلاً 1 على

127
00:09:53,480 --> 00:09:58,920
X تربيع؟ التي بين قوسين تساوي X تربيع ناقص واحد،

128
00:10:03,220 --> 00:10:05,760
مثلاً، الله أعلم، لأن هذه قد تكون جزء من

129
00:10:05,760 --> 00:10:10,710
curve، عامل بهذا الشكل ومعامل shift معين، وهذا أشبه

130
00:10:10,710 --> 00:10:15,430
بالتربيع، لكن في النهاية ليست معادلة خطية، وهي يعني

131
00:10:15,430 --> 00:10:19,510
قد تكون العلاقة بهذا الشكل، أنا في هذه الحالة

132
00:10:19,510 --> 00:10:24,650
لن أتمكن من التحدث عن أي Model قد يمثل البيانات، لا

133
00:10:24,650 --> 00:10:28,730
خط مستقيم ولا curve ولا exponential ولا شيء من

134
00:10:28,730 --> 00:10:31,910
هذه الأشياء كلها، فأنا لن أتمكن من التحدث هنا، يقول أن

135
00:10:31,910 --> 00:10:35,250
لا توجد علاقة موجودة فعلياً، طبعاً عندما أتحدث

136
00:10:35,250 --> 00:10:37,490
عن عدم وجود علاقة، دائماً التنبؤ

137
00:10:37,490 --> 00:10:41,330
في الاختبار test سيفشل، وستكون دقته accuracy منخفضة جداً too

138
00:10:41,330 --> 00:10:49,010
low، تمام، معناته في نوع Regression  للنموذج model أو

139
00:10:49,010 --> 00:10:53,390
regression models أنواعه إما Simple أو Multiple، و

140
00:10:53,390 --> 00:11:00,870
أتحدث عن متغير واحد one variable، والمقصود به Independent

141
00:11:00,870 --> 00:11:04,030
variable

142
00:11:05,650 --> 00:11:07,310
عن طريق الـ Independent Variable وعن طريق الـ

143
00:11:07,310 --> 00:11:13,250
Multiple Variable وفي كل

144
00:11:13,250 --> 00:11:17,430
الحالتين، النموذج

145
00:11:17,430 --> 00:11:22,970
تبعي قد يكون Linear وقد يكون Non-Linear في كل

146
00:11:22,970 --> 00:11:24,130
الحالتين

147
00:11:26,880 --> 00:11:31,400
بكل بساطة، لـ Linear Regression، لنفهم ما الذي

148
00:11:31,400 --> 00:11:34,300
يحدث بالتحديد، طبعاً عندما أتحدث عن Linear

149
00:11:34,300 --> 00:11:36,360
Regression، لنذهب باتجاه الـ

150
00:11:36,360 --> 00:11:39,740
Simple Linear Regression في البداية، بكل بساطة عندما

151
00:11:39,740 --> 00:11:42,460
أتحدث عن Simple Linear Regression، الـ Simple

152
00:11:42,460 --> 00:11:44,100
Linear Regression، تذكر أن لدينا one

153
00:11:44,100 --> 00:11:47,600
independent variable، معناته أنا أتحدث عن إيجاد

154
00:11:47,600 --> 00:11:48,680
العلاقة بين

155
00:11:51,430 --> 00:11:54,490
Two Continuous Attributes أو Two Continuous

156
00:11:54,490 --> 00:11:56,770
Variables، واحد Independent Variable والثاني

157
00:11:56,770 --> 00:12:00,190
Dependent Variable، وعندما أتحدث عن X و Y، عن

158
00:12:00,190 --> 00:12:03,370
Dependent و Independent، أتحدث عن X و Y كما في

159
00:12:03,370 --> 00:12:06,510
الرسم الموجود هناك في الـ Cartesian plane الموجودة، وعادةً عندما أتحدث عن Linear Model أتحدث

160
00:12:06,510 --> 00:12:14,750
عن معادلة خط المستقيم، وهي Y تساوي M مضروبة في

161
00:12:14,750 --> 00:12:20,680
X زائد B، حيث الـ M هي قيمة ميل slope الخط

162
00:12:20,680 --> 00:12:25,740
المستقيم، والـ B تمثل الـ Intercept أو نقطة التقاطع

