التنبؤ باحتياجات الري الزراعي

في هذا المشروع، قمت بانشاء pipline للتنبؤ باحتياجات الري الزراعي باستخدام مجموعة بيانات غير منظمة وشديدة الانحراف تضم أكثر من 530,000 سجل. ونظرًا لأن البيانات كانت غير متوازنة بشدة - حيث طغت فئة واحدة بشكل كبير على الفئات الأخرى - فقد فشلت النماذج القياسية الجاهزة في التقاط الفروق الدقيقة للفئات الأقلية. لحل هذه المشكلة، بحثت وطبقت تقنيات متقدمة في التعلم العميق من الصفر. قمت ببناء شبكة عصبية تسلسلية (Sequential Neural Network) مخصصة باستخدام مكتبة TensorFlow/Keras، معتمدًا بشكل خاص على دالة فقد بؤري (Focal Loss) مخصصة وأوزان ديناميكية للفئات (Dynamic class weighting) لمعاقبة النموذج عند تجاهله لبيانات الأقلية. وللوصول بدقة النموذج إلى أقصى حدودها الممكنة، قمت بتصميم جدول زمني لمعدل التعلم باستخدام تقنية التلدين الجيبي مع إعادة التشغيل الدافئة (Cosine Annealing with warm restarts)، ودمجت مخرجات التعلم العميق مع نموذج XGBoost مُحسّن باستخدام الانحدار اللوجستي كمصنف شامل (Logistic Regression meta-classifier)