| 1 | |
| 00:00:00,000 --> 00:00:02,940 | |
| بسم الله والحمد لله والصلاة والسلام على رسول الله | |
| 2 | |
| 00:00:02,940 --> 00:00:07,260 | |
| أهلا وسهلا فيكم بالمحاضرة الثانية في الـ regression | |
| 3 | |
| 00:00:07,260 --> 00:00:12,580 | |
| وهنا هنتكلم عن الـ multiple regression كنا في | |
| 4 | |
| 00:00:12,580 --> 00:00:16,400 | |
| المحاضرة الماضية اتكلمنا عن الـ simple linear | |
| 5 | |
| 00:00:16,400 --> 00:00:19,440 | |
| regression وقلنا simple linear regression معناته | |
| 6 | |
| 00:00:19,440 --> 00:00:23,960 | |
| أنا عندي معادلة خط مستقيم واحد فقط اللي هي Y عفوا | |
| 7 | |
| 00:00:23,960 --> 00:00:25,400 | |
| خليني أُحرك الـ pointer | |
| 8 | |
| 00:00:37,800 --> 00:00:44,480 | |
| قلنا في معادلة الخط المستقيم أن الـ Y تساوي الـ M | |
| 9 | |
| 00:00:44,480 --> 00:00:59,140 | |
| X زائد الـ B وقلنا أن الـ M عندها تساوي | |
| 10 | |
| 00:00:59,140 --> 00:01:14,070 | |
| مجموع X I ناقص متوسط X مضروبة في Y I ناقص متوسط الـ | |
| 11 | |
| 00:01:14,070 --> 00:01:19,330 | |
| Y على مجموع | |
| 12 | |
| 00:01:19,330 --> 00:01:30,310 | |
| X I ناقص متوسط الـ X كل تربيع والـ B | |
| 13 | |
| 00:01:33,710 --> 00:01:39,590 | |
| متوسط Y ناقص M | |
| 14 | |
| 00:01:42,630 --> 00:01:47,090 | |
| الـ X فشوفنا مع بعض كيف احنا وصلنا للمعادلة أو | |
| 15 | |
| 00:01:47,090 --> 00:01:49,950 | |
| اشتغلنا مع بعض وشوفنا الـ simple linear regression | |
| 16 | |
| 00:01:49,950 --> 00:01:52,590 | |
| اليوم إن شاء الله تعالى هنتكلم على الـ multiple زي | |
| 17 | |
| 00:01:52,590 --> 00:01:55,470 | |
| ما وعدناكم هنتكلم على الـ multiple regression وما | |
| 18 | |
| 00:01:55,470 --> 00:01:58,210 | |
| زالَ نتكلم على الـ simple linear regression الـ | |
| 19 | |
| 00:01:58,210 --> 00:02:01,450 | |
| regression لكنَّه نتكلم على الـ multiple الآن لما أنا | |
| 20 | |
| 00:02:01,450 --> 00:02:03,510 | |
| أتكلم على الـ multiple regression معناته أنا بدي | |
| 21 | |
| 00:02:03,510 --> 00:02:07,270 | |
| أتوقع العلاقة زي ما قلنا سابقا بين الـ multiple | |
| 22 | |
| 00:02:07,270 --> 00:02:11,010 | |
| attributes أو multiple variables في عندي more than | |
| 23 | |
| 00:02:12,010 --> 00:02:14,770 | |
| one independent attribute وقلنا من الأمثلة | |
| 24 | |
| 00:02:14,770 --> 00:02:19,510 | |
| الموجودة عليها الـ income و الـ education أو تأثير | |
| 25 | |
| 00:02:19,510 --> 00:02:22,830 | |
| الـ income و الـ education و الـ living area على | |
| 26 | |
| 00:02:22,830 --> 00:02:26,730 | |
| تأثير | |
| 27 | |
| 00:02:26,730 --> 00:02:31,610 | |
| قيمة الدخل والتعليم على المنطقة اللي يعيش فيها | |
| 28 | |
| 00:02:31,610 --> 00:02:35,290 | |
| الشخص اللي موجود عندها طبعا لما بتكلم على زيادة | |
| 29 | |
| 00:02:35,290 --> 00:02:38,410 | |
| عدد الـ variables أو عدد الـ independent variables | |