163
00:12:25,740 --> 00:12:31,820
مع الـ Y الموجودة لدينا، طيب، الآن أي خط مستقيم،

164
00:12:39,200 --> 00:12:41,900
أي خط مستقيم أريد رسمه، حتى لو أردت أن يمر

165
00:12:41,900 --> 00:12:51,330
بنقطة الصفر، الميل slope  الذي يمثل هذه الزاوية، عفواً

166
00:12:51,330 --> 00:12:55,410
هذه الزاوية، طبعاً الكل يعرف أن دائماً

167
00:12:55,410 --> 00:13:00,310
الزاوية تُبنى مع خط مستقيم، طيب، الآن نقطة الـ

168
00:13:00,310 --> 00:13:07,610
intercept هنا، عفواً، الصفر، التي هي نقطة التقاطع مع

169
00:13:07,610 --> 00:13:14,410
محور الـ Y، صفر، بينما قيمتها B سواء كان هذا المثلث أو

170
00:13:14,410 --> 00:13:18,310
أي مثلث موازٍ على الخط المستقيم، أنا الآن لو أخذت

171
00:13:18,310 --> 00:13:25,310
محور موازٍ، لو اخترت أي نقطة على الخط المستقيم، ليس

172
00:13:25,310 --> 00:13:29,570
الأصل، هذه النقطة، سامحوني، الرسم لدي ليس

173
00:13:29,570 --> 00:13:38,650
جيداً،  لا أستطيع ضبطه، تمام، الآن، ليس هذا Delta X، هذا X وهذا Y

174
00:13:43,680 --> 00:13:50,560
تمام، الآن لو أخذت نقطتين بين نقطتين، ورسمت قطعة

175
00:13:50,560 --> 00:13:53,680
متعامدة ومتقاطعة، يعني رسمت بينهما مثلث قائم

176
00:13:53,680 --> 00:13:59,240
الزاوية هذه، حسب فيثاغورس، الارتفاع، عفواً لو

177
00:13:59,240 --> 00:14:01,460
افترضت أن هذه الزاوية التي قلنا تمثل

178
00:14:01,460 --> 00:14:07,360
الميل سابقاً، الارتفاع المقابل، وهي المجاور

179
00:14:07,360 --> 00:14:10,900
وهذا هو الوتر، حسب قانون فيثاغورس أن الوتر

180
00:14:10,900 --> 00:14:15,300
هذا يساوي المجاور تربيع، الـ Run تربيع زائد الـ Rise

181
00:14:15,300 --> 00:14:22,540
تربيع، تمام، الـ Slope يساوي الارتفاع

182
00:14:22,540 --> 00:14:27,120
المقابل على المجاور

223
00:17:33,510 --> 00:17:39,330
تبعته عبارة عن كل نقاط X ناقص متوسط نقاط X  كم

224
00:17:39,330 --> 00:17:42,070
نقطة عندك أنت على الخط المستقيم هذا؟ أجل الخط

225
00:17:42,070 --> 00:17:44,070
المستقيم يا جماعة الخير يجب أن يكون عنده نقطتين

226
00:17:44,070 --> 00:17:47,670
عشان أنا أقدر أسميه، مظبوط ولا لا؟ طبعاً عادة

227
00:17:47,670 --> 00:17:50,870
بالهدف احنا بنسميه قطعة مستقيمة محصورة بين نقطتين

228
00:17:50,870 --> 00:17:55,110
بينما الخط المستقيم هو بتعدّى حدود النقطتين اللتين

229
00:17:55,110 --> 00:18:00,270
موجودة عندها تمام، الآن معناته أنا بتكلم هنا أن X

230
00:18:00,270 --> 00:18:07,000
عند مجموعة نقاط على الـ X ناقص المتوسط مضروبة في Y

231
00:18:07,000 --> 00:18:10,580
الفروقات ما بين الـ Y و المتوسط تبعها طبعاً

232
00:18:10,580 --> 00:18:17,320
بنجمعهم على مجموع الفروقات ما بين الـ X و المتوسط

