UNIVERSITÉ DE DJIBOUTI · MASTER INTELLIGENCE ARTIFICIELLE
■ SpamShield V2.0
Guide de Présentation Orale
NLP & Classification Supervisée · Détection Automatique de Spam
RÉALISÉ PAR ENCADRÉ PAR
Ahmed Ilmi · Louback Moussa Dr. MOUBARAK Barré
Araita Magdi · Abdo Mohamed Module NLP & Classification Supervisée
Année universitaire 2025–2026
// INTRODUCTION GÉNÉRALE
Comment commencer ?
Les premières phrases sont les plus importantes — captez l'attention dès le début.
« Saviez-vous que 45% du trafic email mondial est du spam ? Cela représente plus de
20 milliards de dollars de pertes par an. »
1. Accrocher l'audience (30 secondes)
→ Ouvrir avec une statistique choc : 45% du trafic email est du spam
→ Montrer l'urgence : 20 milliards de dollars de pertes par an
→ Créer un lien avec le quotidien : SMS, emails, messageries
2. Poser le problème
→ Les approches manuelles ont montré leurs limites
→ Le spam évolue constamment — les règles fixes ne suffisent plus
→ La solution : NLP + Machine Learning = adaptatif et scalable
3. Présenter la solution — SpamShield V2.0
→ Un pipeline NLP complet : prétraitement → TF-IDF → 3 modèles ML
→ Vote majoritaire (NB + LR + SVM) → précision de 98,57%
→ Application web multi-canal : SMS · URL · Email · PDF
4. Annoncer le plan de la présentation
→ Partie I : Analyse du problème — contexte, données et objectifs
→ Partie II : Méthodologie — pipeline NLP et modélisation
→ Partie III: Résultats & Système — performances et démonstration
EXEMPLE COMPLET À DIRE
« Bonjour, nous allons vous présenter SpamShield V2.0, un système de détection
automatique de spam. Aujourd'hui, 45% du trafic email mondial est classé comme
spam, causant plus de 20 milliards de dollars de pertes annuelles. Face à cette
menace, les solutions traditionnelles ne suffisent plus. Notre réponse : un pipeline NLP
complet combinant trois modèles de Machine Learning — Naive Bayes, Régression
Logistique et SVM — pour détecter le spam avec une précision de 98,57%. Nous allons
vous montrer comment nous y sommes arrivés. »
■■ Durée ■■ Regarder ■■ Voix ■ Transition
1 à 2 minutes Le jury, pas l'écran Parler lentement "Passons à la Partie I"
// PARTIE I
Analyse du problème
SpamShield V2.0 · Guide de Présentation · 2
Contexte, données et objectifs — 3 à 4 minutes.
SLIDE 1 — Introduction & Contexte
« Les communications électroniques sont au cœur de nos vies. Emails, SMS,
messageries... Mais cette popularité en fait des cibles privilégiées du spam. »
« 45% du trafic email mondial est du spam, causant plus de 20 milliards de dollars de
pertes par an. Les approches manuelles ont montré leurs limites — c'est pourquoi le
NLP et le Machine Learning s'imposent. »
SLIDE 2 — Les 4 types de spam
■ Email La forme la plus ancienne : publicités non sollicitées, arnaques, phishing.
■ SMS (Smishing) En hausse de +45% entre 2020 et 2023. Cible directement les mobiles.
■ URL malveillante Des liens dangereux cachés dans des messages apparemment normaux.
■ Réseaux sociaux Faux profils, bots et messages automatisés sur les plateformes.
SLIDE 3 — Le Dataset SMS Spam Collection
« Pour entraîner notre système, nous avons utilisé le SMS Spam Collection de l'UCI ML
Repository. Ce dataset contient 5 572 messages SMS réels répartis en 4 825 HAM
(86,6%) et 747 SPAM (13,4%). »
Ce que vous devez expliquer au jury
→ Distribution déséquilibrée : 86,6% HAM vs 13,4% SPAM
→ C'est pourquoi on utilise le F1-score et non la simple précision
→ Le F1-score pénalise les erreurs sur la classe minoritaire (SPAM)
→ Exemple HAM : "Ok, I'll be there at 6pm"
→ Exemple SPAM : "FREE prize! Call now to claim!"
5 572 Total SMS 4 825 HAM (86,6%) 747 SPAM (13,4%)
SpamShield V2.0 · Guide de Présentation · 3
SLIDE 4 — Problématique & Objectifs
« Comment un système automatisé peut-il, à partir du seul contenu textuel d'un
message, déterminer avec haute fiabilité s'il s'agit d'un spam ou d'un contenu légitime ?
»
ANALYSER CONCEVOIR DÉPLOYER
Pipeline NLP complet :
Comprendre la distribution et les Application web SpamShield V2.0
prétraitement → TF-IDF → 3
caractéristiques du dataset SMS multi-canal en temps réel
modèles ML
■ Phrase de transition : "Maintenant que nous avons posé le problème, voyons comment nous l'avons
résolu — passons à notre méthodologie."
// CONSEILS
Présentation réussie
■■ Intro ■ Partie I ■ Partie II ■ Partie III
1-2 min 3-4 min 4-5 min 4-5 min
■■ Regarder le jury ■■ Parler lentement ■■ Pointer les slides ■ Préparer
Pas l'écran Et clairement Éléments clés 3 répétitions min.
SpamShield V2.0 · Guide de Présentation · 4