PL9fwy3NUQKwYNuAEg27anya7EYamnohGd/9N2D6-T56oQ.srt

1
00:00:00,000 --> 00:00:03,180
بسم الله والحمد لله والصلاة والسلام على رسول الله

2
00:00:03,180 --> 00:00:06,300
أهلا وسهلا بكم في الدرس الثاني من الـ chapter

3
00:00:06,300 --> 00:00:10,140
clustering. كنا في التسجيل السابق تكلمنا عن الـ

4
00:00:10,140 --> 00:00:12,640
clustering بشكل عام، وقلت إنّ الـ clustering هي عبارة عن

5
00:00:12,640 --> 00:00:17,820
تقسيم الـ data set إلى مجموعات محددة عددها مسبقا

6
00:00:17,820 --> 00:00:22,870
بناء على تقارب أو تشابه الـ instances الموجودة

7
00:00:22,870 --> 00:00:27,250
في الـ data set. يعني، وكنا خلصنا في

8
00:00:27,250 --> 00:00:29,990
نهاية المحاضرة أنّنا فعلنا... أو في نهاية التسجيل

9
00:00:29,990 --> 00:00:35,410
عفوا، أنّنا فعليًا الـ... الـ clustering واحد من

10
00:00:35,410 --> 00:00:39,130
اثنين: إما partition clustering أو hierarchical

11
00:00:39,130 --> 00:00:42,110
clustering. فالـ partition clustering يعني أنّ

12
00:00:42,110 --> 00:00:44,110
أنا بتكون الـ groups أو المجموعات اللي عندي

13
00:00:44,110 --> 00:00:47,690
disjoint، ما فيش بينها overlap، ما فيش

14
00:00:47,690 --> 00:00:52,660
بينهم تقاطع في العناصر. يعني كل element موجود في

15
00:00:52,660 --> 00:00:55,660
مجموعة واحدة فقط. لكن بالـ hierarchical clustering،

16
00:00:55,660 --> 00:00:58,540
لما أنا بيكون عندي hierarchical tree أو عندي

17
00:00:58,540 --> 00:01:01,000
hierarchy معينة، بيصير فيه ممكن الـ

18
00:01:01,000 --> 00:01:05,380
element ينتمي لأكثر من cluster. تماما مثل

19
00:01:05,380 --> 00:01:09,620
علاقة الأعداد أو المجموعات، الأرقام مع بعضها. اليوم

20
00:01:09,620 --> 00:01:13,100
إن شاء الله تعالى، زي ما إحنا متفقين، إنّنا هنبلش في

21
00:01:13,100 --> 00:01:19,190
موضوع الـ partitional clustering. طبعًا لما أتكلم على

22
00:01:19,190 --> 00:01:27,050
الـ partition clustering، يعني أنّني أتكلم على...

23
00:01:27,050 --> 00:01:31,110
عفوا، تمام.

24
00:01:31,110 --> 00:01:32,030
أنا أريد الـ pointer.

25
00:01:34,890 --> 00:01:37,510
عندما أتكلم عن الـ partitional clustering، يعني

26
00:01:37,510 --> 00:01:42,010
أنّني أبحث عن الـ natural groups للـ components

27
00:01:42,010 --> 00:01:45,390
الموجودة عندي على الـ data الموجودة، بناء على

28
00:01:45,390 --> 00:01:50,110
تشابه معين، أو بعض التشابه في العناصر الموجودة

29
00:01:50,110 --> 00:01:54,890
عندها. وبالتالي الـ cluster هنا في الـ partitional

30
00:01:54,890 --> 00:01:58,390
clustering، أنا بأجمع العناصر زي ما قلنا، مجموعات أو

31
00:01:58,390 --> 00:02:00,930
توزيع طبيعي، أو أبحث عن توزيع طبيعي للـ data بحيث

32
00:02:00,930 --> 00:02:06,420
أن يكون عند كل element موجود في مجموعة واحدة، وفي

33
00:02:06,420 --> 00:02:09,900
نفس

34
00:02:09,900 --> 00:02:14,960
الوقت. الـ clustering algorithm بيديني الـ

35
00:02:14,960 --> 00:02:20,080
centroid أو النقطة الأساسية التي تمثل مركز الـ

36
00:02:20,080 --> 00:02:24,860
cluster، أو بتمثل المركز تبع الـ cluster الموجودة

37
00:02:24,860 --> 00:02:29,260
عندها. مركز الـ cluster أو المجموعة الموجودة

38
00:02:29,260 --> 00:02:35,460
عندها، عشان أحدد عضوية الـ cluster. هذا يعني أنا زي

39
00:02:35,460 --> 00:02:40,140
ما قلنا سابقا، هي عبارة عن مجموعات معروفة مسبقا

40
00:02:40,140 --> 00:02:51,760
يعني، واحد، اثنين، ثلاث مجموعات، مجرد ترقيم

41
00:02:51,760 --> 00:02:58,800
مجرد اسم للمجموعة. عشان هيك أنا بحدد عضوية

42
00:02:58,800 --> 00:03:04,840
المجموعات. الـ algorithm بياخد الـ data points اللي

43
00:03:04,840 --> 00:03:10,210
موجودة عندي هنا، وبحسب المسافة بينهم وبين

44
00:03:10,210 --> 00:03:12,690
الـ centroid الموجودة عندها. طيب الـ centroid اللي هي

45
00:03:12,690 --> 00:03:15,110
الـ centers اللي اتفقنا عليها، مش موجودة عندي أول

46
00:03:15,110 --> 00:03:18,510
مرة، بياخدها بشكل عشوائي، وبروح بأجمع يعني بروح

47
00:03:18,510 --> 00:03:23,190
بياخد مجموعة. طبعًا الآن في عندي المجموعة بتكون شاغلة

48
00:03:23,190 --> 00:03:27,010
لما يكون فيها على الأقل عنصر واحد. فإيش هو بروح

49
00:03:27,010 --> 00:03:30,690
بفترض، بروح بفترض أنّ كل مجموعة بتبدأ بعنصر واحد

50
00:03:30,690 --> 00:03:34,430
اللي هو بمثل الـ center، وبصير بعد ذلك يدور على

51
00:03:36,540 --> 00:03:39,920
عضوية المجموعات، على قرب الـ element من الـ

52
00:03:39,920 --> 00:03:42,800
center. هذا كلّ مكان قريب للـ center من التلاتة هدول،

53
00:03:42,800 --> 00:03:45,880
فهو بيتمّ إلى المجموعة اللي بتمثلها الـ center اللي

54
00:03:45,880 --> 00:03:50,500
موجودة عندها. والـ output طبعًا من الـ algorithm هذا

