هل لديك بيانات وتريد بناء نموذج Machine Learning للتنبؤ أو التصنيف باستخدام Python؟
سأقوم بتجهيز البيانات، تدريب عدة نماذج، مقارنة نتائجها واختيار الأفضل باستخدام Scikit-learn.
الخدمة الأساسية تشمل:
Dataset واحدة حتى 5,000 صف و30 عمودًا.
Classification أو Regression.
تحديد Features وTarget.
تجهيز البيانات الأساسي.
Train/Test Split.
تدريب ومقارنة حتى 3 نماذج.
تقييم النتائج بالمقاييس المناسبة مثل F1 وRecall وROC-AUC أو R² وMAE وRMSE.
اختيار أفضل نموذج.
تسليم Jupyter Notebook مرتب وقابل للتشغيل.
ملخص واضح للنتائج.
أستخدم Python وPandas وNumPy وScikit-learn وMatplotlib.
إذا كانت البيانات تحتاج EDA متقدمًا أو Feature Engineering أو معالجة Imbalanced Data أو Hyperparameter Tuning، يمكن إضافتها من خلال التطويرات.
تدريب ومقارنة حتى 3 خوارزميات Machine Learning واختيار الأنسب وفق مقاييس تقييم واضحة.
استخدام مقاييس مناسبة مثل Accuracy وPrecision وRecall وF1 وROC-AUC للتصنيف، أو R² وMAE وRMSE للانحدار.
تنظيم خطوات تجهيز البيانات والتدريب والتقييم بصورة قابلة لإعادة التشغيل والتعديل.
تسليم Jupyter Notebook يحتوي على خطوات معالجة البيانات والتدريب والمقارنة والنتائج.
ملف مرتب وقابل للتشغيل يحتوي على تجهيز البيانات وتدريب النماذج وتقييمها.
النموذج الذي حقق أفضل نتيجة وفق المقاييس المناسبة للمشكلة.
جدول أو ملخص يوضح أداء النماذج المستخدمة والفرق بينها.
الرسوم أو الجداول المناسبة لتوضيح أداء النموذج والنتائج.
تحليل استكشافي وتنظيف البيانات حتى 5000 صف و 30 عمودًا
5.00
|
|
Feature Engineering حتى 5 features جديدة او معالجة
5.00
|
|
معالجة عدم توازن الفئات باستخدام تقنية مناسبة واحدة
5.00
|
|
تدريب ومقارنة 5 نماذج إضافية بجانب الخدمة الاساسية
10.00
|
|
Hyperparameter Tuning باستخدام Grid/Random search
10.00
|
تحليل استكشافي وتنظيف البيانات حتى 5000 صف و 30 عمودًا
5.00
|
|
Feature Engineering حتى 5 features جديدة او معالجة
5.00
|
|
معالجة عدم توازن الفئات باستخدام تقنية مناسبة واحدة
5.00
|
|
تدريب ومقارنة 5 نماذج إضافية بجانب الخدمة الاساسية
10.00
|
|
Hyperparameter Tuning باستخدام Grid/Random search
10.00
|