حل مشكلة الـ Overfitting باستخدام الـ Regularization | Underfitting vs Overfitting

أكبر مشكلة تواجه نماذج تعلم الآلة هي "الحفظ بدلاً من الفهم" (Overfitting). في هذا الفيديو، نشرح كيف نكتشف هذه المشكلة وكيف نعالجها باستخدام تقنية الـ Regularization لضمان عمل الموديل على بيانات جديدة. التفاصيل: Overfitting (High Variance): عندما يحفظ الموديل بيانات التدريب ويفشل في الواقع. Underfitting (High Bias): عندما يكون الموديل بسيطاً جداً ولا يفهم البيانات. Regularization: إضافة "عقاب" (Penalty) للمعادلة لتقليل تعقيد الموديل. Lambda Parameter: كيفية ضبط معامل الـ Regularization. Implementation: تطبيق الـ Regularization على Linear و Logistic Regression. recap 00:00 15:50 proplem of overfitting 25:30 addressing overfitting 40:07 cost function with regularization 49:16 regularized linear regression 57:08 regularized logistic regression Learn how to tackle overfitting in machine learning with linear and logistic regression! In this video, we cover: What causes overfitting and underfitting Strategies to collect more data for better generalization Feature selection: picking the most relevant features Regularization: shrinking parameters to reduce overfitting without losing important information Implementing gradient descent with regularization Choosing the right lambda parameter to balance fit and simplicity By the end of this video, you’ll understand how to apply regularization to avoid overfitting and improve your models, whether in regression or classification problems.