1
00:00:21,060 --> 00:00:24,380
بسم الله الرحمن الرحيم المحاضرة يا شباب اليوم ان

2
00:00:24,380 --> 00:00:32,600
شاء الله بنبدأ موضوع جديد هو ممكن نعتبره يعني

3
00:00:32,600 --> 00:00:36,620
استكمال ال express systems و ممكن ناخده على انه

4
00:00:36,620 --> 00:00:39,380
موضوع منفصل كيف يعني؟ يعني موضوع ال artificial

5
00:00:39,380 --> 00:00:42,640
neural networks اللي هو العمال الكبير ممكن يكون

6
00:00:42,640 --> 00:00:44,940
واحدة من التقنيات اللي متقبقة في ال express

7
00:00:44,940 --> 00:00:49,440
systemsولكن يوجد تطبيقات أخرى خارج إطار الـ

8
00:00:49,440 --> 00:00:53,900
Express Systems نفهم التقنية هذه وجدام في شباتر

9
00:00:53,900 --> 00:00:57,700
لاحقة نشوف كيف هذه التقنية تتوظف في Express

10
00:00:57,700 --> 00:01:01,640
Systems المهم الآن أننا نفهمها في حد ذاتها الـ

11
00:01:01,640 --> 00:01:05,240
Artificial neural networks في منها نوعية نوصل فيها

12
00:01:05,240 --> 00:01:09,400
في ال supervised و ال unsupervised الآن نفهم لماذا

13
00:01:10,760 --> 00:01:14,680
أو ال lecture هال lecture أقم سبعة بتتناول بس ال

14
00:01:14,680 --> 00:01:18,740
supervised learning و ال lecture اللي بعدها تمانية

15
00:01:18,740 --> 00:01:22,780
بتتناول ال unsupervised learning الكلمة الأساسية

16
00:01:22,780 --> 00:01:25,420
هنا أنه learning هي عبارة عن واحدة من التقريات

17
00:01:25,420 --> 00:01:29,680
اللي بتساعد في أنه نبني system، ال system ممكن

18
00:01:29,680 --> 00:01:33,540
يتعلم، يتعلم من أيش؟ من البيانات السابقة ال

19
00:01:33,540 --> 00:01:36,980
historical data أو ال training data بنسميها حين

20
00:01:37,350 --> 00:01:40,250
عموما الآن شكل ال lecture هذه ال lecture السابعة

21
00:01:40,250 --> 00:01:44,950
زي ما قلناها بتتعلق بس ب supervised learning أو

22
00:01:44,950 --> 00:01:48,510
supervised artificial neural network المواضيع هذه

23
00:01:48,510 --> 00:01:53,130
انا هدخل على طول على ال Perceptron المقدمة النظرية

24
00:01:53,130 --> 00:01:55,830
هذه ممكن ان انت تستوعبها على حالك جرّا ان انت

25
00:01:55,830 --> 00:01:59,210
تقرأها من ال slides يعني ال slides بتكفي انك

26
00:01:59,210 --> 00:02:06,690
تستوعبها هو في الجزيجين هذوله بيمحدللموضوع من حيث

27
00:02:06,690 --> 00:02:12,170
انه صلته بالخلايا العصبية في الدماغ وانه هي الأساس

28
00:02:12,170 --> 00:02:16,830
لفكرة ال artificial neural networks يبقى بالأساس

29
00:02:16,830 --> 00:02:21,870
كلمة neural networks جاي من نورا ومن نورا للخلايا

30
00:02:21,870 --> 00:02:25,950
العصبية شبكات من الخلايا العصبية Artificial بمعنى

31
00:02:25,950 --> 00:02:30,390
أصطناعي يعني احنا اللي عاملينها تقليد لقاليد العمل

32
00:02:30,390 --> 00:02:33,970
تبع ال neural network ال biological

33
00:02:36,150 --> 00:02:38,910
هذه الأسلحة ادعت انها او هؤلاء المفروضين اللي احنا

34
00:02:38,910 --> 00:02:42,190
هنعديهم ونبدأ على طول في ال Perceptron ال

35
00:02:42,190 --> 00:02:47,250
Perceptron اللي هو النوا اللي منها بتبنى الشبكات

36
00:02:47,250 --> 00:02:51,870
الشبكات ال artificial neural networks عادة ما

37
00:02:51,870 --> 00:02:57,390
بتستخدم في مسائل زي التصنيف قدام هذا الكلام هيظهر

38
00:02:57,390 --> 00:03:02,450
مع ان بعد ما نخلص و نفهم قليت عملها فانا الآن بده

39
00:03:02,450 --> 00:03:09,650
انتقلالحكي عن الـ Perceptron نبدأ من ال slide هذه

40
00:03:09,650 --> 00:03:17,550
ال slide هذه توضح بنية ال Perceptron Perceptron هو

41
00:03:17,550 --> 00:03:20,990
الخلية

42
00:03:20,990 --> 00:03:26,330
الواحدة في النتورة أو لبنة البناء الأساسية لـ

43
00:03:26,330 --> 00:03:32,010
Artificial neural network التكون

44
00:03:32,010 --> 00:03:38,300
من بالأساسهذه اسمها linear combiner وهو ال hard

45
00:03:38,300 --> 00:03:51,760
limiter ال

46
00:03:51,760 --> 00:03:57,200
perceptron بالأساس ينظر له على الأساس انه linear

47
00:03:57,200 --> 00:04:01,320
combiner زي ال hard limiter ممكن هذه الجزئيتين

48
00:04:01,320 --> 00:04:07,410
ناخدهم لأنهم مكون واحدالـ Perceptor من هذا بيصله

49
00:04:07,410 --> 00:04:11,070
input و بيطلع منه multiple inputs بيصله multiple

50
00:04:11,070 --> 00:04:17,450
inputs و بيطلع منه one single output الوظيفة

51
00:04:17,450 --> 00:04:20,930
الأساسية أو القالية العاملة الأساسية تبع ال

52
00:04:20,930 --> 00:04:26,610
Perceptor اللي هو ت combine ال inputs يقارن ال

53
00:04:26,610 --> 00:04:31,490
input ب some threshold يقارنه ب some threshold و

54
00:04:31,490 --> 00:04:35,940
يطلع ال output بناء على هذاهل ال input أو ال sum

55
00:04:35,940 --> 00:04:41,280
هنا combined بمعنى انه بيجمع هل ال sum هذا تجاوز

56
00:04:41,280 --> 00:04:45,320
ال threshold إذا تجاوز بيعطي output وإذا لم يتجاوز

57
00:04:45,320 --> 00:04:50,200
بيعطي output أخر فال output تبع ال perceptron ممكن

58
00:04:50,200 --> 00:04:54,920
نفكر فيه على انه binary output ياما ال value هذا

59
00:04:54,920 --> 00:04:58,180
ياما ال value هذا ال values هذه ممكن تبقى 01 او

60
00:04:58,180 --> 00:05:04,810
plus one minus one وممكن تبقىأرقام عشرية ما بين

61
00:05:04,810 --> 00:05:08,870
الـ 0 و الـ 1 أو ما بين الـ minus one و الplus one

62
00:05:08,870 --> 00:05:12,430
فممكن ال output تبقى ال perceptron يبقى binary أو

63
00:05:12,430 --> 00:05:17,750
يبقى float هذا الكلام في الآخر إيش مستفيد منه،

64
00:05:17,750 --> 00:05:19,470
لنأخد مثال على ذلك

65
00:05:35,290 --> 00:05:38,830
قبل المثال خلّيني أظهر برضه نكمل القالية العمال

66
00:05:38,830 --> 00:05:48,050
اللي هي ان ال perceptron يتوزن من قالية التعامل

67
00:05:48,050 --> 00:05:55,330
بتوعته اللي احنا قولنا فيه learning نبتد

68
00:05:55,330 --> 00:05:58,050
مثل ال perceptron بهذا الشكل okay هاي اللي اوت

69
00:05:58,050 --> 00:06:01,850
بتتبعه وهي ال input ال input هنا اتنين ممكن يكون

70
00:06:01,850 --> 00:06:08,590
اكتر اه اكتر من اتنينالمهم ان ال output تبع ال ال

71
00:06:08,590 --> 00:06:13,290
output تبع ال Perceptron ممكن يكون مطابق لل

72
00:06:13,290 --> 00:06:17,210
desired output وممكن يكون غير مطابق يعني احنا لما