| 30 | |
| 00:02:39,300 --> 00:02:43,460 | |
| معناته أنا بزيد من تعقيد عملية الـ prediction لأنَّه | |
| 31 | |
| 00:02:43,460 --> 00:02:47,460 | |
| أنا فعليا بدي أتكلّم على .. بدي أوجد علاقة ما بين | |
| 32 | |
| 00:02:47,460 --> 00:02:50,660 | |
| كل الـ attributes هذه مجتمعة طبعا يا جماعة الخير | |
| 33 | |
| 00:02:50,660 --> 00:02:55,220 | |
| عشان بس قبل ما أنا أتكلّم شغلة ليش احنا بالتحديد | |
| 34 | |
| 00:02:55,220 --> 00:03:00,660 | |
| قلنا linear regression معادلة خطية لأن الرتبة | |
| 35 | |
| 00:03:00,660 --> 00:03:05,360 | |
| تبعها هي لاحظوا يا جماعة الخير أنا بتكلم | |
| 36 | |
| 00:03:08,290 --> 00:03:11,430 | |
| لما كنت بتكلم على الـ simple regression عفوا بالـ | |
| 37 | |
| 00:03:11,430 --> 00:03:15,170 | |
| simple regression عندي x و y ففي الآخر المعادلة | |
| 38 | |
| 00:03:15,170 --> 00:03:19,930 | |
| تبعها سواء كانت خط مستقيم أو polynomial بغض النظر | |
| 39 | |
| 00:03:19,930 --> 00:03:26,930 | |
| عن طبيعتها أنا في الآخر بتكلم في العلاقة في الـ 2D | |
| 40 | |
| 00:03:26,930 --> 00:03:31,230 | |
| ليش؟ لأن في عندي two attributes تمام طب لو كانوا | |
| 41 | |
| 00:03:31,230 --> 00:03:33,650 | |
| في عندي three attributes two independent و one | |
| 42 | |
| 00:03:33,650 --> 00:03:37,550 | |
| dependent معناته بتكلم على 3D طب لو كانوا four | |
| 43 | |
| 00:03:38,380 --> 00:03:43,020 | |
| طبعا، لاحظوا معايا في الـ linear .. linear هنصف | |
| 44 | |
| 00:03:43,020 --> 00:03:49,460 | |
| بقول خط طيب، هل ممكن يكون في عندي linear multiple | |
| 45 | |
| 00:03:49,460 --> 00:03:53,260 | |
| attributes؟ اه ممكن طبعا، تعالي خلينا نتخيل | |
| 46 | |
| 00:03:53,260 --> 00:03:55,920 | |
| المعادلة تبعي بالشكل هذا الـ multiple regression | |
| 47 | |
| 00:03:55,920 --> 00:03:58,340 | |
| لما يكون في عندك K independent attributes، هيصير | |
| 48 | |
| 00:03:58,340 --> 00:04:02,660 | |
| إيش هكونها؟ طبعا، بتكلم عن linear regression لأن | |
| 49 | |
| 00:04:02,660 --> 00:04:06,560 | |
| أعلى قيمة أو أعلى أُس X بتكون واحد، هاي المفهوم | |
| 50 | |
| 00:04:06,560 --> 00:04:13,730 | |
| الـ linear الآن الـ predicted y بيتساوي الـ intercept | |
| 51 | |
| 00:04:13,730 --> 00:04:22,970 | |
| B0 زائد الـ M1 في X1 زائد M2 في X2 زائد زائد | |
| 52 | |
| 00:04:22,970 --> 00:04:29,010 | |
| Mk أو Bk في Xk ولما أنا بدي أجي أرسم معادلة بشكل | |
| 53 | |
| 00:04:29,010 --> 00:04:32,290 | |
| هذا أبسط المعادلات اللي ممكن أستوعبها أنا في الرسم | |
| 54 | |
| 00:04:32,290 --> 00:04:35,950 | |
| بعد هيك لما يكون لدي two independent variables ها | |
| 55 | |
| 00:04:35,950 --> 00:04:41,050 | |
| هي X1 و X2 two independent variables مع الـ | |
| 56 | |
| 00:04:41,050 --> 00:04:45,050 | |
| dependent variables صاروا three attributes عشان | |
