🛠 Projets pratiques

Charge un fichier CSV de notes d'étudiants, calcule les statistiques (moyenne, médiane, écart-type), identifie les élèves en difficulté et produit un rapport visuel.

🎯 Apprendre à manipuler des données tabulaires, calculer des statistiques et créer une visualisation utile.

Entraîne un modèle de régression linéaire pour prédire le prix d'une maison à partir de sa superficie. Visualise la droite de régression et évalue l'erreur.

🎯 Comprendre le concept fondamental de régression linéaire, d'entraînement d'un modèle et d'évaluation.

Construis un classificateur qui détecte si un email est spam ou non à partir de son texte. Utilise le dataset SMS Spam Collection de UCI.

🎯 Introduire le NLP basique (bag of words, TF-IDF) et la classification de texte.

Télécharge les données publiques COVID-19 et crée un tableau de bord de visualisations : évolution des cas, comparaison entre pays, courbes de tendance.

🎯 Maîtriser les visualisations avec des données réelles imparfaites (valeurs manquantes, formats variés).

Utilise le célèbre dataset Iris pour découvrir le clustering non-supervisé avec K-Means. Visualise les clusters et comprends la différence entre apprentissage supervisé et non-supervisé.

🎯 Introduire le clustering et l'apprentissage non-supervisé. Comprendre PCA pour visualiser en 2D.

Crée un outil en ligne de commande qui analyse n'importe quel fichier texte : nombre de mots, mots les plus fréquents, longueur moyenne des phrases.

🎯 Apprendre à créer de vrais outils Python réutilisables avec argparse, manipulation de fichiers et collections.

Prédit quels clients vont annuler leur abonnement (churn). Pipeline complet : EDA, feature engineering, modèle XGBoost, interprétabilité avec SHAP, recommandations business.

🎯 Mener un projet ML de bout en bout avec un dataset réel déséquilibré et présenter des insights actionnables.

Construis un moteur de recommandation basé sur les notes utilisateurs (collaborative filtering) et sur le contenu (content-based). Compare les deux approches.

🎯 Comprendre les algorithmes de recommandation — la base de Netflix, Spotify, YouTube.

Fine-tune un modèle BERT pour l'analyse de sentiment sur des avis de produits, puis déploie-le comme API REST avec FastAPI et Dockerise le tout.

🎯 Utiliser les Transformers pré-entraînés, créer une API ML et la containeriser — compétences directement employables.

Crée une application web interactive avec Streamlit qui permet d'explorer un dataset, d'entraîner différents modèles ML et de comparer leurs performances en temps réel.

🎯 Créer des interfaces pour tes modèles ML — compétence essentielle pour montrer ton travail.

Détecte automatiquement les anomalies dans des données de séries temporelles (transactions financières, métriques serveur ou données IoT). Compare plusieurs approches.

🎯 Maîtriser l'analyse de séries temporelles et les algorithmes de détection d'anomalies.

Construis un système RAG (Retrieval-Augmented Generation) complet : ingestion de PDF/docs, embeddings vectoriels, retrieval sémantique, génération de réponses avec un LLM. Déploie en API REST.

🎯 Maîtriser l'architecture RAG de bout en bout — la technologie derrière la majorité des chatbots d'entreprise.

Construis un pipeline ML production-ready complet : versioning données/modèles, experiment tracking, API de serving, CI/CD automatique, monitoring du drift.

🎯 Démontrer une maîtrise complète du cycle de vie ML en production — exactement ce qu'un ML Engineer fait au quotidien.

Construis un agent AI capable d'utiliser des outils (recherche web, calculatrice, base de données, API externes), de mémoriser les conversations et de planifier des tâches multi-étapes.

🎯 Comprendre et implémenter les architectures d'agents LLM : ReAct, Chain-of-Thought, tool use, mémoire persistante.

Choisis un problème de vision réel (détection de défauts industriels, classification de plantes, comptage d'objets, OCR) et construis un système complet : dataset, training, optimisation, déploiement.

🎯 Mener un projet Computer Vision de la collecte de données au déploiement — du dataset au produit utilisable.