73
00:06:17,210 --> 00:06:21,270
بندرب الشبكة او ال Perceptron زي ال Perceptron

74
00:06:21,270 --> 00:06:26,490
الواحد لما بندربه بنعطيله desired output يعني ال

75
00:06:26,490 --> 00:06:32,530
output السليم المرغوب فهو ال Perceptron بيقارن ال

76
00:06:32,530 --> 00:06:38,800
output اللي طلع منهاللي حسبه هو الـ

77
00:06:38,800 --> 00:06:44,620
Y دي هو الـ calculated output و الـ Y دي هو الـ

78
00:06:44,620 --> 00:06:48,640
desired الفرق ما بين هدول الاتنين هي ال error اللي

79
00:06:48,640 --> 00:06:55,300
هي الخطأ الخطأ هذا اللي هو E الان إذا في خطأ يفرض

80
00:06:55,300 --> 00:07:00,480
انه ال perceptron يتعلم من خطأ كيف يتعلم من خطأه

81
00:07:00,480 --> 00:07:05,280
بشكل بسيط هو انهأنا برجع تاني في ال slides لورا و

82
00:07:05,280 --> 00:07:11,400
هي ان ال inputs هذه تبع ال Perceptron ال inputs

83
00:07:11,400 --> 00:07:21,540
هذه X1 و X2 تمام لها أوزان W1 و W2 عملية ال

84
00:07:21,540 --> 00:07:24,960
summation اللي بيصير بداخل ال Perceptron اللي

85
00:07:24,960 --> 00:07:27,620
بيصير بداخل ال Perceptron هي weighted sum

86
00:07:27,620 --> 00:07:31,610
operation المعنى انه كل inputالـ input سبعته

87
00:07:31,610 --> 00:07:34,310
مابنجمعوش زي ما هم مابنضعوه في الأول بالإيش

88
00:07:34,310 --> 00:07:42,570
بالأوزان تبعهم weighted sum الأوزان هذه هي المحور

89
00:07:42,570 --> 00:07:46,730
عملية التعليق بمعنى إيش أنه إذا حسب ال perceptron

90
00:07:46,730 --> 00:07:55,750
طلب معاه error هذا

91
00:07:55,750 --> 00:07:59,650
ال errorبدي نعكس .. بدي ترتب عليه تعديل في الأوزان

92
00:07:59,650 --> 00:08:04,490
أوزانها دي إما بتزيد أو بتتقيل عشان المرة الجاية

93
00:08:04,490 --> 00:08:10,310
اللي بنعطيله ال input اللي بعد هيكه يحسب من جديد و

94
00:08:10,310 --> 00:08:15,490
يكون اقترب أكتر من الصورة اقترب اكتر من الصورة

95
00:08:15,490 --> 00:08:18,570
يبقى الأن آلية عمل ال perseverance اللي هي أنه

96
00:08:18,570 --> 00:08:22,570
أولا هو بيعمل combination بيعمل combining لل input

97
00:08:22,570 --> 00:08:27,140
طبعا بس لازم يضرب كل input بالإياشبالوزن تبعه

98
00:08:27,140 --> 00:08:32,760
بيقارن ال sum ال total بال threshold و هنا على ال

99
00:08:32,760 --> 00:08:35,860
threshold بيقول ال output ال output هذا بيقارنه

100
00:08:35,860 --> 00:08:39,260
بال desired output هذا هم يكون supervised learning

101
00:08:39,260 --> 00:08:42,900
لازم يكون ال input دخل ودخلنا معاها كمان أيش هاي

102
00:08:42,900 --> 00:08:47,860
input بدخل و بدخل معاها كمان أيش ال desired هو

103
00:08:47,860 --> 00:08:53,100
بيقارن هذا بهذا و الفرق ما بينهم هو عبارة عن أيش

104
00:08:54,020 --> 00:08:58,020
بالـ error ال P هذه اختصار لل iteration يعني P1

105
00:08:58,020 --> 00:09:01,940
سواء iteration وان احنا بندرب ال Perceptron على

106
00:09:01,940 --> 00:09:06,860
عدة iterations P1, P2, P3 لعديد مثلا مائة

107
00:09:06,860 --> 00:09:11,340
iterations او مائتين iterations okay الآن زي ما

108
00:09:11,340 --> 00:09:15,040
قلنا اذا في error اذا في error ما بين ال Y اللي

109
00:09:15,040 --> 00:09:19,020
حسبها ال Perceptron من ال Y اللي المفروض تطلع هذا

110
00:09:19,020 --> 00:09:25,090
الكلام بنعكس على الأوزان الأوزان بتتغيركيف تتغير

111
00:09:25,090 --> 00:09:29,290
الأوزان ببساطة

112
00:09:29,290 --> 00:09:38,450
شديدة لان نحن جايبين الأوزان السابقة إيش

113
00:09:38,450 --> 00:09:43,010
معناته ال iteration القادمة هذا ال iteration

114
00:09:43,010 --> 00:09:47,730
الحالية هذا ال error هذا ال error في iteration

115
00:09:47,730 --> 00:09:50,030
الحالية مضروب في إيش؟

116
00:09:58,070 --> 00:10:05,210
الوزن هذا الوزن

117
00:10:05,210 --> 00:10:14,210
السابق الوزن السابق الوزن السابق الوزن السابق

118
00:10:14,210 --> 00:10:18,550
الوزن السابق الوزن السابق الوزن السابق الوزن

119
00:10:18,550 --> 00:10:21,130
السابق الوزن السابق الوزن السابق الوزن السابق

120
00:10:21,130 --> 00:10:21,810
الوزن السابق الوزن السابق الوزن السابق الوزن

121
00:10:21,810 --> 00:10:22,490
السابق الوزن السابق الوزن السابق الوزن السابق

122
00:10:22,490 --> 00:10:22,610
السابق الوزن السابق الوزن السابق الوزن السابق

123
00:10:22,610 --> 00:10:23,330
الوزن السابق الوزن السابق الوزن السابق الوزن

124
00:10:23,330 --> 00:10:27,520
السابق الوزن السابق الوزن السابق الوبنفهم ايش يعني

125
00:10:27,520 --> 00:10:39,320
learning rate بس المهم ان الوزن الجديد ايه

126
00:10:39,320 --> 00:10:43,320
شو ساوي الوزن الحالي الوزن الجديد يعني ايه ايش

127
00:10:43,320 --> 00:10:46,940
يعني الوزن اللي هيكون في ال iteration القادمة ساوي

128
00:10:46,940 --> 00:10:52,600
الوزن الحالي زائد حاصل ضرب ال input مضروب في ال

129
00:10:52,600 --> 00:10:54,300
error مضروب في ال

130
00:10:57,110 --> 00:11:02,030
الألفة المصبوط الألفة اللي هي learning rate هذا

131
00:11:02,030 --> 00:11:08,470
الكلام من عمل للوزن تبع X1 ومن عمل أيضا للوزن تبع

132
00:11:08,470 --> 00:11:17,810
X2 وإذا في كمان other inputs من عمل إلهم كلهم

133
00:11:17,810 --> 00:11:25,110
خلّيني

134
00:11:25,110 --> 00:11:31,110
أشوف مثلًا عملي على هذا الكلاملو انا فيها اندي ال

135
00:11:31,110 --> 00:11:38,150
truth function تبع ال end تعرف ال end بيناقيها two

136
00:11:38,150 --> 00:11:44,490
values او two binary values والoutput تبعهم او ال

137
00:11:44,490 --> 00:11:53,670
end تبعهم زي

138
00:11:53,670 --> 00:11:59,810
هي انا ال truth table تبعend operation انت الآن

139
00:11:59,810 --> 00:12:06,650
تتبع ان X1 و X2 هم ال inputs اللي بيدخلهم على ال

140
00:12:06,650 --> 00:12:11,310
Perceptron و ال Perceptron وظيفته ان يتعلم اللحظة

141
00:12:11,310 --> 00:12:14,830
ما بينهم ال end relationship ما بينهم و دايما

142
00:12:14,830 --> 00:12:19,190
يعطيني ال output بالشكل هذا احنا و احنا في عملية

143
00:12:19,190 --> 00:12:23,430
التدريب هندخله ال inputs وندخله ال desired output

144
00:12:24,520 --> 00:12:29,340
هو لأنه عندما يأخذ ال input ويحسبه إذا طلع ال

145
00:12:29,340 --> 00:12:33,560
output اللي حسبه مخالف لهذا الكلام يبقى فيه error