| 57 | |
| 00:04:45,050 --> 00:04:48,830 | |
| أقدر أمثلهم أنا أو أتخيلهم صح بدي أتخيل الـ 3D | |
| 58 | |
| 00:04:48,830 --> 00:04:52,670 | |
| space ممتاز طيب المعادلة الخطية في الـ 3D space | |
| 59 | |
| 00:04:52,670 --> 00:04:57,050 | |
| معناته هي بتتكلم على surface سطح والسطح هذا | |
| 60 | |
| 00:04:57,050 --> 00:05:03,840 | |
| إلي هيكون ميل هيكون مع الـ X و ميل هيكون مع الـ X | |
| 61 | |
| 00:05:03,840 --> 00:05:06,000 | |
| الثاني أو المحور الثاني بما أن أنا في عندي الـ 2X | |
| 62 | |
| 00:05:06,000 --> 00:05:09,680 | |
| X1 و X2 و الـ Y ثابتة لأن الـ Y هي الـ predicted | |
| 63 | |
| 00:05:09,680 --> 00:05:13,860 | |
| value و أنا في عندي X1 و X2 بما أن في عندي ميل مع | |
| 64 | |
| 00:05:13,860 --> 00:05:20,400 | |
| X1 و X2 وبناءً عليه أنا بتكلم على معادلة خطية | |
| 65 | |
| 00:05:20,400 --> 00:05:26,260 | |
| لكنها في الـ 3D تمام، الآن لو أنا أُفضل أو أعمل | |
| 66 | |
| 00:05:26,260 --> 00:05:31,140 | |
| prediction بالـ python بتمنى هذه الجزئية تكون سهلة | |
| 67 | |
| 00:05:31,140 --> 00:05:34,320 | |
| يعني مافيش فيها كلام أنت بدك تستوعب طب لو كان في | |
| 68 | |
| 00:05:34,320 --> 00:05:36,440 | |
| عندي أنا four attribute three independent | |
| 69 | |
| 00:05:36,440 --> 00:05:40,180 | |
| attribute جماعة الخير three independent attribute | |
| 70 | |
| 00:05:40,180 --> 00:05:44,540 | |
| و one dependent attribute يعني صاروا أربعة إيش | |
| 71 | |
| 00:05:44,540 --> 00:05:48,200 | |
| الشكل تبعي اللي أحب أتخيّله في الـ space في الـ 4D | |
| 72 | |
| 00:05:48,200 --> 00:05:51,900 | |
| بسيط بتكلم على space مكعب ممكن تكون هذا الـ space | |
| 73 | |
| 00:05:51,900 --> 00:05:57,480 | |
| cube المفروض عندما أزيد عدد الـ Attributes سأزيد | |
| 74 | |
| 00:05:57,480 --> 00:06:01,880 | |
| خيالي لكي أتكلم عليها لكن بفضل الله تبارك وتعالى | |
| 75 | |
| 00:06:01,880 --> 00:06:06,220 | |
| نحن بعد الـ 3D بنبطل نستوعب إيش اللي ممكن يصير | |
| 76 | |
| 00:06:06,220 --> 00:06:09,520 | |
| الآن تعال نشوف بالـ Python بدي أشغل على نفس | |
| 77 | |
| 00:06:09,520 --> 00:06:12,780 | |
| الطريقة أو نفس الفكرة السابقة استخدمت الـ NumPy | |
| 78 | |
| 00:06:12,780 --> 00:06:17,440 | |
| ورحت وقلت له أنا في عندي Array لكن كل رو في الـ | |
| 79 | |
| 00:06:17,440 --> 00:06:21,840 | |
| Array بيحتوي على two attributes أو two variables | |
| 80 | |
| 00:06:23,550 --> 00:06:27,310 | |
| خمسة وثلاثة يعني الـ attribute X1 خمسة في الصف | |
| 81 | |
| 00:06:27,310 --> 00:06:33,670 | |
| الأول X2 ثلاثة X1 سبعة X2 خمسة وهكذا والـ Y ده هي | |
| 82 | |
| 00:06:33,670 --> 00:06:37,670 | |
| الـ value تبعتهم لاحظوا ما تغيرش معايا ولا حاجة أنا | |
| 83 | |
| 00:06:37,670 --> 00:06:43,670 | |
| غير إنّي غيرت بس الـ X الـ attributes تبعي صارت في | |
| 84 | |
| 00:06:43,670 --> 00:06:47,770 | |