55
00:03:50,500 --> 00:03:55,170
هي عبارة عن عملية description أو statistical

56
00:03:55,170 --> 00:03:59,670
description، وصف إحصائي للـ data set الموجودة. مين هو

57
00:03:59,670 --> 00:04:03,490
الـ centroid، وإيش هي البيانات اللي موجودة عليه، وإيش

58
00:04:03,490 --> 00:04:07,890
هي البيانات اللي موجودة في داخل الـ clusters الـ

59
00:04:07,890 --> 00:04:11,470
cluster الموجودة عندها. طبعًا لما أنا بأتكلم إنّه

60
00:04:11,470 --> 00:04:14,450
في عندنا الـ k-means clustering algorithm، من أشهر الـ

61
00:04:14,450 --> 00:04:17,390
algorithms وأبسطها في الفهم، واللي بيستخدم مع الـ

62
00:04:17,390 --> 00:04:22,040
cluster. طبعًا الـ k عدد المجموعات اللي نتكلم عليه، والـ means

63
00:04:22,040 --> 00:04:25,820
المقصود فيه المتوسط الحسابي للنقاط الموجودة

64
00:04:25,820 --> 00:04:33,240
عندها. الـ... طبعًا قلنا أبسط algorithm وهو الأكثر

65
00:04:33,240 --> 00:04:36,880
استخدامًا في عملية الـ clusterings الموجودة، بدور على

66
00:04:36,880 --> 00:04:40,960
center. بيجتهد الـ algorithm أو الـ algorithm بيحاول

67
00:04:40,960 --> 00:04:46,300
يدور على centers، وبالـ center هذا بمثل نقطة معينة

68
00:04:46,300 --> 00:04:50,380
بتمثل الـ cluster، وبضلّ يعيد في العملية الموجودة

69
00:04:50,380 --> 00:04:54,360
عندي. هم عبارة عن خطوات، زي ما قلنا، بروح بأخذ

70
00:04:54,360 --> 00:04:59,260
center، والـ center هذا بروح بجيب العناصر، بشوف من

71
00:04:59,260 --> 00:05:02,540
العناصر القريبة منه، بحسب المسافة. يعني لو أنا قلت له في

72
00:05:02,540 --> 00:05:06,500
عندي مثلًا أربع مجموعات، معناته في عندي أربع نقاط

73
00:05:06,500 --> 00:05:09,900
رئيسية، أربع نقاط مركزية اللي هي الـ centers تبع الـ

74
00:05:09,900 --> 00:05:12,860
clusters، المجموعات اللي عندي، وعليها ببدأ يشتغل

75
00:05:12,860 --> 00:05:14,660
الآن الـ algorithm هذا بضلّ

76
00:05:19,120 --> 00:05:27,820
يتكرر بتكرر في عمليتين: الأولى، بروح بخصص كل data

77
00:05:27,820 --> 00:05:33,420
point للـ cluster center. يعني الآن، المفروض، تبعًا

78
00:05:33,420 --> 00:05:37,580
لهذه، بروح بحدد قرب، أو بعض العناصر، أو شبه

79
00:05:37,580 --> 00:05:43,180
similarity، بحدد تشابه العناصر، الـ data instances مع

80
00:05:43,180 --> 00:05:48,220
الـ centers الموجودة عندها. وبالتالي بروح بخصص لي

81
00:05:48,220 --> 00:05:52,060
إيّاه للـ center الأقرب. ومن أجل تحقيق هذا الكلام، في

82
00:05:52,060 --> 00:05:55,140
عندي distance function أو similarity function، اللي

83
00:05:55,140 --> 00:06:02,720
عادة بنسميها distance. المفهوم distance أكثر في

84
00:06:02,720 --> 00:06:07,840
الأرقام. الآن في الـ euclidean distance والـ

85
00:06:07,840 --> 00:06:10,360
Manhattan distance، شفناهم سابقًا، وهنشوفهم الآن

86
00:06:10,360 --> 00:06:13,820
كأن نذكر بعض فيهم: Jaccard، وSpearman، وSpearman

87
00:06:13,820 --> 00:06:17,680
عفوا، والـ Hamming، والكوزاين. بعدين هي كده، لما بروح بدور

88
00:06:17,680 --> 00:06:21,860
الـ algorithm بضلّ يكرر في العملية هذه، وبخصص الـ

89
00:06:21,860 --> 00:06:24,940
instances للـ cluster، لما يكون في... لما يثبت

90
00:06:24,940 --> 00:06:28,000
ويبطل يتغير، أو يصير فيه يعني تغيير على الـ data

91
00:06:28,000 --> 00:06:34,460
الموجودة. بنذكر مع بعض الـ distance function أو

92
00:06:34,460 --> 00:06:39,880
الـ similarity function، لما تكون الـ instance عبارة

93
00:06:39,880 --> 00:06:41,480
عن مجموعة من الأرقام.

94
00:06:45,320 --> 00:06:47,560
طبعًا اللي بنتكلم إحنا جالسين إنّ الـ distance

95
00:06:47,560 --> 00:06:49,860
function هذه، أو الـ similarity function، سميناها

96
00:06:49,860 --> 00:06:53,780
similarity أو distance function، لأنّ الـ... الـ...

97
00:06:53,780 --> 00:06:58,560
لما أنا بدي أوصف rows، أو بدي أوصف أرقام قربها أو

98
00:06:58,560 --> 00:07:02,720
بعضها من بعضها، أو تشابهها من بعضها، معناه أنّ أنا

99
00:07:02,720 --> 00:07:05,580
جالس بأتكلم على نقاط. طبعًا لما أنا برسم الـ object

100
00:07:05,580 --> 00:07:10,120
بتكون موجودة عندي في الـ space أو مرسومة عندي، حتماً

101
00:07:10,120 --> 00:07:13,900
النقطتين المتقاربتين، المسافة اللي بينهم دليل على

102
00:07:13,900 --> 00:07:18,680
تشابه العناصر الموجودة بينهم. طبعًا شوية شوية

103
00:07:18,680 --> 00:07:23,260
هتصير الأمور بالنسبة لنا أفضل. لو أنا قلت لك في الـ

104
00:07:23,260 --> 00:07:25,600
space هذا، على سبيل المثال، أو قلت لك في الـ space

105
00:07:25,600 --> 00:07:34,440
هذا، قلت أنّ في نقطتين، هذه نقطة هنا ونقطة

106
00:07:34,440 --> 00:07:37,520
هنا ونقطة هنا.