146
00:12:33,560 --> 00:12:41,700
في error اللي هو بيعدل على مين بيعدل عليهش على

147
00:12:41,700 --> 00:12:46,080
الأوزان الأوزان هذه بيزيد أو تنقص ال iteration

148
00:12:46,080 --> 00:12:50,420
اللي بعدها بيدخله ال input اللي بعده وبيكرر

149
00:12:50,420 --> 00:12:54,330
العملية هذا الكلام احنا بنعمله مش بس أربع مراتممكن

150
00:12:54,330 --> 00:12:59,710
نقيلها على قد أشواط كل أشواط ندخله الأربع هدولة

151
00:12:59,710 --> 00:13:04,410
مرة أخرى يعني زي هيك مش عارف إذا كان واضح هذي ال

152
00:13:04,410 --> 00:13:10,810
slide ولا لا بس أنت بص عليها و تخيل أو بص على

153
00:13:10,810 --> 00:13:16,670
الرسم هذه ال epoch هي مجموعة iterations مجموعة

154
00:13:16,670 --> 00:13:19,470
iterations هاي هذه iteration iteration iteration

155
00:13:19,470 --> 00:13:25,850
في ال iteration واحدة ندخله إيش؟بتدخله أيضا

156
00:13:25,850 --> 00:13:30,490
desired output الأوزان

157
00:13:30,490 --> 00:13:34,190
هذه بتكون عملها initialization عشوائي random

158
00:13:34,190 --> 00:13:39,910
variables يعني هنا مثلا بناء على الجدول هذه ال W1

159
00:13:39,910 --> 00:13:49,190
كانت 0.3 هذا ال initial value تبع W1 و ال W2 كان

160
00:13:49,190 --> 00:13:49,530
ايش

161
00:13:52,610 --> 00:14:01,710
نقص 0 نقص 0.1 صح لا الهدف نشوف احنا نحسبها ايش ال

162
00:14:01,710 --> 00:14:06,750
input؟ Zero صح Zero Zero في ال iteration الأولى ال

163
00:14:06,750 --> 00:14:11,330
input Zero Zero ثم رح نضغط بال Zero هذا في ال

164
00:14:11,330 --> 00:14:13,350
weight وال Zero هذا في ال weight ونجمع طبعا مبين

165
00:14:13,350 --> 00:14:20,510
ان المجموع Zero Zero هذا اللي هو ال total ال sum

166
00:14:20,830 --> 00:14:28,170
تبع XI مضروب في Wi يساوي 0 يعني هذا مقارنة بال

167
00:14:28,170 --> 00:14:28,670
threshold

168
00:14:50,640 --> 00:14:57,060
فاشلو قلّي أن θ يساوي 0 أه خلّيني بس أطلّع ال

169
00:14:57,060 --> 00:15:12,460
slide تبعتها طيب

170
00:15:12,460 --> 00:15:17,040
okay 0 طب إيش معنى ذلك الكلام

171
00:15:33,810 --> 00:15:38,710
أيه ال output اللي هيطلع؟ إذا كان أنا المجموعة تبع

172
00:15:38,710 --> 00:15:41,970
ال zero و ال threshold تبع ال zero هيطلع ال output

173
00:15:41,970 --> 00:15:46,930
one ولا plus one؟ one ولا .. one ولا zero؟ ال

174
00:15:46,930 --> 00:15:51,150
output يعني طلع ال actual output طلع ال zero لأنه

175
00:15:51,150 --> 00:15:54,790
لازم يبقى ال output لازم يبقى ال sum أكبر من zero

176
00:15:54,790 --> 00:16:00,650
عشان يطلع one المطالبة أنه less than or equalلأ

177
00:16:00,650 --> 00:16:03,610
للـ threshold الـ threshold اللي هو قلنا هنا أن θ

178
00:16:03,610 --> 00:16:12,270
بساوي 0 طالما أن ال sum هذا طلع يساوى 0 في ال

179
00:16:12,270 --> 00:16:17,270
output اللي حيطلع على 0 هذا ال actual output و من

180
00:16:17,270 --> 00:16:20,430
ال desired output هاي ال desired output فيهم فرق؟

181
00:16:20,430 --> 00:16:23,770
لأ مافيش فرق يبقى ال error zero يتعدى ليش على

182
00:16:23,770 --> 00:16:30,720
الأوزان؟ لأ و يبقى الأوزان زمهية الانهذا الكلام في

183
00:16:30,720 --> 00:16:33,380
الliterature الأولى الliterature الثانية ماهو ال

184
00:16:33,380 --> 00:16:38,100
input اللي هيدخل ال input هذا واحد و ال zero نفس

185
00:16:38,100 --> 00:16:48,040
الشيء و ليه مش نفس الشيء واحد هينضرب في ايش

186
00:16:48,040 --> 00:16:51,900
واحد

187
00:16:51,900 --> 00:16:57,640
هينضرب في ال zero point تلاتة و ال zero هينضرب في

188
00:16:57,640 --> 00:17:05,890
ال output التانياللي هو 0.1 إيش هيطلع المجموع؟ 0.3

189
00:17:05,890 --> 00:17:12,930
OK خلّيني أشوف أن أنا بتتأكد أن ال threshold احنا

190
00:17:12,930 --> 00:17:15,590
الآن بناء على هذا الكلام زي كده ال threshold بيصير

191
00:17:15,590 --> 00:17:21,510
0 إحنا عندنا 0.3 0

192
00:17:21,510 --> 00:17:25,410
.3 المفروض تعطيني إيش threshold؟ إيش تعطيني

193
00:17:25,410 --> 00:17:34,380
output؟ تعطيني واحدةأعطينا واحد لأن الـ 0.3 أكبر

194
00:17:34,380 --> 00:17:38,420
منه دعونا نشوف ال step function اللي بيستخدمها ال

195
00:17:38,420 --> 00:17:53,160
step

196
00:17:53,160 --> 00:17:59,000
function اللي بيستخدمها إذا

197
00:18:01,030 --> 00:18:06,310
طلعت واحد ولا سفر؟ طلعت سفر لل threshold إذا أكبر

198
00:18:06,310 --> 00:18:12,570
من أو تساوي زيرو بيطلع واحد فإلا بيطلع زيرو بس أنا

199
00:18:12,570 --> 00:18:18,070
كده مانتبقش على ال table ال table أنتم معايا واضحة

200
00:18:18,070 --> 00:18:22,830
أن المشكلة المشكلة أنه لما أنا بدأ أجي أحسب واحد

201
00:18:22,830 --> 00:18:29,270
ضرب 0.3 ايش بيطلع؟0.3 بجمعها على الـ 0 هدا بطلع 0

202
00:18:29,270 --> 00:18:32,390
.3 الـ 0.3 هدا أكبر من الـ 0 المفروض يطلع لـ

203
00:18:32,390 --> 00:18:38,970
output 1 فهنا ال output إيش اللي نطلع الـ 0.1 لتحت

204
00:18:38,970 --> 00:18:43,790
الـ 0.1 لتحت الـ 0.1 لتحت الـ 0.1 لتحت الـ 0.1

205
00:18:43,790 --> 00:18:54,210
لتحت الـ 0.1 لتحت الـ 0.1 لتحت الـ 0.1 لتحت

206
00:18:54,210 --> 00:19:02,460
الـ 0.1هكذا اصبحت مظبوط انا جربت ال one x واحد

207
00:19:02,460 --> 00:19:07,160
واكس اثنين صح؟ Zero ضارب Zero point ثلاث بيطلع

208
00:19:07,160 --> 00:19:16,280
Zero وهذا واحد ضارب سالب واحد وعشرة بيطلع سالب

209
00:19:16,280 --> 00:19:20,460
مظبوط؟

210
00:19:20,460 --> 00:19:26,520
فهكذا بيطلع Zero بيطلع أكبر Zeroبطلع ال output 0

211
00:19:26,520 --> 00:19:30,640
فمرة تانية مرة تانية ال input اللى بدخل فى ال

212
00:19:30,640 --> 00:19:33,100
iteration ال input اللى بدخل فى ال iteration

213
00:19:33,100 --> 00:19:38,400
التانية هو 0 لل X1 و 1 لل X2 بنضربه كل واحد فى

214
00:19:38,400 --> 00:19:43,960
الوزن تبعه وبطلع المجموع ناقص أو سالف 0.1 هذا

215
00:19:43,960 --> 00:19:51,400
بيطلعلي output 0 مظبوط ال output 0 هذا زى و زى ال

216
00:19:51,400 --> 00:19:56,350
desired output فبطلع في ال share نفس ال shareلما

217
00:19:56,350 --> 00:20:01,070
ندّه في iteration تلاتة بيكون وضع عندي زيك واجدها