| الـ 2D dimension 2D array ولاحظوا ما كنتش محتاجة reshape | |
| 85 | |
| 00:06:47,770 --> 00:06:53,060 | |
| لأن خلاص ليش؟ لأن أنا كنت بدي حلقة في صفوف في صفوف | |
| 86 | |
| 00:06:53,060 --> 00:06:56,380 | |
| وانتهى الأمر هنا مافيش داعي إنّي أعمله Reshape الـ y | |
| 87 | |
| 00:06:56,380 --> 00:07:02,340 | |
| .unarray وهي الـ target attribute تبعي نفس الكلام | |
| 88 | |
| 00:07:02,340 --> 00:07:06,020 | |
| from sklearn.linear_model import Linear | |
| 89 | |
| 00:07:06,020 --> 00:07:09,520 | |
| Regression بنيت الموديل وعملت له fit فهنا راح | |
| 90 | |
| 00:07:09,520 --> 00:07:14,850 | |
| تعرف أو بنى الموديل وحدد الـ intercept أحدد قيمة الـ | |
| 91 | |
| 00:07:14,850 --> 00:07:18,810 | |
| slope للـ attribute الأول والـ attribute الثاني أو | |
| 92 | |
| 00:07:18,810 --> 00:07:20,810 | |
| الـ coefficient للـ attribute الأول والـ attribute | |
| 93 | |
| 00:07:20,810 --> 00:07:24,230 | |
| الثاني لو أنا طبعت بنفس الطريقة السابقة قلت له الـ | |
| 94 | |
| 00:07:24,230 --> 00:07:28,390 | |
| model.coefficient و الـ model.intercept طبع ليهم، | |
| 95 | |
| 00:07:28,390 --> 00:07:34,170 | |
| لاحظوا أنّه طبع ليها الـ model.coefficient جاب ليهم | |
| 96 | |
| 00:07:34,170 --> 00:07:38,430 | |
| على إنهم مصفوفة لأ وفيه two variables أو two | |
| 97 | |
| 00:07:38,430 --> 00:07:42,930 | |
| values ليش؟ لأن أنا فعليًا عندي two independent | |
| 98 | |
| 00:07:42,930 --> 00:07:47,550 | |
| attributes X1 و X2 فأنا رحت بس جملتها أكثر و | |
| 99 | |
| 00:07:47,550 --> 00:07:50,190 | |
| فصلتهم وطبعتهم بالشكل هذا قلت له model | |
| 100 | |
| 00:07:50,190 --> 00:07:55,410 | |
| .coefficient[0] عشان أجيب القيمة الأولى ضربتها في | |
| 101 | |
| 00:07:55,410 --> 00:07:59,670 | |
| X1 as a text زائد عشان أطبع معادلة الخط الـ .. أو | |
| 102 | |
| 00:07:59,670 --> 00:08:05,630 | |
| بلاش الـ .. الـ linear space اللي موجود عندي هذا | |
| 103 | |
| 00:08:09,310 --> 00:08:12,310 | |
| تمام وبالتالي ما اتغيرش عندي في الشغل ولا حاجة إنّه | |
| 104 | |
| 00:08:12,310 --> 00:08:14,730 | |
| غير إنّه data set طب لو أنا بعد data set بعد شو بدأ | |
| 105 | |
| 00:08:14,730 --> 00:08:18,250 | |
| أُساوي بدل ما كنت أنا آخذ أو أخدت عمود واحد الآن | |
| 106 | |
| 00:08:18,250 --> 00:08:21,630 | |
| بدأ آخذ عمودين أو ثلاثة أو أربعة عشان الـ linear | |
| 107 | |
| 00:08:21,630 --> 00:08:25,290 | |
| regression اللي مولود خلينا ننتقل للـ nonlinear مش | |
| 108 | |
| 00:08:25,290 --> 00:08:28,750 | |
| ضايل كتير عندنا في الـ slides nonlinear regression | |
| 109 | |
| 00:08:28,750 --> 00:08:33,770 | |
| nonlinear معناته أنا بتكلم على nonlinear line أنا | |
| 110 | |
| 00:08:33,770 --> 00:08:38,460 | |
| في عندي خط لكن الخط هذا غير مستقيم أو ممكن يكون في | |
| 111 | |
