Linear Algebra for machine learning in Arabic

الدورة دي مصممة علشان تقدم لك فهم مبسط لأهم مفاهيم الجبر الخطي (Linear Algebra) اللي بيحتاجها أي حد بيشتغل أو بيتعلم في مجال تعلم الآلة (Machine Learning). هنركز على ربط المفاهيم الرياضية بالتطبيقات، وهنستخدم أمثلة بصرية علشان توصل الفكرة بشكل واضح.

هنبدأ بشرح الفرق بين الـ Scalars (القيم العددية) والـ Vectors (المتجهات)، وهنشوف إزاي ضرب Scalar في Vector.

هنتكلم عن قياس التشابه بين المتجهات باستخدام طريقتين مهمين:

Cosine Similarity: وهنشرح إزاي الزاوية بين المتجهات بتعبّر عن مدى التشابه في الاتجاه.

Euclidean Distance: وهنشوف إزاي المسافة الفعلية بين النقاط بتحدد درجة الاختلاف.

بعدها هنتكلم  في الـ Dot Product (الضرب الاتجاهي)، وهنفهم دوره في تحديد العلاقة بين المتجهات.

ثم هننتقل لمفاهيم المصفوفات:

Determinant (المحدد): وهنشرح إزاي بيعكس خصائص المصفوفة، وهل فيها حل أم لا.

Inverse Matrix (المصفوفة العكسية): وإيه الشروط اللي لازم تتحقق علشان تكون موجودة.

Matrix Rank (رتبة المصفوفة): وهنفهم معناها، وإزاي بتحدد عدد الحلول الممكنة للنظام.

Singular Matrix (المصفوفة المفردة): وهنوضح ليه بعض المصفوفات ملهاش عكس، وإيه تأثير ده على النماذج.

بنهاية الدورة، هتكون قادر على:

التفرقة بين الـ Scalars والـ Vectors وتطبيقهم في سياقات الMachine Learning.

استخدام Cosine Similarity وEuclidean Distance لقياس التشابه بين البيانات.

فهم وتطبيق الـ Dot Product في تحليل العلاقات بين المتجهات.

تحليل خصائص المصفوفات باستخدام المحدد، والعكس، والرتبة.

التعرّف على المصفوفات المفردة وإزاي تتعامل معاها في النماذج الرياضية.