تحليل استكشافي للبيانات (EDA) باستخدام الرسوم البيانية والصندوقية (Boxplot).

معالجة البيانات وتنظيفها:

استكمال القيم الناقصة.

معالجة القيم الشاذة.

توحيد البيانات.

تقليل الأبعاد باستخدام:

تحليل المكونات الرئيسية (PCA).

t-SNE (عند الطلب).

تطبيق خوارزميات التصنيف:

الجار الأقرب (KNN).

شجرة القرار (Decision Tree).

نايف بايز (Naive Bayes).

SVM (عند الطلب).

خوارزميات التجميع:

K-Means.

التجميع الهرمي (Hierarchical Clustering).

حساب مؤشرات الأداء:

الدقة (Accuracy).

الاستدعاء (Recall).

معامل F1.

الدقة النوعية.

رسوم بيانية تفاعلية لتوضيح النتائج.

تسليم النتائج في ملف CSV منسق ومنظم.

الكود مكتوب بلغة Python مع شرح مفصل داخل Jupyter Notebook.

دعم واستشارة بعد التسليم (لمدة محددة).

كود Python جاهز ومشروح خطوة بخطوة.

ملفات النتائج:

نتائج التصنيف لكل عينة.

مؤشرات أداء النماذج.

تصورات بيانية احترافية تشمل:

Boxplots.

تحليل PCA.

مخططات التجميع (Cluster plots).

طريقة Elbow لتحديد عدد المجموعات المثالي.

دليل تشغيل المشروع.