| 00:08:38,460 --> 00:08:41,880 | |
| عندي surface الـ surface هذا ممكن يكون على شكل | |
| 112 | |
| 00:08:41,880 --> 00:08:45,780 | |
| دائرة | |
| 113 | |
| 00:08:45,780 --> 00:08:52,280 | |
| مائلة أو slow أو ellipse بالشكل هذا فأنا الآن بقول | |
| 114 | |
| 00:08:52,280 --> 00:09:00,700 | |
| نتكلم على خط مستقيم الآن لما الـ data ما بتظهرش عندي | |
| 115 | |
| 00:09:00,700 --> 00:09:01,980 | |
| linear dependency | |
| 116 | |
| 00:09:08,540 --> 00:09:12,100 | |
| معناته أنا ممكن أَدور على accurate أو أحصل على | |
| 117 | |
| 00:09:12,100 --> 00:09:14,460 | |
| accurate model لو في حالة إن كان في عندي non | |
| 118 | |
| 00:09:14,460 --> 00:09:16,700 | |
| linear regression يعني بين قرصين الجامعة الاختيار | |
| 119 | |
| 00:09:16,700 --> 00:09:21,120 | |
| أنا ممكن أجرب وأجرب الـ linear وأجرب الـ non | |
| 120 | |
| 00:09:21,120 --> 00:09:24,660 | |
| linear وأشوف إيش المعادلة الأفضل example لو أنا | |
| 121 | |
| 00:09:24,660 --> 00:09:29,940 | |
| قلت لك هي في عندي y تساوي w0 الـ intercept لو أنا | |
| 122 | |
| 00:09:29,940 --> 00:09:33,820 | |
| بدي أتكلّم على معادلة خط اللي هي نقطة التقاطع مع الـ | |
| 123 | |
| 00:09:33,820 --> 00:09:40,050 | |
| y يوجد الـ Y و الـ W الـ coefficient تبع المتغير | |
| 124 | |
| 00:09:40,050 --> 00:09:46,310 | |
| الأول العلاقة الخطية الـ Y و W الـ W الـ Y و W الـ | |
| 125 | |
| 00:09:46,310 --> 00:09:49,350 | |
| W الـ Y و W الـ W الـ Y و W الـ W الـ Y و W الـ Y و W | |
| 126 | |
| 00:09:49,350 --> 00:09:49,630 | |
| الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W | |
| 127 | |
| 00:09:49,630 --> 00:09:50,770 | |
| الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W | |
| 128 | |
| 00:09:50,770 --> 00:09:56,070 | |
| الـ Y و W الـ Y و W الـ Y و W الـ Y و W الـ Y و W | |
| 129 | |
| 00:09:56,070 --> 00:10:02,610 | |
| الـ Y و W الـ الـ equation تبعي بتأخذ different | |
| 130 | |
| 00:10:02,610 --> 00:10:06,910 | |
| forms أشكال مختلفة زي ما شفنا في ملف الـ Excel و | |
| 131 | |
| 00:10:06,910 --> 00:10:11,670 | |
| هنرجع لها على السريع في ملف الـ Excel لما قلت له الـ | |
| 132 | |
| 00:10:11,670 --> 00:10:15,970 | |
| line trend أو الـ trend line كان فيه عنده | |
| 133 | |
| 00:10:15,970 --> 00:10:18,450 | |
| exponential عنده linear عنده logarithmic عنده | |
| 134 | |
| 00:10:18,450 --> 00:10:22,330 | |
| polynomial عنده power إلى آخره الآن أنا فيه عنده | |
| 135 | |
| 00:10:22,330 --> 00:10:29,910 | |
| الـ exponential والعلاقة ما بين الـ y و الـ x إن الـ X | |
| 136 | |
| 00:10:29,910 --> 00:10:35,370 | |
| موجودة كأساس للـ exponential value E أساس B ضرب X و | |
| 137 | |
| 00:10:35,370 --> 00:10:38,510 | |
| الـ B هي الـ intercept اللي احنا بتكلم عليها يعني | |
| 138 | |
| 00:10:38,510 --> 00:10:45,430 | |
