• التعامل مع المشروع من تجهيز البيانات وحتى تقييم النموذج.
• كود Python منظم وقابل للتطوير.
• الاهتمام بجودة البيانات قبل بناء النموذج.
• اختيار الأساليب والخوارزميات بما يتناسب مع طبيعة البيانات.
• عرض النتائج بطريقة واضحة وسهلة الفهم

• فهم هدف المشروع وتحديد الطريقة المناسبة للعمل على البيانات.
• تنظيف ومعالجة البيانات وتجهيزها للتحليل.
• إجراء Exploratory Data Analysis (EDA).
• إنشاء الرسوم البيانية المناسبة لتوضيح النتائج.
• اختيار خوارزمية Machine Learning مناسبة للمشكلة.
• تدريب النموذج وتقييم أدائه باستخدام المقاييس المناسبة.
• تحسين النموذج عند الحاجة.
• شرح النتائج والـInsights بطريقة واضحة.
• تسليم الكود بشكل منظم وقابل للتعديل

• العمل على Dataset واحدة.
• بحد أقصى 5,000 صف و15 عمودًا.
• بناء وتقييم نموذج Machine Learning واحد.
• 5 رسوم بيانية كحد أقصى.
• ملف Jupyter Notebook واحد يحتوي على الكود والتحليل والنتائج.

• ملف Jupyter Notebook أو Python Script.
• Dataset بعد التنظيف والمعالجة.
• النموذج المدرب والكود المستخدم في بنائه.
• الرسوم البيانية ونتائج التحليل.
• مقاييس تقييم النموذج المناسبة.
• ملخص لأهم النتائج والـInsights