بناء وتطبيق نماذج تعلم الآلة باستخدام Python

معك فرح مصطفى، متخصصة في بناء وتطبيق نماذج تعلم الآلة باستخدام لغة Python. أمتلك خبرة في اختيار النموذج المناسب لكل مشكلة، تدريبه، وتقييم أدائه للحصول على أفضل النتائج الممكنة. عملت على مشاريع متنوعة تشمل التنبؤ بالقيم، تصنيف البيانات، وتحليل الأنماط الخفية في مجموعات البيانات المعقدة. التقنيات التي أعمل بها: • Python / Scikit-learn / Pandas / NumPy • Matplotlib / Seaborn (للتصور البياني) • Jupyter Notebook • Excel / CSV النماذج التي أتقن العمل بها: نماذج التنبؤ (Regression) • Linear Regression — للتنبؤ بالقيم المستمرة مثل الأسعار والمبيعات. نماذج التصنيف (Classification) • Logistic Regression — لتصنيف البيانات إلى فئتين أو أكثر. • K-Nearest Neighbors (KNN) — للتصنيف بناءً على التشابه بين البيانات. • Decision Trees — لاتخاذ قرارات تصنيف واضحة وقابلة للتفسير. • Naive Bayes — للتصنيف السريع والفعّال خاصة في البيانات النصية. تقليل الأبعاد (Dimensionality Reduction) • PCA — لتبسيط البيانات المعقدة والحفاظ على أهم المعلومات. • Dimensionality Reduction — لتحسين أداء النماذج وتقليل التعقيد. حجم العمل: بناء وتدريب نموذج واحد على مجموعة بيانات تصل إلى 1,000 صف. تفاصيل التسليم: • كود Python كامل لبناء وتدريب النموذج. • ملف Jupyter Notebook يوضح كل خطوات العمل. • تقرير أداء النموذج يتضمن المقاييس والنتائج. • ملف مضغوط (.zip) يحتوي على جميع الملفات. • شرح بسيط للنتائج وكيفية تفسيرها. نوع الملفات المُسلَّمة: • ملف Jupyter Notebook (.ipynb) • ملفات Python (.py) • ملف النموذج المحفوظ (.pkl) • ملف المتطلبات (requirements.txt) • ملف README.md للشرح