المفقودة أو الشاذة والتأكد من جاهزية البيانات (حتى 50,000 صف).

انتقاء الخصائص الأكثر تأثيرًا على النموذج بهدف تحسين الدقة وتجنب التعقيد الزائد.

تجربة حتى 3 خوارزميات (مثل Logistic Regression، Random Forest، XGBoost) لاختيار الأفضل.

أطبق تقنيات مثل SMOTE أو بدائل أخرى لموازنة البيانات وتحسين نتائج التوقعات.

تسليم تقرير مختصر (Word أو PDF من 2–3 صفحات) يحتوي على Accuracy, Precision, Recall, F1-score, Classification Report.

ملف Python واحد منظم ومرفق بالتعليقات لسهولة الفهم والتطوير لاحقًا.

رسوم بيانية وجداول أساسية لفهم طبيعة البيانات (حتى 8 رسوم بيانية).

كود كامل يحتوي على جميع الخطوات (تنظيف، تحليل، بناء النموذج) مع تعليقات توضيحية.

ملخص من 2–3 صفحات يوضح النتائج بالأرقام (Accuracy, Precision, Recall, F1-score) مع شرح مبسط.

حتى 8 رسوم توضح توزيع البيانات والعلاقات بين الخصائص والمتغيرات.

توضيح ما تم تنفيذه والأسباب وراء اختيار النموذج النهائي.