218
00:20:01,070 --> 00:20:08,530
بيطلع عندي plus 0.3 plus 0.3 بيوقيني a calculated

219
00:20:08,530 --> 00:20:13,850
output of one ال one هذا مخالف لل ash لل desired

220
00:20:13,850 --> 00:20:17,030
والفرق ما بينهم ناقص واحد لإن احنا بنجيب ال

221
00:20:17,030 --> 00:20:21,410
desired ناقص ال actual او ال calculated فبطلع ال

222
00:20:21,410 --> 00:20:24,770
difference سالب واحد هذا ال difference اللي هو ال

223
00:20:24,770 --> 00:20:31,900
errorالان ترتب على تعديل الأوزان ايه معادلة تعديل

224
00:20:31,900 --> 00:20:37,140
الأوزان اللى طلعنا عليها ان

225
00:20:37,140 --> 00:20:43,380
ال W I

226
00:20:43,380 --> 00:20:47,180
لإتراشن

227
00:20:47,180 --> 00:20:56,350
القادمة WI لإتراشن الحاليةزائد Alpha مضروبة في X

228
00:20:56,350 --> 00:21:04,910
الوزن الحالي مضروبة في X الوزن الحالي مضروبة في X

229
00:21:04,910 --> 00:21:10,350
الوزن

230
00:21:10,350 --> 00:21:12,250
الحالي مضروبة في X الوزن الحالي مضروبة في X الوزن

231
00:21:12,250 --> 00:21:15,250
الحالي مضروبة في X الوزن الحالي مضروبة في X الوزن

232
00:21:15,250 --> 00:21:16,330
الحالي مضروبة في X الوزن الحالي مضروبة في X الوزن

233
00:21:16,330 --> 00:21:16,890
الحالي مضروبة في X الوزن الحالي مضروبة في X الوزن

234
00:21:16,890 --> 00:21:17,810
الحالي مضروبة في X الوزن الحالي مضروبة في X الوزن

235
00:21:17,810 --> 00:21:20,690
الحالي مضروبة في X الوزن الحالي مضروبة في X الوزن

236
00:21:20,690 --> 00:21:27,690
الحالألفة نتعامل معها لإنها 0.2 ألفة

237
00:21:27,690 --> 00:21:31,070
بالساوية 0.2 وهذا تقولنا إيش اسمه ال learning rate

238
00:21:31,070 --> 00:21:34,990
اللي هان بدنا نشوف أثر كبر أو زغر هذا الرقم على

239
00:21:34,990 --> 00:21:42,830
عملية التعليم بس قدامي فعلا 0.2 مضروف في إيش ال

240
00:21:42,830 --> 00:21:50,570
input الحالي واحد مضروف في البزن الحالي اللي هو 0

241
00:21:50,570 --> 00:21:59,230
.3صح يساوي 0.3 زائد لأ انا اللطف مش الوزن ال error

242
00:21:59,230 --> 00:22:05,890
صح ال error ال

243
00:22:05,890 --> 00:22:15,310
error اللي هو قداش ال error ال ناقص صح مظبوط يبقى

244
00:22:15,310 --> 00:22:20,410
يبقى

245
00:22:20,410 --> 00:22:20,510
ايه

246
00:22:33,890 --> 00:22:46,490
مرة تانية واحدة معجلة wi plus one ساوى السابق زاد

247
00:22:46,490 --> 00:22:46,930
ال delta

248
00:22:54,390 --> 00:22:59,130
هذه دلتا دلتا

249
00:22:59,130 --> 00:23:05,710
هي مقرار الزيادة احسبها كتابي بساوية ال alpha ضرب

250
00:23:05,710 --> 00:23:09,450
ال X انا

251
00:23:09,450 --> 00:23:12,590
ببدأ اختصر ال P هي اللي بختصرها انا ببدأ اضرب ال E

252
00:23:12,590 --> 00:23:20,230
ايه بمصبوط هيك او لا لأ هذه لحالة هيك البعد الزائد

253
00:23:20,230 --> 00:23:32,830
هو دلتا نفسه صحماذا قبل أن نقول هو X1-1 X1

254
00:23:32,830 --> 00:23:43,870
-1 X1-1 X1-1 X1

255
00:23:43,870 --> 00:24:00,680
-1 X1-1 X1-1لأن اجمعه على الـ 0.3 بيطلع 0.1 لماذا

256
00:24:00,680 --> 00:24:07,500
0.1؟

257
00:24:07,500 --> 00:24:15,420
المفروض 0.2 نتأكد مرة تانية لأن السابق كان 0.3

258
00:24:15,420 --> 00:24:27,670
السابق كان 0.3الـ 0.2 بالسابق فيطلع 0.1 بالموجة

259
00:24:27,670 --> 00:24:36,370
فهناك شيء غلط فهناك شيء غلط دعونا نتأكد أن حسبة

260
00:24:36,370 --> 00:24:51,900
هذا كمية سليمة هنا الـ W2 W2 P plus 1 السابقة 0لأ

261
00:24:51,900 --> 00:24:59,060
ناقص 0.1 و ال delta هي عبارة عن ال

262
00:24:59,060 --> 00:25:06,260
alpha هي 0.2 مضروف في ايش مضروف في ال x اللي هي 0

263
00:25:06,260 --> 00:25:11,660
مضروف في ال error كل هذا بيطلع zero و بيبقى زي ما

264
00:25:11,660 --> 00:25:16,460
هي وهذا صحيح ماشي مع الجدول ايش الغلط اللي عندنا

265
00:25:16,460 --> 00:25:26,290
هنا اللي خلّها بتطلع معاناالزي ال واحد هذا غلط هذا

266
00:25:26,290 --> 00:25:31,190
مش زي ال jet white ايش السبب انك حضرت واحد X انه

267
00:25:31,190 --> 00:25:34,830
ايه حضرت معوض على X واحد انت بتاعت معوض عليها في

268
00:25:34,830 --> 00:25:38,710
سفر ماهي واحد ايه X واحد واحد طب ايه معوض تاعت

269
00:25:38,710 --> 00:25:43,170
عليها في سفر وين انا موراها هذا لا هذا لا X اتنين

270
00:25:43,170 --> 00:25:48,570
هذا لا الوزن التاني احنا الان نحصل في الوزن الاول

271
00:25:49,600 --> 00:25:54,300
وزن الأول حسبنا طلع معنا 0.1 هو المفروض في الجدول

272
00:25:54,300 --> 00:26:02,420
0.2 اه المفروض يطلع .. احنا حسبنا كان السابق الوزن

273
00:26:02,420 --> 00:26:06,520
السابق 0.3 مظبوط إضافة إلى ال delta ال delta هي

274
00:26:06,520 --> 00:26:11,320
عبارة عن ال learning rate احتمال ال learning rate

275
00:26:11,320 --> 00:26:16,480
مش 0.2 احتمال يكون 0.1 بس انا غلطان خليني اتأكد ان

276
00:26:16,480 --> 00:26:20,460
ال learning rate هوهي مالهاش الا هيك هي مالهاش الا

277
00:26:20,460 --> 00:26:29,880
انه ال ال alpha بساوي 0.1 طيب

278
00:26:29,880 --> 00:26:33,880
لو أخدها على أنها 0.1 بيطلع مظبوط صح؟ بيطلع point

279
00:26:33,880 --> 00:26:37,620
two خلاص

280
00:26:37,620 --> 00:26:41,740
ماشي هي حتما هيك بس أنا بدور عليها عشان أتأكد مش

281
00:26:41,740 --> 00:26:42,320
شايفها

282
00:27:04,770 --> 00:27:09,930
بنكمل الآن هنا زي ما انت شايفين جدول لما بدأنا ال

283
00:27:09,930 --> 00:27:13,770
iteration جديدة بدأت الأوزان معانا على الأوزان

284
00:27:13,770 --> 00:27:18,810
الجديدة صح لأ فرق الأوزان الجديدة هي محل الأوزان

285
00:27:18,810 --> 00:27:28,890
الجديدة 0.2 هنا أو نقص 0.1تحت next name حسبنا الان

286
00:27:28,890 --> 00:27:33,790
هيطلع ال actual و ال desired غير عن بعض ال error

287
00:27:33,790 --> 00:27:39,630
واحد نقص زيرو يسوى واحد واحد الان بماذا؟ بموجة

288
00:27:39,630 --> 00:27:48,050
احسب الأوزان الجديدة لأ w واحد w واحد iteration

