نموذج ذكاء اصطناعي لكشف الاحتيال في بطاقات الائتمان

لقد طورت نموذج كشف احتيال البطاقات الائتمانية (Credit Card Fraud Detection Model) الذي يهدف إلى تمييز المعاملات الاحتيالية من المعاملات الصحيحة باستخدام تقنيات تعلم الآلة. فيما يلي أبرز مكونات المشروع والمهام التي قمت بها: المهام التي قمت بها ضمن المشروع تحليل البيانات وتنظيفها: استكشاف الخصائص، التعامل مع القيم المفقودة، وتصحيح التباينات في البيانات اختيار الميزات (Feature Engineering) وتحليل الارتباطات بين المتغيرات لتقوية أداء النموذج تدريب ومقارنة عدة نماذج (مثل Logistic Regression، Random Forest، وXGBoost) مع تقييم الأداء عبر مؤشرات مثل الدقة (Accuracy)، الاسترجاع (Recall)، F1-score، ROC-AUC، وغيرها تحسين المعاملات (Hyperparameter Tuning) باستخدام أدوات مثل RandomizedSearchCV أو Optuna تحديد العتبة المثالية (Threshold) لقرار التصنيف بين المعاملات الاحتيالية وغير الاحتيالية، لتحقيق توازن بين استدعاء الاحتيال والدقة حفظ نموذج XGBoost المدرب مع العتبة النهائية لاستخدامه لاحقًا في التنبؤ عرض نتائج الأداء وتفسيرها، ومقارنة النماذج المختلفة، وتحليل الأخطاء التقنيات والأدوات المستخدمة لغة Python مكتبات مثل scikit-learn، XGBoost أدوات استكشاف وتحليل البيانات: Pandas، NumPy أدوات التصوير البصري والرسوم البيانية: Matplotlib، Seaborn أطر تحسين المعاملات مثل Optuna تنسيق المشروع ضمن دفتر Jupyter Notebook (ملف .ipynb) حفظ النموذج النهائي في ملف ثابت (مثل .pkl) مع ملف تحديد العتبة النتائج والإنجازات حصل النموذج المحسّن على أداء مرتفع جدًا وفق مقاييس مثل ROC-AUC وF1 مقارنة شاملة بين النماذج المختلفة أظهرت أن النموذج المُحسَّن باستخدام XGBoost هو الأفضل النموذج جاهز للتطبيق الفعلي في أنظمة تتطلب كشف الاحتيال في المعاملات المالية