Description

des projets
Initiation au Machine Learning

Présenté par : Mously Diaw

Informations utiles

Projet: individuel ou en groupe (2 à 4 personnes)

Consignes: pas plus de 2 groupes sur le même sujet

Livrables: Les livrables sont à envoyer au plus tard 48h avant la date des soutenances

Mentorat: vous pouvez me contacter pour des sessions de mentorat (difficultés rencontrées,
choix méthodologique, modélisation, MLOps, ...)

Compétences évaluées:
Régression
10 propositions de projet
REG01
House prices prediction
Missions et objectifs

Vous êtes data scientist chez Laplace Immo, un réseau national d’agences immobilières.

Demandez à un acheteur de décrire la maison de ses rêves et il ne commencera probablement pas par la hauteur du plafond du
sous-sol ou la proximité d'une voie ferrée est-ouest. Mais il se trouve que les négociations de prix sont influencées par bien
d'autres éléments que le nombre de chambres à coucher ou une clôture à piquets blancs.

Laplace Immo souhaite que vous fournissez à ses équipes un algorithme de prédiction des prix des maisons.
Avec 79 variables explicatives décrivant (presque) tous les aspects des maisons résidentielles à Ames (Iowa, US), ce projet a pour
objectif de construire un modèle de prédiction du prix final de chaque maison.

Votre mission
Votre mission est d’aider les équipes de Laplace Immo à avoir un simulateur des prix des maisons à vendre. Voici un récapitulatif
de votre mission :
Réaliser une analyse exploratoire.
Tester différents modèles de prédiction afin de répondre au mieux à la problématique.
Il faut utiliser Github Actions pour le déploiement continu et l’interface web 'UI MLFlow" ou un autre outil d'affichage des
résultats du tracking, concevoir des tests unitaires avec Pytest (ou Unittest) et les exécuter de manière automatisée lors du
build réalisé par Github Actions et respecter les conventions PEP.
Livrables

Lien github contenant

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez clairement le modèle
final choisi.
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)

Pour faciliter votre passage au jury, déposez sur Github tous les livrables du projet. La structure du répertoire github est à définir
mais il doit contenir au minimum un dossier appelé “notebooks” contenant les notebooks créés pour répondre à cette mission. A
titre illustratif, vous pouvez nommer les fichiers selon l'ordre dans lequel il apparaît, par exemple
“house_price_01_analyse.ipynb”, “house_price_02_essais.ipynb”, et ainsi de suite.
Soutenance

15 à 20 min de Présentation
Présentation de la problématique, de son interprétation et des pistes de recherche envisagées.
Présentation du cleaning effectué, du feature engineering et de l'exploration.
Présentation des différentes pistes de modélisation effectuées.
Présentation du modèle final sélectionné ainsi que des améliorations effectuées
Tous les scripts Python
Démo en live si API ou dashboard (optionnel)
5 à 10 min de questions-réponses
REG02
Prediction of Building energy
Missions et objectifs

La ville de Seattle s’intéresse de près aux émissions des bâtiments non destinés à l’habitation: Prédiction de la consommation
d’énergie
Vous travaillez pour la ville de Seattle. Pour atteindre son objectif de ville neutre en émissions de carbone en 2050, votre équipe
s’intéresse de près à la consommation totale d’énergie des bâtiments non destinés à l’habitation.
Votre prédiction se basera sur les données déclaratives du permis d'exploitation commerciale (taille et usage des bâtiments,
mention de travaux récents, date de construction..)
Vous cherchez également à évaluer l’intérêt de l’ENERGY STAR Score pour la prédiction de consommation d’énergie, qui est
fastidieux à calculer avec l’approche utilisée actuellement par votre équipe.

Votre mission
Voici un récapitulatif de votre mission :
1. Réaliser une analyse exploratoire.
2. Tester différents modèles de prédiction afin de répondre au mieux à la problématique.
3. API ou dashboard pour prédire la consommation d'un bâtiment
4. Réaliser les tâches MLOps pour ce projet
Missions et objectifs

Faites bien attention au traitement des différentes variables, à la fois pour trouver de nouvelles informations (peut-on déduire
des choses intéressantes d’une simple adresse ?) et optimiser les performances en appliquant des transformations simples aux
variables (normalisation, passage au log, etc.).
PJ: Données à utiliser, description-données

L’objectif est de te passer des relevés de consommation annuels futurs (attention à la fuite de données: data leakage en anglais).
Nous ferons de toute façon pour tout nouveau bâtiment un premier relevé de référence la première année, donc rien ne t'interdit
d’en déduire des variables structurelles aux bâtiments, par exemple la nature et proportions des sources d’énergie utilisées.