289
00:27:48,050 --> 00:27:55,660
هذه رقم أربع صح بساوي الأوزان تبعد بساوي الالوزن

290
00:27:55,660 --> 00:28:01,040
السابق في iteration رقم تلاتة لأ احنا نحصل على رقم

291
00:28:01,040 --> 00:28:05,080
خمسة نحصل عزيزي على رقم خمسة كده كانت في الرقم

292
00:28:05,080 --> 00:28:12,680
أربعة زائن ايش مضروف بالألفة اي 0.1 مضروف بال X اي

293
00:28:12,680 --> 00:28:21,000
واحد مضروف بال error اللي هو واحد صح؟ اذا كده كانت

294
00:28:21,000 --> 00:28:26,590
هذه في iteration أربعة كانت 0.2زائد الان جديش هذا

295
00:28:26,590 --> 00:28:38,410
المفضل ايش هطلع نصبوت نصبوت لما نحسب وزن w2 لل

296
00:28:38,410 --> 00:28:47,670
iteration الجاية بالساوي 0.2 نفسك لأ مش 0.2 w2

297
00:28:47,670 --> 00:28:59,240
في iteration 4 زائد ايش نفس الاشي صح0.1 المضروب في

298
00:28:59,240 --> 00:29:05,980
واحد ال input كان واحد وال error واحد كده ايه درجة

299
00:29:05,980 --> 00:29:15,560
2؟ سالب واحد سالب واحد ساعد 0.1 زائد 0.1 يعني ساوة

300
00:29:15,560 --> 00:29:20,780
صفر صح؟ صح اتلا معناك مظبوط ال error الجديد ال

301
00:29:20,780 --> 00:29:25,870
weight الجديدهذا الكلام الآن ايش اللي بيحصل ان

302
00:29:25,870 --> 00:29:32,370
تدريجيا الأوزان هذه بدأت على ال initial weights

303
00:29:32,370 --> 00:29:39,790
كانت 0.3 مع نقطة 0.1 تدريجيا تبدأ تتغير إلى أن في

304
00:29:39,790 --> 00:29:46,950
الآخر تستقر عمليا بدأت تستقر من هنا بدأت تستقر

305
00:29:46,950 --> 00:29:51,650
الأوزانIteration هو إترايش مابيحصل أي تغيير هدف حد

306
00:29:51,650 --> 00:29:59,850
ذاته مؤشر على إن ال Perceptron بطل يعمل Errors صح

307
00:29:59,850 --> 00:30:05,930
بقوله بقى بطل يعمل Errors أوزانه تبعته ثبتت و

308
00:30:05,930 --> 00:30:13,830
دايما ال desired مطابق لل actual و إتر نقدر نقول

309
00:30:13,830 --> 00:30:19,070
إن ال Perceptron اتعلم ال Perceptronاتعلم اتعلم

310
00:30:19,070 --> 00:30:27,010
ايش اتعلم انه يعطيني ال output الصحيح ل ال end

311
00:30:27,010 --> 00:30:31,490
function لما اعطيله two inputs بيعطيني ال end

312
00:30:31,490 --> 00:30:36,310
تبعهم هذا مثال بسيط جدا انا مش محتاج اجيب

313
00:30:36,310 --> 00:30:40,670
perceptron و اعلمه علشان احسب ال end gate او ال

314
00:30:40,670 --> 00:30:44,830
end function صح ولا لأ if zero and zero بطلع ال

315
00:30:44,830 --> 00:30:50,280
zeroF one and one بطلها one otherwise بطلها zero

316
00:30:50,280 --> 00:30:54,520
كلها F statement واحد مظبوط بس احنا هذا الكلام

317
00:30:54,520 --> 00:30:59,480
مشينا فيه عشان نوضح فكرة او نوضح قالية تعاملهم في

318
00:30:59,480 --> 00:31:03,060
ال Perceptron القالية هذه هي اللي بنبنى عليها تبع

319
00:31:03,060 --> 00:31:07,280
ال Perceptron هي اللي بنبنى عليهاالتعلم في الشبكة

320
00:31:07,280 --> 00:31:11,200
شبكة من ال perceptrons اللي هي نور ال network يعني

321
00:31:11,200 --> 00:31:14,860
نور ال network هي عبارة عن شبكة من ال perceptrons

322
00:31:14,860 --> 00:31:18,740
هذه و بتشتغل بنفس القليل انه perceptron الواحد في

323
00:31:18,740 --> 00:31:27,060
هذه الشبكة الشبكة ممكن تبقى زي هيك و هيك كل واحد

324
00:31:27,060 --> 00:31:30,640
من الدلائل هذه هي عبارة عن perceptron فنسميه

325
00:31:30,640 --> 00:31:35,020
neuron بالبسيط كل واحد منهم زي ما انت شايفبدخل

326
00:31:35,020 --> 00:31:39,460
عليه مجموعة input و بطلع منه مجموعة output ال

327
00:31:39,460 --> 00:31:42,900
output في واقع الأمر هم ال duplicates يعني هو نفس

328
00:31:42,900 --> 00:31:49,100
ال output هو بطلع output واحد بس بتعمم يعني هذا ال

329
00:31:49,100 --> 00:31:55,340
neuron بطلع منه نفس ال output بس بتعمم على مين على

330
00:31:55,340 --> 00:32:00,840
كل ال neurons اللي في المرحلة اللي بعد اللي في

331
00:32:00,840 --> 00:32:08,650
الطبقة اللي بعدهاكل واحد من هذول نسميهم layer هذي

332
00:32:08,650 --> 00:32:10,890
الأخيرة بيسميها output layer لإن هي اللي بيطلع

333
00:32:10,890 --> 00:32:15,250
فيها ال output و هذي بيسميها ال input layer و هذول

334
00:32:15,250 --> 00:32:19,490
التانين اللي في المصدر بيسميهم hidden layers ال

335
00:32:19,490 --> 00:32:25,370
input layer عمليا هذول المربعات دي ماهياش neurons

336
00:32:25,370 --> 00:32:30,090
الدوية بس ال neurons ايش يعني مش neuronsالمقاربعات

337
00:32:30,090 --> 00:32:33,710
يعني ما بتعملش summation ولا بتعمل activation ولا

338
00:32:33,710 --> 00:32:39,450
بتعمل أي اشي بس مجرد نقطة تشعب ال input فيها بتوزع

339
00:32:39,450 --> 00:32:47,350
على هم هدول الدوائر هم اللي بيعملوا ال weighted

340
00:32:47,350 --> 00:32:51,670
sum وال activation ال calculation هنا ال

341
00:32:51,670 --> 00:32:56,010
activation أصبحت عبارة عن مقارنة ال sum بال

342
00:32:56,010 --> 00:33:00,120
thresholdبنطلع ال output بناء على هذا المقارنة

343
00:33:00,120 --> 00:33:04,460
فالان بدأ ارجع انا قبل ما نفهم قالية عمل ال

344
00:33:04,460 --> 00:33:07,680
network ككل بدأ ارجع على مفهوم ال activation

345
00:33:07,680 --> 00:33:12,480
function احنا شوفنا ال step لما كنا بنقول بنقارن

346
00:33:12,480 --> 00:33:20,360
بال zero كان هذا الكلام جاي

347
00:33:20,360 --> 00:33:26,310
من هنا هذول الأربعةيعني بقى أربع أنواع من ال

348
00:33:26,310 --> 00:33:30,050
activation functions ال activation functions بتاكل

349
00:33:30,050 --> 00:33:35,730
X كابيتل هذا هو ال sum هو ال sum اي sum ال

350
00:33:35,730 --> 00:33:40,830
weighted sum تبع حاصل جمع مضاريب ال inputs في

351
00:33:40,830 --> 00:33:46,490
أوزانها صح الكلام حاصل جمع مضاريب ال inputs في

352
00:33:46,490 --> 00:33:50,430
أوزانها بيطلع عندي ال weighted sum بالان على ال

353
00:33:50,430 --> 00:33:54,520
sum هذا و بالان على ال thresholdالـ function بتطلع

354
00:33:54,520 --> 00:33:57,380
هذه ال output هذه اسمها step function كيف ال

355
00:33:57,380 --> 00:34:00,400
output تبعها اللي هو احنا شفناه أتابعه في المثال

356
00:34:00,400 --> 00:34:06,100
إذا X X capital اللي هي ال weighted sum أكبر من أو

357
00:34:06,100 --> 00:34:11,540
تساوي ال zero تعطيني one أقل تعطيني ال zero هذه ال

