تحليل بيانات ركاب سفينة تايتانيك وبناء نموذج ذكاء اصطناعي للتنبؤ بالنجاة (Python & ML)

الوصف: " من قصة تاريخية إلى رؤى مدعومة بالذكاء الاصطناعي! " في هذا المشروع المتكامل، قمت بتحليل مجموعة بيانات سفينة تايتانيك الشهيرة لاستكشاف العوامل الخفية التي أثرت على فرص النجاة، وبناء نموذج تعلم آلي (Machine Learning) قادر على التنبؤ بنجاة الركاب بناءً على خصائصهم الديموغرافية والاجتماعية. ————————————————————————————————————————————— المنهجية والأدوات المستخدمة: • Python (Pandas & NumPy): لتنظيف ومعالجة البيانات، التعامل مع القيم المفقودة (مثل العمر ورقم المقصورة) باحترافية، وهندسة ميزات جديدة (Feature Engineering) كاستخراج ألقاب الركاب وحجم العائلة لزيادة دقة النموذج. • Data Visualization (Matplotlib & Seaborn): إنشاء رسومات بيانية متقدمة لاستكشاف العلاقات بين المتغيرات (EDA)، مثل تأثير درجة التذكرة والجنس والعمر على معدلات النجاة. • Machine Learning (Scikit-Learn): تدريب وتقييم نماذج تصنيف متعددة (مثل Logistic Regression أو Random Forest) لاختيار النموذج الأدق في التنبؤ، مع استخدام تقنيات تقييم الأداء (Accuracy, Confusion Matrix). ————————————————————————————————————————————— أبرز الرؤى المستخلصة (Key Insights): • الطبقة الاجتماعية: تأثير درجة السفر (الدرجة الأولى مقابل الثالثة) بشكل جذري على فرص الإنقاذ. • التركيبة الديموغرافية: تحليل قاعدة "النساء والأطفال أولاً" وإثباتها برمجياً وإحصائياً من خلال البيانات. • الارتباطات الخفية: اكتشاف كيف أثر حجم عائلة الراكب وموقع صعوده للسفينة على احتمالية نجاته. ————————————————————————————————————————————— القيمة المضافة للمشروع: يعكس هذا العمل كفاءتي في التعامل مع البيانات غير المهيكلة، تحويلها إلى معلومات قيمة، وتطبيق خوارزميات التعلم الآلي بدقة. الكود البرمجي منظم بالكامل وموثق بخطوات منطقية تعكس تفكير محلل البيانات المحترف.