ملخص الزنقة لأهم الاشياء الي تكررت في النماذج والي بذاكرها للميد (لاتعتمدوا عليها بالكامل) حبيت ارسلها للي وده يستفيد

هذي عندي ربط اعتمدته في الميد وثابت للحين:

شركة STC عندها كواليتي لأن موظف الاتش ار يتواصل مع العميل عشان يناقش المخاطر المرتبطة بالمشتريات

شرح EVM من نموذج اصف بشكل واضح وبسيط.

السؤال الي شرحته

بالنسبة لنواتج ال CPI و SPI افهموها كذا احتياطًا للي مو عارف.

مراجعة شابتر 4 بدون الكلام الزائد والمعادلات 5 صفحات

ملف مراجعة سريع لكل البروسيس الي في الكتاب

هذا ملف اختياري جمعته من اختبارات سابقة

ربط أم سماح لضمان الدرجات والنجاح اختياري

تكرار الربط للنموذج الثاني كمراجعة

مع انها حرفيا بالفهم بس راجعوها عالسريع ممكن تجي

اللهمّ إني أستودعك كلّ ما قرأته وكلّ ما حفظته وتعلمته، فأسألك أن تردّه إلَيَّ عند الحاجة له، فأنت
القادر على كل شيء.

اللهم يا رب العالمين، إنِّّي توكلت عليك وسلمت أمري كلَّه إليك، لا ملجأ ولا منجى منك إلا َّ إليك.

لاتنسونا من دعواتكم🤍.

الربط ماجاب حتى درجة النجاح يا أصف ايش ذا الاختياري الي اول مرة اشوفه

-اذكر انواع الml الاربعة
-اذكر الدوال حق الsupervised الثنتين مع امثلة
-اذكر الدوال حق الfeature enigeering
-ايش هو الfeature و الLable و مثال عليهم باستخدام dataset
-الفرق بين binary classification and multiclass
لونغ
-اذكر الثلاث steps حق الproblem framing
-اشرح خصائص الdataset الجيدة

نماذج

لعل هذي الرسالة تساعد الناس الترم الجاي يكون عندهم تصور عن الاسئلة اللي جت بحكم انه مافي نماذج 📋

شورت :
-تفريق بين الكلاسفيكشن & ريقريشن + امثلة
One hot encoding مع مثال-
-تعريف Gradient decent
Three Problem framing in ML-
-انواع الـ Naive Beyes الثلاث
تعريف PCA

لونق :
- مواصفات unreliable dataset

-KNN 3 advantages 3
disadvantages

-لونق من شابتر 7 حق ريكومنديشن سيتسم معرف وش هو

اختياري :
كلها تعاريف سهلة ومفهومة
-تعريف model
-تعريف ال generative AI
-تعريف يتضمن weight and bias
الـ weight كانت مفقودة وهي الاجابة
-الـ ROC اسمه الثانية بوزتيف ريت
-شي حول الـ KNN كلستر وش تسوي
-اختياري عن الـ sigmoid function
حطيت الاجابة minimize distance….الخ

SECTION – A (15 MARKS)

Answer ALL questions. Each question carries ONE mark.

1.1 Machine learning (ML) is the process of training a piece of software, called a __, to make useful predictions or generate content from data.
• a. Label
• b. Model
• c. Policy
• d. Feature

1.2 Generative AI is a class of models that called from user input.
• a. create content
• b. cluster data
• c. predict numbers
• d. store features

1.3 A is the is a value distant from most other values in a feature or label.
• a. predication
• b. statistic
• c. outlier
• d. label

1.4 Binning is a feature engineering technique that groups different numerical subranges intofrom dat
• a. clusters
• b. scores
• c. labels
• d. bins or buckets

1.5 In ML, we write the equation for a linear regression model to calculate the bestware, caand bias.
• a. boundary
• b. threshold
• c. weights
• d. metric

1.6 The label in logistic regression is typicallyess of t
• a. categorical
• b. continuous
• c. random
• d. log

1.7 A logistic regression model uses aing (ML)function to convert raw predictions into probabilities.
• a. square
• b. sigmoid
• c. softmax
• d. log

1.8 Decision trees are usually represented with theed a ___at the top.
• a. leaf
• b. condition
• c. tree
• d. root

1.9 The KNN algorithm is also part of a family ofhe procemodels.
• a. lazy learning
• b. unsupervised learning
• c. random
• d. random forest

1.10 The ROC curve is drawn by calculating thepiece ofand false positive rate at every possible threshold.
• a. probability
• b. classification
• c. true positive rate
• d. recall

1.11 In k-means clustering, the algorithm groups points into k clusters by:
• a. maximizing entropy
• b. minimizing the distances between each point and its cluster’s centroid
• c. assigning based on feature ranks
• d. maximizing intra-cluster distances

1.12 Centroid-based clustering organizes the data into:
• a. continuous clusters
• b. overlapping clusters
• c. hierarchical clusters
• d. non-hierarchical clusters

1.13 The term ‘items’ in recommendation systems refers toue that
• a. user inputs
• b. ranking metrics
• c. entities a system recommends
• d. system logs

1.14ng (ML) is a mapping from a discrete set to a vector space.
• a. Re-ranking
• b. encoding
• c. Scoring
• d. Embedding

1.15ss of trfeedback requires users to indicate their interests proactively.
• a. Neutral
• b. Explicit
• c. Implicit
• d. Passive

⸻

SECTION – B (5 × 3 = 15 MARKS)

Answer any FIVE questions. Each question carries THREE marks.
2. Mention the difference between classification and regression in supervised learning. Give an example for each.
3. Briefly explain the purpose of one-hot encoding. Give an example.
4. Define gradient descent.
5. Define the three tasks involved in framing a problem in machine learning terms.
6. List three types of Naive Bayes classifiers.
7. List three types of Naive Bayes classifiers.
8. Briefly define Principal Component Analysis (PCA).

هذي كانت من نماذج من قبل