358
00:34:11,540 --> 00:34:15,200
function اسمها ال sine function زي ال step زي ال

359
00:34:15,200 --> 00:34:21,650
step بس ال output تبعها مش 01 سالب one و plus oneو

360
00:34:21,650 --> 00:34:24,870
برضه نفس الشيء إذا كان ال X أكبر من أسفل 0

361
00:34:24,870 --> 00:34:30,470
فبتعطيني plus one و إلا تعطيني negative one في

362
00:34:30,470 --> 00:34:33,670
حاجة اسمها segment function segment function هذه

363
00:34:33,670 --> 00:34:39,750
معادلة sum نحط السنة فوق الأبسلون فوق ال E و ال

364
00:34:39,750 --> 00:34:44,250
output هنا الآن بيطلع رقم عشري مش عشري مش binary

365
00:34:44,250 --> 00:34:48,410
هذوله binary ده صح هذوله binary ال output ال Y هنا

366
00:34:48,740 --> 00:34:51,480
يا إما بيجي وانا zero يا إما بيجي plus one أو

367
00:34:51,480 --> 00:34:56,560
minus one أنا 110 و ال linear نفس اللي بدخل عليها

368
00:34:56,560 --> 00:35:02,480
بتطلعلي مقابله value إحنا الآن يا إما في الامترال

369
00:35:02,480 --> 00:35:05,560
اللي قدام يا إما بتكون ال activation function step

370
00:35:05,560 --> 00:35:10,960
أو sign أو sigmoid خليني

371
00:35:10,960 --> 00:35:14,200
أنا أطلع على لو أنا عندي مش perceptron واحد عندي

372
00:35:14,200 --> 00:35:17,740
network من ال من ال neurons

373
00:35:21,350 --> 00:35:25,870
بالمثال هذا أعطيك فكرة لإيش ممكن تستخدم نور ال

374
00:35:25,870 --> 00:35:30,890
network أو ال perceptron انت اتبر ان هدولة انكس

375
00:35:30,890 --> 00:35:35,010
الان vectors

376
00:35:35,010 --> 00:35:40,370
و ال vectors هذه عندي هنا في الحالة هذه X1 و X2

377
00:35:40,370 --> 00:35:46,430
لكن تخيل ممكن تبقى خمسة X's X1, X2, X3, X4, X5 و

378
00:35:46,430 --> 00:35:47,330
ال vectors هذه

379
00:35:51,610 --> 00:35:58,290
رقم هنا إيه معنى إيه دلالة ال network اتعلمت إنها

380
00:35:58,290 --> 00:36:01,390
لما تشوف فائدة تعطينا output هذا لما تشوف فائدة

381
00:36:01,390 --> 00:36:04,350
تعطينا output هذا لما تشوف input هذا تعطينا output

382
00:36:04,350 --> 00:36:10,080
هذاهذا ما نسميه classification انه يدخل عليها

383
00:36:10,080 --> 00:36:15,000
input input vector وهي بتصنف ليه ينتمي إلى هذا

384
00:36:15,000 --> 00:36:19,960
الفئة أو هذا الفئة جامعة ال zero او جامعة ال one

385
00:36:19,960 --> 00:36:23,540
جامعة ال zero هيكون لهم دلالة معينة وجامعة ال one

386
00:36:23,540 --> 00:36:28,080
لهم دلالة معينة اخرى فال neural network عادة

387
00:36:28,080 --> 00:36:30,880
مستخدم في التصنيف نعطيها vectors و ال vectors هذه

388
00:36:30,880 --> 00:36:34,420
لها معنى مثلا بنقول انه أنا مجموع من الأشخاص

389
00:36:34,730 --> 00:36:39,930
الاشخاص هذا احنا عنا الخصائص تبعتهم، بقول مثلا طول

390
00:36:39,930 --> 00:36:44,810
الشخص ووزن الشخص، عمر الشخص وما إلى ذلك، ونعطيها

391
00:36:44,810 --> 00:36:50,170
ميت شخص كل واحد إله إيش الفئام تبعته، و هي بتتعلم

392
00:36:50,170 --> 00:36:55,510
تصنيفهم، إن والله هدول الأشخاص ذكور، هدولها إنث،

393
00:36:55,510 --> 00:36:59,650
بناء على التدريب اللي احنا بندربله، بنقولهم ..

394
00:36:59,650 --> 00:37:04,840
بنقولها إنه .. كل شخص بنقولها إنه إيشهو ذاكر ولا

395
00:37:04,840 --> 00:37:10,120
أنثى بعد ما تتدرب وتخلص نسألها عن أي شخص جديد فهي

396
00:37:10,120 --> 00:37:17,600
بتعرف اذا كان التصنيف تبعه ذاكر ولا أنثى الان بدنا

397
00:37:17,600 --> 00:37:21,040
نشوف اللي هو ال multi-layer Perceptron اللي هو

398
00:37:21,040 --> 00:37:24,560
الكلام اللي طلعناه قبل قليل شوية وكيف قالية العمل

399
00:37:24,560 --> 00:37:30,080
مثل هذا النوع من ال networks لاحظ انه

400
00:37:34,600 --> 00:37:39,840
لحظ أنه لو أحنا مدنيين خلّيني أخد مثال أبسط منها

401
00:37:39,840 --> 00:37:43,700
ده يعني ناخد مثال في network تحتوي على hidden

402
00:37:43,700 --> 00:37:50,280
layer واحدة زي hidden hidden layer واحدة هذا input

403
00:37:50,280 --> 00:37:56,200
layer وهذا hidden layer وهذا output layer الان لو

404
00:37:56,200 --> 00:37:59,820
أنت جيت فكرت في هذا الكلام تلاقي أن في أحنا مشكلة

405
00:37:59,820 --> 00:38:05,240
وهي إيشالـ neurons اللي هنا اللي على ال output

406
00:38:05,240 --> 00:38:11,500
layer لما انا بده ادخل ال input هدخل معاه ال

407
00:38:11,500 --> 00:38:16,680
desired output تمام

408
00:38:16,680 --> 00:38:24,060
هدخل ال desired الـ desired YD 1 YD 2 YD K YD L

409
00:38:24,060 --> 00:38:31,220
الان كل واحد من هدول ال neurons اللي هنا هتقدر

410
00:38:31,220 --> 00:38:36,170
تحسب ال errorما بين ال output اللى طلعته وما بين

411
00:38:36,170 --> 00:38:51,930
ال output ال actual صح ولا لأ كمان

412
00:38:51,930 --> 00:38:56,830
حاصر الفرق ما بينهم هو ايش ال error المشكلة هنا

413
00:38:56,830 --> 00:39:03,940
هذه ال node في ال hidden layerما عندهم أي فكرة عنه

414
00:39:03,940 --> 00:39:09,400
كdesire يعني مانعرفش هو ييجي يحسب الفرق ما بين ال

415
00:39:09,400 --> 00:39:13,000
output تبعه وما بين ال desire هو مش مسئول عن ال

416
00:39:13,000 --> 00:39:15,400
desire ده ده اللي مسئول عن ال desire هو مسئول

417
00:39:15,400 --> 00:39:20,560
مسئولية جزئية okay فاحنا الآن بنشوف كيف هدول ال

418
00:39:20,560 --> 00:39:24,560
nodes يعني هدول ال nodes اللي هنا بيحسموا الفرق أو

419
00:39:24,560 --> 00:39:28,200
ال error و بناء على ال error هم بيعدلوا أوزان مين

420
00:39:30,620 --> 00:39:35,580
بعد الأوزان مين ال input اللي داخل عليه كل واحدة

421
00:39:35,580 --> 00:39:39,200
بيسوي الكلام هذا بشكل مباشر بس الجماعة اللي هنا

422
00:39:39,200 --> 00:39:54,300
ايش بيبيسويها أنا كده بشوفه بتفسيري لان هذا

423
00:39:54,300 --> 00:39:55,720
عبارة عن ايش multi layer

424
00:40:04,570 --> 00:40:11,110
بتفشر من ورا ال network طبعا

425
00:40:11,110 --> 00:40:15,270
ال initialization لما نتعامل مع network هبنعمل

426
00:40:15,270 --> 00:40:19,150
initialization برضه عشوائي لمن الأوزان تبع ال

427
00:40:19,150 --> 00:40:25,070
inputs يعني كل واحدة من ال nodes هذه ال node هي ال

428
00:40:25,070 --> 00:40:29,330
inputs تبعونها بنعملها كل واحد منهم ايش أوزان

429
00:40:29,330 --> 00:40:35,930
فالأوزان هذه بتبقى بشكل عشوائيأو موزع بالتساوي كيف

