End-to-End Machine Learning Pipeline for Heart Disease Prediction

في قطاع الرعاية الصحية، يُعد التشخيص المبكر للأمراض خطوة حاسمة لإنقاذ الأرواح. يهدف هذا المشروع إلى بناء نموذج ذكاء اصطناعي (Machine Learning Model) متكامل قادر على التنبؤ باحتمالية إصابة المرضى بأمراض القلب، وذلك بالاعتماد على تحليل السجلات والمؤشرات الحيوية للمرضى (مثل العمر، ضغط الدم، ومستويات الكوليسترول).

مراحل العمل والتنفيذ:

استكشاف وتحليل البيانات (EDA): - دراسة البيانات الطبية بعمق وتصورها رسومياً لفهم العلاقات (Correlations) بين مختلف الأعراض الطبية واحتمالية الإصابة بالمرض.

تنظيف ومعالجة البيانات (Data Preprocessing): - التعامل مع البيانات المفقودة، وتجهيز المتغيرات الطبية للتحليل.

تطبيق تقنيات التقييس (Standard Scaling) لضمان تدريب النموذج على بيانات دقيقة وموحدة.

تدريب وتقييم النماذج (Model Training & Evaluation): - تطبيق عدة خوارزميات للتعلم الموجه (Supervised Learning).

اختيار وتدريب خوارزمية (Random Forest) التي أثبتت كفاءة ودقة عالية في تصنيف الحالات المرضية بدقة.

تصدير النموذج للاستخدام الفعلي (Model Deployment Preparation): - كخطوة احترافية، تم حفظ النموذج النهائي المُدرب بصيغة (final_model.pkl) باستخدام مكتبة Joblib، مما يجعله جاهزاً تماماً للدمج المباشر (Integration) داخل أي تطبيق ويب أو نظام إلكتروني خاص بالمستشفيات أو العيادات.

التقنيات والأدوات المستخدمة:

لغة البرمجة الأساسية: Python

تحليل ومعالجة البيانات: Pandas, NumPy

التمثيل البصري للبيانات: Matplotlib, Seaborn

تطوير خوارزميات تعلم الآلة: Scikit-Learn

حفظ وتصدير النموذج: Joblib