تطوير نظام ذكاء اصطناعي لتقييم الجدارة الائتمانية وتصنيف نقاط الائتمان (Credit Score)

مشروع متكامل (End-to-End) يحاكي الأنظمة التي تستخدمها البنوك لتقييم الحالة المالية للعملاء. يقوم النظام بتحليل السلوك المالي والبيانات الديموغرافية لتصنيف العملاء إلى ثلاث فئات: (ضعيف، متوسط، جيد)، مما يساعد المؤسسات المالية على اتخاذ قرارات مدروسة بشأن القروض والخدمات الائتمانية. المميزات التقنية والقيمة المضافة: هندسة البيانات المالية: معالجة بيانات ضخمة (100 ألف سجل) وتصفية أكثر من 28 متغير مالي وسلوكي لاختيار الأكثر تأثيراً على درجة الائتمان. بناء خط إنتاج البيانات (Data Pipeline): تحويل البيانات النصية المالية المعقدة إلى قيم رقمية. استخدام StandardScaler لتوحيد مقاييس البيانات المالية (مثل الدخل والديون). تطبيق الترميز (One-Hot Encoding) للمتغيرات الفئوية مثل "المهنة" و"نوع القرض". النماذج الذكية وتطويرها: تجربة أقوى مصنفات تعلم الآلة: Random Forest, XGBoost, CatBoost, LightGBM. استخدام GridSearchCV مع 3-fold Cross-Validation لضمان استقرار النموذج وتجنب الـ Overfitting. اختيار نموذج Random Forest كأفضل نموذج بعد تحقيق أعلى معدل F1-Score. تحليل الميزات (Feature Importance): دراسة العوامل الأكثر تأثيراً في تحديد درجة الائتمان، مما يوفر شفافية في فهم قرارات الموديل (Interpretability). التطبيق التفاعلي (Live Demo): لم يقتصر المشروع على الجانب البرمجي فقط، بل تم بناء واجهة مستخدم تفاعلية باستخدام Streamlit تتيح للمستخدمين: إدخال البيانات المالية (الدخل، عدد القروض، الديون القائمة). الحصول على توقع فوري لدرجة الائتمان بضغطة زر. واجهة سهلة الاستخدام تعتمد على الـ Sliders والـ Dropdown menus. الأدوات المستخدمة: لغة البرمجة: Python. المكتبات: Pandas, NumPy, Scikit-learn, XGBoost. الواجهة البرمجية: Streamlit. إدارة النماذج: Pickle لدمج الموديل مع الـ Scalers في ملفات جاهزة للتشغيل.