التنبؤ بدرجات الطلاب باستخدام نماذج الانحدار في تعلم الآلة

في هذا المشروع قمت بتطوير نموذج تعلم آلي للتنبؤ بدرجات الطلاب النهائية اعتمادًا على مجموعة من العوامل المؤثرة في الأداء الأكاديمي مثل عدد ساعات المذاكرة، جلسات التقوية، مستوى النوم، دعم الأسرة، واستخدام الإنترنت.

بدأ العمل بمرحلة تنظيف وتجهيز البيانات لضمان دقتها وجودتها، حيث تم إزالة القيم المكررة والدرجات غير المنطقية، وترميز المتغيرات الفئوية باستخدام Label Encoding، ومعالجة القيم الشاذة باستخدام طريقة IQR، ثم تطبيع البيانات الرقمية باستخدام StandardScaler لتحسين أداء النماذج.

بعد تجهيز البيانات، تم تقسيمها إلى بيانات تدريب (80٪) وبيانات اختبار (20٪)، واختبار عدة نماذج انحدار منها:

Linear Regression

Random Forest Regressor

K-Nearest Neighbors Regressor

حقق نموذج Linear Regression أفضل أداء حيث بلغ:

Mean Squared Error (MSE): 1.27

R² Score: 0.877

مما يعني أن النموذج قادر على تفسير حوالي 87٪ من التباين في درجات الطلاب، وهي نسبة دقة قوية في مسائل التنبؤ الأكاديمي.

يُظهر هذا المشروع القدرة على تنفيذ دورة تعلم آلي كاملة بدايةً من معالجة البيانات وحتى تقييم النموذج وتحليل النتائج، مع إمكانية تطبيقه في أنظمة التعليم الذكي (EdTech) لدعم قرارات التدخل المبكر وتحسين الأداء الدراسي.