Datasets:

ismaeeelxd
/

Egyptian-Arabic-Lectures

transcription string	subject_id string	char_count int64	word_count int64	duration float64	sample_rate int64	snr float32	spectral_flatness float32	speech_ratio float64
السلام عليكم يا شباب، النهارده المحاضرة الرابعة إن شاء الله. اخدنا إيه التلات مرات اللي فاتوا؟ دي مادة إيه إن شاء الله؟ خدنا شوية pre-processing أو اللي بنسميهم الbasic text processing، كانوا ست أو سبع حاجات ولا تمن حاجات مش فاكرة. اللي هما إيه؟ stemming, lemmatization, post-tagging, named entity recognition.	nlp	310	50	30	16,000	37.837265	0.003738	0.468267
إيه تاني؟ tokenization segmentation إيه كمان؟ chunking وإيه كمان؟ الإيه؟ اللي هو الـ post tagging part of speech tagging طيب كل الحاجات دي قلنا مش شرط إن كلها تتعمل في كل application في بعض الـ applications بيعملوا كل الكلام ده في بعض الـ applications تقول لا أنا مش محتاج أعمل خطوة مثلاً post tagging مش مش محتاج أعمل s...	nlp	342	63	30	16,000	41.301025	0.002806	0.749867
Optional وحاجات بتتعمل mandatory. أه طيب، النهارده هنتكلم على إيه؟ نبدأ الشغل بقى into details إن أنا لما بدخل في الـ words نفسها والريليشن ما بين الـ words وبعد كده بعمل حاجة اسمها اطلع بقى features بتاعتي اللي هي الـ word embedding والـ word vector والـ اللي هو الـ text vector وبعد كده هنتكلم عن الـ evaluation metric...	nlp	449	81	30	16,000	38.084305	0.01656	0.8704
the quote of today هنتكلم النهارده عن إيه text corpora word meaning and relations, word embeddings, text vectors, evaluation matrix, and confusion matrix. طيب إيه هي ال corpora in NLP؟ يعني إيه corpora؟ Corpora دي كلمة بالEnglish ال plural أو الجمع بتاع كلمة إيه corpus؟ يعني إيه corpus؟ ده تعريف corpus في	nlp	306	52	30	16,000	50.844696	0.026937	0.566933
يليها أكثر من معنى. اللي يهمني فيهم المعنى الأولاني والمعنى الرابع. المعنى الأولاني بيقول لي: a large or complete collection of writings. المعنى الرابع بيقول لي: in linguistics, هي body of utterances as words or sentences assumed to be representative of an of an unused of and used for lexical, grammatical or other ling...	nlp	370	60	30	16,000	40.090775	0.002022	0.8064
هو ده اللي انا هشتغل عليه، corpus في ال natural language processing يعني مجموعة ال documents اللي انا بشتغل عليها. يعني انا عندي ال لما انا بعمل tokenization، أقل unit عندي اللي هو token. ال token بيكون sentence، ال sentence بتكون مجموعة sentences بتبقى paragraph، ال paragraph بيكون ال document. وبعد كده ال مجموعة ال d...	nlp	420	72	30	16,000	38.593082	0.00209	0.849067
فيها معاني ثانية طبعا ده من الـ website بتاع dictionary.com بس زي ما قلنا يهمني المعنى الأولاني والايه والرابع. الـ corpora في NLP هي عبارة عن إيه؟ (unclear sound) ممم؟ عايزين التكييف يا أستاذ. (unclear speech) يبقى الـ corpora	nlp	227	39	30	16,000	45.736862	0.014194	0.4368
to understand and model how language works, we need empirical evidence. Ideally, naturally occurring corpora serve as realistic samples of language. يعني إيه الكلام ده؟ corpora أو corpus أو اللي هي مجموعة الـ documents اللي عندي هي دي اللي أنا هبدأ أشتغل عليها أي application سواء بعمل information retrieval أو بعمل sear...	nlp	427	70	30	16,000	29.644466	0.003433	0.896
فال corpus غير اللي جواها the text نفسه اللي انا بشتغل عليها جواها كمان meta data. ايه هي the meta data؟ meta data عادة معناها ان هي the data of data أو the information of data. يعني الداتا نفسها اللي هشتغل عليها اللي هي the text وthe meta data اللي هو مثلا لو انا ده book فمين the author؟ the date of publishing، the to...	nlp	387	76	30	16,000	40.214645	0.023418	0.438933
next كبرى أول حاجة evaluate system لو أنا good science requires controlled experimentation good engineering requires benchmark يعني إيه الكلام ده؟ ال science لو أنا شغالة في science بيحتاج experiments عشان approve أو evaluate إن ال assumption بتاعي ده صح ولا غلط بطلع results عاملة إزاي؟ طب أنا لو شغالة engineering ده ف...	nlp	354	59	30	16,000	31.337292	0.005235	0.742933
دي عموما بيحتاج benchmark. benchmark يعني ايه؟ يعني reference للحاجة الصح. فالcorpus بتاعتي دي هي الreference اللي أنا هشتغل عليها اللي هقدر منها أقول مثلا لو هعمل classification للdocuments دي topic modeling مثلا. فأنا عارفة إن دول مثلا تبع topic معين ودول تبع topic معين وهكذا. فببقى محتاج benchmark اللي هي الحاجه الل...	nlp	419	71	30	16,000	31.260384	0.004111	0.8848
to help NLP systems work well زي الـ machine learning techniques عشان أشتغل بأي machine learning model لازم يبقى عندي dataset الـ dataset دي اللي هي الـ corpus بتاعتي اللي جواها الـ text اللي هشتغل عليها. لو أنا شغالة classification زي ما قلنا ببقى already عارفة الـ label بتاع الـ data بتاعتي. لو شغالة مثلاً supervised...	nlp	423	74	30	16,000	37.21954	0.008641	0.8176
أنا evaluate ال system بتاعي وإن أنا لو أنا هشتغل على machine learning methods أو data driven methods يبقى عندي ال data بتاعتي اللي أنا هشتغل عليها وبتساعدني في عملية ال learning وال training دي من أشهر ال corpora ال English اللي بتستخدم ده for your info وبتجاب من linguistic data consortium LDC ده من أشهر الأماكن أو ال...	nlp	325	60	30	16,000	37.363262	0.010558	0.7376
