Handwritten Character Recognition

- تحميل وتجهيز البيانات:

جلب البيانات: تم استدعاء مجموعة بيانات MNIST وتحويلها إلى مصفوفات NumPy.

تجهيز التصنيفات: تم تحويل التسميات (Labels) إلى أعداد صحيحة لاستخدامها في التصنيف متعدد الفئات.

2- عرض عينة من الأرقام:

تعريف دالة العرض: أنشأنا دالة plot_digit لإعادة تشكيل المصفوفة المكونة من 784 عنصرًا إلى صورة بحجم 28x28 بكسل.

عرض مثال: تم عرض الرقم رقم 36,001 من البيانات للتأكد من سلامة البيانات.

3- تقسيم البيانات:

تجزئة البيانات: تم تقسيم مجموعة البيانات إلى بيانات تدريب وبيانات اختبار، مع تخصيص 10,000 عينة للاختبار.

4- تدريب النموذج:

تهيئة النموذج: تم تدريب نموذج الانحدار اللوجستي (Logistic Regression) على كامل بيانات التدريب لتصنيف الأرقام (0–9).

5- التنبؤ برقم واحد:

توقع النموذج: تنبأ النموذج بالتصنيف الصحيح للرقم رقم 36,001 وعرض النتيجة.

6- التحقق المتقاطع (Cross-Validation):

تقييم الأداء: تم قياس دقة النموذج باستخدام Cross-Validation على بيانات التدريب، وحساب متوسط الدقة.

7- التنبؤ بعدة عينات:

اختبار عينات عشوائية: تم اختيار عدة أمثلة عشوائية من بيانات الاختبار، والتنبؤ بالنتائج.

المقارنة: تم عرض القيم الحقيقية مقابل القيم المتوقعة مع إظهار الصور.

8- التقييم على مجموعة الاختبار:

دقة النموذج: تم اختبار النموذج على مجموعة الاختبار الكاملة وعرضت نسبة الدقة النهائية.