Mettez en place une évaluation rigoureuse des performances, et optimisez les hyperparamètres et le choix d’algorithmes de ML à
l’aide d’une validation croisée.
Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez clairement le modèle
final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)

Pour faciliter votre passage au jury, déposez sur Github tous les livrables du projet. La structure du répertoire github est à définir
mais il doit contenir au minimum un dossier appelé “notebooks” contenant les notebooks créés pour répondre à cette mission. A
titre illustratif, vous pouvez nommer les fichiers selon l'ordre dans lequel il apparaît, par exemple “energy_01_analyse.ipynb”,
“energy_02_essais.ipynb”, et ainsi de suite.
Soutenance

15 à 20 min de Présentation
Présentation de la problématique, de son interprétation et des pistes de recherche envisagées.
Présentation du cleaning effectué, du feature engineering et de l'exploration.
Présentation des différentes pistes de modélisation effectuées.
Présentation du modèle final sélectionné ainsi que des améliorations effectuées.
Démo de l'API de prédiction et/ou le dashboard (si besoin)
5 à 10 min de questions-réponses
REG03
Prédiction de l’émission du CO2
Missions et objectifs

La ville de Seattle s’intéresse de près aux émissions des bâtiments non destinés à l’habitation: Prédiction de l’émission du CO2
Vous travaillez pour la ville de Seattle. Pour atteindre son objectif de ville neutre en émissions de carbone en 2050, votre équipe
s’intéresse de près à l’émission du CO2 des bâtiments non destinés à l’habitation.
Votre prédiction se basera sur les données déclaratives du permis d'exploitation commerciale (taille et usage des bâtiments,
mention de travaux récents, date de construction..)
Vous cherchez également à évaluer l’intérêt de l’ENERGY STAR Score pour la prédiction de consommation d’énergie, qui est
fastidieux à calculer avec l’approche utilisée actuellement par votre équipe.

Votre mission
Voici un récapitulatif de votre mission :
1. Réaliser une analyse exploratoire.
2. Tester différents modèles de prédiction afin de répondre au mieux à la problématique.
3. API ou dashboard pour prédire l’émission du CO2
4. Réaliser les tâches MLOps pour ce projet
Missions et objectifs

Faites bien attention au traitement des différentes variables, à la fois pour trouver de nouvelles informations (peut-on déduire
des choses intéressantes d’une simple adresse ?) et optimiser les performances en appliquant des transformations simples aux
variables (normalisation, passage au log, etc.).
PJ: Données à utiliser, description-données

L’objectif est de te passer des relevés de consommation annuels futurs (attention à la fuite de données: data leakage en anglais).
Nous ferons de toute façon pour tout nouveau bâtiment un premier relevé de référence la première année, donc rien ne t'interdit
d’en déduire des variables structurelles aux bâtiments, par exemple la nature et proportions des sources d’énergie utilisées.

Mettez en place une évaluation rigoureuse des performances, et optimisez les hyperparamètres et le choix d’algorithmes de ML à
l’aide d’une validation croisée.
Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez clairement le modèle
final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)

Pour faciliter votre passage au jury, déposez sur Github tous les livrables du projet. La structure du répertoire github est à définir
mais il doit contenir au minimum un dossier appelé “notebooks” contenant les notebooks créés pour répondre à cette mission. A
titre illustratif, vous pouvez nommer les fichiers selon l'ordre dans lequel il apparaît, par exemple “energy_01_analyse.ipynb”,
“energy_02_essais.ipynb”, et ainsi de suite.
Soutenance

15 à 20 min de Présentation
Présentation de la problématique, de son interprétation et des pistes de recherche envisagées.
Présentation du cleaning effectué, du feature engineering et de l'exploration.
Présentation des différentes pistes de modélisation effectuées.
Présentation du modèle final sélectionné ainsi que des améliorations effectuées.
Démo de l'API de prédiction et/ou le dashboard (si besoin)
5 à 10 min de questions-réponses
REG04
Prédiction de la demande de vélos
Missions et objectifs

Vous êtes Data Scientist chez Capital Bikeshare, un service de vélos en libre-service qui permet aux utilisateurs de louer des vélos
pour des trajets à court terme dans une ville. Capital Bikeshare vise à analyser et prévoir l'utilisation des vélos.

Les systèmes de vélos en libre-service sont un moyen de louer des vélos où le processus d'adhésion, de location et de restitution
du vélo est automatisé via un réseau de kiosques répartis dans la ville. Ces systèmes permettent de louer un vélo à un endroit
donné et de le rendre à un autre endroit en fonction des besoins.
La demande de vélos peut varier en fonction de plusieurs facteurs, tels que les conditions météorologiques, l'heure de la journée,
le jour de la semaine, et des événements spécifiques dans la ville.

Les données générées par ces systèmes sont la durée du trajet, le lieu de départ, le lieu d'arrivée et le temps écoulé. Les systèmes
de partage de vélos fonctionnent donc comme un réseau de capteurs, qui peut être utilisé pour étudier la mobilité dans une ville.

L'objectif principal est de prédire le nombre de vélos qui seront empruntés dans le futur en fonction des caractéristiques
d'entrée, afin d'aider Capital Bikeshare à prévoir la demande de location de vélos dans le cadre du programme Capital Bikeshare à
Washington, D.C.

Les données sont disponibles ici

Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
REG05
Prix des voitures d’occasion
Missions et objectifs

Vous êtes consultant Data Scientist chez WardsAuto, une plateforme dédiée à la vente et à l'achat de voitures d'occasion.
WardsAuto souhaite optimiser ses opérations et améliorer l'expérience utilisateur en fournissant des estimations précises des
prix des véhicules.

Le marché des voitures d'occasion est en constante évolution, et les prix peuvent varier considérablement en fonction de
nombreux facteurs tels que la marque, le modèle, l'année, le kilométrage et d'autres caractéristiques techniques. Comprendre les
déterminants du prix des voitures d'occasion peut aider à mieux évaluer les transactions et à informer les acheteurs et les
vendeurs.

