تطوير وبناء نموذج تعلم آلي (Machine Learning Model) باستخدام Python

مشروع التنبؤ بحالة طلبات المبيعات (Sales Order Status Prediction) يهدف هذا المشروع إلى بناء حل متكامل باستخدام تقنيات تعلم الآلة (Machine Learning) للتنبؤ بحالة طلبات المبيعات اعتمادًا على بيانات المعاملات التاريخية، مما يساعد الشركات على فهم سلوك الطلبات وتحسين اتخاذ القرار بناءً على البيانات. تمت بداية العمل بمرحلة تنظيف وتجهيز البيانات (Data Preprocessing)، والتي شملت التعامل مع القيم المفقودة، إزالة التكرارات، ومعالجة البيانات غير المتسقة لضمان جودة البيانات المستخدمة في التحليل. كما تم تطبيق هندسة خصائص متقدمة (Feature Engineering) لاستخراج متغيرات مهمة مثل قيمة الخصم والسعر النهائي، والتي تعكس سلوك التسعير وتأثيره على حالة الطلب. بعد ذلك، تم إجراء تحليل استكشافي للبيانات (EDA) بهدف فهم العلاقات والأنماط داخل البيانات، بما في ذلك تحليل الارتباط بين المتغيرات وتوزيع حالات الطلبات. وقد أظهر التحليل وجود عدم توازن واضح بين الفئات، حيث تم استخدام تقنية SMOTE لمعالجة هذه المشكلة وتحسين قدرة النموذج على تعلم الفئات الأقل تمثيلاً. في مرحلة بناء النموذج، تم اختبار عدة خوارزميات في تعلم الآلة، وقد حقق نموذج XGBoost أفضل أداء من حيث النتائج. كما تم إنشاء Pipeline متكامل يجمع بين المعالجة القياسية للبيانات (Scaling)، ومعالجة عدم التوازن، وتدريب النموذج لضمان سير عمل منظم وخالٍ من تسريب البيانات. أظهر النموذج النهائي أداءً قويًا في التنبؤ بالفئة الأكبر، مع تحسن ملحوظ في التنبؤ بالفئات الأقل بعد معالجة عدم التوازن. ورغم إمكانية تحسين الأداء أكثر عبر ضبط المعلمات (Hyperparameter Tuning)، إلا أن النموذج الحالي يمثل أساسًا قويًا وقابلًا للتطوير والنشر.