تطوير خط معالجة وتدريب متكامل (End-to-End Pipeline) لنموذج تعلم عميق يحدد جنس المتحدث بدقة من خلال تحليل الخصائص الصوتية. المهام والتقنيات:معالجة البيانات لمنع التسريب: تطبيق التقسيم الطبقي للبيانات (Stratified Split)، ومعايرة الخصائص عبر StandardScaler بعد التقسيم حصراً لضمان واقعية تقييم النموذج. بناء المعمارية: تصميم شبكة التفافية أحادية البعد ببيئة TensorFlow/Keras، متضمنة طبقات Conv1D و BatchNormalization و MaxPooling1D، مع دمج Dropout لمنع ظاهرة الإفراط في التخصيص. التحكم بالتدريب: الاعتماد على محفز Adam ودالة Binary Crossentropy، وتوظيف أداة EarlyStopping لمراقبة الأداء واستعادة أفضل الأوزان تلقائياً أثناء التدريب. التقييم والتحليل: قياس كفاءة النموذج بدقة باستخدام مصفوفة الارتباك (Confusion Matrix)، استخراج نسب الحساسية والنوعية، ورسم منحنيات التعلم بيانياً عبر مكتبات Seaborn و Matplotlib. الأدوات المستخدمة: Python, TensorFlow, Keras, Scikit-Learn, Pandas, NumPy, Matplotlib, Seaborn.