تحليل بيانات سلة المشتريات باستخدام Apriori & FP-Growth

قمت بتنفيذ مشروع متخصص في تحليل البيانات واستخراج قواعد الترابط (Association Rules) باستخدام خوارزميات Apriori و FP-Growth بهدف اكتشاف الأنماط والعلاقات بين العناصر داخل بيانات المشتريات (Market Basket Analysis). يهدف المشروع إلى: تحليل سلوك العملاء اكتشاف المنتجات التي يتم شراؤها معًا استخراج قواعد تساعد في تحسين استراتيجيات البيع والتوصية بالمنتجات مقارنة أداء خوارزميتي Apriori و FP-Growth ? مراحل تنفيذ المشروع: 1️⃣ استيراد البيانات ومعالجتها تحميل Dataset معاملات الشراء تنظيف البيانات ومعالجة القيم الفارغة تحويل البيانات إلى Transaction Format مناسب للتحليل استخدام One-Hot Encoding لتحويل العناصر إلى صيغة Binary Matrix 2️⃣ تطبيق خوارزمية Apriori: تحديد Minimum Support استخراج Frequent Itemsets حساب: Support Confidence Lift توليد Association Rules تحليل أقوى القواعد الناتجة 3️⃣ تطبيق خوارزمية FP-Growth: استخراج Frequent Itemsets بدون توليد كل الاحتمالات مقارنة النتائج مع Apriori تحليل فرق الأداء (السرعة والكفاءة) 4️⃣ تحليل النتائج: تحديد أقوى العلاقات بين المنتجات عرض القواعد ذات أعلى Lift تفسير النتائج من منظور تجاري اقتراح استخدام النتائج في أنظمة التوصية ? مخرجات المشروع: ✔ استخراج Frequent Itemsets ✔ توليد قواعد ترابط قوية ✔ مقارنة أداء الخوارزميتين ✔ تحليل تجاري للنتائج ✔ عرض الجداول النهائية للقواعد ? الاستخدامات العملية: يمكن تطبيق هذا النوع من التحليل في: أنظمة التوصية (Recommendation Systems) تحسين ترتيب المنتجات داخل المتاجر الإلكترونية إنشاء عروض بيع مجمعة (Bundling Offers) تحليل سلوك العملاء في السوبر ماركت أو المتاجر الإلكترونية دعم اتخاذ القرار في التسويق نقطة قوة المشروع: تم تنفيذ المشروع بأسلوب عملي كامل بدءًا من تجهيز البيانات وحتى تحليل النتائج، مع مقارنة فعلية بين خوارزميتين شهيرتين في مجال Data Mining، مما يعكس فهمًا عميقًا للخوارزميات وآلية عملها وليس مجرد تطبيق نظري