مشروع توقع اسعار منازل

قمت بتطوير نموذج Machine Learning لتوقع أسعار المنازل اعتمادًا على مجموعة من الخصائص مثل (عدد الغرف، المساحة، الموقع، حالة المنزل وغيرها).

المشروع مر بالخطوات التالية:

جمع البيانات ومعالجتها (تنظيف القيم المفقودة – معالجة البيانات غير المتوازنة – تحويل البيانات إلى صيغة مناسبة للنمذجة).

التحليل الاستكشافي للبيانات (EDA) لفهم العوامل الأكثر تأثيرًا على الأسعار باستخدام الرسوم البيانية.

مقارنة عدة نماذج:

Linear Regression

Random Forest Regressor

Deep Learning Model (Neural Network)

اختيار النموذج النهائي: تم الاعتماد على Random Forest Regressor لأنه أعطى أفضل دقة (Accuracy) وحقق نتائج أعلى مقارنة بباقي النماذج.

تطوير واجهة تفاعلية بسيطة باستخدام Streamlit تسمح للمستخدم بإدخال خصائص المنزل والحصول على السعر المتوقع مباشرة.

الأدوات والتقنيات المستخدمة:

Python (Pandas, NumPy, Scikit-learn)

Random Forest, Linear Regression, Deep Learning (Keras / TensorFlow)

Visualization (Matplotlib, Seaborn, Plotly)

Streamlit (لبناء الواجهة التفاعلية)

النتائج:

النموذج النهائي (Random Forest) حقق أفضل أداء في التنبؤ بأسعار المنازل، وساعد على تقديم أداة عملية يمكن استخدامها لاتخاذ قرارات مبنية على البيانات.