في الأول في ال university libraries يعني وشغال على ال NLP وفيها corpora كتير. من ضمنها الحاجات دي، كل واحد ال text بتاعه عبارة عن كام text، كام كلمة، عليه POS tag ولا لأ. هنا مثلا بتاع Google ال gram ده 5 مليون كتاب، 500 billion words وهكذا. فدول من أشهر ال ال English corpora data sets يعني. طب أنا هاجي في الامتحان أسأ...	nlp	329	66	30	16,000	27.860163	0.002679	0.888
هي إيه هي English data sets لا ده for your info لو حد عايز يشتغل عليهم في project بتاع المادة أو بتاع الـ طيب الـ text نفسه بقى اللي جوه أو الـ file format نفسه اللي جوه الـ corpus الـ corpus زي ما قلنا هي مجموعة الـ documents فالـ documents دي عبارة عن files ففي كذا markup format بتستخدم دايماً في الـ NLP application...	nlp	401	79	30	16,000	22.119629	0.009736	0.808
بتاعه XML قال اللي هي ال extensible markup language اللي هي بيبقى شكلها كده شوية tags شبه ال HTML بس هي extendable عن ال HTML من اشهر الحاجات اللي بتستخدم ال JSON format اللي هي ال JavaScript object notation بيبقى شكل الفايل بتاعها عامل كده بس بتتقسم بالشكل ده وفيه ال CONLL style اللي هي اختصار Conference or National L...	nlp	353	64	30	16,000	44.5709	0.007036	0.666667
بتاعها عامل كده. دول من اشهر الformats اللي بتستخدم في الtext core. ال NLTK زي ما احنا متفقين هي بتتعامل مع مع الAPIs جاهزة بتستخدم كل الformats. ندخل بقى في في في الWord Meaning and Relation. احنا اتكلمنا عن الcorpus وعلى الformats بتاعت الfiles. طيب نتكلم بقى على مستوى الكلمة بقى على الLanguage نفسه شوية.	nlp	308	55	30	16,000	39.248966	0.018406	0.436267
يعني ال word meaning and relations أنا عندي اللي قلناه لغاية دلوقتي ال word forms حاجتين يا إما word lemma يا إما word form يعني ال lemma form يا إما ال word form ال lemma form اللي هي إيه ال root بتاع الكلمة ال root الأصل بتاع الكلمة زي sing, sun, run, book طب وال word form اللي هي الكلمة اللي هي فيها inflection يعني ...	nlp	383	77	30	16,000	31.430111	0.014871	0.653867
يعني ما هيش root الكلمة زي ساني مثلا الroot بتاعها أو الlemma بتاعها سن لكن هي كده بقت إيه؟ adjective, running, bookings يعني كل الكلمات دي دي الroot اللي هي مافور وقدامها دي الword form بتاعتها. فده شكل الكلمة عموما. طب الword relations بقى؟ عندي كذا نوع من الrelation ما بين الكلمات ده based on linguistics features. ز...	nlp	326	59	30	16,000	43.420643	0.019212	0.449067
أول relation ما بين الكلمات هي الhomograph. يعني إيه homograph؟ homo يعني the same. نفس الحاجة. graph اللي هي إيه؟ الشكل. يبقى عندي أكتر من كلمة لو أنا بقول الكلمتين دول الrelation ما بينهم homograph يبقى هم ليهم نفس الspelling، نفس الشكل. نفس الكتابة. لكن ليهم different meaning ومش شرط يكون نطقهم زي بعض، ممكن يبقى زي ...	nlp	350	63	30	16,000	33.081024	0.015681	0.6464
Bow life lead ولاد Bow Bow Bow يعني في Bow دي اللي هي معناها القوس والسهم وفي Bow اللي هو بينحني في كل الكلمات دي Relationship ما بينهم Homographs Saw Saw يعني منشار أو Saw يعني حد شاف حاجة Bark ممكن Bark اللي هو Sound of the dog وممكن Bark اللي هو جذع الشجرة Bat ممكن يبقى مضرب و Bat ممكن يبقى إيه؟ يعني الثلاثة دول ليه...	nlp	376	77	30	16,000	38.474056	0.005296	0.835733
مختلف. فالhomograph يمن لي الكلمات اللي ليها نفس الspelling. في أي لغة بقى كان عربي كان English مش فارقة معايا. طب الhomophones تفتكروا هي إيه؟ homo قلنا يعني the same. same إيه؟ phone، phone اللي هو الصوت. نفس النطق بالظبط، ممكن يكون الspelling مختلف بس النطق واحد زي إيه؟ eight و eight.	nlp	288	52	30	16,000	39.108673	0.019556	0.4688
eat يعني أكل وeight يعني الساعة 8 زي إيه؟ light وlight اه night وnight اه أنا سمعاها light. Knight اللي أولها K اللي هو الفارس وnight اللي هو الليل صح طب هي دي إيه علاقتها بالـ language processing؟ هي علاقتها أكتر بالـ speech processing لو أنا بكلم voice assistant مثلاً وبقول له	nlp	279	52	30	16,000	39.277431	0.007032	0.325333
حاجة ليها علاقة مثلا to مثلا ااا ااا open ااا ااا أو مثلا set alarm to 2 o'clock عندي اتنين to أهو to و two أني واحدة وأني واحدة؟ الـ to الاولانية دي والـ two التانية اللي هي رقم اتنين فالاتنين نطقهم واحد بس مهم أوي إن أنا أعرف الـ relation ما بينهم عشان أعرف أفرق ما بين الكلمة اللي بتتقال وطبعا بيبان من إيه؟ من الـ co...	nlp	337	71	30	16,000	36.039547	0.007201	0.829333
تو بس ممكن تتكتب بالتلات طرق. تو طبعا الأخيرة نطقها ممكن يبقى مختلف شوية. mail وmale. mail اللي هو البريد وmale اللي هو المذكر. في bear وbare board وbored be وbee beach وpeach في كلمات كتيرة جدا في English. languages التانية. النوع الـ relation التالت احنا قولنا إيه؟ homophone وhomograph. النوع التالت homonym. homonym ...	nlp	338	58	30	16,000	34.417904	0.016111	0.738667
نفس spelling و sound نفس الsound يعني في الأولانية مفيش شرطة تبقى نفس الsound دي نفس الspelling ونفس الإيه الsound زي الriver bank والbank بتاع الbank اللي هو الحسابات وكده. left وleft. to the left وleft اللي هو ساب حاجة. وring وring type وtype، وfly وfly وهكذا. فده ده الdifferences ما بينهم. فانا عندي	nlp	303	54	30	16,000	39.798721	0.017582	0.368
homonym different meaning هما كلهم different meaning لأن هما two different words. بس لو هي نفس الـ spelling ونفس النطق تبقى homonym. لو هي نفس الـ نفس الـ spelling لكن sometimes different pronunciation أو خليها إن هي different pronunciation تبقى إيه؟ homograph. لو هي نفس الـ pronunciation لكن different spelling تبقى ho...	nlp	373	59	30	16,000	38.466492	0.016943	0.588267