107
00:07:41,060 --> 00:07:48,240
من أكثر نقطتين متشابهتين، أو بلاش، أقرب نقطتين لبعض

108
00:07:48,240 --> 00:07:53,720
حتماً

109
00:07:53,720 --> 00:07:59,940
النقطتين اللي بينهم الـ distance أصغر ما يمكن. طيب

110
00:07:59,940 --> 00:08:08,520
لو أنا جدًّا قلت إنّ في عندي نقطة هنا (غير اللون بس)، لو

111
00:08:08,520 --> 00:08:09,820
قلت إنّ في عندي نقطة هنا.

112
00:08:16,490 --> 00:08:19,670
النقطة هذه أقرب لمين؟ لو أنا قلت لك هذه النقطة

113
00:08:19,670 --> 00:08:24,570
تشبه مين؟ تشبه مين؟ ما فيش شبه. هذه نقطة موجودة في

114
00:08:24,570 --> 00:08:29,690
الـ space، معناته أنا هروح أحسب مسافتها ومسافتها

115
00:08:29,690 --> 00:08:35,250
والمسافة الأقصر هي بتمثل... هي بتكون أقرب لمين

116
00:08:35,250 --> 00:08:39,730
للنقطة الموجودة عندها. طبعًا إحنا كلّنا بنعرف سابقًا

117
00:08:39,730 --> 00:08:44,770
زي ما قلنا، الـ Manhattan والـ distance الموجودة عندنا. لو

118
00:08:44,770 --> 00:08:50,090
أنا افترضت إنّ في عندي نقطتين، الـ X والـ Y، كانت 2

119
00:08:50,090 --> 00:08:54,410
points، والـ 2 points هدول أنا بدي أحسب الـ distance

120
00:08:54,410 --> 00:08:57,510
بينهم. لما أتكلم عن الـ Euclidean، أنا بأتكلم عن الجذر

121
00:08:57,510 --> 00:09:03,550
التربيعي لمجموع مربعات الفروق ما بين مكونات

122
00:09:03,550 --> 00:09:06,450
النقطتين اللي موجودة عندي.

123
00:09:09,550 --> 00:09:16,450
وطبعًا كذلك الآن، مع الـ... بينما الـ Manhattan distance

124
00:09:16,450 --> 00:09:20,970
هي عبارة عن مجموع القيم المطلقة للفروق ما بين

125
00:09:20,970 --> 00:09:24,270
مكونات النقاط اللي موجودة عندنا.

126
00:09:26,900 --> 00:09:31,120
وطبعًا، هي قلنا إحنا سابقًا إنّ أنا لما بأتكلم على

127
00:09:31,120 --> 00:09:36,820
Manhattan، بأتكلم على الـ Euclidean، معناته بأتكلم على الخط

128
00:09:36,820 --> 00:09:40,200
المستقيم اللي باللون الأخضر هذا، اللي هو بتطبيق

129
00:09:40,200 --> 00:09:43,840
نظرية في الـ course، بين أي نقطتين. ولما بأتكلم على

130
00:09:43,840 --> 00:09:47,960
الـ Manhattan ثاني، معناته بأتكلم على الأضلاع الموجودة

131
00:09:47,960 --> 00:09:53,860
عندها. شكلي لما أخدت العناصر

132
00:09:57,090 --> 00:10:12,650
ما عدّلتش الرسمة بتاعتي كده.

133
00:10:12,650 --> 00:10:13,030
صح.

134
00:10:19,600 --> 00:10:26,360
الآن لو أنا بدأت آخذ نظرة في gif file، الـ gif picture

135
00:10:26,360 --> 00:10:30,800
اللي موجودة قدامي اللحظة، أنا بأتكلم على عشرة

136
00:10:30,800 --> 00:10:34,180
iterations. أنا بدأت من iteration رقم واحد، اثنين،

137
00:10:34,180 --> 00:10:38,160
ثلاثة، أربعة، ولاحظوا معايا إنّ المربعات هذه هي الـ

138
00:10:38,160 --> 00:10:41,920
centers أو الـ centroids للـ clusters. أنا بأقول أجمع الـ

139
00:10:41,920 --> 00:10:45,200
data لأربع مجموعات، والـ data هذه كلّها مختلطة مع

140
00:10:45,200 --> 00:10:49,420
بعضها. بدأت الآن، بناء على الـ centers، الألوان تتوجه

141
00:10:49,420 --> 00:10:53,700
مع بعض مع كل iteration. وهذا فعليًا اللي بيسويه الـ k-

142
00:10:53,700 --> 00:10:59,170
means، إنّه بياخد random center في الأول، وبعدها بيحسب

143
00:10:59,170 --> 00:11:02,210
الـ distance بين الـ centers هذه وكل النقاط اللي

144
00:11:02,210 --> 00:11:06,950
موجودة، وكل نقطة بتصنف مع الـ center بناء على

145
00:11:06,950 --> 00:11:10,610
shortest distance أو الـ similarity function اللي

146
00:11:10,610 --> 00:11:15,350
إحنا بنعرفها. كصورة ثابتة، هي الـ data set، روحت قلت له

147
00:11:15,350 --> 00:11:18,990
أجمع لي إيّاهم لمجموعات، فراح أخذ ثلاث مجموعات طبعًا

148
00:11:18,990 --> 00:11:23,270
هنا، اللي هي أخذت المثلثات، هتمثل three different

149
00:11:23,270 --> 00:11:27,970
centers. أيّهم، حتى لو كان، لأنّ الـ selection الأولى للـ

150
00:11:27,970 --> 00:11:31,170
centers الأولية by random، حتى لو كانوا كلّهم

151
00:11:31,170 --> 00:11:35,210
موجودين مع بعض، ما فيش غير إنّه بيشتغل في الـ... لو اجوا

152
00:11:35,210 --> 00:11:38,220
كلّهم في نفس الـ center، ما عندي مشكلة، لأنّه بعد ذلك

153
00:11:38,220 --> 00:11:44,220
سيقوم باختيار الـ average أو الـ mean تبعتهم. فقال

154
00:11:44,220 --> 00:11:47,440
ليّ، هذه الـ data. افترض في الـ initialization زي ما

155
00:11:47,440 --> 00:11:50,820
قلنا، هي بياخد الـ random centers، three centers، حسب

156
00:11:50,820 --> 00:11:55,980
المطلوب by random، وراح يبدأ يخصص المجموعات، فراح يبدأ

157
00:11:55,980 --> 00:11:56,440
يحسب.

