تحليل البيانات الاستكشافي (EDA)

نطاق العمل: حتى 6000 صف من البيانات هيكلة وتنظيف البيانات: معالجة القيم المفقودة (Handling Missing Values)، إزالة البيانات المكررة، وتصحيح أنواع المتغيرات لضمان سلامة التحليل الإحصائي. هندسة الخصائص (Feature Engineering): استخراج متغيرات زمنية وفئوية جديدة من البيانات الخام لرفع كفاءة التحليل. التحليل الإحصائي الاستدلالي: دراسة العلاقات بين المتغيرات (Correlation Analysis) وفهم التوزيعات الاحتمالية لكل عنصر. التصور البياني (Data Visualization): تحويل النتائج إلى مخططات برمجية (Seaborn & Matplotlib) تشمل الـ (Count plots, Box plots, Heatmaps) وغيرها. المخرجات التقنية: ملف Jupyter Notebook (ipynb) يحتوي على كود منظم وموثق لكل مرحلة. استخراج الأنماط السلوكية وساعات الذروة والعوامل المؤثرة في البيانات. توفير البيانات المنقحة جاهزة لمرحلة التعلم الآلي (Machine Learning) إذا تطلب الأمر. الأدوات: Python (Pandas, NumPy, Matplotlib, Seaborn). مدة التنفيذ: (بناءً على حجم البيانات). ما سيتم تسليمه: ملف الكود المصدري (Source Code): ملف بصيغة ipynb. (Jupyter Notebook) منظم ومنسق. كود نظيف مع تعليقات (Comments) تشرح كل خطوة (Cleaning, Analysis, Visualization). نسخة التقرير (Static Report): ملف بصيغة PDF أو HTML مستخرج من الـ Notebook، يحتوي على الكود والرسوم البيانية والنتائج النهائية، لسهولة القراءة دون الحاجة لبيئة برمجة. الرسوم البيانية (Visualizations): مجلد يحتوي على الصور (PNG/JPG) بجودة عالية للرسوم البيانية التي تم إنتاجها (مثل توزيع الرحلات، ساعات الذروة، والعلاقات الإحصائية). البيانات المنقحة (Cleaned Data): ملف بصيغة CSV يحتوي على البيانات بعد التنظيف والمعالجة، جاهز للاستخدام المباشر في نماذج الذكاء الاصطناعي.