End-to-End ML Pipeline: Student Grade Classification & Behavior Analysis

طوّرت هذا المشروع كنموذج تعلّم آلي متكامل يهدف إلى تحليل سلوكيات الطلاب الأكاديمية والاجتماعية، وبناء منظومة إنذار مبكر تمكّن إدارة المؤسسات التعليمية من معرفة الطلاب المعرّضين للتعثر أو الرسوب مبكراً، للتدخل وتقديم الدعم الدراسي اللازم قبل موعد الاختبارات النهائية.

خطوات العمل والتنفيذ التقني:

تجهيز البيانات وتنظيفها: جمعت ووفقت بين سجلاّت مادتين دراسيتين لعزل عينة مطابقة تشمل 382 طالباً، مع تنظيف الجداول تماماً والتأكد من سلامة البيانات وخلوها من القيم المفقودة.

هندسة الخصائص وإعداد المدخلات: حوّلت كافة البيانات الوصفية والاجتماعية إلى 63 متغيراً رقمياً بالاعتماد على الترميز الثنائي (One-Hot Encoding) لتجهيزها لخوارزميات الذكاء الاصطناعي.

الاستكشاف الإحصائي والتحليل البصري: حللت أثر عوامل مثل عدد مرات الغياب، والتعثرات السابقة، ودرجات الفصل الأول على النتيجة النهائية، واستخرجت العلاقات المؤثرة عبر مصفوفات الارتباط والرسوم البيانية التوضيحية

بناء وتدريب نموذج التنبؤ: استبعدت الدرجات النهائية المتأخرة، ودربت خوارزمية الغابات العشوائية (Random Forest) على توقع النجاح أو الرسوب بناءً على مؤشرات الفصل الأول فقط. بعد تحسين معايير النموذج عبر البحث الشبكي (GridSearchCV)، حقق دقة بلغت 81.82% مع قدرة عالية على رصد الحالات المعرضة للخطر.

مخرجات وقرارات عملية: استخرجت أهم العوامل المحددة لمستوى الطالب لتقديم توصيات إدارية واضحة تساعد المدرسة في تفعيل خطط التقوية والمتابعة السلوكية في الوقت المناسب.