| الـ coefficient تبع الـ X الـ power value برضه | |
| 139 | |
| 00:10:45,430 --> 00:10:50,150 | |
| أنا ما زلت بتكلم هنا هذه | |
| 140 | |
| 00:10:50,150 --> 00:10:53,830 | |
| المعادلة اللي موجودة عندي هنا الـ growth saturation | |
| 141 | |
| 00:10:53,830 --> 00:10:58,970 | |
| model تبعها وفي عندي الـ polynomial اللي احنا | |
| 142 | |
| 00:10:58,970 --> 00:11:05,790 | |
| شوفناها قبل لحظات polynomial هذا الرسمة لو كان | |
| 143 | |
| 00:11:05,790 --> 00:11:08,230 | |
| عندي بيانات ورحت رسمتها وقلت لها ارسم لي الـ | |
| 144 | |
| 00:11:08,230 --> 00:11:13,010 | |
| trend اللي موجود ارسم لي المعادلة اللي موجودة مش | |
| 145 | |
| 00:11:13,010 --> 00:11:16,150 | |
| هيكون في عندي مشكلة لأن هذه مستحيل أنا ألاقي خط | |
| 146 | |
| 00:11:16,150 --> 00:11:25,530 | |
| مستقيم ما بين النقطة هاي ونقطة هاي والنقطة | |
| 147 | |
| 00:11:25,530 --> 00:11:30,270 | |
| هاي مباشرة ليش؟ لأن الخط المستقيم أبعد لكن لو | |
| 148 | |
| 00:11:30,270 --> 00:11:32,710 | |
| أنت قلت له والله أنا ممكن أتكلم عن خط مستقيم في | |
| 149 | |
| 00:11:32,710 --> 00:11:37,310 | |
| المنطقة high نسبة الخطأ أقل لكن في الأول مستحيل | |
| 150 | |
| 00:11:37,310 --> 00:11:40,430 | |
| يكون لكن واضح إن الـ trend تبعها non-linear | |
| 151 | |
| 00:11:42,880 --> 00:11:47,180 | |
| يعني أنا بدي أجرب وأحاول للفهم للـ data وعلاقة الـ | |
| 152 | |
| 00:11:47,180 --> 00:11:50,420 | |
| attributes اللي اشتغل عليها هو اللي بيحدد أنا فعلا | |
| 153 | |
| 00:11:50,420 --> 00:11:54,380 | |
| هأشتغل على linear ولا على non-linear طيب في الموضوع | |
| 154 | |
| 00:11:54,380 --> 00:11:56,900 | |
| الـ evaluation يا جماعة الخير في الموضوع الـ | |
| 155 | |
| 00:11:56,900 --> 00:12:02,000 | |
| evaluation أنا بدي في عندي prediction في عندي true | |
| 156 | |
| 00:12:02,000 --> 00:12:07,980 | |
| values هي لأن خلينا أهم metric لقياس الـ regression | |
| 157 | |
| 00:12:07,980 --> 00:12:12,700 | |
| هو الـ root mean square error والبعض يعتمد فقط على | |
| 158 | |
| 00:12:12,700 --> 00:12:15,600 | |
| الـ mean square error وليس فرق كتير لأنّي أريد | |
| 159 | |
| 00:12:15,600 --> 00:12:19,020 | |
| فرق وأزيل الجذر بعد ذلك لكن الـ root mean square | |
| 160 | |
| 00:12:19,020 --> 00:12:22,540 | |
| error ماهو الـ error اللي موجود عندي؟ الـ error هي | |
| 161 | |
| 00:12:22,540 --> 00:12:27,450 | |
| عبارة عن الـ actual value ناقص الـ Predicted Value | |
| 162 | |
| 00:12:27,450 --> 00:12:30,610 | |
| لأن أنا بتكلم على continuous بتكلم على continuous | |
| 163 | |
| 00:12:30,610 --> 00:12:34,270 | |
| value أنا عامل الـ prediction والـ actual value | |
| 164 | |
| 00:12:34,270 --> 00:12:36,970 | |
| لازم تكون continuous الفرق بينهم هو نسبة الخطأ | |
| 165 | |
| 00:12:36,970 --> 00:12:40,070 | |
| اللي موجود عندها لو بدي أجي للرسم يا جماعة الخير | |
