Titanic Survival Prediction

This project is a machine learning classification model to predict the survival of passengers on the Titanic, based on the well-known Kaggle dataset.

---

📁 Project Structure

titanic_project/ ├── data/ │ ├── train.csv # Training data - بيانات التدريب │ └── test.csv # Test data - بيانات الاختبار ├── notebook/ │ ├── titanic.ipynb # Jupyter Notebook with full preprocessing and model training │ └── submission.csv # Prediction results for submission └── README.md # Project description - وصف المشروع

---

🧠 Model Used

• Logistic Regression

This model was chosen after comparing it with other models like Decision Tree. Logistic Regression gave the highest accuracy.

---

🔧 Preprocessing Steps

• Filling missing values (Age, Fare, Embarked)
• Dropping unnecessary columns (Name, Cabin, Ticket)
• Extracting titles from names (Mr, Miss, etc.)
• Encoding categorical variables (Sex, Embarked, CabinLetter, Title)
• Ensuring consistent features between training and test sets

---

📊 Accuracy

Model Accuracy (validation set): 82.1%

---

---

📝 Requirements

• Python 3.10+
• pandas
• scikit-learn
• jupyter or VS Code

Install dependencies:

pip install pandas scikit-learn notebook

---

🚀 How to Run
1- Open titanic.ipynb in Jupyter or VS Code.
2- Run all cells step by step.
3- submission.csv will be created inside the notebook/ folder.

---

📌 Notes
This is a simple implementation intended for learning and practice.

Future improvements may include:

Better feature engineering

Hyperparameter tuning

Using ensemble models (e.g., Random Forest, XGBoost)

---

✍️ Author
Mohammed Tarig
GitHub: https://github.com/mmmmmtttttt

---
=============================================================================================

🛳️ توقع النجاة في سفينة تايتانيك

![Model Performance Banner](prediction_vs_actual.png)

هذا المشروع عبارة عن نموذج تصنيف باستخدام تعلم الآلة لتوقع من نجا من ركاب سفينة التايتانيك، اعتمادًا على بيانات مشهورة من موقع Kaggle.

---

📁 هيكل المشروع
titanic_project/
├── data/
│   ├── train.csv          # بيانات التدريب
│   └── test.csv           # بيانات الاختبار
├── notebook/
│   ├── titanic.ipynb      # دفتر كود بايثون يحتوي على المعالجة والنموذج
│   └── submission.csv     # النتائج النهائية لتقديمها في كاجل
└── README.md              # وصف المشروع

---

🧠 النموذج المستخدم
الانحدار اللوجستي (Logistic Regression)

تم اختيار هذا النموذج بعد المقارنة مع نموذج شجرة القرار، وقدّم أعلى دقة.

---

🔧 خطوات المعالجة
1- تعبئة القيم المفقودة (مثل Age, Fare, Embarked)

2- حذف الأعمدة غير المفيدة (Name, Cabin, Ticket)

3- استخراج الألقاب من الأسماء (مثل Mr, Miss, ...)

4- ترميز البيانات الفئوية (مثل Sex, Embarked, CabinLetter, Title)

5- التأكد من تطابق الأعمدة بين بيانات التدريب والاختبار

---

📊 الدقة
دقة النموذج (على بيانات التحقق): 82.1%

---

📝 المتطلبات
1- Python 3.10 أو أحدث

2- مكتبة pandas

3- مكتبة scikit-learn

4- Jupyter Notebook أو VS Code

تثبيت المكتبات:

pip install pandas scikit-learn notebook

---

🚀 طريقة التشغيل
1- افتح الملف titanic.ipynb باستخدام Jupyter أو VS Code.

2- شغّل جميع الخلايا خطوة بخطوة.

3- سيتم إنشاء الملف submission.csv داخل مجلد notebook.

---

📌 ملاحظات
هذا المشروع للتعلم والممارسة، وليس الحل النهائي الأفضل.

التحسينات المستقبلية قد تشمل:

هندسة ميزات متقدمة

ضبط معاملات النماذج

استخدام نماذج أقوى مثل Random Forest و XGBoost

---

✍️ المؤلف
محمد طارق
GitHub: https://github.com/mmmmmtttttt