158
00:12:01,830 --> 00:12:04,830
اللي قلنا أنّنا هنعمل initialization، حدّد الـ three

159
00:12:04,830 --> 00:12:09,710
centroids أو الـ three centers by random، وبعد هيك

160
00:12:09,710 --> 00:12:13,130
بدأ يخصص النقاط بناء على الـ distance. طبعًا يا جماعة،

161
00:12:13,130 --> 00:12:16,210
الخير، لما أنا بدي آجي أتكلم، النقطة high، أو النقطة

162
00:12:16,210 --> 00:12:22,490
high distance هنا، وهأحسبها مع هنا، وهأحسبها مع

163
00:12:22,490 --> 00:12:31,520
هنا، وهأصنفها لأقرب center، لأقصر مسافة. وبالتالي،

164
00:12:31,520 --> 00:12:35,000
الأحمر هنا، صارت هذه كل النقاط، طبعًا هذه النقاط هي

165
00:12:35,000 --> 00:12:37,680
أقرب للأخضر، وهذه للأزرق. فضلًا في الـ iteration

166
00:12:37,680 --> 00:12:43,670
الثانية. الآن في الخطوة التالية، هنسوي، هيتحدد

167
00:12:43,670 --> 00:12:48,470
الأحمر كله، الأزرق. فرح يحسب المتوسط لكل النقاط

168
00:12:48,470 --> 00:12:51,770
اللي باللون الأخضر، المتوسط لكل النقاط اللي بالأحمر،

169
00:12:51,770 --> 00:12:55,830
المتوسط لكل النقاط اللي بالأزرق الداكن. بينحسب

170
00:12:55,830 --> 00:12:58,870
يعني، بيحسب الـ mean لكل الـ cluster بشكل مستقلّ،

171
00:12:58,870 --> 00:13:02,610
والمتوسط هذا هو، بياخده centroid للـ next

172
00:13:02,610 --> 00:13:06,750
iteration. recompute الـ center، هي حسب الـ center من

173
00:13:06,750 --> 00:13:12,020
جديد. وراح إيش؟ بدأ reassigning، بدأ يروح يعمل الـ

174
00:13:12,020 --> 00:13:15,780
center ثاني، وبعدها بيحسب، بعد ما يخلص بيحسب الـ

175
00:13:15,780 --> 00:13:19,640
center كمان مرة، وبروح بخصص النقاط، وبحسب الـ

176
00:13:19,640 --> 00:

223
00:17:24,250 --> 00:17:30,690
أربعة ل .. أربعة

224
00:17:30,690 --> 00:17:33,830
ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل ..

225
00:17:33,830 --> 00:17:33,990
ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل ..

226
00:17:33,990 --> 00:17:34,930
أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة

227
00:17:34,930 --> 00:17:35,370
ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل ..

228
00:17:35,370 --> 00:17:35,430
أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة

229
00:17:35,430 --> 00:17:36,570
ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل ..

230
00:17:36,570 --> 00:17:38,710
أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة

231
00:17:38,710 --> 00:17:39,850
ل .. أربعة ل .. أربعة ل .. أربعة ل .. أربعة ل ..

232
00:17:39,850 --> 00:17:44,650
أربعة ل .. أربعة ل ..

233
00:17:44,650 --> 00:17:49,210
أربعة

234
00:17:49,210 --> 00:17:55,680
لبأوقف و ببطل الشغل لما فعليا الـ cluster أو الـ

235
00:17:55,680 --> 00:18:01,100
center بعد هيك تثبت لماذا؟ إذا ثبتت الـ cluster أو الـ

236
00:18:01,100 --> 00:18:03,640
الـ center اللي موجودة عندي هنا معناته أنا ما فيش

237
00:18:03,640 --> 00:18:08,180
عندي تليير بعد هيك بنجوسينت صار فيه ثبات و هيك صار

238
00:18:08,180 --> 00:18:11,340
في عندي كل نقطة موجودة في الـ cluster الحقيقي اللي

239
00:18:11,340 --> 00:18:14,660
موجود عندك وبعد هيك ستكون كل iteration على الفاضي

240
00:18:15,590 --> 00:18:17,970
لماذا؟ لأن الـ Center لم يتغير بمعنى التوزيع كما

241
00:18:17,970 --> 00:18:22,910
هو و هذه هي آخر توزيع أحصل عليها طيب، تعالى نطبق

242
00:18:22,910 --> 00:18:26,990
نفس المثال لكن مع more dimensions في الـ 2D بقول أنا

243
00:18:26,990 --> 00:18:31,710
فيه عندي data set مكونة من تمام نقاط اللي بتجسمهم

244
00:18:31,710 --> 00:18:35,730
لـ three clusters باعتماد على الـ manhattan distance

245
00:18:35,730 --> 00:18:42,570
هذه النقاط اللي موجودة عندها طيب،

246
00:18:42,570 --> 00:18:49,280
by random؟ لازم أختار center أخذنا اتنين و عشرة و

247
00:18:49,280 --> 00:18:53,580
أخذنا خمسة و ثمانية و أخذنا واحد و اتنين بينفع

248
00:18:53,580 --> 00:18:56,600
الثلاثه تكون ورا بعض بينفع random الكلام random

249
00:18:56,600 --> 00:19:02,320
جماعة الخير و بدك تشتغل و تشتغل الـ distance زي ما

250
00:19:02,320 --> 00:19:05,640
قلنا هي بتقعد تتكلم و تقول أنت ما تستخدم الـ manhattan

251
00:19:05,640 --> 00:19:13,370
الـ manhattan distance، المعرفة=المجموع .. المجموع القيم

252
00:19:13,370 --> 00:19:19,270
المطلقة للفرقات بين عناصر النقاط اللي موجودة عندي

253
00:19:19,270 --> 00:19:24,330
أسهل حاجة هيك أن أنا أروح أنشئ جدول بالشكل هذا هي

254
00:19:24,330 --> 00:19:28,230
الـ data point اللي عندي و هي الـ initial centers

255
00:19:28,230 --> 00:19:36,450
centers C1 وC2 وC3 طيب الآن بدي أروح أحسب الـ distance

256
00:19:36,450 --> 00:19:43,430
صفر ناقص اثنين، ناقص اثنين، صفر زائد عشرة ناقص عشرة، صفر صفر

257
00:19:43,430 --> 00:19:51,230
اثنين ناقص خمسة، ثلاثة زائد عشرة ناقص اثنين، عشرة ناقص

258
00:19:51,230 --> 00:19:58,990
ثمانية، اثنين يعني مجموع خمسة، اثنين ناقص واحد، واحد

259
00:19:58,990 --> 00:20:02,530
زائد عشرة ناقص اثنين، ثمانية

260
00:20:05,340 --> 00:20:11,700
الآن مباشرة بقدر أقرر أن هذا أقصر distance موجودة

261
00:20:11,700 --> 00:20:15,460
اللي هي الصفر معناته هذا أقرب ما يكون من الـ

262
00:20:15,460 --> 00:20:19,420
cluster الرقم واحد من الـ center الأول فهو ينتمي لـ

