نظام ذكي لتوقع الموافقة على القروض البنكية باستخدام تعلم الآلة وبناء واجهة تفاعلية

المشروع ده هدفه يحل مشكلة كبيرة بتقابل البنوك وشركات التمويل، وهي بطء مراجعة طلبات القروض وإمكانية وجود أخطاء بشرية أو تحيز في القرار. طورت نموذج تعلم آلي بيعتمد على بيانات قديمة لعملاء سابقين علشان يقيّم أهلية الشخص للقرض بشكل فوري ودقيق. النظام ده بيساعد البنوك إنها تاخد قرارات مبنية على البيانات بدل الاجتهاد الشخصي، وده بيقلل المخاطر المالية وكمان بيحسّن تجربة العميل ويوفر وقت. المهام اللي اتعملت: 1- تجهيز ومعالجة البيانات (Data Preparation): التعامل مع القيم الناقصة (Missing Values), تحويل البيانات النصية لأرقام (Encoding), توحيد مقياس البيانات (Scaling) وحل مشكلة عدم توازن البيانات (Imbalanced Data). كل ده علشان النموذج يتدرب على بيانات نظيفة وجودتها عالية. 2- تحليل البيانات الاستكشافي (EDA): دراسة شكل وتوزيع البيانات, عمل رسومات بيانية لفهم العلاقات بين المتغيرات, تحديد أهم العوامل اللي بتأثر في قرار قبول أو رفض القرض. الخطوة دي ساعدتني أفهم البيانات كويس قبل ما أبني الموديل. 3- تطوير وتجربة النماذج (Model Development): بنيت ودربت أكتر من خوارزمية علشان أقارن الأداء وأختار الأفضل، واشتغلت على: Logistic Regression, Random Forest, SVM, XGBoost وتم تقييمهم بناءً على الدقة والأداء العام. 4- تحويل النموذج لتطبيق ويب (Deployment): حوّلت النموذج النهائي لتطبيق ويب تفاعلي وسهل الاستخدام باستخدام Streamlit. المستخدم يقدر يدخل بياناته الشخصية والمالية، والتطبيق يعرض فورًا هل هو: مقبول (Approved) أو مرفوض (Not Approved). النتائج والإنجازات: خوارزمية XGBoost حققت أفضل أداء بدقة ما بين 96% – 98% وكانت الأكثر ثباتًا في النتائج. نموذج Random Forest برضه قدم أداء قوي جدًا بدقة وصلت لـ 95%. تم توفير أداة عملية جاهزة للاستخدام بتساعد في أتمتة اتخاذ القرار وبتقلل وقت الانتظار للعميل بشكل كبير.