تحليل وتصنيف الأداء البدني باستخدام Machine Learning وPython

قمت بتنفيذ مشروع عملي بعنوان Body Performance Analytics and Intelligent Classification System، وهو مشروع يهدف إلى تحليل بيانات الأداء البدني وبناء نماذج ذكاء اصطناعي للتنبؤ بمستوى الأداء البدني للأشخاص، بالإضافة إلى التنبؤ بمسافة الوثب العريض broad_jump_cm باستخدام القياسات الفسيولوجية.

اعتمد المشروع على تطبيق Pipeline كامل للـ Machine Learning بداية من تجهيز البيانات، مرورًا بالتحليل الاستكشافي EDA، ثم تدريب أكثر من نموذج، ومقارنة النتائج لاختيار أفضل نموذج. المشروع استخدم Dataset تحتوي على 13,393 سجل و 12 متغيرًا، وبعد إزالة التكرار أصبحت 13,392 سجلًا.

ما الذي تم تنفيذه داخل المشروع؟

تنظيف وتجهيز بيانات الأداء البدني.

فحص القيم المفقودة والتكرارات والقيم غير المنطقية.

إزالة صف مكرر من البيانات.

معالجة القيم الشاذة في متغير broad_jump_cm.

تحويل المتغيرات النصية إلى رقمية باستخدام Encoding.

تطبيق StandardScaler لتوحيد مقاييس البيانات قبل تدريب النماذج.

تنفيذ تحليل استكشافي للبيانات EDA.

تحليل التوزيعات والعلاقات بين المتغيرات.

إنشاء Correlation Heatmap لفهم العلاقات بين الخصائص.

بناء نماذج تصنيف للتنبؤ بالفئة البدنية A, B, C, D.

بناء نماذج Regression للتنبؤ بمسافة الوثب العريض.

استخدام Train/Test Split و Cross Validation لمقارنة استقرار النماذج.

تقييم النماذج باستخدام Accuracy, F1 Score, RMSE, R².

نماذج الذكاء الاصطناعي المستخدمة

تم تدريب ومقارنة عدة نماذج، منها:

K-Nearest Neighbors

Decision Tree

Support Vector Machine

Neural Network / MLP Classifier

Linear Regression

KNN Regressor

Decision Tree Regressor

Support Vector Regressor

MLP Regressor

في جزء التصنيف، تم اختبار KNN وDecision Tree وSVM بنوعيه Linear وRBF، بالإضافة إلى MLP بطبقة واحدة وطبقتين. وفي جزء الانحدار، تم اختبار Linear Regression وKNN Regressor وDecision Tree Regressor وSVR وMLP Regressor.

أهم النتائج

أفضل نموذج تصنيف كان MLP 1-Layer بدقة 0.7525 و F1 Score يساوي 0.7513.

أفضل نموذج Regression كان MLP Regressor 2-Layer بقيمة R² = 0.7930 و RMSE يساوي 17.67 cm.

أظهرت النتائج أن بعض الفئات مثل A و D أسهل في الفصل، بينما يوجد تداخل أكبر بين الفئات القريبة مثل B و C.

أظهرت الـ EDA أن هناك علاقة قوية بين gripForce و sit-ups counts و broad_jump_cm.

أظهرت النتائج أن العمر ونسبة الدهون لهما علاقة سلبية مع الأداء البدني.

القيمة التي يقدمها المشروع

هذا المشروع يوضح كيفية استخدام الذكاء الاصطناعي وتحليل البيانات لفهم الأداء البدني والتنبؤ به اعتمادًا على مؤشرات قابلة للقياس.

يمكن تطبيق نفس الفكرة في مجالات مثل:

تقييم اللياقة البدنية.

مراكز التدريب الرياضي.

تحليل أداء اللاعبين.

أنظمة الصحة واللياقة.

دعم المدربين في اتخاذ قرارات مبنية على البيانات.

بناء أنظمة توصية للتدريب والتحسين البدني.

الأدوات المستخدمة

Python

Pandas

NumPy

Matplotlib

Seaborn

Scikit-learn

Jupyter Notebook

Machine Learning

Data Visualization

Classification

Regression

المهارات المستخدمة في المشروع

Data Cleaning

Exploratory Data Analysis

Feature Encoding

Feature Scaling

Classification Models

Regression Models

Model Evaluation

Cross Validation

Confusion Matrix Analysis

Business Insights

AI Model Comparison

هذا المشروع يعكس قدرتي على تنفيذ مشروع ذكاء اصطناعي كامل من البداية للنهاية، بداية من فهم البيانات وتنظيفها، ثم تحليلها بصريًا، وبناء النماذج، وتقييم النتائج، واستخراج Insights واضحة تساعد على اتخاذ قرارات مبنية على البيانات.