الذكاء الاصطناعى وتحليل البيانات

الأدوات والمكتبات المستخدمة: Pandas & NumPy: لتحميل البيانات، تنظيفها، وإجراء العمليات الحسابية. Scikit-Learn: المكتبة الأساسية لبناء النموذج، تحويل الميزات، وتقييم الأداء. Matplotlib & Seaborn: لإنشاء المخططات البيانية وتصور النتائج. 2. مراحل سير العمل (Workflow): تحميل البيانات: تم استيراد البيانات من ملف task dataset.csv. معالجة البيانات: تقسيم البيانات إلى ميزات (X) وهدف (y)، ثم تقسيمها إلى مجموعات تدريب واختبار (Train/Test Split). هندسة الميزات (Feature Engineering): تم استخدام PolynomialFeatures بالدرجة الثانية (degree=2) لتحويل البيانات الخطية إلى صيغة تسمح بتمثيل المنحنيات. التدريب: تم تدريب نموذج LinearRegression على البيانات المحولة. التنبؤ: استخدام النموذج لتقدير القيم لمجموعة الاختبار. 3. المقاييس والنتائج (Key Metrics): معامل التحديد (R^2 Score): حقق النموذج دقة تصل إلى 0.86 تقريباً، مما يعني أن النموذج يفسر 86% من التباين في البيانات. متوسط مربع الخطأ (MSE): تم حسابه لضمان تقليل الانحراف بين القيم الحقيقية والمتوقعة. أهم المخرجات (Key Outputs) رسم بياني (Actual vs Predicted): يظهر بوضوح مدى تقارب توقعات النموذج من القيم الفعلية، حيث تتجمع النقاط بشكل وثيق حول المسار الصحيح. القدرة على التنبؤ: النموذج قادر على استقبال ميزات جديدة وتوقع القيمة المستهدفة بدقة عالية. ما الذي يميز هذا العمل؟ التعامل مع التعقيد: استخدام الانحدار متعدد الحدود يظهر قدرتك كمهندس بيانات على اختيار النموذج المناسب عندما لا تكون العلاقة بين المتغيرات خطية بسيطة. وضوح التصور: جودة الرسوم البيانية المرفقة تسهل على الأشخاص غير التقنيين فهم نجاح النموذج وقدرته التنبؤية.