إن هم الhomonym والhomophone شبه بعض والhomograph شبه بعض شوية. الhomonym same sound same spelling. الhomograph same spelling different sound. والhomophone، يعني الhomonym يعتبر subset من الاتنين، intersection ما بين الاتنين. الhomophone نفس الsound وdifferent إيه spelling. في relations تانية بين الكلمات؟ آه. غير بقى ...	nlp	404	54	30	16,000	31.5823	0.013433	0.749867
synonyms المضادات يعني لو احنا مش عارفينها كان English هي بالعربي كنا بنتعامل معاها كتير جدا في البلاغة ان الكلمة دي مضاد الكلمة دي يعني different words و having opposite meanings Having opposite meanings. synonyms sorry مش المضاد. synonyms اللي هي نفس المعنى. Antonym هي المضاد. Antonym هي الكلمات المضاده لبعض. Synonym...	nlp	333	54	30	16,000	35.414463	0.005208	0.7632
different words have same meaning. طب هي دي زي حاجة قلناها؟ لا. اللي فاتوا كلهم كانوا إيه؟ هنا إيه الفرق؟ إن عندي كلمتين مختلفين أصلا مالهمش علاقة ببعض لا بالصوت ولا بالspelling ولا بأي حاجة. لكن هم نفس بيؤدوا نفس الغرض بيدوا نفس المعنى. زي car و vehicle. بس يعني هي مش identical word قوي مش synonym.	nlp	300	57	30	16,000	39.469696	0.008146	0.476267
بس يعني أقدر replace دي بدي في بعض الأحيان. Big و large. convince و persuade. هما very close meaning. الantonym اللي كنت بقولها من شوية اللي هي المضاد. different words برضه بس ليهم opposite إيه meanings. زي short و long, dark و light, big و small. طب ال hypernym. الhypernym اللي هو لو انتوا يعني هشبهها بالobject orient...	nlp	360	64	30	16,000	37.397148	0.008509	0.8176
The hypernym of breath and fruit is the hypernym of apple. يبقى ال hypernym هو ال parent بتاع الايه بتاع الكلمة التانية. طب العكس بقى اللي هي ال hyponym. ال hyponym اللي هو ال child بقى نفسه in a particular member of a broader class. زي ايه؟ زي ال pigeon مثلا وال crow وال eagle وال seagull are all hyponyms of birds. يب...	nlp	389	75	30	16,000	38.787827	0.01009	0.756267
يبقى فرق بين كل نوع والتاني واعرف اجيب example color اهي red مثلا blue و green و purple اللي هو color هسميها hypernym لايه للred والred او blue بيتسموا hypernym لايه للcolor الاثنين اللي في نفس level هما parent لبعض هما sibling يعني اخوات بيتسموا co-hypernym, co-hypernym Crimson و violet و lavender كلهم نوع من انواع ال...	nlp	368	64	30	16,000	33.261246	0.015855	0.691733
واللي هو hypernym ليه فاهمين الفرق؟ ده بالنسبة كـ linguistic parts و بالنسبة بقى لل word embedding أو نبدأ نشتغل على ال features بقى نفسها يعني إيه word embeddings؟ لا مش هحطهم جنب بعض الكلمة الواحدة هقدر أعمل لها representation ب vector of numbers ما أنا في الآخر لو هشتغل على machine learning model	nlp	300	54	30	16,000	43.411236	0.01985	0.513067
لازم الكلمات دي في الآخر بتتحول أرقام. طيب فانا هحولها لـ word vectors الـ word vectors دي عبارة عن مجموعة من الأرقام. الموضوع من الأول. دي اللي هي تعتبر الـ features عندي اللي هتدخل على الـ AI model أو الـ machine learning model. Every word used in a language can be represented by set of real numbers اللي هي الـ vecto...	nlp	454	83	30	16,000	35.143475	0.010363	0.752533
الكلمات اللي ليهم معاني متقاربة او ليهم relation متقاربة من بعض هتلاقي الـ values بتاعة الـ embeddings بتاعتهم قريبة من بعض. Word embeddings are an n-dimensional vectors that try to capture word meaning and context in their values. Every word has a unique word embedding. الكلمة الواحدة ليها مفيش كلمتين ليهم نفس الـ e...	nlp	438	75	30	16,000	37.483116	0.004532	0.866133
More than vector embeddings زي ما قلنا هي multi-dimensional. Typically for a good model embeddings are between من 50 لـ 500 الـ lens للكلمة الواحدة. الكلمة الواحدة بتتوصف بـ 50 لـ 500 لـ 500 رقم. For each word the embedding capture the meaning of the word و قلنا يعني similar embeddings أو قريبين من بعض. طب جابوا الفكرة...	nlp	424	79	30	16,000	33.485874	0.015752	0.653867
أنا عايزة في الاخر أوصل للcomputer إن هو يفرق بين الكلمات دي. هو مش هيتعامل كـ text، هو هيقدر الـ computational power بتاعته هي في الأرقام. وعايزة represent الكلام ده بأرقام. هعمل إيه؟ هسأل شوية أسئلة على الكلمات دي. هل الكلمة دي حاجة حية، شيء حي؟ هل هي قادرة على التحدث مثلاً؟ هعمل هجيب شوية features كده، شوية أسئلة، و...	nlp	376	70	30	16,000	30.136862	0.003068	0.888
مذكر. هل هو حاجة ملموسة؟ هل يمكن أكله؟ هل يمكن بيعه؟ هل يمكن شرائه؟ هل يتقدم في العمر؟ فبالتالي أقدر أعمل matrix. إجابتها yes no question. هشوف كلمة كلمة من دول إجابتها على السؤال ده نعم ولا لأ. هل هذا الشيء حي؟ الصبر لأ، رجل آه، التفاحة آه، والكلب آه، والكتاب لأ. هل قادر على التحدث؟ الوحيد اللي هيبقى قادر مين؟ الكلب م...	nlp	360	70	30	16,000	27.32251	0.013601	0.745067
Error: 403 You do not have permission to access the File z0rnr6r6dtt1 or it may not exist.	nlp	90	17	30	16,000	32.832172	0.003453	0.845333
نعم الصبر ما بيتقدمش في العمر ولا حاجة ولا الكتاب. طيب فده اللي هو بداية التفكير ان انا ازاي represent الكلمة بـ feature of vectors. ممكن احولها لـ binary zeros and ones مثلا. فبالتالي عرفت اعمل لكل كلمة vector of ايه أو representation مختلفة عن التانية. إيه ميزة ده وإيه عيبه؟ ميزتها إن انا حولت من text لأرقام فالأرقام...	nlp	339	63	30	16,000	37.550701	0.006599	0.796267
