Ahmed E.
نبذة
بسم الله الرحمن الرحيم
السلام عليكم،
أنا أحمد الرشيدي، مهندس علوم البيانات والذكاء الاصطناعي، متخصص في التعلم الآلي والتعلم العميق، وأسعى دائمًا لاستخدام هذه التقنيات لاستخلاص رؤى قيّمة وتحليل البيانات بطرق إبداعية وفعّالة، مما يساعد في تقديم حلول ذكية تدعم اتخاذ القرارات المستندة إلى البيانات.
مهاراتي وخبراتي:
تحليل ومعالجة البيانات (Data Analysis & Preprocessing): لدي خبرة في تنظيف البيانات، هندسة الميزات، وتحليل البيانات الاستكشافي باستخدام Pandas, NumPy, SQL لضمان جودة المدخلات وتحسين أداء النماذج.
بناء نماذج تعلم الآلة والتعلم العميق (Machine & Deep Learning): أعمل على تطوير نماذج تصنيف وتنبؤ باستخدام Scikit-learn, TensorFlow, PyTorch، مع تطبيق تقنيات مثل Hyperparameter Tuning, Cross-Validation, Feature Selection لضمان تحقيق أفضل أداء.
تقنيات تجميع النماذج (Ensemble Learning): لدي خبرة في تحسين الدقة باستخدام طرق مثل Stacking, Boosting, Bagging، ودمج نتائج نماذج متعددة لتحقيق استنتاجات أكثر موثوقية.
رؤية الكمبيوتر (Computer Vision): خبرتي تشمل تحليل الصور وتصنيفها، واكتشاف الكائنات، وتحليل صور الأشعة السينية باستخدام OpenCV, CNNs, YOLO, EfficientNet.
Web Scraping وأتمتة جمع البيانات: أستخدم BeautifulSoup, Selenium, Scrapy لاستخراج وتحليل البيانات من الويب بشكل تلقائي وفعال.
أسعى دائمًا للتطوير المستمر، وألتزم بتقديم نتائج عالية الجودة تلبي احتياجات العملاء من خلال دمج الحلول التقنية المتقدمة مع أفضل الممارسات في علوم البيانات.
تحياتي،
أحمد الرشيدي
الخبرات
تطبيق نماذج تعلم الآلة لاكتشاف الاحتيال في معاملات البطاقات الائتمانية
الوصف:
يهدف هذا العمل إلى تطوير واختبار نماذج تعلم الآلة لاكتشاف الاحتيال في معاملات البطاقات الائتمانية. تم تحليل البيانات التي تتضمن معاملات بطاقات ائتمانية، مع التركيز على معالجة مشاكل مثل عدم التوازن بين الفئات والتعرف على القيم الشاذة. تم تنفيذ خطوات استباقية لمعالجة البيانات مثل معالجة القيم المفقودة، التعامل مع القيم الشاذة، واستخدام تقنيات الموازنة مثل التقليل العشوائي (undersampling) والزيادة العشوائية (oversampling).
شملت النماذج التي تم تنفيذها شبكات عصبية ثنائية، مصنفات آلات الدعم المتجهة (SVM)، ومصنفات تعلم الآلة الجماعي (Ensemble Learning) مثل الغابات العشوائية (Random Forest) وتقنيات التصنيف المكدس (Stacking Classification).
تم تقييم الأداء باستخدام مقاييس مثل الدقة (Accuracy)، حيث أظهرت النتائج أن أفضل أداء تحقق بواسطة نموذج الغابات العشوائية بعد تنفيذ تقنيات الزيادة العشوائية، حيث حقق دقة بلغت 100%.
يظهر هذا العمل أهمية استخدام تقنيات تعلم الآلة المتقدمة لتحسين اكتشاف الاحتيال وتعزيز أمان الأنظمة المالية.
تحليل استكشافي للبيانات: معالجة القيم المفقودة والشاذة واستكشاف الأنماط
وصف:
يتناول هذا المشروع تحليلًا استكشافيًا للبيانات (EDA) بهدف فهم خصائص مجموعة بيانات كبيرة تحتوي على 40 عمودًا و33,145 صفًا. يتضمن العمل خطوات متعددة لتحليل ومعالجة البيانات استعدادًا للاستخدام في النمذجة والتنبؤات المستقبلية.
الخطوات الأساسية:
1. استكشاف البيانات:
- تحميل البيانات وفحصها لفهم الأبعاد والخصائص الأساسية.
- تحليل الأنواع المختلفة للبيانات (عددية وفئوية).
2. معالجة القيم المفقودة:
- استخدام مكتبة `missingno` لتصور الأنماط المفقودة.
- ملء القيم المفقودة باستخدام طرق مثل الوسط والوسيط للوحدات العددية، والوضع للوحدات الفئوية.
