مشروع MindScan هو نظام متقدم لمعالجة اللغات الطبيعية والتعلم العميق، يهدف إلى تحليل النصوص بدقة وتصنيفها إلى 5 فئات نفسية وإكلينيكية رئيسية وهي: (Anxiety, Depression, Bi-polar, Personality disorder, Stress).
قمت ببناء وتطوير هذا المشروع كمقارنة علمية وعملية بين مناهج تعلم الآلة الكلاسيكية ومناهج التعلم العميق للوصول إلى أعلى دقة ممكنة في فهم الطابع النفسي المعقد للنصوص المدخلة.
خطوات العمل التي قمت بتنفيذها داخل المشروع:
معالجة البيانات وتنظيف النصوص (Text Preprocessing):
تنظيف النصوص البرمجية وإزالة الروابط، الإشارات، الرموز التعبيرية، والأحرف الخاصة لضمان نقاء البيانات.
تحويل الكلمات إلى جذورها اللغوية وإزالة الكلمات الشائعة (Stop Words) باستخدام مكتبة NLTK.
تحويل النصوص إلى أرقام متسلسلة (Tokenization & Padding) باستخدام Keras Tokenizer لتهيئتها لشبكة التعلم العميق.
بناء وتدريب النماذج ومقارنة الأداء:
النموذج الأول (Baseline): قمت بتطبيق نموذج Logistic Regression مع تقنية TF-IDF ليكون معياراً أساسياً لقياس الأداء ومقارنة النتائج.
النموذج الثاني المتقدم (Deep Learning): قمت بتصميم وبناء شبكة عصبية عميقة تعتمد على طبقة Embedding متبوعة بطبقة Bi-directional LSTM (Bi-LSTM) لتمكين النموذج من فهم سياق الكلام من الاتجاهين (الأمامي والخلفي)، وهو أمر حاسم في تحليل النصوص النفسية.
إدارة كفاءة النموذج: دمج طبقات Dropout و Dense بمستويات مختلفة لتنظيم الأوزان ومنع الإفراط في التخصيص (Overfitting).
التقييم والنتائج (Evaluation):
متابعة منحنيات التدريب (Training vs Validation Loss & Accuracy) لضمان استقرار النموذج.
استخراج مصفوفة الارتباك (Confusion Matrix) وتقرير التصنيف الكامل (Classification Report) لقياس دقة النموذج (Precision, Recall, F1-Score) لكل فئة نفسية على حدة للتأكد من قدرة النظام على التفريق بين الاضطرابات المتقاربة في الصياغة.
هذا المشروع يبرز قدرتي على قيادة مشاريع الذكاء الاصطناعي من مرحلة البيانات الخام وحتى بناء شبكات عصبية مخصصة ومعقدة قادرة على معالجة قضايا حساسة ومهمة مثل الرعاية الصحية النفسية الرقمية.
