Ghada R.

هذا المشروع يهدف إلى بناء نموذج تعلم آلة لتحليل مشاعر التغريدات على منصة تويتر. الهدف هو تصنيف التغريدات إلى ثلاث فئات: إيجابية، سلبية، أو محايدة، وذلك باستخدام تقنيات معالجة اللغة الطبيعية (NLP) وخوارزمية Random Forest.

-التقنيات المستخدمة:

* Python

* Scikit-learn

* NLTK و Regular Expressions

* Pandas و NumPy

* Matplotlib و Seaborn

-خطوات العمل:

* تنظيف ومعالجة البيانات النصية (إزالة الضوضاء، الكلمات الشائعة، التقطيع، التルقيم... إلخ)

* تحليل استكشافي للبيانات لفهم توزيع المشاعر

* استخراج الخصائص باستخدام TF-IDF

* تدريب عدة نماذج واختيار Random Forest بناءً على الأداء

* تقييم النموذج باستخدام دقة التصنيف، ومعايير مثل Precision، Recall، وF1-score

-النتائج:

حقق النموذج دقة تصنيف تصل إلى 96% على مجموعة الاختبار، مما يدل على كفاءته العالية في تصنيف المشاعر.

-تطبيقات المشروع:

* مراقبة مشاعر الجمهور على وسائل التواصل الاجتماعي

* تحليل آراء العملاء وتعزيز تجربة المستخدم

* أبحاث السوق والسياسة

* أنظمة استجابة تلقائية بناءً على المشاعر

يركز هذا المشروع على تطوير نموذج شبكة عصبية اصطناعية لتشخيص سرطان الثدي. يهدف النموذج إلى تصنيف الأورام إلى حميدة أو خبيثة استنادًا إلى مجموعة من الخصائص مثل متوسط القطر، النسيج، المحيط، المساحة، والنعومة. يعتمد المشروع على بيانات طبية دقيقة تحتوي على قياسات متعددة لأورام مختلفة، ويهدف إلى تقديم تنبؤات دقيقة بشأن ما إذا كان الورم سرطانيًا أم لا.

-التقنيات المستخدمة:

* Python

* TensorFlow و Keras لبناء وتدريب الشبكة العصبية

* Pandas و NumPy لمعالجة البيانات

* Matplotlib و Seaborn لتصور البيانات

-خطوات العمل:

*جمع البيانات ومعالجتها: تم تحميل مجموعة بيانات سرطان الثدي، وتنظيفها من القيم المفقودة، وتطبيع الخصائص لتحسين أداء النموذج.

* تحليل البيانات الاستكشافي: تم إجراء تحليل بصري لفهم توزيع الخصائص وعلاقتها بتصنيف الورم (حميد أو خبيث).

* بناء النموذج: تم بناء نموذج شبكة عصبية باستخدام Keras يتكون من طبقات متعددة ووظائف تفعيل، وتم تدريبه على البيانات المعالجة.

* تقييم النموذج: حقق النموذج دقة تصنيف وصلت إلى 98% في التمييز بين الأورام الحميدة والخبيثة.

-النتائج:

أثبت النموذج كفاءته العالية من خلال تحقيق دقة تصل إلى 98% على بيانات الاختبار، مما يدل على فعاليته الكبيرة في تطبيقات التشخيص الطبي المبكر.

-تطبيقات المشروع:

* الكشف المبكر عن سرطان الثدي: يساعد في تقديم تشخيص مبكر، مما يساهم في تحسين فرص العلاج.

* دعم اتخاذ القرار الطبي: يوفر توقعات دقيقة تدعم الأطباء في اتخاذ قرارات مبنية على البيانات.

* أتمتة الرعاية الصحية: يمكن دمجه في أنظمة الرعاية الصحية لتقديم تشخيص آلي، مما يسرّع العملية ويقلل من نسبة الخطأ البشري.

طالبة في السنة النهائية بتخصص علوم الحاسب مع تركيز على الذكاء الاصطناعي وتعلم الآلة. اكتسبت مهارات قوية في تحليل البيانات، بناء النماذج الذكية، وتطوير حلول تقنية باستخدام أدوات مثل Python، Scikit-learn، وTensorFlow. عملت على مشاريع عملية مثل تصنيف المشاعر وتشخيص سرطان الثدي باستخدام الشبكات العصبية.

برنامج تدريبي مكثف لمدة 6 شهور ضمن مبادرة Digital Egypt Professionals Initiative (DEPI)، يهدف لتأهيل الشباب في مجالات تكنولوجيا المعلومات والذكاء الاصطناعي. ركزت المنحة على تعلم الآلة، علم البيانات، والبرمجة بلغة Python، بالإضافة إلى تدريبات عملية على أدوات مثل Pandas، NumPy، Scikit-learn، وTensorFlow.