L’objectif principal de votre mission est de créer un modèle pour prédire le prix des voitures d'occasion en fonction de
caractéristiques comme la marque, le modèle, l'année, le kilométrage et d'autres attributs afin de permettre aux vendeurs de
fixer des prix compétitifs

Les données sont disponibles ici

Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
REG06
Student Performance
Missions et objectifs

Vous êtes Data Scientist au sein d'une école, nommée "School", qui propose des cours.

Dans un environnement éducatif de plus en plus axé sur les données, il est essentiel pour les établissements scolaires de
comprendre les facteurs qui influencent la performance académique des étudiants.

Les performances académiques des étudiants peuvent être influencées par divers facteurs, notamment leur milieu socio-
économique, leur engagement, et les ressources disponibles. Analyser ces facteurs peut fournir des insights précieux pour les
éducateurs et les décideurs afin d’améliorer les résultats scolaires.

L’objectif principal est de prédire les résultats scolaires des étudiants en fonction de leurs caractéristiques, afin d’identifier
les étudiants à risque et d’aider les éducateurs à intervenir de manière proactive.

Les données sont disponibles ici

Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
REG07
Prévision des coûts médicaux
Missions et objectifs

Vous êtes Machine Learning Engineer au sein d'une entreprise, nommée "Health Cost", qui propose un outil d’estimation de prix
pour les soins médicaux aux compagnies d’assurance santé.

La prévision des coûts médicaux est un enjeu majeur pour les compagnies d'assurance, qui cherchent à gérer les risques
financiers tout en offrant des tarifs compétitifs à leurs clients. Avec la hausse constante des dépenses de santé, il devient
essentiel pour les assureurs d'anticiper les coûts associés aux soins médicaux. Cela leur permet de mieux planifier leurs budgets,
d'optimiser leurs politiques de couverture et d'améliorer la gestion des sinistres.

Ce projet utilise un ensemble de données qui contient des informations personnelles et médicales pour prédire les coûts des soins
de santé.

Objectif: prédire le coût des soins médicaux en fonction de caractéristiques personnelles telles que l'âge, le sexe, le statut
d'obésité, et d'autres facteurs de santé

Les données sont disponibles ici

Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
REG08
Taxi: Prédiction des prix des trajets
Missions et objectifs

Vous êtes Data Scientist chez NYC Taxi, entreprise de transport, dans le cadre d’un projet de prédiction de prix des trajets en
milieu urbain.

Les taxis à New York génèrent une énorme quantité de données au quotidien, incluant les trajets, les lieux de prise en charge et
de dépôt, et les tarifs associés. Le montant d'une course de taxi dépend de divers facteurs, tels que la distance parcourue, l'heure
de la journée, la circulation, la météo, ainsi que d’autres éléments comme les péages et les tarifs minimums.

Avec l'essor des services de transport à la demande et l'augmentation de la concurrence, il devient crucial pour les compagnies de
taxi et les conducteurs d’optimiser les tarifs pour rester compétitifs tout en garantissant un service de qualité aux passagers.

L'objectif principal du projet, pour NYC Taxi, est de construire un modèle prédictif capable d’estimer avec précision le prix d’une
course de taxi à partir de différentes caractéristiques disponibles avant le début de la course.

Le jeu de données contient des informations détaillées sur chaque course, telles que la date et l'heure de prise en charge et de
dépose, le point de départ et d'arrivée, la distance parcourue, le montant total de la course, etc.

Les données sont disponibles ici

Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
REG09
Prévision des ventes
Missions et objectifs

Vous êtes Data Scientist chez Favorita, supermarché offrant une large gamme de produits alimentaires et non alimentaires, dans
le cadre d'un projet visant à améliorer la gestion des stocks et à optimiser la chaîne d'approvisionnement .

Dans un environnement de vente au détail de plus en plus compétitif, la prévision des ventes est cruciale pour optimiser la
gestion des stocks, améliorer le service client et maximiser les revenus. C’est dans ce cadre que Favorita a fait appel à vos
services pour un projet de prévision des ventes.

Les fluctuations des ventes peuvent être influencées par divers facteurs tels que les tendances saisonnières, les promotions, les
jours fériés, et les événements spéciaux. Ainsi, une prévision précise des ventes permettrait à Favorita d'anticiper la demande,
d'ajuster les niveaux de stock, et de planifier efficacement les opérations.

Les données sont disponibles ici

L'objectif principal de ce projet est de développer un modèle de prévision des ventes pour les différentes catégories de produits
vendus par Favorita.
Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
REG10
Prédiction des revenus des films
Missions et objectifs

Vous êtes Data Scientist chez Nextflix, plateforme de streaming.

Avec l'essor des plateformes de streaming, Netflix a considérablement élargi son catalogue de films et de séries originales.
Cependant, la concurrence croissante dans l'industrie du divertissement nécessite que Netflix prenne des décisions stratégiques
éclairées concernant ses investissements dans la production de contenu. La capacité à prédire avec précision les revenus
potentiels au box office d'un film avant sa sortie est essentielle pour optimiser le budget de production, le marketing et la
distribution.

Objectif: fournir une estimation précise des revenus au box-office pour de futurs films, en tenant compte de divers facteurs
influents.

