Scribd
Importer
3 vues2 pages

Prévision des Retards de Transports

Le mini-projet consiste à développer une application de prédiction des retards de trains ou d'avions en utilisant des techniques d'apprentissage supervisé. Les étudiants doivent suivre toutes les étapes d'un projet de data science, y compris la collecte de données, le prétraitement, la modélisation et le développement d'une interface utilisateur. Les livrables incluent un rapport synthétique et le code source complet, avec une date limite de soumission fixée au 11 décembre 2025.

Transféré par

korbirayan247
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues2 pages

Prévision des Retards de Transports

Le mini-projet consiste à développer une application de prédiction des retards de trains ou d'avions en utilisant des techniques d'apprentissage supervisé. Les étudiants doivent suivre toutes les étapes d'un projet de data science, y compris la collecte de données, le prétraitement, la modélisation et le développement d'une interface utilisateur. Les livrables incluent un rapport synthétique et le code source complet, avec une date limite de soumission fixée au 11 décembre 2025.

Transféré par

korbirayan247
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Mini-projet : Techniques de prévision

Prédiction des retards de trains ou d’avions


Organisation du travail :

o Travail en groupe : 4 étudiants par groupe


o Deadline : validation en présentiel le jeudi 11 décembre 2025

Objectif du projet

Développer une application complète de prédiction des retards (trains ou avions) en


s’appuyant sur des techniques d’apprentissage supervisé.
Les étudiants devront parcourir toutes les étapes d’un projet de data science : collecte,
préparation, modélisation, évaluation, déploiement et interface utilisateur.

Tâches à réaliser

1. Recherche et sélection du jeu de données


o Trouver un dataset réel et suffisamment grand (par ex. données publiques de
vols ou de trains).
o Le dataset doit contenir des caractéristiques temporelles, géographiques et
opérationnelles (heure de départ, heure d’arrivée, météo, compagnie, etc.).

2. Prétraitement des données (Data Preprocessing)


o Nettoyage : gestion des valeurs manquantes, doublons, erreurs.
o Encodage des variables catégorielles (One-Hot, Label Encoding…).
o Normalisation ou standardisation des variables numériques.
o Séparation du jeu de données en train / test / validation.

3. Modélisation et apprentissage
o Tester plusieurs modèles de Machine Learning supervisés, vus dans le cours
o Comparer les modèles selon des métriques pertinentes :
 Pour un problème de classification (retard ou pas) : choissez entre
accuracy, F1-score, recall, precision.
 Pour un problème de régression (prédire le nombre de minutes de
retard) : RMSE, MAE, R².

4. Sélection et sauvegarde du meilleur modèle


o Sélectionner le modèle le plus performant selon la métrique choisie.
o Sauvegarder le modèle avec

5. Développement d’une interface utilisateur


o Créer une interface simple, belle et conviviale
o L’utilisateur doit pouvoir :
 Saisir les caractéristiques d’un vol/train (heure, compagnie, météo…)
 Lancer la prédiction.
 Voir le résultat clair et concis : “Ce vol a plus de chances d’être en
retard” ou “Retard estimé : 12 minutes”.

6. Présentation finale
o Rapport court ou notebook récapitulant :
 Le choix du dataset
 Les étapes de nettoyage
 Les modèles testés et leurs performances
 Le modèle final et son interprétation
o Démonstration de l’interface fonctionnelle.

Compétences visées et Evaluation

 Recherche et préparation de données réelles


 Application des techniques de Machine Learning supervisé
 Évaluation et comparaison de modèles
 Sauvegarde et réutilisation de modèles ML
 Développement d’une interface utilisateur orientée data science

Livrables

Chaque groupe devra déposer un dossier de deux fichiers :


Ce dossier doit contenir les éléments suivants :

1. Rapport synthétique (PDF)


o Description du dataset choisi (source, taille, variables, nettoyage effectué).
o Présentation des modèles testés et des métriques obtenues.
o Analyse et justification du choix du modèle final.
o Captures d’écran de l’interface développée.
o Conclusion et perspectives d’amélioration.
2. Code source complet

o Code source (Notebook ou scripts Python)


o Modèle sauvegardé

Vous aimerez peut-être aussi