3. تحليل القيم الشاذة:
- إنشاء مخططات الصندوق (Boxplots) لتحديد القيم الشاذة.
- معالجة القيم الشاذة باستخدام تقنيات مثل استبدالها بالوسيط.
4. تصور البيانات:
- استخدام مكتبات مثل `matplotlib` و`seaborn` لتوضيح العلاقات بين المتغيرات.
- إنشاء مخططات حرارية ومصفوفات لتوضيح القيم المفقودة وتوزيع البيانات.
الأدوات والتقنيات المستخدمة:
- مكتبات Python: مثل `pandas`, `numpy`, `missingno`, `matplotlib`, و`seaborn`.
- تقنيات معالجة البيانات مثل تعبئة القيم المفقودة وتحليل القيم الشاذة.
الهدف:
إعداد البيانات بطريقة منظمة لتحليل أعمق أو لنماذج تعلم الآلة لاحقًا، مع ضمان جودة البيانات وتقليل تأثير المشكلات الشائعة مثل القيم المفقودة والشاذة.
مخرجات العمل:
- مجموعة بيانات معالجة وخالية من القيم المفقودة.
- تحليل شامل للعلاقات والأنماط داخل البيانات.
- تصور واضح للبيانات لتحديد الاتجاهات والمشكلات المحتملة.
تصميم لوحة تحليل بيانات لشركة BMW متعددة الموديلات باستخدام تقنيات التصور البياني
وصف:
تم تصميم لوحة تحليل بيانات (Dashboard) لشركة BMW متعددة الجنسيات، بهدف توفير رؤية شاملة ومفصلة حول أداء الشركة في مجالات مختلفة مثل المبيعات، الأرباح، وتوزيع السيارات حسب المناطق الجغرافية. تم تطوير هذه اللوحة باستخدام تقنيات التصور البياني المتقدمة لتسهيل فهم البيانات واتخاذ القرارات الإدارية بناءً على إحصاءات دقيقة.
الفئات المستفيدة من اللوحة:
1. مديرو الشركة: يمكنهم استخدام اللوحة لمراقبة الإحصاءات الرئيسية حول أداء الشركة، مثل الأرباح السنوية والمبيعات.
2. فريق التوزيع: تساعد اللوحة في تحديد أنواع السيارات الأكثر ملاءمة لكل منطقة جغرافية، مما يسهم في تحسين استراتيجيات التوزيع.
3. فريق الصيانة: توفر اللوحة معلومات عن أنواع السيارات المتوفرة في مناطق معينة، مما يساعد في توفير قطع الغيار المناسبة.
البيانات التي توفرها اللوحة:
- المبيعات: إحصاءات الأرباح خلال السنة الماضية.
- طراز السيارة: الطرازات الأكثر مبيعًا.
- المنطقة: المناطق الجغرافية التي يتم توريد السيارات إليها.
- السنة: إحصاءات المبيعات على أساس سنوي.
الأسئلة التي تجيب عليها اللوحة:
1. ما هي نسبة الدخل من كل منطقة يتم توريد السيارات إليها؟
2. ما هي الأرباح المتوقعة خلال السنوات الثلاث القادمة؟
3. ما هي السيارات الأكثر مبيعًا؟
الرسوم البيانية المستخدمة:
1. المخطط الدائري (Pie Chart): يعرض نسبة الأرباح من كل منطقة جغرافية، مما يسهل فهم التوزيع النسبي للدخل.
2. المخطط العمودي (Bar Chart): يعرض ترتيب السيارات من الأكثر إلى الأقل مبيعًا، مما يسهل المقارنة بين الطرازات المختلفة.
3. المخطط الخطي (Line Chart): يعرض توقعات المبيعات خلال السنوات الثلاث القادمة، مما يساعد في تتبع التغيرات مع مرور الوقت.
4. المخطط العمودي المجزأ (Partitioned Bar Chart): يعرض نسبة الأرباح من المناطق بتفصيل أكبر، مما يوفر رؤية أكثر دقة لهيكلة البيانات.
التقنيات المستخدمة:
- تم استخدام مكتبة amCharts لإنشاء الرسوم البيانية التفاعلية.
- تم تطوير الكود باستخدام JavaScript لجلب البيانات من الخادم وتحديث الرسوم البيانية تلقائيًا.
نقاط التحسين المقترحة:
- إضافة المزيد من الألوان لتحسين تجربة المستخدم.
- إدراج خرائط جغرافية (Map Charts) لعرض البيانات بشكل أكثر تفاعلية.
- توسيع نطاق اللوحة لتشمل بيانات عالمية بدلاً من التركيز فقط على أمريكا.
التعليم
جامعة زويل للعلوم والتكنولوجيا
كلية علوم حاسب وذكاء اصطناعي قسم علوم بيانات وذكاء اصطناعي