tional model ونتعامل مع ارقام عيبها ايه؟ ان ال yes و no answers اللي احنا عاملينها are not enough to represent the values in words يعني for example أنا عندي هنا ال Sub كل الاجابات لا ما عدا الايه إن هو ذكر نعم لو لو جبت كلمة تانية زي الغضب مثلاً حاجة برده غير ملموسة ومبتتأكلش و و و و هالاقي نفس الـ features هالاقي نفس ...	nlp	388	80	30	16,000	37.175415	0.007933	0.835733
وزير ومون. ففي الآخر هو بيعملوا Word embedding. هيبقى أرقام كسور اللي هو أرقام فيها كسور. عشان يبقى في variance في الإيه؟ في اللي هو زي ما اتفقنا إن الكلمة الواحدة ليها vector unique vector عن التانية. هتلاقي الغضب مثلاً والصبر أرقامهم مرعبة من بعض لإن الاتنين ليهم معنى مثلاً قريب من بعض. for example كلمة lion و courag...	nlp	374	69	30	16,000	38.12558	0.015495	0.4928
vector أو أو اللي هي الـ word embedding for example إن الأرقام بتاعت line هي كده 1 2 3 4 5 features 0.5 0.3 0.9 0.2 0.1 courage هلاقيها إيه؟ 0.4 0.2 0.9 0.2 0.15 coward هلاقيها 0.1 0.9 0.1 0.8 0.8 طيب مين في دول قريبين في المعنى؟ هبص على الأرقام line و courage يعني هنا دي	nlp	272	58	30	16,000	35.990528	0.005052	0.835733
فرق 0.1 دي فرق 0.1 يعني line أقرب لـ college من أقرب لإيه؟ لـ coward وكمان college أقرب لـ line من أقرب لأنها coward. ليه؟ لأن فيه relation في الآخر في المعنى كـ linguistic ما بين الشجاعة وما بين اللسن. فهتلاقي في الآخر الـ representation قريبة من بعض يبقى قدرت إن أنا أعرف إن الكلمات دي بتيجي مع بعض أو إن هم يبقوا repr...	nlp	407	78	30	16,000	36.131824	0.006087	0.853333
example هنا في الـ using الـ Python عشان نشوفوا بس الـ اللي هو control بس size مش باينة هنا. OK هنا 26 لكن هنا النهاردة شغل	nlp	123	26	30	16,000	42.259258	0.027017	0.384
يوني دي ها شايفين ولا مش شايفين ها إيه ده كويس؟ طب لو كده أحسن The whole speech is talking about this thing, and we can make a point to say that if we convert this thing into slow English code, right? Language. That's important for us. All right? Important for the English.	nlp	273	53	30	16,000	35.515614	0.010912	0.464533
بعد كده the next the first guess what is the دون vector طبعا بيقول احنا ما عندناش ما عندناش يا ابني الـstreet يا right street يا left street فبالنسبه للـstreet لا يمكن لا يمكن تكون مش رايح له The vector اللي احنا بنحكي عليها which الـvector بتاعه هو اللي بتاعها هيطلع لي إيه؟ هيطلع لي الـvector ده زي ما	nlp	303	59	30	16,000	34.991478	0.008034	0.701333
between 0 and 1 هو تقريبا في negative يعني زي ما قلنا كل الكلمة ليها unique vector عشان تبقى unique وتديني max scores تمام تقول أولا ده كبير جدا ثانيا الvalues اللي اتدخلت بقى ما هي 0 و 1 بس يعني 0 و 1 دي مش هتكفي ان انا represent different representation لكل كلمة فلو جيت قلت له هات لي مثلا أعداد	nlp	297	62	30	16,000	33.542686	0.007063	0.822933
بتاعها إيه؟ ضلع مين؟ مين؟ 190 مين feature مين؟ طيب هنا بقول له إيه؟ هات لي برضه الـ vector بتاع frame الـ vector بتاع frame هتلاقوا إن الـ frame لو بصيتوا على الـ values هنا هتلاقيها قريبة جدا من الـ line يعني مثلا هنا 1.8 وبعدين 2.7, 2.15, 1.57 لو رحت الـ line هلاقيها values قريبة من بعض مش عارفة	nlp	298	60	30	16,000	36.851822	0.014611	0.448
أعمل back عشان التسجيل هتلاقي الـ value بتاع الـ brain فيه الـ values قريبة من الـ values بتاع الـ line لأنهم بـ represent ـوا concepts قريبة طب لو عايزين نـ represent الـ sentence كلها نعمل embedding للـ sentence كلها برضه هدي له جملة مش هدي له كلمة وأقول له الـ هات لي الـ vector بتاعها يبقى بالشكل ده طيب	nlp	307	59	30	16,000	38.719109	0.019087	0.378667
ده بيودينا لإيه؟ اتفقنا إن الكلمات اللي شبه بعض أو بـ represent concepts بنفس المعنى زي line of brave هو line of brave مش شبه بعض كمعنى لكن هم related ببعض إن الـ bravery بتيجي مع الـ line. دايما بنقول الأسد الشجاع. تمام؟ coward عكسهم الأسد ما بيجيش جبان عمره. فهتلاقي الـ values بتاعتها مختلفة. فده يؤدي لإن أنا لازم أش...	nlp	363	68	30	16,000	33.250267	0.016395	0.6816
يبقى زيه زي vector بقى. فانا اقدر لو عندي تو vectors اشوف الـsimilarity بينهم، الكلمتين دول قريبين من بعض ولا لا؟ طيب لو انا مثلا عندي ثلاث كلمات دول line و cat و fat line و cat و fat، عايز اشوف الـsimilarity ما بين كل كلمة والتانية. هشوف cat مع line و fat مع مع line فانا هعمل loop واقول له ايه؟ هات لي الـsimilarity لك...	nlp	353	73	30	16,000	40.727669	0.009875	0.699733
طبعاً ال similarity بين line و line بواحد كل كلمة ونفسها بواحد. لو جايب line مع مع cat ال similarity 0.5. ال similarity دايماً هتبقى ما بين ال zero وما بين الواحد. فهو 0.5 يعني في النص. طب line و cat هل ال line cat؟ فهو 0.399 هتلاقي طبعاً هو أقرب لل cat من انه أقرب لل bat. طب جيت عند ال cat وال bat ال similarity بكام؟ ...	nlp	365	78	30	16,000	39.451294	0.008603	0.774933
بين line و cap مش فارقة مين الأول هو نفس الـ similarity هو بيحسب الفيكتور ده والفيكتور ده ويجيب similarity ما بينهم هنقولها بعد شوية بتجيب إزاي لو جاب fat و cat هتلاقي الـ value عليت بقت 0.75 لأن الـ cat هي fat ففعلاً فيه similarity قريبة منهم مش نفس المعنى لكن هي تعتبر إيه بالنسبة لها إيه اللي إحنا قلناه من شوية hypo...	nlp	328	65	30	16,000	38.191677	0.013818	0.667733
هنا بيجيب similar to women and men. ها عالية ولا ولا مش عالية؟ عالية. هنعتبرها عالية. هي مش عالية بس هنعتبرها عالية. طيب الـ woman والـ flower. ها؟ Tree و brave، هل في أي علاقة بينهم؟ شجرة وشجاعة، مفيش أي علاقة أصلًا لا.	nlp	220	43	30	16,000	31.486488	0.018433	0.7312
