End-to-End ML Pipeline — Fraud Detection (Train/Evaluate/Infer) + Reproducible Runs

بنيت مشروع ML بنمط إنتاجي يوضح دورة الحياة كاملة: إعداد البيانات → تدريب النموذج → تقييم Leak-safe → تجهيز inference/run artifacts.

الهدف: تحويل نموذج ML من تجربة Notebook إلى بايبلاين قابل لإعادة التشغيل والمراجعة.

المخرجات الأساسية:

Pipeline واضحة (train / evaluate / infer).

تقييم منضبط + نتائج قابلة للتكرار (reproducible runs).

هيكلة مشروع مناسبة للتسليم (تشغيل، إعدادات، مخرجات).

Tech: Python, scikit-learn, Pandas/NumPy, evaluation discipline.