Uber_Pickup_Cluster

**Uber Pickup Clustering | تحليل وتحديد مناطق الطلب المرتفع**

تطوير نظام Machine Learning لتحليل بيانات رحلات Uber في نيويورك، واكتشاف مناطق الطلب المرتفع (Hotspots) باستخدام تقنيات Unsupervised Learning.

**أبرز نقاط القوة والتميز:**

- **حجم البيانات:** 180,000 سجل و4 أعمدة أساسية.

- إجراء EDA وتحليل التوزيع الجغرافي والزمني لطلبات الرحلات.

- تطبيق Feature Engineering لاستخراج الساعة واليوم والشهر من بيانات الوقت.

- بناء ومقارنة خوارزميتي K-Means وDBSCAN لاكتشاف التجمعات الجغرافية.

- تنفيذ تجربتين للمقارنة بين Spatial Clustering وSpatio-Temporal Clustering.

- تحسين إعدادات التجميع باستخدام Elbow Method وSilhouette Score.

- تدريب نموذج KNN لتوقع انتماء نقاط جديدة للتجمعات المكتشفة.

**النتائج المحققة:**

- **Silhouette Score: 0.669** باستخدام DBSCAN في التحليل المكاني.

- تحديد **6 مجموعات** باستخدام K-Means بعد التحسين.

- **KNN Test Accuracy: 99.92%** في إعادة توقع تسميات التجميع المكاني الناتجة عن DBSCAN.

**التقنيات المستخدمة:**

Python | Pandas | NumPy | Scikit-learn | K-Means | DBSCAN | KNN | Matplotlib | Seaborn | Plotly

يوضح المشروع قدرتي على تحليل البيانات المكانية والزمانية، واكتشاف الأنماط الخفية وتحويل نتائج التجميع إلى نماذج قابلة لإعادة الاستخدام.