تصنيف درجات الطلاب

يركز هذا المشروع على بناء نموذج تعلم آلة للتصنيف (Machine Learning Classification) للتنبؤ بفئة الدرجة النهائية للطالب (مثل: امتياز، جيد جدًا، جيد، مقبول، وغيرها) اعتمادًا على مجموعة من مؤشرات الأداء الأكاديمي مثل درجات الواجبات، نتائج الاختبارات النصفية، نسبة الحضور، عدد ساعات المذاكرة، وعوامل أخرى مرتبطة بالأداء الدراسي.

تمت صياغة المشكلة على أنها مشكلة تصنيف متعدد الفئات (Multi-Class Classification)، حيث يتعلم النموذج الأنماط الموجودة في بيانات الطلاب الأكاديمية ليتمكن من تصنيف كل طالب ضمن فئة الدرجة المناسبة بناءً على أدائه.

مراحل تنفيذ المشروع

مر المشروع بعدة مراحل رئيسية:

1. فهم البيانات (Data Understanding)

تمت دراسة خصائص البيانات والتعرف على أنواع المتغيرات المختلفة، سواء كانت عددية أو فئوية، مع تحليل العلاقة بين هذه المتغيرات ونتيجة الطالب النهائية.

2. تحليل البيانات الاستكشافي (Exploratory Data Analysis – EDA)

تم استخدام التحليل الإحصائي والرسوم البيانية لاكتشاف الأنماط والاتجاهات في أداء الطلاب، مثل العلاقة بين ساعات المذاكرة أو نسبة الحضور ومستوى الأداء الأكاديمي.

3. معالجة البيانات (Data Preprocessing)

تضمنت هذه المرحلة عدة خطوات أساسية مثل:

التعامل مع القيم المفقودة في البيانات

تحويل المتغيرات الفئوية إلى قيم رقمية (Encoding)

تقييس الخصائص (Feature Scaling) لتحسين أداء النماذج

تقسيم البيانات إلى مجموعة تدريب (Training Set) و مجموعة اختبار (Test Set)

4. تدريب النماذج (Model Training)

تم تدريب عدة خوارزميات تصنيف لمقارنة أدائها واختيار النموذج الأفضل، مثل:

Logistic Regression

Decision Tree

Random Forest

K-Nearest Neighbors (KNN)

5. تقييم الأداء (Model Evaluation)

تم تقييم أداء النماذج باستخدام مجموعة من مقاييس التقييم الخاصة بالتصنيف، مثل:

Accuracy

Precision

Recall

F1-score

بالإضافة إلى استخدام Confusion Matrix لتحليل أداء النموذج في تصنيف كل فئة.

6. تحليل النتائج (Model Interpretation)

أظهر النموذج النهائي أداءً جيدًا في التنبؤ بفئة الدرجة النهائية للطلاب، كما ساعد في تحديد العوامل الأكثر تأثيرًا على الأداء الأكاديمي، مثل درجات الواجبات، نتائج الاختبارات، ونسبة الحضور.