preprocessing

🔹 **Data Preprocessing & Feature Engineering Pipeline** قمتُ بتنفيذ مرحلة معالجة بيانات متكاملة لضمان جاهزية البيانات بأعلى جودة قبل تدريب النموذج، مما انعكس بشكل مباشر على تحسين دقة الأداء. 💡 ما الذي تم تنفيذه؟ * التعامل مع **القيم المفقودة (Missing Values)** باستخدام تقنيات مناسبة مثل: * التعويض بالمتوسط (Mean Imputation) * التعويض بالوسيط (Median Imputation) * اختيار الطريقة الأنسب حسب طبيعة كل متغير * تنظيف البيانات من: * القيم غير المنطقية أو غير المتسقة * البيانات غير ذات الصلة * التكرارات (Duplicates) * تطبيق **Feature Engineering** لتحسين جودة المدخلات: * ترميز المتغيرات الفئوية (Encoding) باستخدام تقنيات مثل One-Hot Encoding / Label Encoding * إنشاء ميزات جديدة (Derived Features) لزيادة القوة التنبؤية للنموذج * توحيد وقياس الميزات العددية باستخدام: * Standardization * Normalization * تجهيز Dataset نظيف ومنظم وجاهز بالكامل لمرحلة: * تدريب النموذج (Model Training) * التقييم والتحقق (Validation & Testing) ### 🎯 ماذا يستلم العميل؟ ✔️ Dataset نظيف ومُعالج بالكامل ✔️ كود منظم لخطوات الـ Preprocessing قابل لإعادة الاستخدام ✔️ Pipeline متكاملة يمكن تطبيقها على بيانات جديدة بسهولة ✔️ تحسين واضح في أداء النموذج ودقته ✔️ تقرير يوضح كل خطوة تم تنفيذها ولماذا حجم البيانات صغيرة او متوسطة نسبيا 200MB maximum ✨ القيمة الحقيقية هنا ليست فقط تنظيف البيانات، بل بناء **أساس قوي يضمن نموذجًا أكثر استقرارًا ودقة وقابلية للتوسع مستقبلًا**👌