day 3 - data, data, data!!!

السلام عليكم ورحمة الله... معاكم Kaito :)

مرحبا بيكم فالنهار الثالث ديال سلسلة 30 يوم من التعلم الآلي..

اليوم غندويو على واحد الكونصيبت اللي كيدور عليه الفيلم كامل.. وهي أهم حاجة فهاد الضومين..

=> البيانات.. أو الداتا DATA.

غالبا سمعتي هاد الجملة: "ايلا كان المنتج فابور، فراك نتا هو المنتج"

ولكن علاش هاد الصداع كامل؟

واش عارف بلي الشركات الكبار كيخلصو بزاف ديال الفلوس غير باش يجمعو اكبر قدر ممكن من البيانات؟

علاش فيسبوك استحوذت وشرات واتساب ب 19 مليار دولار؟

الجواب هو بكل بساطة :الداتا

واتساب كان عندها شي حاجة مكانتش عند فيسبوك، وهي دوك المعلومات والميساجات ديال المستخدمين اللي غتحتاجهم فيسبوك باش تقاد وتحسن من الخدمات ديالها وتقتارح عليك اشهارات ads اللي يثيرو اهتمامك اكثر..

الداتا هو القلب النابض ديال اي مشروع او نموذج تعلم الي أو بالانجليزية

machine learning model

ايلا مكايناش الداتا, مكاينش معلومات, مكاينش تعلم..

بحالنا البشر..

ايلا مكاينش كتوبا, مكايناش قراية..

فالسياق ديال machine learning, الداتا هي مجموعة من الملاحظات، المعلومات، او القياسات اللي نقدرو نخدمو بيها باش نعلمو المودل ديالنا.

الداتا تقدر تكون شي نص، صورة، فيديو، اي حاجة كتخص الدومين اللي كنسيبليو..

وباش المودل يتعلم من ديك الداتا، خاصها تكون مقادة فواحد الشكل كيتسمى داتاسيت dataset (مجموعة البيانات)

مثلا فمشروع ديال تصنيف المشاش والكلاب عندنا داتاسيت ديالها، مشروع الديور اللي شفنا عندها داتاسيت ديالها حتا هي الخ…)

هاد الداتاسيت كتكون غير واحد الملف file فيه البيانات اللي حنا باغيين

فمثال ديال الديور هادي داتاسيت ديالها

كيما كتشوفو فاول سطر عندك سمية ديال المعطيات اللي عندنا (الموقع، بيوت النعاس، البالكون، العمر، الثمن)،

4 الاولين كيتسماو features

هوما المتغيرات او المميزات اللي عندنا ديال الدار,

والثمن كيتسمى target او label

هو الحاجة اللي بغينا نتوقعو هو الهدف اللي بغينا نلقاو..

مثلا ايلا بغينا نقادو مودل كيتوقع الصالير ديال موظف بناء على العمر ديالو و سنوات الخبرة…

ال features هوما العمر وسنوات الخبرة

و label هو الصالير

فاش كنعلمو المودل ديالنا كنقسمو الداتاسيت ديالنا على 2:

واحد الجزء كنخدمو بيه باش نعلمو بيه المودل وكيتسمى training set

والجزء الاخر اللي بقا كنخليوه حتا يسالي المودل من التعلم،

عاد كاناخدوه و كنجربو بيه المودل واش خدام مزيان و واش النتيجة اللي خرجات لينا قريبة من النتيجة الصحيحة

كيتسما test set كانتيستيو بيها المودل ديالنا من بعد كايسالي التعلم ديالو..

مثلا فالداتاسيت اللي حطيت الفوق، مثلا كاناخدو 8 سطورا اللولين كنعلمو بيهم المودل، هاد 8 سطورا هوما training set ديالنا،

من بعد كاناخدو دكشي اللي بقا وكنجربو المودل عليهم

(كنعطيوه features و كنقوليه عطيني label)

وكنشوفو واش الثمن اللي غيعطينا المودل هو نيت اللي كاين فالداتاسيت اولا قريب ليه،

تما كتقارن وتشوف وكتعطي تقييم لاداء المودل..

واضح؟

مزيان!! ندوزو..

الجودة والكمية ديال الداتا ديالك هوما كولشي..

ايلا عندك هادو، صافي راك حكمتيها..

هاد الداتا ماشي غير اجي وعطيها للمودل يتعلم،

لا!

خصها تكون مقادة ونقية وواجدة باش تعلم..

الكاليتي كتحكم فجودة الداتا و الاداء ديال المودل ديالك..

ايلا كانت الداتا فيها انحياز bias غتلقا راسك كتعطي نتائج مضللة،

لذلك خص تحاول تجيب الداتا من مصادر محايدة وموثوقة (بعد من الداتا ديال بني صهيون راه كامل كذوب ومفروش 💀)

وحتا الكمية عندها دور كبير،

قدما عطيتي الداتا للمودل، قدما كيولف و كيتعلم كثر…

خلاصة: (الجودة والكمية) خص يتوفرو عندك بجوج فاي dataset

ولكن بلاتي؟ دبا كتقوليا الداتا الداتا..

ورينا اخويا منين غنجيبو هاد الداتا

كاينين عدة طرق..

1. تقدر تجمعها وتقادها لراسك،

2. اولا تقدر تخدم بdatasets واجدين ومفتوحين للعموم فالانترنت (ف غوغل كتب نوع المشكل اللي باغي تحل، وزيد حداها "dataset")

مثال: House prices dataset

3. اولا تقدر تشريها من عند الجمعيات اولا المؤسسات (الطبية مثلا حيتاش المعلومات شوية حساسة)

الحاصول..

الداتا نعمة.. بحالها بحال الدار.. فهمها ونقيها

وتهلا فيها تهلا فيك!

نتلاقاو فايمايل اخر غدا!

كنتمنى تكونو استافدتو.. ايلا عندكم شي تساؤل اولا مشرحتش شي حاجة مزيان، غير صيفط ليا رد فهاد المايل نيت..

— Kaito

ملاحظات:

• هادي كانت هضرة خفيفة ظريفة على هاد المفهوم اللي فيييه ميتقال.. ولكن كيما قلت ليكم فالبدية..
  
  this is not a course
  
  هادي فقط اطلالة على مختلف المفاهيم المشهورة والشائعة اللي كاينة ف AI كنديرو بيها محو الامية على هاد الضومين ككل.. وشكرا جزيلا لثقتكم..