263
00:20:19,420 --> 00:20:23,980
الـ cluster الأول، نرجع الكرة مرة ثانية، اثنين ناقص

264
00:20:23,980 --> 00:20:30,000
اثنين، صفر، خمسة ناقص عشرة، خمسة هي خمسة الآن اثنين

265
00:20:30,000 --> 00:20:37,850
ناقص خمسة، ثلاثة، خمسة ناقص ثمانية، ثلاثة معناته ستة

266
00:20:37,850 --> 00:20:45,330
2 -1 1 5-2 3 1 3 4 يعني الـ distance الأقصر هي عبارة

267
00:20:45,330 --> 00:20:48,630
عن الأربعة فهذا أقرب ما يكون للـ cluster رقم

268
00:20:48,630 --> 00:20:56,310
ثلاثة، مع كذلك هنا 8-2 6 4-10 6 طبعاً ليش أربعة ناقص

269
00:20:56,310 --> 00:20:58,870
عشرة ستة لما نتكلم بالـ absolute value من هاتين

270
00:20:58,870 --> 00:21:03,640
distance، ما تنسوا الـ distance الثانية سبعة، الـ

271
00:21:03,640 --> 00:21:07,900
distance الثالثة تسعة، معناته أنا أقصر مسافة

272
00:21:07,900 --> 00:21:13,640
تسعة، معناته في الـ cluster الثاني، خمسة صفر، لاحظوا

273
00:21:13,640 --> 00:21:16,620
لأن الـ data set أو الـ centers أخذتها معي فلازم

274
00:21:16,620 --> 00:21:20,080
تطلع معي صفر بشكل أو بآخر لأ في أي حسب الـ

275
00:21:20,080 --> 00:21:23,920
center اللي موجود عندها، فلما حسبنا، تمام تمام، حسبنا

276
00:21:23,920 --> 00:21:31,360
كل الـ distances، وزعنا الثمانية عناصر على الـ classes

277
00:21:31,360 --> 00:21:37,460
اللي موجودة، يعني a1 في c1 من الـ cluster الأول، a2 و

278
00:21:37,460 --> 00:21:44,240
a7 في الـ cluster الثالث، a3 و a4 و a5 و 6 و 8 في الـ

279
00:21:44,240 --> 00:21:50,120
cluster الثاني، تمام، هذه التوزيع اللي عندي بناءً على

280
00:21:50,120 --> 00:21:55,100
الـ clusters اللي موجودة عندها، إيش المطلوب مني الآن؟

281
00:21:55,100 --> 00:21:59,960
المطلوب مني الآن أحسب الـ mean لكل cluster

282
00:22:03,450 --> 00:22:06,670
يعني متوسط النقاط اللي في اللون الأسود في الـ

283
00:22:06,670 --> 00:22:10,530
cluster الأول، هيهم بروح بجمع النقاط اللي بتاخد

284
00:22:10,530 --> 00:22:14,050
واحد اللي في الـ cluster الأول و بحسب المتوسط

285
00:22:14,050 --> 00:22:17,730
تبعها، ما فيش غير النقطة، معناته المتوسط تبعها مثل

286
00:22:17,730 --> 00:22:21,070
ما هو، هذا الـ center ما تغيرش، اللي باللون الأزرق، هيهم

287
00:22:21,070 --> 00:22:28,650
اثنين زائد اثنين زائد واحد، ثلاثة يعني واحد ونصف، خمسة، سبعة و

288
00:22:28,650 --> 00:22:32,550
اثنين عفواً، سبعة يعني ثلاثة ونصف، هذا الـ center

289
00:22:32,550 --> 00:22:36,570
الثالث، الـ center الثاني هيكون عبارة عن ثمانية

290
00:22:36,570 --> 00:22:41,930
زائد خمسة، زائد سبعة، هي عشرين، وهي ستة، ستة و

291
00:22:41,930 --> 00:22:45,870
عشرين هي ثلاثين، ثلاثين على واحد، اثنين، ثلاثة، أربعة

292
00:22:45,870 --> 00:22:53,500
خمسة يعني ستة وثلاثين على خمسة، ستة و ايه في  ،  اندي هان

293
00:22:53,500 --> 00:23:03,800
اثنا عشر، سبعة عشر، اثنين وعشرون، اثنا عشر

294
00:23:03,800 --> 00:23:08,200
سبعة عشر، واحد وعشرون، ثلاثون برضه ستة وستة معناته

295
00:23:08,200 --> 00:23:12,260
الـ new centers تبعتي أنا هتكون بعد الحسبة تبعتي

296
00:23:12,260 --> 00:23:19,780
اثنين وعشرة، بالمتوسطات 6 6 1.5 3.5

297
00:23:22,880 --> 00:23:26,580
centers لاحظوا أنا ما زلت ما تكلم من الـ first

298
00:23:26,580 --> 00:23:30,280
iteration اللي موجودة عندي، الآن هاخد الـ new

299
00:23:30,280 --> 00:23:34,600
centers هدول و أروح فيهم على الـ next iteration أو

300
00:23:34,600 --> 00:23:37,680
الـ second iteration، هاي حطيت الـ centers اللي جديدة

301
00:23:37,680 --> 00:23:41,080
اللي موجودة عندي هنا و بديت أحسب المسافة من جديد

302
00:23:41,080 --> 00:23:46,520
بديت أحسب المسافة من جديد، وبنفس الكلام الآن بحسب

303
00:23:46,520 --> 00:23:49,720
على الـ centers الجديدة مع كل row اللي موجود عندي

304
00:23:49,720 --> 00:23:54,400
هنا و بأخذ،  لأ، مع نهاية العملية بروح بحسب الـ centers

305
00:23:54,400 --> 00:23:58,180
بحسب الـ mean للـ centers اللي موجودة، هيصير في عندي

306
00:23:58,180 --> 00:23:59,340
واحد و واحد

307
00:24:02,460 --> 00:24:07,000
الآن صار في عندي واحد و واحد، هي اثنين، وأربعة، ستة

308
00:24:07,000 --> 00:24:12,380
على اثنين، ثلاثة، عشرة أو تسعة، تسعة عشر، ثمانية و عفواً

309
00:24:12,380 --> 00:24:15,960
تسعة ونصف، هذا الـ center الجديدة اللي هشتغل عليها

310
00:24:15,960 --> 00:24:19,160
وبالتالي أنا هروح في iteration ثالثة لأن الـ

311
00:24:19,160 --> 00:24:22,060
centers مختلفة تماماً عن الـ centers اللي موجودة

312
00:24:22,060 --> 00:24:26,040
هترجع تعمل نفس الحسبة بنفس الكيفية لحد ما تثبت معك

