مشروع تحليل بيانات وتعلم آلي باستخدام بيانات التجارة الإلكترونية البرازيلية (Olist)، يهدف إلى تحليل سلوك الطلبات وخصائص التوصيل وبناء نماذج للتنبؤ بوقت وصول الطلب.

شمل المشروع تنظيف وتجميع البيانات على مستوى الطلب، وتحليل البيانات واكتشاف القيم الشاذة والانحراف في التوزيعات، بالإضافة إلى Feature Engineering لإنشاء خصائص زمنية وخصائص مرتبطة بالأسعار والشحن وموعد التسليم المتوقع.

تم تطبيق وتجربة عدة خوارزميات للـRegression، منها Linear Regression وDecision Tree وRandom Forest وGradient Boosting وXGBoost، مع استخدام Cross-Validation وHyperparameter Tuning لتحسين الأداء.

حقق أفضل نموذج، XGBoost، MAE بحوالي 4.14 يوم، وRMSE بحوالي 7.10 يوم، وR² بحوالي 0.327 على بيانات الاختبار.

كما تم تنفيذ تجربة Classification للتنبؤ بتأخر الطلب عن الموعد المتوقع، مع معالجة عدم توازن الفئات وتحليل Precision وRecall وF1-Score وROC-AUC وConfusion Matrix.

الأدوات: Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, XGBoost.