Titanic_Data_Prediction
تفاصيل العمل
? أهداف المشروع
تحليل استكشافي شامل لبيانات 891 راكباً من تايتانك
اكتشاف الأنماط والعوامل المؤثرة في النجاة من الكارثة
بناء نماذج تعلم آلي للتنبؤ بالناجين
تصور البيانات بطريقة احترافية وواضحة
? التقنيات والأدوات المستخدمة
Python 3.x - لغة البرمجة الأساسية
Pandas & NumPy - معالجة وتحليل البيانات
Matplotlib & Seaborn - رسم البيانات والتصور البياني
Scikit-learn - بناء نماذج التعلم الآلي
Jupyter Notebook - بيئة العمل التفاعلية
? المميزات الرئيسية
1. التحليل الاستكشافي
استعراض شامل للبيانات وإحصائياتها
تحديد القيم المفقودة ومعالجتها
حساب معدلات النجاة الإجمالية
2. التصور البياني
تم إنشاء 6 رسوم بيانية احترافية توضح:
توزيع الناجين والضحايا
تأثير الجنس على النجاة
تأثير الدرجة الاقتصادية (الطبقة)
توزيع الأعمار والأسعار
تأثير حجم العائلة
3. هندسة الميزات
إنشاء ميزات جديدة (حجم العائلة، السفر منفرداً)
معالجة القيم المفقودة بذكاء
تحويل البيانات النصية إلى أرقام
تطبيع البيانات للحصول على أفضل أداء
4. نماذج التعلم الآلي
تم بناء نموذجين:
Logistic Regression (الانحدار اللوجستي)
Random Forest (الغابة العشوائية)
5. النتائج
دقة التنبؤ: 80-82% ✓
تقارير تفصيلية لأداء النماذج
مصفوفات الالتباس (Confusion Matrix)
تحليل أهمية كل عامل في التنبؤ
? الاكتشافات الرئيسية
الجنس: النساء كان لديهن فرصة نجاة أعلى بكثير (سياسة "النساء والأطفال أولاً")
الطبقة: ركاب الدرجة الأولى نجوا أكثر من الدرجة الثالثة
السعر: ارتباط إيجابي بين سعر التذكرة ومعدل النجاة
العمر: الأطفال والشباب كان لديهم فرص أفضل
? مخرجات المشروع
✅ دفتر Jupyter Notebook تفاعلي كامل
✅ رسوم بيانية احترافية وواضحة
✅ نماذج تعلم آلي مدربة ومختبرة
✅ أمثلة عملية للتنبؤ بالناجين
✅ كود نظيف ومُعلّق ومنظم
? المهارات المكتسبة والموضحة
تحليل وتنظيف البيانات (Data Cleaning)
التحليل الاستكشافي للبيانات (EDA)
هندسة الميزات (Feature Engineering)
بناء نماذج التعلم الآلي (Machine Learning)
تقييم النماذج وتحسينها
تصور البيانات الاحترافي
البرمجة بـ Python