430
00:40:35,930 --> 00:40:43,570
يعني يعني عندي range هنا FI is the total number of

431
00:40:43,570 --> 00:40:47,950
inputs of neuron I يعني عندي نيرون أنا هذا الرقم

432
00:40:47,950 --> 00:40:53,630
واحد أكمل inputs عليه أربعة صح كلهم دولة واحد

433
00:40:53,630 --> 00:40:57,110
اتنين تلاتة كلهم داخل عليهم أربعة inputs فالوزان

434
00:40:57,110 --> 00:41:05,630
تبعتهم يقول two point four على أربعة يساوي ستة0.6

435
00:41:05,630 --> 00:41:12,850
0.6 بالموجة و 0.6 بالسائق يعني تخلي الأرزان تبعتك

436
00:41:12,850 --> 00:41:19,650
تتروح من بين 0.6 إلى 0.6 بتوزع هذا ال range هذا ال

437
00:41:19,650 --> 00:41:25,790
range كده طوله 1.2 دسم ال 1.2 هذا بالتساوي إلى

438
00:41:25,790 --> 00:41:30,510
أربع قيم متساوي

439
00:41:34,040 --> 00:41:36,620
هذه اللي هو ال initialization لأن ال activation

440
00:41:36,620 --> 00:41:41,280
تختار activation function عادة مش هتختار في مسألة

441
00:41:41,280 --> 00:41:47,620
الامتحان هيقولك استخدم ال sigmoid او استخدم ال

442
00:41:47,620 --> 00:41:52,120
step او استخدم ال sign function ايش معناه ذلك؟

443
00:41:52,120 --> 00:41:58,020
معناه ذلك انه لما تحسب الصم اللي هو دايما الصم هذا

444
00:41:58,020 --> 00:42:02,800
هو اقع عن حاصل جمع ash المضاري المضروب كل input

445
00:42:02,800 --> 00:42:12,260
بال ashبالوزن تبعه هتحسبها و تقسم منهم ال theta ال

446
00:42:12,260 --> 00:42:17,000
threshold تبعنا و ال output هذا و ال total هذا

447
00:42:17,000 --> 00:42:22,640
تدخلوا على seed mode عشان تطلع ال Y ال Y تبع انهي

448
00:42:22,640 --> 00:42:27,060
node تبع ال node اللي انت واقف عليه هنا Yj يعني

449
00:42:27,060 --> 00:42:28,360
node من ال nodes تبع ال

450
00:42:33,540 --> 00:42:38,860
الـ middle layer YK يعني node من الـ node سبعة الـ

451
00:42:38,860 --> 00:42:42,540
output layer أضحك؟ لحظة إن هو .. إيش هنا .. إيش

452
00:42:42,540 --> 00:42:47,200
قال؟ على طول أخد ال .. ال sum و طرح منه ال

453
00:42:47,200 --> 00:42:52,040
threshold okay ال output .. الفرق ما بين ال .. ال

454
00:42:52,040 --> 00:42:54,480
sum و ال threshold هو اللي مدخل على ال segment

455
00:42:54,480 --> 00:43:00,980
okay طيب بعدين هذه .. هذه الخطوة مسمى activation

456
00:43:00,980 --> 00:43:06,310
activation اللي بينتج عنهابينتج عنها هي ال

457
00:43:06,310 --> 00:43:09,930
calculated output بعد ما نحسب ال calculated output

458
00:43:09,930 --> 00:43:18,130
لان نود ايش بنسوي نشوف اذا في error ولا لأ صح okay

459
00:43:18,130 --> 00:43:24,990
نشوف اذا في error ولا لأ اذا

460
00:43:24,990 --> 00:43:28,910
في error معناه ذلك اننا نعمل update للأوزان مافيش

461
00:43:28,910 --> 00:43:35,900
error مافيش update للأوزان updating الأوزان للالـ

462
00:43:35,900 --> 00:43:40,600
output neurons مختلف

463
00:43:40,600 --> 00:43:48,380
عن updating الأوزان لمين للـ hidden neurons تذكر

464
00:43:48,380 --> 00:43:54,260
أن في عندي أحناير hidden layer هنا

465
00:43:54,260 --> 00:43:58,560
output layer ال

466
00:43:58,560 --> 00:43:59,420
output neurons

467
00:44:04,110 --> 00:44:08,550
هو ايش اللي حاسب ال error و لا ال error اللي هو

468
00:44:08,550 --> 00:44:13,750
عبارة عن ايش الفرق بين ال desire ناقص ال

469
00:44:13,750 --> 00:44:20,090
attraction مظبوط هذا ال error بين حسب يدخل في حسبة

470
00:44:20,090 --> 00:44:28,210
ال error gradient هذه ايش هذه الإشارة delta صح

471
00:44:28,210 --> 00:44:32,610
small delta هذا delta capital وهذا delta small

472
00:44:38,190 --> 00:44:48,290
خلاص بعد ذلك بقى اضربه في الـ alpha ثم في ال

473
00:44:48,290 --> 00:44:53,650
output بيطلع معايا ايه

474
00:44:53,650 --> 00:45:01,420
ال delta وهذا ال capital وهذا ال small تمامالان

475
00:45:01,420 --> 00:45:04,820
حسبت انا small delta اللى هى ال error gradient

476
00:45:04,820 --> 00:45:09,500
باخد ال error gradient باضربه فى ال output ال

477
00:45:09,500 --> 00:45:15,180
actual مبروه فى ال learning rate ال alpha بطلع

478
00:45:15,180 --> 00:45:18,920
معاى ال delta يعنى مقدار التغير اللى بيطرق على

479
00:45:18,920 --> 00:45:23,340
الوزن هذا المقدار التغير بنضيفه على الوزن السابق

480
00:45:23,340 --> 00:45:28,950
بنضيفه على الوزن السابق هذه مقدار التغيربنضيفه على

481
00:45:28,950 --> 00:45:32,550
الوزن السابق و بطلع معاه الوزن الجديد و أضح

482
00:45:32,550 --> 00:45:37,990
العملية تلات خطوات الآن عملية تغيير الأوزان عملية

483
00:45:37,990 --> 00:45:42,150
تغيير الأوزان أولا بحسب ال error gradient ثم بحسب

484
00:45:42,150 --> 00:45:48,990
ال error delta او ال weight delta اه بيظهر تغير في

485
00:45:48,990 --> 00:45:51,810
الوزن ثم بضيفه على الوزن الحالي

486
00:45:57,230 --> 00:46:00,450
خلّي بالك إنه لو مافيش قرر هيطلع هذا المقدار الـ 0

487
00:46:00,450 --> 00:46:04,350
كله هذا هيطلع الـ 0 كله هذا الـ 0 كله هيطلع هذا

488
00:46:04,350 --> 00:46:08,210
الـ 0 كله هيطلع هذا الـ 0 كله هيطلع هذا الـ 0 كله

489
00:46:08,210 --> 00:46:08,970
هيطلع هذا الـ 0 كله هيطلع هذا الـ 0 كله هيطلع هذا

490
00:46:08,970 --> 00:46:09,290
هيطلع هذا الـ 0 كله هيطلع هذا الـ 0 كله هيطلع هذا

491
00:46:09,290 --> 00:46:10,050
الـ 0 كله هيطلع هذا الـ 0 كله هيطلع هذا الـ 0 كله

492
00:46:10,050 --> 00:46:11,390
هيطلع هذا الـ 0 كله هيطلع هذا الـ 0 كله هيطلع هذا

493
00:46:11,390 --> 00:46:21,430
الـ 0 كله هيطلع هذا الـ 0 كله هيطلع

494
00:46:21,430 --> 00:46:29,990
هذا الـ 0 كلههذا الأمر بالنسبة لـ output neurons

495
00:46:29,990 --> 00:46:35,210
يعني الـ neurons لاحظ ال subscript الـ K هذه تتبع

496
00:46:35,210 --> 00:46:46,910
مين زي ما في الرسم هنا الـ K اللي هم هدولة تفضل

497
00:46:46,910 --> 00:46:51,530
اللي هو error gradient بعدين ال weight correction

498
00:46:51,530 --> 00:46:56,960
اللي دلت ال weight و بعدين ال weight اللي جديدهذا

499
00:46:56,960 --> 00:47:14,500
بالنسبة لـ L أما بالنسبة للـ Hidden Layer الوزن

500
00:47:14,500 --> 00:47:20,620
الـ Delta K هذه تحتفظ فيها لأنها تدخل معنا في حسب

