Machine_Maintenance_Classification

بناءً على ملف Machine_Maintenance_Classification.ipynb الذي قمت برفعه، قمت بصياغة وصف احترافي وشامل يمكنك استخدامه كـ "عمل سابق" في موقع مستقل. هذا الوصف يبرز مهاراتك في تعلم الآلة، تحليل البيانات، والذكاء الاصطناعي.

عنوان المشروع: نظام ذكاء اصطناعي للتنبؤ بأعطال الماكينات (Predictive Maintenance System)

وصف المشروع: قمت بتطوير نموذج تعلم آلة (Machine Learning) متكامل للتنبؤ بالأعطال الميكانيكية قبل وقوعها، بهدف تقليل تكاليف الصيانة ووقت التوقف عن العمل. المشروع مبني على مجموعة بيانات واقعية تتضمن مؤشرات تشغيلية مختلفة للماكينات.

الخطوات التقنية التي نفذتها في المشروع:

استكشاف وتحليل البيانات (EDA):

تحليل العلاقة بين المتغيرات مثل درجة حرارة الهواء، درجة حرارة التشغيل، سرعة الدوران، وعزم الدوران باستخدام مصفوفة الارتباط (Correlation Matrix) والخرائط الحرارية (Heatmaps).

فحص توازن البيانات وتحديد أنواع الأعطال الموجودة في النظام.

معالجة البيانات (Data Preprocessing):

تنظيف البيانات والتعامل مع القيم المفقودة والمتطرفة.

ترميز المتغيرات الفئوية (Categorical Encoding) مثل نوع الماكينة (L, M, H).

تحجيم البيانات (Feature Scaling) لضمان دقة النماذج الحسابية.

بناء وتقييم نماذج تعلم الآلة:

اختبار ومقارنة عدة خوارزميات تصنيف تشمل:

الاستنتاج المنطقي (Logistic Regression).

الغابات العشوائية (Random Forest Classifier).

دعم الآلات المتجهة (SVM).

الجار الأقرب (K-Nearest Neighbors).

استخدام تقنيات التحقق المتقاطع (Cross-Validation) وتحسين المعلمات (GridSearchCV) لرفع دقة النموذج.

النتائج والمخرجات:

تطوير دالة برمجية (predict_failure) تستقبل بيانات التشغيل اللحظية للماكينة وتعطي توقعاً دقيقاً باحتمالية الفشل ونسبة الثقة في هذا التوقع.

تحقيق نتائج ممتازة في مقاييس الأداء مثل الدقة (Accuracy) و (F1-score).

الأدوات والتقنيات المستخدمة:

اللغة: Python.

المكتبات: Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn.

الخوارزميات: Classification Algorithms, Feature Engineering.