تصنيف وتحليل صور منتجات الموضة باستخدام تعلّم الآلة (Fashion-MNIST)

قمت بتطوير نموذج متكامل لتصنيف صور منتجات الموضة من مجموعة بيانات Fashion-MNIST الشهيرة، وذلك باستخدام خوارزميات تعلم آلة متقدمة. يهدف المشروع إلى مقارنة كفاءة التعلم غير الخاضع للإشراف (عن طريق التجميع - Clustering) والتعلم الخاضع للإشراف في فهم وتصنيف أنماط الصور المعقدة.أبرز المهام التي قمت بها:معالجة البيانات (Data Preprocessing): تنظيف البيانات وإزالة القيم المكررة لضمان دقة النتائج.هندسة الميزات وتقليل الأبعاد (PCA): استخدام تقنية تحليل المكونات الرئيسية (PCA) لتقليل عدد ميزات الصور (من 784 بكسل إلى 200 مكون فقط) مع الحفاظ على أهم المعلومات، مما ساهم في تسريع عملية التدريب.التجميع العنقودي (K-Means Clustering): تطبيق خوارزمية K-Means لتصنيف الصور إلى 5 فئات أساسية (بناطيل، فساتين، صنادل، قمصان، حقائب) بشكل آلي، وحصلت من خلالها على دقة تقارب 70%.النمذجة التنبؤية (Logistic Regression): بناء نموذج انحدار لوجستي متقدم حقق نتائج باهرة بدقة تصل إلى 95% على بيانات الاختبار.التقييم البصري (Data Visualization): إنشاء رسوم بيانية توضح توزيع البيانات، مصفوفة الارتباك (Confusion Matrix)، ومنحنيات الـ ROC لتقييم كفاءة النماذج بدقة.النتائج المحققة:تحقيق دقة عالية جداً (95%) في تصنيف المنتجات باستخدام Logistic Regression.القدرة على استنتاج الهيكل الأساسي للصور باستخدام K-Means وإعادة بناء مراكز المجموعات (Cluster Centers) بصرياً.نموذج مستقر لا يعاني من مشكلة "Overfitting"، مما يضمن كفاءته عند تطبيقه على بيانات جديدة.