Année académique Chargé de Cours
2025-2026 AKPOSSO Didier Martial
MINI – PROJET DE SYNTHESE
MACHINE LEARNING & Document Etudiant
DEEP LEARNING 1/1
Institut Supérieur de Statistique
d’Econométrie et de Data Science
Durée CYCLE
Mini – Projet 1 MOIS Ingénieur – Master
Ce Mini-projet est relatif à la modélisation prédictive par algorithmes d’Intelligence Artificielle
de Machine learning et Deep Learning
NB : Il doit être soigneusement traité, rédigé sous WORD puis converti en PDF et transmis à l’enseignant à l’adresse
suivant : insseds@[Link] au plus tard le 30 juiN 2026 à 23H : 59mn. (Cette date est à respecter
scrupuleusement)
1. PRÉSENTATION DU JEU DE DONNÉES
Ce projet utilise le jeu de données des statistiques de la Premier League 2023/24. Il s'agit d'un ensemble de données
structuré couvrant les performances individuelles des joueurs, les mesures d'efficacité avancées (par 90 minutes), les
indicateurs disciplinaires et les classements de performance. L'objectif est de simuler un environnement de "Sport
Analytics" où les étudiants doivent prédire l'impact d'un joueur.
2. DICTIONNAIRE COMPLET DES VARIABLES
Variable en anglais Nom en français Description
Player Nom du joueur Nom complet du joueur
Team Club du joueur Nom du club auquel appartient le joueur
Position Poste détaillé Poste spécifique occupé par le joueur
Position_Group Groupe de poste simplifié Regroupement synthétique des postes
Appearances Nombre de matchs joués Nombre total de matchs disputés
Minutes Minutes jouées Nombre total de minutes jouées sur la saison
Minutes_Per_Appearance Minutes moyennes par match Temps de jeu moyen par apparition
Goals Buts marqués Nombre total de buts inscrits
Assists Passes décisives Nombre total de passes décisives réalisées
Goal_Contributions Contributions offensives Somme des buts et des passes décisives
Goals_Per_90 Buts par 90 minutes Moyenne de buts inscrits pour 90 minutes jouées
Assists_Per_90 Passes décisives par 90 minutes Moyenne de passes décisives pour 90 minutes jouées
Goal_Contributions_Per_90 Contributions offensives par 90 minutes Moyenne de buts + passes décisives pour 90 minutes
Minutes_Per_Goal Minutes par but Nombre moyen de minutes nécessaires pour marquer un but
Minutes_Per_Assist Minutes par passe décisive Nombre moyen de minutes nécessaires pour faire une passe décisive
Yellow_Cards Cartons jaunes Nombre total de cartons jaunes reçus
Red_Cards Cartons rouges Nombre total de cartons rouges reçus
Discipline_Score Score de discipline Indicateur synthétique fondé sur les cartons reçus
Clean_Sheets Matchs sans encaisser Nombre de matchs sans encaisser de but, surtout pertinent pour défenseurs et gardiens
Clean_Sheet_Percentage Pourcentage de clean sheets Part des matchs joués avec clean sheet
Goals_Rank Rang au classement des buteurs Position du joueur dans le classement des buteurs
Assists_Rank Rang au classement des passeurs Position du joueur dans le classement des passeurs décisifs
Variable en anglais Nom en français Description
Goal_Contributions_Rank Rang des contributions offensives Classement global selon buts + passes décisives
Efficiency_Rank Rang d’efficacité Rang du joueur selon son score d’efficacité globale
Performance_Category Catégorie de performance Appréciation qualitative de la performance du joueur
Discipline_Category Catégorie de discipline Appréciation qualitative du comportement disciplinaire
Efficiency_Rating Note d’efficacité Score numérique global d’efficacité, souvent utilisé comme variable cible
Season / Competition Saison / Compétition Saison sportive et nom de la compétition
Clean_Sheets_Rank Rang des clean sheets Classement du joueur selon le nombre de matchs sans encaisser
Country Pays Pays associé au joueur, au club ou au championnat selon la structure du dataset
League_Name Nom du championnat Nom de la ligue ou compétition
League_Level Niveau du championnat Niveau de division du championnat
Data_Collection_Date Date de collecte des données Date à laquelle les données ont été extraites ou collectées
3. TRAVAIL À FAIRE (TAF)
Étape 1 : Analyse Exploratoire et Préparation (EDA)
Analyse descriptive des variables numériques et répartition des classes de performance.
Analyse de la colinéarité (Matrice de corrélation) entre les métriques "Par 90" et l'Efficiency Rating.
Gestion de l'encodage (Dummy encoding) pour les positions et les équipes.
Étape 2 : Modélisation Prédictive (Compétition d'algorithmes)
1. Régression : Prédire l'Efficiency_Rating. Mettre en compétition au moins trois algorithmes de Machine
Learning (ex: Gradient Boosting, Random Forest, Régression ElasticNet).
2. Deep Learning : Concevoir un réseau de neurones (MLP) sous TensorFlow/Keras ou PyTorch pour la même
tâche.
3. Évaluation : Comparer les modèles via les métriques standards (RMSE, MAE, R²).
Étape 3 : Analyse de Profil (Unsupervised Learning)
Utiliser les règles d'association ou le Clustering (K-Means) pour définir les caractéristiques types d'un joueur
appartenant à la catégorie "World Class".
Étape 4 : Déploiement Interactif
Créer une petite application R Shiny ou Streamlit permettant à un recruteur de sélectionner un joueur ou de
simuler des statistiques pour voir son Efficiency Rating prédit.
4. CONSIGNES DE RENDU
Le projet doit être rendu par e-mail au plus tard le [Insérer Date] à 23h59.
Critères d'évaluation :
1. Qualité du prétraitement des données.
2. Justification du choix des hyperparamètres des modèles.
3. Pertinence de l'interprétation des résultats statistiques.
4. Ergonomie de l'application interactive.
Note aux étudiants : "Compte tenu de la taille réduite de l'échantillon (n = 50), une attention particulière devra être
portée à la régularisation des modèles (L1/L2) et à la validation des résultats. L'objectif est ici de démontrer la
maîtrise de la chaîne de traitement (Pipeline) plutôt que d'obtenir une précision statistique absolue."
INSSEDS data university :
Place aux Experts !!!