بيقول لك 0.12 line هو 0.12 line اللي مقصود بيها بس line اللي تعريفه no it's what the line بس ايه المقصود ليه ليه جايب الكلمة دي يعني عشان نقول ان هو مش بيشوف ان هي مثلاً يعني deadline جزء منها كلمة line ف هل هو ال similarity ان هو بيقيس ان الكلمة دي نفس الكلمة دي ك spelling لا هي resemblance ما بينهم 0.12 مالهاش علاقة ...	nlp	370	79	30	16,000	27.119837	0.003076	0.896533
بتاعتي عاليه جدا. طيب عندي إيه تاني؟ الsimilarity على مستوى الجملة بقى. I love school و I hate school. هلاقي إيه؟ عالية جدا. ده صح ولا غلط؟ المفروض إن هي تبقى عكسها فميبقاش الsimilarity عالية كده. فالsimilarity على مستوى الجملة في الspace مش بتطلع حاجة accurate أوي يعني لأن هو هياخد إن الI مع الI نفس الكلمة school و sc...	nlp	346	66	30	16,000	36.098186	0.006685	0.806933
opposite فهتلاقي عشان كده مطلع value كبيرة وهي المفروض إن دي عكس دي في المعنى This file is awesome I love it. But this file is boring, I hate it. مطلع إيه؟ 0.95 طب ده يدل على إيه؟ لا يعتمد عليه في في الـ Sentiment analysis إنه مطلع الجملة اللي بتقول حاجة positive قريبة في المعنى من الجملة اللي بتقول حاجة negative. فبال...	nlp	324	63	30	16,000	40.286793	0.011003	0.733333
مبنشتغلش عليه في ان انا اجيب the similarity واقولش ان خد الجملة دي بقى وقيس لي بقيت الجمل وكل الـ similarity عالية يبقى ده كده كلهم positive لا دي واحدة positive وواحدة negative ومطلع لي الـ similarity على مستوى الجملة عادي فهو بيطلع مظبوط على مستوى الكلمة. ايه بقى the techniques اللي بعمل بيها the word embedding؟ عندي...	nlp	418	73	30	16,000	38.416447	0.017625	0.666133
Error: 403 You do not have permission to access the File x8e4vd24etra or it may not exist.	nlp	90	17	30	16,000	27.962772	0.015955	0.607467
objects, as I am a normal representation. هيبقى عندي matrix 1 of one one one of N, يعني إيه one of N؟ يعني بالشكل ده. عندي مثلاً 1 2 3 4 5 6 7 8 9 كلمات. بعمل matrix N في N بعمل matrix N في N بـ represent الـ 9 كلمات دي. أول كلمة hand	nlp	234	56	30	16,000	38.688835	0.009905	0.6352
اللي كانوا عاملين 1 وهما بيتكلموا عن 3D screen يعني mono طيب 9 كلمات دول 9 column هاجي عند الكلمة 1 قصادها 1 في 1 إيه؟ bit والباقي بـ zeros. الكلمة 2 قصادها 1 في 2 bit والباقي بـ zeros وهكذا فهنلاقي الـ diagonal ده هو بقى 1، هو ده الـ representation، دي اللي بتسمى الـ one-hot encoding. 1 * 9 vector تمام؟	nlp	305	63	30	16,000	31.843107	0.006281	0.8048
لو عايز حاجة زي كده Cat dog lizard أهم هتلاقي إن الـ cat و dog و lizard هما تلاتة فكل واحدة الـ matrix بتاعها واحد في تلاتة وفيها 1 بس قصاد الـ instance بتاعت الكلمة دي و zeros في الباقيين، فنعتبر إن الـ cat دي أول كلمة فـ 1 هنا والباقي zeros. Dog دي تاني كلمة فـ 0 0 في النص 1. Lizard 0 0 1. طب لو زودت حاجة كلمة كمان؟ ...	nlp	331	74	30	16,000	27.309725	0.014605	0.821867
هيبقى ال length بتاعي فطبعا ده مش مش efficient. أنا لو عندي 50,000 كلمة يبقى عندي matrix 50,000 ب 50,000 و 49,999 منهم ب zero وواحدة بس اللي ب 1. فطبعا ده تضييع وقت وتضييع resources على الفاضي. بيستخدم memory كتير جدا على الفاضي. ال matrix is very sparse يعني made up of zeros اغلبيتها zero فده ده مش representation كويس...	nlp	378	71	30	16,000	27.482836	0.003305	0.893333
مش موجودة. مفيش مثلاً إن دي قريبة من دي فيبقى في value مشتركة مثلاً أو حاجة. ف بتعمل assumption إن الكلمات distinct وملهمش علاقة ببعض وده طبعاً مش صح تماماً. فما هياش أحسن حاجة لعمل الـ embeddings. نيجي نتكلم بعد كده عن الـ text vectors، يعني إيه text vector؟ اتفقنا إن الكلمة عندي هـ represented بإيه؟ بـ vector. فده هي...	nlp	343	64	30	16,000	37.389706	0.016731	0.424
لو عندي مثلا كلمات زي king و man هلاقيهم قريبين من بعض لو انا بعمل visualization. Queen و woman قريبين من بعض، King و queen قريبين من بعض. إنما king و woman بعاد، لأن ال representation بتاعتهم هتبقى ده ماشي كده وده ماشي كده. فكل كلمة قريبة من الكلمات زي نفس فكرة ال ontology بس هنا بالأرقام بقى. Ontology إحنا كنا قلنا إ...	nlp	372	73	30	16,000	27.757755	0.014514	0.905067
الكلام بس بال representation بقى ك vectors إزاي؟ يعني لو أنا عاملة representation للكلمة لـ لـ given إن الـ الـ capital of USA هي واشنطن وأنا عندي الـ vector ده والـ vector ده، وعندي البلد اللي هي Russia روسيا أقدر باستخدام التلاتة given vectors دول أجيب الـ capital of إيه؟ of Russia وهي unknown بالنسبة لي فقدرت إن أنا...	nlp	329	61	30	16,000	36.114059	0.012634	0.492267
عايز أوصل للـ Information اللي أنا ما كانش عندي. For example لو أنا عندي US في Cartesian Point 5 و 6، وعاصمتها في 10 و 5 اللي هي Washington. طيب وعندي Russia أهي في 5 و 5. أقدر بشوية mathematics أجيب يبقى بالتقريب كده عاصمتها فين في الحتة دي. ده منين؟ 5 و 6 ودي 10 و 5. هعمل ده minus ده.	nlp	287	62	30	16,000	31.506403	0.014563	0.682667
هتديني كام؟ خمسة و negative واحد. طيب أجمعه على الـ على الـ vector ده هيديني كام؟ 10 و 4. أشوف 10 و 4 معنديش point أو معنديش كلمة في 10 و 4. تبقى أقرب كلمة ليها إيه؟ موسكو اللي هي 9 و 3. يبقى برضه إن أنا represent الـ goals بتاعتي كـ vector هتساعدني إن أنا في الـ information retrieval أو question answering أو كده. يعني...	nlp	401	82	30	16,000	26.914894	0.003039	0.8976
كذا أقدر أجيب رشه عندي في vector كذا يبقى أقدر detect مين predict ال character of A of رشه. وكمان بتفيدني في ال word analogy. يعني إيه ال word analogy؟ إن الكلمات زي ما قلنا اللي قريبة من بعض هي كلمات شبه بعض أو في نفس ال context. زي مثلاً King for Queen أو ال relation ما بين King for Queen هي هلاقيها نفس ال relation...	nlp	346	71	30	16,000	35.674576	0.015968	0.712