233
00:18:17,320 --> 00:18:22,740
والمتوسط تبعهم  لكل النقاط الموجودة عندها

234
00:18:22,740 --> 00:18:27,880
طيب، الآن تعالوا نيجي نشوف من أين جاء التربيع يا جماعة

235
00:18:27,880 --> 00:18:32,420
الخير؟ لأن في الآخر هذه النقاط كلها مثلثات أو فيها

236
00:18:32,420 --> 00:18:36,900
ثغرات و كما قلت لك هذا التربيع

237
00:18:39,330 --> 00:18:42,490
هو تربيع زائد  هاي تربيع فأعوض عن كل واحدة فيهم

238
00:18:42,490 --> 00:18:44,990
بالتربيع الموجود فيها في الآخر احنا هذه

239
00:18:44,990 --> 00:18:48,850
معادلتنا الموجودة و بدنا نستخدمها تعالوا نشوف

240
00:18:48,850 --> 00:18:52,550
كيف بدنا نطبقها بشكل كويس الآن هذه النقاط التي

241
00:18:52,550 --> 00:18:56,430
موجودة و هذه المعادلات الثلاث التي موجودة عندنا الـ

242
00:18:56,430 --> 00:19:00,650
intercept إذا أنا حصلت على الـ M والـ Y معلومة والـ

243
00:19:00,650 --> 00:19:04,590
X معلومة تمام بيظل عندنا الـ B معناته الـ B بدها

244
00:19:04,590 --> 00:19:10,940
تساوي متوسط تغييرات أو متوسط قيم الـ Y ناقص الـ

245
00:19:10,940 --> 00:19:15,240
slope في متوسط قيم الـ X الموجودة عندنا هذه

246
00:19:15,240 --> 00:19:18,440
القيّم الموجودة وهذه هي المعادلات الثلاث التي

247
00:19:18,440 --> 00:19:22,100
قلنا أننا نلزمها تكون حاضرة في ذهننا عند التعامل

248
00:19:22,100 --> 00:19:26,440
مع الـ simple regression أو مع الـ regression مع الـ

249
00:19:26,440 --> 00:19:28,540
linear regression عفواً مع الـ linear regression

250
00:19:28,540 --> 00:19:34,810
تمام، طيب، هذه عندي X هذه الأعمدة التي بدي أشغل

251
00:19:34,810 --> 00:19:40,910
عليها، ما هي المعادلة؟ بالبداية أن أحسب المتوسط تبع

252
00:19:40,910 --> 00:19:47,560
الـ X والمتوسط الحسابي تبع الـ Y في كل الحالات التي

253
00:19:47,560 --> 00:19:52,480
عندي تمام متوسط X معناته مجموعهم على عددهم واحد

254
00:19:52,480 --> 00:19:56,400
اثنين ثلاثة أربعة خمسة ستة سبعة ثمانية تسعة عشر

255
00:19:56,400 --> 00:20:01,680
ثلاثة إحدى عشر عشرين ثلاثين وستة وثلاثين

256
00:20:01,680 --> 00:20:09,380
تسعة، اثنين وأربعين، ثلاثة وخمسين، أربعة وسبعين، خمسة

257
00:20:09,380 --> 00:20:20,000
و سبعين، واحد وتسعون، بالمتوسط 9.10 حسبت المتوسط لـ X حسبنا

258
00:20:20,000 --> 00:20:28,460
المتوسط لـ Y الخطوة التالية أنا بدي أجيب هنا مجموع

259
00:20:28,460 --> 00:20:38,780
أو بدي أجيب حاصل ضرب كل X ناقص قيمة المتوسط 9.1

260
00:20:39,970 --> 00:20:44,930
أضربها في قيمة الـ Y كل قيم الـ Y ناقص المتوسط

261
00:20:44,930 --> 00:20:51,590
تبعها على كذا يعني أنا بدي أحسب X ناقص Y أو Xi

262
00:20:51,590 --> 00:20:59,350
ناقص متوسط الـ X أحسب X أو Yi ناقص متوسط الـ Y فالجئت