313
00:24:26,270 --> 00:24:29,230
للـ clusters اللي موجود عندك هنا، طبعاً في كل الـ

314
00:24:29,230 --> 00:24:32,430
slide هذه تكتبها على ورقة أو تطبق عليها، وتطبقها، و

315
00:24:32,430 --> 00:24:34,970
تجرب الـ center الثاني والثالث والرابع والـ

316
00:24:34,970 --> 00:24:41,310
iteration، طبعاً متى بده يوقف؟ بده يوقف لما فعلياً يبطل

317
00:24:41,310 --> 00:24:47,950
الـ center عندي يتغير، تمام، okay، طبعاً لأنه في مشكلة

318
00:24:47,950 --> 00:24:52,390
أحياناً بالـ mean بتظهر معي لو كان في عندي الـ data

319
00:24:52,390 --> 00:24:57,440
مش معمولة pre-processing صح، يعني في عندي outlier

320
00:24:57,440 --> 00:25:03,040
زي هي، دي الآن لو أنا جيت قلت لك المتوسط الحسابي

321
00:25:03,040 --> 00:25:06,120
اللي هدول، واحد وثلاثة وخمسة وسبعة وتسعة

322
00:25:06,120 --> 00:25:10,780
هتقول لي okay، خمسة، لكن لو أنا قلت لك بدل التسعة

323
00:25:10,780 --> 00:25:16,660
عندي ألف وتسعة، هيكون المتوسط الحسابي جدّيش؟ متسع و

324
00:25:16,660 --> 00:25:21,060
خمسة، معناته الـ center تبعه هيكون بعيد جداً، الـ center

325
00:25:21,060 --> 00:25:25,100
تبعي بعيد جداً، معناته يبعد عن نقطة الـ convergence

326
00:25:25,100 --> 00:25:33,440
ممكن فعلياً يدينا نتيجة خطأ، أنت تخيّل أن الـ data

327
00:25:33,440 --> 00:25:39,480
set  عبارة عن عشر مجموعات

328
00:25:39,480 --> 00:25:40,400
عن مجموعات

329
00:25:53,650 --> 00:25:59,290
هذه النقطة هي الـ 250، لما تكون هذه الـ center

330
00:25:59,290 --> 00:26:01,830
فتأخذ هذه العناصر معها

331
00:26:04,130 --> 00:26:09,170
لأنها الأقرب، لما تختار المتوسط سيصبح هنا وهنا و

332
00:26:09,170 --> 00:26:11,250
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

333
00:26:11,250 --> 00:26:13,170
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

334
00:26:13,170 --> 00:26:13,430
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

335
00:26:13,430 --> 00:26:14,550
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

336
00:26:14,550 --> 00:26:14,930
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

337
00:26:14,930 --> 00:26:15,310
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

338
00:26:15,310 --> 00:26:17,490
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

339
00:26:17,490 --> 00:26:20,790
هنا وهنا وهنا وهنا وهنا وهنا وهنا و

340
00:26:20,790 --> 00:26:21,690
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

341
00:26:21,690 --> 00:26:21,710
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

342
00:26:21,710 --> 00:26:21,730
هنا وهنا وهنا وهنا وهنا وهنا وهنا وهنا و

343
00:26:21,730 --> 00:26:32,670
هنا وهنا وهنا وهنا و

344
00:26:32,670 --> 00:26:36,780
هنا وهنا، الـ median زي ما احنا بنعرف سابقاً، ونفس

345
00:26:36,780 --> 00:26:40,720
الخطوات السابقة بتظل عندها لكن بدل ما أحسب زي ما

346
00:26:40,720 --> 00:26:46,180
قلت لك المتوسط أو المتوسط بحسب أو باخد القيمة الوسطية

347
00:26:46,180 --> 00:26:50,010
اللي موجودة عندها أو الوسطية الحسابية، الـ mean

348
00:26:50,010 --> 00:26:52,950
advantage تبع الـ median زي ما قلنا أنه

349
00:26:52,950 --> 00:26:55,930
لا يتأثر بالـ extreme value أو بالـ outlier value

350
00:26:55,930 --> 00:27:00,650
اللي موجودة هنا، السؤال اللي بيطرح نفسه الآن،  هل كل

351
00:27:00,650 --> 00:27:04,090
شغلنا سابقاً كان مع أرقام،  ماذا لو كانت الـ data

352
00:27:04,090 --> 00:27:09,430
اللي عندي عبارة عن binary، 0 و 1، 0 و 1، ده الـ data binary

353
00:27:09,430 --> 00:27:13,450
يعني الآن عندي قيم 0 و 1، 0 و 1، معناته ممكن تكون في عند

354
00:27:13,450 --> 00:27:17,410
القيم متشابهة ما بين الـ clusters، عشان هيك جالك لما

355
00:27:17,410 --> 00:27:19,930
تكون الـ data binary اللي عندي أو الـ variable

356
00:27:19,930 --> 00:27:24,170
اللي عندي كلها binary، ما أنفعش أروح أطبق عليها الـ

357
00:27:24,170 --> 00:27:28,310
Euclidean أو الـ manhattan، لأ بيصير في عندي similarity

358
00:27:28,310 --> 00:27:32,610
function أخرى لازم أتعامل معاها، وطبعاً هنا فعلياً

359
00:27:32,610 --> 00:27:36,350
أنا بصير أبدأ أدوّر على الـ dissimilarity، احنا سابقاً

360
00:27:36,350 --> 00:27:39,150
ذكرنا أن في عندي الـ Euclidean والـ Jacquard والـ

361
00:27:39,150 --> 00:27:44,770
Sparsman والـ Hoffman code إلى آخره، لكن خليني

362
00:27:44,770 --> 00:27:50,390
أتكلم احنا على الـ binary data، بصير أحسب الـ

363
00:27:50,390 --> 00:27:55,990
dissimilarity، عدم التشابه، يعني أنا بعد ما أدوّر لكل

364
00:27:55,990 --> 00:28:04,310
مكان، عدم التشابه، تمام، معناته التشابه عندها

365
00:28:04,310 --> 00:28:08,510
صغير، وبالتالي أنا نفس الفكرة أن أنا بدوّر على الـ

366
00:28:08,510 --> 00:28:12,920
smaller value دائماً عشان اتكلم عن أنه في شبه أو

367
00:28:12,920 --> 00:28:18,300
ما فيش شبه، لكن زي ما قلنا أن أنا بتكلم على عدم

368
00:28:18,300 --> 00:28:25,620
التشابه بشكل عام، لما بكون في عندي الـ data set أو

