نظام ذكاء اصطناعي لتحليل وتصنيف الأداء البدني باستخدام تعلم الآلة (Machine Learning)

وصف المشروع: قمت بتطوير نظام متكامل لتحليل وتصنيف مستويات اللياقة البدنية بناءً على بيانات ضخمة تضم أكثر من 13,000 مشارك. المشروع يهدف إلى تحويل القياسات الحيوية والرياضية إلى رؤى دقيقة تساعد في تقييم الأداء البدني وتوقع القدرات الرياضية المستقبلية. ماذا فعلت في هذا المشروع (منهجية العمل): - معالجة البيانات الضخمة (Data Preprocessing): قمت بتنظيف البيانات والتعامل مع القيم المفقودة والمتطرفة (Outliers) باستخدام تقنية Winsorization، لضمان دقة النماذج. تم تقليص البيانات إلى 13,230 سجلاً نظيفاً ومنطقياً. - التحليل الاستكشافي (EDA): أجريت تحليلات إحصائية وبصرية عميقة لفهم العلاقة بين المتغيرات (مثل نسبة الدهون، ضغط الدم، والقدرة التحملية) وبين مستوى اللياقة العام. - بناء نماذج التصنيف (Classification): قمت بتدريب واختبار عدة خوارزميات (KNN, Decision Trees, SVM, MLP, Gradient Boosting) لتصنيف المشاركين إلى 4 فئات (A, B, C, D) بناءً على أدائهم. - التنبؤ الرقمي (Regression): طورت نموذجاً للتنبؤ بمدى "القفز العريض" (Broad Jump) كمعيار للقوة الانفجارية، وحقق النموذج دقة عالية ($R^2 = 0.80$). - تحسين الأداء (Optimization): استخدمت تقنيات مثل Cross-Validation وHyperparameter Tuning لضمان استقرار النماذج وعدم حدوث Overfitting. النتائج المحققة: - تحقيق دقة تصنيف تصل إلى 75% باستخدام الشبكات العصبية (MLP). - تحديد أهم العوامل المؤثرة في اللياقة البدنية، حيث تبين أن "القوة الانفجارية" و"التحمل العضلي" هما أقوى المؤشرات. - بناء نظام (Ensemble Model) يجمع بين قوة عدة خوارزميات لرفع كفاءة التنبؤ. المهارات والأدوات المستخدمة: اللغة: Python. المكتبات: Pandas, NumPy, Scikit-Learn, Matplotlib, Seaborn. التقنيات: Neural Networks, SVM, Ensemble Learning, Data Cleaning, Statistical Analysis.