Les données sont disponibles ici

Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez
clairement le modèle final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Un support de présentation pour la soutenance (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
Classification
13 propositions de projet
CLF01
Churn score
Missions et objectifs

Vous êtes Data Scientist au sein de "fortuneo banque", une banque en ligne qui propose une gamme variée de services financiers
et bancaires pour des personnes ayant peu ou pas du tout d'historique de prêt.

L’entreprise souhaite mettre en œuvre un outil de “churn scoring” pour calculer la probabilité qu’un client quitte la banque,
puis classifie le client en ‘churn’ ou pas. Elle souhaite donc développer un algorithme de classification en s’appuyant sur des
sources de données variées (données comportementales, données provenant d'autres institutions financières, etc.).

Objectif : Identifier les clients susceptibles de quitter la banque.

Impact : Réduire le churn en prenant des mesures préventives ciblées pour retenir les clients à haut risque.

Les données: Voici les données dont vous aurez besoin pour réaliser l’algorithme de classification. L’ensemble des données
contient des informations sur les clients des banques qui ont quitté la banque ou qui restent clients. La description des attributs
est disponible ici
Livrables

Lien github contenant:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre, dans lequel vous identifierez clairement le modèle
final choisi.
Tous les scripts Python
Le code pour les tests unitaires, tracking, déploiement continu, ...
Un support de présentation pour la soutenance (25 slides maximum)

Pour faciliter votre passage au jury, déposez sur Github tous les livrables du projet. La structure du répertoire github est à définir
mais il doit contenir au minimum un dossier appelé “notebooks” contenant les notebooks créés pour répondre à cette mission. A
titre illustratif, vous pouvez nommer les fichiers selon l'ordre dans lequel il apparaît, par exemple “churn_01_analyse.ipynb”,
“churn_02_model.ipynb”, et ainsi de suite.
Soutenance

15 à 20 min de Présentation
Présentation de la problématique, de son interprétation et des pistes de recherche envisagées.
Présentation du cleaning effectué, du feature engineering et de l'exploration.
Présentation des différentes pistes de modélisation effectuées.
Présentation du modèle final sélectionné ainsi que des améliorations effectuées.
Démo de l'API de prédiction et/ou le dashboard (si besoin)
5 à 10 min de questions-réponses
CLF02
Crédit scoring
Missions et objectifs

Vous êtes Data Scientist au sein d'une société financière, nommée "Prêt à dépenser", qui propose des crédits à la
consommation pour des personnes ayant peu ou pas du tout d'historique de prêt.

L’entreprise souhaite mettre en œuvre un outil de “scoring crédit” pour calculer la probabilité qu’un client rembourse son
crédit, puis classifie la demande en crédit accordé ou refusé. Elle souhaite donc développer un algorithme de classification
en s’appuyant sur des sources de données variées (données comportementales, données provenant d'autres institutions
financières, etc.).

Vous aurez sûrement besoin de joindre les différentes tables entre elles.
De plus, les chargés de relation client ont fait remonter le fait que les clients sont de plus en plus demandeurs de
transparence vis-à-vis des décisions d’octroi de crédit.

Les données
Voici les données dont vous aurez besoin pour réaliser l’algorithme de classification.
Missions et objectifs

Votre mission
Construire un modèle de scoring qui donnera une prédiction sur la probabilité de faillite d'un client de façon automatique.
Réaliser les tâches MLOps pour ce projet
Visualiser le score et l’interprétation de ce score pour chaque client de façon intelligible pour une personne non experte en
data science.
Construire un dashboard interactif à destination des gestionnaires de la relation client permettant d'interpréter les
prédictions faites par le modèle, et d’améliorer la connaissance client des chargés de relation client (optionnel).
Vous pourrez ainsi vous focaliser sur l’élaboration du modèle, son optimisation et sa compréhension. A cet effet, je vous incite
à sélectionner un kernel Kaggle pour vous faciliter la préparation des données nécessaires à l’élaboration du modèle de
scoring. Vous analyserez ce kernel et l’adapterez pour vous assurer qu’il répond aux besoins de votre mission.
Il faut utiliser Github Actions pour le déploiement continu et l’interface web 'UI MLFlow" ou un autre outil d'affichage des
résultats du tracking et concevoir des tests unitaires avec Pytest (ou Unittest) et les exécuter de manière automatisée lors du
build réalisé par Github Actions.
Livrables

Un repository GITHUB contenant les éléments suivants:

Un notebook de l'analyse exploratoire mis au propre et annoté.
Le code (ou un notebook) des différents tests de modèles mis au propre (fonction cout métier, optimisation, métrique
d’évaluation, interprétabilité globale/locale du modèle final), dans lequel vous identifierez clairement le modèle final
choisi.
Tous les scripts Python
Le code de l'API déployé dans le cloud ainsi que le dashboard (streamlit, gradio, ...)
un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
tous autres documents/codes relatifs à la réalisation des missions
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)

Pour faciliter votre passage au jury, déposez sur Github tous les livrables du projet. La structure du répertoire github est à définir
mais il doit contenir au minimum un dossier appelé “notebooks” contenant les notebooks créés pour répondre à cette mission. A
titre illustratif, vous pouvez nommer les fichiers selon l'ordre dans lequel il apparaît, par exemple “scoring_01_analyse.ipynb”,
“scoring_02_essais.ipynb”, et ainsi de suite.
Soutenance

La soutenance se déroulera comme suit:

15 à 20 min de Présentation
Présentation de la problématique, de son interprétation et des pistes de recherche envisagées.
Présentation du cleaning effectué, du feature engineering et de l'exploration.
Présentation des différentes pistes de modélisation effectuées.
Présentation du modèle final sélectionné ainsi que des améliorations effectuées.
Démo de l'API et/ou dashboard (si besoin)
5 à 10 min de questions-réponses
CLF03
Détection tweets de catastrophes
Missions et objectifs

Vous êtes consultant pour Twitter, réseau social. Twitter est devenu un important canal de communication en cas d'urgence.