263
00:20:59,350 --> 00:21:03,610
هنا فين رحت حسبت المعادلتين، أيش اشتغلت عليهن في

264
00:21:03,610 --> 00:21:05,210
شكل آلي ثلاثة

265
00:21:09,120 --> 00:21:14,740
ناقص ثلاثة ناقص تسعة ناقص واحد ناقص ستة ناقص واحد ناقص

266
00:21:14,740 --> 00:21:15,940
واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد

267
00:21:15,940 --> 00:21:17,720
ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص

268
00:21:17,720 --> 00:21:18,740
واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد

269
00:21:18,740 --> 00:21:19,220
ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص

270
00:21:19,220 --> 00:21:25,130
واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد ناقص واحد، 8-9

271
00:21:25,130 --> 00:21:34,830
.1، 1.1، 57-55.4، 1.6  و أكمل الجدول بالكامل ممتاز

272
00:21:34,830 --> 00:21:39,950
الخطوة التالية هذه العناصر بتلزمني في حالتين بدي

273
00:21:39,950 --> 00:21:43,310
أضرب high في high و أحصل على high تربيع من أجل

274
00:21:43,310 --> 00:21:50,000
المقام الذي هنا فإني رحت جبت العناصر البسط

275
00:21:50,000 --> 00:21:56,580
التي هي Xi ناقص X متوسط الـ X مضروبة في Yi ناقص

276
00:21:56,580 --> 00:22:04,440
متوسط الـ Y فبالتالي هنا ضربت سالب ستة point واحد

277
00:22:04,440 --> 00:22:07,680
في سالب خمسة وعشرين point أربعة هي مئة وأربعة

278
00:22:07,680 --> 00:22:13,620
وخمسين point أربعة وتسعين طيب وسالب ستة point واحد

279
00:22:13,620 --> 00:22:17,280
ضرب سالب ستة point واحد سبعة وثلاثين point واحد

280
00:22:17,280 --> 00:22:22,460
وعشرين وكملت للآخر كل العملية الحسابية تبعي طبعاً

281
00:22:22,460 --> 00:22:24,560
يا جماعة الخير عشان أكون واضح معكم لو أنا جبت سؤال

282
00:22:24,560 --> 00:22:27,140
زي هيك وقلت لك هاتلي أو هاتلي معادلة الخط

283
00:22:27,140 --> 00:22:30,840
المستقيم مش هجيب لك فيه عشر قيم ممكن أجيب لك أربع من

284
00:22:30,840 --> 00:22:34,300
أربع إلى خمس قيم تشتغل عليها يعني نصف القيم الموجودة و

285
00:22:34,300 --> 00:22:37,200
عشان هيك بأكد باستمرار أن الـ calculator لازم يكون

286
00:22:37,200 --> 00:22:43,380
عندك جاهزة في الحساب تمام الخطوة التي بعد هيك أنا

287
00:22:43,380 --> 00:22:46,320
بتلزمني المجموع المجموع لمين؟ لكل عمود حسب

288
00:22:46,320 --> 00:22:49,180
المعادلة التي موجودة عندي هنا فاروح أجمع العمود

289
00:22:49,180 --> 00:22:53,760
هذا،  ثلاثمائة، التي هي قيمة البسط ثلاثمائة

290
00:22:53,760 --> 00:22:59,460
وثمانية وخمسين point تسعة وحسبت قيمة العمود الثاني

291
00:22:59,460 --> 00:23:04,660
ألف ومئتين وتسعة وستين point ستة تمام الآن قيمة الـ

292
00:23:04,660 --> 00:23:12,890
M تساوي ألف ومئتين وتسعة وستين point ستة على ثلاثمائة وثمانية وخمسين point تسعة فبتطلع قيمة

293
00:23:12,890 --> 00:23:16,650
الـ M عندي ثلاثة point خمسة ثلاثة سبعة كما نحن

294
00:23:16,650 --> 00:23:22,930
شايفينها تمام أنا الآن حصلت على مين؟ على قيمة الـ M

