نموذج ذكاء اصطناعي للتنبؤ بمعدلات الطلاب (GPA Prediction Model) ب استخدام تعلم الآلة (ML)

نموذج ذكاء اصطناعي للتنبؤ بالأداء الأكاديمي (GPA) باستخدام تعلم الآلة

قمت بتطوير مشروع متكامل في تحليل البيانات وتعلم الآلة (Machine Learning) يهدف إلى توقع المعدل التراكمي للطلاب (GPA) بدقة عالية. المشروع لا يقتصر فقط على بناء النموذج، بل يشمل دورة حياة البيانات كاملة من الجلب الآلي وحتى العرض البصري للنتائج.

خطوات العمل التي قمت بتنفيذها في الكود:

1. الأتمتة وجلب البيانات (Data Sourcing):

استخدمت مكتبة (Kaggle hub) لربط المشروع بقواعد بيانات عالمية بشكل آلي، مما يضمن تحديث البيانات وسهولة تشغيل الكود في أي بيئة عمل دون الحاجة لتحميل ملفات يدوياً.

2. هندسة ومعالجة البيانات (Data Pre-processing):

قمت بتنظيف أسماء الأعمدة (Cleaning) وبرمجتها لتكون موحدة وسهلة الاستخدام.

طبقت تقنية (One-hot Encoding) للتعامل مع المتغيرات الفئوية (Categorical Features) ، وهي خطوة أساسية لتحويل البيانات النصية إلى أرقام يفهمها النموذج الرياضي بدقة.

3. بناء النموذج الرياضي (Machine Learning Modeling):

قمت بتقسيم البيانات إلى مجموعة تدريب واختبار (80/20) لضمان مصداقية النتائج.

استخدمت خوارزمية Linear Regression لبناء نموذج تنبؤي قادر على فهم العلاقة بين العوامل المختلفة (مثل عدد ساعات المذاكرة، النشاطات، إلخ) وبين المعدل التراكمي.

4. التقييم والنتائج (Evaluation):

قمت بقياس جودة النموذج باستخدام معامل الارتباط (Score) لضمان دقة التوقعات.

حسبت متوسط مربع الخطأ (MSE) للتأكد من أن الفارق بين التوقعات والواقع في أدنى مستوياته.

5. التمثيل البصري (Data Visualization):

صممت رسمًا بيانيًا احترافيًا باستخدام (Matplotlib) يوضح العلاقة بين النتائج الفعلية والتوقعات، مما يسهل على العميل فهم كفاءة النموذج بمجرد النظر.

الأدوات التقنية (Tech Stack):

لغة البرمجة: Python.

المكتبات: Pandas (لتحليل البيانات), Scikit-learn (لبناء النموذج), Matplotlib (للرسم البياني), Kaggle hub (لجلب البيانات).