**Project Description: Body Performance Analytics and Intelligent Classification System**
قمت بتنفيذ مشروع عملي في مجال **Data Analysis & Machine Learning** بعنوان **Body Performance Analytics and Intelligent Classification System**، بهدف تحليل بيانات الأداء البدني وبناء نماذج ذكاء اصطناعي قادرة على التنبؤ بمستوى اللياقة البدنية للأشخاص، بالإضافة إلى التنبؤ بمسافة الوثب العريض **broad_jump_cm** اعتمادًا على مجموعة من القياسات الفسيولوجية والبدنية.
اعتمد المشروع على تنفيذ Pipeline كامل للـ **Machine Learning** بداية من تنظيف البيانات وتجهيزها، مرورًا بالتحليل الاستكشافي **EDA**، ثم بناء نماذج تصنيف وانحدار متعددة، ومقارنة أدائها لاختيار أفضل نموذج من حيث الدقة والاستقرار.
تم استخدام Dataset تحتوي على أكثر من **13,000 سجل**، وتم فحص البيانات لاكتشاف القيم المفقودة، التكرارات، القيم غير المنطقية، والقيم الشاذة. بعد ذلك تم تطبيق خطوات معالجة البيانات مثل **Encoding** للمتغيرات النصية، و **StandardScaler** لتوحيد مقاييس الخصائص قبل تدريب النماذج.
خلال مرحلة التحليل الاستكشافي، تم استخدام الرسوم البيانية و **Correlation Heatmap** لفهم العلاقات بين المتغيرات. أظهرت النتائج وجود علاقة قوية بين بعض مؤشرات الأداء البدني مثل **gripForce**, **sit-ups counts**, و **broad_jump_cm**، كما تبين أن العمر ونسبة الدهون يرتبطان سلبًا بمستوى الأداء البدني.
في جزء التصنيف، تم بناء نماذج للتنبؤ بالفئة البدنية للأشخاص **A, B, C, D** باستخدام عدة خوارزميات مثل **KNN**, **Decision Tree**, **SVM**, و **MLP Classifier**. أما في جزء الانحدار، تم بناء نماذج للتنبؤ بمسافة الوثب العريض باستخدام **Linear Regression**, **KNN Regressor**, **Decision Tree Regressor**, **SVR**, و **MLP Regressor**.
تم تقييم النماذج باستخدام مقاييس أداء مختلفة مثل **Accuracy**, **F1 Score**, **RMSE**, و **R²**، بالإضافة إلى استخدام **Cross Validation** لمقارنة استقرار النماذج. حقق أفضل نموذج تصنيف وهو **MLP 1-Layer** دقة بلغت **75.25%** و **F1 Score = 75.13%**، بينما حقق أفضل نموذج انحدار وهو **MLP Regressor 2-Layer** قيمة **R² = 0.7930** و **RMSE = 17.67 cm**.
**Tools & Technologies Used:**
Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, Jupyter Notebook, Machine Learning, Data Visualization.
**Key Skills Applied:**
Data Cleaning, Exploratory Data Analysis, Feature Encoding, Feature Scaling, Classification, Regression, Model Evaluation, Cross Validation, Confusion Matrix Analysis, AI Model Comparison, Business Insights.
يعكس هذا المشروع قدرتي على تنفيذ مشروع ذكاء اصطناعي كامل من البداية للنهاية، بداية من فهم البيانات وتجهيزها، ثم تحليلها بصريًا، وبناء النماذج، وتقييم النتائج، واستخراج Insights واضحة يمكن استخدامها في مجالات مثل تقييم اللياقة البدنية، التدريب الرياضي، تحليل أداء اللاعبين، وأنظمة الصحة واللياقة.
