مشروع متقدم لتعلم الآلة يهدف إلى التنبؤ باحتمالية هطول الأمطار في اليوم التالي بناءً على البيانات التاريخية للأرصاد الجوية. يركز المشروع بشكل أساسي على معالجة البيانات الضخمة (Big Data) وحل مشكلة عدم توازن البيانات (Class Imbalance) لضمان دقة التوقعات.
المميزات التقنية والمعالجة:
هندسة الميزات الزمانية (Temporal Feature Engineering): استخراج السنة والشهر وفصول السنة من التاريخ، وربط الموقع الجغرافي بمتوسط عدد الأيام الماطرة لزيادة دقة النموذج.
التعامل مع البيانات المفقودة (Imputation): استخدام تقنيات متقدمة مثل KNNImputer لملء القيم الرقمية المفقودة بناءً على أقرب الجيران، و SimpleImputer للبيانات الفئوية.
مواجهة عدم التوازن (Handling Imbalance): تطبيق تقنية SMOTE (Synthetic Minority Over-sampling Technique) لموازنة البيانات، مما ساعد في رفع دقة التنبؤ بالأيام الماطرة (الأقلية في البيانات).
الترميز المتقدم (Advanced Encoding): تحويل اتجاهات الرياح إلى زوايا هندسية وترميز فصول السنة باستخدام OneHotEncoder لتمكين النماذج من فهم العلاقات الجغرافية والزمنية.
النماذج والتقنيات المستخدمة:
نماذج الـ Boosting: استخدام أقوى الخوارزميات الحديثة مثل XGBoost, LightGBM, CatBoost.
خوارزميات التصنيف: تجربة ومقارنة أداء Random Forest, Logistic Regression, AdaBoost و Decision Trees.
تحسين الأداء: استخدام GridSearchCV للوصول لأفضل "Hyperparameters" لكل نموذج.
التقييم الشامل: لم نعتمد على الدقة (Accuracy) فقط، بل تم التركيز على F1-Score و Precision و Recall لضمان كفاءة النموذج في كشف حالات المطر الحقيقية.
الأدوات المستخدمة:
اللغات: Python.
المكتبات: Pandas, NumPy, Scikit-learn, Imbalanced-learn (SMOTE).
النماذج المتقدمة: XGBoost, LightGBM, CatBoost.
النتائج المحققة:
نجح المشروع في تحقيق نتائج استثنائية (F1 Score يقترب من 1.00) بفضل الدمج بين التنظيف الدقيق للبيانات وتقنيات موازنة العينات، مما يجعله نموذجاً قابلاً للتطبيق في أنظمة الأرصاد الجوية الذكية.