L'omniprésence des smartphones permet aux gens d'annoncer une urgence qu'ils observent en temps réel. C'est pourquoi de plus
en plus d'organismes s'intéressent à la surveillance programmatique de Twitter (par exemple, les organisations de secours en cas
de catastrophe et les agences de presse).
Mais il n'est pas toujours évident de savoir si les mots d'une personne annoncent réellement une catastrophe. A cet effet, Twitter
souhaite avoir un modèle de détection des tweets qui annoncent des catastrophes.

Les données sont disponibles ici

Votre mission
Vous devez construire un modèle d'apprentissage automatique qui prédit quels tweets sont liés à des catastrophes réelles et
lesquels ne le sont pas.
Réaliser les tâches MLOps pour ce projet
Construire une API de prédiction
Missions et objectifs

Un notebook de l'analyse exploratoire mis au propre et annoté.

Le code (ou un notebook) des différents tests de modèles mis au propre (optimisation, métrique d’évaluation,
interprétabilité du modèle final), dans lequel vous identifierez clairement le modèle final choisi.
Tous les scripts Python
Le code de l'API, des tests, ...
Un support de présentation pour la soutenance, détaillant le travail réalisé (canva, google slides, ...) (25 slides
maximum)

Pour faciliter votre passage au jury, déposez sur Github tous les livrables du projet. La structure du répertoire
github est à définir mais il doit contenir au minimum un dossier appelé “notebooks” contenant les notebooks créés
pour répondre à cette mission. A titre illustratif, vous pouvez nommer les fichiers selon l'ordre dans lequel il
apparaît, par exemple “disastertweets_01_analyse.ipynb”, “sdisastertweets_02_essais.ipynb”, et ainsi de suite.
Soutenance

15 à 20 min de Présentation
Présentation de la problématique, de son interprétation et des pistes de recherche envisagées.
Présentation du cleaning effectué, du feature engineering et de l'exploration.
Présentation des différentes pistes de modélisation effectuées.
Présentation du modèle final sélectionné ainsi que des améliorations effectuées.
Démo de l'API de prédiction (si besoin)
5 à 10 min de questions-réponses
CLF04
Classifiez des biens de consommation
Missions et objectifs

Vous êtes Data Scientist au sein de l’entreprise "Place de marché”, qui souhaite lancer une marketplace e-commerce.

Sur cette place de marché anglophone, des vendeurs proposent des articles à des acheteurs en postant une photo et une
description.

Pour l'instant, l'attribution de la catégorie d'un article est effectuée manuellement par les vendeurs, et est donc peu fiable. De
plus, le volume des articles est pour l’instant très petit.

Pour optimiser l’expérience utilisateur des vendeurs (faciliter la mise en ligne de nouveaux articles) et des acheteurs (faciliter la
recherche de produits), et dans l'optique d'un passage à l'échelle, il devient nécessaire d'automatiser cette tâche.

Les données sont disponibles ici

Objectifs:
étudier la faisabilité d'un moteur de classification des articles en différentes catégories, à partir du texte (en anglais) ou de
l’image, avec un niveau de précision suffisant.
Réaliser les tâches MLOps
Mettre en place un interface déployé sur le cloud pour tester la catégorisation des articles (streamlit, gradio, ...) à partir
d'une image ou d'un texte descriptif
Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des données textes ou images ainsi que les résultats de l’étude de faisabilité
Un dossier Python contenant le code de l’API
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude de faisabilité
Résultats de la classification supervisée
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF05
Analyse des commentaires des films
Missions et objectifs

Vous êtes Data Scientist chez Nextflix, plateforme de streaming.

Netflix souhaite comprendre en profondeur les perceptions et les réactions de son audience face aux films et séries
disponibles sur sa plateforme. À l'ère des réseaux sociaux et des critiques en ligne, les avis des utilisateurs influencent
grandement l'engagement et la fidélisation. En analysant les sentiments des critiques de films, Netflix peut mieux cerner les
éléments qui plaisent ou déplaisent au public, ajuster ses stratégies de contenu et optimiser les recommandations
personnalisées

Les données sont disponibles ici

Objectif: classifier des critiques de films en utilisant le traitement du langage naturel (NLP) pour mieux comprendre les
préférences des utilisateurs.
Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF06
Classification de produits
Missions et objectifs

Le Groupe Otto est l'une des plus grandes entreprises de commerce électronique au monde, avec des filiales dans plus de 20
pays, dont Crate & Barrel (États-Unis), [Link] (Allemagne) et 3 Suisses (France). Nous vendons chaque jour des millions de
produits dans le monde entier, et plusieurs milliers de produits viennent s'ajouter à notre gamme.