369
00:28:25,620 --> 00:28:31,540
الـ point تبعتي فيها عبارة عن value من صفر لواحد، الـ

370
00:28:31,540 --> 00:28:34,840
dissimilarity تبعتنا عبارة عن non-negative number

371
00:28:35,710 --> 00:28:42,510
لما بيكون close to zero، معناته نقطتين قريبين جداً من

372
00:28:42,510 --> 00:28:46,710
بعض أو متشابهات، والعكس كل ما زاد الرقم كل ما كبر

373
00:28:46,710 --> 00:28:52,450
الرقم، معناته الرقمين هدول مختلفين عن بعض، يعني

374
00:28:52,450 --> 00:28:55,490
هنلاحظ أني بقييس الاختلاف، الآن هنلاحظ أني بقييس

375
00:28:55,490 --> 00:28:58,650
الاختلاف، كنت بقييس التشابه، والآن بدي أقييس

376
00:28:58,650 --> 00:29:04,560
الاختلاف، اللي الآن من الـ matrix اللي ذكرناها

377
00:29:04,560 --> 00:29:07,260
سابقاً اللي هي الـ Jaccard، بدك تفترض أنه أنا

378
00:29:07,260 --> 00:29:13,340
فعلياً عندي data set مكونة من الـ object الأول

379
00:29:13,340 --> 00:29:19,060
والـ object الثاني، عشان أنا آخد قيم الـ value الـ

380
00:29:19,060 --> 00:29:23,900
binary value اللي موجودة، الآن بدأت أوزّع 0 و 1، الـ I و

381
00:29:23,900 --> 00:29:29,380
الـ J، الـ I والـ J، A و B و C و D هذه العناصر اللي

382
00:29:29,380 --> 00:29:35,240
بتمثل المصفوفة اللي عندي، لاحظوا أنا جمعت الـ B والـ

383
00:29:35,240 --> 00:29:35,660
C

384
00:29:50,030 --> 00:29:54,350
عشان نفهم الصورة صح ونشوف بالمثال يتضح المقال زي

385
00:29:54,350 --> 00:29:59,050
ما بقول المثل، تعالى نروح نشتغل hand ونشوف إيش

386
00:29:59,050 --> 00:30:04,150
العناصر اللي موجودة عندها، بيجي بقول، افترض أن هي

387
00:30:04,150 --> 00:30:08,790
في عندي أنا الـ binary data، بدي أعملها partitioning

388
00:30:08,790 --> 00:30:12,930
clusters، هذه بتمثل patient records، الـ records أو

389
00:30:12,930 --> 00:30:17,530
الموجودين عندها، ما بين الـ positive والـ yes طبعاً

390
00:30:17,530 --> 00:30:22,610
بتكلم على اسم الشخص، مش هدخل معايا حتماً في الحسبة

391
00:30:22,610 --> 00:

445
00:35:55,420 --> 00:35:59,840
dissimilarity معناته أعلى تشابه، كلما كبرت ال

446
00:35:59,840 --> 00:36:02,540
dissimilarity معناته الاختلاف بينهم كبير جداً

447
00:36:02,540 --> 00:36:07,540
معناته أنا أكثر اتنين متشابهين أو أقرب اتنين لبعض

448
00:36:07,540 --> 00:36:14,380
اللي هي من، جاك و ماري حسب الـ Jacquard computation

449
00:36:14,380 --> 00:36:17,180
أو الـ Jacquard metric function اللي احنا بنتكلم

450
00:36:17,180 --> 00:36:22,180
عليها، لإيه الدلالة؟ لاحظوا سابقاً كنت

451
00:36:22,180 --> 00:36:25,520
أتكلم عن الـ distance أو الـ similarity distance أو

452
00:36:25,520 --> 00:36:29,240
الـ distance function كنت أتَكلم عن الـ shortest

453
00:36:29,240 --> 00:36:31,780
distance، بس الآن أتَكلم عن الـ shortest

454
00:36:31,780 --> 00:36:37,160
dissimilarity طبعاً، و السيميلارتي لما أنا بدي الـ...

455
00:36:37,160 --> 00:36:40,320
الـ...

456
00:36:40,320 --> 00:36:45,760
...الـ... الآن هذه أكثر تشابه أو أقل اختلاف

457
00:36:45,760 --> 00:36:50,650
بين Jack و Mary، لو أنا بدي أتَكلم عن التشابه، خذ واحد

458
00:36:50,650 --> 00:36:54,390
ناقص، معناته كل ما بدي أزيد التشابه عنده، ما بدي

459
00:36:54,390 --> 00:36:59,930
أصير فيه، وبالتالي بيصير فيني عند جاك وماري أكثر

460
00:36:59,930 --> 00:37:03,390
اتنين متشابهين، المحتمل أنهم ياخدوا نفس المرض بناءً

461
00:37:03,390 --> 00:37:06,310
على الـ data set يكون عندهم نفس المرض، لأن هذول أكثر

462
00:37:06,310 --> 00:37:10,210
اتنين متقاربين في المحوصات وفي الأعراض اللي موجودة

463
00:37:10,210 --> 00:37:18,290
عندنا، بينما جيم وماري أكثر اتنين مختلفين، وبالتالي

464
00:37:18,290 --> 00:37:22,510
لا نعتقد أو ما فيش اعتقاد أنهم يكونوا من نفس المرض

465
00:37:22,510 --> 00:37:28,090
أو منهم نفس المشكلة المرضية اللي عندهم، من اللي لو

466
00:37:28,090 --> 00:37:35,870
بدنا نتكلم على المزايا وعيوب الـ K-Means، المزايا

467
00:37:35,870 --> 00:37:43,030
simple، سهل أن أنا أفهمه، الـ item يتخصص بشكل تلقائي

468
00:37:43,030 --> 00:37:51,680
لـ cluster، الـ disadvantages لازم تَتصنف، لازم تَتصنف

469
00:37:51,680 --> 00:37:54,720
لازم

470
00:37:54,720 --> 00:37:57,060
تَتصنف، لازم تَتصنف، لازم تَتصنف

471
00:38:00,680 --> 00:38:03,960
الـ sensitive to outlier زي ما شفنا أن الـ

472
00:38:03,960 --> 00:38:08,060
outlier بتغير الـ center، sensitive to initial seed

473
00:38:08,060 --> 00:38:11,780
اللي هي الـ random center اللي في الأول، لو كانت

474
00:38:11,780 --> 00:38:14,520
قريبة عندي، لو كانت في نص الـ... لو كانت هي الـ

475
00:38:14,520 --> 00:38:17,980
center ممكن أوصل من أول iteration أو الثانية، لكن

