نموذج ذكاء اصطناعي للتنبؤ بأمراض القلب (Heart Disease Prediction) مع واجهة مستخدم تفاعلية

قمت بتطوير وبناء مشروع متكامل للتنبؤ باحتمالية الإصابة بأمراض القلب بناءً على المؤشرات الصحية والحيوية للمرضى باستخدام خوارزميات تعلم الآلة (Machine Learning) ولغة بايثون، مع تصميم واجهة مستخدم (GUI) لتسهيل التعامل مع النموذج واستخراج النتائج فوراً. مر المشروع بمرحلتين أساسيتين لضمان دقة النتائج: أولاً: مرحلة معالجة وتنظيف البيانات (Data Cleaning & Wrangling): لأن جودة النموذج تعتمد على جودة البيانات، قمت بتهيئة الـ Dataset بالكامل عبر الخطوات التالية: معالجة القيم المفقودة: تحويل عمود كتلة الجسم (BMI) إلى قيم رقمية، وتعويض القيم المفقودة (Missing Values) باستخدام المتوسط الحسابي (Mean Imputation) بدلاً من الحذف العشوائي للحفاظ على حجم البيانات. تنظيف وتصفية التناقضات: مراجعة عمود الجنس (Gender) واستبعاد القيم الشاذة أو غير المنطقية مثل (Other)، ثم تحويله برمجياً باستخدام (Label Encoding). ترميز البيانات النصية (Encoding): تطبيق الـ (One-Hot Encoding) على عمود حالات التدخين (Smoking Status) وتحويله إلى أعمدة رقمية منفصلة لتجنب أي انحياز أثناء تدريب النموذج، وتعديل أسماء الأعمدة الناتجة لتكون واضحة برمجياً. إزالة القيم الشاذة (Outliers): استخدام المدى الربيعي الإحصائي (IQR) لتحديد وحذف القيم المبالغ فيها في عمود الـ BMI لحماية النموذج من الانحراف أثناء التدريب. ثانياً: بناء نموذج الذكاء الاصطناعي والواجهة: تجهيز البيانات: عمل موازنة وتوسيع نطاق البيانات وتوحيد مقاييسها باستخدام (StandardScaler). تدريب النموذج: استخدام خوارزمية الجار الأقرب (K-Nearest Neighbors - KNN) وتدريبه على البيانات بعد تنظيفها، مما ساعد في الوصول إلى دقة ممتازة ومستقرة في التنبؤ. واجهة المستخدم (GUI): تصميم واجهة مستخدم تفاعلية وحديثة باستخدام مكتبة (CustomTkinter) تتيح للمستخدم إدخال البيانات الصحية (السن، الجنس، الـ BMI، حالة التدخين) واستقبل النتيجة فوراً (إيجابي أو سلبي) مع طباعة وتوثيق النتيجة في الـ Terminal. 🛠️ التقنيات والأدوات المستخدمة: اللغة: Python المكتبات الأساسية: Pandas, NumPy, Scikit-Learn الواجهة الرسومية: CustomTkinter أدوات التحليل الإحصائي: IQR لمكافحة الـ Outliers في البيانات الحيوية.