Une analyse cohérente de la performance de nos produits est cruciale. Cependant, en raison de la diversité de notre
infrastructure mondiale, de nombreux produits identiques sont classés différemment. Par conséquent, la qualité de l'analyse
de nos produits dépend fortement de notre capacité à regrouper avec précision les produits similaires. Plus la classification
est bonne, plus nous pouvons obtenir d'informations sur notre gamme de produits.

Le processus de classification manuelle est long et sujet à des erreurs, surtout avec des milliers de nouvelles références
ajoutées régulièrement.

Objectif: ce projet de classification des produits vise donc à automatiser la catégorisation en utilisant des techniques
d’apprentissage automatique, ce qui permettra d'optimiser l'organisation et le traitement des données produits.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF07
Satisfaction client
Missions et objectifs

Dans un marché bancaire compétitif, la satisfaction client est cruciale pour la rétention des clients et la croissance des
activités. Santander, une institution bancaire mondiale, cherche à mieux comprendre et prédire la satisfaction de ses clients
afin d’améliorer leurs expériences.

Ce projet vise à développer un modèle capable de classifier les clients insatisfaits, permettant aux équipes de support, ainsi
qu’aux niveaux de direction (C-suite), de prendre des décisions proactives pour réduire les taux d’attrition et améliorer les
services

Obectif: aider à identifier les clients insatisfaits dès le début de leur relation

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF08
Classification du premier pays de destination
Missions et objectifs

En tant que plateforme de réservation d’hébergements et d’expériences, Airbnb vise à proposer des séjours personnalisés pour
attirer et fidéliser ses utilisateurs. Une partie essentielle de cette stratégie consiste à prédire les premiers choix de
destinations des nouveaux utilisateurs, ce qui permet à Airbnb de mieux orienter son contenu, de proposer des
recommandations personnalisées et d'améliorer le taux de conversion.

Les nouveaux utilisateurs d'Airbnb peuvent réserver un logement dans plus de 34 000 villes réparties dans plus de 190 pays.
En prédisant avec précision où un nouvel utilisateur réservera sa première expérience de voyage, Airbnb peut partager un
contenu plus personnalisé avec sa communauté, réduire le délai moyen de la première réservation et mieux prévoir la
demande

Objectif: Dans le cadre de ce projet, Airbnb vous met au défi de prédire dans quel pays un nouvel utilisateur effectuera sa
première réservation en fonction de ses données de profil et de comportement initial.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF09
Classification des logiciels malveillants
Missions et objectifs

La sécurité informatique est un enjeu majeur dans l’écosystème numérique actuel, où le nombre et la sophistication des
malwares (logiciels malveillants) ne cessent d’augmenter. Pour une entreprise comme Microsoft, garantir la sécurité des
utilisateurs et des systèmes est une priorité.

Ce projet vise à améliorer les techniques de détection et de classification des malwares en se basant sur l’analyse des
signatures et des comportements des logiciels malveillants.

L’objectif est de classifier différents types de malwares pour permettre à Microsoft d’identifier et de contrer plus
efficacement ces menaces en développant des systèmes de protection plus réactifs et précis.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF10
Classification des maladies cardiaques
Missions et objectifs

Les médiums spiritualistes, engagés dans une pratique axée sur le bien-être holistique et l’équilibre énergétique, cherchent à
intégrer des approches scientifiques modernes pour améliorer la santé physique de leurs clients. Comprendre et prédire les
risques de maladies cardiaques permettrait d'offrir un accompagnement plus complet, avec des recommandations plus
personnalisées.

Ce projet de classification des maladies cardiaques a pour but de fournir un outil prédictif qui aide les médiums et praticiens
de bien-être à évaluer le risque cardiovasculaire de leurs clients, en tenant compte de leurs antécédents médicaux et de divers
facteurs de santé.

Objectif: prédire de manière fiable le risque de maladies cardiaques sur la base des données médicales du client

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF11
Détection de fraude
Missions et objectifs

Vesta Corporation, un leader dans la gestion de transactions en ligne, cherche à renforcer sa capacité à détecter les fraudes
dans les transactions électroniques. La fraude en ligne est une préoccupation majeure pour toutes les entreprises qui gèrent
des paiements numériques, car elle entraîne des pertes financières importantes et diminue la confiance des clients

Dans le cadre de ce projet, Vesta souhaite développer des modèles de machine learning fiables qui identifient les transactions
frauduleuses à partir de vastes ensembles de données transactionnelles (montant, heure, type de transaction) et
comportementales et des informations sur les appareils utilisés.

Le défi est de concevoir un modèle de classification performant, capable de distinguer les transactions légitimes des
transactions frauduleuses.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF12
Détection de la race du chien sur une photo
Missions et objectifs

Vous êtes bénévole pour l'association de protection des animaux, Agir pour les animaux, de votre quartier.
Vous vous demandez donc ce que vous pouvez faire en retour pour aider l'association.

Vous apprenez, en discutant avec un bénévole, que leur base de données de pensionnaires commence à s'agrandir et qu'ils n'ont
pas toujours le temps de référencer les images des animaux qu'ils ont accumulées depuis plusieurs années. Ils aimeraient donc
obtenir un algorithme capable de classer les images en fonction de la race du chien présent sur l'image.