| 166 | |
| 00:12:40,070 --> 00:12:44,830 | |
| هذه النقطة بتمثل الـ actual point النقطة الحقيقية | |
| 167 | |
| 00:12:44,830 --> 00:12:50,490 | |
| مصبوط؟ طيب والـ predicted value تبعها اللي هتكون | |
| 168 | |
| 00:12:50,490 --> 00:12:55,890 | |
| هنا اللي على الخط كذلك هنا، لاحظوا الـ distance | |
| 169 | |
| 00:12:55,890 --> 00:12:59,870 | |
| المسافة اللي هنا بحسب الـ Euclidean distance اللي | |
| 170 | |
| 00:12:59,870 --> 00:13:03,490 | |
| احنا شفناها لـ predicted value ناقص الـ true value | |
| 171 | |
| 00:13:03,490 --> 00:13:10,210 | |
| تربيع، مصبوط؟ هاي الـ Euclidean الآن لو أنا رحت | |
| 172 | |
| 00:13:10,210 --> 00:13:16,150 | |
| اجمعت كل المسافات هاي وجمعتها على عدد النقاط اللي | |
| 173 | |
| 00:13:16,150 --> 00:13:21,190 | |
| موجودة عندها أنا بكون حصلت على الـ mean square | |
| 174 | |
| 00:13:21,190 --> 00:13:25,390 | |
| error الـ mean square error بأخذها وبحطها تحت | |
| 175 | |
| 00:13:25,390 --> 00:13:29,520 | |
| الجذر اللي موجود عندها طبعا الـ Residual المقصود | |
| 176 | |
| 00:13:29,520 --> 00:13:32,600 | |
| فيه المسافة أو الـ Error الموجود بين العناصر اللي | |
| 177 | |
| 00:13:32,600 --> 00:13:36,340 | |
| موجودة عندك يعني بكل بساطة بأخذ الفروقات ما بين | |
| 178 | |
| 00:13:36,340 --> 00:13:40,460 | |
| 223 | |
| 00:16:52,350 --> 00:16:56,330 | |
| squared error حسب، احنا الآن هطبقها، الـ main square | |
| 224 | |
| 00:16:56,330 --> 00:17:01,000 | |
| errorاللي في الـ slide السابق، هنا أنا كنت بتكلم على | |
| 225 | |
| 00:17:01,000 --> 00:17:05,080 | |
| الـ root اللي هي الجذر التربيعي اللي موجود | |
| 226 | |
| 00:17:05,080 --> 00:17:10,300 | |
| عندي هنا، فممكن أنت تستدعي كذلك الـ print الـ mean | |
| 227 | |
| 00:17:10,300 --> 00:17:14,440 | |
| square error percent to F عشان بقى يجيب لي الـ two | |
| 228 | |
| 00:17:14,440 --> 00:17:19,920 | |
| digits بعد الفاصلة العشرية، الـ mean square error هي | |
| 229 | |
| 00:17:19,920 --> 00:17:22,280 | |
| الدالة اللي استدعيتها هنا، أو الـ metric اللي | |
| 230 | |
| 00:17:22,280 --> 00:17:28,150 | |
| استدعيته، وزودته بالـ y test و الـ y predicted، و | |
| 231 | |
| 00:17:28,150 --> 00:17:33,310 | |
| يديني الـ value اللي موجودة عندنا، وبهيك بنكون احنا | |
| 232 | |
| 00:17:33,310 --> 00:17:40,430 | |
| فعلياً انتهينا من موضوع الـ regression، شابتر ظريف و | |
| 233 | |
| 00:17:40,430 --> 00:17:48,510 | |
| خفيف نشتغل عليه، بتمنى يكون... بقدر أتوصل الفكرة | |
| 234 | |
| 00:17:48,510 --> 00:17:53,690 | |
| بشكل كويس، لكن في عندنا شغل آخر، اللي علاقة بالـ | |
| 235 | |
| 00:17:53,690 --> 00:17:59,090 | |
| assignment، لما أتكلم عن الـ assignment، أنا مش عارف | |
| 236 | |
| 00:17:59,090 --> 00:18:03,730 | |
| مش عامله hide، أتكلم بالـ assignment إنه جامعة الخير، | |