501
00:47:20,620 --> 00:47:25,980
التعديل الأوزان على الـ Hidden كيف؟ يعني دي أنا

502
00:47:26,810 --> 00:47:31,790
error gradient للـhidden

503
00:47:31,790 --> 00:47:36,590
small delta g small delta g هو نفس الشيء إبراهن

504
00:47:36,590 --> 00:47:50,290
output النوت نحن

505
00:47:50,290 --> 00:47:50,690
الآن هنا

506
00:47:59,160 --> 00:48:03,820
لأن الواحدة من هدولة لو ال input تبعها اتعمم على

507
00:48:03,820 --> 00:48:08,380
مين على كل ال nodes اللي في ال layer اللي بقت يعني

508
00:48:08,380 --> 00:48:12,420
بمعنى others هدول ال nodes كانوا أخطأوا كان عندهم

509
00:48:12,420 --> 00:48:17,760
errors فهذا بفعل أوزانهم و بفعل ال input اللي

510
00:48:17,760 --> 00:48:22,220
أجرهم من ورا يعني هدول ال nodes اللي هنا مسئولين

511
00:48:22,220 --> 00:48:27,460
مسئولية جزئية عن الخطأ اللي بيحصل إذا حصل خطأ في

512
00:48:27,460 --> 00:48:32,430
ال hidden صح؟وبالتالي احنا بدنا نرجع بعض المسئولية

513
00:48:32,430 --> 00:48:40,210
عليهم هاي بعض المسئولية small delta k هدا هاد ال

514
00:48:40,210 --> 00:48:43,950
node كل واحدة من هدولها حسبة ال small delta k

515
00:48:43,950 --> 00:48:49,150
تبعها ولا لأ صح ولا لأ ارجع التاني ال error

516
00:48:49,150 --> 00:48:52,690
gradient هدا احنا الان رجعنا على ال output مش كل

517
00:48:52,690 --> 00:48:55,950
واحدة منهم تحسب ال small delta k تبعها small delta

518
00:48:55,950 --> 00:49:01,930
k تبعها اللي هو ال error gradientالان بدى نضرب في

519
00:49:01,930 --> 00:49:09,610
ال errors نضرب في الأوزان تبع كل ال inputs اللى

520
00:49:09,610 --> 00:49:15,850
دخل عليها هذا لما انا اقول wjk ايش يعني يعني الوزن

521
00:49:15,850 --> 00:49:20,570
اللى تبع ال input اللى طالع اللى رايح على k من j

522
00:49:20,570 --> 00:49:30,040
يعني هى وزن و هى وزن و هى وزن و هى وزنكل واحد من

523
00:49:30,040 --> 00:49:34,260
هؤلاء الأوزاد سينضرب في Delta K Delta K هي Error

524
00:49:34,260 --> 00:49:41,300
Gradient تبع هذا ال node سينضرب في ماذا؟ في WJK

525
00:49:41,300 --> 00:49:48,240
وينجمع الكلام هذا كله هذا الكلام يعني Error تبعها

526
00:49:48,240 --> 00:49:56,840
جاء بسبب كل ال nodes اللي غذوها هذا الكلام ينضرب

527
00:49:57,370 --> 00:50:04,830
لأن لما تحسب الـ delta J تبعتها تضرب ال output

528
00:50:04,830 --> 00:50:12,450
تبعها مضم في واحد نقص output هذا يعني Y²-Y صح او

529
00:50:12,450 --> 00:50:18,970
لأ انا بسطط اتخذ ال YJ مضم في واحد ومضم في YJ يعني

530
00:50:18,970 --> 00:50:29,180
Y-YJ² صحهذا النقطة ينضرب في مجموعة الصميشن هذه

531
00:50:29,180 --> 00:50:34,300
عشان نحصل على ال error gradient تبع هذا ال node

532
00:50:34,300 --> 00:50:39,920
ونكرر الكلام هذا كله لل other nodes عندما حصلنا

533
00:50:39,920 --> 00:50:43,340
على هذا كلام لل node نرجع تاني بنفس القالي اللي

534
00:50:43,340 --> 00:50:48,040
حسبنا فيها الوزن جديد لل output node نعمل نفس

535
00:50:48,040 --> 00:50:51,710
الشيء اللي هو باخد الالـ error gradient بضربه في

536
00:50:51,710 --> 00:50:53,850
اللي دخل على ال node و بضربه في ال learning rate

537
00:50:53,850 --> 00:50:58,790
بطلع ال delta w بجمع ال delta w على ال w الحالي

538
00:50:58,790 --> 00:51:06,370
بطلع معايا ال ash الوزع الجديد هذا الكلام بينكرره

539
00:51:06,370 --> 00:51:11,250
مرة مرتين تلاتة إلى ان ال node بتتعلم ال network

540
00:51:11,250 --> 00:51:15,430
بتتعلم ايش يعني بتتعلم يعني ال error السابعة هتصبح

541
00:51:15,430 --> 00:51:22,290
صفر هضرب جهة ان شاء اللهبنطلع على الكلام هذا بشكل

542
00:51:22,290 --> 00:51:27,070
يعني مفصل بالأرقام خلاصة الأمر أنه احنا الأن بدنا

543
00:51:27,070 --> 00:51:31,630
نفهم شغل أساسي وهي أنه لما يكون عندي perceptron

544
00:51:31,630 --> 00:51:38,850
يعني نورون واحد قليل العمل تبعته أو ال learning ال

545
00:51:38,850 --> 00:51:41,770
learning technique تبعته واحدة هي تعديل الأوزان

546
00:51:41,770 --> 00:51:45,950
بناء على الفرق ما بين ال actual output و ال

547
00:51:45,950 --> 00:51:52,660
desired outputبيبقى معطيله في أثناء عملية التدريب

548
00:51:52,660 --> 00:51:56,000
وهذا المقصود بال learning أو supervised learning

549
00:51:56,000 --> 00:52:00,880
supervised learning يعني نعطيه input و مع كل input

550
00:52:00,880 --> 00:52:04,760
بنقوله ايش ال output الصحيح اللي المفروض يطلع و

551
00:52:04,760 --> 00:52:10,200
بنشغل عملية ال iterations مرة و مرة عشان يضبط

552
00:52:10,200 --> 00:52:14,540
الأوزان تبعته تدريجيا إلى أن تصبح الأوزان stable

553
00:52:14,540 --> 00:52:18,140
stable يعني ما بقي تتمشي على تغييريا ما لا تمشي

554
00:52:18,140 --> 00:52:22,060
عليها تغيير بالمرة، يا ما التغيير أصبح طفيف بالقدر

555
00:52:22,060 --> 00:52:26,820
اللي نقدر نقنشه، يعني واحد في الألف مثلا، إجمالي

556
00:52:26,820 --> 00:52:32,060
الـSum تبع كل الـErrors، تبع كل الـNodes، لما يبقى

557
00:52:32,060 --> 00:52:35,580
عندي نورة Network، يعني زي هيك، ويبقى فيها Hidden

558
00:52:35,580 --> 00:52:40,940
Layers، العملية بدأت تتحركعلى جزءين عملية تعديل

559
00:52:40,940 --> 00:52:43,780
الأوزانة أو عملية ال learning بتتصير على جزءين جزء

560
00:52:43,780 --> 00:52:48,280
الأول بتتعلق بتعديل انه ال output nodes للأوزان

561
00:52:48,280 --> 00:52:53,440
تبعتها وهذا بعد ذلك يترحى العالمين على ال hidden

562
00:52:53,440 --> 00:53:01,140
nodes اللي هم عدّوا الأوزان تبعتهم هذا اسمه ان ال

563
00:53:01,140 --> 00:53:04,300
input signals تبشي في هذا الاتجاهو ال error of

564
00:53:04,300 --> 00:53:07,320
signals ال input data بتمشي في هذا الاتجاه و ال

565
00:53:07,320 --> 00:53:10,240
error of data بتمشي في هذا الاتجاه هذه بتروح ال

566
00:53:10,240 --> 00:53:14,100
error of data اللي جابلها علشان قمامة اذا في layer

567
00:53:14,100 --> 00:53:17,880
واحدة او اكتر في ال hidden علشان كل واحدة اتعدل

568
00:53:17,880 --> 00:53:23,080
الأوزان تبعتها okay ستة مثال ان شاء الله المحاضرة

569
00:53:23,080 --> 00:53:26,320
تجيبني نشوفهم و بعدين بنشوف كيف عمليت التعلم