handling model liver and making it with backend(flask_)

العمل المنجز يتضمن تطوير نموذج تعلم آلي لتشخيص أمراض الكبد باستخدام بيانات indian_liver_patient.csv. تم تحميل البيانات باستخدام pandas ومعالجتها بحيث تم ملء القيم الناقصة في Albumin_and_Globulin_Ratio بمتوسطها، وتحويل Gender وDataset إلى تنسيق رقمي باستخدام LabelEncoder وتعيين القيم (1 للمرض، 0 لعدم المرض). تم استخدام SMOTE لمعالجة عدم التوازن في البيانات، وتطبيع الميزات بـ StandardScaler. تم تقسيم البيانات إلى تدريب واختبار باستخدام train_test_split، ثم تحويلها إلى أعمدة PyTorch. تم تصميم نموذج شبكة عصبية LiverNet بطبقات مخفضة (32، 16) مع Dropout لتجنب التعقيد الزائد، وتدريبه لـ 100 دورة باستخدام CrossEntropyLoss ومحسن Adam. تم تقييم النموذج بمقاييس مثل الدقة، تقرير التصنيف، ومصفوفة الالتباس. كما تم تطوير تطبيق Flask (liver-flask.py) للتنبؤ باحتمالية المرض بناءً على إدخال المستخدم، مع تحميل النموذج المدرب مسبقًا (liver_model.pth)، وكذلك سكربت اختبار (liver-test.py) يتيح إدخال بيانات المستخدم يدويًا للحصول على تنبؤات فورية.