| 237 | |
| 00:18:03,730 --> 00:18:09,790 | |
| لازم احنا نشتغل و نطبق مع بعض، لازم لازم لازم الآن | |
| 238 | |
| 00:18:09,790 --> 00:18:16,270 | |
| إيش مطلوب منك؟ أنت في عندك data set، عندك data set، و | |
| 239 | |
| 00:18:16,270 --> 00:18:22,560 | |
| الـ data set تبعتك مخصصة للـ linear regression، | |
| 240 | |
| 00:18:22,560 --> 00:18:25,840 | |
| ريجريشن أو nonlinear regression، احنا لسه ما بنعرف | |
| 241 | |
| 00:18:25,840 --> 00:18:29,800 | |
| بدك تروح على الـ data set اللي موجود عندكم، و تفحص | |
| 242 | |
| 00:18:29,800 --> 00:18:37,060 | |
| تتعرف على الـ data set بشكل كويس، وبعد هيك تروح | |
| 243 | |
| 00:18:37,060 --> 00:18:43,520 | |
| تختار multiple attributes | |
| 244 | |
| 00:18:45,410 --> 00:18:53,590 | |
| تعمل regression | |
| 245 | |
| 00:18:53,590 --> 00:18:55,610 | |
| (repeated "تعمل" removed) | |
| 246 | |
| 00:18:55,610 --> 00:18:55,650 | |
| (repeated "تعمل" removed) | |
| 247 | |
| 00:18:55,650 --> 00:18:55,770 | |
| (repeated "تعمل" removed) | |
| 248 | |
| 00:18:55,770 --> 00:18:55,830 | |
| (repeated "تعمل" removed) | |
| 249 | |
| 00:18:55,830 --> 00:19:06,590 | |
| (repeated "تعمل" removed) | |
| 250 | |
| 00:19:06,590 --> 00:19:09,450 | |
| (removed extra "ت") | |
| 251 | |
| 00:19:09,890 --> 00:19:13,130 | |
| تقارن بين كل الحالات اللي موجودة، يعني بالتفصيل | |
| 252 | |
| 00:19:13,130 --> 00:19:16,870 | |
| بالآخر، بالتفصيل، بدك تروح تجرب linear regression، | |
| 253 | |
| 00:19:16,870 --> 00:19:19,050 | |
| simple linear regression، و multiple linear | |
| 254 | |
| 00:19:19,050 --> 00:19:23,750 | |
| regression، ماشي الحال على one attribute، وعلى two | |
| 255 | |
| 00:19:23,750 --> 00:19:28,770 | |
| attributes، الـ multiple اعتبرها two، والـ simple | |
| 256 | |
| 00:19:28,770 --> 00:19:34,830 | |
| الاعتبرها one، لكن الـ multiple تكون two attributes، | |
| 257 | |
| 00:19:34,830 --> 00:19:38,680 | |
| at least، بتطبق عليها Linear، وتطبق عليها Unlinear، | |
| 258 | |
| 00:19:38,680 --> 00:19:43,680 | |
| طبعاً المفروض هذا يتسلم يوم اثنين عشر اثنين، لكن بما أن | |
| 259 | |
| 00:19:43,680 --> 00:19:48,700 | |
| التواريخ كلها اتغيرت، فبكون في عندنا تاريخ تاني | |
| 260 | |
| 00:19:48,700 --> 00:19:54,080 | |
| للتسليم، وحوضح أكتر إن شاء الله تعالى، إن خلال الـ | |
| 261 | |
| 00:19:54,080 --> 00:19:57,900 | |
| model، بتمنى لكم التوفيق، وأتمنى يكون الموضوع الـ | |
| 262 | |
| 00:19:57,900 --> 00:20:00,660 | |
| regression واضح بالنسبة لكم، وإذا في أي استفسار | |
| 263 | |
| 00:20:00,660 --> 00:20:04,320 | |
| الـ model من خلال الـ model أو الـ email، أو جلسات | |
| 264 | |
| 00:20:04,320 --> 00:20:08,180 | |
| النقاش اللي هنعملها لاحقاً، السلام عليكم ورحمة الله | |
| 265 | |
| 00:20:08,180 --> 00:20:09,220 | |
| وبركاته | |