لو عملت ده ال factor ده minus ال factor ده هلاقي نفس ال value بتاع ده minus ده. France و Paris هي نفس ال relation أو نفس ال difference ما بين Germany و Berlin. Japan و Japanese هلاقي ال representation نفس ال difference ما بين China و Chinese. Brother و Sister هي نفس ال relation ما بين Uncle و Aunt. الكلام ده فين؟ في ال...	nlp	388	78	30	16,000	35.691353	0.00845	0.7824
في الرابع طيب عشان اجيب الـ word similarity أو ازاي أن الكلمة دي قريبة من الكلمة دي حاجه عندنا أكثر من طريقه أولها الـ Euclidean distance. ايه هي الـ Euclidean؟ ارجع للـ mathematics. لو عندي two points في الـ Cartesian P و Q. الـ Euclidean distance ما بينهم ايه؟ ايوه حاجه عندنا	nlp	278	52	30	16,000	41.307178	0.022529	0.4992
ها أهيه ودي distance P Q هي الـ square root لكل الـ Q minus الـ P I square. لو هما 2 dimension يعني Y1 مثلا minus Y2, sorry Y2 minus Y1, plus X2 minus X1 ده square وده square وكلهم تحت الـ square root. وصلت؟ دي الـ Euclidean distance. لما بحسب الـ Euclidean distance لو عندي 4 vectors مثلا أو 3 vectors أقدر أشوف	nlp	312	64	30	16,000	35.508755	0.004194	0.685333
أي vector أي كلمة أي representation لكلمة أقرب لكلمة من التانية. هي الـ similarity. طيب ممكن كمان أحسب الإيه؟ الـ similarity بالـ cosine، الـ cosine similarity كانت بتقولي إيه؟ ها؟ آدي الـ Q والـ D2 مثلاً. الـ Euclidean distance أهي، اللي بالأحمر ده. طب الـ cosine similarity؟	nlp	276	47	30	16,000	34.460281	0.015569	0.5792
هي الAngle اللي بينهم طيب مين أحسن في الحالة دي هما في الواقع بعينك كده هم قريبين لبعض ولا بعاد Q و T2 هما قريبين طيب مين هنا تدي similarity أحسن الAngle الAngle هنا قريبة من بعض لكن الEuclidean distance لو حسبتها على هي بعيدة فالcosine similarity بتدي better results اللي هي فعلا بتقيس الAngle اللي ما بينهم وده بيدل عل...	nlp	367	70	30	16,000	29.555508	0.002285	0.844267
لو اديت distance في نفس الـ 2 vectors هلاقيها opposite الـ cosine similarity طبعًا الـ range بتاعها من negative 1 لـ 1 لو اديت 1 معناها إن الـ angle يا zero يا 360 يعني هما similar words, similar vector لو اديت negative 1 يبقى هما opposite words كل واحدة ماشية في اتجاه الـ angle ما بينهم 180 لو اديت zero يبقى هما إيه؟ ...	nlp	391	78	30	16,000	32.689579	0.017921	0.864
ودي 1 هي ال distance ما بين ال vectors دول. ما بين ال vector اللي بالازرق وال vector اللي بالاورنج. ودي 2 هي ال distances ما بين ال vector اللي بالاورنج وال vector اللي بالاخضر. بال Euclidean distance اقدر اقول مين اقرب لمين؟ هلاقي ان دي 2 اصغر من دي 1 صح؟ لكن هما في الواقع انهي vector اقرب للثاني؟ يعني انا لو جبت ال E...	nlp	369	75	30	16,000	34.118153	0.005636	0.7616
يعني هو هنا ده بيقول إيه كلمة disease وكلمة X كلمتين هما دول ال X وال Y بتوعنا. الcorpus بتاعت الfoot والagriculture والhistory. مين فيهم قريبة لكلمة disease ومين فيهم قريبة لكلمة X. الfoot هتلاقي أعرب حاجة لل X أهو. الagriculture هتلاقيها واخدة من هنا على هنا ممكن تتكلم عن diseases ممكن تتكلم عن X. الhistory مش هتتكلم...	nlp	369	67	30	16,000	36.267387	0.006147	0.810133
الـ vector بتاع الـ history corpus أقرب للـ disease. طيب لو أنا عايزة أشوف بقى كـ Euclidean distance كـ mathematics هلاقي إن الـ food أقرب للـ agriculture ولا الـ history أقرب للـ agriculture؟ كـ Euclidean distance يبقى هي دي أقرب، يبقى أنا بقول إن الـ history أقرب لـ agriculture. لو حسبت cosine similarity مين اللي أقر...	nlp	405	71	30	16,000	32.690224	0.004366	0.869333
Error: 403 You do not have permission to access the File uqoojrs27ku5 or it may not exist.	nlp	90	17	30	16,000	35.983944	0.008102	0.777067
similarities لو هما بن على مستوى الكلمات فهما زي ما قلنا الـ angle ما بينهم 90 فدول dissimilar لو حاجة في النص كده يبقى يبقى أو two vectors identical على بعض يبقى هما إيه synonyms أو similar إيه words. طب الـ cosine بقى similarity بتتحسب أصلاً إزاي؟ لو عندي الـ two vectors A و B كان الـ cosine theta الـ angle اللي ما ب...	nlp	335	68	30	16,000	35.593895	0.029201	0.806933
موجودة على الـ norm بتاع ده في الـ norm بتاع ده يعني لو عندي هنا هوت الـ ادي اهي نفس نفس الـ figure ده الـ agriculture وده الـ history تمام لو عندي ده اسمه vector V وده ده W لو عايز اجيب cosine الـ BETA هي vector V في vector W على الـ norm بتاع V في الـ norm بتاع W والـ norm اللي هو الـ square root of summation بتاع ال...	nlp	325	73	30	16,000	34.135643	0.015675	0.663467
vector square نرجع بقى للmathematics والdot product دهت عباره عن إيه؟ الsummation بتاع الtwo vectors في بعض أو الCartesian points بتاعتهم في بعض والsummation بتاعهم الvector ده الdot product بيدي scalar بيدي رقم example بقى عندي document 1 فيه جملة data is the oil of the digital economy document 2 بيقولي data is a new ...	nlp	350	59	30	16,000	35.073212	0.01581	0.6736
بقى عندي أو أنا ممكن detect هو أنا أعملها بالfrequency أعملها بالإيه بالfrequency بس هو رتبهم الأول رتبهم alphabetically عشان كده ال-2 دي اللي هي بتاعة ال-the هنا مكررة مرتين ف-2 هنا ب-represent ال-frequency بتاعت الايه ال-the هي هتبقى alphabetically بعد data وبعد الكلمات كلها ترتيبها زي data, digital, economy	nlp	312	50	30	16,000	34.255501	0.007891	0.608533
