تحليل احترافي لمشاعر المستخدمين على تويتر بدقة 97% باستخدام TensorFlow

مشروع متكامل في معالجة اللغات الطبيعية (NLP) يهدف إلى بناء نظام ذكي قادر على تصنيف آراء ومشاعر المستخدمين (إيجابية، سلبية، محايدة) من نصوص خام على تويتر. تم خلال المشروع بناء ومقارنة ثلاثة نماذج شبكات عصبية مختلفة للوصول إلى أفضل أداء.

الخطوات التي قمت بها:

استكشاف وتنظيف البيانات (EDA & Preprocessing): قمت بتحميل البيانات وتحليلها باستخدام رسوم بيانية مثل (Word Clouds) لفهم طبيعتها، ثم قمت بتطبيق تقنيات تنظيف متقدمة للنصوص باستخدام مكتبات احترافية مثل spaCy و Keras Tokenizer.

هندسة الميزات (Vectorization): حولت النصوص النظيفة إلى متجهات رقمية (Vectors) باستخدام طريقتين مختلفتين: TF-IDF للنموذج الكلاسيكي، و Embeddings لنماذج التعلم العميق.

بناء وتدريب النماذج: قمت ببناء ثلاثة نماذج مختلفة من الصفر:

1. شبكة عصبية عميقة (DNN).

2. شبكة عصبية تكرارية (SimpleRNN).

3. شبكة LSTM المتطورة.

التقييم والمقارنة بعد تدريب النماذج، قمت بتقييم أدائها بشكل دقيق باستخدام مقاييس مثل Classification Report و Confusion Matrix لتحديد النموذج الأفضل أداءً.

النتيجة النهائية:

أظهر نموذج الشبكة العصبية العميقة (DNN) تفوقًا واضحًا وحقق دقة مذهلة بلغت 97% على بيانات الاختبار. المشروع يحتوي على قسم تفاعلي في النهاية يسمح بتجربة النموذج الفائز على جمل جديدة ورؤية قدرته على التصنيف بشكل مباشر.