Session 4 | Logistic Regression & Classification | Machine Learning Workshop

Welcome to Session 4 of the Machine Learning Workshop! In this session, we dive deep into Decision Trees, exploring how they handle classification and regression tasks, how model evaluation metrics work, and how to prevent overfitting through regularization. 📚 What You Will Learn in This Session:Introduction to Decision Trees: Learn how models mimic human logic using root nodes, branches, and leaf nodes. Impurity & Information Gain: Understand how Entropy measures data disorder and how Information Gain helps select the best features to split. Regression Trees: Explore how trees predict continuous numerical values using variance (Mean Squared Error) reduction. Model Evaluation: Master the Confusion Matrix, and learn the critical differences between overall Accuracy and the quality of positive predictions via Precision. Regularization & Overfitting: Discover why unpruned deep trees memorize training data and how regularization ensures real-world success. Hands-On Coding: Follow along with the practical notebook walkthrough in Google Colab. 🔗 Resources & Links:Access Workshop Materials & Code: https://drive.google.com/drive/folder... forget to Like, Share, and Subscribe for more machine learning content! Drop any questions you have in the comments below.[AR] Arabic Description / الوصف بالعربيةأهلاً بكم في الجلسة الرابعة من ورشة عمل تعلم الآلة (Machine Learning Workshop)! في هذه الجلسة، نتعمق في دراسة شجار القرار (Decision Trees)، وكيفية استخدامها في مهام التبويب (Classification) والانحدار (Regression)، بالإضافة إلى طرق تقييم النماذج ومنع فرط التخصيص (Overfitting) عبر التنظيم (Regularization). 📚 ماذا ستتعلم في هذه الجلسة:مقدمة عن شجار القرار: كيف تحاكي النماذج المنطق البشري باستخدام عقدة الجذر، الفروع، والأوراق. الشوائب ومعلومات الكسب (Entropy & Information Gain): فهم كيفية قياس "العشوائية" في البيانات وكيف يساعد الكسب في اختيار أفضل الميزات. شجار الانحدار (Regression Trees): استكشاف كيفية التنبؤ بقيم رقمية مستمرة باستخدام تقليل التباين (Variance Reduction). تقييم النموذج: إتقان مصفوفة الارتباك (Confusion Matrix) والفروق الحاسمة بين الدقة الإجمالية (Accuracy) ودقة التنبؤ الإيجابي (Precision). التنظيم وفرط التخصيص: مخاطر الشجار العميقة غير المقلمة وكيف تضمن تقنيات التنظيم نجاح النموذج في العالم الحقيقي. تطبيق عملي: متابعة الكود والشرح العملي عبر جوجل كولاب. 🔗 الروابط والمصادر:رابط ملفات الورشة والمادة العلمية: https://drive.google.com/drive/folder...