Return to Video

Bayes Rule Diagram - Intro to Machine Learning

  • 0:00 - 0:05
    ما قلناه بالفعل أن لدينا حالة تسمى prior
  • 0:05 - 0:10
    واختبارًا لحساسية محددة ودقة محددة.
  • 0:10 - 0:15
    عند تلقي نتيجة اختبار إيجابية فرضًا، ما نقوم به هو أخذ قيمة prior،
  • 0:15 - 0:19
    ونضربها في احتمالية نتيجة الاختبار هذه
  • 0:19 - 0:24
    في حالة وجود C، ونضربها في احتمالية نتيجة الاختبار في حالة عدم وجود C.
  • 0:24 - 0:28
    إذن، هذا هو الفرع المتعلق باعتبار الإصابة بالسرطان.
  • 0:28 - 0:32
    وهذا هو الفرع المتعلق باعتبار عدم الإصابة بالسرطان.
  • 0:32 - 0:36
    عند الانتهاء من ذلك، نكون قد توصلنا لرقم يجمع بين فرضية الإصابة بالسرطان
  • 0:36 - 0:38
    ونتيجة الاختبار.
  • 0:38 - 0:41
    لكل من فرضية الإصابة بالسرطان وفرضية عدم الإصابة بالسرطان.
  • 0:43 - 0:46
    ما سنقوم به الآن هو جمع هاتين القيمتين.
  • 0:46 - 0:50
    وعادة لا يكون مجموعهما واحدًا.
  • 0:50 - 0:51
    وسنحصل على قيمة معينة،
  • 0:51 - 0:55
    ألا وهي إجمالي الاحتمالية الخاصة بنتيجة الاختبار أيًا كانت.
  • 0:55 - 0:57
    وهي في هذه الحالة إيجابية.
  • 0:57 - 0:59
    كل ما علينا فعله بعد ذلك هو تنسيق هذه القيمة الموجودة هنا من خلال قسمتها
  • 0:59 - 1:04
    على حاصل الجمع هذا.
  • 1:04 - 1:06
    ويسري الأمر نفسه على الجانب الأيمن.
  • 1:06 - 1:08
    يكون المقسوم هو ذاته
  • 1:08 - 1:13
    لكلا الحالتين نظرًا لأن هذا هو الفرع الخاص بالإصابة بالسرطان وهذا هو الفرع الخاص بعدم الإصابة بالسرطان.
  • 1:13 - 1:15
    لكن هذه القيمة لم تعد تعتمد على متغير السرطان بعد الآن.
  • 1:15 - 1:20
    ما وصلنا إليه الآن هو الاحتمالية اللاحقة المطلوبة
  • 1:20 - 1:24
    ويكون مجموع ذلك واحدًا إذا أنجزت كل شيء بصورة صحيحة كما هو موضح هنا.
  • 1:24 - 1:26
    وهذه هي الخوارزمية الخاصة بقاعدة بايز
Title:
Bayes Rule Diagram - Intro to Machine Learning
Description:

more » « less
Video Language:
English
Team:
Udacity
Project:
ud120 - Intro to Machine Learning
Duration:
01:27

Arabic subtitles

Revisions