Les données sont disponibles ici

Votre mission:
L'association vous demande de réaliser un algorithme de détection de la race du chien sur une photo, afin d'accélérer leur travail
d’indexation. Il s'agit également de mettre en place un dashboard permettant de tester le modèle choisi et suivre les bonnes
pratiques MLOps pour ce projet.
Recommandations

Attention sur le fait que l'entraînement (même partiel) d'un réseau de neurones convolutionnels est très
gourmand en ressources. Si le processeur de votre ordinateur ne suffit pas, voici plusieurs solutions :
Limitez le jeu de données, en ne sélectionnant que quelques classes (races de chiens), ce qui permettra déjà
de tester la démarche et la conception des modèles, avant une éventuelle généralisation.
Utilisez la carte graphique de l’ordinateur en tant que GPU (l'installation est un peu fastidieuse, et
l'ordinateur est inutilisable le temps du calcul).
cloud computing, qui permet d'avoir temporairement accès à des machines très puissantes, en étant facturé
seulement durant le temps d'utilisation. Le plus connu est AWS, mais d'autres existent (Google,
Microsoft...). Vous pouvez tester également Google Colaboratory ou Kaggle qui permet de mettre en œuvre
gratuitement des réseaux CNN utilisant de la GPU.
Livrables

Un repository GITHUB contenant les éléments suivants:

Le code/notebook Python
Un programme Python qui prend une image en entrée et retourne la race la plus probable du chien présent
sur l'image via un interface (si besoin)
Tous les scripts Python
Votre support de présentation (25 slides maximum).
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CLF13
Classification des ordures
Missions et objectifs

Vous êtes Data Scientist au sein de l’entreprise "WasteNet”, pionnière dans le domaine du recyclage des ordures.

WasteNet souhaite proposé un objet de tri intelligent afin de recycler certains objets et de diminuer les impacts néfastes sur
l'environnement.
L'objectif de ce projet est de proposer un modèle prédictif capable de détecter le type d'ordure à partir d'une image. Il est
aussi demander un suivi des bonnes pratiques MLOps.

Les données sont disponibles ici

Voici quelques exemples de types d'ordures: électronique, carton, plastique, verre, métal, organique ...
Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Un dossier Python contenant le code de l’API (si besoin)
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard, ...
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Explication des prétraitements, des extractions de features et des résultats de l’étude
Présentation du test de l’API ou du dashboard (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
Clustering
Quelques propositions de projet
Notes: Sujets précédemment présentés dans la section Classification

Vous avez la possibilité de sélectionner un sujet

de classification et de le traiter en utilisant des
techniques de clustering, sans tenir compte des
étiquettes lors du processus d'apprentissage.
CTR01
Olist: Segmentation des clients
Missions et objectifs

Vous êtes consultant pour Olist, une entreprise brésilienne qui propose une solution de vente sur les marketplaces en ligne.
Olist souhaite que vous fournissiez à ses équipes d'e-commerce une segmentation des clients qu’elles pourront utiliser au
quotidien pour leurs campagnes de communication.
Votre objectif est de comprendre les différents types d’utilisateurs grâce à leur comportement et à leurs données
personnelles.
Vous devrez fournir à l’équipe marketing une description actionable de votre segmentation et de sa logique sous-jacente
pour une utilisation optimale, ainsi qu’une proposition de contrat de maintenance (optionnel) basée sur une analyse de la
stabilité des segments au cours du temps.

Votre mission
Votre mission est d’aider les équipes d’Olist à comprendre les différents types d'utilisateurs. Vous utiliserez donc des
méthodes non supervisées pour regrouper des clients de profils similaires. Ces catégories pourront être utilisées par
l’équipe Marketing pour mieux communiquer.
Il faut utiliser Github Actions pour le déploiement continu et l’interface web 'UI MLFlow" ou un autre outil d'affichage des
résultats du tracking, concevoir des tests unitaires avec Pytest (ou Unittest) et les exécuter de manière automatisée lors du
build réalisé par Github Actions et respecter les conventions PEP.
Livrables

Un repository GITHUB contenant les éléments suivants:

Un notebook (ou code commenté au choix) de l'analyse exploratoire & d’essais des différentes
approches de modélisation.
Un notebook de simulation pour déterminer la fréquence nécessaire de mise à jour du modèle de
segmentation.
un fichier [Link] détaillant le projet ainsi l'organisation du répertoire
Tous autres documents/codes relatifs à la réalisation des missions
Un support de présentation pour présenter votre travail à un collègue (25 slides maximum)

Pour faciliter votre passage devant le jury, déposez sur la plateforme Github tous les livrables du projet. La
structure du répertoire github est à définir mais il doit contenir au minimum un dossier appelé “notebooks”
contenant les notebooks créés pour répondre à cette mission. A titre illustratif, vous pouvez nommer les
fichiers selon l'ordre dans lequel il apparaît, par exemple “segmentation_01_analyse.ipynb”,
“segmentation_02_essais.ipynb”, et ainsi de suite.
Soutenance

La soutenance se déroulera comme suit:

15 à 20 min de Présentation
Présentation de la problématique, du cleaning effectué, du feature engineering et de l'exploration
Présentation des différentes pistes de modélisation effectuées, des tests unitaires et des expériences sur MLFlow
Présentation du modèle final sélectionné ainsi que des améliorations effectuées.
Présentation de la simulation pour définir le délai de maintenance du modèle (si besoin)
5 à 10 min de questions-réponses
CTR02
Dubaï Mall: Segmentation de la clientèle
Missions et objectifs

Le secteur du commerce de détail est de plus en plus axé sur la compréhension des comportements des clients afin d'optimiser les
stratégies de marketing et d'améliorer l'expérience client. À Dubaï, un des centres commerciaux les plus fréquentés, le Dubai
Mall, souhaite mieux segmenter sa clientèle pour adapter ses services et offres commerciales

L'analyse des données des clients peut révéler des patterns de comportement et des préférences qui, une fois identifiés, peuvent
aider les gestionnaires du centre commercial à mieux cibler leurs campagnes et à améliorer la satisfaction des clients.

