توقع أسعار السيارات باستخدام تقنيات تعلم الآلة

يتناول هذا المشروع تطوير نموذج لتوقع أسعار السيارات بالاعتماد على مجموعة من الخصائص مثل الشركة المصنعة، الموديل، نوع الوقود، حجم المحرك، وعدد الأسطوانات، بالإضافة إلى خصائص أخرى مثل عدد الوسائد الهوائية، نوع ناقل الحركة، الفئة، نظام الدفع، اللون، عمر السيارة، وعدد الكيلومترات المقطوعة. تم جمع البيانات وتنظيفها ومعالجتها من خلال تحويل القيم النصية إلى أرقام باستخدام تقنيات الترميز، والتعامل مع القيم المفقودة أو غير المنطقية، ثم تقسيم البيانات إلى مجموعة تدريب واختبار.

تم بناء عدة نماذج باستخدام مكتبات بايثون مثل Scikit-learn وXGBoost، شملت الانحدار الخطي، شجرة القرار، الغابة العشوائية، الانحدار التعزيزي التدريجي، XGB Regressor، وSVR. تم تقييم النماذج باستخدام مقاييس R² وRMSE لقياس جودة التوقع. أظهرت النتائج أن نموذج Random Forest Regressor قدم أفضل أداء بدقة عالية وRMSE منخفض، مما يجعله الأنسب للاستخدام.

تم بعد ذلك إنشاء واجهة تفاعلية باستخدام مكتبة Streamlit لتمكين المستخدم من إدخال مواصفات السيارة واختيار القيم من خلال قوائم منسدلة وحقول إدخال رقمية، والحصول على السعر المتوقع بشكل مباشر بعد الضغط على زر التوقع. تم أيضًا استخدام مكتبة Pickle لحفظ النموذج المدرب واستدعائه داخل التطبيق دون الحاجة لإعادة التدريب.

يساعد هذا المشروع في دعم القرارات المتعلقة ببيع وشراء السيارات، حيث يوفر أداة عملية للتعرف على السعر العادل للسيارة. يمكن توسيع العمل مستقبلًا بإضافة بيانات أكثر تفصيلًا مثل حالة السيارة أو الموقع الجغرافي، ونشر التطبيق على الإنترنت ليصبح متاحًا للاستخدام العام.