هو انا لو شغل علي مشروع كبير مثلا في مجال علم البيانات والذكاء الاصطناعي فا هل 95% من الكود هيكون OOP ؟

ليس كذلك، بل في الواقع العملي ستجد مزيج هجين من أساليب برمجية مختلفة، حيث يتم استخدام كل أسلوب للمهمة المناسبة، بمعنى البرمجة الوظيفية والإجرائية 60-70% كالتالي:

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

data = pd.read_csv('data.csv')

def preprocess_data(df):
    df = df.dropna()
    df['feature'] = df['feature'].apply(lambda x: x.strip())
    return df

def train_model(X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y)
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)

والبرمجة الكائنية 20-30% كالتالي لبناء pipelines معقدة أو مكتبات، أو تغليف النماذج فبدلاً من وجود متغيرات متناثرة للنموذج والمحوّلات  وإعدادات المعالجة، الأفضل إنشاء صنف ModelWrapper يحتوي على كل ما يتعلق بالنموذج من كيفية تحميله، كيفية معالجة المدخلات، كيفية التنبؤ، وكيفية تفسير المخرجات، وذلك يسهل بشكل كبير عملية نشر النموذج.

class DataProcessor:
    def __init__(self, config):
        self.config = config
        self.scaler = StandardScaler()
    
    def fit(self, data):
        self.scaler.fit(data)
        return self
    
    def transform(self, data):
        return self.scaler.transform(data)

الف شكراا جدا لحضرتك

جزاك الله كل خير