تنظيف البيانات من القيم المفقودة والمتكررة.
هندسة الميزات (Feature Engineering): اختيار العوامل الأكثر تأثيراً لرفع دقة النموذج.
مثال: تحويل سجلات طبية غير منظمة إلى مصفوفات رقمية جاهزة للتنبؤ بالأمراض.

استخراج الأنماط الخفية باستخدام Matplotlib و Seaborn.
مثال: رسم بياني يوضح العلاقة بين ساعات الدراسة ودرجات الطلاب لتحديد العوامل المؤثرة.

التصنيف (Classification): مثل (XGBoost).
مثال: بناء موديل لتصنيف رسائل البريد كـ "مزعجة" أو "هامة".
التنبؤ الرقمي (Regression): مثل (Linear Regression).
مثال: توقع سعر عقار بناءً على مساحته.

استخدام خوارزميات (K-Means) لتقسيم البيانات.
مثال: تقسيم عملاء متجر إلكتروني إلى شرائح (عملاء VIP، عملاء محتملون) بناءً على سلوكهم الشرائي.

تسليم تقرير يشمل الدقة (Accuracy)، Precision، Recall، و Confusion Matrix لضمان جودة العمل.

يشمل تحليل لملف بيانات واحد (حتى 500 سطر) مع بناء نموذج أولي.

ستحصل على ملف يشرح أداء النموذج مع رسمين بيانيين (مثل مصفوفة الارتباك Confusion Matrix أو توزيع البيانات) لتوضيح دقة العمل.

سأقوم بتنظيف ملف بيانات (CSV أو Excel) يحتوي على ما يصل إلى 500 سطر، يشمل ذلك التعامل مع القيم المفقودة وتنسيق البيانات لتكون جاهزة للتحليل.

تسليم ملف Jupyter Notebook (.ipynb) يحتوي على الكود مكتوباً بلغة Python ومنظماً مع تعليقات تشرح كل خطوة.

بناء نموذج تعلم آلة واحد (مثل Linear Regression أو Decision Tree) لتقديم نتائج أولية للتنبؤ أو التصنيف بناءً على البيانات المقدمة.