كورس تعلم الآلة | ٢٨. K-Means Clustering: فهم خوارزمية التجميع غير الخاضع للإشراف

في هذا الفيديو نبدأ قسمًا جديدًا في التعلم غير الخاضع للإشراف (Unsupervised Learning) بالانتقال من تقليل الأبعاد إلى خوارزميات التجميع (Clustering Algorithms). رابط دفتر Google Colab مع الكود: https://colab.research.google.com/dri... نركّز على واحدة من أشهر وأبسط خوارزميات التجميع، وهي K-Means Clustering، والتي تهدف إلى تقسيم البيانات إلى عدد محدد مسبقًا من المجموعات (K) اعتمادًا فقط على بنية البيانات نفسها، دون الحاجة إلى تسميات مسبقة. ماذا ستتعلّم في هذا الفيديو؟ الفرق بين تقليل الأبعاد والتجميع مفهوم clustering في التعلم غير الخاضع للإشراف الفكرة الأساسية وراء K-Means معنى centroid وكيف يتم حسابه تطبيق عملي باستخدام Scikit-Learn تفسير النتائج بصريًا متى تعمل K-Means بشكل جيد كما نناقش: لماذا تعمل K-Means جيدًا عندما تكون المجموعات دائرية ومنفصلة العلاقة بين شكل البيانات وافتراضات الخوارزمية دور اختيار عدد المجموعات K في النتيجة النهائية