مشروع متكامل في علوم البيانات لبناء نموذج تنبؤي يحدد العملاء المعرضين لخطر إلغاء اشتراكاتهم (Customer Churn) بشركات الاتصالات. يُتوج المشروع بتطبيق ويب تفاعلي باستخدام (Streamlit) لتمكين متخذي القرار من استخراج الرؤى بسهولة دون حاجة لخبرة برمجية.

ملامح المشروع:
معالجة البيانات (EDA): تنظيف البيانات واستنباط ميزات جديدة (Feature Engineering) كفترات الاشتراك لتحسين الدقة.
البيانات غير المتوازنة: تطبيق تقنية (SMOTE) لمعالجة الفئات غير المتوازنة وضمان عدم انحياز النموذج.
تعلم الآلة: تدريب وتحسين خوارزميات (XGBoost) و (Random Forest) باستخدام (RandomizedSearchCV) وتقييمها بـ (Cross-validation).
تفسيرية النماذج: استخدام (SHAP) لتوفير رؤى تحليلية دقيقة وقابلة للتنفيذ لأقسام التسويق.
واجهة احترافية: تطبيق ويب متكامل لرفع وتحليل البيانات.

التقنيات المستخدمة:
اللغات والواجهات: Python, Streamlit
تعلم الآلة والتحليل: Scikit-Learn, XGBoost, Pandas, Numpy, SMOTE
الرسوم والتفسير: SHAP, Matplotlib, Seaborn
بيئة العمل: Jupyter Notebook