Haidy Alsayed Hassan
عني
مرحبًا، أنا هايدي السيد، مهندسة تعلم آلة (Machine Learning Engineer) ومحللة بيانات (Data Analyst)، شغوفة بتحويل البيانات إلى رؤى قيمة (Insights) وحلول ذكية تساعد على اتخاذ قرارات أكثر دقة وفعالية. أمتلك خبرة عملية في تحليل البيانات (Data Analysis)، والتعلم الآلي (Machine Learning)، وتصوير البيانات (Data Visualization)، والنمذجة التنبؤية (Predictive Modeling)، وتطوير لوحات المعلومات التفاعلية (Dashboard Development). كما عملت على العديد من المشاريع التي تضمنت تنظيف البيانات (Data Cleaning)، وهندسة الخصائص (Feature Engineering)، والتحليل الاستكشافي للبيانات (Exploratory Data Analysis - EDA)، بالإضافة إلى بناء نماذج الانحدار (Regression) والتصنيف (Classification) وتقييم أدائها باستخدام أحدث الأساليب والمعايير المتبعة في المجال. أسعى إلى تقديم حلول دقيقة وفعالة وعالية الجودة تساعد العملاء على اتخاذ قرارات مبنية على البيانات (Data-Driven Decisions). كما أحرص على التعلم المستمر ومواكبة أحدث التطورات في مجالات الذكاء الاصطناعي (Artificial Intelligence)، والتعلم الآلي (Machine Learning)، والتعلم العميق (Deep Learning)، ومعالجة اللغات الطبيعية (Natural Language Processing - NLP)، والرؤية الحاسوبية (Computer Vision). **Skills:** • Python • Pandas & NumPy • Scikit-learn • Data Analysis • Data Visualization • Machine Learning • Predictive Modeling • Dashboard Development • Data Preprocessing • Feature Engineering • Exploratory Data Analysis (EDA) • NLP Fundamentals • Deep Learning Fundamentals • Computer Vision Fundamentals
المهارات
خدماتي
لم يتم إضافة خدمات بعد.
ملف الأعمال
Medical Insurance Charges Prediction Using Machine Learning
الوصف
قمت بتنفيذ مشروع متكامل لتحليل البيانات وبناء نماذج ML للتنبؤ بتكاليف التأمين الطبي بناءً على بيانات العملاء والمؤشرات الصحية. يشمل المشروع تنظيف وتجهيز البيانات (Data Cleaning & Preprocessing)، تحليل البيانات واستخراج العلاقات بين المتغيرات، واستخدام Visualization لعرض النتائج بشكل واضح. النماذج المستخدمة: Linear Regression, Multiple Linear Regression, Polynomial Regression, SVR, Decision Tree Regressor, Random Forest Regressor. تم تدريب ومقارنة النماذج باستخدام MAE, MSE, RMSE, R² Score لاختيار أفضل نموذج من حيث الأداء والدقة. كما تم تطوير واجهة تفاعلية باستخدام Streamlit لإدخال بيانات المستخدم والحصول على التوقعات مباشرة. الأدوات المستخدمة: Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, Streamlit. مميزات المشروع: كود منظم وموثق، معالجة البيانات وتحويلها باستخدام One Hot Encoding، تدريب نماذج متعددة وتحسين الأداء، واجهة سهلة الاستخدام، وإمكانية التنبؤ بالتكاليف الطبية بدقة. يعكس المشروع مهاراتي في Data Analysis, Machine Learning, Data Visualization, Model Building
اختر نوع الحساب
انضم كمستقل
انضم كعميل