تنظيف ومعالجة البيانات حتى 10,000 صف كحد أقصى.

تقسيم البيانات إلى تدريب واختبار بنسبة 80/20.

تحويل البيانات إلى صيغ رقمية مناسبة للشبكات العصبية.

تصميم نموذج عصبي بسيط (Fully Connected Neural Network).

عدد الطبقات الأساسية: من 2 إلى 4 طبقات مخفية.

عدد الوحدات في كل طبقة: من 16 إلى 128 وحدة حسب نوع البيانات.

دوال تنشيط مناسبة مثل ReLU وSigmoid.

تدريب النموذج حتى 50 دورة تدريب (Epochs) قابلة للتعديل.

استخدام إعدادات تدريب مناسبة (Batch Size، Optimizer، Learning Rate).

إمكانية إيقاف التدريب المبكر (Early Stopping) عند ثبات الأداء.

حساب المقاييس التالية: Accuracy، Precision، Recall، F1-score.

عرض منحنيات Loss وAccuracy أثناء التدريب.

توضيح الأداء النهائي في التقرير بالأرقام والرسوم.

الكود مكتوب بلغة Python داخل ملف Jupyter Notebook (.ipynb)، منسق بخطوات واضحة وتعليقات داخلية لشرح كل مرحلة.
يُستخدم في المشروع المكتبات التالية:
TensorFlow, Keras, NumPy, Pandas, Matplotlib, Scikit-learn.

تقرير احترافي يحتوي على:

وصف المشروع ونوع البيانات المستخدمة.

هيكل الشبكة العصبية وعدد الطبقات ووظائفها.

خطوات التدريب والتحسين.

نتائج التقييم بالأرقام والرسوم البيانية.

ملاحظات لتحسين الأداء مستقبلًا.

أقدّم دعم فني مجاني لمدة 3 أيام بعد التسليم للإجابة على أي استفسارات تخص الكود أو النموذج أو التقرير.

تنظيف البيانات وتجهيزها.

تصميم النموذج العصبي.

تدريب النموذج مع رسم منحنيات الأداء.

تقييم النتائج وتحليلها بالأرقام والرسوم.

تعليقات توضيحية داخل الكود لكل خطوة

وصف تفصيلي للمشكلة والبيانات.

تصميم النموذج العصبي والمعاملات المستخدمة.

خطوات التدريب والاختبار.

النتائج بالرسوم البيانية والتفسير الكامل للأداء.

اقتراحات للتحسين.

ملف يحتوي على النموذج بعد تدريبه، جاهز للاستخدام في مشاريع أخرى أو اختبار بيانات جديدة.

نسخة من البيانات بعد تجهيزها وتنظيفها، إذا كانت ضمن المشروع.