تحليل استكشافي شامل ومعالجة بيانات (Case Study: Titanic Dataset)

في هذا المشروع، قمت بتحويل مجموعة بيانات خام مليئة بالتحديات إلى تقرير بصري تفاعلي ورؤى إحصائية دقيقة. ركز العمل على دورة حياة البيانات من التنظيف وحتى التصور البصري النهائي حيث: قمت بتحويل مجموعة بيانات خام (Raw Data) إلى تقرير بصري متكامل من خلال الخطوات التالية: معالجة البيانات (Data Cleaning): التعامل مع القيم المفقودة (Missing Values) في المتغيرات الأساسية (مثل السن) لضمان دقة التحليل، وتنقية البيانات من القيم المتطرفة (Outliers) التي قد تؤدي لنتائج مضللة. كشف العلاقات (Correlation Analysis): بناء خريطة حرارية (Heatmap) لتحديد مدى ارتباط العوامل المختلفة (مثل سعر التذكرة والدرجة) بفرص النجاة، مما ساعد في تحديد أهم المتغيرات المؤثرة. تحليل التوزيع الديموغرافي: دراسة توزيع الفئات العمرية للمسافرين باستخدام (Histogram with KDE) لفهم طبيعة الجمهور المستهدف بالدراسة. المقارنة المالية والفئوية: استخدام الرسوم البيانية (Boxplots & Scatter Plots) لمقارنة أسعار التذاكر عبر الدرجات المختلفة وربطها بالنتائج النهائية، مما أبرز تباين الفرص بناءً على الفئة الاقتصادية. النتيجة النهائية: ملف Jupyter Notebook منظم يحتوي على كود برمجى نظيف، ورسومات بيانية عالية الجودة، ورؤى (Insights) تدعم اتخاذ القرار بناءً على الأرقام لا التوقعات.