295
00:23:22,930 --> 00:23:26,910
في المعادلة هذه، من المعادلة هذه بظل عندي B، B

296
00:23:26,910 --> 00:23:30,770
سهلة بما أن أنا حصلت على الـ M وهي معادلة الـ B

297
00:23:30,770 --> 00:23:33,970
عفواً، أن أنا حصلت على الـ M وهي معادلة الـ B عندي

298
00:23:33,970 --> 00:23:36,650
موجودة هنا وبالتالي أنا

299
00:23:42,300 --> 00:23:46,140
بتساوي متوسط الـ Y التي هي الحسبة الأولى التي كانت

300
00:23:46,140 --> 00:23:51,040
في الجدول التي لديها،  نهي متوسط الـ Y 55.4 ناقص

301
00:23:51,040 --> 00:23:57,260
M  3.5375

302
00:23:57,260 --> 00:24:03,700
ضرب متوسط الـ X 9.1 قيمته

304
00:24:08,260 --> 00:24:16,200
معادلة الخط المستقيم معادلة M معادلة B معادلة M

305
00:24:16,200 --> 00:24:22,680
معادلة B معادلة M معادلة B معادلة M معادلة B

306
00:24:22,680 --> 00:24:23,340
معادلة M معادلة B

307
00:24:28,080 --> 00:24:40,280
3.5375 ضرب الـ X زائد

308
00:24:40,280 --> 00:24:46,260
الـ B لو أنا بدي أتأكد أن معادلتي صحيحة أو غير صحيحة

309
00:24:46,260 --> 00:24:49,760
تخيل أن قيمة X تساوي واحد المفروض أنّه تساوي عشرين

310
00:24:50,690 --> 00:24:54,550
المفروض، لكن الكلام الأدق يكون القيمة قريبة من

311
00:24:54,550 --> 00:25:05,630
العشرين، ثلاثة point خمسة ثلاثة سبعة خمسة زائد

312
00:25:05,630 --> 00:25:11,690
ثلاثة وعشرين point مئتين وتسعة، ملاحظين قد ايش القيمة

313
00:25:11,690 --> 00:25:18,390
التي طلعت عندي  ثلاثة وعشرين واثنين من عشرة و

314
00:25:18,390 --> 00:25:23,850
ثلاثة وسبعة وخمسة معناته احنا بنتكلم على ستة و

315
00:25:23,850 --> 00:25:30,350
عشرين point سبعة هذه قيمة لما كانت الـ X تساوي واحد

316
00:25:30,350 --> 00:25:33,270
ليش؟ لأنه بضل فيه نسبة خطأ ماحدش قال في الدنيا

317
00:25:33,270 --> 00:25:40,130
أن هذا الـ algorithm أو هذا الـ model هيديني 100%

318
00:25:40,130 --> 00:25:44,670
القيم المتساوية لأن هناك قيم متفرقة لو رجعت للرسم

319
00:25:44,670 --> 00:25:49,070
على السريع عشان تشوفوها هي فعلاً هي النقاط تبعي

320
00:25:49,070 --> 00:25:52,630
النقاط متجارة على الخط المستقيم ولو جربت أنت تأخذ

321
00:25:52,630 --> 00:25:55,490
نقاط على الخط المستقيم هتطلع معك typical قيمة الـ

322
00:25:55,490 --> 00:26:00,030
M وقيمة الـ B تمام بعد ما أنا حسبت القيم هذه على

323
00:26:00,030 --> 00:26:02,730
السريع خليني أروح أشوف بالـ python إيش أنا بدي

324
00:26:02,730 --> 00:26:05,870
أعمله، أنا رحت على الـ python استخدمت الـ numpy

325
00:26:05,870 --> 00:26:10,910
كمكتبة عشان أتعامل مع الـ numerical python arrays

326
00:26:10,910 --> 00:26:16,060
وبنيت الريشة الـ X وبنيت الريشة الـ Y لكن يوجد شغل

327
00:26:16,060 --> 00:26:19,180
هنا أنه لازم أعمل Reshape عشان أعمل Transpose تبع