اعتبره 101000 همم زي الـ1 جايه مرة والـzero جايه مرة والباقي إيه بأصفار. ده اعتبر إن هنا هيستخدم الـfrequency بتاعة الكلمة هي دي الـfeature بتاعه. طيب هيعمل إيه بعد كده؟ عايز أجيب الـsimilarity ما بين الـ2 vectors دول. هتتجاب إزاي؟ الـdot product ها 1 * 1 + 1 * zero + 1 * zero	nlp	277	54	30	16,000	40.19101	0.018229	0.672533
plus 1 times 1 plus zero times 1 plus 1 times zero plus 1 times 1 plus 2 times zero. كل 2 هضربهم في بعض واجمعهم هتديني scalar value في الآخر اللي هي 3. ده مين؟ ده numerator البسط. المقام عبارة عن إيه؟ بجيب الnorm بتاع الA والnorm بتاع الB. الA اللي هي document 1 والB اللي هي document 2. بجيبها إزاي؟ squaring بتاع كل ده...	nlp	399	79	30	16,000	35.879921	0.003316	0.843733
روت 10 في روت 4. ادتني روت 4. the cosine similarity بينهم بكام؟ 3 over روت 10 في روت 4 هتديني the value دي. اتفقنا إن هي ما بين zero ما بين negative 1 و 1. ما بين negative 1 و 1. ادتني أهو 0.47. positive و قريبة للـ 0.5 فـ تُعتبر إن الـ 2 documents قريبين من بعض. فعلًا الـ 2 documents نفس الإيه؟ المعنى تقريبًا أو بيتكل...	nlp	433	89	30	16,000	25.761658	0.002767	0.902933
عشان اعرف إيه الضبط في Cosine Similarity بالظبط. يبقى الـ Cosine Similarity is better metric than Euclidean distance. Euclidean distance. ليه؟ لأن هي بتقيس الـ angle اللي ما بين الـ two vectors ودي هي better representation ليه. الحاجة اللي هنتكلم عليها بعد كده الـ evaluation metrics. لو أنا عملت بقى أنا الـ BI applicat...	nlp	423	71	30	16,000	39.169418	0.018783	0.748267
ماشي هما دول اشهر حاجات بتستخدم في ال NLP. حاجة اسمها ال Precision اللي هو معامل الدقة، ال Recall معامل التذكر، ال F-score هو اسمه كده F-score أو F-measure أو F1 score أو F1 measure هي دي حاجة harmonic measure ما بين الاتنين وهجيبها في الاخر بال confusion matrix بتجاب ازاي برضو عن طريق الايه ال classification. طيب إيه ...	nlp	348	65	30	16,000	36.917866	0.015605	0.693333
جبت الtext اللي راجع لي لو أنا بتكلم مثلا في information retrieve research engine هو رجع لي قد إيه معلومات صح أو قد إيه documents relevant بس تمام؟ بمعنى إيه؟ Precision evaluates the fraction of correct classified instances among the one classified as positive. يعني أنا لو عندي أنا بتكلم هنا في الـ information	nlp	311	54	30	16,000	34.944084	0.006855	0.3728
retrieval مثلا دي ال corpus بتاعتي ال documents اللي هي ال circle اللي هي ال dash دي ال corpus بتاعتي شايفينها؟ طيب هنا دي ال retrieved document ودي ال relevant document ال circle دي documents أنا عملت عملت search على query رجع لي documents معينة اللي هم المجموعة دي المفروض كان يرجع لي إيه؟ المجموعة دي ال common ما بين...	nlp	322	60	30	16,000	35.995308	0.010423	0.696
is my relevant retrieve اللي هما فعلاً رجعهم لي وهم relevant لو كان في حاجات رجعها لي مش relevant وفي حاجات relevant ما رجعهاش احفظوا الكلام ده كويس طيب يبقى الـ document عندي relevant documents وretrieved documents. الحته الـ common دي اللي هي الـ relevant retrieve Precision بقى عبارة عن إيه بالنسبة للـ information re...	nlp	438	75	30	16,000	33.618542	0.015784	0.8208
the total number of documents that are retrieved على أنهي circle؟ اللي الناحية دي يبقى تاني هي الـ percentage مش percentage هي الـ ratio ما بين عدد الـ documents اللي هما رجعهم لي اللي هي الـ intersection على الـ circle اللي على اليمين اللي هو رجع لي كام document يعني كام في معاملة دقة؟ كام documents من الاخر بالبساطة ...	nlp	378	69	30	16,000	32.059013	0.003983	0.7808
Error: Timeout of 600.0s exceeded, last exception: 503 IOCP/Socket: Connection aborted (An established connection was aborted by the software in your host machine. -- 10053)	nlp	174	25	30	16,000	35.428024	0.005866	0.775467
total relevant document in the corpus 80 calculate the precision factor of this search query يعني يعني هو المفروض يرجع كام document 80 رجعلي كام؟ 60 ال precision كام؟ 60 على 100 ماليش دعوة بال 80	nlp	195	36	30	16,000	42.675865	0.015768	0.388267
ماليش دعوة بالـ 80. يبقى الـ 60 ده اللي هما الـ relevant retrieves. هي بس هنا مش واضحة شوية عايز أبقى أزود كلمة الـ relevant retrieve 60. المفروض كان يرجع الـ relevant كلهم اللي هما 80. فالـ precision هي دقة الـ retrieve اللي عندي اللي هو رجع 60 من الـ total 100 اللي عندي. هو ده مين؟ Precision طب الـ recall؟	nlp	309	61	30	16,000	38.794533	0.014976	0.6784
وعامل الإيه التذكر بقى. اللي هو هيكون ايه؟ نفس الـ 60 على كام؟ الـ relevant retrieved اللي هم الـ intersection اللي هو ارجعهم لي و relevant. بس المرة دي الـ denominator هيختلف. على total number of relevant documents اللي هم كام؟ 80 يعني لو نفس الـ نفس الـ values	nlp	262	49	30	16,000	34.203812	0.027452	0.632
هتبقى 60 على 80 يبقى التذكر هو رجع لي كام في الميه صح من المفروض يرجعهولي انما الدقة هو كام من اللي رجعهم لي هم صح. طيب نيجي للF score بقى الF score أو الF1 measure هحسب ال precision وال recall واعمل حاجة اسمها ال harmonic ايه mean هو مش ال مش ال average بتاعهم هو harmonic mean بتاعهم يعني هضرب ال precision في ال recal...	nlp	321	66	30	16,000	37.933022	0.014936	0.4144
في اتنين واقسم على مجموعهم. هيديني رقم برضه من zero ل1. ال precision وال recall وال F score التلاتة بيدوا values من zero ل1. كل ما قربت لل1 يبقى أنا كده ال accuracy بتاعتي كويسة. كل ما قربت لل zero يبقى أنا ال accuracy بتاعتي ضعيفة. يعني في ال problem اللي فاتت لو عايز أحسب ال F score هتتحسب ازاي؟ ال ال اللي فاتت دي جا...	nlp	406	85	30	16,000	38.142933	0.016025	0.509867

