الماشين ليرنينج شروحات ومراجعات
14 موضوع في الماشين ليرنينج (AI216) بشرح مبسط وأسئلة تدريب. مجاني على بصمجلي.
الماشين ليرنينج (AI216)
Lecture 1: Introduction
- يعني إيه Machine Learning؟
الماشين ليرنينج هو مجال بيخلي الكمبيوتر يتعلم من البيانات من غير ما نبرمج له كل قاعدة بإيدينا. - الفرق بين Supervised و Unsupervised و Semi-supervised و Reinforcement Learning
أنظمة الماشين ليرنينج بتتقسم حسب الإشراف: داتا عليها labels (supervised)، من غير labels (unsupervised)، شوية labels (semi-supervised)، أو مكافآت (reinforcement). - الـ Overfitting والـ Underfitting في الماشين ليرنينج
الـ overfitting يعني الـ model بيحفظ بيانات التدريب كويس بس مبيعمّمش على بيانات جديدة، والـ underfitting يعني الـ model بسيط أوي ومش قادر يتعلم هيكل البيانات. - الفرق بين Batch Learning و Online Learning
الـ batch learning بيدرّب على كل البيانات مرة واحدة وبعدها بيبطل يتعلم، والـ online learning بيتعلم بالتدريج مع وصول البيانات، instance واحد أو mini-batches.
Lecture 3: Classification
- الـ Confusion Matrix والـ Precision والـ Recall والـ F1 Score
الـ confusion matrix بتعد التوقعات الصح والغلط لكل class، والـ precision والـ recall والـ F1 بيتحسبوا من الـ true/false positives وnegatives. - شرح الـ ROC Curve والـ AUC
الـ ROC curve بترسم الـ true positive rate (recall) ضد الـ false positive rate عند كل threshold، والمساحة تحتها (AUC) بتلخص جودة الـ classifier في رقم واحد. - الـ K-Fold والـ Stratified K-Fold Cross-Validation
الـ K-fold cross-validation بيقسم الـ training set لـ K فولدز، بيدرّب على K-1 ويقيّم على الفولد الباقي، ويكرر K مرة عشان كل فولد يتقيّم مرة. - الـ Multiclass Classification: One-versus-One و One-versus-Rest
الـ multiclass classification بيحط الـ instance في واحد من أكتر من فئتين، وبنقدر نستخدم binary classifiers بأسلوب one-versus-rest (OvR/OvA) أو one-versus-one (OvO). - شرح داتا MNIST والـ SGDClassifier
الـ MNIST مجموعة 70,000 صورة صغيرة لأرقام مكتوبة بخط اليد، كل صورة 28 × 28 بكسل (784 feature)، وهي داتا قياسية أولى للـ classification. والـ SGDClassifier هو binary classifier بسيط بيتدرب بالـ stochastic gradient descent.
Lecture 4: Training Models
- الـ Gradient Descent: Batch وStochastic وMini-batch
الـ gradient descent خوارزمية optimization عامة بتعدّل parameters الـ model بالتدريج في اتجاه بيقلل الـ cost function لحد ما توصل لأقل نقطة. - الـ Linear Regression: الـ Model والـ Cost Function والحل المباشر
الـ linear regression بيتوقع قيمة كمجموع موزون للـ features زائد bias، والتدريب بيدور على الـ parameters اللي بتقلل الـ mean squared error. - الـ Regularization والـ Ridge Regression
الـ ridge regression هو linear regression مضاف للـ cost function بتاعته حد regularization من نوع l2، وده بيخلي الـ weights صغيرة ويقلل الـ overfitting.
Lecture 2: End-to-End Project
- الـ Feature Scaling: Min-Max Normalization مقابل Standardization
الـ feature scaling بيحط الـ attributes الرقمية على مدى متقارب. الـ min-max بيضغط القيم بين 0 و1، والـ standardization بيطلّع متوسط صفر وتباين 1. - الـ RMSE مقابل الـ MAE: مقاييس الخطأ في الـ Regression والـ Norms
الـ RMSE والـ MAE بيقيسوا المسافة بين vector التوقعات وvector الـ targets. الـ RMSE هو الـ l2 norm (Euclidean) والـ MAE هو الـ l1 norm (Manhattan).
بصمجلي مشروع طلابي مستقل، مش موقع رسمي لجامعة الدلتا. ارجع لمحاضراتك ودكتورك دايمًا.