Gui بـ Python لتحليل البيانات وتدريب نماذج ML بواجهة رسومية Tkinter

بايثون تحليل البيانات برمجة قواعد البيانات تطوير قاعدة بيانات تصوير البيانات بايثون تحليل البيانات برمجة قواعد البيانات تطوير قاعدة بيانات تصوير البيانات

أبحث عن مطور Python متخصص في Machine Learning لبناء gui باستخدام Tkinter، يُمكّن أي مستخدم من رفع ملف CSV وتدريب نموذج ML عليه وتقييمه والتنبؤ بنتائج جديدة — كل ذلك من واجهة رسومية سهلة الاستخدام دون الحاجة لكتابة أي كود. الشاشة الأولى — الترحيب • شاشة بداية بتصميم بسيط تحتوي على اسم التطبيق وزر "ابدأ" • الانتقال منها يأخذ المستخدم مباشرةً لشاشة إعداد البيانات الشاشة الثانية — إعداد البيانات • زر لرفع ملف CSV من الجهاز • عرض معاينة أول 5 صفوف من البيانات داخل الواجهة • عرض قائمة بأسماء جميع الأعمدة في Listbox قابل للتمرير • اختيار نوع المهمة عبر Radio Buttons: - Classification (تصنيف) - Regression (انحدار) - Clustering (تجميع) • اختيار الخوارزمية عبر Combobox، تتغير تلقائيًا بناءً على المهمة: - Classification: KNN / SVM / Decision Tree - Regression: Linear Regression - Clustering: K-Means • زر "متابعة" للانتقال لشاشة التدريب الشاشة الثالثة — التدريب والتنبؤ [ معالجة البيانات تلقائيًا ] • تعبئة القيم الناقصة: - الأعمدة الرقمية: بالمتوسط - الأعمدة النصية: بالقيمة الأكثر تكراراً (Mode) • تحويل الأعمدة النصية بـ Label Encoding • تطبيع الأعمدة الرقمية بـ Standard Scaling • تقسيم البيانات: 80% تدريب / 20% اختبار [ تدريب النموذج ] • زر "Train Model" يبدأ التدريب فوراً • دعم الخوارزميات التالية: - KNeighborsClassifier - SVC (Support Vector Classifier) - DecisionTreeClassifier - LinearRegression - KMeans (n_clusters=3) [ تقييم النموذج ] • Classification: - Accuracy / Precision / Recall / F1-Score - Confusion Matrix نصي داخل Text Widget - رسم Heatmap للـ Confusion Matrix بـ Matplotlib داخل الواجهة • Regression: - MAE / RMSE / R² Score - رسم Scatter Plot (Predicted vs Actual) داخل الواجهة [ إدخال بيانات جديدة والتنبؤ ] • حقول إدخال ديناميكية تتولد تلقائيًا بناءً على أعمدة الـ Dataset • الحقول داخل Canvas قابل للتمرير لدعم Datasets ذات أعمدة كثيرة • زر "Predict" يعطي النتيجة فوراً في نافذة منبثقة (messagebox) متطلبات التصميم والجودة • واجهة عصرية بـ ttk.Style مع Theme "clam" • خلفية موحدة (#f5f6fa) وألوان متسقة في كل الشاشات • Header ثابت يظهر في جميع الشاشات • خطوط Segoe UI بأحجام واضحة ومريحة للقراءة • أزرار بتصميم Accent واضح ومميز التسليم المطلوب • ملف Python نظيف ومنظم (OOP - Class-based) • ملف requirements.txt بجميع المكتبات المستخدمة • اختبار التطبيق على dataset نموذجي (مثل Iris أو Titanic أو Boston Housing) وإرفاق نتائج التقييم • التأكد من عمل التطبيق بدون أخطاء على Python 3.9+ المكتبات المستخدمة (مرجع) pandas | numpy | scikit-learn | matplotlib | tkinter (built-in)