328
00:26:19,180 --> 00:26:25,080
المصفوفة وهي عبارة عن مصفوفة من بعد واحد أكثر

329
00:26:25,080 --> 00:26:29,120
وليست vector تمام فعشان هيك بعملها Reshape سالب

330
00:26:29,120 --> 00:26:31,620
واحد هذا طبعاً لأنه أنا فعلياً يا جماعة الخير برجع

331
00:26:31,620 --> 00:26:33,800
بأكد أنّه أنا جاهز  بدي أبني الـ data set

332
00:26:33,800 --> 00:26:35,880
بينما الـ data set ممكن تكون معي جاهزة زي ما في

333
00:26:35,880 --> 00:26:38,340
الـ data set التي أنت اخترتها في الواجب الأول تبع

334
00:26:38,340 --> 00:26:41,280
الـ regression data set التي كنا بنتكلم عليها أنت

335
00:26:41,280 --> 00:26:44,700
بدك تقطع منها عمود واحد فقط وتشتغل عليه وتشوف

336
00:26:44,700 --> 00:26:48,780
العلاقة ما بينه وبين الـ target attribute التي هي

337
00:26:48,780 --> 00:26:50,920
الـ continuous value بدك تعملها prediction وروح

338
00:26:50,920 --> 00:26:55,370
أدخلت القيم الموجودة عندي أنا  الـ

339
00:26:55,370 --> 00:26:58,650
values التي دخلتها على المصفوفة بدون ما أعمل الـ

340
00:26:58,650 --> 00:27:02,890
reshape، رحت from الـ sklearn.linear_model

341
00:27:02,890 --> 00:27:05,710
import LinearRegression وأنا ما زلت بأكد

342
00:27:05,710 --> 00:27:08,270
أنّه يشغل على linear regression وبالتحديد بما أنا

343
00:27:08,270 --> 00:27:12,870
بتكلم على one independent attribute معناته أنا

344
00:27:12,870 --> 00:27:18,330
بتكلم على simple linear regression بنيت الموديل

345
00:27:18,330 --> 00:27:22,270
model تساوي LinearRegression الموديل.fit عشان

346
00:27:22,270 --> 00:27:25,730
يعمل train ويوجد العلاقة التي ما بين الـ X والـ Y

347
00:27:25,730 --> 00:27:28,430
التي هي الـ independent attribute X والـ dependent

348
00:27:28,430 --> 00:27:33,830
variable أو الـ dependent attribute Y فرُحت أنا

349
00:27:33,830 --> 00:27:39,390
أعمل fit المفروض بعد عملية الـ fit هذه هو حصل على

350
00:27:39,390 --> 00:27:45,350
الـ slope، الـ M وحصل على الـ B هنا لأن أنا بس بدي

351
00:27:45,350 --> 00:27:49,250
أطبعهم فروحت وقلت له اطبع لي الـ model.coef_

352
00:27:49,250 --> 00:27:53,170
الـ model.coef_ فبطبع لي

353
00:27:53,170 --> 00:27:56,730
قيمة ورحت أضفت عليها عشان تظهر معادلة خط مستقيم

354
00:27:56,730 --> 00:27:59,430
بس مش أكثر الـ model.coef_ والـ model.

355
00:27:59,790 --> 00:28:02,650
intercept، الـ intercept التي هي الـ b أو التقاطع

356
00:28:02,650 --> 00:28:06,010
مع b والـ coefficient التي هي الـ m الموجودة

357
00:28:06,010 --> 00:28:11,660
عندي هنا الـ output طلع لي هي، لو أنا جيت طلعت في

358
00:28:11,660 --> 00:28:20,280
قيمة ثلاثة point خمسة ثلاثة سبعة القيم التي طلعت معي

359
00:28:20,280 --> 00:28:24,100
لما أنا اختصرتها سبعة خمسة لأنه عملت round للسبعة

360
00:28:24,100 --> 00:28:31,120
وهنا ثلاثة وعشرين point مئتين وتسعة لأنه برضه عملت

