تم تطوير مشروع ذكي للكشف عن الاحتيال المالي باستخدام لغة Python وتقنيات التعلم الآلي (Machine Learning) لتحديد المعاملات المالية التي يُحتمل أن تكون احتيالية.

تضمن المشروع مراحل متعددة شملت: المعالجة المسبقة للبيانات، والتحليل الاستكشافي للبيانات، وهندسة الميزات (Feature Engineering)، ومعالجة مشكلة عدم توازن الفئات (Class Imbalance) باستخدام تقنية SMOTE، بالإضافة إلى تدريب نماذج متعددة للتعلم الآلي مثل: Decision Tree وRandom Forest وXGBoost وLightGBM وCatBoost.

خضعت النماذج للتقييم والمقارنة لتحديد كفاءتها في رصد المعاملات الاحتيالية، حيث حققت النماذج الأفضل أداءً مستويات عالية من الدقة.

الأدوات والتقنيات المستخدمة: Python، Pandas، NumPy، Scikit-learn، SMOTE، التعلم الآلي، تحليل البيانات، Matplotlib، Seaborn، XGBoost، LightGBM، CatBoost.