Wafaa M.
نبذة
مهندسة ذكاء اصطناعي (AI Engineer) ومعيدة (Teaching Assistant)، ماجستير في الذكاء الاصطناعي وعلوم البيانات (AI & Data Science) من Queen's University، كندا، أمتلك خبرة أكاديمية وعملية في تطوير حلول الذكاء الاصطناعي وتطبيقات تعلم الآلة.مما عزز خبرتي في البحث العلمي وتطوير حلول ذكاء اصطناعي عملية وقابلة للتوسع.
متخصصه في Machine Learning وDeep Learning وNatural Language Processing (NLP) وComputer Vision وGenerative AI وLarge Language Models (LLMs)، بالإضافة إلى تطوير أنظمة المحادثة الذكية (AI Chatbots). أعمل على تصميم وتنفيذ حلول متكاملة تبدأ من تحليل البيانات وتجهيزها، مرورًا بتطوير النماذج وتحسينها، وحتى نشرها في بيئات الإنتاج باستخدام أحدث التقنيات مثل AWS.
إلى جانب عملي في تطوير حلول الذكاء الاصطناعي، أقدم خدمات في تحليل البيانات، أتمتة سير العمل باستخدام n8n، Prompt Engineering، تصميم العروض التقديمية وPitch Deck، وتحسين السيرة الذاتية وملفات LinkedIn. هدفي هو تحويل الأفكار إلى حلول ذكية وعملية تحقق قيمة حقيقية للأفراد والشركات.
الخبرات
معيدة – الجامعة الروسية المصرية
تدريس مقررات تعلم الآلة والتعلم العميق.
إعداد وتنفيذ المعامل العملية باستخدام Python وTensorFlow.
الإشراف على مشاريع التخرج والمشاريع الطلابية.
معيدة – جامعة بنها الأهلية
تدريس الذكاء الاصطناعي وعلوم البيانات.
تطبيق تنبؤ بتسرّب العملاء (Customer Churn) باستخدام تعلم الآلة
تطبيق ويب تفاعلي مبني بلغة Python باستخدام مكتبة Streamlit، يهدف إلى التنبؤ باحتمالية مغادرة عملاء شركات الاتصالات (Telecom Churn) بناءً على بياناتهم وسلوكهم الاستخدامي.
أبرز مميزات المشروع:
رفع البيانات ومعالجتها تلقائيًا: يتيح للمستخدم رفع ملف بيانات العملاء بصيغة CSV (بتنسيق Telco Customer Churn المعروف)، مع معالجة تلقائية للقيم المفقودة والأعمدة غير الرقمية.
دعم 5 خوارزميات تعلم آلة مختلفة: Logistic Regression، Gradient Boosting، Random Forest، SVM، وNaive Bayes، مع إمكانية اختيار النموذج من الواجهة مباشرة ومقارنة أدائها.
معالجة اختلال التوازن في البيانات (Class Imbalance): باستخدام أوزان العينات (Sample Weights) لتحسين دقة التنبؤ بالفئة الأقل تمثيلًا (العملاء المغادرون).
لوحة تقييم شاملة للنموذج: تعرض مقاييس الأداء (ROC-AUC، Accuracy، Precision، Recall، F1-Score)، بالإضافة إلى منحنى ROC ومصفوفة الالتباس (Confusion Matrix) بتصميم بصري احترافي.
تنبؤ فردي لكل عميل: واجهة إدخال تفاعلية تتيح إدخال بيانات عميل واحد (نوع العقد، الخدمات المشترك بها، الرسوم الشهرية، إلخ) والحصول فورًا على احتمالية التسرّب مع مؤشر بصري لمستوى الخطورة.
حفظ واستيراد النماذج: إمكانية حفظ النموذج المدرَّب كملف (pickle.) لإعادة استخدامه لاحقًا دون الحاجة لإعادة التدريب.
معاينة البيانات: تبويب مخصص لعرض إحصائيات البيانات المرفوعة، القيم المفقودة، وتوزيع حالات التسرّب بشكل رسومي.
التقنيات المستخدمة: Python، Streamlit، Scikit-learn، Pandas، NumPy، Matplotlib
Abnormal action detection using video surveillance
مشروع كشف التصرفات غير الطبيعية باستخدام المراقبة بالفيديو يهدف إلى تطوير نظام ذكي لرصد المواقف الخطرة مثل الحرائق، الدخان، وجود الأسلحة، وأفعال العنف في مقاطع الفيديو. في هذا المشروع، قمت أولاً بتجهيز البيانات وتجميعها، ثم عملت تسميات (labels) يدويًا لكل حالة لضمان دقة التدريب. بعد ذلك، استخدمت نماذج YOLOv5 و YOLOv8 لتدريب النظام على هذه البيانات، مع التركيز على تحسين دقة الكشف في الوقت الحقيقي. تمكن النظام من التعرف بسرعة على الأحداث غير الطبيعية وإصدار تنبيهات فورية، مما يساعد على زيادة الأمان والتدخل السريع عند حدوث أي تهديد. يوضح هذا المشروع خبرتي في معالجة الفيديو، تعلم الآلة، ونماذج الكشف عن الأجسام (Object Detection) وتطبيقها في مواقف الحياة الواقعية.
مساعد محادثة ذكي (Chatbot) مبني على السحابة باستخدام AWS ونماذج اللغة الكبيرة (LLM)
التقنيات المستخدمة: AWS (EC2, EMR, S3, VPC)، Terraform، PySpark، Unsloth، QLoRA، Ollama، OpenWebUI، Docker
تصنيف البرمجيات الخبيثة (Malware) باستخدام تعلم الآلة على تسلسلات Opcode
بيانات ضخمة وواقعية: استخدام مجموعة بيانات EMBER 2018 الشهيرة في مجال الأمن السيبراني، والتي تحتوي على نحو 800 ألف عيّنة تدريب من ملفات PE (Portable Executable).
هندسة ميزات متقدّمة (Feature Engineering):
استخراج ميزات N-gram (Bigram) من الرسوم البيانية (Histograms) ثمانية البِت (256 بُعدًا) لتمثيل تسلسلات الأكواد الآلية (Opcodes).
استخراج بيانات وصفية من رأس ملف PE، تشمل إنتروبيا الأقسام (Section Entropy)، عدد الاستيرادات (Import Counts)، وأعلام TLS والموارد (Resource Flags).
تدريب ومقارنة نماذج متعددة: تدريب نموذج Linear SVM (مع معايرة الاحتمالات Calibration) ونموذج Random Forest بـ200 شجرة، ومقارنة أدائهما في الكشف عن البرمجيات الخبيثة.
تقييم المتانة أمام الهجمات التخريبية: اختبار صلابة النماذج تحت 11 نوعًا مختلفًا من الاضطرابات التخريبية (Adversarial Perturbations) المصمَّمة لخداع أنظمة الكشف، بهدف فهم نقاط الضعف الأمنية وتحسين الموثوقية.
التقنيات المستخدمة: Python، Scikit-learn، NumPy، Pandas، Matplotlib، Seaborn، EMBER 2018
التعليم
ماجستير في الذكاء الاصطناعي وعلوم البيانات (AI & Data Science)
Queen's University – كندا
بكالوريوس الذكاء الاصطناعي
كلية الحاسبات والذكاء الاصطناعي