361
00:28:31,120 --> 00:28:34,440
round للرقم الموجود عندها، typical نفس الـ values

362
00:28:34,440 --> 00:28:38,710
الموجودة، لو أنا بدي أعمل prediction هيبقى أنا في

363
00:28:38,710 --> 00:28:42,270
الـ array رحت على الـ X قلت له في عندي X_test هذه

364
00:28:42,270 --> 00:28:48,710
في عندي النقاط تبعي الـ array اثنين وتسعة وثلاثة عشر وثمانية عشر وأربعة وعشرين

365
00:28:48,710 --> 00:28:57,370
و يعمل لي الـ Y_predict تبعها تمام الآن

366
00:28:57,370 --> 00:29:02,050
هذول هيروح يجيب لي بناء على المعادلة هذه، هيأخذ اثنين

367
00:29:02,050 --> 00:29:09,110
يعني ثلاثة point خمسة أربعة ضرب اثنين زائد ثلاثة

368
00:29:09,110 --> 00:29:12,690
وعشرين، مئتين وتسعة، هذين قيمتين اثنين، تسعة لكن

369
00:29:12,690 --> 00:29:15,550
لاحظوا الآن يا جماعة الخير أن هذه القيم المجتمعة

370
00:29:15,550 --> 00:29:20,510
كلها بدأت تخضع لمن؟ تخضع لنفس المعادلة التي عملها

371
00:29:20,510 --> 00:29:24,270
prediction هنا خلاص انتهى الأمر لأن أنا عمال بتكلم

372
00:29:24,270 --> 00:29:29,330
على الـ model.predict فأنا زدت في القائمة تبعي

373
00:29:29,330 --> 00:29:35,340
هذه وهو شرح سريع ليش أعمل predict فعشان هيك بتطلع

374
00:29:35,340 --> 00:29:38,580
معي معادلة خط مستقيم بالتمام، طيب عشان أوجد

375
00:29:38,580 --> 00:29:42,080
العلاقة الموجودة عندي هنا رحت استخدمت مكتبة

376
00:29:42,080 --> 00:29:43,660
اسمها الـ

377
00:29:43,660 --> 00:29:47,360
matplotlib mathematical plotting library

378
00:29:47,360 --> 00:29:49,980
.pyplot

379
00:29:51,750 --> 00:29:55,190
as plt بدي أرسم ورحت أقول في الـ plot هذه قلت له

380
00:29:55,190 --> 00:29:58,070
في عندي scatter التي هي النقاط عند X و Y هي هم

381
00:29:58,070 --> 00:30:01,970
موجودات، هي X و Y الموجودة فوق عندنا، والـ color

382
00:30:01,970 --> 00:30:06,690
black، نقاط باللون الأسود وفي عندي بدي أعمل plot

383
00:30:06,690 --> 00:30:10,050
كذلك كرسم خط مستقل الـ plot التي بتكلم على function

384
00:30:10,050 --> 00:30:14,650
أو على equation الـ plot X_test التي هي هذه اثنين

385
00:30:14,650 --> 00:30:18,590
وتسعة وثلاثة عشر وثمانية عشر وأربعة وعشرين، والـ color والـ

386
00:30:18,590 --> 00:30:22,780
Y_predict هي هي الـ result تبع الـ prediction بتاعة

387
00:30:22,780 --> 00:30:25,980
الـ model التي أنا استخدمتها والخط باللون الأخضر والـ

388
00:30:25,980 --> 00:30:30,700
linewidth فرُحت قلت له أعمل تبين الـ text على الـ

389
00:30:30,700 --> 00:30:34,240
X والـ Y التي هي النقاط وقلت له show تعالوا نشوف هي

390
00:30:34,240 --> 00:30:38,580
النتيجة التي طلع لي إياها هي النقاط الموجودة هنا

391
00:30:38,580 --> 00:30:44,300
تمام وهي الخط المستقيم الذي يمثله المعادلة التي

392
00:30:44,300 --> 00:30:47,160
موجودة عندها، بدي أروح أنا أورّجيك الآن بس على الـ X التي

393
00:30:47,160 --> 0