قمت بتنفيذ مشروع متكامل في مجال تعلم الآلة وتحليل البيانات، يهدف إلى تطبيق ومقارنة مجموعة من النماذج المختلفة على نوعين من المشكلات الأساسية في تعلم الآلة، وهما: التصنيف (Classification) و الانحدار (Regression)، بهدف الوصول إلى أفضل نموذج لكل حالة بناءً على نتائج التقييم.
1) تحليل البيانات الاستكشافي (EDA) تم تنفيذ تحليل شامل للبيانات قبل بناء النماذج، وشمل ذلك:
1. مراجعة البيانات وفحص جودتها
2. دراسة توزيع المتغيرات
3. تحليل العلاقات بين الخصائص المختلفة
4. اكتشاف الأنماط العامة داخل البيانات
5. استخدام الرسوم البيانية لتوضيح النتائج
6. ملاحظة وجود تداخل بين الفئات في جزء التصنيف، مما زاد من صعوبة الفصل بين الفئات ساعدت هذه المرحلة في اختيار النماذج المناسبة وتحسين جودة النتائج.
2) نماذج التصنيف (Classification) تم تدريب ومقارنة 4 نماذج مختلفة لحل مشكلة التصنيف:
1. K-Nearest Neighbors (KNN - k=21)
2. Decision Tree
3. Support Vector Machine (SVM - RBF Kernel)
4. Neural Network
مقاييس التقييم المستخدمة:
1. Accuracy
2. Precision
3. Recall
4. F1-Score
النتائج:
1. النتائج الأولية كانت في حدود 65%
2. تم تنفيذ خطوات تحسين متعددة
3. تجربة أكثر من نموذج
4. ضبط الإعدادات المناسبة (Hyperparameter Tuning)
5. الوصول إلى أفضل دقة نهائية بلغت 74%
3) نماذج الانحدار (Regression) تم تطبيق 5 نماذج مختلفة لمشكلة الانحدار:
1. KNN Regressor (k=21)
2. Decision Tree Regressor
3. Support Vector Regressor (SVR - RBF Kernel)
4. Neural Network Regressor
5. Linear Regression
مقاييس التقييم المستخدمة:
1. MAE
2. RMSE
3. R² Score
الهدف:
1. تحديد النموذج الأكثر دقة في التنبؤ
2. تقليل نسبة الخطأ
3. تحسين جودة التوقعات
4) النتائج النهائية
1. تنفيذ مشروع متكامل يجمع بين التصنيف والانحدار
2. مقارنة أداء 9 نماذج مختلفة
3. تحسين النتائج من 65% إلى 74% في جزء التصنيف
4. اختيار أفضل نموذج لكل نوع من المشكلات
5. تطبيق مقاييس تقييم مناسبة لكل حالة
6. عرض النتائج باستخدام رسوم بيانية واضحة
5) الأدوات والتقنيات المستخدمة
1. Python
2. Pandas
3. NumPy
4. Scikit-learn
5. Matplotlib
6. Seaborn
7. TensorFlow / Keras