Objectif: développer un modèle de segmentation client qui permettra de mieux comprendre la diversité de la clientèle du Dubai
Mall et de répondre à ses besoins spécifiques.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CTR03
Segmentation de voitures
Missions et objectifs

La Centrale est une entreprise spécialisée dans la vente de véhicules neufs et d'occasion. Dans un marché concurrentiel, il est
crucial de comprendre les préférences des clients et d'optimiser l'inventaire en fonction des tendances du marché. Pour cela,
l'analyse des caractéristiques des voitures et leur évaluation par les consommateurs peuvent fournir des informations précieuses.

Le jeu de données contient divers attributs de voitures, tels que le type, la taille, le prix, la sécurité, et d'autres caractéristiques.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CTR04
Engagement dans les médias sociaux
Missions et objectifs

Avec l'augmentation exponentielle de l'utilisation des réseaux sociaux, comprendre le comportement des utilisateurs sur des
plateformes comme Facebook est essentiel pour améliorer l'engagement, la satisfaction des utilisateurs et, en fin de compte, la
rentabilité de l'entreprise. Facebook, en tant que l'une des plus grandes plateformes de médias sociaux au monde, collecte une
immense quantité de données sur les interactions des utilisateurs, y compris les likes, les commentaires, les partages et les
abonnements. Ce projet vise à analyser ces données pour identifier les facteurs qui influencent l'engagement des utilisateurs.

Chaque entrée fournit des mesures détaillées sur la façon dont les messages sont reçus par le public, ce qui permet d'obtenir des
informations fondées sur des données concernant la performance du contenu.

Objectif: comprendre le Comportement des Utilisateurs : Déterminer les comportements d'engagement des utilisateurs afin de
mieux cibler les campagnes de marketing et les contenus proposés.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CTR05
Analyse de la qualité de l'air
Missions et objectifs

Cet ensemble de données, qui couvre 170 pays et plus de 300 villes, offre une vue d'ensemble de la dynamique de la qualité de
l'air au niveau mondial. La pollution de l'air est un problème de santé publique majeur qui affecte des millions de personnes dans
le monde. L'Organisation Mondiale de la Santé (OMS) s'engage à surveiller et à réduire les risques liés à la pollution de l'air afin
d'améliorer la santé publique et de promouvoir un environnement sain.

Axé sur des polluants essentiels tels que le monoxyde de carbone, l'ozone, le dioxyde d'azote et les particules (PM2.5), les
informations tirées de cet ensemble de données permettent aux utilisateurs d'analyser les tendances en matière de qualité de
l'air, de formuler des politiques efficaces et de contribuer à la promotion d'une planète plus saine.

Avec des colonnes essentielles telles que le nom du pays, le nom de la ville, les valeurs globales de l'indice de qualité de l'air
(IQA) et les concentrations de polluants spécifiques, cet ensemble de données permet des analyses approfondies et des études de
corrélation.

Objectif: Utiliser des techniques de clustering pour identifier des modèles dans les données de pollution de l'air, permettant de
segmenter les régions en fonction de leurs niveaux de pollution et de leurs caractéristiques.

Les données sont disponibles ici

Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
CTR06
Clustering de pays
Missions et objectifs

L'entreprise HELP, une ONG humanitaire internationale, s'engage à lutter contre la pauvreté et à améliorer le bien-être des
populations à travers le monde en fournissant des équipements de base et des secours en cas de catastrophes et de calamités
naturelles. Dans le cadre de cette mission, il est essentiel de comprendre les différentes dynamiques socio-économiques et
environnementales des pays.

Ce projet vise à exploiter les techniques d'apprentissage non supervisé pour identifier des segments de pays en fonction de divers
indicateurs.

Objectif: regrouper des pays en fonction de divers indicateurs économiques (PIB, taux d'alphabétisation, etc.) pour analyser les
similitudes et les différences entre les économies mondiales.
Livrables

Un repository GITHUB contenant les éléments suivants:

Un ou des notebooks (ou des fichiers .py) contenant les fonctions permettant le prétraitement et la feature
extraction des images ainsi que les résultats de la modélisation
Tous les scripts Python
Un fichier [Link] décrivant la structure du repository Github
Le code de l'API ou/et du dashboard (si besoin)
Un support de présentation pour la soutenance, détaillant le travail réalisé (25 slides maximum)
Soutenance

La soutenance se déroulera comme suit:

Présentation (15 à 20 minutes)
Rappel de la problématique et présentation du jeu de données
Présentation des différentes pistes de modélisations effectuées et le choix du modèle final
Présentation du test de l’API (si besoin)
Discussion (10 minutes)
Débriefing (5 minutes)
Annexes
Exemple: 100 projets
Data Science

Exemple de 100 projets Data Science disponibles sur [Link]