476
00:38:17,980 --> 00:38:20,380
لو كانت بعيدة، معناته هيأخد منه وقت في الـ

477
00:38:20,380 --> 00:38:26,660
convergence لما يوصل لنهاية الحل، طبعاً صعبة، غير

478
00:38:26,660 --> 00:38:33,280
مناسبة للي بيشوف الـ cluster من الـ hyper ellipsoid

479
00:38:33,280 --> 00:38:37,400
أو الـ hyper shapers اللي راح يكون، لو ما كانتش الـ data

480
00:38:37,400 --> 00:38:41,680
أو الـ data متواجدة بأشكال صعبة، مش هيشتغل عليها

481
00:38:41,680 --> 00:38:45,740
طبعاً هنا بنتكلم أش... طبعاً الشغلة الأخيرة اللي هي

482
00:38:45,740 --> 00:38:49,040
علاقة بالـ failure، فعلياً مش نقصيه، طب هو فعلاً بيفشل

483
00:38:49,040 --> 00:38:53,740
تماماً، اللي

484
00:38:53,740 --> 00:38:58,300
بيفشل إذا أنا فعلياً ما أديتوش رقم الـ cluster الحقيقي

485
00:38:58,300 --> 00:39:04,980
أو المناسب للـ data set اللي موجود عندها، كذلك بيفشل

486
00:39:04,980 --> 00:39:06,140
الـ...

487
00:39:11,460 --> 00:39:16,520
أن كل cluster أو التعرف تبقى على الـ center لما

488
00:39:16,520 --> 00:39:19,300
يكون عندك الـ center، يعني أنك تتكلم عن دائرة أو

489
00:39:19,300 --> 00:39:24,640
مربع، طيب لو كان في عندك ghost أو curve أو أي shape

490
00:39:24,640 --> 00:39:30,080
مختلف، إيش الـ center بدنا نفهمه؟ مش هيظبط، لأن لو

491
00:39:30,080 --> 00:39:35,120
قلت لك في عندك شكل هلال، إيش الـ center تبعته؟ مش

492
00:39:35,120 --> 00:39:40,200
هتظبط، لو أنا جيت قلت لك أن في عندي منحنى، إيش الـ

493
00:39:40,200 --> 00:39:43,620
center تبع المنحنى؟ مش هتظبط، لكن ممكن أفهمها في

494
00:39:43,620 --> 00:39:48,640
مثلث، أفهمها في دائرة، أفهمها في مستطيل، مستطيل أو

495
00:39:48,640 --> 00:39:53,700
مربع، ممكن أفهمها في أشكال اللي موجودة عندك، تعالى

496
00:39:53,700 --> 00:39:59,160
شوف هنا الآن، لما أنا روحت قلت له الـ... الـ... الـ...

497
00:40:01,580 --> 00:40:04,200
لما تكون الـ data اللي عندها لها different

498
00:40:04,200 --> 00:40:12,340
densities أو

499
00:40:12,340 --> 00:40:17,720
كتابة مختلفة، الـ chemistry بيفشل، ليش؟ لأنه بيعتمد

500
00:40:17,720 --> 00:40:21,000
على المسافة، فالآن هذا فعلياً الـ data، هذا الـ cluster

501
00:40:21,000 --> 00:40:24,980
الحقيقي، هذا التوزيع، لكن لو أنا أجيت وقلت لك هذه

502
00:40:24,980 --> 00:40:27,920
النقطة، هتصنفها مع أي cluster؟ لو أنا افترضت أن الـ

503
00:40:27,920 --> 00:40:28,440
center هنا

504
00:40:31,160 --> 00:40:40,700
و الـ center هنا، و الـ center هنا، فممكن

505
00:40:40,700 --> 00:40:47,480
النقطة high تكون أقرب من هنا، فالنقطة

506
00:40:47,480 --> 00:40:53,040
high هي أقرب لهذه، وبالتالي

507
00:40:53,040 --> 00:40:55,660
لما يكون في عندي different densities، معناته أن في

508
00:40:55,660 --> 00:40:59,960
عندي مشكلة مع الكيميا، كذلك عندما يكون لدي non

509
00:40:59,960 --> 00:41:04,820
spherical cluster، تخيل أنه سيجلب لي cluster عندي، و

510
00:41:04,820 --> 00:41:10,780
هاي الـ centers، أشتغل على three centers، هذول أريهم

511
00:41:10,780 --> 00:41:15,580
كيف

512
00:41:15,580 --> 00:41:18,860
بده يجيب لي إياها، أو عندما يكون لدي الـ complex shape

513
00:41:18,860 --> 00:41:22,120
بالشكل هذا، سيقول هاي center عندي هنا، وهي center

514
00:41:22,120 --> 00:41:30,890
هنا، أو هذا الـ distance صحيح، أو هنا، هل هذه النقطة

515
00:41:30,890 --> 00:41:34,530
هي الأقرب لها؟ فهو الـ shape تبع الـ complex، فهذه

516
00:41:34,530 --> 00:41:37,910
الحلقات كلها بيفشل فيها الـ K-means، طبعاً احنا فعلياً

517
00:41:37,910 --> 00:41:42,590
في عندنا algorithm ثاني زي الـ DB scan، وهذا الـ

518
00:41:42,590 --> 00:41:48,370
algorithm فعال جداً في التعامل مع الـ... ما بطلبش مني

519
00:41:48,370 --> 00:41:50,970
عدد الـ K، وبيشتغل، وبحاول يتعرف على الـ complex

520
00:41:50,970 --> 00:41:56,230
shape، لأنه بيعتمد على الـ density وبحاول يجد لها

521
00:41:57,020 --> 00:41:59,780
يتعرف على الـ clusters بناءً على الـ density اللي

522
00:41:59,780 --> 00:42:03,560
موجودة، لكن تبقى زي ما قلنا، هل الـ evaluation أو

523
00:42:03,560 --> 00:42:06,620
التقييم تبعي تبع أداء الـ cluster صحيح أم لا بناءً

524
00:42:06,620 --> 00:42:09,680
على أداء الـ clusters ومعرفة عدد الـ clusters

525
00:42:09,680 --> 00:42:13,230
الحقيقية للـ data اللي موجودة، نشوفكم على خير إن شاء

526
00:42:13,230 --> 00:42:17,130
الله تعالى، في المحاضرة هذه اتعرفنا على الـ K-means

527
00:42:17,130 --> 00:42:21,130
وشفنا كيف نحسبه، واتعرفنا على مزاياه وعيوبه

528
00:42:21,130 --> 00:42:23,990
التسجيل اللي جاي إن شاء الله تعالى، هنتقل للـ

529
00:42:23,990 --> 00:42:27,510
Hierarchical Clustering، السلام عليكم ورحمة الله