معالجة البيانات وبناء نماذج تعلم الآلة

سأقوم بتحليل بياناتك بشكل احترافي بداية من: 🔹 تنظيف ومعالجة البيانات إزالة القيم المفقودة أو الخاطئة. حذف التكرارات. معالجة القيم الشاذة (Outliers). 🔹 تحليل واستكشاف البيانات (EDA) استخراج الأنماط والاتجاهات. عرض الرسوم البيانية باستخدام Matplotlib/Seaborn. 🔹 اختيار الخصائص (Feature Selection) باستخدام طرق مثل: Chi-Square, ANOVA, Correlation Analysis. 🔹 تصميم وتدريب النماذج (Modeling) تجربة 4 نماذج تعلم آلة مختلفة: Logistic Regression Decision Tree Random Forest Gradient Boosting Model (XGBoost / LightGBM / CatBoost حسب طبيعة البيانات) مقارنة النتائج بينهم واختيار أفضل نموذج وفق مؤشرات الأداء. 🔹 تقييم وتحسين النماذج ضبط المعاملات (Hyperparameter Tuning) باستخدام GridSearchCV. قياس الأداء بمؤشرات مثل: Accuracy, F1-Score, RMSE. 📦 التسليم يتضمن تقرير PDF شامل يحتوي على: خطوات تنظيف البيانات. نتائج التحليل برسوم بيانية. تفاصيل اختيار الخصائص. مقارنة بين النماذج الأربعة. وصف النموذج النهائي المعتمد وسبب اختياره. الكود المصدري كامل: Jupyter Notebook مشروح. سكربتات Python (تنظيف – اختيار خصائص – تدريب – تقييم – استنتاج). النموذج الأفضل محفوظ بصيغة .joblib أو .pkl لاستخدامه مباشرة. 📌 الشروط ملف بيانات واحد فقط بصيغة CSV أو Excel. حد أقصى: 100,000 صف.