تم تطوير نموذج Machine Learning عالي الكفاءة لتصنيف الفطر إلى صالح للأكل أو سام باستخدام Dataset كبيرة تضم أكثر من 3 مليون سجل بيانات. شمل المشروع مراحل تنظيف ومعالجة البيانات (Data Preprocessing)، تحليل البيانات واستكشافها (EDA)، وعمل Visualization للنتائج، مع استخدام One-Hot Encoding للبيانات التصنيفية. تم بناء وتحسين نموذج XGBoost باستخدام GridSearch لتحقيق أفضل أداء، وحقق النموذج دقة تقارب 99% على بيانات التدريب والاختبار، وحوالي 97% على منصة Kaggle، مما يعكس قدرة قوية على التعميم وكفاءة النموذج في البيئات التنافسية.