End of preview. Expand in Data Studio

Egyptian Arabic Lectures Dataset

The Egyptian Arabic Lectures dataset is a collection of transcribed audio clips (around 30 hours) extracted from educational lectures delivered in Egyptian Arabic (with mixed English technical terms, such as in Physics, IoT and Operating Systems etc.). It is designed to train, evaluate, and fine-tune Automatic Speech Recognition models for the Egyptian dialect, specifically in educational and academic CS contexts.

Alongside the audio and text pairs, the dataset provides comprehensive metadata for audio quality and characteristics, including Signal-to-Noise Ratio (SNR), spectral flatness, and speech ratio, making it highly useful for audio processing and filtering.

Dataset Description

This dataset has been developed during our graduation project to fine tune OpenAI's whisper mainly but it can be used to fine tune other ASR models aswell. All samples are resampled at 16khz and segmented into 30 seconds chunks. I'll dive into the dataset curation process since it's important to be noted. The lectures are publicly available on YouTube. All transcriptions are generated by Gemini and reviewed by us to ensure the accuracy of the transcriptions. Transcriptions also have been processed to normalize all slang talk to be unified across the dataset such as "برضو" to be "بردو" etc..

Curated by: Alhasan Muhammed, Eslam Khaled, Abdelaleam Ehab, Basel Muhammed, Basmala Abdelwahab and me
Language: Code Switched Egyptian Arabic
License: MIT

Dataset Sources

Recorded Lectures on YouTube.
Recorded Lectures on our university's LMS.

Usage

You can load the dataset directly using datasets library from Hugging face:

from datasets import load_dataset

# Load the dataset
dataset = load_dataset("ismaeeelxd/Egyptian-Arabic-Lectures")

# Access the first example in the train split
sample = dataset["train"][0]

print("Transcription:", sample["transcription"])
print("Subject:", sample["subject_id"])
print("Audio Array:", sample["audio"]["array"])

Audio processing note

The audio files are provided in .mp3 format and are resampled at 16kHz. When feeding this data into ASR models like Whisper or Wav2Vec2, make sure to resample the audio if your specific model requires a different input sampling rate.

Downloads last month: 184