هدف از این پروژه، توسعه یک مدل یادگیری ماشین قابل فهم و کارآمد برای پیش‌بینی آسیب‌های ناشی از زلزله به ساختمان‌ها در منطقه هاتای ترکیه است. مدل باید به‌گونه‌ای طراحی شود که نتایج آن بتوانند به صورت مستند و ساده‌سازی شده به آیین‌نامه زلزله ترکیه پیشنهاد شوند. جزئیات: تمیزسازی داده‌ها: داده‌های لرزه‌نگاری شامل شتاب اوج زمین (PGA)، سرعت اوج زمین (PGV)، و داده‌های آسیب ساختمان (سال ساخت، تعداد طبقات، نوع سازه و غیره) باید تمیزسازی شوند. این بخش از کد باید در یک سلول جداگانه در Google Colab ارائه شود. توسعه مدل یادگیری ماشین: استفاده از تکنیک‌های یادگیری ماشین (Random Forest، XGBoost، یا شبکه‌های عصبی). هدف رسیدن به دقت پیش‌بینی حداقل R²=80% است. تمام فرآیند کدنویسی در این بخش باید در یک سلول جداگانه قرار گیرد و قابل اجرا به صورت مستقل باشد. ایجاد نمودار گلس‌باکس ساده‌شده: تولید نمودارهای قابل توضیح برای نشان دادن تأثیر متغیرهای ورودی بر نتایج مدل (Tree SHAP یا ابزارهای مشابه). نمودارها باید به زبان ساده و قابل درک برای متخصصان آیین‌نامه و سیاست‌گذاران ارائه شوند. گزارش نتایج: نمایش مقادیر ارزیابی مدل (R²، MSE، RMSE) در یک سلول جداگانه. نمودارهای بصری‌سازی ساده برای نتایج پیش‌بینی و تحلیل آسیب. ساختار کد: کدها در Google Colab باید به صورت ماژولار باشند: بخش تمیزسازی داده‌ها آموزش مدل نمایش نتایج و نمودارها هر بخش باید مستقل اجرا شود و در یک فایل Colab قابل ارائه باشد. مستندسازی: مستندات باید شامل توضیحی گام‌به‌گام از فرآیندها و تصمیم‌گیری‌ها باشد. پیشنهادات عملی برای بهبود آیین‌نامه زلزله ترکیه، مبتنی بر نتایج مدل، باید در بخش جداگانه‌ای از گزارش ارائه شوند. خروجی‌ها: فایل Google Colab با ساختار بخش‌بندی‌شده و قابل اجرا. نمودار گلس‌باکس ساده‌شده و مناسب برای ارائه به سیاست‌گذاران. مستندات جامع به صورت PDF شامل فرآیندها و نتایج پروژه. مهارت‌های مورد نیاز: تجربه در یادگیری ماشین و هوش مصنوعی. تسلط بر Python و Google Colab. آشنایی با داده‌های لرزه‌نگاری و استانداردهای آیین‌نامه زلزله. توانایی مستندسازی حرفه‌ای.